CC BY
7
А.В. Протодьяконов // A.V. Protodiakonov protod@inbox.ru
канд. техн. наук, доцент ФГБОУ ВПО «Кузбасский государственный технический университет имени Т.Ф.Горбачева» (КузГТУ), Россия, 650026, г.Кемерово, ул.Весенняя, 28
Candidate of technical sciences, associate professor FGBOU VO "Kuzbass State Technical University named after T.F.Gorbachev (KuzSTU), 28, Vesenniaia St., Kemerovo, 650026, Russia
A.B. Дягилева // A.V. Dyagileva dyagileval952@mail.ru
канд. техн. наук, доцент, ФГБОУ ВПО «Кузбасский государственный технический университет имени Т.Ф.Горбачева» (КузГТУ), Россия, 650026, г.Кемерово, ул.Весенняя, 28
Candidate of technical sciences, associate professor of FGBOU VO "Kuzbass State Technical University named after T.F.Gorbachev (KuzSTU), 28, Vesenniaia St., Kemerovo, 650026, Russia
П.А. Пылов // P.A. Pylov gedrosten@mail.ru
Магистр ФГБОУ ВПО «Кузбасский государственный технический университет имени Т.Ф.Горбачева» (КузГТУ), Россия, 650026, г.Кемерово, ул.Весенняя, 28 Magister of FGBOU VO "Kuzbass State Technical University named after T.F.Gorbachev (KuzSTU), 28, Vesenniaia St., Kemerovo, 650026, Russia
УДК 004.89
АНАЛИТИКА КРИТЕРИЯ УСТАЛОСТИ РЯДА ДАННЫХ ДЛЯ ПРЕВЕНТИВНОГО ОПРЕДЕЛЕНИЯ СЖИМАЮЩИХ НАПРЯЖЕНИЙ В РАЗЛИЧНЫХ КОНСТРУКЦИЯХ ШАХТНОГО ОБОРУДОВАНИЯ
ANALYSIS OF A DATA SERIES FATIGUE CRITERION FOR THE PREVENTIVE DETERMINATION OF COMPRESSIVE STRESSES IN VARIOUS STRUCTURES OF MINE EQUIPMENT
Шахты - это сложные подземные промышленные комплексы, предназначенные для добычи полезных ископаемых. Современные технологические решения позволяют добывать полезные ископаемые различным оборудованием. Будет справедливым заметить тот факт, что оборудование является физическим воплощением того или иного инструмента, несущего на себе не только выполнение поставленных перед ним задач, но и определенную опасность для людей, использующих его. Для нивелирования потенциальных негативных эффектов от использования технологических средств и инструментов, а также минимизации рисков аварий, внедрены целые отделы безопасности обеспечения шахтных работ. Однако, человеческий фактор нельзя исключать даже в том случае, если за безопасность отвечает целый отдел, а не один человек. Решить часть этой сложной и актуальной проблемы контроля обеспечения благонадежных условий труда позволит интеграция в производство компьютерной системы на базе искусственного интеллекта в область разведки и контроля технического состояния исправности шахтного оборудования. Искусственный интеллект включает в себя целый ряд методов и моделей, благодаря которым весьма успешно можно автоматизировать простые и сложные производственные процессы в сложных предметных областях деятельности человека. Отметим также немаловажный факт - методы и модели в глубоком обучении всегда основаны на постулатах и аксиомах математики, что позволяет реализовать систему, отвечающую за поддержку принятия решений в области безопасности жизни и здоровья шахтных рабочих на наиболее высоком уровне точности, который только может быть предложен компьютерными системами в целом. Кроме этого, помимо повышения уровня безопасности работ, модель не оказывает абсолютно никакого воздействия на финансовый критерий: она является бесплатной и свободно распространяемой. Таким образом, в предлагаемой
вашему вниманию статье рассмотрен алгоритм модели глубокого обучения, способной повысить качество отдела безопасности выполнения подземных работ и сократить аварийность на шахтном предприятие в целом.
