Extracting Knowledge about Production Process Execution through Analysis of Cutting Machine Motor Current

• Autorzy: Kęsek Marek

Identyfikatory

DOI

10.29227/IM-2025-01-08

Warianty tytułu

PL

Wydobywanie wiedzy o realizacji procesu produkcyjnego poprzez analizę prądu silnika maszyny tnącej

• Języki publikacji: EN

Abstrakty

EN

This paper presents a multi-stage study focused on analyzing current data from sensors installed in cutting machine motors. The collected data serves as a foundation for monitoring machine performance, diagnosing anomalies, determining efficiency, and identifying the machines' cutting direction. For this purpose, VBA-based applications were developed, which operate on data retrieved from a database server. Additionally, exploratory analyses were carried out in the R programming environment. The findings demonstrate that analyzing energy-related data can be a valuable source of operational knowledge and can support decision-making within the Industry 4.0 paradigm. The results obtained have significant practical implications. Firstly, they enable real-time monitoring of machine operations and allow for rapid responses to irregularities. Secondly, historical data becomes a knowledge base for maintenance planning, work reorganization, and evaluating operator performance. Thirdly, the ability to determine the cutting direction based on motor current readings creates opportunities for developing semi-autonomous control systems for mining machines. The study also includes an analysis aimed at extracting knowledge for automatic classification of machine operating states, which may serve as a basis for generating reports based on recorded data. This knowledge can, in turn, support the verification or correction of event logs.

PL

W artykule przedstawiono wieloetapowe badanie skoncentrowane na analizie bieżących danych z czujników zainstalowanych w silnikach maszyn tnących. Zebrane dane stanowią podstawę do monitorowania wydajności maszyny, diagnozowania anomalii, określania wydajności i identyfikowania kierunku cięcia maszyn. W tym celu opracowano aplikacje oparte na VBA, które działają na danych pobranych z serwera bazy danych. Ponadto przeprowadzono analizy eksploracyjne w środowisku programowania R. Wyniki pokazują, że analiza danych związanych z energią może być cennym źródłem wiedzy operacyjnej i może wspierać podejmowanie decyzji w ramach paradygmatu Przemysłu 4.0. Uzyskane wyniki mają istotne implikacje praktyczne. Po pierwsze, umożliwiają monitorowanie pracy maszyn w czasie rzeczywistym i pozwalają na szybkie reagowanie na nieprawidłowości. Po drugie, dane historyczne stają się bazą wiedzy do planowania konserwacji, reorganizacji pracy i oceny wydajności operatora. Po trzecie, możliwość określenia kierunku cięcia na podstawie odczytów prądu silnika stwarza możliwości opracowywania półautonomicznych systemów sterowania dla maszyn górniczych. Badanie obejmuje również analizę mającą na celu pozyskanie wiedzy do automatycznej klasyfikacji stanów pracy maszyn, która może stanowić podstawę do generowania raportów na podstawie zarejestrowanych danych. Wiedza ta może z kolei wspierać weryfikację lub korektę logów zdarzeń.

Słowa kluczowe

EN

industry 4.0; cutting machine motor

PL

Przemysł 4.0; silnik maszyny urabiającej

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2025
• Tom: Vol. 1, no. 1
• Strony: 53--59
• Opis fizyczny: Bibliogr. 17 poz., tab., wykr.

