Использование искусственного интеллекта для контроля надежности съемных грузозахватных приспособлений

Введение. Неисправность съемных грузозахватных приспособлений (СГП) создает значимые производственные риски. Этим обусловлена актуальность исследований в данном направлении. Проблема часто становится темой научных изысканий. Авторы предлагают шире использовать искусственный интеллект для мониторинга состояния СГП. В представленной работе показано, как усовершенствовать модель машинного зрения для лучшего выявления отсутствия замков на крюках СГП. Отмечена вероятность широкого распространения проблемы в производственной практике. Предложена схема стенда хранения и контроля состояния СГП. Цель исследования — продемонстрировать возможности дообучения нейросети для существенного повышения эффективности контроля СГП, обеспечивающего безопасность их применения.
Материалы и методы. Работа базируется на актах обследования 144 СГП на заводе ООО «КЗ «Ростсельмаш»» в 2022–2023 гг. Материалы обрабатывались методами математической статистики. Исследовалась нейросетевая модель, предварительно обученная по алгоритму компьютерного зрения YOLO. Ее дообучили с учетом норм браковки СГП, зафиксированных в федеральных правилах и стандартах. Из этих источников взяли изображения СГП с дефектами и отсутствующими элементами и сформировали базу для дообучения сети. Базу расширили методом аугментации. Для работы использовали платформу Roboflow.
Результаты исследования. Массив изображений для дообучения нейросети разделили на три выборки: обучающую (88 %), проверочную (8 %) и тестовую (4 %). По ним проводили обучение и верифицировали его результаты. Обучение завершилось за 260 эпох при стабильном увеличении точности работы. Полученная таким образом нейросетевая модель компьютерного зрения автоматически обнаруживает часто встречающийся дефект крюка СГП — отсутствие замка. Качество ее работы оценили по трем показателям: средняя точность (94 %), точность предсказания (88,8 %) и отклик (89,2 %). Нейросеть может в режиме реального времени получать изображение с видеокамеры и распознавать дефект крюка. При обследовании СГП на заводе «Ростсельмаш» обнаружили эксплуатируемый захват для подъема двигателей, у которого все три крюка оказались дефектными — без замков. Для исключения таких ситуаций по окончании работы целесообразно размещать СГП на специальном стенде с микроконтроллерным устройством, которое отследит наличие ряда проблем с помощью радиочастотной идентификации.
Обсуждение и заключение. Основное предназначение описанного решения — выявление и фиксация признаков несоответствия СГП требуемым нормативам. Задача может быть реализована на объектах, эксплуатирующих подъемные сооружения. В этом случае своевременно замеченные изъяны СГП позволят предупреждать производственные инциденты. В итоге можно рассчитывать на снижение материального ущерба и улучшение статистики по травматизму.

1. Егельская Е.В., Романенко М.Ю. Аспекты применения риск-ориентированного подхода на опасных производственных объектах. Безопасность техногенных и природных систем. 2020;(4):45–49. https://doi.org/10.23947/2541-9129-2020-4-45-49

2. Егельский В.В., Николаев Н.Н., Егельская Е.В., Короткий А.А. Влияние компетенций специалистов грузоподъемных кранов на вероятность возникновения аварийных ситуаций. Безопасность техногенных и природных систем. 2023;(2):70–79. https://doi.org/10.23947/2541-9129-2023-7-2-70-79

3. Sanaz Sadeghi, Nazi Soltanmohammadlou, Payam Rahnamayiezekavat. A Systematic Review of Scholarly Works Addressing Crane Safety Requirements. Safety Science. 2021;133:105002. https://doi.org/10.1016/j.ssci.2020.105002

4. Числов О.Н., Лябах Н.Н. Нейросетевое исследование транспортных систем. Транспорт: наука, техника, управление. Научный информационный сборник. 2021;(10):9–13. https://doi.org/10.36535/0236-1914-2021-10-2

5. Турлуев Р.Р. Нейросети в системах корпоративного управления. В: Труды II Всероссийской научно-практической конференции «Цифровизация: Россия и СНГ в контексте глобальной трансформации». Петрозаводск: Новая Наука; 2021. С. 7–16. https://doi.org/10.46916/12042021-2-978-5-00174-191-6

6. Shuai Kang, Hongbing Wang. Crane Hook Detection Based on Mask R-CNN in Steel-making Plant. Journal of Physics: Conference Series. 2020;1575:012151. https://doi.org/10.1088/1742-6596/1575/1/012151

7. Weiguang Jiang, Lieyun Ding. Unsafe Hoisting Behavior Recognition for Tower Crane Based on Transfer Learning. Automation in Construction. 2024;160:105299. https://doi.org/10.1016/j.autcon.2024.105299

8. Панфилов А.В., Николаев Н.Н., Юсупов А.Р., Короткий А.А. Интегральная оценка риска при диагностике стальных канатов с использованием компьютерного зрения. Безопасность техногенных и природных систем. 2023;(1):56–69. https://doi.org/10.23947/2541-9129-2023-1-56-69

9. Piskoty G, Affolter Ch, Sauder M, Nambiar M, Weisse B. Failure Analysis of a Ropeway Accident Focussing on the Wire Rope's Fracture Load under Lateral Pressure. Engineering Failure Analysis. 2017;82:648–656. https://doi.org/10.1016/j.engfailanal.2017.05.003

10. Aimin Zhu, Zhiqian Zhang, Wei Pan. Technologies, Levels and Directions of Crane-Lift Automation in Construction. Automation in Construction. 2023;153:104960. https://doi.org/10.1016/j.autcon.2023.104960

11. Zhe Sun, Zhufu Zhu, Ruoxin Xiong, Pingbo Tang, Zhansheng Liu. Dynamic Human Systems Risk Prognosis and Control of Lifting Operations during Prefabricated Building Construction. Developments in the Built Environment. 2023;14:100143. https://doi.org/10.1016/j.dibe.2023.100143

12. Vahid Kargar, Mehdi Jahangiri, Moslem Alimohammadlu, Mojtaba Kamalinia, Marziyeh Mirazahossieninejad. Risk Assessment of Mobile Crane Overturning in Asymmetric Tandem Lifting (ATL) Operation Based on Fuzzy Fault Tree Analysis (FFTA). Results in Engineering. 2022;16:100755. https://doi.org/10.1016/j.rineng.2022.100755

13. Szpytko J, Duarte YS. Exploitation Efficiency System of Crane Based on Risk Managemen. In: Proceedings of the International Conference on Innovative Intelligent Industrial Production and Logistics — IN4PL. SciTePress; 2020. P. 24–31. https://doi.org/10.5220/0010123200240031

14. Stroganov YuN, Belov VV, Belova NN, Maksimov AN, Ognev OG. Analysis of Model for Assessing the Road Train Movement Stability. Journal of Physics: Conference Series. 2021;1889:042051 https://iopscience.iop.org/article/10.1088/1742-6596/1889/4/042051

15. Haoran Ding, Mingxing Li, Ray Y. Zhong, George Q. Huang, Multistage Self-Adaptive Decision-Making Mechanism for Prefabricated Building Modules with IoT-Enabled Graduation Manufacturing System. Automation in Construction. 2023;148:104755. https://doi.org/10.1016/j.autcon.2023.104755