Mines are complex underground industrial complexes designed for mineral extraction. Modern technological solutions make it possible to extract minerals with various equipment. It would be fair to note the fact that the equipment is the physical embodiment of a particular tool, bearing not only the fulfillment of the tasks assigned to it, but also a certain danger to the people using it. To offset the potential negative effects from the use of technological means and tools, as well as to minimize the risks of accidents, entire safety departments have been introduced to ensure mine operations. However, the human factor cannot be excluded even if the whole department is responsible for security, and not one person. Integration of a computer system based on artificial intelligence into the field of exploration and control of the technical condition of mine equipment will allow solving part of this complex and urgent problem of monitoring the provision of reliable working conditions. Artificial intelligence includes a number of methods and models, thanks to which it is very successfully possible to automate simple and complex production processes in complex subject areas of human activity. We also note an important fact - methods and models in deep learning are always based on the postulates and axioms of mathematics, which makes it possible to implement a system responsible for supporting decision-making in the field of life safety and health of mine workers at the highest level of accuracy that can only be offered by computer systems as a whole. In addition to increasing the work safety level, the model has absolutely no impact on the financial criterion: it is free and freely distributed. Thus, in the article presented to your attention, the algorithm of the deep learning model is considered, which can improve the quality of the safety department of underground work and reduce the accident rate at the mine enterprise as a whole.
Ключевые слова: ШАХТА, УГОЛЬНАЯ ОТРАСЛЬ, УГОЛЬНАЯ ПЫЛЬ, ЭЛЕКТРОЭНЕРГИЯ, ОХРАНА ТРУДА, МЕТОД КОНЕЧНЫХ ЭЛЕМЕНТОВ, ТРАВМАТИЗМ, ПРОФЕССИОНАЛЬНЫЙ РИСК, ПРИЧИННО-СЛЕДСТВЕННЫЕ СВЯЗИ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ГЛУБОКОЕ ОБУЧЕНИЕ, ПРИКЛАДНОЕ ГЛУБОКОЕ ОБУЧЕНИЕ.
Key words: MINE, COAL INDUSTRY, COAL DUST, ELECTRICITY, OCCUPATIONAL SAFETY, FINITE ELEMENT METHOD, INJURIES, OCCUPATIONAL RISK, CAUSAL RELATIONSHIPS, ARTIFICIAL INTELLIGENCE, DEEP LEARNING, APPLIED DEEP LEARNING.
качестве основы для реализации модели глубокого обучения, прежде всего, необходимо определиться с языком программирования для написания по-
С интерпретируемой точки зрения, в необходимости такого подхода легко убедиться на основе факта быстродействия системы. Операторам отдела безопасности шахтных работ особенно важно знать о предполагаемой поломке того или иного объекта оборудования как можно раньше, чтобы быстрее и оперативнее принять необходимые меры по устранению неприятных последствий [2].
существенно снижает затраты на алгоритмические и арифметические ресурсы будущей модели глубокого обучения.
следней. Одним из самых приемлемых вариантов является выбор языка программирования Python, так как он свободно распространяемый, не относящийся к проприетарным типам язык. Помимо этого, аргументы для выбора данного языка подтверждаются его популярностью среди выбора среды программирования для написания автоматизации при выполнении производственных задач на основе искусственного интеллекта [1]. В первой декаде сентября 2022 года Python занимает первое место [1] среди самых популярных языков программирования для решения задач глубокого обучения (рисунок 1).
Благодаря интеграции вспомогательного пакета математических функций в проект решения (рисунок 2), открываются возможности по превентивному исследованию алгоритмом циклов дождевого потока, определению кривых выносливости, коррекции диапазона средних и сжимающих напряжений для различного типа оборудования.
В качестве основы решения задач рас-
смотрим программный пакет, являющийся надстройкой языка программирования Python. Импортирование пакета в проект решения занимает всего одну строчку программного кода, что
Следующим шагом, после непосредственного написания модели глубокого обучения, бу-
С hangt PrOgrAmming Linguigi Ruingi Ctunj*
Pytnofl +0.3S4
V 0 С IUH -0.E44
Лея 10.474 -1j074
Э C« MH
® С* 6J24 •Ъ744
VilutL B>(iC b.424 •1,404
JS JavaScript З.ОМ -OJW4
Л SQL 1.Ü44 -О.ОвЧк
AisrmtXy iinfulg« IJ» -0.214
о Swift 1.SS4 -0.444
Л Clinic Vitual Btifc 13» -0,404
1Ш •0.264
V т fHP uw -0,074
о ObjK civt'C 5,014 •0.334
чк Go un* •O.OT4
V <т R 0.1*4 -0.224
V О 0.76* -0 414
LU1 •0.434
V т Ruby 0.7S4 -0 464
« Prolof 0.744 •0.184
Рисунок 1. Популярность языков программирования для написания проектов в области глубокого обучения Figure 1. Popularity of programming languages for writing deep learning projects
дет проверка работоспособности алгоритма и демонстрация примера его функционирования на каком-либо тестовом образце.
