Научная статья на тему 'Прогнозирование отказов одноковшовых экскаваторов на основе методов искусственного интеллекта'

Прогнозирование отказов одноковшовых экскаваторов на основе методов искусственного интеллекта Текст научной статьи по специальности «Энергетика и рациональное природопользование»

CC BY
227
58
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ПРОГНОЗИРОВАНИЕ / PREDICTING / МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА / ARTIFICIAL INTELLIGENCE METHODS / ОДНОКОВШОВЫЕ ЭКСКАВАТОРЫ / EXCAVATORS / МЕТОД МАМДАНИ / METHOD MAMDANI / FUZZY LOGIC TOOLBOX / ВЕРОЯТНОСТЬ ОТКАЗА / PROBABILITY OF FAILURE / СИСТЕМА ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И РЕМОНТА / SYSTEM MAINTENANCE AND REPAIR

Аннотация научной статьи по энергетике и рациональному природопользованию, автор научной работы — Баранникова Ирина Владимировна, Мажибрада Ирина

Приведены доли затрат и коэффициенты использования оборудования во времени для каждого из основных этапов ведения открытых горных работ. Более подробно рассмотрены одноковшовые экскаваторы и основные факторы, влияющие на вероятность отказа одноковшовых экскаваторов. Также, проведен сравнительный анализ методов прогнозирования. Для прогнозирования вероятности отказа одноковшового экскаватора авторы выбрали метод нечетких нейронных сетей метод Мамдани. Используя метод Мамдани в среде MatLab (инструмент Fuzzy Logic), получена вероятность отказа ковша одноковшового экскаватора.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по энергетике и рациональному природопользованию , автор научной работы — Баранникова Ирина Владимировна, Мажибрада Ирина

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

PREDICTING THE PROBABILITY OF FAILURE OF EXCAVATORS BASED ON ARTIFICIAL INTELLIGENCE METHODS

This paper presents the share of the cost and availability of equipment in time for each of the basic steps of conducting open pit mining. In more detail we analyzed excavators and the main factors influencing the probability of failure of excavators. Also, in the article there is a comparative analysis of methods of forecasting. In order to predict the probability of excavator failure, the authors have chosen to use the method of fuzzy neural networks method Mamdani. The probability of excavator failure is obtained by using the Mamdani method in MatLab (Fuzzy Logic Toolbox).

Текст научной работы на тему «Прогнозирование отказов одноковшовых экскаваторов на основе методов искусственного интеллекта»

И.В. Баранникова, И. Мажибрада

ПРОГНОЗИРОВАНИЕ ОТКАЗОВ ОДНОКОВШОВЫХ ЭКСКАВАТОРОВ НА ОСНОВЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Приведены доли затрат и коэффициенты использования оборудования во времени для каждого из основных этапов ведения открытых горных работ. Более подробно рассмотрены одноковшовые экскаваторы и основные факторы, влияющие на вероятность отказа одноковшовых экскаваторов. Также, проведен сравнительный анализ методов прогнозирования. Для прогнозирования вероятности отказа одноковшового экскаватора авторы выбрали метод нечетких нейронных сетей - метод Мамдани. Используя метод Мамдани в среде MatLab (инструмент Fuzzy Logic), получена вероятность отказа ковша одноковшового экскаватора. Ключевые слова: прогнозирование, методы искусственного интеллекта, одноковшовые экскаваторы, метод Мамдани, Fuzzy Logic Toolbox, вероятность отказа, система технического обслуживания и ремонта.

По данным статистики карьерное оборудование простаивает более 40% рабочего времени, где 30% времени простоев связано с восстановлением его работоспособности. Чтобы уменьшить время простоя нужно усовершенствовать систему технического обслуживания и ремонта. Система должна учитывать специфику предприятия, природно-геологические факторы и свойства оборудования. Результатом работы системы ТОиР, помимо проведения плановых работ (на основании регламентов производителей и плановых обслуживаний), должен быть и прогноз вероятности внезапных отказов оборудования.

Открытые горные работы включают в себя большое количество процессов, начиная от подготовки горных пород к выемке и добычных работ до транспортирования и переработки горной массы.

Согласно [1] производственные процессы при ведении открытых горных работ разделяются на следующие этапы:

ISSN 0236-1493. Горный информационно-аналитический бюллетень. 2017. № 1. С. 37-46. © 2017. И.В. Баранникова, И. Мажибрада.

УДК 004.896.622

• подготовка горных пород к выемке;

• выемочно-погрузочные работы;

• перемещение карьерных грузов;

• отвалообразование вскрышных пород и складирование полезного ископаемого;

• вспомогательные работы.

