CC BY
9
II. ПОЖАРНАЯ И ПРОМЫШЛЕННАЯ БЕЗОПАСНОСТЬ II. FIRE AND INDUSTRIAL SAFETY
А. В.Дягилев a //A.V. Dyagileva d vagi leva! 952 я,т ail. ni
канд. техн. наук, доцеит, 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). 23, Vesenniaia St., Kemerovo, 650026, Russia
П.А. Пылов // P.A. Pylov gedrosten@m ail.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
СОВЕРШЕНСТВОВАНИЕ МЕТОДА КОНЕЧНЫХ ЭЛЕМЕНТОВ В МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ, ПРЕДНАЗНАЧЕННОЙ ДЛЯ ПРЕВЕНТИВНОГО ПРЕДУПРЕЖДЕНИЯ АВАРИЙНЫХ СИТУАЦИЙ, ВОЗНИКАЮЩИХ ПРИ ДОБЫЧЕ ПОДЗЕМНЫХ ИСКОПАЕМЫХ ШАХТНЫМ СПОСОБОМ IMPROVEMENT OF THE FINITE ELEMENT METHOD IN A DEEP LEARNING MODEL DESIGNED FOR THE PREVENTION OF EMERGENCY SITUATIONS ARISING DURING THE UNDERGROUND MINERAL MINING METHOD
Компьютерные технологии и, в частности, системы искусственного интеллекта, уверенно набирают всё большую популярность среди средств для автоматизации производственных процессов и систем. Одной из таких областей человеческой деятельности является горнодобывающая промышленность. Подвидом промышленности являются шахты. Шахты представляют собой сложный комплекс, состоящий из совокупности технических, инженерных, физических устройств и изобретений, которые помогают достичь главную цель функционирования этого промышленного предприятия - осуществление добычи полезных ископаемых при помощи системы подземных выработок и тоннелей. Данные тоннели и подземные выработки обязательно укрепляются различными техническими приспособлениями для придания жесткости, устойчивости и безопасности всей конструкции в целом. Не стоит забывать о том, что оборудование, применяемое и используемое в шахтах, всегда находится в рабочем состоянии, поэтому выход его из строя влечет за собой не только финансовые проблемы, связанные с вынужденной остановкой основной деятельности предприятия, но и потенциальные жертвы среди рабочих подземного комплекса. Возможных катастроф можно избежать, если внедрить в шахту систему искусственного интеллекта, основанную на аналитике потенциальных проблем с шахтным оборудованием. Такая система действует на основе модели глубокого обучения и метода конечных элементов, который базируется на фундаментальных основах физики, математики и дисциплины сопротивления материалов. Искусственный интеллект может предсказывать поломки для многих конструкционных и инженерных элементов, так как основывается на примитивах, из которых сделаны все технические устройства. Например, ими могут быть целые классы примитивов: балки, пружины, решетки, стропильные фермы, линейные треугольники. Все эти знания, перенесенные в интеллектуальную модель глубокого обучения, помогут поддерживать состояние безопасности
г
А
труда, превентивно сообщая о возможных поломках ответственным лицам.
Computer technologies and, in particular, artificial intelligence systems are steadily gaining popularity among the means for automating production processes and systems. One of such areas of human activity is the mining industry. Mines are the subspecies of industry. Mines are a complex consisting of a set of technical, engineering, physical devices and inventions that help to achieve the main purpose of the functioning of this industrial enterprise - the implementation of mining using a system of underground workings and tunnels. These tunnels and underground workings are necessarily reinforced with various technical devices to give rigidity, stability and safety to the entire structure as a whole. Do not forget that the equipment used in mines is always in working condition, so its failure entails not only financial problems associated with the forced shutdown of the main activity of the enterprise, but also potential victims among the workers of the underground complex. Possible disasters can be avoided if an artificial intelligence system based on the analysis of potential problems with mine equipment is introduced into the mine. Such a system operates on the basis of a deep learning model and the finite element method, which is based on the fundamentals of physics, mathematics and the discipline of materials resistance. Artificial intelligence can predict breakdowns for many structural and engineering elements, as it is based on the primitives from which all technical devices are made. For example, they can be whole classes of primitives: beams, springs, lattices, trusses, linear triangles. All this knowledge, transferred to an intelligent deep learning model, will help maintain the state of occupational safety by proactively reporting possible breakdowns to responsible persons.