Первоначально необходимо сгенерировать сигнал (в качестве образца мы используем генеративный тип примера) и извлечь из него циклы дождевого потока (рисунок 3).
import fatpack
Рисунок 2. Интеграция пакета математических и арифметических функций с проектом решения и
моделью глубокого обучения Figure 2. Integration of a package of mathematical and arithmetic functions with a solution design and a deep learning model
Далее потребуется создать ячейки для сортировки диапазона и средних значений (рисунок 4).
Наконец, остается создать массив данных, который будет содержать средние значения в первом столбце и значения диапазона во втором. После этого останется извлечь матрицу дождевого потока [3].
Затем с помощью вспомогательной библиотеки визуализации matplotlib отстраивается матрица дождевых потоков среднего диапазона (рисунок 5).
При помощи автоматизированной системы, основанной на модели глубокого обучения все представленные в статье действия будут выполняться автоматически, что многократно ускоряет процесс выполнения программного кода и
у = np,random.normal{si2е=1@0900),
Sj Sm = fatpack.find_rainflow_ranges(yj return_means=Truej k=256)
Рисунок 3. Извлечение циклов дождя из сгенерированного сигнала Figure 3. Extracting rain cycles from the generated signal
rowbin = np.linspace(-25, 25, 50) colbin = np.linspace(0, 85, 50)
Рисунок 4. Создание ячеек для сортировки диапазона Figure 4. Creating cells for sorting a range
Матрица дождевого потока
i 50 о
m
пз
л 40 s
&
О
Среднее
Рисунок 5. Матрица дождевых потоков Figure 5. Matrix of rain flows
повышает его надежность [4].
Таким образом, алгоритм позволяет не только повысить качество работы отдела безопасности шахтных работ, но и избежать случайных ошибок, носящих формат человеческого фактора [5 - 7]. Это немаловажная особенность особенно увеличивает свой уровень значимости,
когда речь идет о системах, связанных с безопасностью жизни и здоровья людей.
СПИСОК ЛИТЕРАТУРЫ
1. Рейтинг языков программирования для написания проектов в области глубокого и машинного обучения [Электронный ресурс]. - Режим доступа: https://digital-academy.ru/blog/the-most-popular-programming-languages
2. Лекция (слайды) №7 курса «Вероятностное обучение» Сергея Николенко, посвященная [Электронный ресурс].
- Режим доступа: https://logic.pdmi.ras.ru/~sergey/teaching/mlbayes/07-hmm2.pdf
3. Serge Kruk. Practical Python Al Projects. - Apress. 2018. - 271 c.
4. Samir Madhavan. Mastering Python for Data Science - Packt Publishing. 2018. - 276 c.
5. Ivan Idris. Python Data Analysis. - Packt Publishing. 2014. - 319 c.
6. Wiley Brand. Python for Data Science for Dummies - John Willey & Sonc. 2015. - 407 c.
7. Уэс Маккинни. Python и анализ данных. - O'Reilly Media. 2015. - 477 c.
REFERENCES
1. Rating of programming languages for writing projects in the field of deep and machine learning [Electronic resource].
- Access mode: https://digital-academy.ru/blog/the-most-popular-programming-languages
2. Lecture (slides) No. 7 of the course "Probabilistic training" by Sergey Nikolenko, dedicated to [Electronic resource]. -Access mode: https://logic.pdmi.ras.ru /~sergey/teaching/mlbayes/07-hmm2.pdf
3. Sergey Kruk. Practical Python Al Projects. - Apress. 2018. - 271 c.
4. Samir Madhavan. Mastering Python for Data Science - Packt Publishing. 2018. - 276 c.
5. Ivan Idris. Python Data Analysis. - Packt Publishing. 2014. - 319 c.
6. Willy Brandt. Python for Data Science for Dummies - John Willey & Sonc. 2015. - 407 c.
7. Wes McKinney. Python and data analysis. - O'Reilly Media. 2015. - 477 c.
научне-технический журнал №4-2022 ^^ ^^
да^тнвд о о
