Nouvelles

Jan 19, 2024

Analyse de fiabilité du système d'alimentation en air comprimé dans les mines souterraines

Rapports scientifiques volume 13,

Rapports scientifiques volume 13, Numéro d'article : 6836 (2023) Citer cet article

236 accès

Détails des métriques

Malgré son coût élevé et sa faible efficacité, l'air comprimé est principalement utilisé dans les mines souterraines pour l'extraction du minerai, le levage et les opérations de traitement des minéraux. Les défaillances des systèmes d'air comprimé menacent non seulement la santé et la sécurité des travailleurs, mais contribuent également à un contrôle inefficace du débit d'air et à l'arrêt de tous les équipements fonctionnant à l'air comprimé. Dans des conditions aussi incertaines, les gestionnaires de mines sont confrontés au grand défi de fournir suffisamment d'air comprimé, et par conséquent, l'évaluation de la fiabilité de ces systèmes est essentielle. Cet article vise à analyser la fiabilité du système d'air comprimé en utilisant l'approche de modélisation de Markov comme étude de cas, mine de cuivre de Qaleh-Zari, Iran. Pour ce faire, le diagramme d'espace d'états a été construit en tenant compte de tous les états pertinents pour tous les compresseurs de la salle de compression principale de la mine. Le taux de défaillance et de réparation de tous les compresseurs principaux et de réserve a été calculé pour toutes les transitions possibles entre les états afin d'obtenir la probabilité d'être du système dans chacun des états. De plus, la probabilité de défaillance à n'importe quelle période de temps a été considérée pour étudier le comportement de fiabilité. Les résultats de cette étude montrent qu'il y a 31,5% de probabilité que le système d'alimentation en air comprimé soit en état de fonctionnement avec deux compresseurs principaux et un de secours. La probabilité du système que deux compresseurs principaux restent en fonctionnement sans panne pendant un mois est de 92,32 %. De plus, la durée de vie du système est estimée à 33 mois lorsqu'au moins un compresseur principal est actif.

Les puissances hydrauliques et pneumatiques sont largement utilisées pour fournir de l'énergie aux équipements miniers. Malgré son coût élevé et sa faible efficacité, l'air comprimé est encore principalement utilisé dans différents équipements tels que les perceuses, les pompes, les ventilateurs, les lampes à turbine, les grues, les convoyeurs, les chargeuses et les excavatrices. De plus, il est généralement utilisé pour les opérations de ventilation des portes et la pulvérisation d'eau pour réduire la poussière. Les compresseurs doivent être actifs en permanence pour maintenir la pression adéquate du système. Le système d'alimentation en air comprimé est l'un des systèmes les plus énergivores de la mine et contribue à environ 20 à 40 % de la consommation totale d'énergie de la mine1. Comme tout autre système, les groupes compresseurs d'air sont formés de différentes pièces, notamment des réservoirs (dépôt d'air), des tuyaux, des tuyaux, des câbles, etc. Ces pièces sont régulièrement exposées à la distraction et à l'érosion. Il est possible de révéler les dommages avant l'apparition de tout type d'érosion. Cependant, toute défaillance du système d'alimentation en air comprimé expose les opérateurs et les équipements à un niveau de risque élevé pour la sécurité.

L'utilisation de compresseurs volumétriques (compresseurs à vis et à pistons), capables de fournir de l'air comprimé à haute pression, est généralement courante dans les opérations minières souterraines. Faire confiance à un seul compresseur est très risqué car, tout d'abord, dépendre d'un seul compresseur peut apporter la capacité de fournir le flux d'air sous pression nécessaire et, deuxièmement, la panne de l'appareil peut nous mettre sans autre alternative. Par conséquent, il est rationnel d'utiliser quelques autres compresseurs en parallèle. Le nombre de ces compresseurs peut être déterminé en fonction du débit d'air nécessaire et du manque de perte d'air. En cas de panne d'un compresseur principal, un compresseur de secours sera remplacé immédiatement pour fournir la même quantité d'air comprimé, et il doit être utilisé jusqu'à ce que le compresseur principal soit réparé, puis de nouveau dans le système. Ainsi, la détermination de la fiabilité de l'ensemble du système est très importante pour la sécurité et l'économie du produit et dépend fortement de la connaissance de la probabilité de défaillance des compresseurs. Par conséquent, avoir un nombre suffisant de compresseurs actifs et de secours augmente l'efficacité du système en ce qui concerne toutes les questions d'optimisation.