На каждом этапе используется большое количество различного оборудования. В табл. 1 приведены доли затрат и коэффициенты использования оборудования во времени для каждого из этапов.

Горное оборудование по технологическом признаку, т.е по роду выполняемой работы, принято делить на семь классов [2]: машины для подготовки горных пород к выемке, выемочно-по-грузочные машины, выемочно-транспортирующие машины, транспортирующие машины, отвалообразующие машины, сор-тировочно-обогатительное оборудование, машины для вспомогательных работ.

Наиболее характерными представителями выемочно-погру-зочных машин, эксплуатируемых на открытых разработках, являются одноковшовые и многоковшовые экскаваторы.

Классифицировать экскаваторы можно по следующим признакам [2]:

• назначению и роду выполняемой работы;

• вместительности ковша (Е, м3 — одноковшовые) и теоретической производительности ^, м3/ч — многоковшовые);

• Звиду рабочего, ходового и силового оборудования.

На открытых горных разработках обычно применяются одноковшовые экскаваторы. Рабочий цикл одноковшового экс-

Таблица 1

Использование карьерного оборудования

Наименование этапа Коэффициент использования оборудования Доля в затратах,%

Подготовка горных пород к выемке 0,30 40

Выемочно-погрузочные работы 0,65 25

Перемещение карьерных грузов 0,70 30

Отвалообразование вскрышных пород и складирование полезного ископаемого 0,85 3

Вспомогательные работы 0,20 2

1% 2%

' /

1 «Е=5мЗ

2 ■Е=8-10мЗ

3 ■Е=12-15мЗ

4 !1Е=18-25мЗ

5 ■Е=25"35м3

6 ШЕ=35-40мЗ

Рис. 1. Структура парка одноковшовых карьерных экскаваторов с ковшами вместимостью (Е) от 5м3 до 40 м3 на горных предприятиях России

каватора складывается из четырех последовательных операций: наполнения ковша (черпание), перемещения его к месту разгрузки (транспортирование), разгрузки и перемещения порожнего ковша к месту черпания для воспроизведения нового цик-

Одноковшовые подразделяются на:

• карьерные прямые напорные механические гусеничные

• прямые гидравлические (ЭГ);

• обратные гидравлические (ЭГО);

• прямые вскрышные гусеничные (ЭВГ);

• драглайны (ЭШ шагающие) и гусеничные (ЭДГ).

Наибольшее распространение на горных предприятиях России получили одноковшовые экскаваторы с ковшами вместимостью 8—10 м3 (рис. 1) [3].

Современные одноковшовые экскаваторы состоят из следующих основных частей:

• рабочего оборудования;

• рабочих механизмов;

• ходового оборудования;

• поворотной платформы.

В табл. 2 показан процент выхода из строя основных частей экскаватора.

Коэффициент использования одноковшовых экскаваторов во времени не превышает 35^51%. Такое низкое значение коэффициента использования обусловлено как недостаточной

ла [2].

(ЭКГ);

Таблица 2

Отказы основных частей экскаватора

Основная часть Элементы Количество отказов, %

Рабочее оборудование Ковш, стрела, рукоять, механизм напора 50

Рабочие механизмы Подъемный механизм, поворотный механизм, ходовой механизм и напорный механизм 20

Ходовое оборудование Гусеничное ходовое оборудование: рама гусеничной цепи, направляющие колеса, гусеничная цепь 20

Поворотная платформа Рама поворотной платформы, поворотная платформа 10

надежностью самих машин, так и плохой организацией технического обслуживания и ремонта.

В процессе эксплуатации под действием различных взаимосвязанных природно-технических факторов непрерывно ухудшается техническое состояние оборудования. Причины, вызывающие изменение технического состояния (появление неисправностей карьерных машин) могут быть разделены на следующие группы факторов:

• конструктивные факторы;

• технологические факторы;

• эксплуатационные факторы.

К эксплуатационным относятся:

• климатические факторы атмосферные осадки, высокие и низкие температуры, влага, солнечная радиации;

• горно-геологические условия воздействия газов, запыленность воздуха;

• биологическая среда плесень, микроорганизмы, насекомые;

• физико-механическими свойствами разрабатываемых горных пород.

В табл. 3 показано влияние условий эксплуатации экскаваторов на изменение показателей качества частей одноковшовых экскаваторов.

