Modern methods control and diagnostics of hoisting-machines with application of artificial intelligence methods

• Autorzy: Oleksy A. , Szymański Z.

Warianty tytułu

PL

Nowoczesne metody sterowania i diagnostyki maszyn wyciągowych z wykorzystaniem metod sztucznej inteligencji

• Języki publikacji: EN

Abstrakty

EN

The paper present's an analysis of the possibility an application of chosen artificial intelligence methods in control, automatics and diagnostics systems of hoisting-machines The analysis is limited to: fuzzy logic control, genetic algorithms, and modern neural networks II and III generation methods. These methods assure realization of complicated algorithms a control of hoisting - machine with assurance of energy-saving operating conditions, monitoring of exploitive parameters, and predictive diagnostics of technical state a hoisting -machine, reducing a number of damage states. In paper present's an idea of control system and diagnostics of machine basing on method: fuzzy- logic neuro system of the control circuit (fuzzy logic control in neural networks). In the paper present's a chosen of control algorithms, and results of computer simulations of chosen mathematical models of hoisting -machine.

PL

Eksploatacja maszyn transportu poziomego i pionowego stosowanych w podziemnych zakładach górniczych wymaga spełnienia warunków: energooszczędności, niezawodności oraz bezpieczeństwa pracy. W napędach górniczych wyraźną poprawę wskaźników energetycznych i ekonomicznych uzyskuje się przez: zastosowanie nowoczesnych zasilaczy przekształtnikowych sterowanych układami mikroprocesorowymi, sterowanie optymalne pracą górniczej maszyny transportowej, zastosowanie metod sztucznej inteligencji w obwodach sterowania i diagnostyki. Wprowadzenie do obwodów siłowych maszyn wyciągowych zasilaczy przekształtnikowych zapewnia budowę płynną i ekonomiczną regulację parametrów zasilania silnika napędowego. Układy zasilania są sterowane z inteligentnych sterowników wyposażonych w regulatory ACN (artificial control network). W zależności od stopnia automatyzacji stosowane są różne systemy sterowania: sterowanie rozmyte, systemy sieci neuronowych, algorytmy genetyczne. Zastosowanie techniki cyfrowej (cyfrowe regulatory jazdy, czujniki i przetworniki cyfrowe) zapewni sterowanie pracą maszyny wyciągowej w czasie rzeczywistym, przy bieżącej kontroli parametrów eksploatacyjnych. Komputery przemysłowe zapewniają monitoring oraz diagnostykę pracy maszyny wyciągowej, co umożliwi wcześniejsze wykrywanie stanów awaryjnych i zwiększy bezpieczeństwo pracy. Nowoczesne algorytmy sterowania, uwzględniające obowiązujące przepisy górnicze, umożliwią automatyczne, suboptymalne sterowanie pracą maszyn wyciągowych (skipowych i klatkowych). W referacie przedstawiono analizę celowości wprowadzania napędów energooszczędnych do układów maszyn wyciągowych, potrzebę zastosowania metod sztucznej inteligencji w układach sterowania i diagnostyki, wybrane algorytmy i kryteria sterowania energooszczędnego, oraz koncepcję układu sterowania i diagnostyki maszyny bazującej na metodzie: fuzzy-logic neuro net control system (sterowanie rozmyte w sieciach neuronowych). Przedstawiono wybrane algorytmy sterowania oraz wyniki obliczeń komputerowych wybranych stanu pracy maszyny wyciągowej.

Słowa kluczowe

EN

hoisting machine; artificial intelligence; fuzzy logic control; neural net

PL

maszyna wyciągowa; sztuczna inteligencja; sterowanie rozmyte; sieci neuronowe

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2010
• Tom: Vol. 55, no 1
• Strony: 217--231
• Opis fizyczny: Bibliogr. 13 poz., rys., wykr.

Twórcy

autor

Oleksy A.

autor

Szymański Z.

• Instytut Techniki Górniczej KOMAG, ul. Pszczyńska 37, 44-100 Gliwice, Poland

Bibliografia

• Dubois D., Guastavino C., 2007. Cognitive evaluation of sound quality: Bridging the gap between acoustic measurements and meanings, Proceedings of 19th International Congress on Acoustics – ICA07, September 2-8 2007, Madrid, Spain.
• Driankov D., Helledoom H., Reinfrank M., 1996. Wprowadzenie do sterowania rozmytego, WNT Warszawa.
• Glinka T., 2000. Badania diagnostyczne maszyn elektrycznych. Wydawnictwo Komel, Katowice.
• Głowacz Z., Zdrojewski A., 2006. Spectral analysis of DC motor signals supplied with DC source, Przegląd Elektrotechniczny; 82, nr 11, 76-79.
• Golden R.M., 1996. Mathematical Methods for Neural Network analysis and Design, MIT Press.
• Kowalski C.T., 2006. Application of artificial intelligence in diagnostic of induction motor, Przegląd Elektrotechniczny; 82, nr 11, 53-58.
• Pasko M., Walczak J., 2007. Signal theorie, Edition of Politechniki Śląskiej.
• Szklarski L., Jaracz K., 1987. Selection of the control system of electric driver a miting machine operating dunder stochastic disturbance for the stand pointof energy losses. Archives of Mines Sciences, vol. 37, iss. 4 p. 568.
• Szklarski L., Zarudzki J., 2000. Hosting machine. PWN Warszawa.
• Szymański Z., 2003. Application of artificial intelligence in hoisting machine control systems. KOMTECH’2003, Szczyrk, listopad 2003.
• Tadeusiewicz R., 1993. Neural systems, Akademicka Oficyna Wydawnicza, Warszawa.
• Żurada J.M., 1992. Introduction to Artificial Neural Systems, PWS Publishing Company.
• Yoshii K., Goto M., Okuno H.G., 2007. Drum Sound Recognition for Polyphonic Audio Signals by Adaptation and Matching of Spectrogram Templates With Harmonic Structure Suppression, IEEE Transactions on Audio, Speech, and Language Processing, Vol. 15, No. 1, January 2007, 333-345.