De nos jours, de nombreuses études ont été menées sur l'économie d'énergie et l'optimisation des réseaux d'air comprimé. Friedenstein et al.2 ont simulé le système d'air comprimé d'une mine d'or souterraine en Afrique du Sud pour identifier les modifications d'amélioration énergétique et opérationnelle dans les systèmes d'air comprimé. Dans cette étude, les fuites de la baie de refuge ont été identifiées comme un utilisateur d'air important, et par conséquent, différents scénarios ont été modélisés en réduisant le flux d'air vers les composants de la baie de refuge. Les résultats de cette étude ont montré que la prise en compte du scénario optimisé améliore l'utilisation globale de l'air et réduit considérablement le coût de l'énergie électrique de la mine2. Des recherches similaires ont déjà été effectuées3,4,5. Fouché6 a appliqué les actions de contrôle pour améliorer l'efficacité du système d'air comprimé dans l'exploitation minière à grande profondeur. Dans l'étude examinée, des vannes de régulation sont utilisées pour réparer les fuites, ajuster la pression de livraison des points de consigne et réduire en conséquence la pression d'air à certains niveaux. Les résultats de cette étude ont montré que par la mise en œuvre de telles actions, la consommation d'énergie électrique a été réduite de 1,35 MW, ce qui a eu un effet considérable sur l'économie annuelle des coûts d'électricité. Chen et al.7 ont appliqué le modèle général multi-objectifs non linéaire contraint avec la méthode du chemin critique pour optimiser la régulation de la quantité d'air dans les réseaux de ventilation de la mine. Dans cette étude, les principales contraintes étaient les bornes supérieures et inférieures des quantités d'air des branches et les pertes de charge des détendeurs. Le modèle proposé a été appliqué pour deux réseaux de ventilation avec un seul ventilateur et plusieurs ventilateurs. Les résultats de l'étude mentionnée ont indiqué que l'algorithme proposé est une convergence si flexible et rapide qu'il peut être utilisé pour les réseaux de ventilation généralisés à grande échelle. Hassan et al.8 ont tenté d'améliorer l'utilisation de l'air comprimé dans les mines souterraines afin de réduire la consommation d'électricité. Dans l'étude examinée, différentes techniques de contrôle ont été proposées pour réduire la consommation d'énergie électrique. Ces techniques contrôlaient la pression de différents points de consigne pour déterminer la pression d'air minimale requise pour les puits de mine. Les techniques proposées ont été appliquées dans deux mines d'or profondes en Afrique du Sud en ce qui concerne leurs conditions de production, leur infrastructure et leurs spécifications. Dans une autre recherche, Jacobs et al.9 ont tenté de prédire la défaillance des compresseurs centrifuges. Dans l'étude mentionnée, la fonction de distribution de Weibull a été appliquée en utilisant la méthode de validation croisée leave-one-out pour étudier le comportement de défaillance des compresseurs d'air dans une mine profonde en Afrique du Sud. Zhang et al.10 ont proposé un système de diagnostic des défauts pour les compresseurs. Dans cette étude, un algorithme basé sur la machine vectorielle des supports des moindres carrés a été optimisé à l'aide de l'optimisation des essaims de particules, puis appliqué pour créer un modèle de diagnostic de défaut. Dans des recherches similaires, le diagnostic de panne des compresseurs a été étudié sur la base du réseau de neurones artificiels à rétropropagation11 et du réseau hybride de croyances profondes12 également.

L'examen des articles mentionnés ci-dessus montre que la plupart des études antérieures se sont concentrées sur la réduction des fuites d'air comprimé, l'utilisation non autorisée d'air comprimé et également sur l'optimisation de l'alimentation en air. Ces études visaient à réduire la consommation d'énergie grâce à l'optimisation du débit d'air comprimé produit. Mais il y a peu de travaux rapportés pour analyser la disponibilité et la fiabilité des systèmes d'alimentation en air comprimé dans l'exploitation minière souterraine. Pendant l'exploitation minière souterraine, le système d'alimentation en air comprimé doit être en fonctionnement continu en ce qui concerne la sécurité et les problèmes techniques. Pour y parvenir, un petit nombre de compresseurs de secours doivent être disponibles pour fonctionner tant que celui qui est inutilisable est en cours de réparation. Par conséquent, cet article est consacré à la simulation de tous les états possibles du système d'alimentation en air comprimé afin d'analyser la disponibilité de chaque état. Sur toutes ces questions, les approches déterministes ne valent rien et l'approche rationnelle est probabiliste. C'est ici que la solution stochastique peut venir en aide. La chaîne de Markov est un puissant outil mathématique bien connu qui est largement appliqué pour générer un modèle stochastique de systèmes avec une séquence d'états possibles. Cette approche est basée sur la modélisation mathématique dans laquelle les états de défaillance ne dépendent que de l'état actuel à cette instance.

L'approche de modélisation de Markov a une grande flexibilité dans l'expression du comportement dynamique des systèmes. Il peut modéliser la plupart des types de comportement du système qui peuvent être modélisés par des modèles combinatoires tels que le schéma fonctionnel de fiabilité et l'analyse d'arbre de défaillance. Cette approche peut modéliser différents types de comportement des systèmes impliquant la réparation complexe, les pièces de rechange de secours, les dépendances de séquence et la couverture imparfaite des pannes qui ne peuvent pas être modélisées à l'aide des modèles combinatoires. De plus, l'approche de modélisation de Markov peut être facilement appliquée si la représentation détaillée de la gestion des fautes ou des erreurs est requise dans le modèle13.

De nos jours, la modélisation des chaînes de Markov a été largement utilisée pour l'évaluation de la fiabilité et de la disponibilité du système dans différents domaines des opérations minières telles que l'estimation de la fiabilité des systèmes de ventilation auxiliaires dans la construction de longs tunnels14, la sélection de l'emplacement du concasseur15, l'optimisation des performances de production de Machines de chargement-transport-déchargement16, analyse de la fiabilité des opérations de forage minier17,18, fiabilité, maintenabilité et disponibilité des tunneliers19,20, et analyse de la fiabilité, de la disponibilité et de la maintenabilité des pelles et des camions à benne basculante dans les mines à ciel ouvert21.

