Artificial intelligence methods in assessing the degree of wear of the lining armor of cone crushers
Keywords:
minerals, crusher, lining armor, wear, artificial intelligence, modeling, neural networkAbstract
Cone crushers of medium and fine crushing are operated at mining enterprises when crushing materials with a fairly wide range of physical and mechanical properties. A review and analysis of the scientific and technical literature on the problems of the regularities in the crushing process in cone crushers determined the following areas of research: the dependencies between the granulometric composition of the material and the parameters of the profile of the crushing space; the intensity of the lining armor wear of movable and stationary cones; establishing the optimal profile of the crushing space; minimizing the consumption of high-manganese steel, optimizing the repair and maintenance costs of crushing equipment, etc. The condition of the lining armor is one of the main determining factors in changing the qualitative and quantitative characteristics of the fine crushing process. It is established that a significant number of failures of cone crushers, namely 96 %, lead to unscheduled repairs. The aim of the study is to implement a new approach in monitoring the condition of lining armor. The article uses an integrated approach, which includes scientific analysis and generalization of previously published studies on the subject under consideration. The methodological basis of the research is the theory of fuzzy logic and fuzzy sets, as well as methods of system analysis. The scientific novelty of the work lies in the realization of the possibility of using artificial intelligence methods in assessing the condition of the lining armor of cone crushers. An approach to the control of the lining armor wear of cone crushers of fine and medium crushing is determined.
References
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.
