ПРОГНОЗУВАННЯ ТА ЗАПОБІГАННЯ АВАРІЙ БАШТОВОГО КРАНУ ЗА ДОПОМОГОЮ ШІ-ТЕХНОЛОГІЙ ПРИ ВІТРОВИХ НАВАНТАЖЕННЯХ
DOI:
https://doi.org/10.36910/acm.vi51.1841Ключові слова:
баштовий кран, аварії, стійкість, зовнішні навантаження, система безпеки, прогнозування, штучний інтелект, нейронна мережаАнотація
В статті розглядається застосування технологій штучного інтелекту для прогнозування та запобігання аваріям баштових кранів, спричиненим вітровими навантаженнями. Аналізуються методи обробки даних з сенсорів, що вимірюють вітрові навантаження, та їх інтеграція з системами управління краном для реального часу моніторингу та прогнозування небезпечних ситуацій. Особливу увагу приділено використанню алгоритмів машинного навчання для обробки великих обсягів даних та визначення критичних параметрів, які можуть призвести до аварії. Впровадження таких систем дозволяє своєчасно виявляти потенційні загрози, автоматично коригувати робочі параметри крана та приймати необхідні заходи для запобігання аваріям. Результати дослідження підтверджують, що інтеграція ШІ-технологій у роботу баштових кранів може значно підвищити їхню безпеку та ефективність.
Розглянуто проблему безпеки експлуатації баштових кранів за вітрових навантажень. Проаналізовано недоліки існуючих методів захисту, зокрема їхню недостатню ефективність під час сильних поривів вітру. Запропоновано інтелектуальну систему на базі адаптивних нейронних мереж для прогнозування вітрових навантажень і запобігання аваріям. Описано принцип роботи системи та її алгоритми. Підкреслено важливість своєчасного реагування на зміни вітрових умов для забезпечення безпеки крана та персоналу. Результати дослідження можуть бути використані для розробки сучасних систем керування баштовими кранами, що підвищить безпеку робіт. Зазначено, що ризик небезпечних вітрових навантажень існує не лише в регіонах з сильними вітрами, а й у місцевостях з помірним кліматом. Аналіз багаторічних спостережень свідчить не тільки про наявність проблеми небезпечних динамічних вітрових навантажень, а й про тенденцію до її посилення.
Проблема забезпечення стійкості баштових кранів під сильним вітром залишається актуальною, оскільки втрата динамічної стійкості може призвести до аварій та матеріальних збитків. Особливо небезпечні раптові пориви вітру та шквали, що можуть значно збільшити вітрове навантаження. Ці короткочасні вітрові впливи, разом з іншими факторами, можуть спричинити перекидання крана, створюючи загрозу безпеці експлуатації. Тому важливо розробити ефективний метод забезпечення стійкості кранів при динамічних вітрових збуреннях.
Посилання
Pryor S. C., Barthelmie R. J. A global assessment of extreme wind speeds for wind energy applications // Nature Energy. 2021. Vol. 6. P. 268–276. DOI: https://doi.org/10.1038/s41560-020-00773-7.
Державна служба України з надзвичайних ситуацій. Надзвичайні події [Електронний ресурс]. URL: https://dsns.gov.ua/news/nadzvicaini-podiyi/20926 (дата звернення: 04.09.2024).
Sun N., Fang Y., Chen H., Lu B., Fu Y. Slew/translation positioning and swing suppression for 4-DOF tower cranes with parametric uncertainties: design and hardware experimentation // IEEE Transactions on Industrial Electronics. 2016. Vol. 63. P. 6407–6418.
Lawrence J., Singhose W. Command shaping slewing motions for tower cranes // Journal of Vibration and Acoustics. 2010. Vol. 132. Article 011002.
Duong S. C., Uezato E., Kinjo H., Yamamoto T. A hybrid evolutionary algorithm for recurrent neural network control of a three-dimensional tower crane // Automation in Construction. 2012. Vol. 23. P. 55–63.
Omar H. M., Nayfeh A. H. Gain scheduling feedback control for tower cranes // Journal of Vibration and Control. 2003. Vol. 9. P. 399–418.
Böck M., Kugi A. Real-time nonlinear model predictive path-following control of a laboratory tower crane // IEEE Transactions of Control Systems Technology. 2014. Vol. 22. P. 1461–1473.
Zhang M., Jing X. Adaptive Neural Network Control for Double-Pendulum Tower Crane Systems // 2020. DOI: 10.1007/978-981-15-7670-6_8.
Wang K., Ma X., Li J. Neural Network-Based Adaptive Swing Suppression Control for Tower Cranes With Obstacle Avoidance // IEEE/ASME Transactions on Mechatronics. 2024. P. 1–12. DOI: 10.1109/TMECH.2024.3435794.
