авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 5 | 6 || 8 |

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Сибирская ...»

-- [ Страница 7 ] --

tразв – время разворота машины;

tпер – время переключения передач при одном развороте;

tп/о – время tдоп подъема/опускания рыхлительного оборудования;

– дополнительное время.

С площади экспериментального участка, предназначенного для рыхления, бульдозером предварительно был убран снежный покров.

Затем рыхлитель параллельными резами разрабатывал грунт на постоянной глубине 0,7 м. При этом производилось рыхление продольными резами на всю полосу рыхления. Расстояние между продольными резами составляло 0,8 м. Технологическая схема перемещения рыхлителя приведена на рис. 9.23.

Анализ хронометража показывает, что рыхлитель, работавший с модернизированным наконечником, выполнял работу равномерно на всем протяжении длины разработки грунта. Время на разработку 100 м борозды для рыхлителя с модернизированным наконечником составляло в среднем 2 мин 30 с, а для рыхлителя с немодернизированным наконечником, оно было равно в среднем 2 мин 45 с. Остальные составляющие времени цикла работы рыхлителей были одинаковы:

- время разворота – 5 с;

- время переключения передач при одном развороте – 8 с;

- время подъема/опускания рыхлительного оборудования – 3 с.

Рис. 9.23. Технологическая схема разработки грунта рыхлителем Таким образом, суммарное время на разработку грунта рыхлителем с немодернизированным наконечником составило 65 мин. Суммарное время на разработку грунта рыхлителем с модернизированным наконечником – 58 мин.

Разница во времени указывает на снижение удельных энергозатрат на единицу объема разработки грунта. Удельная энергоемкость снизилась на 8 – 10 %.

9.5. Конструктивные изменения наконечника повышенной эффективности для разработки мерзлых грунтов и его испытания 9.5.1. Обоснование выбора материала для защиты (армирования) передней поверхности наконечника В процессе изнашивания наконечник зуба рыхлителя меняет свою геометрическую форму, что негативно отражается на процессе разрушения мерзлого грунта. Для сохранения оптимальных, или близких к ним, параметров наконечника лобовую поверхность наконечника необходимо защищать от изнашивания износостойкими элементами (резцами) на расстоянии до 100 мм от режущей кромки наконечника. Данные резцы принципиально должны иметь большую износостойкость, чем материал тела наконечника, что позволяет, вследствие неравномерного изнашивания, всегда находиться над поверхностью тела наконечника и расклинивать мерзлый грунт.

В качестве материла для защиты передней поверхности наконечника рассмотрим инструментальную высокоуглеродистую сталь У7, доступную с точки зрения ее стоимости.

Проведенные исследования по оценке износостойкости стали У7 и материала наконечника фирмы «Komatsu» через возможность предельного погружения частицы, как основного регулятора износа по двум предельным состояниям: из условия контактной прочности и из условия прочности частицы на сжатие, показали что сталь У имеет большую износостойкость, чем материал наконечника фирмы «Komatsu», а соответственно, отвечает требованиям необходимой износостойкости.

9.5.2. Обоснование схемы расстановки армирующих элементов и их формы Схема расстановки износостойких элементов (резцов) по лобовой поверхности наконечника должна предусматривать защиту зон микрорезания и пластического оттеснения. Кроме того, схема расстановки износостойких элементов должна обеспечивать перераспределение величины суммарной нагрузки рыхления для обеспечения максимальной разрыхляемости мерзлого грунта. Это позволит обеспечить большее отношение нормальной составляющей к тангенциальной. Соответственно снижается величина внедрения частиц грунта в тело наконечника, так как частицы грунта начинают перекатываться по поверхности наконечника между резцами.

Резцы в ряду расставляются исходя из принципа получения крупного скола, т. е. по схеме блокированного резания (рис. 9.24).

В соответствии со схемой расстояние между соседними резцами шаг Т1 определяется исходя из оптимальных параметров резца и режима рыхления:

Т1 2 B а 2hотр m a, (9.18) где hотр – высота зоны отрыва, характеризующая величину элементов разрушения;

а – расстояние, требуемое для прохода резцов второго ряда.

( 1) Т1 2bm опт max a. (9.19) m Рис. 9.24. Схема расстановки резцов в ряду с учетом получения резания крупным сколом Разрыв между сколами а может быть принят равным ширине b, тогда опт (max 1) Т1 b ( 2 m 1). (9.20) m Анализ величины шага Т1 показывает, что его величина существенно зависит от ширины резца b, отношения h b опт и показателя хрупкости m. Так? в диапазоне показателя хрупкости от до 4 для одной и той же ширины резания шаг Т1 изменяется в более чем 17 раз.

9.5.3. Определение геометрических параметров износостойких резцов Резцы воспринимают большие нагрузки при рыхлении грунта и должны быть рассчитаны на прочностные характеристики из условия прочности на сжатие и срез [13]. Диаметр цилиндрических резцов составляет 6…8 мм, высота 15 мм. Резцы устанавливаются в тело наконечника на глубину 10 мм. На рис. 9.25 представлена конструкция данного наконечника.

Рис. 9.25. Наконечник повышенной эффективности Резцы вставляются в гнезда нагретого до 960о С наконечника (температура нормализации) с охлаждением на воздухе, после чего наконечник приобретает несколько большую твердость (НВ = 500).

Проведенные исследования наконечника, имеющего данную конструкцию (рис. 9.26), дали следующие результаты.

Полный износ (выбраковка), определяемый по общему весовому износу, составил 68 часов, что на 30 % больше, чем для наконечника без армирования (48 часов работы).

Рис. 9.26. Общий вид экспериментального наконечника рабочего органа рыхлителя Вследствие большей износостойкости материала резцов они изнашиваются медленнее, чем материал самого наконечника, в резуль тате чего имеем, борозды между рядами резцов. Следовательно, в процессе работы резцы всегда выступают над поверхностью и первыми контактируют с грунтом, что в конечном результате уменьшает износ базового металла наконечника.

9.5.4. Исследование влияния конструктивных изменений наконечника повышенной эффективности на параметры рыхления Как было установлено, изменение конструкции наконечника влечет за собой изменение параметров рыхления, распределения сил на наконечнике, а соответственно и ресурса наконечника. Для определения влияния изменения конструкции наконечника на основные параметры рыхления воспользуемся методикой применяемой выше, с той лишь разницей, что резцы выступают в виде площадок затупления.

Коэффициент, учитывающий величину затупления экспериментального наконечника по сравнению с типовым будет равен:

- для неизношенного 1,1;

- для изношенного 1,45.

Изменение общего сопротивления и его составляющих от времени работы наконечника представлено на рис 9.27.

Рис. 9.27. Зависимость общего сопротивления рыхлению и его составляющих от времени работы рабочего органа рыхлителя: 1 – Роб экспериментального наконечника;

2 – Роб типового наконечника;

3 – Рг экспериментального наконечника;

4 – Рг типового наконечника;

5 – Рв экспериментального наконечника;

6 – Рв типового наконечник Изменение площади разрушения от температуры грунта и времени работы наконечника представлено на рис. 9.28.

Рис. 9.28. Площадь разрушения:

1,2 – для типового нового и изношенного наконечников соответственно, 3, 4 – для экспериментального нового и изношенного наконечников соответственно (мелкозернистый песок, = 16…17%) Изменение энергоемкости от времени работы наконечника представлено на рис. 9.29.

Рис. 9.29. Зависимость энергоемкости рыхления от времени работы наконечника: 1 – типового;

2 –экспериментального (для мерзлого мелкозернистого песка;

t = 14… 20С, = 16…17%) Ниже приведена табл. 9.3 для определения характеристик работы экспериментального наконечника.

Таблица 9. Определения характеристик работы экспериментального наконечника Степень Величина Экспериментальный наконечник износа опт (2m 1) Fобщ b 2 опт ( max 1) 1b 2 b 2 ( опт Новый ) Площадь m разрушения опт (2m 1) Fобщ Изношенный Fобщ b 2 опт ( max 1) '1b 2 b 2 ( опт ) m Роб 0 b 2 (0,12m Новый 0,04), Сопротивление ' рыхлению Роб Роб 0 b 2 (0,12 m 1 0,04).

Изношенный Рг 0,758Роб, Новый Составляющие Рв 0,652 Роб сопротивления Рг 0,814 Роб, рыхлению Роб Изношенный Рв 0,57 Роб 0 (0,12 m 0,04) Новый Эp Энергоемкость 2m ' Эоб 0 ( 0,12 m 0,04) Изношенный Эp 2m Изменение массы наконечника от времени работы представлено на рис. 9.30.

Рис. 9.30. Изменение массы наконечника зуба рыхлителя «Komatsu D 355»: 1 – типовой (выбраковка 48 час), 2 –экспериментальный (выбраковка 68 час) Зависимость удельной энергоемкости рыхления от температуры мерзлого грунта представлена на рис. 9.31.

°С Рис. 9.31. Экспериментальная зависимость энергоемкости рыхления от температуры мерзлого грунта:

1 – для нового (типового) наконечника;

2 – для типового изношенного наконечника;

3 – для нового (экспериментального) наконечника;

4 – для изношенного (экспериментального) наконечника (для мерзлого мелкозернистого песка;

= 16…17%) Из полученных экспериментальных и теоретических зависимостей видно, что наработка экспериментального наконечника до выбраковки составила 68 часов, что на 41 % больше типового;

общее сопротивление рыхлению экспериментальным наконечником в начальный период работы на 5 % больше, чем при использовании типового наконечника, при наработке 20 часов значения сравниваются, а в момент выбраковки (наработка 68 часов) на 3 % меньше, чем для типового наконечника (наработка 48 часов);

энергоемкость рыхления экспериментальным наконечником на 17…22 % ниже;

рост энергоемкости в процессе износа наконечников составил 16 % и 8 % для типового и экспериментального наконечника соответственно. Полученные данные говорят об эффективности применения экспериментального наконечника.

9.5.5. Экономическая эффективность использования наконечника Повышение срока работы наконечника в результате конструктивных, технологических изменений экономически целесообразно и выгодно.

В табл. 9.4 приведены данные по сроку работы типового наконечника Komatsu и экспериментального.

Таблица 9. Сроки работы различного вида наконечников до выбраковки Т эксп № Наработка до выбраковки,,% Вид наконечника п/п Тн, час Т тип 1 Типовой стандартный 48* – 2 Армированный 68 Стоимость изготовления экспериментального наконечника зависит от стоимости материалов, заработной платы персонала и др.:

Сэксп С1 С2 С3... Сn, (9.21) где С1 – себестоимость токарных работ, С1 = 450 руб./час;

С2 – себестоимость кузнечных работ, С2 = 700 руб./час;

С3 – стоимость износостойкого элемента, С3 = 60 руб./шт.;

Стип – стоимость типового наконечника, Стип = 3000 руб./шт.

