Идентификация режимов функционирования одноковшовых экскаваторов

• Автор: Бобин, Игорь Сергеевич
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Екатеринбург
• Количество страниц: 187 с. : ил

Введение
Актуальной задачей для горных предприятий является задача дальнейшего повышения объма добычи полезных ископаемых. Одним из путей решения этой важной задачи является повышение требований к горному оборудованию, в частности, совершенствование систем управления и контроля одноковшовых экскаваторов. Как следствие, вс большее распространение получают информационные и информационнодиагностические системы одноковшовых экскаваторов, основное назначение которых получение, обработка, сохранение и передача информации о функционировании основных систем экскаватора и действиях машиниста.
Эффективное выполнение указанных функций информационных и диагностических систем невозможно без наличия инструментов анализа технологического состояния экскаватора. Такими инструментами являются системы идентификации распознавания технологического состояния экскаватора, результаты функционирования которых позволяют принимать решения о выполнении соответствующих функций измерения, управления, контроля, диагностирования или прогноза.
Известен подход, согласно которому технологическое состояние экскаватора соответствует выполняемым им технологическим операциям. При этом наибольший интерес для практики представляет задача идентификации технологических состояний экскаватора по технологическим составляющим его рабочего цикла черпание, транспортировка гружного ковша в забой, разгрузка ковша, перемещение порожнего ковша в забой, остановка.
Указанный подход позволяет представить технологические операции, выполняемые экскаватором, как вполне определнные образы его текущего технологического состояния, идентификация которых

может осуществляться на основе развитой математической теории распознавания.

Актуальность

Практическая ценность такого подхода целиком зависит от способности распознавать непроизводительные элементы и их взаимосвязи обычно, логические или математические операции . К недостаткам структурного метода следует отнести 1 необходимость осуществления малоэффективной процедуры грамматического разбора, предусматривающей проведение полного перебора признаков 2 отсутствие строгой математической теории 9, . Логические методы распознавания 8, 9, , , основаны на дискретном анализе и базирующихся на нем исчислении высказываний, где классы и признаки объектов рассматриваются как логические переменные. В этом случае, все априорные сведения о классах и их признаках представляются в форме некоторых булевых соотношений 9, . Общий метод решения булевых уравнений основан на вычислении изображающих чисел неизвестных 9. Как указывается в 9, логические алгоритмы распознавания в ряде случаев не позволяют получить однозначное решение о принадлежности распознаваемого объекта к классу. Но даже в тех случаях, когда такое решение удатся найти, невозможно получить в аналитическом виде оценку достоверности распознавания через параметры распознающей системы, что делает необходимым использования метода МонтеКарло 8, . К недостаткам логическим методов распознавания, согласно , можно отнести их ориентацию на использование априорных знаний, в ущерб процедуре обучения. Основанием для применения логических методов, согласно 9 является наличие одного из следующих моментов 1 отсутствуют сведения о количественном распределении объектов по пространственным, весовым, энергетическим или иным интервалам в соответствующем пространстве признаков, а имеются лишь детерминированные логические связи между рассматриваемыми объектами и их признаками 2 известны распределения объектов в пространстве признаков, законы распределения ошибок измерения величин, характеризующих отдельные объекты, но логические зависимости, связывающие признаки и классы объектов, сложны и не поддаются непосредственному анализу. Статистические вероятностные методы распознавания 3, 5, 9, , , основаны на теории статистических решений. Статистический подход к распознаванию предполагает, что описаниями классов распознаваемых объектов являются условные плотности распределения вероятностей значений их признаков, а также априорные вероятности появления объектов данных классов 8, 9. Применение данной группы методов распознавания оправдано в тех случаях, когда известны или могут быть определены вероятностные характеристики классов, например соответствующие функции распределения 9, . При полной исходной информации эти характеристики могут быть использованы непосредственно. При неполной исходной информации эти результаты могут быть использованы лишь путм реализации процедуры обучения или самообучения 8. Принятие решения сводится к выбору гипотезы в соответствии с некоторым критерием качества. В статистической теории распознавания основными критериями принятия решения являются критерии 8,9, Байеса, максимума апостериорной вероятности, НейманаПирсона, минимаксный, Вальда, максимального правдоподобия. Каждый из приведенных критериев представляет собой самостоятельный статистический метод алгоритм распознавания. Выбор критерия принятия решения решающего правила зависит от того, какая информация об распознаваемых объектах доступна. Наиболее общим решающим правилом является критерий Байеса. Критерий Байеса. Р

вели . Р2 П п Рг

где . Для определения порога принятия решения в данном случае необходимо знать априорные вероятности классов и матрицу потерь. Рк1 вероятность принятия решения о принадлежности контрольной выборки классу 3, когда в действительности он принадлежит классу в. Применение критерия Байеса особенно целесообразно в том случае, когда система распознавания многократно осуществляет распознавание неизвестных объектов или явлений в условиях неизменного признакового пространства, стабильного описания классов и неизменной платжной матрицы 9,,. Минимаксный критерий. Когда априорные вероятности появления объектов соответствующих классов неизвестны, минимизировать средний риск принятия решений на основе байесовской стратегии невозможно.