Klasyfikacja stanu i rodzaju noży głowicy wielonarzędziowej z wykorzystaniem sieci neuronowych

Artykuł prezentuje próbę klasyfikacji stanu ostrzy i rodzaju noży pracujących zespołowo na głowicy urabiającej. Jako narzędzie służące do takiej oceny wykorzystano sztuczne sieci neuronowe. Zarejestrowano sygnały mocy oraz momentu urabiania głowicą wielonarzędziową z zamontowanymi nożami stycznymi oraz promieniowymi. Badania realizowano poprzez urabianie nożami ostrymi oraz częściowo zużytymi. W celu wyeliminowania zmiennych mających wpływ na przebieg procesu urabiania, w eksperymencie posłużono się modelową bryłą skalną. Zamieszczone wyniki stanowią część badań nad wykorzystaniem metod sztucznej inteligencji w badaniach noży i głowic urabiających. Jako zmienne wejściowe do sztucznych sieci neuronowych wykorzystano charakterystyczne parametry statystyczne przebiegów czasowych, tj. wariancję, skośność oraz kurtozę. Zmienną wyjściową SSN był stan ostrzy noży urabiających (ostre lub stępione) oraz rodzaj zamontowanych narzędzi (promieniowe lub styczne).

---

The publication presents an attempt to identify the status and type of cutters working as an assembly on a multi-tool head with the use of a new method. The paper presents results of research on utilising artificial neural networks to identify type and point's status cutting tools used in multi-tool excavating heads of mechanical coal miners. The time courses of mining torque and power for a multi-tool head with installed radial and tangent- rotational tools were recorded. The tests covered mining with sharp and partially blunt cutters. In order to limit the variables influencing the excavating process, a model rock was used for the experiment. The received time courses were used as input variables for the Artificial Neural Network. For this purpose, mining power and torque signals statistical parameters were established: variance, skewness, and kurtosis. The Radial Basis Function (RBF) networks, Mul- tilayer Perceptron (MLP) structure networks and Fuzzy Neural Networks (FNN), verified in the previous identification tests, were used for analysis.