Large trucks rear suspension pressures monitoring in oil sands conditions - an artificial neural network approach

• Autorzy: Szymanski J. , Planeta S. , Apel D.

Warianty tytułu

PL

Monitorowanie ciśnień w tylnych amortyzatorach samochodów ciężarowych w kopalni piasków roponośnych - wykorzystanie sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

Proper maintenance and operation of equipment is essential to any effective mining operation. Operations at one of the largest oil sand producer rely heavily on truck and shovel methods. The latest generation of haul trucks is outfitted with sophisticated monitoring systems. CATERPILLAR trucks use VIMS, or Vital Information Management System. VIMS includes on-board truck measuring equipment and off-board VIMS software, which enables data download to a laptop. A record of real time parameters gives a detailed view of what happens to a truck as it performs various functions. The input parameters of great importance are payload, ground speed, rack and pitch values off the machine. By knowing how these values influence vehicle's rear struts pressures it is possible to assess the remaining fatigue life of the truck's frame. In recent years neural networks have been widely applied in industry. The most commonly used model is the back propagation multilayer neural network. This technique was applied for prediction of rear cylinders pressure obtained from field testing of Cat 797 (Caterpillar) truck traveling loaded with overburden from electric shovel pit to the dump.

PL

Właściwa obsługa i eksploatacja ciężkich maszyn górniczych wpływa na zwiększenie efektywności produkcji kopalni. Wielkość produkcji w jednej z największych kopalń odkrywkowych piasków roponośnych jest uzależniona od systemu urabiająco-transportowego w układzie koparka łyżkowa przedsiębierna - samochód ciężarowy. Ostatnia generacja górniczych samochodów ciężarowych jest wyposażona w sofistyczny system kontroli (VIMS), który w sposób ciągły monitoruje podstawowe funkcje operacyjne samochodu. Informatyczny system Caterpilera VIMS umożliwia przekazanie zarejestowanych danych z VIMS bezpośrednio do komputera w czasie rzeczywistym. Jednymi z najważniejszych parametrów są: ciężar transportowanej rudy, prędkość pojazdu na danym odcinku drogi, kąt skręcenia ramy, przemieszczenie samochodu w płaszczyźnie pionowej oraz wzdłużne kołysanie się samochodu. Znajomość tych parametrów pozwala na określenie trwałości zmęczeniowej ramy samochodu. W ostatnich latach sieci neuronowe znalazły powszechne zastosowanie w przemyśle. Dzięki zdolnościom adaptacji, sieci te wykorzystuje się do procesów wnioskowania na podstawie zgromadzonych danych. Analiza danych prowadzona z wykorzystaniem sieci pozwala na ustalenie np. przyczyn niepowodzeń określonych przedsięwzięć podejmowanych w przeszłości, dzięki czemu łatwiejsze jest unikanie błędów na przyszłość. Powyższa metoda została zastosowana do przewidywania ciśnień w tylnych amortyzatorach samochodu ciężarowego Cat 797 załadowanego skałą nadkładu przez elektryczną koparkę jednonaczyniową i poruszającego się kopalnianymi drogami transpotowymi do kruszarki.

Słowa kluczowe

EN

neural networks; dynamic loading; truck haulage

PL

sieci neuronowe; obciążenie dynamiczne; transport ciężarowy

• Wydawca: KGHM CUPRUM Spółka z o.o. Centrum Badawczo-Rozwojowe
• Czasopismo: Cuprum : czasopismo naukowo-techniczne górnictwa rud
• Rocznik: 2011
• Tom: nr 2
• Strony: 5--18
• Opis fizyczny: Bibliogr. 10 poz., rys., wykr.

Twórcy

autor

Szymanski J.

autor

Planeta S.

autor

Apel D.

• School of Mining and Petroleum Engineering, University of Alberta, Edmonton, Alberta, Canada

Bibliografia

• [1] Cybenko G., 1989, Approximation by superpositions of a sigmoidal functions, Math. Control Signals Systems, 2, pp. 303-314.
• [2] Hornik K., 1991, Approximation capabilities of multiplayer feedforward networks, Neural Networks, 4, pp. 251-257.
• [3] Minsky M., Pappert S., 1969, Perceptrons, MIT Press, Cambridge, MA.
• [4] Simpson P.K., 1990, Artificial Neural Systems: Foundations, Paradigms, Applications and Implementations, Pergamon Press, N. York.
• [5] Waserman P.D., 1989, Neural Computing: Theory and Practice, van Nostrand, N. York.
• [6] Hassoun M.H., 1995, Fundamentals of Artificial Neural Networks, MIT Press, Cambridge, MA.
• [7] Haykin S., 1994, Neural Networks: a Comprehensive Foundation, Macmillian College, Publ.
• [8] Jacobs R.A.,. Jordan M.I., Nowlan S.J., Hinton G.E., 1991, Adaptive mixtures of local experts, Neural Computation, 3, pp. 79-87.
• [9] Jordan M.I., Jacobs R.A., 1994, Hierarchical mixture of experts and the EM algorithm, Neural Computation, 6, pp. 181-214.
• [10]Simpson P.K., September 1992, Fuzzy Min-Max neural networks Parti: Classification, IEEE Trans, on Neural Networks, Vol 3, No. 5, pp. 776-86.