Изучение вопроса рециклинга кабельных отходов с использованием интеллектуализированной системы

АННОТАЦИЯ

В статье рассматриваются вопросы увеличения эффективности работы технологического оборудования по переработке отходов кабельного производства. Предлагается решить поставленную задачу путем использования современных экспертных система, например, искусственных нейронных сетей (ИНС), что позволит осуществить диагностику работающей системы оборудования, эффективно произвести техническую и технологическую оценку его состояния с учетом зашумленности входных данных. Решение технологической задачи базируется на использовании метода искусственного интеллекта на базе искусственных нейронных сетей, которые позволяют достичь новые функциональные возможности линии переработки кабельных отходов и улучшить качество технической диагностики.

ABSTRACT

The article discusses the issues of increasing the efficiency of technological equipment for processing cable waste. It is proposed to solve the problem by using modern expert systems, for example, artificial neural networks (ANN), which will allow diagnosing the operating system of equipment, making a technical and technological assessment of its state effectively, taking into account noise level of input data. The solution to the technological problem is based on the use of the artificial intelligence method, based on artificial neural networks, which allow achieving new functionality of the cable waste processing line and improving the quality of technical diagnostics.

Ключевые слова: технология переработки отходов кабельного производства, искусственная нейронная сеть, кабельный скраб, дробленка, медная стружка, алюмелевая стружка, математическое моделирование, система автоматизированной диагностики, нейроинформатика, гибридная система управления, стандартный искусственный нейрон, персептрон Розенблата, многослойная нейронная сеть.

Keywords: cable waste processing technology, artificial neural network, cable scrap, crushed chips, copper chips (shavings), alumel chips (shavings), mathematical modeling, automated diagnostics system, neuroinformatics, hybrid control system, standard artificial neuron, Rozenblatt perceptron, multilayer neural network.

Эффективность технологии переработки отходов кабельного производства сводится к одновременному согласованию вопросов производительности, себестоимости и стоимости конечных продуктов. Это достаточно сложная задача, т.к. необходимо выработать технологию, которая в полной мере отвечает реальным производственным задачам.

Современное технологическое оборудование ориентировано на диагностирование технологических систем методом математического моделирования [1, c.11]. Однако, данный способ недостаточно дает возможность отслеживать и соответственно контролировать множество технологических факторов одновременно, оказывающих негативное влияние на всю технологию. Решение данной задачи может быть достигнуто с использованием современных экспертных система, например, искусственных нейронных сетей (ИНС), что позволит осуществить диагностику работающей системы, произвести техническую и технологическую оценку состояния с учетом зашумленности входных данных [3, 7].

Состав кабельных отходов очень сложный по компонентам, который определяется технологичностью (перерабатываемостью) строящейся исходя из качества получаемого конечного продукта и затрат на переработку кабельного скрапа. Также, не существует единого методического обеспечения данного производственного процесса, а каждое кабельное предприятие разрабатывает собственный подход к выбору уровня технологичности процесса переработки. 

Отходы кабельно-проводниковой продукции содержат ценное сырье, которое при грамотно выбранном способе разделения позволит получить вторичное сырье достаточно высокого качества (медь и алюминий до чистоты 90%). В состав кабельной продукции входят различные материалы (рис. 1), но основным является металлическая проводящая часть (50-60%) и полимерная изоляция (15-25%). Выбор метода переработки обеспечит должный процент выхода очищенного вторичного сырья, что позволит вернуть в производственный цикл почти на 90-95% кабельных отходов.

а)                                                                   б)

Рисунок 1. Полученное вторсырье: а) медная стружка; б) пластикат

На сегодняшний день существует проблема вторичного использования различных полимерных материалов, из которых выполнена изоляция кабеля, т.к. имеет место неоднородность в его составе, а именно сочетание слоев полимеров различного типа и их последующее смешивание, что существенно ухудшает свойства выходного материала.

В отношении переработки металлических жил кабеля эта проблема стоит не так остро, т.к. токоведущая часть как правило выполняется из чистой электротехнической меди или алюминия.  Однако, с целью улучшения механических характеристик кабельной продукции достаточно часто применяют броню, которая выполняется из стальных элементов (проволока или лента). Являясь конструктивном элементом, а следовательно, его составной частью, броню тоже подвергают дроблению и соответственно данный этап существенно ухудшает свойства алюминиевой и медной стружки, за счет попадания при измельчении отходов инородных металлов.

