This scientific article discusses the issues of increasing the operational efficiency of production and reliability of industrial equipment of PJSC Uralkali in the context of digital transformation. An integrated approach to asset management is proposed based on the implementation of a predictive Maintenance system and the creation of Digital Twins of key production units. The features of equipment operation in aggressive environments of potash mines are analyzed and a monitoring system architecture is proposed that minimizes unplanned downtime and optimizes maintenance and repair costs (MRO).

Keywords: Uralkali PJSC, digital twin, predictive maintenance, Industrial Internet of Things (IIoT), machine learning, equipment reliability, the potash industry.

Введение. Современная промышленность, стремясь к укреплению своего положения на рынке и устойчивому развитию, активно осваивает возможности цифровой трансформации. Эти тенденции особенно актуальны для капиталоемких отраслей со сложными условиями эксплуатации, таких как горнодобывающая промышленность, и в частности, производство калийных удобрений. ПАО «Уралкалий», будучи одним из мировых лидеров в этой сфере, сталкивается с комплексом специфических вызовов, требующих инновационных подходов к управлению производственными активами.

Материалы и методы. ПАО «Уралкалий», как ведущий мировой производитель калийных удобрений, сталкивается с рядом специфических трудностей, обусловленных масштабами деятельности и особенностями горно-геологической среды. Эффективность его производственной деятельности напрямую зависит от стабильной и безотказной работы сложного горно-шахтного и обогатительного оборудования.

Анализ существующей ситуации выявил ряд ключевых проблем, ограничивающих рост операционной эффективности производства:

1. Высокая стоимость активов и риски внеплановых простоев: оборудование, применяемо в калийной отрасли, характеризуется высокой ценой. Его внезапный выход из строя, ведет не только к прямым расходам на ремонт, но и к существенным косвенным убыткам из-за остановки производственных процессов (добыча, транспортировка, обогащение). Экстремальные условия эксплуатации — агрессивное воздействие соляной пыли, высокая влажность, абразивный износ, динамические и статические нагрузки — существенно сокращают ресурс узлов и агрегатов.
2. Недостаточная эффективность традиционных методов к ТОиР:

— Реактивный подход (далее  Repair-as-needed): Ориентирован на устранение поломок по мере их возникновения. Такой подход характеризуется высокой степенью риска, поскольку ремонт зачастую происходит в аварийном режиме, что ведет к повреждению сопряженных узлов, длительным простоям и увеличению трудозатрат.

— Регламентный подход (далее  Preventive Maintenance): Основан на планово-предупредительных ремонтах (далее  ППР) по заранее установленному графику, независимо от фактического состояния оборудования. Этот метод, хотя и снижает риск внезапных отказов, приводит к избыточным затратам на замену, еще исправных компонентов, необоснованному выводу оборудования из эксплуатации и неоптимальному использованию запасных частей.

3. Трудности с мониторингом и диагностикой в реальном времени: удаленность объектов добычи, агрессивная среда и масштаб производственных комплексов затрудняют оперативный и точный мониторинг состояния оборудования. Традиционные методы не всегда позволяют выявлять дефекты на ранних стадиях.
4. Цифровое неравенство и потребность в интеграции: отсутствие единой, интегрированной системы управления производственными активами, объединяющей данные о состоянии оборудования, процессах ТОиР и управлении запасами, приводит к разрозненности информации, замедлению принятия решений и упущенным возможностям для оптимизации.

Таким образом, существующая модель технического обслуживания и ремонта, основанная на эмпирических графиках и реактивных действиях, демонстрирует свою неэффективность в условиях современной высокотехнологичной и конкурентной среды. Существует острая необходимость перехода к более интеллектуальным, проактивным и экономически обоснованным методам управления жизненным циклом производственных активов. Внедрение цифровых двойников и предиктивной аналитики является стратегически важным решением для снижения рисков, повышения надежности и оптимизации затрат ПАО «Уралкалий».

1. Технология цифровых двойников в калийном производстве

Цифровой двойник (далее — Digital Twin) представляет собой виртуальную копию реального объекта, который синхронизируется с оригиналом в режиме реального времени посредством датчиков и систем IIoT (далее  Industrial Internet of Things).

Для ПАО «Уралкалий» наиболее перспективным является создание цифровых двойников для критического оборудования:

— Горно-шахтные комбайны: мониторинг состояния гидравлических систем и приводов.

— Подъемные машины: контроль состояния канатов, тормозных систем и двигателей шахтного подъема.

— Центрифуги и сушильные барабаны на обогатительных фабриках: отслеживание вибрации, температуры подшипников и дисбаланса роторов.

Цифровой двойник позволяет не только визуализировать текущее состояние, но и проводить имитационное моделирование работы оборудования в различных режимах нагрузки, что крайне важно для оптимизации добычных работ.

