СОВЕРШЕНСТВОВАНИЕ ТЕХНОЛОГИИ ГОРНЫХ РАБОТ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ | Опубликовать статью ВАК, elibrary (НЭБ)

СОВЕРШЕНСТВОВАНИЕ ТЕХНОЛОГИИ ГОРНЫХ РАБОТ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

Научная статья

Хатухова Д.В.*

Кабардино-Балкарский государственный университет им Х. М. Бербекова, Нальчик, Россия

* Корреспондирующий автор (dkhatukhova[at]list.ru)

Аннотация

Статья посвящена проблеме корректировки режима оперативного и текущего проектирования направления развития горных работ. Решающая роль в получении достоверных данных в режиме реального времени отводится дистанционному мониторингу процесса экскавации.

Достоверность алгоритма обработки данных посекундного отображения энергетических параметров двигателей напора, подъема и поворота экскаватора проверяется средствами нейронных сетей. Кроме того, предлагается распознавать в потоке данных неполные и полные циклы экскавации, что существенно помогает увеличить точность полученных измерений.

Реализована программа обучения нейронной сети методом обратного распространения ошибки при обучении с учителем на языке программирования Си.

Предлагаемый комплексный подход позволяет формировать с минимальными затратами поток горной массы по крупности и сезонную номенклатуру выпуска продукции.

Ключевые слова: дистанционный мониторинг, алгоритм обработки данных, неполные и полные циклы экскавации, нейронная сеть.

IMPROVING MINING TECHNOLOGY VIA NEURAL NETWORKS

Research article

Khatukhova D.V.*

Kabardino-Balkarian State University, Nalchik, Russia

* Corresponding author (dkhatukhova[at]list.ru)

Abstract

The article dicusses the issue of adjusting the mode of operational and current design of the mining development trajectory. Remote monitoring of the excavation process plays a crucial role in obtaining reliable data in real-time.

The reliability of the data processing algorithm for the per-second display of the energy parameters of the drag, lift and turn engines of the excavator is checked by means of neural networks. In addition, the study proposes to recognize incomplete and complete excavation cycles in the data stream, which significantly helps increase the accuracy of the obtained measurements.

The article also describes implementing a neural network training program by the method of backward propagation of error in supervised learning in the C programming language.

The proposed integrated approach makes it possible to form a flow of rock mass by size and a seasonal product range with minimal costs.

Keywords: remote monitoring, data processing algorithm, incomplete and complete excavation cycles, neural network.

Необходимость переработки бедных и труднообогатимых месторождений в сложных технических и климатических условиях привела в последние годы к снижению эффективности и рентабельности горнорудного производства, в котором занято около 40% населения страны. Указанные проблемы могут быть решены снижением энергетических и материальных затрат на добычу и переработку сырья, что невозможно без создания специальных аппаратных средств на основе современных информационных технологий.

Существующие методики оптимизации горного производства являются весьма трудоемкими их информационное обеспечение зависит субъективного фактора. Все это требует поиска новых подходов для вскрытия новых резервов.

Перспективной областью применения инструментов теории искусственных нейронных сетей является моделирование сложных технологических процессов. В частности, при построении систем автоматизации технологических процессов возможно применение нейронных сетей в случаях, когда традиционные решения недостаточно эффективны.

Идея состоит в обеспечении (средствами нейронных сетей и дистанционного мониторинга процесса экскавации) режима корректировки оперативного и текущего проектирования направления развития горных работ обеспечивающего формирование потока горной массы по крупности для обеспечения с минимальными затратами сезонной номенклатуры выпуска продукции.

В научно-образовательном центре Автоматизации геотехнологических систем Кабардино-Балкарского государственного университета создан аппаратно-программный комплекс дистанционного мониторинга процесса экскавации, испытание которого проводилось на «Малкинском» щебеночном карьере.

Дистанционному мониторингу процесса экскавации отводится решающая роль в получении достоверных оперативных данных в режиме реального времени для корректировки текущего проектирования формирования потока горной массы по крупности для валунно-песчано-гравийных карьеров.

В результате промышленного эксперимента были созданы условия, когда значительный по объему массив данных дистанционного мониторинга, поступающий в режиме реального времени, оказался доступен для исследования. Были получены новые данные, определяющие целесообразность использования данной подсистемы на щебеночных карьерах в отсутствии буровзрывного передела, для оптимизации работы погрузочно-транспортного комплекса.

Данные в течение полугода поступали в режиме реального времени через сервер в базу данных.

Для чистоты эксперимента был разработан алгоритм обработки данных дистанционного мониторинга, исключающий из анализа неполноценные циклы экскавации. Для этого был предложен совокупный критерий отбора данных, состоящий из граничных значений времени черпания и значения тока двигателя подъема в момент разгрузки ковша экскаватора [1], [6], [7].

Требуемая достоверность данных дистанционного мониторинга для корректировки текущего проектирования направления развития горных работ и потока горной массы по крупности достигается специальной методикой отбора данных, алгоритмом, исключающим из анализа неполноценные циклы экскавации и масштабированием измеряемых данных энергетических параметров операций цикла (рис. 1.).