Исходя из вышеизложенного одним из основных вопросов стоящих перед качественной технологией переработки отходов кабельного производства – это вопрос увеличения процента отделения цветного металла от изоляции и других сопутствующих металлов входящих в конструкцию кабельного изделия. Переработка отходов изоляции, брони и полимерных покрытий (оболочки) также является не менее важным вопросом, т.к. полученная полимерная масса и металлическая стружка (неметаллические компоненты) позволит решить различные производственные и экономические задачи, при обязательном соблюдении высокого процента чистоты при их переработке кабеля.

Технология переработки кабельных отходов объединяет несколько методов: электромагнитная сепарация, воздушная вибросепарация и т.д., в ходе которых происходит отделение полимерных и металлических составляющих кабельного изделия друг от друга.

Особенностью данной технологии является дробление отходов по замкнутому циклу (рис. 2), где в процессе измельчения происходит отделение металлического проводника от изоляции, что достигается разной плотностью перерабатываемых материалов. При этом нельзя применять данную технологию при переработке липких, маслонаполненных кабелей).

Для обеспечения бесперебойной и эффективной работы технологического оборудования необходимо осуществлять контроль более 85 технологических параметров. Поэтому сложное современное оборудование и растущий уровень технических требований как технологии, так и к готовому изделию требует пересмотра действующей традиционной концепции связанной с построением системы диагностики и поиска решений [3, 7].

Рисунок 2. Схема технологической линии для переработки кабельных отходов:

1-загрузочный бункер; 2 – дробилка; 3 – транспортер; 4 - вибросетка; 5 – система воздушной вибросепарации; 6 – электромагнитный улавливатель

Наиболее уязвимое место в рассматриваемой технологии – это воздушная вибросепарация в псевдокипящем слое [4, 5]. Предлагаемый способ позволит осуществить контроль режима работы линии по переработке отходов за счет отслеживания параметров рабочего режима оборудования и сопоставления их с заданными по технологии значениями. При этом оборудование рассматриваем, как электромеханическую систему в состав которой входят рабочие узлы и механизмы (рис. 2): дробилки, транспортёры, электромагнитный улавливатель, вибросетка и система воздушной вибросепарации, а также система автоматизированной диагностики (САД), обеспечивающая регулировку работы всей линии в целом с учетом смены кабельного скраба (медь или алюминий). Диагностика всего технологического цикла позволит осуществить оценку текущего состояния ЭМС, выявить необходимость смены вибросетки -определение степени ее засоренности и сократив при этом время технического обслуживания за счет прогнозирования «точки полного отказа». При этом каждый элемент имеет свой набор основных неисправностей и зон ограничений, своевременное обнаружение которых обеспечит повышение надежности работы всей технологической линии.

В состав технологического оборудования включается система автоматизированной диагностики (САД), которая действует на базе экспертной системы, являющейся новой информационной технологией в распознавании сигналов как рабочих параметров ЭМС так и кабельного скраба (сырья). Работу линии, как гибридной системы можно рассматривать в виде совместного функционирования устройств контроля и диагностики ЭМС, а также комплексной интеллектуальной компьютерной технологий. Применение нейронных сетей для диагностирования позволит своевременно оценить техническое состояние рабочих узлов и механизмов, а также определить степень износа ножей в дробилках, засоренности сеток виброустановки и фильтров системы воздушной вибросепарации. При этом искусственные нейронные сети (ИНС) являются вычислительными структурами, которые состоят из большого количества однотипных элементов, каждый из которых выполняет относительно простые функции. Отличительной особенностью предлагаемого способа является тот факт, что САД обладает способностью к обучению, т.е. нейронная сеть в состоянии принять и распознать сообщенную ей информацию или что от нее добиваются, выбрать необходимый режим работы (в нашем случае переход с алюминиевого сырья на медное или наоборот), сигнализировать о необходимости замены технологической оснастки (ножи, сетки, фильтры) и запустить режим очистки оборудования при переходе на новое сырье).

Решение технологической задачи базируется на использовании метода искусственного интеллекта на базе искусственных нейронных сетей, которые позволят достичь новых функциональных возможностей линии переработки кабельных отходов и улучшить качество технической диагностики. Основную роль в рассматриваемой технологии отводится системе контроллеров и датчиков (датчик вибрации, датчик шума и датчик веса), которые будут фиксировать и контролировать значения: рабочие параметры дробилок, магнитного улавливателя, ленточных конвейеров, вибросетки, системы воздушной вибросепарации (рис. 2). Правильный выбор элементов САД позволит охватить максимально обширную область косвенных данных работающей системы, включая параметры сырья (кабельного скраба), дорбленки (кабельного перемола), металлических и неметаллических отходов, медной и алюминиевой стружки, а также даст возможность наиболее точно считать данные и исключив влияние сторонних факторов, создающих помехи и шумы. Все это расширит возможности технологического оборудования за счет определения ИНС факторов наиболее важных для работающей линии путем создания общего образа контролируемой технологической системы. При этом рабочими параметрами системы (рис. 3) снимаемые группой датчиков,  складываются в суммарное значение  сигналов (p), а сама САД не оказывает влияние на действующую систему управления (СУ) работы технологического оборудования. Процесс управления (x) рабочими параметрами  технологической линии заключается в обучении системы (сбор данных датчиков, анализ, выбор оптимального решения протекания процесса дробления) с последующим дополнением управляющих сигналов в работу всей ЭМС линии САД, что способствует улучшению работы дробильного оборудования. Выходной сигнал (y) – является суммарным параметром состояния работы системы полученный в результате аналитической обработки данных полученных с системы установленных датчиков. Программное сопровождение – ИНС и стандартные драйверы контроллера.