Максимальная производительность и минимальные эксплуатационные затраты обеспечиваются своевременным проведе-

Таблица 3

Влияние условий эксплуатации экскаваторов на изменение показателей качества частей одноковшовых экскаваторов

Отказ элемента Природно-технические факторы

Рабочее оборудование ковш (зубья) прочность, крепость, твердость, хрупкость, абразивность, неправильная эксплуатация

стрела перегруз, нарушение техники безопасности, низкие температуры, «усталость металла»

рукоять скорости подъема ковша

механизм напора низкие температуры, перегруз, износ

Рабочие механизмы подъемный механизм, поворотный механизм, ходовой механизм трение, высокая запыленность воздуха, повышенное содержание влаги в воздухе, высокие и низкие температуры

Ходовое оборудование гусеничное ходовое оборудование: рама гусеничной цепи, направляющие колеса, гусеничная цепь. неправильная эксплуатация, неправильная регулировка, засорение грязью, перепады температуры, износ

Поворотная платформа рама поворотной платформы, поворотная платформа засорения, износ, перепады температуры,

нием технических обслуживаний и ремонтных работ. Одним из важнейших инструментов системы управления техническим обслуживанием и ремонтом является прогнозирование вероятности отказа карьерного оборудования.

Способы планирования мер по техническому обслуживанию и ремонту классифицируются следующим образом [6]:

• по событию;

• регламентное обслуживание;

• по состоянию.

Методы прогнозирования делятся на интуитивные (экспертные) и формализованные. Для решения задач прогнозирования вероятности отказа карьерного оборудования можно применить методы искусственного интеллекта, в том числе нечеткие нейронные сети.

Нечеткие нейронные сети

Система нечеткого вывода

Нейронная сеть

+ «прозрачность» нечетких систем, которая возможна благодаря их лингвистической интерпретации в виде нечетких правил. Такая структура способствует пониманию системы. - априорное определение компонентов таких моделей.

+ возможность выявления закономерностей в данных, т.е. извлечение знаний из данных.

- сложность определения размера и структуры нейронной сети.

Ч_У

Рис. 2. Характеристики элементов нечетких нейронных сетей

Нечеткие нейронные сети позволяют создавать высоко адаптивные нелинейные прогнозные модели, позволяющие во многих случаях моделировать и выполнять прогнозы сложных временных зависимостей с большей эффективностью и точностью по сравнению с известными статистическими методами.

Процесс прогнозирования с помощью нейронных сетей состоит из следующих этапов:

• выбор типа нейронной сети;

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

• сбор и анализ входных обучающих данных;

• обучение нейронной сети (создание базы правил);

• тестирование на контрольном множестве данных и при необходимости доработка базы;

• эксплуатация системы в качестве средства прогнозирования, с возможностью доработки.

Нечеткие нейронные сети объединяют достоинства нейронных сетей и систем нечеткого вывода (рис. 2.)

Основная идея, положенная в основу нечетких нейронных сетей заключается в том, что используется выборка данных для определения параметров функций принадлежности, которые лучше всего соответствуют некоторой системе логического вывода, то есть выводы делаются на основе аппарата нечеткой логики. А для нахождения параметров функций принадлежности используются алгоритмы обучения нейронных сетей. Такие системы могут использовать заранее известную информацию, обучаться, приобретать новые знания, прогнозировать временные ряды, выполнять классификацию образов и кроме этого они являются вполне наглядными для пользователя [4].

В задачах прогнозирования обычно используются алгоритмы: алгоритм Мамдани и алгоритм Сугэно.

В алгоритме Мамдани база знаний представла в виде правил: Пх: если х есть А1 и у есть В1, то z есть С1, П2: если х есть А2 и у есть В2, то z есть С2,

П : если х есть А и у есть В , то z есть С .

п п ^ п п

где х и у — имена входных переменных; z — имя переменной вывода; Ап, Вп, Сп — заданные функции принадлежности. При этом четкое знание z0 необходимо определить на основании приведенной информации и четких знаний х0, у0.

Таким образом, базу правил для прогнозирования отказов ковша одноковшовых экскаваторов можно представить в следующем виде (рис. 3.):

х: Крепость горной породы 1—20 (по шкале Протодьяконо-ва): 1—2 низкая, 3—4 средняя и 5—20 высокая;

у: Срок эксплуатации ковша (лет): 0—4 мало, 5—9 средне, 10—15 много;

z: Вероятность отказа: Низкая, Средняя, Высокая; П1: Если крепость высокая и срок эксплуатации ковша много, то вероятность отказа высокая;

Рис. 3. Редактор базы правил и просмотр правил в инструменте Fuzzy Logic ToolBox

П2: Если крепость высокая и срок эксплуатации ковша мало, то вероятность отказа средняя.