Ключевые слова: ШАХТА; УГОЛЬНАЯ ОТРАСЛЬ; УГОЛЬНАЯ ПЫЛЬ; 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; OCCUPATIONAL SAFETY; FINITE ELEMENT METHOD; INJURIES; OCCUPATIONAL RISK; CAUSAL RELATIONSHIPS; ARTIFICIAL INTELLIGENCE; DEEP LEARNING; APPLIED DEEP LEARNING.
отдел в компании, крайне желательно максимально нивелировать человеческий фактор в этом процессе. Сделать это без помощи компьютерных систем, основанных на алгоритмах искусственного интеллекта, не представляется возможным в полной мере [3].
Во многом это аргументировано снижением профессионального риска, а также дополнительной поддержкой специалистов в решении повседневных сложных производственных задач. Одной из таких задач является структурный анализ оборудования и инструментов, применяемых в шахтах.
Одним из способов контроля исправности шахтного оборудования, а также его композиционных составляющих (металлических опор, балок, ребер жесткости и других инженерных конструкций) является метод конечных элементов. Данный метод берет свои теоретические начала из фундаментальной физики и математики, а практические основы восходят к дисциплине сопротивления материалов.
Бесспорно, что деятельность промышленного предприятия, главной целью которого является осуществление добычи полезных ископаемых на основе систем подземных горных выработок, постоянно сопряжено с большими рисками [2]. Главным из множества рисков является поддержание безопасности труда, здоровья и охране жизни подземных рабочих.
Поскольку все законы физики, математики и дисциплины сопротивления материалов, лежащие в основе метода конечных элементов, основаны на аналитической детерминированности формул, то решение прикладной задачи этого метода всегда будет иметь абсолютную математическую точность. Под понятием абсолютной математической точности следует понимать тот факт, что при возникновении такой совокупности внешних условий, которая очень близко приближает шахтную конструкцию к свершению
Основываясь на вышесказанном, для сохранения и поддержания состояния безопасности труда рабочих необходимо круглосуточно следить за исправностью подземного оборудования и инструментария. Несмотря на то, что за безопасность таких конструкций отвечает целый
Рисунок 1. Конструкция закрепленной балки Figure 1. Structure of a fixed beam
аварийной ситуации, решение метода конечных элементов позволит заранее предупредить катастрофу.
Соответственно, математический аппарат формул, лежащий в основе физического метода конечных элементов, может быть успешно перенесен в модель глубокого обучения искусственного интеллекта, которая позволит превентивно предотвращать аварийные ситуации на подземном производстве.
Для реализации модели искусственного интеллекта, обеспечивающей постоянный контроль и аналитику подземного оборудования, необходима такая модель глубокого обучения, которая обладала бы низкими запросами к аппаратному обеспечению без потери в качестве анализа [4]. Эта необходимость минимума запросов продиктована круглосуточным исследованием состояния инструментария по критериям внешней среды и показаниям датчиков. Наиболее подходящей для таких целей является модель глубокого обучения, основанная на рекуррентной нейронной сети [4], так как она позволяет
не только выполнять поставленные перед ней задачи, но и самостоятельно «обучаться» на полученных данных в процессе своего функционирования, что очень важно для производства, несущего риски такого уровня, как здоровье и жизни людей.
Разработанная модель глубокого обучения, как отмечалось ранее, содержит в своем составе метод конечных элементов. В совокупности (рассматривая модель с методом как единое целое) будет выполняться структурный анализ шахтного оборудования, результаты анализа которого будут передаваться ответственному за безопасность диспетчеру, с заданной периодичностью (например, один раз в 4 часа).
