CC BY
73
3. Патент РФ №2170923, G01N21/88, G01B11/30. Способ диагностики работоспособности металлоконструкций. / Сорокин П.А., Дронов В.С., Селиверстов Г.В., Григорьев А.В. 2001, № 20.
4. Басс Ф.Г., Фукс И.М. Рассеяние волн на статистически неровной поверхности. М.: Наука, 1972. 424 с.
Ушаков Вадим Константинович, асп., ushakovvk@gmail. com, Россия, Москва, Московский государственный университет путей сообщения (МИИТ),
Сорокин Павел Алексеевич, д-р техн. наук, проф., pavalsorarambier.com, Россия, Москва, Московский государственный университет путей сообщения (МИИТ)
ASSESSMENT OF THE APPLICATION RANGE OF OPTICAL REFLECTOMETRY IN CONTROLLING THE RESIDUAL LIFE OF STEEL STRUCTURES
V.K. Ushakov, P.A.Sorokin
The possibility of using optical methods for monitoring fatigue damage of steel structures is considered.
Key words: fatigue damage, optical reflectometry.
Ushakov Vadim Konstantinovich, postgraduate, ushakovvk@,gmail. com, Russia, Moscow, Moscow State University of Railway Communications (MIIT),
Sorokin Pavel Alekseyevich, doctor of technical science, professor, paval-sor@rambler. ru, Russia, Moscow, Moscow State University of Railway Communications (MIIT)
УДК 621.873.25
РАЗРАБОТКА И СРАВНЕНИЕ СИСТЕМ КОНТРОЛЯ УСТОЙЧИВОСТИ БАШЕННЫХ КРАНОВ
П. А. Сорокин, А.В.Мишин, К.С. Хряков
Рассматривается вопрос сохранения устойчивости башенных кранов. Рассмотрены этапы развития устройств для обеспечения безопасности башенных кранов и выявлены их недостатки. Предложена система, основанная на методах искусственного интеллекта. Предложены пути дальнейшей разработки темы.
Ключевые слова: башенный кран, устойчивость, ветровая нагрузка, искусственный интеллект
Башенные краны, являясь высотным подъемным сооружением, обладают чувствительностью к эксплуатационным нагрузкам. Нагрузки, действующие на башенные краны, являются совокупностью постоянных и не-нормируемых составляющих.
Безопасность эксплуатации башенного крана зависит от устойчивости к ненормируемым составляющим нагрузок на металлоконструкцию. Для сохранения устойчивости башенного крана необходимо разработать устройство для стабилизации его положения при ненормируемых составляющих нагрузок.
В данной работе рассматриваются ненормируемые ветровые нагрузки.
Наиболее распространенными устройствами для контроля устойчивости при ветре рабочего состояния является разновидности ограничителей грузоподъемности. Эти приборы работают в индикаторном режиме, т.е. при возникновении аварийной ситуации происходит обесточивание грузоподъемной машины. При подъеме груза выше номинального это является условием сохранения устойчивости. Но при критической скорости ветра происходит только оповещение машиниста (звуковое, световое) без влияния на управление грузоподъемной машины.
Система ветровой защиты основана на регистрации скорости ветра и удержании передвижного грузоподъемного крана противоугонными захватами.
Система ветровой защиты изначально состояла из анемометра (датчик скорости ветра + блок управления). Затем функция измерения скорости ветра была интегрирована в ограничитель грузоподъемности (ОГП), т.е. использовалась связка: датчик скорости ветра + блок управления ОГП. С внедрением программируемых логических контроллеров (ПЛК) обработка сигналов от датчика скорости ветра возложена на них. В некоторых случаях применяют ПЛК, но обработка сигналов происходит в блоке управления ОГП.
На всех этапах развития систем ветровой защиты использовались противоугонные захваты (ручные, полуавтоматические, автоматические).
Недостаток систем ветровой защиты - приведение в действие защитных мероприятий после регистрации опасных параметров ветровых нагрузок, отсутствие в ОГП функции контроля устойчивости к опрокидыванию. Решение - внедрение в алгоритмы управления грузоподъемными машинами функции экстраполяции на основе нейро-нечеткой логики [1].
Система обеспечения устойчивости должна выполнять следующие функции:
- обеспечивать контроль параметров башенного крана и ветровых нагрузок;
- вырабатывать сигналы управления на механизмы приводов.
Объектом исследования являются стационарные и передвижные
башенные краны.
Цель работы заключается в обеспечении устойчивости башенных кранов при ненормируемых внешних воздействиях.
В работе использованы методы искусственного интеллекта.
Научная новизна заключается в разработке системы обеспечения устойчивости башенных кранов при ветровых нагрузках на основе методов искусственного интеллекта.
Идея разработки состоит в осуществлении активного управления устойчивостью башенного крана с упреждением в период действия порывов ветра.