Ye et al.22 ont appliqué la chaîne de Markov en temps continu pour modéliser le processus stochastique des pannes et des réparations d'une unité de séparation d'air. Dans l'étude mentionnée, deux stratégies ont été envisagées pour augmenter la disponibilité du système. Dans la première stratégie, des unités parallèles ont été installées et dans la deuxième stratégie, des inspections et un entretien périodiques ont été effectués. Ensuite, une programmation linéaire en nombres entiers mixtes a été proposée pour optimiser le choix de la redondance et la fréquence des tâches de maintenance pour un profit maximum. Rathi et al.23 ont étudié la fiabilité des systèmes de compresseurs alternatifs à plusieurs étages en utilisant l'approche de Markov. Dans l'article examiné, le modèle d'espace d'états de tous les états possibles (en fonctionnement, en veille et en panne) a été créé, puis la fiabilité du système est estimée pour différents scénarios ; avec et sans compresseurs redondants. Les résultats de l'étude mentionnée ont montré que la redondance de veille augmentait la fiabilité du système. Liu et al.24 ont appliqué la modélisation de la chaîne de Markov pour étudier la fiabilité des systèmes de ventilation de la mine. Dans l'article mentionné, l'état de fonctionnement du système sous le temps de fonctionnement total spécifié a été simulé sur la base de la méthode de Monte Carlo, puis la probabilité d'un état stable dans le futur a été analysée. Zeqiri et al.25 ont étudié l'efficacité de la régulation des systèmes de ventilation dans les mines souterraines pour assurer la circulation de la quantité d'air requise dans les ateliers et les installations de la mine. Dans l'étude mentionnée, différents régulateurs et ajustements sont utilisés pour réduire la quantité d'air de certaines manières ou même dans différentes parties de la mine en ce qui concerne le problème de ventilation des mines souterraines. Les résultats de l'article examiné ont trouvé les différentes méthodes de régulation fiables pour garantir la quantité d'air conçue tout en offrant une sécurité et un confort complets du microclimat pendant l'activité minière.

Dans cet article, une technique rigoureuse a été adoptée du point de vue de la chaîne de Markov pour estimer la fiabilité du système d'alimentation en air comprimé lorsque le nombre de compresseurs principaux et de secours et les autres considérations telles que les probabilités de leurs pannes et de leur réparation sont distincts. . La fiabilité du système à différents pas de temps est également estimée et discutée.

L'article est organisé de la manière suivante. La méthodologie de recherche et les fondements théoriques de l'article sont décrits dans la section "Fondements théoriques". L'étude de cas et le diagramme d'espace d'état du système étudié sont présentés dans la section "L'étude de cas ; modélisation du système d'alimentation en air comprimé". Les résultats de l'étude sont présentés et discutés dans la section "Analyse de fiabilité du système d'alimentation en air comprimé".

Cet article vise à analyser la fiabilité de l'unité d'air comprimé de la mine de cuivre de Qaleh-Zari, en Iran, en utilisant l'approche de modélisation de Markov. Dans cette section, le processus d'analyse de la fiabilité par l'approche de la chaîne de Markov est présenté. Pour ce faire, les états possibles de tous les compresseurs principaux et de réserve sont pris en compte pour la modélisation de la chaîne de Markov. Le taux de panne et de réparation de tous les compresseurs est calculé pour obtenir la probabilité d'être du système dans chacun des états. Ensuite, l'état stationnaire de la chaîne de Markov est calculé pour obtenir l'intervalle de confiance pour la disponibilité du système. De plus, la probabilité de défaillance à n'importe quelle période de temps est considérée pour étudier le comportement de fiabilité.

La chaîne de Markov est un processus stochastique utilisé pour la modélisation mathématique d'un certain type de phénomènes en fonction d'une variable aléatoire. Dans cette approche, les concepts de probabilité sont utilisés pour décrire comment un système passe d'un état à l'autre26. Dans cette technique, le système n'a pas de mémoire. D'autre part, les états futurs d'un système dépendent de l'état actuel et du dernier état immédiat. De plus, le comportement du système doit être le même à tous les instants, quel que soit l'instant considéré. Dans cette circonstance, la probabilité de passage d'un état à un autre est constante à tout moment. En revanche, le processus est stationnaire ou homogène27.

Dans l'application de la modélisation de Markov, le système ne peut être que dans un seul état à la fois et, de temps à autre, il effectue une transition d'un état à un autre. Deux types de modèles peuvent être considérés pour la modélisation qui sont des chaînes en temps discret et en temps continu. Dans les chaînes de Markov à temps discret, les transitions ne se produisent qu'à un intervalle de temps unitaire fixe avec une transition requise à chaque intervalle tandis que, dans les chaînes à temps continu, les transitions sont autorisées à se produire à n'importe quel intervalle de temps à valeur réelle. Il est à noter que le cas discret est généralement connu sous le nom de chaîne de Markov et le processus de Markov est généralement connu pour le cas continu13.

Lors de la première étape de l'approche markovienne, tous les états du système sont déterminés et les taux de transfert (défaillance ou réparation) entre les états sont obtenus. Ensuite, le diagramme de transition de Markov est utilisé pour décrire la relation entre les états du système. La figure 1 montre un modèle de base de chaîne de Markov avec deux états i et j, où λ et μ sont respectivement la défaillance et la réparation constantes (taux de transfert). Il note qu'une chaîne dans laquelle chaque état peut être atteint à partir de tous les autres états directement ou indirectement via des états intermédiaires est appelée ergodique. Dans les chaînes de Markov ergodiques, les valeurs limites des probabilités d'état sont indépendantes des conditions initiales27.

Modèle de Markov de base.

En considérant la probabilité de transition de chaque état i à l'état j, la probabilité que le système soit dans l'état j, qu'il démarre dans l'état i après n intervalles de temps, peut être calculée et discutée. Le processus stochastique {Xn}, n = 0, 1, 2, …, est une chaîne de Markov à temps discret pour tous les états i0, … ,i,j s'il satisfait la propriété de Markov as28,29,30 :

où Pij est la probabilité que la chaîne, à chaque fois qu'elle est dans l'état i, passe ensuite (une unité de temps plus tard) à l'état j, \(i \ne j\), et est appelée probabilité de transition en une étape. Le \(P_{ij}^{\left( n \right)}\) a appelé les probabilités de transition à n étapes comme suit :

Le \(P_{ij}^{(n)}\) est la probabilité de transition en n étapes. Cela signifie la probabilité qu'un processus dans l'état i soit dans l'état j après n transitions supplémentaires. Si les probabilités de transition à n étapes sont collectées sous la forme matricielle comme \(P(n) = \left\{{p_{ij}^{(n)} } \right\}\), alors selon Chapman-Kolmogorov équation, alors \(P^{\left( n \right)}\) est égal à \(P^{n}\) pour les chaînes de Markov stationnaires.