Перейдем к непосредственному описанию функционирования модели глубокого обучения. В шахтах может использоваться оборудование совершенно различного типа, для каждого из которого есть своя собственная первоначальная примитивная структура.
Рассмотрим простой пример. Допустим, в рамках задачи обеспечения безопасности, рас-
Рисунок 2. Приложенная нагрузка к точке C Figure 2. Load applied to point C
г
А
сматривается балка, которая закреплена на двух опорах в точках А и В соответственно (рисунок 1).
(рисунок 2), моделью глубокого обучения был автоматически сгенерирован следующий программный код на высокоуровневом языке программирования Python (рисунок 3).
Разумеется, что закрепленная балка должна выполнять какую-то определенную задачу. Например, выдерживать нагрузку, приложенную к точке С (рисунок 2).
Помимо представленного анализа, могут быть получены специальные спектрограммы текущего состояния конструкции (главным образом материала, из которого она состоит), для того, чтобы группа экспертов из отдела безопасности могла самостоятельно убедиться в достоверности полученных от модели глубокого обучения сведений, а также принять необходимые меры, если конструкция находится в близком к аварийному состоянию (например, заказать новую установку, тем самым сэкономив полезное рабочее время, которое придется затратить на её доставку в шахту). На рисунках 4 - 5 представлены диаграммы момента (рисунок 4) и сдвига (рисунок 5) для конструкции балки, с приложенной к ней нагрузкой в точке С, изображен-
В данном случае необходимо определить усталость материала, а также определить какие чередующиеся нагрузки может выдерживать балка и через какое время её необходимо будет заменить. Усталость материала может долгое время оставаться незамеченной по внешним признакам, но через определенное время, если не будут предприняты меры по исправлению сложившихся обстоятельств, может превратиться в серьезную поломку, влекущую за собой потенциально высокое количество человеческих жертв [5].
Для выполнения заданной аналитики
# входные данные
№ Получает модель глубокого обучения на основе датчиков о внешних условий Е = 29еб
I = 291 # ЫЫхЗв Р = 3Se3 L1 = 5*12 М in L2 - 10*12 inn
# Модель метода конечных элементов для балки.
# испрльзуется специфический метод веат, уже заложенный в модели
# глубокого обучения специально для балочных конструкций
ml = BeamModel("Модель балки")
# Задание вершин (точек опор), на которых крепится балка. nl = 1Чос1е((0^))
п2 = Нос1е((И„0)) ПЗ = N0de((Ll+L2,e))
# Сущности модели в методе конечных элементов el S Beam((nljn2)jЕ,I)
ег = веаш((п2,пз),Ё,1)
# Добавочные действия, которые модель глубокого обучения
# переносит в решающий цикл
for nd in (nljn2jn3): ml.add node(nd) for el in (е1,е2): ml.add_element(el)
ml.addeforce(nl, {-P.,)) ml.add_constraint(nl, ux=o, uy=e) ml.add_constraint(n3, uy=e) ml.solveQ
# смещение в точке С prirt(n2.uy)
Рисунок 3. Генерация кода для аналитики состояния конструкции балки и превентивного определения усталости металла
Figure 3. Code generation for the beam structure state analytics and preventive determination of metal fatigue
Рисунок 4. Диаграмма момента для балки, с приложенной к ней нагрузкой в точке C (рисунок 2) Figure 4. Moment diagram for a beam with a load applied to it at point C (Figure 2)
Рисунок 5. Диаграмма сдвига для балки, с приложенной к ней нагрузкой в точке C (рисунок 2) Figure 5. Shear diagram for a beam with a load applied to it at point C (Figure 2)
ной на рисунке 2.
Исследование различных конструкций [8], находящихся в эксплуатации шахтных предприятий, представленной в статье моделью глубокого обучения позволяет многократно снизить риск человеческой ошибки и сократить напряжённость работы отдела безопасности шахты [7].