Twórcy

autor

Kęsek Marek

• AGH University of Krakow, Mickiewicza 30, 30-059 Cracow, Poland

• https://orcid.org/0000-0001-6217-8435

Bibliografia

• 1. Bezerra, F.; Wainer, J. (2008) Anomaly detection algorithms in business process logs. In Proceedings of theTenth International Conference on Enterprise Information Systems—Volume 2: ICEIS, INSTICC, SciTePress,
• 2. Bodlak, M.; Kudełko, J.; Zibrow, A. (2018) Machine Learning in predicting the extent of gas and rock outburst. E3S Web Conf. 2018, 71.
• 3. Böhmer, K.; Rinderle-Ma, S. (2016) Automatic Signature Generation for Anomaly Detection in Business Process Instance Data. In Enterprise, Business-Process and Information Systems Modeling; Schmidt, R., Guédria, W.,Bider, I., Guerreiro, S., Eds.; Springer International Publishing: Cham, Switzerland, 2016; pp. 196–211.
• 4. Chen, D.; Panfilenko, D.V.; Khabbazi, M.R.; Sonntag, D. (2016) A model-based approach to qualified process automation for anomaly detection and treatment. In Proceedings of the 2016 IEEE 21stInternational Conference on Emerging Technologies and Factory Automation (ETFA), Berlin, Germany,6–9 September 2016; pp. 1–8
• 5. He, Z.; Wu, Q.; Wen, L.; Fu, G.(2019) A process mining approach to improve emergency rescue processes of fatal gas explosion accidents in Chinese coal mines. Saf. Sci.2019, 111, 154–166.
• 6. Gackowiec P., Brzychczy E., Kęsek M. (2021) Enhancement of machinery activity recognition in a mining environment with GPS data. Energies vol. 14 iss. 12 art. no. 3422, s. 1-19.
• 7. Hargrave, C.O.; James, C.A.; Ralston, J.C. (2017) Infrastructure-based localisation of automated coal miningequipment. Int. J. Coal Sci. Technol.2017,4, 252–261.
• 8. Jedliński, Ł.; Gajewski, J. (2019) Optimal selection of signal features in the diagnostics of mining head tools condition. Tunn. Undergr. Sp. Technol.2019, 84, 451–460.
• 9. Kęsek M., Ogrodnik R. (2021) Method for determining the utilization rate of thin-deck shearers based on recorded electromotor loads. Energies vol. 14 iss. 13 art. no. 4059, s. 1–14.
• 10. Kęsek M., (2020) The k-means grouping method as a mean to control the performance of the production process Journal of the Polish Mineral Engineering Society; ISSN 1640-4920. — 2020 — vol. 1 no. 1, s. 257–264.
• 11. Kęsek M., (2019) Analysing data with the R programming language to control machine operation. Journal of the Polish Mineral Engineering Society ; ISSN 1640-4920. — 2019 — R. 21 nr 1, s. 231–235. — Bibliogr. s. 235, Abstr.
• 12. Kęsek M. Visual Basic as a tool for monitoring and analyzing machines. Journal of the Polish Mineral Engineering Society ; ISSN 1640-4920. — 2017 — R. 18 nr 2, s. 195–200.
• 13. Kopacz, M. (2015) The impact assessment of quality parameters of coal and waste rock on the value of mining investment projects - hard coal deposits. Miner. Resour. Manag 2015, 31, 161–188.
• 14. Mahdevari, S.; Shahriar, K.; Sharifzadeh, M.; Tannant, D.D. (2017) Stability prediction of gate roadways in longwall mining using artificial neural networks. Neural Comput. Appl. 2017, 28, 3537–3555.
• 15. Nolle, T.; Seeliger, A.; Mühlhäuser, M. (2016) Unsupervised Anomaly Detection in Noisy Business Process Event Logs Using Denoising Autoencoders; Discovery Science; Calders, T., Ceci, M., Malerba, D., Eds.; Springer International Publishing: Cham, Switzerland, 2016; pp. 442–456.
• 16. Podobińska-Staniec M., Kęsek M., Brzychczy E. (2025) Machinery activity recognition in the industry based on heterogeneous data. Business Process Management workshops: BPM 2024. Springer Nature, cop. 2025. S. 125-137
• 17. Verma, A.K.; Kishore, K.; Chatterjee, S. (2016) Prediction Model of Longwall Powered Support Capacity Using Field Monitored Data of a Longwall Panel and Uncertainty-Based Neural Network. Geotech. Geol. Eng 2016, 34, 2033–2052.