Сэксп 450 0,5 700 0,3 60 16 3000 4395 руб.

Экономический эффект:

Tтип С nтип Стип Tэксп С nэксп С эксп, (9.22) где Tтип V / П тип, Tэксп V / П эксп – время, необходимое для выполнения производственной программы при использовании типовых и экспериментальных наконечников соответственно, Птип, Пэксп – производительность наконечников;

nтип, nэксп – количество наконечников, nтип Т тип / 48, nэксп Т эксп / 68 ;

С – стоимость 1 часа работы рыхлителя «Komatsu D-355», Стип, Сэксп – себестоимость наконечников соответственно.

79 2500 1,7 3000 48 2500 0,7 4395 79500 руб.

9.6. Методика мониторинга функционального состояния дорожного асфальтобетонного покрытия с целью назначения обоснованных сроков и видов ремонтных работ Методика мониторинга функционального состояния дорожного асфальтобетонного покрытия дает возможность вычислять значения модуля упругости и плотности материала дорожного асфальтобетонного покрытия в любой момент времени:

t E i 2 i g h k T,V C mi t dt, (9.23) t q q tt m rt e r где r e dt. (9.24) i t Построение зависимостей осуществлялось с использованием лицензионного программного пакета Mathcad (version 12.0).

Расчет производили на срок службы – 9 лет. На рис. 9.32 – 9.35:

линия 1 – зависимость Ei=Ei(t);

линия 2 – зависимость Сmi= Сmi(t);

линия 3 – зависимость i=i(t).

Анализ характера зависимостей, представленных на рис. 9.32 – 9.35, и сопоставление их с экспериментальными данными и визуальными наблюдениями позволил сделать следующее заключение: время начала выполнения ремонтных работ дорожного асфальтобетонного покрытия определяется моментом потери квазилинейности графиками функции удельной теплоемкости от времени эксплуатации покрытия.

На рис. 9.32 это время соответствует 4 годам;

на рис. 9.33 – 4, годам;

на рис. 9.34 – 4 годам;

на рис. 9.35 – 3,5 годам. Примерно это же время соответствует началу интенсивного снижения модуля упругости E = E(t), предельное значение которого, соответствующее требуемому значению модуля по нормативным документам [237 – 239], на рис. 9.32 – 9.35 обозначено прямой пунктирной линией.

Указанный момент времени (начало выполнения ремонтных работ) характеризуется, согласно графикам на рис. 9.36 – 9.39, дефицитом свободной энергии F, ее отрицательным приращением.

В процессе эксплуатации дорожного асфальтобетонного покрытия внутренняя энергия и энтропия его материала возрастают, в частности величина внутренней энергии постоянно увеличивается, вследствие кумуляции диссипативной энергии от контакта с колесами автомобилей. В то же время свободная энергия, играющая компенсационную роль в различных деформационных процессах при эксплуатации дорожного покрытия, уменьшается.

Введем коэффициент дефицита свободной энергии k деф как отношение модуля приращения свободной энергии в данный момент времени к максимальному значению этого приращения за весь период эксплуатации (рис. 9.32).

F. (9.25) k деф Fmax Рис. 9.32. Зависимости от времени эксплуатации покрытия (крупнозернистый пористый асфальтобетон марки II, категория дороги I-Б, интенсивность движения 7-10 тыс. авт./сутки): 1 – модуль упругости E;

2 – удельной теплоемкости Cm;

3 – плотности Рис. 9.33. Зависимости от времени эксплуатации покрытия (мелкозернистый плотный асфальтобетон типа А, марки I, категория дороги I-Б, интенсивность движения 15-20 тыс. авт./сутки): 1 – модуля упругости E;

2 – удельной теплоемкости Cm;

3 – плотности Рис. 9.34. Зависимости от времени эксплуатации покрытия (мелкозернистый плотный асфальтобетон типа Б, марки I, категория дороги I-А, интенсивность движения 20 тыс. авт./сутки): 1 – модуля упругости E;

2 – удельной теплоемкости Cm;

3 – плотности Рис. 9.35. Зависимости от времени эксплуатации покрытия (мелкозернистый плотный асфальтобетон типа Б, марки I, категория дороги II, интенсивность движения 5-7 тыс. авт./сутки):

1 – модуля упругости E;

2 – удельной теплоемкости Cm;

3 – плотности Рис. 9.36. Зависимости изменения внутренней U (1), свободной энергии F (2) и энтропии S (3) от времени эксплуатации покрытия (крупнозернистый пористый асфальтобетон марки II, категория дороги I-Б, интенсивность движения 7-10 тыс. авт./сутки Рис. 9.37. Зависимости изменения внутренней U (1), свободной энергии F (2) и энтропии S (3) от времени эксплуатации покрытия (мелкозернистый плотный асфальтобетон типа А, марки I, категория дороги I-Б, интенсивность движения 15-20 тыс. авт./сутки) Рис. 9.38. Зависимости изменения внутренней U (1), свободной энергии F (2) и энтропии S (3) от времени эксплуатации покрытия (мелкозернистый плотный асфальтобетон типа Б, марки I, категория дороги I-А, интенсивность движения 20 тыс. авт./сутки) Рис. 9.39. Зависимости изменения внутренней U (1), свободной энергии F (2) и энтропии S (3) от времени эксплуатации покрытия (мелкозернистый плотный асфальтобетон типа Б, марки I, категория дороги II, интенсивность движения 5-7 тыс. авт./сутки) Введенный коэффициент дефицита свободной энергии будем рассматривать как нормативный критерий, определяющий срок производства ремонтных работ. Иначе говоря, момент времени, в который текущее значение k деф t становится больше нормативного значения.

Нормативное значение коэффициента дефицита свободной энергии k н в свою очередь соответствует моменту нарушения деф квазилинейности графиков удельной теплоемкости (см. рис. 9.32 – 9.35), с этого момента зависимости становятся нелинейными, и определяет начало ремонтных работ, то есть k деф t k н. (9.26) деф Таким образом, анализ построенной имитационной модели термодинамических изменений материала дорожного асфальтобетонного покрытия в течение его жизненного цикла, позволяет разработать методику определения функционального состояния дорожного асфальтобетонного покрытия с целью назначения обоснованный сроков и видов ремонтных работ.

Рис. 9.40. Зависимость коэффициента дефицита свободной энергии kдеф от времени эксплуатации покрытия. Рассмотрены случаи 1, 2, 3 и 4, соответствующие данным рис. 9.36, 9.37, 9.38 и 9.39.

Для линий 1 и 2 рассчитаны значения нормативного коэффициента дефицита, равного соответственно k н = 6,4 и k н = 3, деф деф Данная методика заключается в следующем:

1) по завершению этапа строительства дорожного асфальтобетонного покрытия определяются значения всех термодинамических функций, а также величина удельной теплоемкости материала покрытия, эти значения вносятся в эксплуатационный паспорт автомобильной дороги;

2) осуществляется аналитический мониторинг процесса эксплуатации дорожного асфальтобетонного покрытия (имитация термодинамических и физико-механических процессов при эксплуатации) с учетом категории дороги, типа асфальтобетона, интенсивности и грузонапряженности движения. При этом определяются в режиме реального времени значения следующих величин:

– коэффициент пластичности;

– модуль упругости;

– плотность;

– удельная теплоемкость;

– вариации термодинамических функций: энтропии, внутренней и свободной энергии, энергии Гиббса, которая определяется как G F EV ;

(9.27) 3) при выполнении неравенства (9.26) необходимо назначать ремонтные работы (средний ремонт);

решение данного неравенства позволяет определять время начала этих работ;

нормативное значение коэффициента дефицита свободной энергии определено в пределах числовых значений от 3 до 6, в зависимости от условий эксплуатации дорожного покрытия и типа асфальтобетона;

например, коэффициент дефицита свободной энергии для асфальтобетона типа А и первой категории принимает значение близкое к левой границе, для пористого асфальтобетона и второй категории дороги – к правой границе;

4) в случае каких-либо изменений в режиме эксплуатации автомобильной дороги вносятся соответствующие коррективы в имитационную модель, в результате чего изменяются и рекомендуемые сроки начала ремонтных работ.

Покажем на примерах как работает предложенная методика.

Пример. Рассмотрим строительство дорожного асфальтобетонного покрытия из мелкозернистого плотного асфальтобетона типа A, марки I.

Автомобильная дорога первой категории с начальной интенсивностью движения 16 тыс. авт./сутки. По завершению этапа строительства определили начальные значения: толщина слоя h = 0,08 м;

удельная теплоемкость материала покрытия Сm=970 Дж/(кг0С) при 200С;

плотность асфальтобетона = 2450 кг/м3;

значение объема V = 1 м3.

Нормативное значение коэффициента дефицита равно 3,5.

Расчетные данные сведены в табл. 9.5.

Таблица 9. Прираще- E,, Сm, S, U, F, G, кг/м3 Дж/(кг0 Дж/0С ние МПа Дж Дж Дж величин С) 1-й год 1 3906 2550 960 - 99,89 -500 1498 4-й год 2,91 2792 2400 1076 1048 5247 -15720 - В результате расчета получили, что значение коэффициента дефицита свободной энергии после четвертого года эксплуатации покрытия равно 3,744 и превышает нормативное значение. Таким образом, делаем вывод: средний ремонт должен проводиться после 4-го года эксплуатации данного покрытия.

Рассмотрим строительство дорожного Пример.

асфальтобетонного покрытия из мелкозернистого пористого асфальтобетона. Автомобильная дорога второй категории с начальной интенсивностью движения 5 тыс. авт./сутки. По завершению этапа строительства определили начальные значения: толщина слоя h = 0. м;

удельная теплоемкость материала покрытия Сm = 1035 Дж/(кг°С) при 20° С;

плотность асфальтобетона = 2350 кг/м3;

значение объема V=1 м3. Нормативное значение коэффициента дефицита равно 5,5.

Используя расчетные данные, составляем табл. 9.6.

Таблица 9. Прира- E,, Сm, S, U, F, Дж G, Дж кг/м3 Дж/ щение МПа Дж/°С Дж величи (кг°С) н 1-й год 1 2664 2350 1020 -140,85 -705 2112 5-й год 2,874 1429 2250 1214 1649 8254 -24730 - Значение коэффициента дефицита после пятого года эксплуатации покрытия равно 5,617 и превышает нормативное значение. Делаем вывод: средний ремонт должен проводиться после 5-го года эксплуатации данного покрытия.