2. Внедрение системы Predictive Maintenance (далее — PdM)

Система предиктивного обслуживания использует алгоритмы машинного обучения (Machine Learning), которые анализируют историю данных и текущие показатели датчиков для выявления аномалий и прогнозирования времени наступления отказа.

Этапы реализации системы для ПАО «Уралкалий»:

Рис. 1. Внедрение системы Predictive Maintenance

В отличие от стандартной диагностики, PdM позволяет обнаружить дефект (например, микротрещину в подшипнике) за несколько недель до критического отказа, давая возможность службе главного механика спланировать ремонт в технологическое окно.

3. Архитектура интегрированного решения

Для максимального эффекта предлагается интеграция систем. Цифровой двойник выступает в роли «контейнера данных» и визуального интерфейса, а предиктивные модели обеспечивают интеллектуальную составляющую.

Схема взаимодействия:

— Нижний уровень: Оборудование комбайна «Урал-20Р» оснащается прецизионными датчиками (вибрации, температуры, давления и тока). Основная задача — непрерывная фиксация физических параметров работы основных узлов: планетарных редукторов, гидронасосов и тяговых двигателей.

— Средний уровень: включает в себя бортовые контроллеры комбайна и подземную сетевую инфраструктуру. Здесь происходит первичная обработка сигналов (Edge Computing), позволяющая отсеять помехи, возникающие при разрушении горной породы, и передать «чистые» данные на сервер предприятия через шахтную сеть передачи данных.

— Верхний уровень: на базе платформы больших данных функционирует «Цифровой двойник» комбайна. В него интегрирована предиктивная модель, которая сравнивает текущие показатели с эталонными. При отклонении тренда (например, рост температуры подшипника при стабильной нагрузке) система автоматически передает информацию в SAP EAM , где формируется заявка на технический осмотр в ближайшее технологическое окно.

Результаты исследований. Внедрение предложенных технологий позволит достичь следующих технико-экономических показателей:

1. Снижение затрат на внеплановые ремонты: на 20–30 % за счет исключения аварийных остановок.
2. Повышение коэффициента технической готовности (далее  КТГ): на 5–10 %, благодаря, точному планированию работ.
3. Оптимизация склада запчастей: снижение объема неликвидных запасов на 15 %, так как закупка деталей осуществляется на основе реального прогноза износа.
4. Безопасность: снижение рисков производственного травматизма за счет предотвращения внезапных разрушений крупногабаритных механизмов.

Выводы и предложения. Совершенствование производственной деятельности ПАО «Уралкалий» на базе цифровых двойников и предиктивного обслуживания является стратегически необходимым шагом. Переход от парадигмы «ремонт по графику» к парадигме «ремонт по необходимости» позволяет не только повысить надежность оборудования в агрессивных средах, но и значительно усилить конкурентные преимущества предприятия на мировом рынке за счет снижения себестоимости добычи и переработки руды.

Литература:

1. Куприяновский В. П. и др. Цифровые двойники знаний и онтологии для высшего технологического образования // International Journal of Open Information Technologies. — 2021. — № 1. — С. 128–144.
2. ПНСТ 429–2020 Умное производство. Двойники цифровые производства. Часть 1. Общие положения, Статус Принят, Дата введения 01.01.2021
3. Герике Б. Л., Сушко А. Е., Герике П. Б. Внедрение цифровых технологий в области технической диагностики, обслуживания и ремонта горных машин и оборудования // Техника и технология горного дела. — 2018. — № 3. — С. 19–28.
4. Шаханов Н. И., Осколков В. М., Варфоломеев И. А., Юдина О. В. Прогнозирование отказов на основе алгоритмов машинного обучения // Вестник научных конференций — 2016. — № 5. — С. 315–317.
5. Захаров В. Н., Гвишиани А. Д., Вайсберг Л. А., Дзеранов Б. В. Большие данные и устойчивое функционирование горнотехнических систем // Горный журнал — 2021. — № 11. — С. 45–52.
6. Силакова В. В., Лаврухин Ю. В. Предиктивный анализ в условиях цифровой трансформации как способ повышения ресурсной устойчивости промышленных предприятий // Прогрессивная экономика — 2025. —№ 1. — С. 123–135.
7. Юсупова Н. И., Сметанина О. Н., Сазонова Е. Ю. Модели, методы и инструменты при создании цифровых двойников монография — Москва: Инновационное машиностроение, 2022. — 184 с.
8. Официальный сайт ПАО «Уралкалий». [Электронный ресурс]. URL: https://www.uralkali.com/ru/
9. ГОСТ Р 57700.37–2021. Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. — М.: Стандартинформ, 2021.
10. Черников В.А., Тарасов А.Н., Черникова С.А. Актуальные вопросы управления ресурсосберегающими технологиями производственных предприятий в современных условиях // Вестник науки — 2025. —№ 11. — С. 186–196.