Методы искусственного интеллекта в оценке степени износа футеровочной брони конусных дробилок
Ключевые слова:
полезные ископаемые, дробилка, футеровочная броня, износ, искусственный интеллект, моделирование, нейронная сетьАннотация
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.
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.