Глава 10. АДАПТИВНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ РАБОЧИХ ПРОЦЕССОВ ДОРОЖНЫХ И СТРОИТЕЛЬНЫХ МАШИН 10.1. Нейросетевая модель рабочего процесса бульдозера Разработка новых эффективных методов управления технологическими процессами связана с решением проблем идентификации и моделирования технических объектов. Часто создание модели процесса затруднено из-за неполноты информации о структуре и параметрах объекта управления, а также неконтролируемых изменений динамических характеристик объекта.

К таким процессам относятся рабочие процессы землеройно транспортных машин. При проектировании адаптивных систем управления рабочими процессами ключевым вопросом остается идентификация машин как объектов управления. Во время управления модель объекта должна подстраиваться в реальном времени под изменяющиеся внешние условия, обучаясь на измеряемых параметрах рабочего процесса.

Развитие методов интеллектуального управления сложными нелинейными динамическими системами и применение нейросетевых технологий для решения проблем идентификации позволяют расширить класс автоматизируемых технологических процессов [2].

Как правило, нейросетевая модель объекта управления представляет собой динамическую двухслойную сеть. Скрытый слой нейронов с нелинейными функциями активации предназначен для аппроксимации нелинейных зависимостей между входом и выходом объекта, выходной слой нейронов – для экстраполяции выходного сигнала [2, 82]. Однако моделирование динамического объекта одной двухслойной нейронной сетью не всегда оправдано. При большом количестве учитываемых параметров процесса возрастает количество задержанных входов нейронной сети и количество нейронов в скрытом слое. Это приводит к трудностям при обучении сети.

Поэтому при разработке нейросетевых моделей процессов целесообразно строить модели элементов рабочих процессов с раздельным обучением и их каскадным соединением в единую модель.

В настоящей работе предложена нейросетевая модель рабочего процесса бульдозера, состоящая из двух каскадно-соединенных двухслойных динамических рекуррентных нейронных сетей. Для адаптивного обучения и верификации модели использованы экспериментально измеренные параметры рабочего процесса бульдозера на базе трактора Т-130М. Алгоритм нейросетевой идентификации основан на рекуррентном методе наименьших квадратов [140] и методе динамического обратного распространения ошибки моделирования [341, 346].

Для моделирования рабочего процесса использованы экспериментально измеренные сигналы, зависящие от времени t :

заглубление отвала l t, сила сопротивления копанию грунта P t и действительная скорость машины vt. Частота дискретизации сигналов составляет 20 Гц. Заглубление отвала l t влияет на толщину вырезаемой стружки грунта и на сцепной вес трактора. Выделены две основные зависимости между параметрами рабочего процесса:

зависимость силы сопротивления копанию P t от заглубления отвала l t, а также зависимость скорости бульдозера vt от силы P t и заглубления отвала l t.

Оператор машины или автоматическое устройство управления с помощью гидравлики поднимает или заглубляет в грунт бульдозерный отвал. Входным управляющим воздействием на рабочий процесс является заглубление отвала l t, от которого зависит нагрузочный режим работы машины. Выходным показателем рабочего процесса является тяговая мощность машины N t P t vt. (10.1) Нейросетевая модель, структура которой представлена на рис. 10.1, состоит из двух нейронный сетей: сеть 1 моделирует зависимость силы P t от заглубления отвала l t, а сеть 2 – зависимость скорости vt от силы P t и заглубления отвала l t.

Заглубление Тяговая Обучение сети отвала мощность Обучение сети l(t) P(t) моделир. N(t) P(t) Нейронная сеть 1 v(t) Нейронная сеть обучение Ошибка e (t) l(t) P + Ошибка e (t) моделирования v + моделирования Сила сопротив- P(t) Заглубление ления копанию Cкорость v(t) отвала Рис. 10.1. Структура нейросетевой модели рабочего процесса Модель функционирует в двух режимах, переключение между которыми обозначено ключевым элементом на рис. 10.1. В режиме обучения модели на входы нейронных сетей подаются экспериментально измеренные сигналы l t и P t, для обучения сети 2 используется сигнал vt. В режиме моделирования и прогнозирования на вход модели подается сигнал l t, на вход сети поступает выходной сигнал сети 1, т.е. моделируемое значение силы Pt. Выходом модели является моделируемое значение тяговой мощности бульдозера N t.

Каждая из нейронных сетей 1 и 2 представляет собой нелинейную модель авторегрессии с внешними входами, в частности, динамическую рекуррентную двухслойную нейронную сеть.

Размерность нейронных сетей определена с помощью цифровой статистической обработки экспериментальных сигналов согласно методике [218]. Нейронная сеть 1 (рис. 10.2) обучается на экспериментальных сигналах l t и P t. Ошибка обучения eP t нейронной сети 1 используется в каждый момент времени для коррекции весов и смещений нейронной сети.

Линии Массивы весов задержки 1 слой (50 нейронов) и смещений сигналов p l(t) IW1, TDL Заглубление [0:19] отвала n1 a + f1(.)=tanh(.) 2, a LW1, TDL Функции активации [1:20] (гиперболический b1 тангенс) Измеренная сила 2 слой (1 нейрон) Массивы весов сопротивления P(t) и смещений P(t) eP(t) n2 a + + f2(n2)=n LW2, Выходной сигнал Ошибка Функция нейронной сети 1 активации b (линейная) Рис. 10.2. Структура нейронной сети Для обучения нейронной сети 2 (рис. 10.3) используются экспериментально измеренные сигналы P t, l t и vt.

Рассогласование ev t между измеренным и моделируемым значениями скорости vt учитывается при коррекции весов и смещений нейронной сети 2.

Линии Массивы весов задержки 3 слой (50 нейронов) и смещений сигналов p P(t) IW3, TDL Cила cопротивления [0:9] p l(t) IW3, TDL Заглубление отвала [0:9] n3 a + f3(.)=tanh(.) a4, LW3, TDL Функции активации [1:10] (гиперболический b3 тангенс) Измеренная 4 слой (1 нейрон) Массивы весов cкорость v(t) и смещений v(t) ev(t) n4 a + + f4(n4)=n LW4, Выходной сигнал Ошибка Функция нейронной сети 1 активации b (линейная) Рис. 10.3. Структура нейронной сети Для идентификации модели объекта в реальном времени к алгоритму обучения нейросетевой модели предъявляются высокие требования по точности и быстродействию [231]. Обучение нейросетевой модели на экспериментальных данных представляет собой вычислительную процедуру определения весов и смещений нейронной сети с целью минимизации ошибки обучения. Поскольку условия протекания рабочего процесса бульдозера быстро изменяются, модель должна подстраиваться под динамику рабочего процесса на каждом шаге по времени t. В настоящей работе применен алгоритм адаптивного обучения нейросетевой модели, основанный на рекуррентном методе наименьших квадратов [140, 197, 355].

Обозначим векторы настраиваемых параметров, содержащие веса и смещения нейронной сети 1, X 1 b1;

b 2 ;

IW 1,1;

LW 1,2 ;

LW 2,1 ;

(10.2) для нейронной сети X 2 b3 ;

b 4 ;

IW 3,1;

IW 3,2 ;

LW 3,4 ;

LW 4,3. (10.3) Критерий оптимальной настройки нейросети 1, т.е. текущую ошибку обучения, обозначим F 1 X 1 eP t Pt a 2 t 0 ;

(10.4) критерий обучения нейронной сети F 2 X 2 ev t vt a 4 t 0. (10.5) На рис. 10.4 представлена схема алгоритма адаптивного обучения нейронной сети 1 (аналогично выполняется обучение нейронной сети 2). В процессе обучения нейронная сеть накапливает информацию о динамике рабочего процесса, причем новые тенденции развития процесса превалируют над более ранними. Степень важности предыдущей информации о динамике процесса учитывается с помощью параметра забывания [140, 197, 355]. Выбрано значение параметра забывания = 0,9999, при котором алгоритм быстро реагирует на изменение свойств объекта и мало чувствителен к помехам, присутствующим в данных.

При коррекции параметров модели учитывается значение градиента критерия обучения сети в каждый момент времени.

Градиент критерия содержит частные производные ошибки по настраиваемым параметрам нейросетевой модели:

F F 1 F 1 F 1 F 1 F. (10.6) F ;

2;

;

;

1 2, 1 1,1 1, X b b IW LW LW Градиент выходного сигнала нейросетевой модели является антиградиентом критерия обучения сети:

a a X (10.7) 2 2 2 2 a a a a a F 1.

1;

2 ;

;

;

2, 1,1 1, b b IW LW LW Пуск X1(0) = 0;

P(0) = I;

= 0,9999 - параметр забывания t = 1:tfin Расчет выходных сигналов сети n1(t),a1(t),n2(t),a2(t) и ошибки eP (t) Расчет антиградиента критерия обучения нейросети: a2(t) Расчет матрицы ковариации P(t) вектора параметров нейросети Коррекция вектора весов и смещений X1(t) Останов Рис. 10.4. Схема алгоритма обучения нейронной сети Вычисление частных производных (10.7) выполняется с учетом обратной связи в составе нейросети согласно алгоритму динамического обратного распространения ошибки Forward Perturbation [341, 346].

На каждом шаге по времени корректируется вектор весовых коэффициентов и смещений сети в соответствии с рекуррентным выражением X 1 t X 1 t 1 Pt 1 a 2 eP t. (10.8) Используемая в алгоритме матрица ковариации вектора параметров нейросети Pt Pt Pt 1 a 2 (10.9).

T T Pt 1 a 2 a 2 Pt a Программная реализация нейросетевой модели и алгоритма обучения выполнена в среде MATLAB [204].

Входной сигнал модели, использованный для обучения, моделирования и верификации, представлен на рис. 10.5. Адаптивное обучение модели остановлено в момент времени t = 9,5 c. При полученных в этот момент времени значениях параметров нейросетевой модели X 1 и X 2 выполнено моделирование силы сопротивления копанию и скорости машины (рис. 10.6), а также построен прогноз на 0,5 с вперед.

