This article is devoted to the prediction of the residual life based on an estimate of the technical state of the induction motor. The proposed system allows to increase the accuracy and completeness of diagnostics by using an artificial neural network (ANN), and also identify and predict faulty states of an electrical equipment in dynamics. The results of the proposed system for estimation the technical condition are probability technical state diagrams and a quantitative evaluation of the residual life, taking into account electrical, vibrational, indirect parameters and detected defects. Based on the evaluation of the technical condition and the prediction of the residual life, a decision is made to change the control of the operating and maintenance modes of the electric motors.

Nowadays pelletizing drums are widely used in the steel industry. These units are characterized by high endurance and low cost of maintenance. However, use and control of these units in the process of coarsening have a number of issues. For most of the cases pelletizing drums are “black box” and control accuracy can not be estimated exactly. It is explained by low existing theoretical basis of this production process. Particularly it is tied up with the variability of the bulk materials (charges) parameters supplied to the unit. Overcome of this issues can be reached with development of intelligent control systems for drum pelletizing machines. Main requirement for such systems is possibility to level or consider the effect of charges properties variability in control. However, it is necessary to study the behavior of bulk materials inside the units. Visual assessment of pelletization does not allow to evaluate the ongoing physical processes. Development of mathematical and numerical models can help studying the process and take a lot of parameters into account including charges properties and even interaction with water. But the adequacy of the resulting models also has to be clarified using physical devices to record or capture bulk materials behavior inside the units. This research proposes a DEM simulation test of the concept for bulk material behavior control through the recognition of the mixture movement fragments using special capsules. This part is dedicated to the simulation model set up and extracting the particles trajectories for further processing.

Электромеханическое оборудование (ЭМО) минерально-сырьевого комплекса наиболее подвержено износу из-за условий эксплуатации. Более раннее обнаружение дефектов оборудования лежит в основе определения фактического технического состояния ЭМО и повышения его энергетической эффективности. Представлены результаты исследования сигналов тока статора асинхронного двигателя для раннего обнаружения развивающихся дефектов на примере подшипников. Предложен подход, основанный на сингулярном разложении обобщенного тока и восстановлении временных рядов. Проведенные экспериментальные исследования с имитацией повреждения подшипника позволили установить связь изменения компонент временных рядов с наличием разного уровня дефектов подшипника, что дает возможность идентифицировать появление неисправности на более ранних стадиях. Подобная структура представления данных позволяет формировать компонентные диагностические карты, которые впоследствии при периодической оценке возможно использовать для выявления изменений в работе электромеханического оборудования. На основе предложенных подходов рассмотрены математический аппарат и индикаторы, позволяющие оценивать уровень вклада изменения технического состояния в потери электроэнергии для различных этапов эксплуатации. Оценка энергетических потерь на ранних стадиях дефектах дает перспективу к повышению энергоэффективности и безаварийности электромеханического оборудования минерально-сырьевого комплекса за счет последующего упреждающего управления.