Преимущества предложенной системы:
- используется экстраполяция ветровых нагрузок на основе методов искусственного интеллекта;
- система разработана для стационарных и передвижных башенных кранов.
Известны системы управления грузоподъемных машин, построенные на методах искусственного интеллекта [2, 3].
Для задач прогнозирования параметров ветровой нагрузки используется нечетка логика, искусственные нейронные сети, нейро-нечеткая логика.
Принцип основан на корректировке положения поворотной части башенного крана относительно направления ветра и выдаче упреждающих сигналов на механизмы для принудительного изменения углового положения поворотной части.
Система безопасности основана на нейросетевом и логическом алгоритмах. Нейросетевой алгоритм используется для прогнозирования значений направления и скорости ветра, а логический алгоритм - для определения опасной скорости ветра (на основе прогнозируемых значений) в порыве и управления приводами в целях заблаговременного перевода башенного крана в безопасное положение.
Система безопасности башенных кранов состоит из подсистемы сбора информации о параметрах ветра и параметрах башенного крана, подсистем нейросетевого прогнозирования и управления приводами. Структурная схема представлена на рис. 1.
Подсистема сбора информации о параметрах ветра и параметрах башенного крана состоит из датчиков, многие из которых имеются в существующем ограничителе грузоподъёмности - датчик скорости ветра, положения стрелы, высоты подъёма крюка, вылета крюка. Дополнительно башенный кран необходимо оснастить датчиком направления ветра.
Подсистема нейросетевого прогнозирования реализуется на основе платы расширения с нейросетевым алгоритмом.
Подсистема управления приводами башенного крана основана на программируемом логическом контроллере (далее ПЛК).
Условием безопасности является выдача подсистемой нейросетево-го прогнозирования сигнала управления и его обработки подсистемой управления для срабатывания приводов до возникновения критического опрокидывающего момента от порывов ветра.
Нейросетевая модель для прогнозирования представляет собой нелинейную авторегрессионную зависимость вида:
х
пр
(г) = х(г -А),... х(г - ЫА)),
где хпр(г) - прогнозируемое значение; х(г-А),...х(г-ЫА)) - предшествующие значения, измеренные с шагом А (шаг дискретизации регистрируемых значений).
Рис. 1. Структурная схема системы безопасности башенного крана
Прогнозирование реализуется на основе нейросетевой модели с памятью, в качестве которой выступает линия задержки времени.
На рис. 2, а представлена структурная схема прогнозирования скорости ветра, на рис. 2, б - структурная схема прогнозирования направления ветра.
Для прогнозирования скорости и направления ветра используем ИНС прямого распространения с линией задержки, схемы которых представлены на рис. 3 и 4.
В ПЛК заложен алгоритм заблаговременного управления приводами поворота и/или изменения вылета. Алгоритм предназначен для выдачи сигнала управления на основе нейросетевой модели (программа нейросе-тевой модели записана в память платы расширения) и регистрируемых значениях датчиков скорости и направления ветра.
При прогнозировании опасного порыва и его направления ПЛК формирует сигнал управления, поступающий на привод поворота и/или привод изменения вылета крюка, для разворота поворотной части башенного крана по направлению прогнозируемого порыва ветра.
Если разворот происходит с грузом, то опасных ускорений груза не возникает, так как разворот производится заблаговременно с номинальной угловой скоростью.
а
б
Рис. 2. Структурные схемы нейросетевой модели прогнозирования скорости ветра (а) и направления ветра (б)
В ПЛК предусмотрена блокировка, исключающая возможное столкновение крюковой подвески о возводимый объект при экстренном повороте.
Система безопасности автоматически вмешивается в работу машиниста только при прогнозировании опасной скорости ветра, которая превышает допустимое значение. При эксплуатации башенного крана возможна ситуация, когда прогнозируется опасная скорость ветра в порыве и требуется обеспечить разворот поворотной части башенного крана с грузом. В этом случае нарушается цикл работы.
В результате экспериментальных измерений скорости ветра для I ветрового района (по ГОСТ 1451 - 77) была определена повторяемость опасных скоростей (>12 м/с), равная 10 %. Поэтому опасные скорости ветра редки, но разработанной системой безопасности обеспечивается устойчивость башенных кранов при их возникновении. Нарушение цикла работы в эти моменты практически не влияет на эксплуатационную производительность.
Система разработана для обеспечения устойчивости башенного крана в рабочем состоянии.