0, 0, l, м 0, 0, 0 1 2 3 4 5 6 7 8 9 t, с Рис. 10.5. Заглубление бульдозерного отвала Выход обученной нейронной сети 1 P(t) P, кН Эксперимент P(t) Выход нейронной сети в процессе адаптивного обучения 0 1 2 3 4 5 6 7 8 9 t, с Выход нейронной сети Эксперимент в процессе адаптивного обучения v(t) 1, v, м/с 0, Выход обученной v(t) нейроной сети 0 1 2 3 4 5 6 7 8 9 t, с Рис. 10.6. Моделирование силы сопротивления копанию и скорости машины Выход модели N(t) N, кВт N(t) Эксперимент 0 1 2 3 4 5 6 7 8 9 t, с Рис. 10.7. Моделирование тяговой мощности бульдозера На рис. 10.7 представлен выход нейросетевой модели – тяговой мощности бульдозера. При моделировании и прогнозировании выход нейронной сети близок к экспериментальным данным только на временном интервале 7–10 с, что говорит о быстро изменяющихся условиях рабочего процесса и необходимости адаптации модели в реальном времени. Оценена точность прогнозирования тяговой мощности N t, средняя относительная ошибка составляет 14,7 % на интервале от 7 до 10 с.

Идентификация рабочего процесса бульдозера, основанная на рекуррентном алгоритме обучения каскадной нейронной сети, позволяет моделировать и прогнозировать динамику рабочего процесса в условиях неполной информации о характеристиках машины и среды [219]. Алгоритм адаптивного обучения совмещает возможность реализации в реальном времени, быстродействие рекуррентного метода наименьших квадратов, а также точность вычисления градиента ошибки обучения методом Forward Perturbation, что улучшает сходимость алгоритма. Методика нейросетевой идентификации предназначена для разработки нейросетевых адаптивных систем управления рабочими процессами и повышения эффективности строительных машин.

10.2. Нейросетевая модель тягового режима автогрейдера Поддержание максимального математического ожидания и минимизация дисперсии тяговой мощности землеройно транспортных машин (ЗТМ) является одной из важнейших задач управления их тяговыми режимами. Применение искусственных нейронных сетей в устройствах управления позволяет создавать адаптивные системы управления рабочими процессами ЗТМ [220]. В настоящей работе предложена адаптивная система управления рабочим органом автогрейдера, предназначенная для поддержания максимального значения тяговой мощности.

Моделирование процесса адаптивного управления тяговой мощностью осуществляется согласно схеме на рис. 10.8.

Управляющее устройство (УУ) состоит из нейросетевой модели рабочего процесса, предназначенной для учета информации о динамике рабочего процесса ЗТМ, и нейросетевого регулятора, предназначенного для формирования управляющего сигнала включения пропорциональных гидрораспределителей с электрическим управлением c. При c 0 производится заглубление рабочего органа ЗТМ, при c 0 – подъем. От заглубления зависит сила сопротивления перемещению машины P t, влияющая на действительную скорость ЗТМ vt.

Имитационная модель рабочего процесса автогрейдера (объект управления) N(t) c(t) P(t) Формирование x Формирование сопротивлений скорости v(t) на отвале УУ ev + + P(t) ep eN eN ec(t) Pз(t) P(t) v(t) N(t) З НСР НСМ1 НСМ + x + c(t) ev eN Nз(t) eN ep Рис. 10.8. Структура модели системы управления Выходы объекта управления (ОУ), представляющего собой имитационную модель рабочего процесса автогрейдера, – это сила сопротивления P t, скорость vt и тяговая мощность N t (10.1).

Нейросетевая модель рабочего процесса ЗТМ в составе УУ состоит из двух нейронных сетей. Нейросетевая модель 1 (НСМ1) воспроизводит зависимость между сигналом включения гидрораспределителей c 1;

1 и силой сопротивления P t.

Обучение НСМ1 выполняется методом обратного распространения ошибки e p моделирования силы сопротивления. Нейросетевая модель 2 (НСМ2) имитирует зависимость действительной скорости vt от силы P t и обучается методом обратного распространения ошибки ev моделирования скорости vt. Разделение нейросетевой модели ОУ на две каскадно-соединенных сети НСМ1 и НСМ позволяет уменьшить размерность модели, сократить вычислительные затраты и время формирования управляющего воздействия.

Задатчик (З) формирует заданное значение силы сопротивления Pз t. Значение Pз t 55 кН выбрано в результате имитационного моделирования рабочего процесса среднего автогрейдера, т.к. при этом значении силы сопротивления тяговая мощность приближается к максимальному уровню N 80 кВт. Задатчик также формирует заданное максимальное значение тяговой мощности N з 80 кВт. Это необходимо для такой настройки нейросетевого регулятора, чтобы автоматически поддерживалось максимальное значение тяговой мощности N, а не заданное значение силы Pз t. Рассогласование между действительным и заданным значениями силы сопротивления ec поступает на вход регулятора НСР. Pз t выбрано таким образом, чтобы во время рабочего процесса на вход регулятора поступали как положительные, так и отрицательные значения ошибки ec. Выход нейросетевой модели, т.е. оценка тяговой мощности N t, сравнивается с заданным уровнем N з 80 кВт, и оценка ошибки управления тяговой мощностью e N используется для адаптивной настройки параметров регулятора.

ec(t) 2 слой нейронов НСР p 1 слой нейронов IW1, TDL с(t) a n1 n a + + f1(.)=tanh(.) f2(.)=tanh(.) LW2, a2 a2,2 LW1, TDL 1 b b НСМ a4,2 4 слой нейронов 3 слой нейронов LW3, TDL a2 P(t) a n3 n a + + f3(.)=tanh(.) LW4,3 f4(n4)=n a4 a4,4 LW3, TDL 1 b b 6 слой нейронов НСМ a6,4 5 слой нейронов LW5, TDL a4 v(t) a n5 n a + + f5(.)=tanh(.) LW6,5 f6(n6)=n a6 a6,6 LW5, TDL 1 b b Рис. 10.9. Нейросетевая структура управляющего устройства Нейросетевая структура УУ показана на рис. 10.9. Размерность скрытых слоев сети: 1, 3 и 5 слои содержат 42, 56 и 55 нейронов соответственно. Длина линий задержки сигналов TDL – от 12 до 17.

Частота дискретизации сигналов по времени 10 Гц. Векторы параметров НСР, НСМ1 и НСМ2 обозначим:

X 1 b1;

b 2;

IW 1,1;

LW 1,2 ;

LW 2,1 ;

(10.10) b ;

b ;

LW X2 3 4 3, ;

LW 3,4 ;

LW 4,3 ;

(10.11) b ;

b ;

LW.

X3 56 5, ;

LW 5,6;

LW 6,5 (10.12) Алгоритм коррекции параметров (весовых коэффициентов и смещений) нейросетевого регулятора и нейросетевой модели основан на рекуррентном методе наименьших квадратов в сочетании с методом динамического обратного распространения ошибки [221]. В настоящей работе предложен метод вычисления градиента ошибки управления, имеющий целью поиск и поддержание максимального значения тяговой мощности.

При моделировании тяговой мощности в УУ (рис. 10.9) оценка текущего значения тяговой мощности составляет N t a 6 t a 4 t.

(10.13) Целью управления в каждый момент времени является уменьшение абсолютного значения критерия управления – оценки ошибки управления тяговой мощностью e N t N з t a 6 t a 4 t 0.

(10.14) Градиент ошибки управления по настраиваемым весам и смещениям НСР:

a 6 t 4 a 4 t eN t a t a t. (10.15) X1 X1 X Частные производные критерия (10.14) по весам и смещениям (10.10) вычисляются с помощью алгоритма обратного динамического распространения ошибки Forward Perturbation [140]. Первый этап алгоритма – вычисление внешних производных сигналов без учета обратных связей.

Для 6-го слоя нейронной сети:

e a 6 t e a 6 t e a 6 t 6,6 6, S 6,6 a 5 t.

1;

;

(10.16) S S n 6 t b6 LW 6, Для 5-го слоя:

;

(10.17) ea6 t e a 6 t e a 6 t f 5 n 6,5 6,6 5, ;

S LW S diag a5 t 5 5 n t a t n e a6 t e a 6 t e a6 t 6,4 5,6 5, S 5,6 a 6,6 t ;

(10.18) a t ;

;

S S b5 LW 5,4 LW 5, e a 6 t e a 6 t 5,6 5,4 5,6 5, 6,4 S LW ;

6,6 S LW. (10.19) a t a t Для 4-го слоя:

e e a 4 t e a 4 t 4,4 a t 4, S 4,4 a 3 t. (10.20) 1;

S ;

S n 4 t b4 LW 4, Для 3-го слоя:

;

(10.21) e a 4 t ea4 t ea4 t f 3 n 4, 4,3 3, ;

S LW S diag a 3 t n3 t a3 t n e a 4 t e a 4 t ea 4 t 4,2 3,4 3, S 3,4 a 4,4 t ;

(10.22) a t ;

;

S S 3 3, LW 3, b LW e a 4 t e a 4 t 3,4 3,2 3,4 3, 4,2 S LW ;

4,4 S LW. (10.23) a t a t Для 2-го слоя:

e a 2 t f 2 n 2, ;

(10.24) S diag n 2 t n e a 2 t e 2,2 a t S 2,2 a1 t.

S ;

(10.25) b2 LW 2, Для 1-го слоя:

;

e a 2 t ea 2 t ea 2 t f 1 n 2,1 2,2 1, ;

S (10.26) LW S diag 1 1 1 a t n t a t n e a 2 t e a 2 t e a 2 t 2, 1,2 1, S 1,2 p1 t ;

a t ;

;

(10.27) S S 1 1,2 1, b LW IW e a 2 t 1,2 1, 2,2 S LW. (10.28) a t Второй этап алгоритма обратного динамического распространения ошибки – вычисление динамических производных сигналов с учетом обратных связей в структуре нейронной сети.

