Науковий вісник НГУ

Модельно-орієнтоване проєктування адаптивної системи керування конусною дробаркою

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2025

Останнє оновлення: 25 грудня 2025

Опубліковано: 30 листопада -0001

Перегляди: 750

Authors:

О. Ю. Михайленко*, orcid.org/0000-0003-2898-6652, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Д. В. Ципленков, orcid.org/0000-0002-0378-5400, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна; Дніпропетровський науково-дослідний інститут судової експертизи, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. В. Ільченко, orcid.org/0009-0004-4489-3397, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Г. В. Коломіц, orcid.org/0000-0001-9560-9959, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. С. Лазарєв, orcid.org/0009-0005-4391-0877, Криворізький національний університет, м. Кривий Ріг, Україна

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (6): 069 - 078

https://doi.org/10.33271/nvngu/2025-6/069

Abstract:

Мета. Полягала в розробці методики синтезу адаптивної системи керування процесом дроблення руди на базі методу модельно-орієнтованого проєктування для автоматизованого генерування програмного забезпечення мікропроцесорних регуляторів.

Методика. Для формування керуючих дій конусної дробарки використовувався метод керування на базі прогнозуючої блочно-орієнтованої моделі. Параметри та структура цієї моделі визначалися в реальному часі шляхом ідентифікації із використанням виміряних на об’єкті даних. Прототип системи керування створювався у MATLAB/Simulink. Далі із використанням методу модельно-орієнтованого проєктування відбувалася генерація програмного забезпечення для цифрових сигнальних процесорів. Для обробки результатів експериментів використовувалися методи математичної статистики.

Результати. Розроблено метод модельно-орієнтованого проєктування адаптивної системи керування конусною дробаркою, котра використовує прогнозуючу модель блочно-орієнтованої структури. У даній моделі здійснюється налаштування структури й параметрів прогнозуючого регулятора безпосередньо під час керування. Такий підхід дозволяє розділити функції ідентифікації моделі процесу й формування керувань між двома цифровими контролерами. У результаті скорочується середній час обчислювальних операцій при забезпеченні стабілізації ступеню однорідності дроблення руди та окремого виходу контрольного класу крупності із коефіцієнтами варіації середньоквадратичної похибки не вище 3,42 і 1,83 % відповідно.

Наукова новизна. Визначена закономірність впливу ширини розвантажувальної щілини й частоти обертання ексцентрику конусної дробарки на гранулометричний склад дробленої руди, яка показує, що шляхом одночасного регулювання цих вхідних координат забезпечується висока однорідність продукту дроблення. Запропоновано новий метод синтезу адаптивної системи керування конусною дробаркою на базі модельно-орієнтованого підходу, котрий забезпечує автоматизовану генерацію програмного забезпечення для мікропроцесорних регуляторів у режимі реального часу, що дозволяє системі оперативно підлаштовуватися під зміни характеристик гірської маси та інші збурення.

Практична значимість. Запропонована апаратно-програмна реалізація адаптивної системи керування конусною дробаркою на базі нелінійної блочно-орієнтованої моделі, що забезпечує стабілізацію необхідного гранулометричного складу руди шляхом регулювання ширини розвантажувальної щілини дробарки й частоти обертань ексцентрикового стакану. Система побудована на базі 16-ти розрядних цифрових сигнальних процесорів низької вартості. Прототип системи випробувано в умовах дробарної фабрики металургійного підприємства.

Ключові слова: конусна дробарка, адаптивна система керування, модельно-орієнтоване проєктування, реалізація

1. Cheng, J., Ren, T., Zhang, Z., Liu, D., & Jin, X. (2020). A dynamic model of inertia cone crusher using the discrete element method and multi-body dynamics coupling. Minerals, 10(10), 10. https://doi.org/10.3390/min10100862

2. Yamashita, A. S., Thivierge, A., & Euzébio, T. A. M. (2021). A review of modeling and control strategies for cone crushers in the mineral processing and quarrying industries. Minerals Engineering, 170, 107036. https://doi.org/10.1016/j.mineng.2021.107036

3. Kshirsagar, K., Shah, P., & Sekhar, R. (2022). Model based design in industrial automation. 2022 6 ^th International Conference on Computing, Communication, Control And Automation (ICCUBEA), 1-6. https://doi.org/10.1109/ICCUBEA54992.2022.10010895

4. Mykhailenko, O. (2015). Ore crushing process dynamics modeling using the Laguerre model. Eastern-European Journal of Enterprise Technologies, 4(4(76)), 30-35. https://doi.org/10.15587/1729-4061.2015.47318

5. Mykhailenko, O. (2015). Research of adaptive algorithms of Laguerre model parametrical identification at approximation of ore breaking process dynamics. Metallurgical and Mining Industry, 6, 109-117.

6. Mykhailenko, O. (2024). Modeling of cone crusher steady-state operation modes. IOP Conference Series: Earth and Environmental Science, 1415(1), 012078. https://doi.org/10.1088/1755-1315/1415/1/012078

7. Bhadani, K., Asbjörnsson, G., Schnitzer, B., Quist, J., Hansson, C., Hulthén, E., & Evertsson, M. (2021). Applied calibration and validation method of dynamic process simulation for crushing plants. Minerals, 11(9), 921. https://doi.org/10.3390/min11090921

8. Itävuo, P., & Vilkko, M. (2021). Size reduction control in cone crushers. Minerals Engineering, 173, 107202. https://doi.org/10.1016/j.mineng.2021.107202

9. Atta, K. T., Euzébio, T., Ibarra, H., Moreira, V. S., & Johansson, A. (2019). Extension, validation, and simulation of a cone crusher model. IFAC-PapersOnLine, 52(14), 1-6. https://doi.org/10.1016/j.ifacol.2019.09.154