 .

Рисунок 3. Блок-схема САД технологического оборудования переработки кабельных отходов

Для разработки системы управления технологической линией по переработке отходов  был проведен анализ существующих моделей, которые строятся как универсальные автоматизированные системы технической диагностики [1, с. 11]. В приведенной блок-схеме (рис.4), которая представляет алгоритм работы САД имеются следующие обозначения: a – параметр состояния объекта; b, с, d, е, f – значения датчиков контроля; g – параметры скраба, дробленки и стружки, i, j – счетчики; X₁-X₆ – строка текстового файла с параметрами a-g соответственно; h – параметр обучения (было или нет); k – результат нейронной сети; l – неисправность; m – состояние системы (0 – все в порядке, 1 – есть проблемы); text – текстовая переменная для записи параметров. Таким образом ИНС обладает способностью изменять свое поведение в зависимости от внешних условий. Способность к распознаванию предъявленных входных сигналов и возможность обучения позволяет выработать для гибридной системы управления требуемую реакцию для продолжения установленного нормативной документацией требуемого технологического цикла. Завершение процедуры обучения позволит НС отсекать сторонние внешние сигналы обеспечив чистоту работающего фона для оборудования [7]..

Отличительной особенностью ИНС, как гибридной САУ для линии переработки кабельных отходов является способность к отказоустойчивости, которая заключается в том, что при выходе из строя нейрона, а также в случае искажения соединения сети это практически не отражается на работу всей установки в целом, при этом совместное поведение сети и САУ технологического оборудования изменяется незначительно. В случае изменения поведения система продолжает работать, она не гибнет, т.к. информация распределяется по всей сети, а не содержится в конкретном месте.

Рисунок 4. Блок-схема - алгоритм работы САД [1, с.11]

Таким образом, возможность применения ИНС в управлении технологией, как гибридной системы совмещенной с САУ технологической линии стало возможным благодаря нейроинформатики, с помощью которой возможно разработать и исследовать разные производственные задачи посредствам искусственных нейронных сетей, построенных на стандартных искусственных нейронах [7].

Рисунок 4.  Структура ИНС [1, с.11, 7]

Предлагаемая система построена на многослойной нейронной сети прямого распространения с сигмоидальной активационной функцией, которая позволит оценить технологическое состояние дробильного оборудования путем анализа данных датчиков, где действующий алгоритм обучения – это алгоритм обратного распространения ошибки (рис. 4). В основе разработки лежит персептрон Розенблата со связями между слоями «все со всеми» за счет последовательно действующей системы последовательного сбора данных датчика. Важным также стоит отметить, что результативность работы ИНС определяется алгоритмизацией системы диагностики, а также уровнем разработки формальной модели принятия решений и их последующей оценки.

Список литературы:

1. Глухов Ю.А., Частиков А.П., Корниенко В.Г., Глушко С.П. Разработка устройства для экспертной диагностики систем на основе нечеткой логики нейронных сетей / Ю.А. Глухов, А.П.Частиков, В.Г.Корниенко, С.П.Глушко // Научный журнал КУБГАУ, №98(04), 2014 г. с.
2. Хассанин Хатем Мохамед Абдель Максуд Решение задач оптимизации с помощью нейронной сети хопфилда // Фундаментальные исследования. – 2015. – № 2-22. – С. 4886-4892; URL: http://www.fundamental-research.ru/ru/article/view?id=38125 (дата обращения: 30.10.2020).
3. Электронный ресурс http://www.waste.ru/modules/section/item.php?com_mode=nest&com_order=0&itemid=181
4. Электронный ресурс https://www.waste.ru/modules/section/item.php?itemid=174
5. Birger I.A. Tehnicheskaja diagnostika / I.A. Birger // M.: «Mashinostroenie», 1978.— 240, s.
6. Нейронные сети: практическое применение, https://habr.com/ru/post/322392/