Для выходных сигналов 6-го слоя получим динамические производные, используемые для обучения НСМ2:

a 6 t e a 6 t e a 6 t a 6,6 t ;

(10.29) 6, 6 6 a t b b b e a 6 t e a 6 t a 6,6 t a 6 t ;

(10.30) 6, 6,5 6,5 6, a t LW LW LW a 6 t e a 6 t e a 6 t a 6,6 t ;

(10.31) 6, 5 5 a t b b b e a 6 t e a 6 t a 6,6 t a 6 t ;

(10.32) 6, 5,6 5,6 5, a t LW LW LW e a 6 t e a 6 t a 6,6 t a 6 t. (10.33) 6, 5,4 5,4 5, a t LW LW LW Динамические частные производные выходных сигналов 4 слоя, используемые для обучения НСМ1:

e a 4 t e a 4 t a 4,4 t a 4 t ;

(10.34) 4, 4 4 a t b b b e a 4 t e a 4 t a 4,4 t a 4 t ;

(10.35) 4, 4,3 4,3 4, a t LW LW LW a 4 t e a 4 t e a 4 t a 4,4 t ;

(10.36) 4, 3 3 a t b b b e a 4 t e a 4 t a 4,4 t a 4 t ;

(10.37) 4, 3,4 3,4 3, a t LW LW LW e a 4 t e a 4 t a 4,4 t a 4 t. (10.38) 4, 3,2 3,2 3, a t LW LW LW Динамические производные выходных сигналов 6 слоя, используемые для настройки регулятора (НСР):

a 6 t e a 6 t a 6,4 t e a 6 t a 6,6 t ;

(10.39) 6,4 6, b2 b2 b a t a t e a 6 t a 6,4 t e a 6 t a 6,6 t a 6 t ;

(10.40) 6,4 6, 2,1 2,1 2, a t LW a t LW LW a 6 t e a 6 t a 6,4 t e a 6 t a 6,6 t ;

(10.41) 6,4 6, 1 1 a t a t b b b e a 6 t a 6,4 t e a 6 t a 6,6 t a 6 t ;

(10.42) LW 1,2 a 6,4 t LW 1,2 a 6,6 t LW 1, e a 6 t a 6,4 t e a 6 t a 6,6 t a 6 t.(10.43) IW 1,1 a 6,4 t IW 1,1 a 6,6 t IW 1, Динамические производные выходных сигналов 4-го слоя, используемые для настройки регулятора:

a 4 t e a 4 t a 4,2 t e a 4 t a 4,4 t ;

(10.44) 4,2 4, b2 b2 b a t a t e a 4 t a 4,2 t e a 4 t a 4,4 t a 4 t ;

(10.45) 4,2 2, t LW 2,1 a 4,4 t LW 2, LW a e a 4 t a 4,2 t e a 4 t a 4,4 t a 4 t ;

(10.46) 4,2 4, 1 1 a t a t b b b e a 4 t a 4,2 t e a 4 t a 4,4 t a 4 t ;

(10.47) 4,2 4, 1,2 1,2 1, a t LW a t LW LW e a 4 t a 4,2 t e a 4 t a 4,4 t a 4 t. (10.48) 4,2 4, 1,1 1,1 1, a t IW a t IW IW Динамические производные выходных сигналов 2-го слоя, используемые для адаптивной настройки НСР:

e a 2 t e a 2 t a 2,2 t a 2 t ;

(10.49) 2, b2 b2 b a t e a 2 t e a 2 t a 2,2 t a 2 t ;

(10.50) LW 2,1 LW 2,1 a 2,2 t LW 2, e a 2 t e a 2 t a 2,2 t a 2 t ;

(10.51) 2, 1 1 a t b b b e a 2 t e a 2 t a 2,2 t a 2 t ;

(10.52) LW 1,2 LW 1,2 a 2,2 t LW 1, a 2 t e a 2 t e a 2 t a 2,2 t. (10.53) IW 1,1 IW 1,1 a 2,2 t IW 1, Для коррекции параметров нейронной сети реализован алгоритм адаптивного обучения НСМ1, НСМ2 и НСР, основанный на рекуррентном методе наименьших квадратов (РМНК) [341]. На каждом шаге по времени t корректируются векторы весовых коэффициентов и смещений сети X 1 t, X 2 t и X 3 t в соответствии с рекуррентными выражениями e N t X 1 t X 1 t t Pc t t e N t ;

(10.54) X eP t X 2 t X 2 t t Pm 2 t t eP t ;

(10.55) X ev t X 3 t X 3 t t Pm3 t t ev t, (10.56) X где t – интервал дискретизации сигналов по времени.

Используемая в РМНК матрица ковариации вектора X 1 t параметров НСР:

T e N t e N t Pc t Pc t t Pc t t c X1 X (10.57) T eN t e N t Pc t t Pc t t c.

X1 X Матрицы ковариации Pm2 t и Pm3 t векторов X 2 t и X 3 t параметров нейросетевых моделей НСМ1 и НСМ T eP t eP t Pm2 t Pm2 t t Pm2 t t m X2 X (10.58) T eP t eP t Pm2 t t Pm2 t t m ;

2 X X T ev t ev t Pm3 t Pm3 t t Pm3 t t m X3 X (10.59) T ev t ev t Pm3 t t Pm3 t t m.

X X Степень важности предыдущей информации о динамике процесса учитывается с помощью параметра забывания m, скорость адаптации регулятора зависит от параметра c [140]. Начальные значения параметров нейронной сети X 1 0, X 2 0 и X 3 выбираются случайным образом при инициализации слоев сети, начальные значения ковариационных матриц Pm2 0, Pm3 0 и Pc равны единичным матрицам.

Результаты моделирования в среде MATLAB [204] процесса управления тяговой мощностью показаны на рис. 10.10–10.12.

Выполнено сравнение показателей рабочего процесса автогрейдера при использовании традиционного пропорционального регулирования и при использовании нейросетевого управляющего устройства [222].

0,8 П-регулятор 0,6 (ручная настройка) Адаптивный 0, НСР (самонастройка) 0, c -0, -0, -0, -0, - 0 1 2 3 4 5 6 7 8 9 t, c Рис. 10.10. Управляющий сигнал 62 П-регулятор (ручная настройка) Адаптивный НСР (самонастройка) P, кН 46 0 1 2 3 4 5 6 7 8 9 t, c Рис. 10.11. Сила сопротивления движению машины П-регулятор (ручная настройка) 78 Адаптивный НСР (самонастройка) N, кВт 0 1 2 3 4 5 6 7 8 9 t, с Рис. 10.12. Тяговая мощность В процессе поддержания максимального значения тяговой мощности математическое ожидание силы сопротивления возросло до M P 56,03 кН, среднеквадратическое отклонение составило P 3,09 кН по сравнению с P 3,22 кН для П-регулятора (сравнение выполнено при наилучшей ручной настройке коэффициента усиления П-регулятора). Математическое ожидание тяговой мощности составляет при адаптивном управлении M N 78 кВт, при использовании П-регулятора – M N 77,55 кВт.

Среднеквадратическое отклонение тяговой мощности при адаптивном управлении снизилось на 20% с величины N 1,703 кВт до N 1,355 кВт. Таким образом, по критерию тяговой мощности адаптивная нейросетевая система управления имеет более высокое качество управления. Кроме того, преимуществом адаптивной системы является самонастройка регулятора при изменяющихся условиях рабочего процесса. Более полное использование тяговых возможностей машины позволяет увеличить объем перемещаемого грунта в единицу времени и повысить производительность автогрейдера.

10.3. Адаптивная нейро-нечеткая модель рабочего процесса стрелового крана В математическом моделировании рабочих процессов строительных машин важнейшими направлениями являются моделирование динамики процессов с целью их автоматизации, а также имитационное моделирование рабочих процессов для повышения эффективности машин за счет предварительного планирования их работы. Универсальность стрелового самоходного подъемного крана и многообразие условий его работы порождают проблему поиска эффективных алгоритмов обработки информации о показателях рабочего процесса с целью его автоматизации. При автоматизации и планировании рабочего процесса стрелового крана необходимо учитывать управляющие воздействия, формируемые человеком-оператором. Оператор, выбирая траекторию перемещения груза, на основе своего опыта работы воспринимает и контролирует множество трудноизмеримых факторов, таких как раскачка груза, запаздывание привода, скорость приближения стрелы и груза к опасной зоне, близость к препятствиям и деформация стрелы крана.

Традиционный подход к автоматизации крана предполагает разработку математической модели динамики рабочего процесса на основе априорной информации о конструкции механизмов крана.

Сложность крана как объекта управления, а также изменение его технических характеристик в процессе эксплуатации затрудняют создание адекватной модели и синтез системы управления.

В рамках альтернативного подхода экспериментально полученная информация о показателях рабочего процесса и действиях оператора крана может быть использована для построения интеллектуальных систем управления, например, на основе математического аппарата нечеткой логики и нейронных сетей.

Предпосылкой автоматизации современных кранов является наличие датчиков и бортовых компьютеров для контроля показателей рабочего процесса, а также электронного управления гидроприводом механизмов крана. Для стреловых самоходных кранов, ввиду сложности рабочего процесса, задача автоматизации до сих пор не решена. Необходима формализация описания действий оператора крана, направленная на разработку алгоритма функционирования систем автоматического управления краном.

В настоящей работе предлагается адаптивная математическая модель функционирования системы управления стреловым краном в режиме перемещения груза. Модель основана на обработке экспериментальной информации. Алгоритм автоматического выбора рациональных скоростей исполнительных механизмов крана основан на математическом аппарате нейро-нечетких сетей. Этот алгоритм может быть использован при разработке программного обеспечения управляющего устройства.

Для создания адаптивной нейро-нечеткой модели рабочего процесса крана имеются следующие предпосылки.

Мещеряковым В. А. и Денисовым И. В. получена экспериментальная информация о показателях рабочего процесса и действиях оператора крана LIEBHERR LTM 1090/2. На основе анализа экспериментальной информации была предложена модель системы программного управления лебедкой грузового каната, механизмом подъема опускания стрелы и механизмом поворота крана в плане [82]. Такая система функционирует на основе набора правил «если–то», имитирующих действия человека-оператора.

На практике управляющие воздействия оператора на механизмы крана различаются для разных рабочих циклов даже на однотипных операциях. Поэтому экспериментальная информация о разных циклах может быть обобщена с помощью математического аппарата нечеткой логики. В работе [83] предложен алгоритм функционирования системы нечеткого управления рабочим процессом стрелового крана, основанный на анализе экспериментально измеренных показателей рабочего процесса и действий человека-оператора, представлены результаты моделирования системы управления, а также выполнено сравнение системы нечеткого управления и системы автоматического программного управления краном. Параметры функций принадлежности в системах нечеткого логического вывода, влияющие на скорости механизмов крана, заданы при предварительной настройке систем.

Алгоритм выбора скоростей механизмов крана при автоматическом управлении должен быть адаптирован к меняющимся условиям рабочего процесса подобно тому, как человек-оператор меняет характер ручного управления, приспосабливая его к новым условиям. Для того, чтобы система управления могла обучаться на информации о действиях оператора и показателях рабочего процесса, в настоящей работе предлагается подход к управлению лебедкой крана на основе ANFIS – адаптивной системы нейро-нечеткого вывода (Adaptive Network-based Fuzzy Inference System) [224]. Такой подход позволяет автоматически настраивать скорости механизмов крана в зависимости от положения груза, обобщая информацию о нескольких рабочих циклах;

управляющее устройство имитирует действия человека-оператора. Моделирование процессов управления выполнено в среде MATLAB с пакетом расширения Fuzzy Logic Toolbox [330, 354].