П3: Если крепость низкая и срок эксплуатации ковша мало, то вероятность отказа низкая.

Используя инструмент Fuzzy Logic ToolBox, мы получили вероятность отказа ковша одноковшового экскаватора. Высокая вероятность (0,869) отказа ковша возникает при большом сроке эксплуатации ковша (21,7 лет) и высокой крепости породы (10,5). Данный метод универсален и позволяет прогнозировать вероятность отказов отдельных элементов экскаватора, что позволит снизить общее время простоя оборудования.

СПИСОК ЛИТЕРАТУРЫ

1. Ржевский В. В. Открытые горные работы. Часть I. Производственные процессы: Учебник для вузов. 4-ое изд., перераб. и доп. — М.: Недра, 1985. - 509 с.

2. Подэрни Р. Ю. Горные машины и комплексы для открытых работ: Учебное пособие. В 2 т. Т.1. 4-е изд., стер. — М.: Изд-во МГГУ, 2001. — 422 с.

3. Щадов М. И., Анистратов К. Ю., Федоров А. В. Метод формирования структуры парка карьерной техники на действующем предприятии // Горная Промышленность. — 2009. — №5(87). — С. 10—13.

4. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. — СПб.: БХВ-Петербург, 2003. — 736 с.: ил.

5. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. — М.: Финансы и статистика, 2002. — 344 с.

6. Техническое обслуживание и ремонт. URL: https://ru.wikipedia. org/wiki/Техническое_обслуживание_и_ремонт (дата обращения 25.12.2015).

7. Мажибрада И. Использование методов искусственного интеллекта в системах технического обслуживания и ремонта карьерного оборудования / Новая наука: проблемы и перспективы: Международное научное периодическое издание по итогам Международной научно-практической конференции (04 октября 2015 г., г. Стерлитамак). — Стерлитамак: РИЦ АМИ, 2015. — С. 111—115.

8. Баранникова И. В., Мажибрада И., Использование методов искусственного интеллекта в системах технического обслуживания и ремонта карьерного оборудования / Новая наука: проблемы и перспективы: Международное научное периодическое издание по итогам Международной научно-практической конференции (29 сентября 2015 г., г. Стерлитамак). — Стерлитамак: РИЦ АМИ, 2015. — С. 106—110.

9. Потапов А. С. Искусственный интеллект и универсальное мышление. — СПб.: Политехника, 2012. — 711 с.: ил.

10. Рутковская Д., Пилиньский М, Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Ру-

динского. 2-е изд., стереотип. — М.: Горячая линия Телеком, 2013. -384 с.: ил.

11. Тарасян В. С. Пакет Fuzzy Logic Toolbox for Matlab: учебное пособие. — Екатеринбург: Изд-во УрГУПС, 2013. — 112 с.

12. Каллан Р. Основные концепции нейронных сетей.: Пер. с анг. — М.: Издательский дом «Вильямс», 2001. — 291 с.: ил.

13. Рассел С., Норвит П. Искусственный интеллект: современный подход, 2-е изд..: Пер. с анг. — М.: Издательский дом «Вильямс», 2006. — 1408 с.: ил. ЕШ

КОРОТКО ОБ АВТОРАХ

Баранникова Ирина Владимировна1 — кандидат технических наук, доцент, Мажибрада Ирина1 — аспирант, e-mail: irina170489@yahoo.com, 1 НИТУ «МИСиС».

Gornyy informatsionno-analiticheskiy byulleten'. 2017. No. 1, pp. 37-46. I.V. Barannikova, I. Mazhibrada PREDICTING THE PROBABILITY OF FAILURE OF EXCAVATORS BASED ON ARTIFICIAL INTELLIGENCE METHODS

This paper presents the share of the cost and availability of equipment in time for each of the basic steps of conducting open pit mining. In more detail we analyzed excavators and the main factors influencing the probability of failure of excavators. Also, in the article there is a comparative analysis of methods of forecasting. In order to predict the probability of excavator failure, the authors have chosen to use the method of fuzzy neural networks method Mamdani. The probability of excavator failure is obtained by using the Mamdani method in MatLab (Fuzzy Logic Toolbox).

Key words: predicting, artificial intelligence methods, excavators, method Mamdani, Fuzzy Logic Toolbox, probability of failure, system maintenance and repair.

AUTHORS

Barannikova I.V.1, Candidate of Technical Sciences, Assistant Professor, Mazibrada I.1, Graduate Student, e-mail: irina170489@yahoo.com,

1 National University of Science and Technology «MISiS», 119049, Moscow, Russia.

REFERENCES

1. Rzhevskiy V. V. Otkrytye gornye raboty. Ch. I. Proizvodstvennye protsessy: Uchebnik dlya vuzov. 4-oe izd. (Open pit mining. Part 1: Production processes. Textbook for high schools, 4th edition), Moscow, Nedra, 1985, 509 p.

