Распознавание технологических состояний экскаватора-драглайна Текст научной статьи по специальности «Математика»

Определим множество зермов лингвистической переменной X, и колебание её значений для [ого из них. При этом значения переменной У| являются выражением оптимальной реакции аогатора на каждый из термов:

«Нет»: если х, -» (0; 5), то>-| [0; 25];

«Мало»: если дга —► [0; 10],тоу| [0; 50];

«Много»: если х, (5; 15], то у, [25; 75];

«Очень много»: если х| -+ (10; 25 ]. то у, -* (50; 100].

Обращая внимание на размеры пузырьков пены, флотатор должен мысленно сравние-агь их с оатимальными размерами, поэтому в этом случае примем за входную характеристику фази-регулятора разность примерного размера пузырьков в данный момент и оптимального диаметра зузырька (А;, мм), которые флотатор определяет, опираясь на свой опыт и полученные знания, огда выходным параметром будет являться разность объема дозируемого реагента для диаметра ачзырька в данный момент и оптимального объёма подаваемого в процесс реагента (Уг, см'/мин):

[-15; 15], мм; Уг— [-100; 100], см" /мин.

Зададимся лингвистическими термами и их параметрами для рассматриваемого примера:

«Очень мелкие»: если дг| —»[-15;-5], то.у| —»[-100;-25];

«Мелкие»: если х\ —► [-10; 0], то у^ —► [-65; 0];

«Норма»: если —»[-5; 5], то>-| —> [-25; 25];

«Крупные»: если д:| —► [0; 10], то^| -* [0; 65];

«Очень крупные»: если хх —»[5; 15], то^| —» [25; 100].

Располагая как полученными выше зависимостями, так и многими другими, флотатор может аолучить наиболее высококачественный концетрат, избежав перерасхода реагонтов, больших яотерь в «хвостах» и прочих нежелательных последствий процесса флозации с неучтёнными косными (нечеткими) параметрами.

Таким образом, на основе информации о процессе флотации, получаемой со средств автома-ского измерения, а закже косвенной информации о процессе по результатам визуальных оцс-на базе теории нечётких множеств формируется обобщённый алгоритм управления фдотаци-ным комплексом с использованием современной базы, например, микропроцессорных контролеров.

РАСПОЗНАВАНИЕ ТЕХНОЛОГИЧЕСКИХ СОСТОЯНИЙ ЭКСКАВАТОРА-ДРАГЛАЙНА

БОБИН И. С.

Уральская государстве тая горно-геологическая академия

Широкое внедрение информационных систем одноковшовых экскавазоров открывает новые возможности для повышения эффективности управления этими сложными технологическими объектами. В частности, весьма перспективней представляется реализация функции взвешивания горной массы в ковше в процессе выполнения рабочего цикла экскаватора. При этом возможно использование ряда методов прямого и косвенного измерения массы ковша. В любом случае необходимым условием обеспечения функции взвешивания ковша является распознавание или идентификация текущего технологического состояния экскаватора.

Под «технологическим состоянием» экскаватора понимается его пребывание в одном из фиксированных положений, вводимых с целью обеспечения необходимых функций информацн-

онных систем. Согласно известному подходу, технологические состояния соответствуют гичсским операциям экскаватора. Мри этом существует следующая классификация тсэг ских состояний одноковшового экскаватора [I]: по режимам работы экскаватора (вы пол! бочего цикла, выполнение вспомо^тельного цикла, простой экскаватора, перемещение ра); по технологическим режимам работы электромеханических систем экскаватора ( повившееся движение, торможение, остановка, неопределённое состояние); по техн составляющим рабочею цикла экскаватора (черпание, транспортировка гружёного ковша к разгрузки, раирузка ковша, транспортировка порожнего ковша в забой, остановка). С ния обеспечения функции взвешивания ковша, важнейшее значение имеет задача рас технологического состояния экскаватора по технологическим составляющим его рабочего

При решении проблемы распознавания технологических состояний одноковшовых торов возникает задача описания классов распознаваемых состояний на языке их пр» большинстве сложных систем распознавания образов описание классов составляется с ванием обучения. Необходимость в проведении процедуры обучения возникает при из условий функционирования экскаватора (горно-геологических и климатических условий, гии горных работ, характеристик машины в процессе эксплуатации или после ремонта и т. работе экскаватора в стабильных условиях эксплуатации проводигь обучение не требуется.

Шагающие экскаваторы-драглайны, изначально работающие в более стабильных чем карьерные машины, являются предпочтительным объектом для распознавания тел ских состояний с точки зрения простоты и точности описания распознаваемых классов как : ченисм, так и без обучения. С нашей точки зрения, достоинства распознающих систем с см наиболее полно раскрываются при статистическом (вероятностном) подходе к расг~ образов. Обучающая последовательность при этом представляет собой выборку конечного из генеральной совокупности возможных изображений классов. Статистический годходир гает испытание ряда статистических гипотез и выбор одной из них, относящей исследуем^ нределенис вероятностей к найденному классу. Принятие решения сводится к выбору ги соответствии с некоторым критерием качества. В статистической теории распознавания ми критериями принятия решения являются критерии Ьайеса, максимума апостериорной ности, Неймана-Пирсона, Вальда, максимального правдоподобия.

В случае, когда количество классов распознаваемых объектов превышает два, задача знавания называется мноюальтернативной. В этом случае наиболее эффективен критерий мума апостериорной вероятности. Согласно этому критерию, контрольная выборка Х„ лежиг классу 5), чья апостериорная вероятность

превышает апостериорные вероятности остальных классов распознаваемых объс^сгов, где

- условные совместные плотности вероятности векторов выборки Хт /*(5Д Pi.Sk) - а ные вероятности классов [21.

В нашем случае количество классов распознаваемых технологических состояний К = 5 черпание; .?2 - транспортировка ковша к точке разгрузки; разгрузка; л4 - транспортировка ша к точке начала черпания; 5$ - остановка) и решающее правило имеет следующий вид

для всех у = I, К р к = \,К, где у * к.

На базе решающего правила (2) нами создан статистический метод распознавания гек> технологического состояния экскаватора-драглайна. Метод включает алгоритмы обучения и познавания.

Алгоритм обучения предполагает создание обучающей выборки и вычисление апр вероятностей появления объектов выделенных классов. Результатом этапа обучения явл матрицы априорных вероятностей классов технологических состояний.

Алгоритм распознавания предполагает вычисление и сравнение апостериорных вс стей классов технологических состояний с целью определения класса с максимальной ап орной вероятностью.

л - 5У. если /\Sj\X. )> Р(як\Хв),