Les contraintes stochastiques suivantes à la matrice sont considérées pour la matrice P :

Il convient de noter que, concernant le principe du processus de chaîne de Markov, les événements de transition sont indépendants les uns des autres et donc, les probabilités de transition (\(p_{ij}\)) peuvent être obtenues à partir de la distribution binomiale.

Comme mentionné, \(P_{ij}^{n}\) est considéré comme la probabilité que la chaîne passe de l'état i au j en n étapes et les nouveaux nombres \(P_{ij}^{n}\) sont disposées les entrées d'une matrice, nommée matrice de probabilité de transition à n étapes ou matrice de transition globale (\(P^{n}\)). La matrice \(P^{n}\) est estimée par multiplication matricielle. D'autre part, la matrice de transition à n étapes peut être obtenue en multipliant la matrice P par elle-même n fois. Pour ce faire, l'approche par valeurs propres et vecteurs propres peut être utilisée. Dans cette approche, la matrice P peut être étendue à 30 ;

où Λ est la matrice diagonale des valeurs propres et U est la matrice dont les colonnes sont les vecteurs propres correspondants. Ensuite, la matrice de transition globale \(P^{n}\) peut être estimée à partir de l'équation suivante29,30 :

Le reste de cette sous-section est consacré à l'étude du comportement à long terme des chaînes de Markov. Il convient de noter que si la distribution de probabilité initiale de la chaîne de Markov est connue, alors la distribution de probabilité à un instant n ou \(P_{ij}^{n}\) peut être évaluée. Pour une chaîne de Markov ergodique, la technique de multiplication matricielle peut être appliquée pour obtenir l'état stationnaire ou les probabilités aux valeurs limites. La séquence de matrices de transition à n étapes \(P^{n}\) se rapproche d'une matrice dont les lignes sont toutes identiques. Cela signifie que, le \(Lim_{n \to \infty } P_{ij}^{n} = \pi_{j}\). Cela indique que \(P_{ij}^{n}\) converge vers une valeur qui est la même pour tout i. Par contre, il existe une probabilité limite que le processus soit dans l'état j après un grand nombre de transitions, et cette valeur est indépendante de l'état initial i29,30. Soit \(\pi_{j}\) est la distribution en régime permanent de la chaîne de Markov. L'état stationnaire d'une chaîne de Markov peut être obtenu à partir des équations suivantes :

Considérons D = {Sd} comme un ensemble d'états souhaitables et U = {Su} comme un ensemble d'états indésirables. Le temps moyen d'être du système dans un ensemble d'états souhaitables (\(\overline{D}\)) états souhaitables (\(\overline{U}\)) et peut être obtenu à partir des équations. (7) et (8), respectivement31 :

De plus, la probabilité de transition des états souhaitables aux états indésirables (\(\overline{P}\)) est obtenue comme suit :

La probabilité que le système soit dans l'état j, qu'il démarre dans l'état i pour la première fois (n = 1) entre m-1 et m pas de temps, est obtenue à partir de la matrice de probabilité de transition comme suit30,31 :

La même approche peut être envisagée pour différents pas de temps et la fonction de probabilité cumulée peut être obtenue. Par conséquent, la fonction de fiabilité de l'événement à l'instant τ, où le système reste dans l'état j qu'il a démarré dans l'état i pour la première fois (n = 1) est formulée à partir de l'équation suivante :

où \(F_{ij} (\tau )\) dans la probabilité de transition cumulée.

Dans cette approche, la probabilité à vie de passer de l'état i à l'état j peut également être calculée. La valeur attendue pour la première transition de i à j est formée comme suit :

Ensuite, le temps attendu jusqu'à l'état j est calculé comme suit :

La mine de cuivre Qaleh-Zari de la société Minakan est située à 180 km de la ville de Birjand dans la province du Khorasan du Sud, en Iran. La mine est située aux coordonnées de 57′ 58° de longitude géographique et 31′ 48° de latitude géographique. La mine de cuivre Qaleh-Zari est la seule mine souterraine en Iran qui est extraite par des méthodes d'arrêt de retrait. La teneur en cuivre, en or et en argent est de 0,5 à 8 %, 0,5 à 15 et 20 à 600 g par tonne, respectivement32,33. De plus, le total des gisements extraits et restants s'élève à environ 10 millions de tonnes. La largeur de la zone de minéralisation est comprise entre 0,5 et 7 m qui est extraite en utilisant la méthode de forage et de dynamitage. Les trous de mine sont forés à l'aide des cueilleurs de forage pneumatiques. Les chargeurs pneumatiques sont utilisés pour charger les minerais extraits dans des wagons. Les minerais extraits sont ensuite acheminés vers la surface par six puits verticaux et un puits incliné (principal) avec une production totale de 450 tonnes par jour, en moyenne. Tous les puits ont leur propre maison de compresseur pour gérer tous les équipements pneumatiques. Il convient de noter que la salle des compresseurs du puits principal (le puits incliné) gère non seulement l'équipement pneumatique de l'exploitation minière souterraine, mais soutient également l'usine de prospection minière.

