Методы искусственного интеллекта в оценке степени износа футеровочной брони конусных дробилок

Авторы

  • Владимир Семенович Великанов УрФУ имени первого Президента России Б.Н. Ельцина
  • Наталья Владимировна Дёрина Магнитогорский государственный технический университет им. Г.И. Носова
  • Ольга Рашидовна Панфилова Магнитогорский государственный технический университет им. Г.И. Носова

Ключевые слова:

полезные ископаемые, дробилка, футеровочная броня, износ, искусственный интеллект, моделирование, нейронная сеть

Аннотация

Конусные дробилки среднего и мелкого дробления эксплуатируются на горнодобывающих предприятиях при дроблении материалов с достаточно широким диапазоном физико-механических свойств. Обзор и анализ научно-технической литературы по проблематике закономерностей процесса дробления в конусных дробилках определил следующие направления исследований: зависимости между гранулометрическим составом материала и параметрами профиля дробящего пространства; интенсивность изнашивания футеровочной брони подвижного и неподвижного конусов; установление оптимального профиля дробящего пространства; минимизация расхода высокомарганцовистой стали; оптимизация затрат на ремонт и обслуживание дробильного оборудования и др. Состояние футеровочной брони является одним из основных определяющих факторов в изменении качественно-количественных характеристик процесса мелкого дробления. Установлено, что значительное число отказов конусных дробилок (96 %) приводят к внеплановым ремонтам. Целью исследования является реализация нового подхода в мониторинге состояния футеровочной брони. В статье применялся комплексный подход, который включает в себя научный анализ и обобщение ранее опубликованных исследований по рассматриваемой проблематике. Методологическую основу исследований составляют теория нечеткой логики и нечетких множеств, а также методы системного анализа. Научная новизна работы заключается в реализации возможности использования методов искусственного интеллекта в оценке состояния футеровочной брони конусных дробилок. Определен подход в контроле износа футеровочной брони конусных дробилок мелкого и среднего дробления.

Биографии авторов

Владимир Семенович Великанов, УрФУ имени первого Президента России Б.Н. Ельцина

Д-р техн. наук, доцент, профессор кафедры подъемно-транспортных машин и роботов

Наталья Владимировна Дёрина, Магнитогорский государственный технический университет им. Г.И. Носова

Канд. филол. наук, доцент кафедры иностранных языков по техническим направлениям

Ольга Рашидовна Панфилова, Магнитогорский государственный технический университет им. Г.И. Носова

Канд. техн. наук, доцент, доцент кафедры горных машин и транспортно-технологических комплексов

Библиографические ссылки

Гончаров А.Б., Тулинов А.Б., Иванов В.А. Восстановление износа опорной чаши конусной дробилки // Горный информ-аналит. бюл. 2016. № 9. С. 22–28.

Великанов В.С. Гуров М.Ю. Развитие научно-методологических основ совершенствования карьерных экскаваторов на базе нечетко-множественного подхода. Магнитогорск : МагГТУ им. Г.И. Носова, 2018. 217 с.

Бойко П.Ф. Оптимизация технического обслуживания и ремонта механического оборудования // Горный журнал. 2011. № 6. С. 52–54.

Мнацаканян В.У., Бойко П.Ф. Технология восстановления работоспособности эксцентриковых стаканов дробильных агрегатов // Технология машиностроения. 2011. № 2. С. 38–39.

Управление обогащением медно-молибденовых руд на основе комплексного радиометрического анализа руды / З. Ганбаатар, Л. Дэлгэрбат, А.М. Дуда и др. // Плаксинские чтения : материалы междунар. конф. Екатеринбург, 2011. С. 118–121.

Равин А.А., Хруцкий О.В. Инженерные методы прогнозирования остаточного ресурса оборудования // Вестник АГТУ. Сер.: Морская техника и технология. 2018. № 1. C. 33–47.

Прогнозирование отказов оборудования в условиях малого количества поломок / Н.И. Шаханов, И.А. Варфоломеев, Е.В. Ершов и др. // Вестн. Череповецк. гос. ун-та. 2016. № 6 (75). С. 36–40.

Zhang L.A., Li X., Yu. J. A review of fault prognostics in condition based maintenance // Proc. of SPIE. 2006. P. 635–752. DOI: 10.1117/12.717514.

Ткаченко М.Г. Прогнозирование оставшегося времени безаварийной работы нефтегазодобывающего оборудования с применением технологии искусственных нейронных сетей // Инженерный вестник Дона : Электрон. науч. журн. 2014. № 4(1). С. 1–11. URL: http://www.ivdon.ru/ru/magazine/archive/N4y2014/2578 (дата обращения 18.02.2022).