UDC 004.896.622

2. Poderni R. Yu. Gornye mashiny i kompleksy dlya otkrytykh rabot: Uchebnoe posobie, T. 1. 4-e izd. (Mining machines and machine systems for open pit mining: Educational aid, vol. 1, 4th edition), Moscow, Izd-vo MGGU, 2001, 422 p.

3. Shchadov M. I., Anistratov K. Yu., Fedorov A. V. Gornaya Promyshlennost'. 2009, no 5 (87), pp. 10-13.

4. Leonenkov A. V. Nechetkoe modelirovanie v srede MATLAB i fuzzyTECH (Fuzzy modeling with MATLAB and fuzzyTECH), Saint-Petersburg, BKhV-Peterburg, 2003, 736 p.

5. Osovskiy S. Neyronnye seti dlya obrabotki informatsii. Per. s pol'skogo I.D. Rudin-skogo (Neural nets for information processing. Polish-Russian translation by I.D. Rudin-sky), Moscow, Finansy i statistika, 2002, 344 p.

6. Tekhnicheskoe obsluzhivanie i remont, available at: https://ru.wikipedia.org/wiki/ Техническое_обслуживание_и_ремонт (accessed 25.12.2015).

7. Mazhibrada I. Novaya nauka:problemy iperspektivy: Mezhdunarodnoe nauchnoepe-riodicheskoe izdaniepo itogam Mezhdunarodnoy nauchno-prakticheskoy konferentsii (04 ok-tyabrya 2015g., g. Sterlitamak) (New Science: Problems and Challenges. International scientific periodical based on the International Scientific-Practical Conference Proceedings (04 October 2015, Sterlitamak)), Sterlitamak, RITs AMI, 2015, pp. 111-115.

8. Barannikova I. V., Mazhibrada I. Novaya nauka: problemy i perspektivy: Mezhdunarodnoe nauchnoe periodicheskoe izdanie po itogam Mezhdunarodnoy nauchno-praktich-eskoy konferentsii (29 sentyabrya 2015 g., g. Sterlitamak) (New Science: Problems and Challenges. International scientific periodical based on the International Scientific-Practical Conference Proceedings (29 September 2015, Sterlitamak)), Sterlitamak, RITs AMI, 2015, pp. 106-110.

9. Potapov A. S. Iskusstvennyy intellekt i universal'noe myshlenie (Artificial intelligence and universal thinking), Saint-Petersburg, Politekhnika, 2012, 711 p.

10. Rutkovskaya D., Pilin'skiy M., Rutkovskiy L. Neyronnye seti, geneticheskie algo-ritmy i nechetkie sistemy: Per. s pol'sk. I. D. Rudinskogo. 2-e izd. (Neural nets, genetic algorithms and fuzzy systems: Translated from Polish by I. D. Rudinsky, 2nd edition), Moscow, Goryachaya liniya - Telekom, 2013, 384 p.

11. Tarasyan V. S. Paket Fuzzy Logic Toolbox for Matlab: uchebnoe posobie (Packet Fuzzy Logic Toolbox for Matlab: Educational aid), Ekaterinburg, Izd-vo UrGUPS, 2013, 112 p.

12. Kallan R. Osnovnye kontseptsii neyronnykh setey: Per. s ang. (Callan R. Osnovnye kontseptsii neironnykh setei: Per. s ang. (The essence of neural networks. English-Russian translation), Moscow: Vil'yams, 2001, 291 p., English-Russian translation), Moscow, Izdatel'skiy dom «Vil'yams», 2001, 291 p.

13. Rassel S., Norvit P. Iskusstvennyy intellekt: sovremennyy podkhod, 2-e izd..: Per. s ang. (Artificial intelligence: A modern approach, 2nd edition, English-Russian translation), Moscow, Izdatel'skiy dom «Vil'yams», 2006, 1408 p.

I МЫСЛИ О РОЛИ КНИГИ В ОБЩЕСТВЕННЫХ ПРОЦЕССАХ

Когда эйфория от вида изданной книги у автора проходит, он начинает задумываться о своем будущем читателе: как найти к нему дорогу. И тут наступает прозрение: микротиражи делают его книгу недоступной, а труд по ее написанию и выпуску почти бесполезным.

i Надоели баннеры? Вы всегда можете отключить рекламу.