Рис. 3. Схема нейросетевой модели прогнозирования скорости ветра: 1 - линия задержки с отводами; 2 - промежуточный слой; 3 - выходной слой; ) - текущее значение скорости ветра; упр (/) - прогнозируемое значение скорости ветра;
у(/ - 1)..у(1 - 3) - предшествующие значения скорости ветра; ^(1)1_1...^(1)з_15,^(2)1-1...^(2)1з-1 - весовые коэффициенты; В1...Б3 - элементы линии задержки
<9(1-14)
ф (1-15)
Рис. 4. Схема нейросетевой модели прогнозирования направления ветра: 1 - линия задержки с отводами; 2 - промежуточный слой; 3 - выходной слой; ф^) - текущее значение направления ветра; Фпр (*) - прогнозируемое значение направления ветра;
ф^ - 1)...ф(? -15) - предшествующие значения направления ветра; ^(1)1-1...^(1)15-10,^(2)1-1...^(2)ю-1 - весовые коэффициенты; В1...Б15 - элементы линии задержки
141
В нерабочем состоянии башенный кран более устойчив к ветровым нагрузкам за счет меньшей парусности. В нерабочем состоянии (перерыв между сменами) продолжается сбор информации о параметрах ветра за счет работы системы безопасности от дополнительного блока питания. Это повышает точность прогноза опасных порывов в рабочем состоянии башенного крана. Возможна корректировка положения башенного крана в нерабочем состоянии при условии подключения его к питающей сети после окончания смены.
Для предотвращения отказа системы безопасности применимы следующие действия:
- обучение нейросетевых алгоритмов;
- планово-предупредительные проверки нейросетевых алгоритмов.
Для выполнения первого пункта необходимо создание базы данных
параметров ветра местности, где будет эксплуатироваться башенный кран. База данных должна содержать значения параметров ветра за длительный период наблюдения с разными шагами регистрации. Далее проводится обучение нейросетевых алгоритмов в лабораторных условиях до начала эксплуатации башенного крана. Затем плата расширения с обученными алгоритмами подключается к ПЛК, который расположен в шкафу управления башенного крана.
При проведении проверок нейросетевых алгоритмов во время эксплуатации башенного крана, возможно его дообучение. Это обусловлено тем, что в процессе работы башенного крана база данных параметров ветра постоянно пополняется и вычислительной мощности архитектуры нейросетевых алгоритмов, заложенной при их обучении, может не хватить.
Непрерывный контроль с экстраполяцией параметров для будущего состояния позволит реализовать упреждающую защиту, которая обеспечивает раннее обнаружение опасных порывов ветра.
Дальнейшая работа сводится к сравнению результатов работы систем управления, построенных на методах:
- нечеткой логики;
- искусственных нейронных сетях;
- нейро-нечеткой логики.
Статья выполнена при поддержке Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе УМНИК в рамках договора №8127ГУ2/2015 от 24.11.2015.
Список литературы
1. Хряков К.С., Мишин А.В. Системы ветровой и сейсмических защит для грузоподъемных кранов // Материалы ХХ Московской международной межвузовской научно-технической конференции студентов, аспи-
142
рантов и молодых ученых «Подъемно-транспортные, строительные, дорожные, путевые машины и робототехнические комплексы», 14-15 апреля 2016 г. в г. Москве. М.: МГАВТ.
2. Мишин А.В., Сорокин П. А. Нейросетевой алгоритм системы автоматического контроля устойчивости башенных кранов // Автоматизация и современные технологии. 2014. № 4. С. 7-11.
3. Патент РФ 2542850. Способ обеспечения устойчивости башенных кранов от опрокидывания / П. А. Сорокин, А.В. Мишин, К.С. Хряков, А.В. Редькин. Опубл. в Б.И № 6. 2015.
Сорокин Павел Алексеевич, д-р техн. наук, проф., pavalsorarambier.ru, Россия, Москва, Московский государственный университет путей сообщения,
Мишин Алексей Владимирович, канд. техн. наук, доц., alexeymi-shin89@,gmail.com, Россия, Москва, Московский государственный университет путей сообщения,
Хряков Кирилл Станиславович, асп., kirill-khryakovamail.ru, Россия, Москва, Московский государственный университет путей сообщения
RESERCH AND COMPARISON OF STABILITY CONTROL SYSTEM
OF TOWER CRANES
P.A. Sorokin, A. V. Mishin, K.S. Khryakov
The article is devoted to the preservation of the stability of tower cranes. Considered the stages of development of devices for safety of tower cranes and revealed their shortcomings. The proposed system based on artificial intelligence techniques. Ways of further development of the topic.
Key words: tower crane, stability, wind loading, artificial intellegence.
Sorokin Pavel Alekseevich, doctor of technical science, professor, paval-sorarambler. ru, Russia, Moscow, Moscow State University of Railway Engineering,
Mishin Alexey Vladimirovich, candidate of technical science, associate professor, alexeymishin89@gmail. com, Russia, Moscow, Moscow State University of Railway Engineering,
Khryakov Kirill Stanislavovich, postgraduate, kirill-khryakovamail.ru, Russia, Moscow, Moscow State University of Railway Engineering