10.      Bhadani, K., Asbjörnsson, G., Hofling, K., Hulthén, E., & Evertsson, M. (2024). Application of design of experiments (DoE) in evaluating crushing-screening performance for aggregates production. Minerals Engineering, 209, 108616. https://doi.org/10.1016/j.mineng.2024.108616

11.      Bhadani, K., Asbjörnsson, G., Hulthén, E., Hofling, K., & Evertsson, M. (2021). Application of optimization method for calibration and maintenance of power-based belt scale. Minerals, 11(4), 412. https://doi.org/10.3390/min11040412

12.      Nsugbe, E., Starr, A., Jennions, I., & Carcel, C. R. (2017). Online particle size distribution estimation of a mixture of similar sized particles with acoustic emissions. Journal of Physics: Conference Series, 885(1), 012009. https://doi.org/10.1088/1742-6596/885/1/012009

13.      Jia, N., Su, M., & Cai, X. (2019). Particle size distribution measurement based on ultrasonic attenuation spectra using burst superposed wave. Results in Physics, 13, 102273. https://doi.org/10.1016/j.rinp.2019.102273

14.      Guillard, F., Marks, B., & Einav, I. (2017). Dynamic X-ray radiography reveals particle size and shape orientation fields during granular flow. Scientific Reports, 7(1), 8155. https://doi.org/10.1038/s41598-017-08573-y

15.      Olivier, L. E., Maritz, M. G., & Craig, I. K. (2020). Estimating ore particle size distribution using a deep convolutional neural network. IFAC-PapersOnLine, 53(2), 12038-12043. https://doi.org/10.1016/j.ifacol.2020.12.740

16.      Fu, Y., & Aldrich, C. (2023). Online particle size analysis on conveyor belts with dense convolutional neural networks. Minerals Engineering, 193, 108019. https://doi.org/10.1016/j.mineng.2023.108019

17.      Krawczykowski, D. (2018). Application of a vision systems for assessment of particle size and shape for mineral crushing products. IOP Conference Series: Materials Science and Engineering, 427(1), 012013. https://doi.org/10.1088/1757-899X/427/1/012013

18.      Ma, X., Zhang, P., Man, X., & Ou, L. (2020). A new belt ore image segmentation method based on the convolutional neural network and the image-processing technology. Minerals, 10(12), 1115. https://doi.org/10.3390/min10121115

19.      Wang, R., Zhang, W., & Shao, L. (2018). Research of ore particle size detection based on image processing. In Y. Jia, J. Du, & W. Zhang (Eds.), Proceedings of 2017 Chinese Intelligent Systems Conference, (pp. 505-514). Springer. https://doi.org/10.1007/978-981-10-6499-9_48

20.      Li, H., Pan, C., Chen, Z., Wulamu, A., & Yang, A. (2020). Ore image segmentation method based on U-Net and watershed. Computers, Materials & Continua, 65(1), 563-578. https://doi.org/10.32604/cmc.2020.09806

21.      Sun, G., Huang, D., Cheng, L., Jia, J., Xiong, C., & Zhang, Y. (2022). Efficient and lightweight framework for real-time ore image segmentation based on deep learning. Minerals, 12(5), 5. https://doi.org/10.3390/min12050526

22.      Wang, C., Luo, H., Wang, J., & Groom, D. (2025). ReUNet: Efficient deep learning for precise ore segmentation in mineral processing. Computers & Geosciences, 195, 105773. https://doi.org/10.1016/j.cageo.2024.105773

23.      Xiao, D., Liu, X., Le, B. T., Ji, Z., & Sun, X. (2020). An ore image segmentation method based on RDU-Net model. Sensors, 20(17), 17. https://doi.org/10.3390/s20174979

24.      Schoukens, M., & Tiels, K. (2017). Identification of block-oriented nonlinear systems starting from linear approximations: A survey. Automatica, 85, 272-292. https://doi.org/10.1016/j.automatica.2017.06.044

25.      Tryputen, M., Kuznetsov, V., Kuznetsova, A., Tryputen, M., Kuznetsova, Y., & Serdiuk, T. (2021). Improving the Reliability of Simulating the Operation of an Induction Motor in Solving the Technical and Economic Problem. In Z. Hu, S. Petoukhov, I. Dychka, & M. He (Eds.). Advances in Computer Science for Engineering and Education III, (pp. 143-152). Springer International Publishing. https://doi.org/10.1007/978-3-030-55506-1_13

26.      Yevheniia, K., Vitaliy, K., Tryputen, M., Kuznetsova, A., Tryputen, M., & Mykola, B. (2019). Development and Verification of Dynamic Electromagnetic Model of Asynchronous Motor Operating in Terms of Poor-Quality Electric Power. 2019 IEEE International Conference on Modern Electrical and Energy Systems (MEES), 350-353. https://doi.org/10.1109/MEES.2019.8896598

27.      Kikovka, S., Tytiuk, V., & Ilchenko, O. (2017). Exploring the operational characteristics of a three-phase induction motor with multi-zone stator windings. 2017 International Conference on Modern Electrical and Energy Systems (MEES), 120-123. https://doi.org/10.1109/MEES.2017.8248867

28.      Kuznetsov, V., Tsyplenkov, D., & Nikolenko, A. (2024). Identification of induction motor parameters in vector control electric drives. European Science, 1(sge26-01), 58-103. https://doi.org/
10.30890/2709-2313.2024-26-00-006

29.      Grüne, L., & Pannek, J. (2017). Nonlinear Model Predictive Control. Springer International Publishing. https://doi.org/10.1007/978-3-319-46024-6

• < Попередня
• Наступна >