Widrow B., Lehr M. A. Perceptrons, Adalines, and backpropagation // Arbib. 1995. Vol. 4. P. 719–724.
Zhu Q., Du B., Yan P. Boundary-weighted domain adaptive neural network for prostate MR image segmentation // IEEE Transactions on Medical Imaging. 2019. Vol. 39, No. 3. P. 753–763.
Ebhota V. C., Isabona J., Srivastava V. M. Investigating signal power loss prediction in a metropolitan island using ADALINE and multi-layer perceptron back propagation networks // International Journal of Applied Engineering Research. 2018. Vol. 13, No. 18. P. 13409–13420.
Sutawinaya I. P., Astawa I. N. G. A., Hariyanti N. K. D. Comparison of Adaline and multiple linear regression methods for rainfall forecasting // Journal of Physics: Conference Series. 2018. Vol. 953, No. 1. Article 012046. DOI: 10.1088/1742-6596/953/1/012046.
Valladares S., et al. Performance evaluation of the Nvidia Jetson Nano through a real-time machine learning application // Intelligent Human Systems Integration 2021: Proceedings of the 4th International Conference on Intelligent Human Systems Integration (IHSI 2021): Integrating People and Intelligent Systems, February 22–24, 2021, Palermo, Italy. Springer International Publishing, 2021.
References:
Pryor, S. C., Barthelmie, R. J. (2021). A global assessment of extreme wind speeds for wind energy applications. Nature Energy, 6, 268–276. DOI: https://doi.org/10.1038/s41560-020-00773-7. [in English].
Derzhavna sluzhba Ukraїni z nadzvichajnih situacіj [State Emergency Service of Ukraine]. dsns.gov.ua Retrieved from https://dsns.gov.ua/news/nadzvicaini-podiyi/20926 [in Ukrainian].
Sun, N., Fang, Y., Chen, H., Lu, B., Fu, Y. (2016). Slew/translation positioning and swing suppression for 4-DOF tower cranes with parametric uncertainties: design and hardware experimentation. IEEE Transactions on Industrial Electronics, 63, 6407–6418 [in English].
Lawrence, J., Singhose, W. (2010). Command shaping slewing motions for tower cranes. Journal of Vibration and Acoustics, 132, 011002. [in English].
Duong S. C., Uezato E., Kinjo H., Yamamoto T. A hybrid evolutionary algorithm for recurrent neural network control of a three-dimensional tower crane // Automation in Construction. 2012. Vol. 23. P. 55–63 [in English].
Omar H. M., Nayfeh A. H. Gain scheduling feedback control for tower cranes // Journal of Vibration and Control. 2003. Vol. 9. P. 399–418 [in English].
Böck M., Kugi A. Real-time nonlinear model predictive path-following control of a laboratory tower crane // IEEE Transactions of Control Systems Technology. 2014. Vol. 22. P. 1461–1473 [in English].
Zhang M., Jing X. Adaptive Neural Network Control for Double-Pendulum Tower Crane Systems // 2020. DOI: 10.1007/978-981-15-7670-6_8. [in English].
Wang K., Ma X., Li J. Neural Network-Based Adaptive Swing Suppression Control for Tower Cranes With Obstacle Avoidance // IEEE/ASME Transactions on Mechatronics. 2024. P. 1–12. DOI: 10.1109/TMECH.2024.3435794. [in English].
Widrow B., Lehr M. A. Perceptrons, Adalines, and backpropagation // Arbib. 1995. Vol. 4. P. 719–724 [in English].
Zhu Q., Du B., Yan P. Boundary-weighted domain adaptive neural network for prostate MR image segmentation // IEEE Transactions on Medical Imaging. 2019. Vol. 39, No. 3. P. 753–763 [in English].
Ebhota V. C., Isabona J., Srivastava V. M. Investigating signal power loss prediction in a metropolitan island using ADALINE and multi-layer perceptron back propagation networks // International Journal of Applied Engineering Research. 2018. Vol. 13, No. 18. P. 13409–13420 [in English].
Sutawinaya I. P., Astawa I. N. G. A., Hariyanti N. K. D. Comparison of Adaline and multiple linear regression methods for rainfall forecasting // Journal of Physics: Conference Series. 2018. Vol. 953, No. 1. Article 012046. DOI: 10.1088/1742-6596/953/1/012046. [in English].
Valladares S., et al. Performance evaluation of the Nvidia Jetson Nano through a real-time machine learning application // Intelligent Human Systems Integration 2021: Proceedings of the 4th International Conference on Intelligent Human Systems Integration (IHSI 2021): Integrating People and Intelligent Systems, February 22–24, 2021, Palermo, Italy. Springer International Publishing, 2021. [in English].








