Modeling and Stabilization of Conveyor Transport Systems with Intelligent Control

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

Изучается обобщенная математическая модель управляемого ленточного конвейера с переменным углом между горизонтальной плоскостью и плоскостью ленты. Модель задается с помощью нелинейной системы четырех дифференциальных уравнений с переключениями. Учитываются линейное перемещение ленты конвейера, изменение импульса системы, осевое и линейное трение, демпфирование горизонтального положения конвейера, а также факторы плавной погрузки и мгновенной разгрузки грузов. Рассмотрены условия стабилизации описанной модели с учетом имитационных компонентов, связанных с характером режимов погрузки и разгрузки конвейерной ленты. Для управления угловым положением конвейера выполнен синтез ПИД-регулятора, нейро-ПИД регулятора и нейросетевых регуляторов рекуррентного и нерекуррентного типов. Управление линейной скоростью реализовано на основе введения скользящего режима. Представлена интерпретация вычислительных экспериментов, проведен сравнительный анализ эффективности управления для различных видов регуляторов.

参考

  1. Зюзичева Ю.Е. Модель ленточного конвейера, расположенного под углом к горизонту. Определение оптимального для переходного процесса угла наклона // Горн. информ.-анал. бюлл. 2006. №. 7. С. 212–216.
  2. Дмитриев В.Г., Вержанский А.П. Основы теории ленточных конвейеров. М.: Изд-во ≪Горная книга≫, 2017.
  3. Subba Rao D.V. The belt conveyor: a concise basic course. London, New York: CRC Press, 2020. https://doi.org/10.1201/9781003089315
  4. Zhao L., Lyn Y. Typical failure analysis and processing of belt conveyor // Procedia Engineering. 2011. V. 26. P. 942–946.
  5. Andrejiova M., Grincova A., Marasova D. Monitoring dynamic loading of conveyer belts by measuring local peak impact forces // Measurement. 2020. V. 158. P. 107690. https://doi.org/10.1016/j.measurement.2020.107690
  6. Andrejiova M., Grincova A., Marasova D. Measurement and simulation of impact wear damage to industrial conveyor belts // Wear. 2016. V. 12. P. 368–369. https://doi.org/10.1016/j.wear.2016.10.010
  7. Дмитриева В.В., Сизин П.Е. Непрерывное регулирование скорости ленточного конвейера в случае усеченной спектральной плотности грузопотока // Горн. информ.-анал. бюлл. 2020. № 2. С. 130–138.
  8. Дмитриева В.В., Авхадиев И.Ф., Сизин П.Е. Использование современных программно-технических комплексов для автоматизации конвейерных линий // Горн. информ.-анал. бюлл. 2021. № 2. С. 150–163. https://doi.org/10.25018/0236-1493-2021-2-0-150-163.
  9. Дмитриева В.В. Современные задачи автоматизации ленточного конвейерного транспорта // Горн. информ.-анал. бюлл. 2013. № 1. С. 281–286.
  10. Listova M.A., Dmitrieva V.V., Sizin P.E. Reliability of the belt conveyor bed when restoring failed roller supports // IOP Conference Series: Earth and Environmental Science. 2021. V. 942. P. 012002.
  11. Bebic M., Ristic L. Speed Controlled belt conveyors: drives and mechanical considerations // Advanc. Electr. Comput. Engin. 2018. V. 18. No. 1. P. 51–60. https://doi.org/10.4316/AECE.2018.0
  12. Kozhubaev Y.N., Semenov I.M. Belt conveyor control systems // Sci. Tech. Bull. St. Petersburg State Polytech. Univ. 2014. V. 2. No. 195. P. 181–186.
  13. Ma M.X., Gao X.X. Coal belt conveyor PID controller parameter regulation with neural network // Appl. Mech. Mater. 2013. V. 319. P. 583–589.
  14. Farouq O., Selamat H., Noor S. Intelligent modeling and control of a conveyor belt grain dryer using a simplified type 2 neuro-fuzzy controller drying // Technology. 2015. V. 33. No. 10. P. 1210–1222.
  15. Lv Y., Liu B., Liu N., Zhao M. Design of automatic speed control system of belt conveyor based on image recognition // IEEE 2020 3rd International Conference on Artificial Intelligence and Big Data (ICAIBD), Chengdu, China, 2020. P. 227–230. https://doi.org/10.1109/icaibd49809.2020.9137440
  16. Aliworom C., Uzoechi L., Olubiwe M. Design of Fuzzy Logic Tracking Controller for Industrial Conveyor System // Int. J. Engin. Trend Technol. 2018. V. 61. P. 64–71. https://doi.org/10.14445/22315381/IJETT-V61P211.
  17. Khalid H. Implementation of artificial neural network to achieve speed control and power saving of a belt conveyor system // East.-Eur. J. Enterp. Technol. 2021. V. 2. P. 44–53.
