Процес автоматизації керування технологічними процесами шляхом використання діагностування технічного стану електродвигунів у робочих режимах дозволяє до мінімуму знизити збиток від цих наслідків за рахунок раннього виявлення зароджуваних дефектів. Сьогодні не завершене розроблення єдиної теорії діагностування приводів шахтних підіймальних машин. На практиці контроль технічного стану в основному здійснюється під час проведення планових ремонтів, що не дозволяє виявити зароджувані дефекти і запобігти значним пошкодженням приводів аж до їх повного виходу з ладу. Труднощі одержання діагностичної інформації полягають у тому, що між головними функціональними вузлами електричних машин існує взаємозалежність. Це означає, що при виникненні фізичного пошкодження у будь-якому із вузлів, в інших вузлах, як наслідок, також з'являються умовні несправності. Основним шляхом підвищення функціональної ефективності автоматизованої системи керування приводами шахтних підіймальних машин є надання їй властивості адаптивності на основі використання ідей і методів машинного навчання та розпізнавання образів. Для підвищення експлуатаційної надійності та терміну служби електропривода шахтної підіймальної машини пропонується інформаційно-екстремальний алгоритм машинного навчання системи функціонального контролю електропривода з гіперсферичним класифікатором. Як критерій функціональної ефективності навчання системи функціонального контролю використана нормована ентропійна міра Шеннона. Process automation control by diagnostic electric motors in operation conditions allows to reduce to a minimum the damage from these consequences due to early detection of defects. The theory of diagnosticof lifting machine motors has not been completely developed yet. In practice, the control of technical state of the motors is mainly performed during scheduled maintenance, which does not reveal to detect originating defects and to prevent significant damage of motors up to their complete failure. The difficulty of obtaining diagnostic information is that the main functional units of electric motors are dependent. This means that physical damage in any unit results in malfunctions of other units. The main way of increasing the efficiency of the automated control system of lifting machine motors is giving it the properties of adaptability on the basis of ideas and methods of machine learning and pattern recognition. To increase the operational reliability and service life of a mine electric lifting machines the article offers an information and machine learning algorithm for extreme functional control systems with electric hyprnspherical classifier. Normalized Shannon entropy measure was used as a criterion for functional efficiency of leaning systems of the functional control. Процесс автоматизации управления технологическими процессами путем использования диагностирования технического состояния электродвигателей в рабочих режимах позволяет до минимума снизить ущерб от этих последствий за счет раннего выявления зарождающихся дефектов. В настоящее время не завершена разработка единой теории диагностирования приводов шахтных подъемных машин. На практике контроль технического состояния в основном осуществляется во время проведения плановых ремонтов, не позволяет выявить дефекты, которые зарождаются, и предотвратить значительные повреждения приводов до их полного выхода из строя. Трудности получения диагностической информации заключается в том, что между главными функциональными узлами электрических машин существует взаимозависимость. Это означает, что при возникновении физического повреждения в любом из узлов, в других узлах, как следствие, также появляются условные неисправности. Основным путем повышения функциональной эффективности автоматизированной системы управления приводами шахтных подъемных машин является предоставление ей свойства адаптивности на основе использования идей и методов машинного обучения и распознавания образов. С целью повышения эксплуатационной надежности и срока службы электропривода шахтной подъемной машины предлагается информационно-экстремальный алгоритм машинного обучения системы функционального контроля электропривода с гипенрсферическим классификатором. В качестве критерия функциональной эффективности обучения системы функционального контроля использована нормированная энтропическая мера Шеннона.