Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 2

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
PL
Artykuł przedstawia propozycję narzędzi analitycznych, możliwych do opracowania z danych rejestrowanych w ramach funkcjonowania systemów automatyki przemysłowej. Narzędzia te mogą być realnym wsparciem przy próbie optymalizacji efektywności procesowej, szczególnie energetycznej. W uproszczeniu, każde dowolne urządzenie energomechaniczne zasilane jest prądem i sterowane systemem automatyki przemysłowej. Postać sygnału zwykle zależna jest od różnych trybów pracy danego urządzenia, wynikających m.in. z jego obciążenia zewnętrznego. Dostępne metody segmentacji sygnałów i metody statystyczne pozwalają zautomatyzować proces identyfikacji trybów operacyjnych, jak również rozpoznawać inne prawidłowości czy anomalne zachowania, wynikające z nieprawidłowej pracy urządzenia. Dzięki temu z prostego sygnału prądowego możemy liczyć rzeczywisty czas pracy obiektu technicznego, zużycie mediów, identyfikować tryby pracy urządzenia, rozpoznawać straty procesu, określać parametry wydajnościowe KPI oraz rozwijać procedury diagnostyczne. W artykule zaproponowano metody wielowymiarowego przetwarzania danych oraz ich zastosowanie na danych rzeczywistych z odstawy taśmowej. Opisano algorytm identyfikacji reżimów operacyjnych oparty na technikach uczenia maszynowego oraz dalsze kontekstowe analizy, wraz z różnymi wizualizacjami.
EN
This paper outlines the recommendation of analytical tools likely to be derived from the data recorded within the automation system (SCADA). The means might facilitate optimisation of process efficiency, especially in terms of energy efficiency. Basically, each electromechanical device is electrically charged and controlled by the SCADA. A kind of the signal usually depends on various operational modes of the given device which are classified by its external load. Available signal segmentation and statistical methods lead to the automatic identification of these modes and operational patterns or abnormal performances caused by poor technical condition. Therefore, simple electrical signal allows to count the real device performance time and utilities usage, to identify its operational modes, to recognise process losses, to specify KPI factors and to develop diagnostics. This paper describes multidimensional processing of conveyor stream data along with their exemplary use in real-time data. The algorithm of identifying operational regimes is characterised based on machine learning and further in-context analyses paired with visualisations.
PL
W górnictwie światowym od wielu lat obserwuje się intensywny wzrost zainteresowania eksploatatorów w zakresie rozwijania systemów monitoringu parametrów operacyjnych maszyn górniczych, szczególnie maszyn załadowczo-odstawczych. Obserwuje się również dynamiczny rozwój algorytmiki w zakresie efektywnego i wydajnego zarządzania, szczególnie w zakresie predykcyjnego utrzymania ruchu. Niestety, w dalszym ciągu w górnictwie marginalizowany jest aspekt warunków drogowych, który odgrywa znaczący wpływ na komfort i efektywność pracy operatora, jak również niezawodność maszyny, w szczególności na przeguby maszyn oraz zużycie i uszkodzenia opon. Ponadto należy podkreślić, że jest to bardzo istotny problem również z punktu widzenia utrzymania infrastruktury kopalni, w tym sieci dróg dojazdowych i odstawczych. W artykule przedstawiono zastosowanie mobilnego czujnika inercyjnego (IMU) do estymacji warunków drogowych w kopalni podziemnej. Opisano szczegółowo procedurę do klasyfikacji drgań do oceny jakości drogi. Przedstawiono prostą metodę do śledzenia trajektorii ruchu pojazdów oraz zaproponowano metodę wizualizacji wyników oceny jakości drogi. W artykule przedstawiono przykładowe wyniki, zarejestrowane przez układ pomiarowy w warunkach kopalni podziemnej. Opisano zidentyfikowane problemy oraz dalsze kierunki pracy.
EN
A significant progress in development of monitoring systems for mining machines is observed in recent years. Along with hardware solutions, some advanced data processing algorithms for effective asset management and predictive maintenance are being elaborated. Nevertheless, the problem of pavement conditions have not been thoroughly discussed in the literature yet. It has significant effect on mining staff work conditions and performance, along with machines reliability, particularly the reliability of tires and construction nodes. Finally, road quality condition is a very important challenge from the point of view of mining infrastructure maintenance, including the maintenance of haulage and access roads. In this article usage of a portable inertial measurement unit (IMU) for the estimation of pavements conditions in the underground mine is discussed. The comprehensive descriptions of the road quality classification and bump detection procedures are included. Some basic methods of motion tra-jectory estimation of vehicles are indicated, while some methods of visualization of these results are proposed. The sample results obtained in in the deep underground mine using the inertial measurements unit are discussed.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.