Cet article vise à appliquer une approche pour évaluer la fiabilité de la chambre de compression du puits incliné de la mine en utilisant l'approche stochastique. Par conséquent, il est nécessaire de connaître le taux de panne et de réparation des compresseurs et de connaître les probabilités d'événement. La fiabilité de l'unité d'air comprimé est estimée à l'aide de la théorie des chaînes de Markov dans laquelle la probabilité de panne ou de réparation ne dépend pas de l'historique du système. Le système d'air comprimé du puits principal de la mine de cuivre Qaleh-Zari se compose de deux compresseurs comme compresseurs principaux et d'un compresseur de secours qui fonctionne en trois équipes de travail et 30 jours par mois ou 720 h (= 30 × 24) chaque mois. Si un compresseur principal tombe en panne, en raison de la panne de différentes causes ou de toute autre cause, le compresseur de réserve est remplacé immédiatement et le compresseur défaillant sera réparé. La principale salle de compression de la mine de cuivre de Qaleh-Zari est illustrée à la Fig. 2.

La principale maison de compression de la mine de cuivre de Qaleh-Zari.

La capacité de production de tous les compresseurs principaux est d'environ 30 mètres cubes par heure. En ce qui concerne l'analyse statistique, chaque compresseur principal tombe en panne environ 2 fois par mois et la réparation de tout compresseur défaillant prend 17,5 h en moyenne. Ainsi, la probabilité de défaillance des compresseurs principaux chaque mois (ou en 720 h par mois (= 30 jour/bouchon × 24 h/jour)) est estimée à ((2 × 17,5)/720 =) 0,049. De même, la probabilité de défaillance des compresseurs de secours est calculée à 0,038. La principale défaillance des compresseurs était liée au moteur électrique, au filtre à air et au réservoir du récepteur de vidange. La probabilité de réparer chaque compresseur est également estimée à 0,973. De plus, l'analyse statistique a montré que le courant électrique est coupé pendant 6 h par mois, en moyenne, et ensuite, la probabilité de panne électrique est calculée à 0,008 (= 6/720).

Compte tenu du concept proposé dans la section "Fondements théoriques", en calculant la probabilité d'occurrence des possessions dans lesquelles tous les compresseurs principaux ont été remplacés par des compresseurs de secours et tous les compresseurs principaux sont tombés en panne, la fiabilité du système d'alimentation en air comprimé peut être estimée .

Supposons qu'un système d'air comprimé ait ''a'' compresseurs actifs et ''r'' de réserve ou de réserve où a ≥ r. Lorsqu'un compresseur actif est en panne, l'un des compresseurs de réserve est remplacé par celui en panne et il continue de fonctionner tant que le compresseur en panne est réparé et de retour dans le circuit d'air comprimé. Le processus se poursuivra jusqu'à ce que tous les "r" compresseurs de réserve soient remplacés par "r" sur "a" compresseurs en fonctionnement et sera exécuté dans le sens inverse lorsqu'un compresseur défaillant est réparé. Ce processus se poursuivra jusqu'à ce que tous les compresseurs principaux et de réserve soient défaillants. Dans cette situation, le nombre de compresseurs défaillants est passé à "a + r" et il n'y a pas de compresseur en fonctionnement. Ce processus est représenté sous la forme d'un diagramme d'espace d'états pour les compresseurs "a" en fonctionnement et "r" de réserve sur la Fig. 3. En ce qui concerne la Fig. 3, le mouvement entre les états se produit par étapes de temps discrètes et le système est homogène. Par conséquent, cela peut être considéré comme un processus de Markov discret.

Condition de fonctionnement des compresseurs.

Le reste de cette section est consacré à l'utilisation du processus de chaîne de Markov pour modéliser le système d'air comprimé. Dans cette section, le processus stochastique, décrit dans la section "Fondements théoriques", est utilisé pour modéliser et analyser le système d'air comprimé dans la mine de cuivre de Qaleh-Zari.

Différentes étapes pour les trois compresseurs du système d'air comprimé principal de la mine sont considérées et illustrées à la Fig. 4. À la Fig. 4, dans des conditions de fonctionnement normales, il y a deux compresseurs principaux (indiqués par "A") et un de réserve compresseur (indiqué par « R ») dans la salle des compresseurs de la mine. En ce qui concerne la figure 4, dans les états S1 et S7, tous les deux compresseurs sont en fonctionnement et il y a un compresseur de secours. S2 et S6 sont les états dans lesquels l'un des deux compresseurs actifs ou en veille est hors service. Par conséquent, dans cette position, l'un des compresseurs (principal ou de réserve) est en fonctionnement en sous-réparation. Dans les états S3 et S5, deux compresseurs sont hors service et un seul compresseur est actif. Enfin, dans l'état S4, tous les compresseurs sont en panne et aucun n'est actif ou en veille. Les états mentionnés ci-dessus, S1 à S7, construisent une chaîne de Markov et donc la probabilité du changement de condition de chaque compresseur d'un état à l'autre peut être calculée.

Tous les états possibles pour les compresseurs en fonctionnement, en veille et en réparation.

Pour illustrer le processus, l'exemple suivant montre ce qui se passe lorsque le système passe de l'état un (S1) à l'état six (S6). Cela signifie que l'un des compresseurs principaux est tombé en panne, puis il est abrogé par le compresseur de réserve. La probabilité de cet événement est calculée par la distribution de Bernoulli comme décrit ici. Comme mentionné précédemment, la probabilité de défaillance des compresseurs principaux et la probabilité d'activation du compresseur de réserve sont respectivement de 0,057 et 0,943 (= 1–0,057). Par conséquent, la probabilité de passer de l'état un à l'état six est calculée :

Il note que P1→6 est considéré pour le sixième tableau de la première ligne de la matrice de transition. De plus, toutes les lignes de cette matrice doivent obéir à l'analyse de la chaîne de Markov. Cela signifie que la somme des probabilités dans chaque ligne est égale à 1. Par conséquent, il n'y a pas de transition d'un état à l'autre, alors P1→1 est calculé comme 0,899 (= 1 − 0,101). De même, la probabilité de transmission du système d'un état à un autre a été calculée et rangée dans la matrice de transition. En ce qui concerne les calculs décrits ci-dessus, la matrice de transition (P) pour le système d'alimentation en air comprimé est construite et donnée comme Eq. (15).

