Content uploaded by Vladislav Valnev
Author content
All content in this area was uploaded by Vladislav Valnev on May 11, 2023
Content may be subject to copyright.
14
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
Н. И. Котелев
а
,
доцент кафедры автоматизации
технологических процессов и производств,
канд. техн. наук
,
эл. почта: Koteleva_NI@pers.spmi.r
u
В. В. В
а
льн
ев
,
аспи
р
ант ка
ф
ед
р
ы автоматизации
т
е
хн
о
л
о
гич
ес
ких п
ро
ц
ессо
в и п
ро
и
з
в
о
д
с
т
в
Н. А. Королев
,
главный специалист
у
чебно-на
у
чного центра
ци
фр
овых технологий
,
канд. техн. на
ук
Технология дополненной реальности
как средство технического обслуживания
оборудования металлургических производств
У
ДК
6
54:
68
1.
5
С
анкт-Петерб
у
ргский горный
у
ниверситет,
Санкт-Петербург, Росси
я
Введение
Т
е
хнология дополненно
й
реальности открывает новые
перспективы для повышения эффективности ра
б
о-
ты металлургических предприятий [1,
2
]. В среднесроч-
ной перспективе это может
б
ыть достигнуто за счет
повышения безопасности и эффективности труда
работников, ос
у
ществляющих техническое обсл
у
жива-
ние обор
у
дования. А в долгосрочной перспективе —
может стать ядром большой комплексной диагности-
ческой системы с задействованием технологии ци
фр
о-
вого двойника, моделирования, автоматического фор-
мирования плана, подготовки и реализации комплекс-
ных сервисных мероприятий обсл
у
живания и ремонта
обор
у
дования.
Р
еакторы с перемешивающим устройством явля-
ются основным технологическим обор
у
дованием
гидрометалл
у
ргической переработки р
у
д. При этом
основные энергетические затраты берет на себя обо-
р
у
дование с электроприводом — оно обеспечивает
перемешивание с заданной частотой для достижения
целевых показателей процесса [
3
].
Э
лектродвигатели
не только потребляют значительн
у
ю часть энергии на
производстве [4], но и часто выходят из строя. Эта
проблема является общей для всех отраслей про-
мышленности (в не
ф
тедобывающей
[
5, 6
]
, пище-
вой, легкой и т. д. [7, 8]). Для избежания простоев
об
орудования нео
б
ходимо проведение мониторинга
и диагностики параметров электродвигателей, что
б
ы
предотвратить непредвиденные поломки и остановк
у
технологического п
р
оцесса в связи с этим. Исполь-
з
ование разных датчиков и способов диагностики
неисправностей помогает справиться с перечислен-
ными задачами [9, 10]. Простои обор
у
дования мог
у
т
возникать из-за многих причин: от износа, который
характере
н
всем механическим элементам обору
-
дования, до неисп
р
авности с
р
едств изме
р
ений
и преобразователей сигналов [11, 12]. При этом
сильно сказывается и человеческий ресурс. Ква ли
-
ф
икация пе
р
сонала, с
р
оки выполнения опе
р
аций, опыт
и вовлеченность в работ
у
напрям
у
ю влияют на работ
у
оборудования [13, 14]. Для любого устройства также
необходимо проведение работ по обсл
у
живанию
и ремонт
у
. Это может быть как плановый, так и капи
-
тальный ремонт, но это требует остановки и вывода
обор
у
дования из технологического процесса [15, 16].
Эффективные способы проведения соответств
у
ю
-
щих работ повысят скорость обслуживания и позво
-
лят сократить простои как самого обор
у
дования, та
к
и, возможно, производственного
у
частка в цел
о
м.
В
эпох
у
развития цифровых технологий все
б
ольшая их часть
н
аходит применение в разных отраслях промышленности.
В
статье предложен подход к использованию технологии
дополненной реальности при о
б
служивании реакторов
с перемешивающими
у
стройствами. Подобный подход
м
ожет
б
ыть применен к лю
б
ом
у
вид
у
о
б
ор
у
дования, он легко
и
нтегрируется в существующие системы автоматизации
и
не требует больших инвестиций на начальном этапе, пред-
п
олагая постепенное
у
совершенствование и наращивание
фу
нкционала
.
П
оказаны основной набор ф
у
нкциональных требований
системы технического обслуживания оборудования на осно-
в
е технологии дополненной
р
еальности, спосо
б
ы оценки
р
аботоспособности системы, пе
р
спективы
р
асши
р
ения
и
у
совершенствования ф
у
нкциональных возможностей,
н
аправления интеграции таких систем в существующие авто-
ма
ти
з
и
ро
в
а
нны
е
с
и
с
т
е
мы
у
п
ра
вл
е
ния н
а
п
ре
дп
р
иятии.
П
роверк
у
эффективности системы с дополненной реально-
стью проводили путем определения среднего времени
в
ыполнения каждого этапа обсл
у
живания и обработки
р
ез
у
льтатов по критерию Манна – Уитни. Применение пред-
л
о
ж
е
нн
о
г
о
ре
ш
е
ния п
оз
в
о
лил
о
со
к
ра
тить
сре
дн
ее
в
ре
мя
обсл
у
живания единицы обор
у
дования в 2,3 раза, а эффек-
т
ивность проведения работ
у
величилась на 5 %
.