Кроме того, превентивная технология
определения поломки позволяет избежать не только человеческих жертв, но и проблем с вынужденным ремонтом и обслуживанием сломанной техники и оборудования. Даже с экономической точки зрения, замена износившейся детали всегда обходится дешевле, чем устранение последствий поломок, которые она за собой повлекла [6, 7].
СПИСОК ЛИТЕРАТУРЫ
1. Искусственный интеллект и автоматизация на его основе [Электронный ресурс]. - Режим доступа: https://eos. ru/eos_delopr/eos_deloprJntesting/111/30792/
2. Риски в сфере основной деятельности горнодобывающих и шахтных предприятий [Электронный ресурс]. - Режим доступа: https://mining-media.ru/ru/article/ekonomic/1469-riski-v-sfere-osnovnoj-deyatelnosti-gornodobyvayushchikh-predpriyatij
3. Искусственный интеллект в контексте обеспечения технологической безопасности производства [Электронный ресурс]. - Режим доступа: https://author.nbpublish.com/lr/article_33465.html
4. Samir Madhavan. Mastering Python for Data Science - Packt Publishing. 2018. - 276 c.
5. Усталость металла. Откуда берется и как с ней бороться. [Электронный ресурс]. - Режим доступа: https:// rusapr.ru/o-nas/presstsentr/180-ustalost-metalla-otkuda-ona-beretsya-i-kak-s-nej-borotsya
6. Превентивная диагностика подскажет, когда произойдет сбой [Электронный ресурс]. - Режим доступа: https:// controlengrussia.com/proekty-i-vnedrenija/gramotny-j-podhod-k-organizatsii-tehobsluzhivaniya/
7. Безопасность труда в угольных шахтах [Электронный ресурс]. - Режим доступа: https://gidro.tech-group.pro/ pravila_bezopasnosti_shah4
8. Г Д. Межецкий. Сопротивление материалов: учебник: [для вузов по машиностроительным специальностям] -Дашков. 2010. - 429 c.
REFERENCES
1. Iskusstvennyy intellekt i avtomatizatsiya na yego osnove [Artificial intelligence and automation based on it]. Retrieved from: https://eos.ru/eos_delopr/eos_ delopr_intesting/111/30792/ [in Russian].
2. Riski v sfere osnovnoy deyatel'nosti gornodobyvayushchikh i shakhtnykh predpriyatiy [Risks in the field of main activities of mineral extracting and mine enterprises]. Retrieved from: https://mining-media.ru/ru/article/ekonomic/1469-riski-v-sfere-osnovnoj-deyatelnosti-gornodobyvayushchikh-predpriyatij [in Russian].
3. Iskusstvennyy intellekt v kontekste obespecheniya tekhnologicheskoy bezopasnosti proizvodstva [Artificial intelligence in the context of ensuring the production technological safety]. Retrieved from: https://author.nbpublish.com /lr/ article_33465.html [in Russian].
4. Samir Madhavan. (2018). Mastering Python for Data Science - Packt Publishing [in English].
5. Ustalost' metalla. Otkuda beretsya i kak s ney borot'sya [Metal fatigue. Where does it come from and how to deal with it]. Retrieved from: https://rusapr.ru/o-nas /presstsentr/ 180-ustalost-metalla-otkuda-ona- beretsya-i-kak-s-nej-borotsya [in Russian].
6. Preventivnaya diagnostika podskazhet, kogda proizoydet sboy [Predictive diagnostics tell you when a failure occurs]. Retrieved from: https://controlengrussia.com /proekty-i-vnedrenija/gramotny-j-podhod-k-organizatsii-tehobsluzhivani-ya/ [in Russian].
7. Bezopasnost' truda v ugol'nykh shakhtakh [Occupational safety in coal mines]. Retrieved from: https://gidro.tech-group.pro/pravila_bezopasnosti_shah[in Russian].
8. Mezhetsky, G.D. (2010). Soprotivleniye materialov: uchebnik: [dlya vuzov po mashinostroitel'nym spetsial'nostyam] [Strength of materials: textbook: [for universities in engineering specialties] [in Russian].