Cette section est consacrée à l'estimation de la fiabilité et, par conséquent, du délai de défaillance prévu pour le système d'alimentation en air comprimé. Pour ce faire, tout d'abord, la matrice de probabilité de transition Pn a été estimée à partir de l'Eq. (6). La matrice de transition globale est donnée dans l'équation. (16). Il est clair que n = 1 de la matrice Pn donne la première matrice de transition réelle.

La séquence de matrices de transition à n étapes, Pn, se rapproche de la matrice stationnaire, dans laquelle ses lignes sont l'unique vecteur de probabilité fixe ; par conséquent, la probabilité \(P_{ij}^{n}\) que Sj se produise pour n suffisamment grand est indépendante de l'état d'origine Si et se rapproche de la composante fj de F. La matrice stationnaire est formée par P puissance à un grand nombre, indiquant une convergence très rapide. La matrice stationnaire est donnée dans l'équation. (17).

D'autre part, puisque le processus du système d'alimentation en air comprimé est modélisé par une chaîne de Markov ergodique, l'état stationnaire de la chaîne de Markov peut être obtenu en utilisant l'Eq. (6), ainsi :

où \(\pi_{i}\) est la probabilité de l'événement que le système reste dans l'état Si. Concernant l'éq. (16), les valeurs de \(\pi_{i}\) sont obtenues comme suit :

\(\pi_{{1}}\) = 0.284, \(\pi_{2}\) = 0.029, \(\pi_{3}\) = 0.003, \(\pi_{4}\) = 0.001, \(\pi_{5}\) = 0.028,\(\pi_{6}\) = 0.032, \(\pi_{7}\) = 0.622.

Ces résultats indiquent qu'il y a 28,4 % de probabilité que le système d'alimentation en air comprimé de la mine Qaleh-Zari soit en état de fonctionnement avec deux compresseurs principaux et un de secours à tout moment proposé. D'autre part, l'intervalle de confiance pour la disponibilité de deux compresseurs principaux et d'un compresseur de secours est égal à 28,4 %.

Considérant S1 et S7 comme les états souhaitables dans lesquels il y a deux compresseurs actifs et un compresseur de secours et les états S2 et S6 comme des états indésirables, le temps moyen d'être du système dans ces états est obtenu à partir des équations. (7) à (9) comme suit :

En ce qui concerne les résultats, le système d'alimentation en air comprimé est dans les états souhaitables (S1 et S7) ou a deux compresseurs actifs et un de secours dans 14,55 des pas de temps, en moyenne. Dans seulement 1,66 des pas de temps, le système est dans les états indésirables. Ces résultats peuvent être représentés graphiquement à la Fig. 5.

Le temps moyen d'être du système dans des états souhaitables et indésirables.

La probabilité de transition des états souhaitables aux états indésirables est calculée comme 0,06. En considérant le nombre de 30 jours comme le nombre total de jours ouvrables de chaque mois, on conclut que les deux compresseurs actifs et un de secours sont disponibles pendant ((1 − 0,062) × 30≈) 28 jours par mois. Ces résultats indiquent que le système d'alimentation en air comprimé de la mine de cuivre de Qaleh-Zari est à un niveau de disponibilité élevé.

Le reste de cette section est consacré à l'estimation de la fiabilité du système. Pour y parvenir, la probabilité qu'un premier compresseur défaillant soit remplacé par un compresseur de réserve est d'abord estimée à l'aide de l'équation. (dix). Les premières probabilités de transition sur différents pas de temps de 1 à 20 sont obtenues et données dans le tableau 1. Concernant le tableau 1, la probabilité que le système d'alimentation en air comprimé ait deux compresseurs principaux sans panne pendant un mois est de 91,29 % (= 1 − 0,0871) . Il faut également environ 7 mois au système d'alimentation en air comprimé pour que la première probabilité de défaillance atteigne 50 %.

Selon la figure 4, dans les états S1 et S7, deux compresseurs fonctionnent et il y a un compresseur de secours. En utilisant la même procédure, mentionnée précédemment, la probabilité de défaillance et par conséquent la fiabilité des états du système dans lequel il y a deux compresseurs en fonctionnement et un compresseur en veille à tout pas de temps ont été calculées dans deux scénarios. Dans le scénario I (tarification de S1 à S6) deux compresseurs principaux sont en fonctionnement et dans le scénario II (tarnation de S7 à S2) un compresseur principal et un compresseur de réserve sont actifs. Les résultats sont présentés sur la Fig. 6. Concernant la Fig. 6, la probabilité du système que deux compresseurs restent en fonctionnement et qu'un compresseur soit en veille sans panne pendant un mois est de 92,32 % et 95,4 % pour les scénarios I et II, respectivement. On peut affirmer qu'après le 50e pas de temps (soit 4 ans après la période d'étude), la probabilité de la première panne pour le système d'air comprimé avec deux compresseurs principaux en fonctionnement et un compresseur de secours atteint un. Cette situation se produira après le 110ème pas de temps (soit environ 9 ans) pour le scénario II.