  18. Zvirblis T., Petkevicius L., Bzinkowski D., Vaitkus D., Vaitkus P., Rucki M., Kilikevicius A. Investigation of deep learning models on identification of minimum signal length for precise classification of conveyor rubber belt loads // Adfanc. Mechan. Engin. 2022. V. 14. P. 168781322211027. https://doi.org/10.1177/16878132221102776.
  19. Фуртат И.Б., Жуков Ю.А., Коротков Е.Б., Пряничников Р.А. Адаптивное нейросетевое управление универсальным мехатронным модулем космического назначения // Изв. ВУЗов. Авиационная техника. 2023. № 3. С. 41–50.
  20. Трофимов В.Б., Кулаков С.М. Интеллектуальные автоматизированные системы управления технологическими объектами. Издание 2-е, испр. М.: ИнфраИнженерия, 2020.
  21. Liberzon D. Switching in Systems and Control. Cham: Springer Science & Business Media, 2012.
  22. Li Z., Soh Y., Wen C. Switched and impulsive systems: Analysis, design and applications. Berlin: Springer, 2005.
  23. Бортаковский А.С., Урюпин И.В. Компьютерная технология синтеза оптимальных линейных переключаемых систем // Вест. комп. информ.технол. 2019. №11. С. 13–22.
  24. Александров А.Г., Паленов М.В. Cостояние и перспективы развития адаптивных ПИД-регуляторов // АиТ. 2014. № 2. С. 16–30.
  25. Поляк Б.Т., Хлебников М.В. Новые критерии настройки ПИД-регуляторов // АиТ. 2022. № 11. С. 62–82.
  26. Емельянов С.В. Теория систем с переменной структурой. М.: Наука, 1970.
  27. Geromel J.C., Colaneri P. Stability and stabilization of discrete time switched systems // Int. J. Control. 2006. V. 79. No. 7. P. 719–728. https://doi.org/10.1080/00207170600645974
  28. Каменецкий В.А. Частотные условия устойчивости дискретных систем с переключениями // АиТ. 2018. № 8. С. 3–26.
  29. Васильев С.Н., Маликов А.И. О некоторых результатах по устойчивости переключаемых и гибридных систем // Актуальные проблемы механики сплошной среды. К 20-летию ИММ КазНЦ РАН. Казань: Фолиант, 2011. Т. 1. С. 23–81.
  30. Саймон Д. Алгоритмы эволюционной оптимизации. М.: ДМК Пресс, 2020.
  31. Ahmad M.F., Mat Isa N.A., Lim W.H., Ang K.M. Differential evolution: A recent review based on state-of-the-art works // Alexandria Engin. J. 2022. V. 61. P. 3831–3872. https://doi.org/10.1016/j.aej.2021.09.013.
  32. Lee D., Seo H., Jung M.W. Neural basis of reinforcement learning and decision making // Ann. Rev. Neurosci. 2012. V. 35. No. 1. P. 287–308.
  33. Mckinney W. Python for Data Analysis, 2e: Data Wrangling with Pandas, Numpy, and Ipython. Boston: OReilly, 2017.
  34. Bezanson J., Edelman A., Karpinski S., Shah V.B. Julia: A fresh approach to numerical computing // SIAM Rev. 2017. V. 59. No. 1. P. 65–98.
  35. Kiam H.A., Chong G., Yun L. PID control system analysis, design, and technology // IEEE Transactions on Control Systems Technology. 2005. V. 13. No. 4. P. 559–576. https://doi.org/10.1109/TCST.2005.847331. S2CID 921620
  36. Bansal H., Sharma R., Ponpathirkoottam S. PID Controller Tuning Techniques: A Review // J. Control Engin. Techn. 2012. V. 2. P. 168–176.
  37. Демин И.О., Саблина Г.В. Исследование методов настройки параметров пидрегулятора // Автоматика и программная инженерия. 2020.№1 (31). С. 174–181.
  38. Шубладзе А.М., Гуляев С.В., Кузнецов С.И., Малахов В.А., Ольшванг В.Р. Обзор работы ПИ- и ПИД- регуляторов в режимах интегрального насыщения // Автоматизация в промышленности. 2008. № 8. С. 6–9.
  39. Xianmin M., Xiongxiong G. Coal belt conveyor PID controller parameter regulation with neural network // Applied Mechanics and Materials. 2013. V. 315. P. 583–589.
  40. Druzhinina O.V., Masina O.N., Petrov A.A. Modeling of the belt conveyor control system using artificial intelligence methods // J. Phys.: Conf. Ser. 2021. V. 2001. P. 012011. https://doi.org/10.1088/1742-6596/2001/1/012011
  41. Masina O.N., Druzhinina O.V., Petrov A.A. Controllers synthesis for computer research of dynamic conveyor belt model using intelligent algorithms // Lecture Notes in Networks and Systems (LNNS), Springer. 2022. V. 502. P. 462–473. https://doi.org/10.1007/978-3-031-09076-9_41
  42. Petrov A.A., Druzhinina O.V., Masina O.N. Neural network control of a belt conveyor model with a dynamic angle of elevation // Lecture Notes in Networks and Systems (LNNS), Springer. 2023. V. 724. P. 733–746. https://doi.org/10.1007/978-3-031-35314-7_61

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © The Russian Academy of Sciences, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».