Jerzy Świder, Dariusz Jasiulek
Monografia nr 35
Gliwice 2011, s.1-70, il., bibliogr. 81 poz.
ISBN 978-83-60708-54-5
cena egz. 35,00 zł
W monografii została opisana metoda doboru prędkości obwodowej wysięgnika w płaszczyźnie równoległej do spągu vow, w zależności od własności urabianej skały – jej wytrzymałości na jednoosiowe ściskanie Rc.
Aby osiągnąć postawione cele wykorzystano sztuczną sieć neuronową na etapie identyfikacji parametru RcSSN. Do procesu uczenia, testowania i walidacji wykorzystano dane pomiarowe, zgromadzone w trakcie badań procesu drążenia wyrobiska korytarzowego kombajnem R-130 firmy REMAG S.A. w KWK Marcel. W badaniach zostały wykorzystane trzy zbiory danych, poddane odpowiednim przekształceniom (skalowanie, uśrednianie), niezbędnym w celu budowy sztucznej sieci neuronowej. Dobierając strukturę sztucznej sieci neuronowej kierowano się możliwościami jej implementacji w rzeczywistym sterowniku PLC. Została zastosowana sieć typu perceptron wielowarstwowy MLP 5-9-5-1. Prace związane z budową, uczeniem oraz testowaniem sztucznej sieci neuronowej zostały przeprowadzone w oprogramowaniu MATLAB z modułem Neural Network Toolbox.
Kolejnym etapem prac powinno być wdrożenie oraz przetestowanie układu sterowania w warunkach rzeczywistych.
The use of an artificial neural network in the road-header control system
A method for selection of vow circumferential speed of a cutter jib in a plane parallel to the floor, depending on properties of cut rock i.e. its strength to Rc uni-axial compression, is described in the monograph. An artificial neural network was used at the stage of identification of RcSSN parameter to obtain the set objectives. Measuring data, collected during testing of roadway development with use of the R-130 roadheader, manufactured by REMAG, JSC, in the Marcel Colliery, were used for learning, testing and validation. Three sets of data, which were processed (scaling, averaging) to build the artificial neural network, were used in the research.
During network selection, possibilities of implementation of the artificial neural network in a real PLC controller were considered. The network of MLP 5-9-5-1 multi-layer perceptron type was used. Work associated with creation, learning and testing of the artificial neural network was carried out in MATLAB software with the Neural Network Toolbox module.
Implementation and testing of the control system in real conditions should be the next stage of the project.