Fiabilité du système avec deux compresseurs actifs et un de secours sous la forme de deux scénarios.

Le temps prévu jusqu'à la défaillance a également été estimé à partir de l'équation. (13) pour chaque statut. La durée de vie restante du système d'alimentation en air comprimé ou le temps prévu pour atteindre l'état 4 à partir des états 3 et 5 se sont avérés être de 33 et 20 mois, respectivement. Ces estimations ont révélé que la durée de vie moyenne du système d'alimentation en air comprimé de la mine de cuivre de Qaleh-Zari est supérieure d'environ 65 % lorsqu'au moins un compresseur principal est actif par rapport à celui de réserve. En effet, les compresseurs principaux sont plus fiables que ceux de réserve.

La plupart des études passées se sont concentrées sur la réduction de la consommation d'énergie grâce à l'optimisation du débit d'air comprimé produit. Cependant, il y a peu de travaux rapportés pour analyser la disponibilité et la fiabilité des systèmes d'air comprimé dans les opérations minières souterraines. Dans cet article, la disponibilité et la fiabilité du système d'air comprimé ont été analysées à l'aide de la modélisation stochastique basée sur la chaîne de Markov en tant qu'étude de cas ; Mine de cuivre de Qaleh-Zari, Iran. Pour y parvenir, le système d'air comprimé a d'abord été simulé en considérant tous les états possibles pour les compresseurs en fonctionnement, en veille et en réparation. Ensuite, les séquences de matrices de transition à n étapes ont été estimées et analysées. Concernant les résultats, il y a 91,29% de probabilité que le système d'alimentation en air comprimé de la mine ait au moins deux compresseurs principaux en état de fonctionnement pendant un mois. Considérant 30 jours comme le nombre total de jours ouvrables de la mine chaque mois, deux compresseurs en fonctionnement et un compresseur de secours seront disponibles dans 28 jours. De plus, la durée de vie restante du système d'alimentation en air comprimé avec deux compresseurs principaux s'est avérée être de 33 mois.

Les résultats de cette étude ouvrent un nouvel horizon pour les gestionnaires de la mine et les entrepreneurs pour avoir un système d'alimentation en air disponible pour assurer la capacité de production et sélectionner le programme d'ordonnancement de production le plus approprié. Considérer les intervalles d'inspection et d'entretien appropriés pour avoir un système d'air comprimé efficace et étudier l'effet des conditions environnementales de fonctionnement sur la fiabilité et la durée de vie restante du système sont proposés pour des études futures.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié.

Schroeder, FW Opportunités d'efficacité énergétique dans les systèmes d'air comprimé des mines. Thèse de doctorat, North-West University (2009).

Friedenstein, BM, Cilliers, C. & Van Rensburg, J. Simulation d'améliorations opérationnelles sur les systèmes d'air comprimé des mines. S. Afr. Ing. J. Ind. 29(3), 69–81 (2018).

Google Scholar

Marais, J. & Kleingeld, M. Simplification des systèmes d'air comprimé des mines. Dans Actes de la Conférence sur l'utilisation industrielle et commerciale de l'énergie (ICUE), Le Cap, Afrique du Sud (2013).

Kriel, C. Modernisation des projets DSM d'air comprimé souterrains pour réduire les coûts d'exploitation. MEng Dissertation, Dept. Mech. Ing., Université du Nord-Ouest, Potchefstroom (2014).

De Coning, A. Performance énergétique soutenue des systèmes à air comprimé pour l'expansion des mines d'or. Thèse de doctorat (2013).

Fouché, SJ Amélioration de l'efficacité d'un système d'air comprimé dans une mine. Thèse de doctorat, North-West University (Afrique du Sud), Potchefstroom Campus (2017).

Chen, K. et al. Optimisation de la régulation de la quantité d'air dans les réseaux de ventilation des mines à l'aide de l'algorithme d'évolution différentielle amélioré et de la méthode du chemin critique. Int. J.Min. Sci. Technol. 25(1), 79–84 (2015).

Article CAS Google Scholar

Hassan, A., Ouahada, K., Marwala, T. & Twala, B. Optimisation de l'utilisation de l'air comprimé dans les mines sud-africaines. Dans IEEE Africon'11 1–6 (IEEE, 2011).

Jacobs, JA, Mathews, MJ et Kleingeld, M. Prévision de défaillance des compresseurs miniers. J. Échec. Anal. Préc. 19(4), 976–985 (2019).

Article Google Scholar

Zhang, K. et al. Système de diagnostic de panne de compresseur basé sur l'algorithme PCA-PSO-LSSVM. Sci. Programme. 104(3), 00368504211026110 (2021).

Article Google Scholar

Zhou, Z., Wang, J., Chen, H., Wei, W. & Xu, C. Une méthode en ligne de diagnostic de défaut de retour de liquide de compresseur pour un système de climatisation à débit de réfrigérant variable. Int. J. Refrig 111, 9-19 (2020).

Article CAS Google Scholar

Tran, VT, AlThobiani, F., Tinga, T., Ball, A. & Niu, G. Diagnostic de défaut simple et combiné des vannes de compresseur à piston à l'aide d'un réseau de croyance profonde hybride. Proc. Inst. Méca. Ing. C J. Mech. Ing. Sci. 232(20), 3767–3780 (2018).

Article Google Scholar

Boyd, MA et Lau, S. Une introduction à la modélisation de Markov : concepts et utilisations. Dans le symposium annuel sur la fiabilité et la maintenabilité, Anahiem, États-Unis (1998).

Jalali, SE & Forouhandeh, SF Estimation de la fiabilité des systèmes de ventilation auxiliaires dans les longs tunnels pendant la construction. Saf. Sci. 49, 664–669 (2011).

