×

Вы используете устаревший браузер Internet Explorer. Некоторые функции сайта им не поддерживаются.

Рекомендуем установить один из следующих браузеров: Firefox, Opera или Chrome.

Контактная информация

+7-863-218-40-00 доб.200-80
ivdon3@bk.ru

  • Повышение эффективности работы шаровой мельницы путем совместного использования наблюдателя состояний и экстремального регулятора

    • Аннотация
    • pdf

    В статье рассматривается один из подходов к управлению контуром измельчения руды, в частности процесс загрузки мельницы рудой. Для обеспечения максимальной производительности мельница должна загружаться до уровня 47–50%. Для измерения уровня загрузки мельницы существует несколько способов. В статье исследуется перспектива применения экстремального регулятора совместно с наблюдателем состояний в реализации контуров управления загрузкой мельницы. Полученная система управления производит управление загрузкой опираясь на текущую мощность привода мельницы. Особенность данной системы управления в том, что она способна не только управлять мельницей, но и распознавать перегрузку, а также принимать меры для ее дальнейшего предотвращения. При этом нет необходимости в дополнительных подсистемах и алгоритмах. Помимо этого, были разработаны две модели систем управления и проведено сравнение их эффективности. Обозначены преимущества разработанной системы управления с использованием наблюдателя состояний относительно классического экстремального регулятора.

    Ключевые слова: шаровая мельница, атоматизация, математическая модель, контур управления, наблюдатель состояния, экстремальный регулятор

    2.3.3 - Автоматизация и управление технологическими процессами и производствами

  • Опыт применения нейронной сети YOLOv5 для детектирования растений подсолнечника

    • Аннотация
    • pdf

    В статье описываются результаты исследования возможности детектирования растений подсолнечника по фотографиям произведенным БПЛА. Решение данной проблемы позволит обеспечить автоматизированный контроль за важным сельскохозяйственным параметром – густотой всходов. Задача усложняется ограниченно малым объемом обучающей выборки и «возмущениями», связанными с засоренностью поля. В результате получено, что нейронная сеть YOLOv5m способна на выборке из 122 картинок качественно детектировать растения с ошибкой обучения 0.077%. Искусственное увеличение выборки до 363 фотографий снижает ошибку обучения до 0.063%. Возмущения снижают эффективность детектирования растений подсолнечника на тестовых изображениях. Повысить эффективность детектирования можно как за счет добавления оригинальных изображений в обучающую выборку, так и за счет ее искусственного увеличения.

    Ключевые слова: детектирование, YOLOv5, подсолнечник, густота всходов, нейронная сеть

    2.3.3 - Автоматизация и управление технологическими процессами и производствами