 

Рис. 1 – Алгоритм обработки данных дистанционного мониторинга,
исключающий из анализа неполноценные циклы экскавации:

T_ц – время цикла; К_ц – коэффициент цикла; I_р – ток подъема; К_I – коэффициент тока; T_p – время взвешивания;
К_p – коэффициент взвешивания

 

Для проверки работы и достоверности составленного алгоритма обработки данных дистанционного мониторинга, исключающий из анализа неполноценные циклы экскавации (рис 1), была создана и использована нейронная сеть, позволяющая распознавать из графиков посекундного отображения изменения энергетических параметров (двигателей подъема, напора, поворота), в процессе выполнения технологических операций экскавации, неполные циклы экскавации. Для создания модели нейронной сети были выбраны 7 полных циклов (таблица 1, рис 2) и 7 неполных (таблица 2, рис 3)

 

Таблица 1 – Полный цикл экскавации

Токи, I	1	2	3	4	5
I подъема	255,9	332,26	257,26	241,68	46,63
I напора	-5,04	4,16	1,29	-28,74	-94,57
I поворота	49,18	301,55	54,09	154,77	66,67

 

Рис. 2 – Полный цикл экскавации

 

Таблица 2 – Неполный цикл экскавации

Токи, I	1	2	3	4	5
I подъема	327,01	318,11	2,38	-88,27	67,69
I напора	21,34	-33	-27,7	39,39	-61,22
I поворота	0,39	215,29	215,59	39,39	125,6

 

Рис. 3 – Неполный цикл экскавации

 

Обучение сети базируется на правильном выборе веса связей между элементами [8], [9]. Достигается этого с помощью разных методов обучения. Избирается такой вес связей, чтобы суммарная среднеквадратичная ошибка для элементов учебной выборки была минимальной. После обучения персептрона проводится процедура тестирования, которое разрешает оценить результаты работы. Для этого учебную выборку разделяют на две части. Одна часть используется для обучения, а вторая, для которой результат известен, задействована в процессе тестирования.

Процент правильных результатов работы сети на этапе тестирования есть показателем качества работы персептрона [10], [11]. Ошибкой сети можно считать Es= ||ds- ys|| для каждого пара (xs, ds). Чаще за все для оценки качества обучения выбирают суммарную квадратичную ошибку (1):

   (1)

Реже используется средняя относительная ошибка (2):

     (2)

Ее преимущество в том, что она дает значения, которое не зависит направления ни от количества примеров в учебном множестве, ни от размерности исходного вектора, и имеет удобное для восприятие человеком значения в интервале от 0% до 100%.

Общий алгоритм решения задачи:

• определить, какой смысл вкладывается в компоненты входного вектора х; входной вектор должен содержать всю информацию, необходимую для получения ответа;
• выбрать выходной вектор у таким образом, чтобы его компоненты содержали полный ответ поставленной задачи;
• выбрать вид нелинейности в нейронах (функции активации), при этом желательно учесть специфику задачи, т.к. удачный выбор сократит время обучения;
• выбрать число слоев и нейронов в слое;
• задать диапазон изменения входов, выходов, весов и пороговых уровней, учитывая множество значений выбранной функции активации;
• присвоить начальные значения весовым коэффициентам и пороговым уровням и дополнительным параметрам (например, крутизне функции активации, если она будет настраиваться при обучении); начальные значения не должны быть большими, чтобы нейроны не оказались в насыщении (на горизонтальном участке функции активации), иначе обучение будет очень медленным; также они не должны быть и слишком малыми, чтобы выходы большей части нейронов не были равны нулю, иначе обучение также замедлится;
• провести обучение, т.е. подобрать параметры сети так, чтобы задача решалась наилучшим образом; по окончании обучения сеть готова решить задачи того типа, которым она обучена;
• подать на вход сети условия задачи в виде вектора x, рассчитать выходной вектор y, который и даст формализованное решение задачи.

Всего было рассмотрено 40 примеров данных по токам двигателей напора, подъема и поворота экскаватора, выбранных для обучения и тестирования, 14 из них для обучающей группы, остальные – для тестовой группы, на которой проверялся результат. В обеих выборках был достигнут 100 % результат распознавания.

Для распределения были выбраны следующие признаки: среднее, максимальное, минимальное, размах, медиана, стандартное отклонение. На рис. 4 приведен пример распределения между средним и максимальным, где по оси ОХ – средние значения, а по оси ОY – максимальные значения токов двигателя поворота.

Рис. 4 – Пример распределения наборов

 

Разработанная нейронная сеть – сеть прямого распространения типа персептрон, имеющая два скрытых слоя (18-10-2-1). Реализована программа обучения нейронной сети методом обратного распространения ошибки при обучении с учителем. Программа выполнена на языке программирования Си. Для реализации программы было выбрано 18 параметров.

На рис. 5 приведена сформированная и обученная нейронная сеть, которая отбрасывает неполные циклы экскавации.

Рис. 5 – Разработанная нейронная сеть

 

Таким образом, в ходе работы реализована модель искусственных нейронов, объединенных в сеть типа персептрон, сеть обучена и позволяет распознавать в потоке данных дистанционного мониторинга неполные циклы экскавации, а также уточнять зависимость, полученную численными методами, используемую для формирования потока горной массы по крупности.

Полученная модель повышает надежность отбора данных для формирования потоков горной массы по крупности валунно – песчанно – гравийных карьеров.

Разработанная и обученная нейронная сеть позволяет распознавать и отбрасывать неполные циклы экскавации, циклы не законченные погрузкой, что помогает увеличить точность полученных измерений.

Программа обучения нейронной сети может быть в дальнейшем адаптирована через распознавание полных циклов для оптимизации работы экскаватора в сложных экскаваторных забоях, а также оптимизации работы погрузочно-транспортного комплекса.

Конфликт интересов Не указан.

Conflict of Interest None declared.