Система управления рабочим процессом формирует воздействия на механизмы крана (грузовую лебедку, гидроцилиндр подъема стрелы и механизм поворота крана), изменяя длину каната L, угол наклона стрелы и угол поворота платформы крана в плане. От угла наклона при неизменной длине стрелы зависит вылет стрелы A. Целью управления является перемещение груза из начального x0 ;

y0 ;

z0, положения с декартовыми координатами характеризующегося начальными значениями показателей L0 ;

A0 ;

0, в конечное положение с координатами xg ;

yg ;

z g, Lg ;

Ag ;

g.

которым соответствуют требуемые значения Управляющее устройство на каждом шаге по времени формирует управляющие воздействия в виде линейной скорости каната vk, угловой скорости наклона стрелы v и угловой скорости поворота крана в плане v. Управляющие воздействия формируются на основе информации о рассогласовании между заданным и текущим положениями груза по высоте e z, вылету e A и углу поворота в плане e, а также между начальным и текущим положением груза по высоте ez0 :

ez z g z ;

(10.60) e A Ag A ;

(10.61) e g ;

(10.62) ez0 z0 z. (10.63) Управляющее устройство содержит три системы нечеткого вывода – для управления лебедкой, вылетом стрелы и поворотом крана.

Система нечеткого логического вывода для управления лебедкой представлена в виде нейро-нечеткой пятислойной сети прямого распространения сигнала (рис. 10.13).

Сеть реализует систему нечеткого вывода типа Сугено нулевого порядка, имеет две входные лингвистические переменные (вход сети input) EZ и EF. Это величины рассогласования между заданным и текущим положениями груза по высоте и по углу поворота крана в плане. Выход сети (output) – лингвистическая переменная VK, т.е.

скорость каната.

Рис. 10.13. Реализация адаптивной нейро-нечеткой сети в MATLAB Для лингвистической оценки входной переменной EZ используется семь термов, для переменной EF – один терм (с прямым и инверсным выходом для сокращения количества термов). В качестве терм-множества первой лингвистической переменной EZ используется множество TEZ {«допустимое», «положительное малое», «отрицательное малое», «положительное среднее», «отрицательное среднее», «положительное большое», «отрицательное большое»}. Это множество записывается в символическом виде как TEZ {EZD, EZP4, EZN4, EZP3, EZN3, EZP2, EZN2}. Функции принадлежности показаны на рис. 10.14, а.

В качестве терма второй лингвистической переменной EF используется терм «малое», в символическом виде EF3 (рис. 10.14, б).

Слой нейронной сети inputmf содержит семь узлов для входной переменной EZ и один узел для переменной EF. Каждому узлу соответствует свой терм функции принадлежности (рис. 10.13).

Рис. 10.14. Функции принадлежности термов:

а входной переменной EZ;

б входной переменной EF Терм-множество выходной лингвистической переменной VK составляет множество значений скорости каната TVK vkj, j 1,... (табл. 10.1). Слой нейронной сети outputmf содержит восемь узлов для этих функций принадлежности (рис. 10.13).

Таблица 10. Функции принадлежности выходной переменной VK Терм Обозначение в таблице правил Значение скорости каната, м/с VKN3 -0, vk VKP3 0, vk VKN4 -0, vk VKP4 0, vk VKN5 -0, vk VKP5 0, vk zero2 vk zero1 vk Функции принадлежности (рис. 10.14, табл. 10.1) настроены в соответствии с информацией об одном из рабочих циклов [83].

Система нечеткого вывода содержит восемь правил, каждому из которых соответствует узел в слое сети rule. В нейро-нечеткой системе ANFIS размерность терм-множества выходной переменной TVK должна быть равна количеству правил [354], поэтому есть совпадающие значения термов vk 7 vk 8 0.

Обработка входных сигналов слоями нейро-нечеткой сети осуществляется следующим образом [2, 330].

На вход сети (input) поступают четкие значения рассогласований между заданным и текущим положением груза по высоте EZ и по углу поворота крана в плане EF. Затем выполняется фаззификация входов EZ и EF (приведение к нечеткому виду).

Cлой сети inputmf определяет нечеткие термы входных переменных. На выходе каждого нейрона этого слоя вычисляется значение соответствующей функции принадлежности EZ или EF при конкретных значениях входов EZ и EF (рис. 10.14). Для термов входных переменных выбраны треугольные, трапециевидные, S-образные и Z-образные функции принадлежности. Каждый узел этого слоя является адаптивным, т.е. функции принадлежности EZ и EF могут изменяться в процессе обучения сети.

Слой rule реализует 8 правил нечеткого логического вывода.

Этот слой – неадаптивный, т.е. правила в процессе обучения сети не изменяются. Каждый узел соединен с теми узлами предыдущего слоя, которые формируют предпосылки соответствующего правила.

Нейроны выполняют нечеткую логическую операцию «И» (выбор минимального значения) на параметрах посылок правила. Выходами нейронов этого слоя являются степени истинности w j 0;

выполнения каждого j -го правила (т.е. в какой степени переменная VK будет соответствовать терму vkj ). Эти правила хранятся в базе знаний системы нечеткого вывода (рис. 10.15). Каждому нейрону также соответствует относительная степень (вес) выполнения нечеткого правила. Все правила имеют одинаковые веса, равные 1.

Рис. 10.15. Окно редактора правил системы нечеткого вывода в MATLAB Fuzzy Logic Toolbox В слое outputmf заданы функции принадлежности выходной лингвистической переменной VK. Числовое значение vkj, соответствующее каждому j-му правилу, рассматривается как нечеткое множество с синглтонной функцией принадлежности. Узлы слоя outputmf адаптивны, т.е. в процессе обучения нейронной сети значения v kj могут изменяться. Выходы нейронов этого слоя агрегируются в соответствии с выражением 8 w j vkj VK 8. (10.64) j wi i Это выражение выполняет операцию дефаззификации (приведения результата к четкому виду), и выходом сети является четкое значение скорости каната.

Программная реализация и обучение нейро-нечеткой сети выполнены в MATLAB Fuzzy Logic Toolbox с использованием программной m-функции anfis [2, 330, 354]. Основой сети является настроенная вручную система нечеткого вывода (FIS) [83].

Параметры узлов сети при обучении настраиваются так, чтобы минимизировать стандартную ошибку (RMSE) – невязку между экспериментально измеренной скоростью каната v L и выходом сети VK :

1N vL t VK t min, RMSE N t где N – количество наблюдений в выборке обучающих данных vL.

M-функция обучения сети anfis для определения параметров функций принадлежности систем нечеткого вывода типа Сугено может использовать алгоритм обратного распространения ошибки или алгоритм гибридного обучения. Гибридное обучение представляет собой комбинацию метода наименьших квадратов и обратного распространения ошибки [2, 330, 354].

Обучение модели представляет собой процесс поиска оптимальных значений параметров функций принадлежности (рис.

10.14, табл. 10.1). В настоящей работе использован метод обратного распространения ошибки, основанный на градиентном методе наискорейшего спуска. Особенностью обучения системы управления лебедкой является запрет изменения термов выходной переменной vk 7 vk 8 0, что гарантирует останов лебедки при запрете управления канатом. При настройке итеративного алгоритма обучения задано начальное значение шага 10 4 в направлении антиградиента критерия RMSE при изменении параметров функций принадлежности. Задано допустимое изменение величины шага – % за одну итерацию.

Для адаптации модели к измеренным показателям рабочего процесса сформирована обучающая выборка EF, EZ и vL. Это данные эксперимента, соответствующие двум рабочим циклам крана.

Выбраны интервалы времени, в которые человек-оператор управлял лебедкой, т.е. время простоя не рассматривается. На вход сети поданы обучающие выборки EF и EZ, и выход сети VK в процессе обучения сравнивался с v L. Обучающая выборка содержит N наблюдений. Пример обучающих данных для одного рабочего цикла представлен на рис. 10.16.

0. ANFIS Эксперимент (vL) 0. Нечеткое управление 0 50 100 150 200 250 300 350 400 - - - 0 50 100 150 200 250 300 350 400 - - 0 50 100 150 200 250 300 350 400 Номер наблюдения Рис. 10.16. Обучающие данные и результат моделирования для нечеткого и нейро-нечеткого управления лебедкой Выполнено сравнение значений скорости каната, полученных в результате экспериментальных исследований крана (в режиме ручного управления), в результате моделирования нечеткого управления (когда функции принадлежности системы нечеткого вывода настроены вручную) и выхода VK адаптивной системы ANFIS после обучения сети (рис. 10.16).

После настройки параметров ANFIS-сети скорость опускания груза увеличилась, приблизившись к среднему значению, соответствующему ручному управлению за два рабочих цикла. До обучения сети значение критерия обучения RMSE 0,0972, после итераций обучения снизилось до RMSE 0,0859.

Методика разработки систем нейро-нечеткого управления применена при моделировании других механизмам крана. Нейро нечеткие системы логического вывода для управления механизмом подъема-опускания стрелы и механизмом поворота крана имеют аналогичную структуру [223].

Входами системы управления стрелой крана являются EF и EA – рассогласование между заданным и текущим значениями вылета стрелы. Выход – скорость изменения угла наклона стрелы VA.

Обучающая выборка для системы управления стрелой содержит N 385 наблюдений.

Входами системы управления поворотом крана являются EF и EZ 0 – рассогласование между начальным и текущим положениями груза по высоте. Выход – скорость изменения угла поворота крана в плане VF. Размерность выборки для обучения системы управления поворотом крана N 292.

Выполнено сравнение различных подходов к управлению рабочим процессом крана (рис. 10.17–10.19). Нейро-нечеткое управление обеспечивает требуемую точность позиционирования груза и сокращение времени рабочего цикла, а также предусматривает возможность совмещения рабочих операций.


Таким образом, предложенная система нейро-нечеткого вывода позволяет имитировать поведение человека-оператора при управлении лебедкой, механизмами подъема-опускания стрелы и поворота крана. Управляющее устройство на основе ANFIS-сети в режиме обучения обобщает данные о действиях оператора за несколько однотипных рабочих циклов при ручном управлении.

После этого система может быть использована для автоматического управления процессом. Это позволит сократить время рабочего цикла по сравнению с ручным управлением за счет исключения простоев в работе механизмов крана, если управление механизмами допустимо.

Проблемами обучения модели остаются сложность получения репрезентативной обучающей выборки, а также возможная «зашумленность» обучающих данных. Наличие «шума» в данных может быть вызвано противоречивыми действиями оператора, что приведет к снижению точности модели и эффективности адаптивной системы управления.