Article Google Scholar

Yarmuch, J., Epstein, R., Cancino, R. & Peña, JC Évaluation de l'emplacement du système de concasseur dans une mine à ciel ouvert à l'aide de chaînes de Markov. Int. J.Min. Récupérer. Environ. 31(1), 24–37 (2017).

Article Google Scholar

Gustafson, A., Lipsett, M., Schunnesson, H., Galar, D. & Kumar, U. Développement d'un modèle de Markov pour l'optimisation des performances de production. Application aux machines LHD semi-automatiques et manuelles dans les mines souterraines. Int. J.Min. Récupérer. Environ. 28(5), 342–355 (2014).

Article CAS Google Scholar

Ugurlu, OF & Kumral, M. Analyse des performances basée sur la fiabilité des opérations de forage minier via la chaîne de Markov Monte Carlo et simulations de processus de retour à la moyenne. Simulation 96(7), 593–604 (2020).

Article Google Scholar

Rahimdel, MJ, Hoseinie, SH & Ghodrati, B. Analyse RAM des perceuses rotatives. Min. Sci. 23, 78–89 (2016).

Google Scholar

Ahmadi, S., Hajihassani, M., Moosazadeh, S. & Moomivand, H. Un aperçu des méthodes d'analyse de fiabilité des équipements de creusement de tunnels. Constr. Construire. Technol. J. 14(1), 218-229 (2020).

Article Google Scholar

Agrawal, AK, Murthy, VMSR et Chattopadhyaya, S. Enquêtes sur la fiabilité, la maintenabilité et la disponibilité d'un tunnelier fonctionnant dans des conditions de sol mixtes à l'aide de chaînes de Markov. Ing. Échouer. Anal. 105, 477–489 (2019).

Article Google Scholar

Kumar, NH et al. Étude de fiabilité, disponibilité et maintenabilité d'une pelle de 6,5 mètres cubes et d'un dumper de 60 tonnes dans une mine de calcaire à ciel ouvert. Mater. Aujourd'hui Proc. 54, 199-204 (2022).

Article Google Scholar

Ye, Y., Grossmann, IE, Pinto, JM & Ramaswamy, S. Modélisation pour l'optimisation de la fiabilité de la conception et de la maintenance des systèmes basée sur la théorie des chaînes de Markov. Calcul. Chim. Ing. 124, 381–404 (2019).

Article CAS Google Scholar

Rathi, P., Kumar, G., Asjad, M. & Soni, U. Amélioration de la fiabilité d'un compresseur alternatif à plusieurs étages avec redondances à l'aide de l'approche de Markov. J. Ind. Intégr. Géré. https://doi.org/10.1142/S2424862221500263 (2022).

Article Google Scholar

Liu, L., Liu, J. & Zhou, Q. Évaluation de la fiabilité du système de ventilation des mines basée sur une chaîne de Markov. Sci. Rep. 12(1), 17115 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Zeqiri, I., Gashi, J., Brahimaj, F. & Zeqiri, R. Efficacité de la régulation de la ventilation dans un système diagonal simple de mines souterraines. Min. Mineur. Entrepôt. 16(2), 81–86. https://doi.org/10.33271/mining16.02.081 (2022).

Article Google Scholar

Chan, KC, Lenard, CT & Mills, TM Une introduction aux chaînes de Markov. Dans la 49e Conférence annuelle de l'Association mathématique de Victoria 40–47 (2012).

Billinton, R. & Allan, RN Évaluation de la fiabilité des systèmes d'ingénierie Vol. 792, 281 (Plenum Press, 1992).

Livre MATH Google Scholar

Mantyla, VM Modèles de Markov cachés discrets avec application à la reconnaissance isolée des gestes de la main dépendant de l'utilisateur, Vol. 4, non. 4 9 (VTT Publications, 2001).

Ross, SM Introduction aux modèles de probabilité 769 (Academic Press, 2014).

Google Scholar

Miller, S. & Childers, D. Probabilité et processus aléatoires : avec applications au traitement du signal et aux communications 547 (Academic Press, 2012).

MATH Google Scholar

Serfozo, R. Bases des processus stochastiques appliqués (Springer, 2009).

Livre MATH Google Scholar

Afradi, A., Alavi, I. & Moslemi, M. Sélection de la meilleure méthode d'extraction à l'aide de méthodes analytiques et numériques. J. Sédiment. Environ. 6(3), 403–415 (2021).

Annonces d'article Google Scholar

Rahimi Ghazikalayeh, A., Ebrahimabadi, A. & Alavi, I. Sélection de la méthode d'exploitation minière appropriée à l'aide de l'approche AHP floue (étude de cas : la mine de cuivre de Qaleh-Zari en Iran). J. Appl. Sci. Agric. 9(1), 1–10 (2014).

Google Scholar

Télécharger les références

Département de génie minier, Faculté de génie, Université de Birjand, Birjand, Iran

Mohammad Javad Rahimdel

Division de l'ingénierie d'exploitation et de maintenance, Université de technologie de Lulea, Lulea, Suède

Behzad Ghodrati

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tous les auteurs ont contribué à la préparation du manuscrit. Tous les auteurs ont examiné et accepté la version publiée.

Correspondance à Mohammad Javad Rahimdel.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Rahimdel, MJ, Ghodrati, B. Analyse de fiabilité du système d'alimentation en air comprimé dans les mines souterraines. Sci Rep 13, 6836 (2023). https://doi.org/10.1038/s41598-023-33736-5

Télécharger la citation

Reçu : 04 janvier 2023

Accepté : 18 avril 2023

Publié: 26 avril 2023

DOI : https://doi.org/10.1038/s41598-023-33736-5

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.