VIBRATION-BASED WEAR DIAGNOSTICS OF JAW CRUSHER STEEL PLATES USING STREAMING DATA ANALYSIS
DOI:
https://doi.org/10.32339/0135-5910-2025-7-27-37Keywords:
jaw crusher, vibration diagnostics, plate wear, ferrosilicomanganese, RBF neural networks, predictive maintenanceAbstract
This paper presents a methodology for assessing the wear of crushing plates in jaw crushers processing ferrosilicomanganese, based on vibration spectrum analysis. The study addresses the critical need for continuous equipment condition monitoring without production stoppages. Conventional methods (visual inspection, geometric measurements) fail to provide predictive diagnostics, leading to increased operational costs. A novel approach is proposed, integrating: real-time vibration signal analysis (sampling rate: 2.5 ms); spectrum classification using RBF neural networks; correlation of vibration parameters with actual plate wear (error ≤15%). Algorithms were developed to: quantify wear levels (5 grades: 0–25%, 26–35%, 36–45%, 46–50%, >50%); calculate transition times between wear stages; predict remaining service life. The method was tested on a laboratory setup (DSch 120×200 crusher, dunite material) and under industrial conditions (Chelyabinsk Electrometallurgical Plant, DSch-1 crusher, ferrosilicomanganese). Results demonstrated high accuracy (R2 ≥ 0.85) when compared with direct plate thickness measurements. Practical implications: reduced equipment downtime, optimised plate replacement schedules, and improved crushing efficiency. The study paves the way for automated monitoring systems in mining and metallurgical industries.
References
Ердаков И. Н., Ткачёв В. М., Феколин П. В. Исследование износостойкости футеровочных плит щековой дробилки при измельчении ферросиликохрома // Современные проблемы электрометаллургии стали: ма-териалы XVI Международной конференции: в 2-х частях. 2015. Часть 1. С. 178–182.
Ердаков И. Н., Ткачёв В. М., Новокрещенов В. В. Повышение износостойкости стальных плит для дробиль-ных установок // Трение и износ. 2014. Т. 35. № 6. С. 739–745.
Juez-Gil M., Erdakov I. N., Bustillo A., Pimenov D. Y. A regression-tree multilayer-perceptron hybrid strategy for the prediction of ore crushing-plate lifetimes // Journal of Advanced Research. 2019. V. 18. P. 173–184. DOI: 10.1016/j.jare.2019.03.008.
Островский М. С., Бойко П. Ф. Организация ремонта дробильного оборудования на основе диагностики его состояния // Современные технологии в промышленности строительных материалов и стройиндустрии: труды международной конференции. БГТУ им. В. Г. Шухова, 2005. C. 364–366.
Островский М. С., Бойко П. Ф Контроль за состоянием горных машин с использованием методов вибродиа-гностики // Горный информационно-аналитический бюллетень. 2007. № 10. С. 241–243.
Мишин И. И., Болобов В. И. Определение зависимости потребной мощности щековой дробилки от степени износа дробящих плит // Транспортное, горное и строительное машиностроение: наука и производство. 2019. № 3. С. 18–25. DOI: 10.26160/2658-3305-2019-3-18-25.
Лукьянов А. В., Алейников Д. П., Хоменко А. П., Налётов В. А. Вибродиагностика насосного оборудования тепловых электростанций // Современные технологии. Системный анализ. Моделирование. 2024. Т. 84. № 4. С. 103–116. DOI: 10.26731/1813-9108.2024.4(84).103-116.
Шлаев К. И., Сабиров Ф. С. Вибродиагностика технического состояния угловых фрезерных головок // Вестник МГТУ «Станкин». 2024. Т. 68. № 1. С. 68–74.
Кадомцев М. И., Развеева И. Ф. Вибродиагностика стержневых конструкций с применением нейросетевых методов машинного обучения // Инженерный вестник Дона. 2020. Т. 62. № 2. С. 12.
Григорьев А. В., Кочегаров И. И., Юрков Н. К. и др. Вибродиагностика подшипниковых опор на основе анализа динамики области размытия изображения круглой метки // Труды международного симпозиума «Надежность и качество». 2020. Т. 2. С. 129–132.
Мормуль Р. В., Павлов Д. А., Сальников А. Ф. Вибродиагностика и структурный анализ исследования не-линейных динамических процессов роторных турбомашин с магнитным подвесом // Аэрокосмическая тех-ника, высокие технологии и инновации. 2019. Т. 1. С. 96–99.
Дементьев А. И., Подоплелов Е. В., Петрушина А. Д. Система стационарного мониторинга технического состояния динамического оборудования // Вестник Ангарского государственного технического универси-тета. 2024. Т. 1. № 18. С. 64–67.
Дергачев К. А. Вибродиагностика промышленного оборудования при помощи искусственного интеллекта // Наука и образование: проблемы, идеи, инновации. 2018. Т. 5. № 2. С. 43, 44.
Аникина О. В., Гущина О. М., Панюкова Е. В., Рогова Н. Н. Табличная реализация искусственной нейрон-ной сети радиальных базисных функций для классификации образцов // Современные информационные технологии и ИТ-образование. 2018. Т. 14. № 2. С. 436–445.
Знаменский Л. Г., Солодянкин А. А., Полиновский В. Б. Прогрессивные материалы в точном литье по выжи-гаемым моделям // Военный научно-практический вестник. 2023. Т. 17. № 1. С. 53–62.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 ЧЕРНАЯ МЕТАЛЛУРГИЯ. Бюллетень научно-технической и экономической информации
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