Рис. 10.17. Моделирование изменения длины каната при программном, нечетком и нейро-нечетком управлении лебедкой эксперимент прогр. упр.

FIS ANFIS 0 50 100 150 200 250 t, c Рис. 10.18. Моделирование изменения угла наклона стрелы при программном, нечетком и нейро-нечетком управлении, ° Рис. 10.19. Моделирование изменения угла поворота в плане при программном, нечетком и нейро-нечетком управлении краном Перспективным направлением совершенствования адаптивных интеллектуальных моделей рабочих процессов машин является реализация более эффективных методов обучения нейро-нечетких сетей. Преимущество ANFIS по сравнению с неадаптивной системой нечеткого вывода (FIS) заключается в возможности автоматической коррекции параметров модели или управляющего устройства. При этом ANFIS сохраняет прозрачность логического вывода (изменяются только пороговые значения показателей рабочего процесса, соответствующие включению и выключению механизмов, а также значения их скоростей). Это дает возможность проектировать автоматическое управляющее устройство, применяя используемые оператором алгоритмы управления, а также использовать эти правила при автоматизации планирования работы крана.

Материал, представленный в этой главе, базируется на новом подходе к моделированию рабочих процессов строительных машин.

Адаптивные математические модели строятся на основании информации об экспериментально измеренных показателях рабочего процесса. Если адаптивная модель динамики процесса не требует прозрачности описания и может быть представлена в виде «черного ящика», целесообразно применение математического аппарата рекуррентных нейронных сетей. Такие нейросетевые технологии позволяют эффективно решать задачи идентификации и управления машинами. Если функционирование адаптивной модели рабочего процесса основано на правилах «если–то», и желательно сохранить прозрачность логического вывода, рекомендуется применение математического аппарата адаптивных нейро-нечетких сетей ANFIS.

Использование математического аппарата интеллектуальных систем позволяет находить и моделировать скрытые зависимости между параметрами рабочих процессов, несмотря на неполноту информации об устройстве строительных машин и характеристиках среды.

ЗАКЛЮЧЕНИЕ В книге исследованы различные виды контактной среды (талый и мерзлый грунт, асфальтобетон), с которыми взаимодействуют дорожные и строительные машины. Изложен принципиально новый подход к математическому моделированию реологии контактной среды, динамике процессов её взаимодействия с рабочими органами дорожных и строительных машин.

Совокупность результатов исследования, по сути, представляет собой концептуальную методологию, позволяющую определять оптимальные, с точки зрения энергоэффективности, формы и конфигурации рабочего оборудования, траектории перемещения рабочих органов, технологии и режимы рабочих процессов рассматриваемых машин.

В монографии наряду с имитационными динамическими моделями рассмотрены адаптивные нейросетевые модели рабочих процессов бульдозера, автогрейдера, а также нейро-нечеткая модель рабочего процесса стрелового крана.

Использование методов интеллектуального управления сложными нелинейными динамическими системами и применение нейросетевых технологий для решения проблем идентификации следует рассматривать как новую ступень в развитии математического моделирования рабочих процессов дорожных и строительных машин. Это позволяет значительно расширить класс автоматизируемых технологических процессов.

В конечном счёте, изложенный подход даёт возможность реализации вычислительного эксперимента, позволяющего анализировать нелинейные явления в исследуемой области.

Результаты исследований являются не только новыми интеллектуальными достижениями, но и расширяют рамки для дальнейших изысканий в теории взаимодействия машин с контактной средой.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Абезгауз В. Д. Режущие органы машин фрезерного типа для разработки горных пород и грунтов. - М.: Машиностроение, 1965. – 245с.

2. Агамалов О. Н. Моделирование переходных процессов системы возбуждения турбогенератора АЭС средствами нейро нечеткой идентификации // Exponenta Pro. – 2003. – № 4. – С. 9–14.

3. Айзеншток И. Д. К построению физической теории резания грунтов // Резание грунтов. - М. Изд-во АН СССР, 1951. – С. 76-103.

4. Александров В. М. Аналитические методы в контактных задачах теории упругости. - М.: Просвещение, 2004. – 302 с.

5. Алексеев Н. А., Сагомонян А. Я., Рахматуллин Х. А. Об основных уравнениях динамики грунтов // ПМТФ. – 1963. – № 2. – С.42-51.

6. Амельченко В. Ф., Денисов В. П. Учет влияния глубины резания при определении оптимального объема призмы волочения поворотного отвала // Известия вузов. Строительство. – 1996. – № 9.

7. Андреева Е. А., Цирулева В. М. Вариационное исчисление и методы оптимизации. М.: Высшая школа, 2006. – 584 с.

8. Артемьев К. А. Теория резания грунтов землеройно транспортными машинами. – Омск: ОмПИ, 1989. – 80 с.

9. Артемьев К. А., Лиошенко В.И. Взаимодействие острого прямого ножа с грунтом в процессе заглубления / СибАДИ. – Омск, 1984. – 19 с. – Деп. В ЦНИИТЭстроймаш 23.06.84.

10. Бабков В.Ф., Безрук В.М. Основы грунтоведения и механики грунтов. – М.: Высшая школа, 1976. – 328 с.

11. Бабков В. Ф. Автомобильные дороги. – М.: Транспорт, 1983.

– 280 с.

12. Бабушкин Г.А., Буланов В.Я. Синицкий И.А. Металлические композиты. – Свердловск: УНЦ АН СССР, 1987. – 311с.

13. Багиров И. З. Исследование деформаций и сопротивлений резанию грунта // Строительные и дорожные машины. – 1963. – № 6.

– С. 8-10.

14. Баженов В. А. Численные методы в механике. – М.:

Просвещение, 2004. – 564 с.

15. Баладинский В. Л. Динамическое разрушение грунтов рабочими органами землеройных машин: Дис…д-ра техн. наук. – Киев, 1979. – 396 с.

16. Баладинский В. Л. Определение параметров процесса скоростной обработки горных пород / Известия вузов. Строительство.

– 1994. – № 2. – С. 4-7.

17. Баловнев В. И. Моделирование и прогнозирование процессов взаимодействия машин с многофазными средами: Взаимодействие рабочих органов строительных, дорожных и коммунальных машин с грунтом и другими материалами. – М.: МАДИ-ТУ, 2000. – 61 с.

18. Баловнев В. И., Хмара Л. А. Интенсификация земляных работ в дорожном строительстве. – М.: Транспорт, 1983. – 184 с.

19. Баничук Н. В., Иванова С. Ю., Шаранюк А. В. Динамика конструкций. Анализ и оптимизация. – М.: Наука, 1989. – 259 с.

20. Баринов Е. Н. Новые методы оценки качества асфальтобетонов. – Л: ЛИСИ, 1989. – 56 с.

21. Бахрах Г. С. Учет процесса «старения» при проектировании состава битумоминеральных смесей // Автомобильные дороги. – 1973.

– №9. – С.8-9.

22. Березанцев Б. Г. Сопротивление грунтов местной нагрузке при постоянной отрицательной температуре. // Материалы по лабораторным исследованиям мерзлых грунтов. – М.: Наука, 1953. – С. 8–16.

23. Берестов Е. И. Научные основы моделирования системы «грунт - рабочее оборудование землеройных машин» в режиме послойной разработки: Автореф. дис…д-ра техн. наук. – М., 1998. – 38 с.

24. Беркман И. Л. Универсальные одноковшовые строительные экскаваторы / И. Л. Беркман, А. В. Ранев, А. К. Рейш. – М.: Мир, 1984. – 444 с.

25. Берон А. И. Разработка грунтов. – М.: Машиностроение, 1978. – 86 с.

26. Биргер И. А. Расчёт на прочность деталей машин:

Справочник / И. А. Биргер, Б. Ф. Шорр, Г. Б. Иосилевич. – М.:

Машиностроение, 1993. – 640 с.

27. Биркгоф Д. Н. Динамические системы. – М.: Просвещение, 1999. – 408 с.

28. Богуславский А. М. Об асфальтобетоне // Строительство дорог. – 1938. – №7. – С.19-21.

29. Богуславский А. М. Минеральный остов в асфальтобетоне // Строительство дорог. – 1939. – №1. – С.22-24.

30. Богуславский А. М. Значение пластических свойств в асфальтовом бетоне // Строительство дорог. – 1945. – №11. – С.20-21.

31. Богуславский А. М. О необходимой прочности асфальтобетона // Автомобильные дороги. – 1959. – №8. – С.16-17.

32. Богуславский А. М. Дорожные асфальтобетонные покрытия.

– М.: Высшая школа, 1965. – 115 с.

33. Богуславский А. М., Богуславский Л. А. Реологические свойства асфальтового бетона различных составов // Автомобильные дороги. – 1968. – №2. – С.18-19.

34. Богуславский А. М., Богуславский Л. А. Основы реологии асфальтобетона. – М.: Высшая школа, 1972. – 200 с.

35. Болотин В. В. Прогнозирование ресурса машин и конструкций. - М.: Машиностроение, 1984. – 312 с.

36. Больцман Л. Избранные труды. Молекулярно-кинетическая теория газов. Термодинамика. Статистическая механика. Теория излучения. Общие вопросы физики. – М.: Наука, 1984. – 590 с.

37. Бондарь В. Н. и др. Испытания дорожно-строительных машин: (Исследование тяговых свойств бульдозерно-рыхлительного агрегата). – Челябинск: Изд-во Челяб. гос. техн. ун-та, 1995. – 80 с.

38. Борисов М. В., Павлов И. А Ускоренные испытания машин на износостойкость, как основа повышения их качества. – М.:

Издательство стандартов, 1976. – 350 с.

39. Борщ И. М. Структурообразующая роль минеральных порошков в асфальтовых смесях // Тр. ХАДИ. – Харьков, 1954. – Вып.

17. – С.105-111.

40. Борщ И. М. Процессы структурообразования в асфальтовых материалах // Опыт строительства асфальтобетонных покрытий: Тр.

МАДИ. – М.: Автотрансиздат, 1958. – Вып. 23. – С.37-41.

41. Браутман Л. Н. Анализ и проектирование конструкций, том 8, ч.2. – М.: Машиностроение, 1978. – 264 с.

42. Браутман Л. Н. Анализ и проектирование конструкций, том 7.

ч.1. – М.: Машиностроение, 1978. – 342 с.

43. Бронштейн И. Н., Семендяев К. А. Справочник по математике. – М.: Наука, 1986. – 559 с.

44. Ванэкен Б. Бренд-помощь / Пер. с англ. – И. Малковой под ред. В. Домнина. – СПб.: Питер, 2005 – 210 с.

