Підвищення безпеки експлуатації баштового крану за допомогою використання штучного інтелекту у керуючих системах

Abstract

UA: Об'єкт дослідження – процеси підвищення безпеки експлуатації баштових кранів з використанням інтелектуальних систем моніторингу, прогнозування та сигналізації. Метою дослідження є підвищення безпеки експлуатації баштового крану шляхом застосування штучного інтелекту в системах керування для проактивного запобігання аварійним ситуаціям, зумовленим конструктивними дефектами, людським фактором та впливом зовнішніх чинників. Для вирішення науково-практичних задач, поставлених в дисертаційному дослідженні, було застосовано комплексний підхід, що поєднує методи системного аналізу, теорії штучного інтелекту та експериментальної перевірки. При створенні підсистеми предиктивної діагностики застосовано методи цифрової обробки сигналів для аналізу даних з датчиків, а для класифікації технічного стану та виявлення дефектів на ранніх стадіях – нейромережеві моделі, зокрема багатошарові персептрони. Для вирішення задачі прогнозування небезпечних вітрових навантажень було використано методи глибокого навчання, а саме адаптивні рекурентні нейронні мережі, що здатні аналізувати часові ряди метеорологічних даних. Для розробки підсистеми розпізнавання психофізіологічного стану оператора використано методи комп'ютерного зору, зокрема алгоритми детектування об'єктів (каскади Гаара) та згорткові нейронні мережі для класифікації стану втоми та сонливості. У дисертаційній роботі отримано нове рішення науково-технічної задачі по підвищенню експлуатаційної безпеки та надійності баштових кранів шляхом створення та інтеграції інтелектуальних підсистем предиктивного обслуговування, розпізнавання сонливості та втрати уваги оператора в режимі реального часу, прогнозування вітрових навантажень з урахуванням локальних метеорологічних умов та динамічних характеристик крана. Науковими результатами дисертаційної роботи є вперше отримані закономірності зміни діагностичних параметрів технічного стану механізму повороту баштового крану, які дозволили розробити підсистему предиктивного обслуговування з використанням технології глибокого навчання нейронної мережі. Удосконалена математична модель підсистеми моніторингу психофізіологічного стану оператора баштового крану на основі методів машинного зору та математична модель прогнозування небезпечних вітрових навантажень на основі глибокого навчання нейронної мережі. Набув подальшого розвитку метод підвищення безпеки експлуатації баштових кранів в частині удосконалення системи керування, яка враховує технічний стан крану, психофізіологічного стану оператора та зовнішні фактори і використовує технології штучного інтелекту. Практичне значення одержаних результатів полягає у розробці архітектури та алгоритмів системи безпеки. Було створено три функціональні програмно-апаратні модулі для розпізнавання сонливості, прогнозування вітру та предиктивної діагностики, які можуть імплементуватися як окремо, так і в складі єдиної системи.

EN: The object of the research is the processes of improving the operational safety of tower cranes using intelligent systems for monitoring, forecasting, and signaling. The aim of the research is to increase the operational safety of tower cranes by applying artificial intelligence in control systems for the proactive prevention of emergency situations caused by structural defects, the human factor, and the influence of external factors. To solve the scientific and practical tasks set in the dissertation research, a comprehensive approach was applied, combining methods of systems analysis, artificial intelligence theory, and experimental verification. In creating the predictive diagnostics subsystem, methods of digital signal processing were used to analyze data from sensors, and for classifying the technical condition and detecting defects at early stages, neural network models, particularly multilayer perceptrons, were used. To solve the problem of forecasting dangerous wind loads, deep learning methods were used, namely adaptive recurrent neural networks capable of analyzing time series of meteorological data. To develop the subsystem for recognizing the operator's psychophysiological state, computer vision methods were used, including object detection algorithms (Haar cascades) and convolutional neural networks for classifying states of fatigue and drowsiness. The dissertation presents a new solution to the scientific and technical problem of increasing the operational safety and reliability of tower cranes by creating and integrating intelligent subsystems for predictive maintenance, real-time recognition of operator drowsiness and loss of attention, and forecasting wind loads, taking into account local meteorological conditions and the dynamic characteristics of the crane. The scientific results of the dissertation include the first-ever determination of the patterns of change in the diagnostic parameters of the tower crane's slewing mechanism, which allowed for the development of a predictive maintenance subsystem using deep learning neural network technology. An improved mathematical model for monitoring the operator's psychophysiological state based on computer vision methods and a mathematical model for forecasting dangerous wind loads based on a deep learning neural network were developed. The method for improving the operational safety of tower cranes was further advanced by enhancing the control system, which considers the crane's technical condition, the operator's psychophysiological state, and external factors, and utilizes artificial intelligence technologies. The practical significance of the obtained results lies in the development of the architecture and algorithms for the safety system. Three functional software-hardware modules were created for drowsiness recognition, wind forecasting, and predictive diagnostics, which can be implemented either separately or as part of an integrated system.