К вопросу диагностики технического состояния привода конусной дробилки на основе нейронных сетей

Рассмотрен механизм привода конусной дробилки, показана вероятность диагностирования технического состояния элементов привода с применением нейронных сетей при формировании базы данных Access. Проанализированы особые требования к приводу конусной дробилки. Для конусных дробилок применяют приводы с качественными эксплуатационными показателями в условиях динамических нагрузок, которые способны обеспечить плавную регулировку скоростей в широких пределах. Применение нейронной сети при диагностике и управлении работой привода КМД позволит быстро обнаружить и локализовать аварийные ситуации, устранить неполадки, которые могут возникнуть во время эксплуатации. Диагностирование с применением нейронных сетей позволит правильно определить техническое состояние механизмов и узлов. Показана возможность применения искусственных нейронных сетей применительно к решению задачи диагностики и прогнозирования работы привода КМД.

Ибраева Н. Р., Лагунова Ю. А. К вопросу диагностики технического состояния привода конусной дробилки на основе нейронных сетей // Горный информационно-аналитический бюллетень. — 2021. — № 11-1. — С. 162—170. DOI: 10.25018/0236_14 93_2021_111_0_162.

Ибраева Назира Раисқызы^1,2 — преподаватель кафедры «Технологическое оборудование, машиностроение и стандартизация», аспирант кафедры «Горные машины и комплексы»;
Лагунова Юлия Андреевна — докт. техн. наук, профессор кафедры «Горные машины и комплексы», е-mail: yu.lagunova@mail.ru;
¹ Карагандинский технический университет, Казахстан, г. Караганда, пр. Нурсултана Назарбаева, 56;
² Уральский государственный горный университет, г. Екатеринбург, Россия.

1. Лагунова Ю. А., Шестаков В. С. Имитационное моделирование при расчете параметров конусных дробилок // Информационные технологии в горном деле: тезисы докладов III научно-технической конференции. Екатеринбург: УГГГА, 1988. С. 52—53.

2. Бейсембаев К. М., Ибраева Н. Р. Нейросетевой подход к разработке, моделированию и управлению горными машинами / Разработка моделей и элементов управления технологическими машинами. IX Международная студенческая научная конференция. Студенческий научный форум — 2017. https://scienceforum.ru/2017/article/2017040082.

3. Фурин В. О., Лагунова Ю. А., Федулов К. А. Конусные дробилки ПАО «Уралмашзавод» для конкретных условий эксплуатации. Горное оборудование и электромеханика, 2018. № 1. — С. 27—33.

4. Калянов А. Е., Лагунова Ю. А., Шестаков В. С., Расчет параметров конусных дробилок для пропуска недробимого тела // Технологическое оборудование для горной и нефтегазовой промышленности: сб. докладов ХIV международной конф. «Чтения памяти В. Р. Кубачека». Екатеринбург: Изд-во УГГУ, 2016. c. 187—194.

5. Ибраева Н. Р., Малыбаев Н. С., Комиссаров А. П., Лагунова Ю. А., Шестаков В. С. Программа для ЭВМ исследование параметров рабочего процесса и движения кусков через камеру дробления конусной дробилки // Свидетельство о внесении сведений в государственный реестр прав на объекты, охраняемы авторским правом № 8055 от 10 февраля 2020 года. Вид объекта авторского права произведение науки. Дата создания объекта 19.10.2019 г. Республика Казахстан.

6. Narendra K. S., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Trans. on Neur. Net..1990.vol.1.N 1.pp. 4—27.

7. Дмитриев В. Т., Тимухин С. А., Симисинов Д. И., Карякин А. Л. Анализ энергетических параметров шахтных подъемников // Горный журнал. N 8. С. 70—72. DOI: 10.17580/gzh.2017.08.13

8. Клепиков В. Б., Сергеев С. А., Махотило К. В., Обруч И. В. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами / Электротехника, № 5, 1999. –С. 2—6.

9. Цвенгер И. Г., Низамов И. Р. Применение нейросетевых регуляторов в системах управления электроприводами / Вестник технологического университета. 2017. Т.20, №8

10. Lagunova Y. A. Bochkov V. S. Energy Component of Properties of Material Crushability Layer. (2020) Lecture Notes in Mechanical Engineering, pp. 577—584. https:// www.scopus.com DOI: 10.1007/978—3-030—22063—1_61

11. Tijmen Tieleman and Geoffrey Hinton. Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural networks for machine learning, 4(2):26—31, 2012

12. Tianqi Chen, Mu Li, Yutian Li, Min Lin, Naiyan Wang, Minjie Wang, Tianjun Xiao, Bing Xu, Chiyuan Zhang, and Zheng Zhang. Mxnet: A flexible and efficient machine learning library for heterogeneous distributed systems. NeurIPS Workshop on Machine Learning Systems, 2015.

13. Wang ZH, Tu L, Guo Z, Yang LT, Huang BX. Analysis of user behaviors by mining large network data sets[J]. Future generation computer systems. The international journal of grid computing and escience. 2014,37: 429—437.

14. Chen CY, Chiang JS, Chen KY, Liu TK, Wong CC. An Approach for Fuzzy Modeling based on Self-Organizing Feature Maps Neural Network[J]. Applied mathematics & information sciences. 2014,8(3):1207—1215