45. Верещагин С. Б. Планирование и оценка результатов испытаний колесных и гусеничных машин. – М: МАДИ (ГТУ), 2008.

– 59 с.

46. Ветров Ю. А. Машины для земляных работ. – Киев: Вищя школа, 1981. – 346с.

47. Ветров Ю. А. Сопротивление грунтов резанию. – Киев: Изд.

Киевского университета, 1965 – 167 с.

48. Ветров Ю. А., Баладинский В. Л. Машины для специальных земляных работ. – Киев: Виша школа, 1980. – 192 с.

49. Ветров Ю. А., Пристайло Ю. П., Станевский В. П.

Усовершенствование рабочих органов рыхлителей // Строительные и дорожные машины, 1979. – №4. – С. 16-17.

50. Власов В. В., Кисленко А. А., Пелевин Л. Е., Фомин А. В.

Рыхлитель. – Патент Российской Федерации № 2016175, 1994.

51. Волков Д. П. Строительные машины. – М.: Ассоциация строительных ВУЗов, 2002. – 321 с.

52. Волков Д. П., Николаев С.Н. Надежность строительных машин и оборудования. - М.: Высшая школа, 1979. - 398 с.

53. Волков М. И. Некоторые вопросы теории асфальтобетона // Опыт строительства асфальтобетонных покрытий: Тр. МАДИ. – М.:

Автотрансиздат, 1958. – Вып. 23. – С.31-36.

54. Волков М. И., Смирнов В. М. К вопросу о физико химических основах технологии асфальтового бетона // Тр. ХАДИ. – Харьков, 1961. – Вып. 26. – С.3-9.

55. Волков С. Д. Прочность и жесткость машиностроительных конструкций. – М.: Машиностроение, 1975. – 136 с.

56. Волков Ю. В. Долговечность машин, работающих в абразивной среде. – М.: Машиностроение, 1964. – 116 с.

57. Вопросы строительства асфальтобетонных покрытий с применением активированных минеральных материалов: Тр.

Союздорнии. – М., 1972. – Вып. 56. – 139 с.

58. Вялов С. С. Реологические основы механики грунтов / Уч.

пособие для вузов. - М.: Высшая школа, 1978. – 447 с.

59. Вялов С. С. Реология мерзлых грунтов. – М.: Стройиздат, 2000. – 464 с.

60. Гальперин М. И., Домбровский Н. Г. Строительные машины.

– М.: Высшая школа, 1980. – 344 с.

61. Гегелия Д. И., Гезенцвей Л. Б. Сезонные изменения свойств асфальтобетона // Автомобильные дороги. – 1977. – №2. – С.24-25.

62. Гезенцвей Л. Б. Пути повышения качества песчаного асфальтобетона // Автомобильные дороги. – 1963. – №5. – С.13-15.

63. Гезенцвей Л. Б. Развитие исследований асфальтобетона в свете положений физико-химической механики // Повышение качества асфальтобетона: Тр. Союздорнии. – М., 1975. – Вып. 79. – С.4-12.

64. Глинистые грунты повышенной влажности в дорожном строительстве / Ю. М. Львович, В. П. Колодезный, Э. К. Кузахметова и др. – М.: Транспорт, 1992. – 240 с.

65. Глушак Б. Л. Исследование прочности материалов при динамических нагрузках. – М.: Машиностроение, 1992. – 296 с.

66. Гмурман В. Е. Теория вероятностей и математическая статистика. – М.: Высшая школа, 1998. – 479 с.

67. Гольденблат И. И. Длительная прочность в машиностроении.

– М.: Машиностроение, 1977. – 249 с.

68. Гольдштейн М. Н. Механические свойства грунтов. – М.:

Стройиздат, 1971. – 368 с.

69. Горелышев Н. В. Принципы структурообразования асфальтобетона // Тр. Союздорнии. – М.: Транспорт, 1966. – Вып. 7. – С.39-53.

70. Горелышев Н. В. Повышение качества асфальтобетона и долговечности дорожных покрытий на его основе // Повышение качества асфальтобетона: Тр. Союздорнии. – М., 1975. – Вып. 79. – С.13-20.

71. Горелышев Н. В. Исследование асфальтобетона каркасной структуры и его эксплуатационных свойств в дорожных одеждах:

Автореф. дис. … д-ра техн. наук: 05.22.10. – М., 1978. – 37 с.

72. Горячева И. Г. Контактные задачи в трибологии. – М.:

Машиностроение, 1988. – 252 с.

73. Горячкин В. П. Собрание сочинений. – М.: Колос, 1965. – Т.

2. – 460 с.

74. ГОСТ 9128-97. Смеси асфальтобетонные, дорожные, аэродромные и асфальтобетон. Технические условия. – М.: МНТКС, 1997. – 23 с.

75. Гохман Л. М. О роли органических вяжущих материалов в обеспечении работоспособности асфальтобетона // Автомобильные дороги. – 1987. – №7. – С.21-23.

76. Гузенков П. Г. Краткий справочник к расчетам деталей машин. – М.: Машиностроение, 1964. – 324 с.

77. Гурдин В. И., Поляков Е. П., Акимов В. В. Спекание композиционных материалов в присутствии жидкой фазы // Механика процессов и машин. – Омск: Изд-во ОмГТУ, 2000. – С.127-129.

78. Далин А.Д., Павлов И.П. Роторные грунтообрабатывающие и землеройные машины. – М.: Машгиз, 1950. – 147 с.

79. Далматов Б. И. Механика грунтов. – М. - СПб.: Стройиздат, 2000. – 254 с.

80. Данилевич Д. В. Совершенствование технологического процесса взаимодействия рабочих органов землеройных машин с грунтом: Диссертация... кандидата технических наук: 05.05.04. – Орел, 2005. – 154 с.

81. Демидович В. А. Численные методы анализа. – М.: Наука, 1967. – 368 с.

82. Денисов И. В., Мещеряков В. А. Моделирование системы программного управления рабочим процессом стрелового крана // Омский научный вестник. – 2009. –№ 1(77). – С. 81–86.

83. Денисов И. В., Мещеряков В. А., Итяксова В. С.

Моделирование системы нечеткого управления рабочим процессом стрелового крана // Омский научный вестник. – 2009. – № 3(83). – С. 123–126.

84. Дибров И. А., Комиссаров В. А. Современная технология и оборудование для плавки и внепечной обработки чугуна. – М.:

Машиностроение, 1979. – 72 с.

85. Домбровский Н. Г., Гальперин М. И. Строительные машины.

– М.: Высшая школа, 1985. – Ч. 2. – 224 с.

86. Домбровский Д. П., Лещинер В. Б. Исследование факторов, определяющих износ инструмента при резании мерзлых грунтов // Известия вузов. Строительство и архитектура. – 1978. – № 9. – С.110 114.

87. Домбровский Н. Г., Панкратов С. А. Землеройные машины. – М.: Госстройиздат, 1961. – 476 с.

88. Дубовцев В. А. Исследование влияния размеров рабочих органов землеройно-транспортных машин на сопротивление копанию: Дис… канд. техн. наук. – Л., 1979 – 192 с.

89. Емельянов В. И. Технология бульдозерной разработки вечномерзлых россыпей. – М.: Недра, 1976. – 286 с.

90. Емельянов В. И., Назарчик А. Ф. Техника и технология подготовки многомерзлых пород к выемке. – М.: Недра, 1978. – 279 с.

91. Ершов Э. Д. и др. Лабораторные методы исследования мерзлых пород. – М.: Изд-во МГУ, 1985. – 146 с.

92. Железко Е. П., Железко Т. В. Развитие представлений о структуре асфальтобетонов и разработка новых подходов к управлению их качеством // Известия вузов. Строительство. – 1997. – №12. – С.40-47.

93. Живейнов Н. Н. Копание грунтов ковшами гидравлических экскаваторов. – М.: МАДИ (ТУ), 1995. – 60 с.

94. Живейнов Н. Н., Моисеев Г. Д., Буряк В. И. Вариант эволюционного алгоритма поиска оптимальных параметров технических систем // Определение рациональных параметров дорожно-строительных машин: Сб. науч. тр. / МАДИ. – М., 1986. – С.

35-40.

95. Завьялов А. М., Кузнецова В. Н. Аналитический подход к описанию процесса взаимодействия рабочего органа рыхлителя с мерзлым грунтом в трехмерном пространстве // Вестник СибАДИ. – 2008. – № 7. – С. 56-60.

96. Завьялов А.М. Применение аппарата вариационного исчисления для отыскания рациональных профилей рабочих органов дорожно–строительных машин // Вестник СибАДИ. – Выпуск 3. – 2005. – С. 90 -95.

97. Завьялов А. М. К вопросу о сопротивлении заглублению плоского режущего инструмента в грунт / СибАДИ, Омск – 1983. – с. – Деп. В ЦНИИТЭстроймаш 27.09.81, № 29. – С. 81.

98. Завьялов А. М. Основы теории взаимодействия рабочих органов дорожно-строительных машин с грунтом // Монография. Деп.

в объединении МАШМИР 22.02.92 № 6-сд 92. – 87 с.

99. Завьялов А. М. Основы теории взаимодействия рабочих органов дорожно-строительных машин со средой: Дис. … д-ра техн.

наук.: 05.05.04 – Омск, 1999. – 252 с.

100. Завьялов А. М., Кузнецова В. Н., Черняк С. С. Оптимизация формы продольного профиля режущего инструмента землеройной машины для разработки мерзлых грунтов // Известия вузов.

Строительство. – 2008. – № 7. – С. 85 - 90.

101. Завьялов А. М., Кузнецова В. Н. Теоретические аспекты описания процесса взаимодействия рабочего органа рыхлителя с мерзлым грунтом в трехмерном пространстве // Известия вузов.

Строительство. – 2008. – № 10. – С. 114-120.

102. Завьялов А. М., Кузнецова В. Н. Решения задачи оптимизации поперечного профиля лобовой поверхности наконечника зуба рыхлителя при заданных ограничениях // Известия вузов. Строительство. – 2008. – № 11-12. – С. 96-103.

103. Завьялов А. М., Кузнецова В. Н. Оптимизация поперечного профиля лобовой поверхности наконечника зуба рыхлителя для разработки мерзлых грунтов // Вестник МАДИ (ГТУ). – 2008. – № (15). – С. 17 – 23.

104. Завьялов А. М. Разработка и исследование оборудования для очистки лотковой части автомобильных дорог // Строительные и дорожные машины. – 1993. – №4. – С. 14-15.



Pages:     | 1 |   ...   | 5 | 6 || 8 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.