Испытания системы контроля наличия зубьев ковша карьерного экскаватора

С начала 2015 года наша компания активно занимается разработкой системы контроля состояния зубьев ковша карьерного экскаватора. В течение первого года нами был создан экспериментальный образец системы и смонтирован на экскаватор ЭКГ‑12А, который эксплуатируется на одном из железорудных месторождений Свердловской области. Благодаря этому, мы могли своевременно апробировать принимаемые нами технические решения, математическое и программное обеспечение в условиях реальной эксплуатации, не прекращая процесс разработки.

В декабре 2016 года была выпущена первая стабильная версия прикладного программного обеспечения и проведены её натурные испытания. Основой этой версии стали детерминированные методы распознавания объектов на изображении. О результатах проведённых испытаний пойдёт речь в настоящей статье.

Истинные и ложные оповещения

В процессе работы система ведёт непрерывное наблюдение за ковшом экскаватора и производит количественную оценку остаточного ресурса каждого зуба. По результатам такого анализа система делает заключение о наличии или отсутствии зубьев, которое предоставляется оператору в виде оповещения. Чтобы оценить качество работы системы, учитывая не только её полезные функции, но и «побочные действия», которые заключаются в том, что воспроизводимые системой сигналы могут отвлекать машиниста, мы ввели понятия истинных, ложных и нейтральных оповещений.

Истинным считается такое оповещение, которое сообщает оператору об отсутствии или повреждении зуба, который реально отсутствует или повреждён.

Ложным считается оповещение, которое сообщает оператору об отсутствии или повреждении зуба, который является исправным.

Оповещение, которое не содержит информации о повреждённых или отсутствующих зубьях считается нейтральным.

Смысл этих терминов можно продемонстрировать на конкретных примерах. Наш эксперимент проводился в условиях отсутствия зуба номер 6. Таким образом, оповещение об отсутствии зуба номер 6 классифицировалось как истинное. Если, например, в оповещении содержалась информация об отсутствии зуба номер 2, такое оповещение считалось ложным. Кроме того, для получения наиболее адекватной оценки качества работы системы контроля состояния зубьев ковша, если система сообщала об отсутствии, например, зубьев номер 4 и номер 6, то мы учитывали его не только при подсчёте истинных, но и ложных оповещений.

Оценка качества выдаваемых оповещений

В условиях возможности появления как истинных, так и ложных оповещений, мы посчитали целесообразным ввести показатель качества выдаваемых оповещений, который характеризует вероятность того, что оповещение, выданное системой контроля наличия зубьев ковша экскаватора, окажется истинным или ложным. С этой целью мы провели четырёхдневное испытание, в рамках которого вели непрерывный подсчёт истинных и ложных оповещений, а также общего количества оповещений, выданных системой. В результате обработки данных, собранных в процессе этого испытания, мы получили выборочную совокупность, характеристики которой приведены в таблице 1.

Оценка вероятности того, что выданное оповещение окажется истинным или ложным, была выполнена по частоте появления соответствующих событий. То есть значения этих показателей определяются долей соответствующих оповещений в их общем объёме и также приведены в таблице 1.

Кроме того, по результатам проведения эксперимента мы получили гистограмму распределения оповещений по времени суток (рисунок 1). На этом рисунке проиллюстрировано распределение количества оповещений, выданных системой, с учётом их типа.

Рисунок 1 – Гистограмма распределения оповещений по времени суток:

• доля истинных, %;
• доля ложных, %;
• общее количество, шт.

Оценка времени выдачи оповещений

Несмотря на наглядность полученных результатов, они позволяют лишь оценить вероятность того, что следующее оповещение будет относиться к тому или иному типу, не давая ответ на вопрос, когда это произойдет. Поэтому наиболее значимой характеристикой качества работы системы в целом является время обнаружения системой аварийной ситуации. При этом важно оценивать не только время выдачи истинных, но также и ложных оповещений. В связи с этим, целью второго испытания являлось выполнение оценки математического ожидания времени выдачи истинного оповещения с момента возникновения аварийной ситуации и математического ожидания периода ложных оповещений. Первый показатель характеризует быстродействие системы, а второй – её назойливость.

Как упоминалось выше, эксперимент проводился в условиях отсутствия одного из зубьев ковша экскаватора. Справедливо полагать, что в промежуток времени между истинными оповещениями машинист не был уведомлён об этом. Эту информацию можно использовать для оценки времени реакции системы на возникновение аварийной ситуации. Таким образом, для оценки математического ожидания времени выдачи истинного оповещения нами был построен временной ряд истинных оповещений. Для оценки второго показателя качества – временной ряд ложных оповещений. Затем, каждый из этих временных рядов был преобразован в ряд промежутков времени выдачи оповещений. Характеристики этих рядов приведены в таблице 2.

По результатам эксперимента с учётом значения t-критерия Стьюдента выполнена интервальная оценка математического ожидания времени выдачи истинных и ложных оповещений в доверительном интервале 95 %. То есть, с вероятностью 95 % значение оцениваемого параметра находится в интервале, указанном таблице 3.

Заключение

За время работы над проектом мы получили достаточный опыт и сумели создать комплекс технических средств, а также математическое и программное обеспечение, которые позволяют решать задачу автоматического контроля наличия зубьев на ковше карьерного экскаватора. Таким образом, сегодня мы располагаем проверенным в условиях реальной эксплуатации техническим решением, показавшим в рамках обозначенной проблемы удовлетворительные результаты.

Тем не менее, понимая важность процесса непрерывных улучшений, мы продолжаем трудиться над усовершенствованием системы. Сейчас идёт работа над новой версией, в которой мы используем искусственные нейронные сети глубокого обучения. На сегодняшний день они являются наиболее популярным и перспективным инструментом распознавания объектов на изображении и уже показали свою эффективность при проведении модульного тестирования находящегося в разработке продукта.

ведущий инженер, канд. техн. наук А. А. Корюков
инженер С. М. Логинов