Elattar H.M., Elminir H.K., Riad A.M. Prognostics: a literature review // Complex & Intelleligent Systems. 2016. № 2 (2). P. 125–154. DOI: 10.1007/s40747-016-0019-3.

Rotating machinery prognostics: State of the art, challenges and opportunities / A. Heng, S. Zhang, A Tan et al. // Mech. Systems and Signal Processing. 2008. Vol. 23(3). P. 724–739.

Шайхутдинов Д. В. Методы мониторинга и диагностики динамических сложных технических систем на базе средств имитационного моделирования // Современные наукоемкие технологии. 2018. № 11 (1). С. 146–153.

Jardine K.S., Daming L., Dragan B.A review on machinery diagnostics and prognostics implementing condition-based maintenance // Mechanical Systems and Signal Processing. 2006. № 20(7). P. 1483–1510.

Тимофеев А.В., Денисов В.М. Идентификация стадии деградации оборудования в системах сервисного обслуживания превентивного типа // Науч.-техн. вестн. информ. технологий, механики и оптики. 2019. № 6. С. 1095–1104.

Великанов В.С. Научные основы системы снижения рисков отказов при управлении карьерным экскаватором : дис. … д-ра техн. наук. Екатеринбург, 2020. 292 с.

Мажибрада И.Ю. Использование методов искусственного интеллекта в системах технического обслуживания и ремонта карьерного оборудования // Новая наука: проблемы и перспективы : материалы междунар. науч.-практ. конф. Стерлитамак, 2015. С. 111–115.

Мажибрада И.Ю. Экспертный анализ степени влияния факторов на возможность появления категории отказа гидравлической системы одноковшового карьерного гидравлического экскаватора // Горный информ.-аналит.бюл. 2017. № 9. С. 220–225.

Мажибрада И.Ю., Баранникова И.В., Бондаренко И.С. Анализ факторов, влияющих на возможность появления категории отказа гидравлической системы одноковшового карьерного гидравлического экскаватора // Социально-экономические и экологические проблемы горной промышленности, строительства и энергетики : материалы XIII Междунар. конф. по проблемам горной промышленности, строительства и энергетики. Т. 1. Тула, 2017. С. 162–167.

Мажибрада И.Ю. Разработка модели оценки эффективности управления системой технического обслуживания и ремонта одноковшовых карьерных гидравлических экскаваторов : дис. … канд. техн. наук. М., 2018. 129 с.

Великанов В.С., Шабанов А.А. Метод анализа иерархий в установлении значений весовых коэффициентов эргономических показателей карьерных экскаваторов // Социально-экономические и экологические проблемы горной промышленности, строительства и энергетики : материалы VIII Междунар. конф. по проблемам горной промышленности, строительства и энергетики. Тула, 2012. С. 238–244.

Великанов В.С. Разработка алгоритмов нечеткого моделирования для интеллектуальной поддержки принятия решений по определению уровня эргономичности карьерных экскаваторов // Горная промышленность. 2011. № 5 (99). С. 64–68.

Великанов В.С. Использование нечеткой логики и теории нечетких множеств для управления эргономическими показателями качества карьерных экскаваторов // Горный информ.-аналит. бюл. 2010. № 9. С. 57–62.

Бабокин Г.И., Шпрехер Д.М. Применение нейронных сетей для диагностики электромеханических систем // Горный информ.-аналит. бюл. 2011. № 4. С. 132–139.

Bearing fault diagnosis using multi-scale entropy and adaptive neuro-fuzzy inference / L. Zhang, G. Xiong, H. Liu et al. // Expert Systems with Applications. 2010. № 37. P. 6077–6085.

Machine health monitoring with LSTM networks / R. Zhao, J. Wang, R. Yan et al. // 10th International Conference on Sensing Technology (ICST). 2016. P. 1–6. DOI: 10.1109/ICSensT.2016.7796266.

LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521. P. 436–444.

Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестн. Южно-Урал. гос. ун-та. Сер.: Вычислительная математика и информатика. 2017. T.6. № 3. C. 28–59.

Опубликован

2022-08-01

Как цитировать

Великанов, В. С., Дёрина, Н. В., & Панфилова, О. Р. (2022). Методы искусственного интеллекта в оценке степени износа футеровочной брони конусных дробилок. Современные технологии. Системный анализ. Моделирование, (2(74), 202-211. извлечено от http://ojs.irgups.ru/index.php/stsam/article/view/732

Выпуск

Раздел

Информационные технологии, управление и обработка