К
л
ю
ч
е
вы
е
с
л
о
в
а
: д
о
п
о
лн
е
нн
а
я
реа
льн
ос
ть, т
е
хнич
ес
к
ое
обсл
у
живание, металл
у
ргия, цифровизация, IoT, системы
у
правления, автоматизация, индустрия 4.
0.
DO
I: 1
0
.175
80
/tsm.
2023
.
0
4.
02
©Котелева Н. И., Вальнев В. В., Королев Н. А., 2023
ISSN 0372)2929 «Цветные металлы». 2023. № 4
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
1
5
Дополненная реальность предоставляет новые воз
-
можности улучшения с
б
орочных и ремонтных ра
б
от.
Так, созданы портативные и
у
до
б
ные в использо вании
мо
б
ильные AR-устройства (от augmented reality —
дополненная реальность) [17, 18]. Их широко приме
-
няют при об
у
чении операторов и прочего персонала
навыкам сборки, монтажа и обслуживания в целя
х
сокращения длительного чтения документации [19,
20
]
.В др
у
гом исследовании предложена вирт
у
альная
среда для обучения работе на насосных станциях.
В разработанной среде есть конструкции и оборудо
-
вание, которые упрощают взаимоде
й
ствие пользова
-
теля с производственным процессом, контрольно
-
измерительными приборами, мониторингом и управ
-
лением станцией [21, 22]
.
Б
лагодаря развитию программ численного и имита
-
ци
о
нн
о
г
о
м
о
д
е
ли
ро
в
а
ния
с
т
а
н
о
вит
с
я в
оз
м
о
жн
а
о
т
ра-
б
отка нештатных ситуаций и проверка алгоритмов
уп
ра
вл
е
ния н
а
к
о
мпь
ю
т
ер
ных т
ре
н
а
ж
ер
ных к
о
мпл
е
к
са
х.
Такой способ исследования и отладки технологически
х
процессов применим как в о
б
учении, так и при пуско
-
наладочных процессах [23, 24]. Авторы ра
б
оты [25]
используют компьютерное
C
FD-моделирование* реак
-
тора с мешалкой для определения нео
б
ходимого шага
ди
с
к
ре
ти
за
ции и
раз
м
ера
се
тки в ц
е
лях
со
п
ос
т
а
вл
е
ния
модели с производственным процессом.
В
результате
и
сс
л
е
д
о
в
а
ния
а
вт
ор
ы п
о
лучили к
о
мпл
е
к
с
ну
ю
м
о
д
е
ль
а
вт
о
кл
а
вн
о
г
о
реа
кт
ора
с
пять
ю
к
о
нт
ро
лл
ера
ми, п
о
д
-
держивающими температурный
б
аланс в соответствии
с производственными параметрами [
2
5].
Лю
б
ая система диагностики основана на показани-
ях датчиков о
б
орудования [26, 27], а значит является
составляющей структуры управления технологическим
процессом [28]. Для прогнозирования срока служ
б
ы
разных компонентов машин в ра
б
оте [29] предложен
метод с использованием дополненной реальности
и интернета вещей (IoT; internet of things).
Для реактора с мешалкой рекомендованы след
у
ю
-
щие контролируемые переменные: уровень и давление
в реакторе, рецирк
у
ляционном клапане компрессора,
скорость мешалки, а также переменные с хорошими
самооптимизирующими свойствами, включая темпе
-
рат
у
р
у
реактора, состав компонентов в прод
у
вке
и рецирк
у
ляционный поток или скорость работы ком
-
прессора. Осуществимость выбора такого набора пара
-
мет
р
ов подтве
р
ждена модели
р
ованием в исследова
-
нии [30].
А
вторы работы [31] отмечают, что повышения про
-
изводительности п
р
оцесса пе
р
емешивания можно
достичь за счет рег
у
лир
у
емой мощности электродви
-
гателя мешалки. При этом исследование показало, что
периодическая подача с
у
бстрата не обязательно
влияет на скорость гидролиза и выход. Однако она
в
оздействует на поток суспензии внутри реактора
и
мощность двигателя мешалки.
С
оответственно,
пу
тем разра
б
отки процед
у
ры периодической подпит-
к
и, основанной на мощности двигателя мешалки, нео
б
-
ходимой для перемешивания суспензии, можно опти
-
м
изировать общее потребление энергии [32, 33].
Изменение подачи катализатора в мешалки пред
-
с
тавляет собой серьезную проблему для контролле-
р
ов и систем
у
правления, так как это приводит к высо-
к
ому и резкому скачку ошибки начальной температу-
р
ы. Отмечается, что управление реактором с мешал-
к
о
й
на основе регулятора нечетко
й
логики позволяет
у
меньшить погрешность при управлении и может сни-
з
ить вероятность перегрева аппарата, поскольку тем-
п
ерат
у
ры
у
держиваются в более
у
зком рабочем диа-
п
азон
е
[33]
.
Исследуя и решая про
б
лему простоев о
б
орудова
-
н
ия, в исследованиях [34, 35] разра
б
отали информа-
ц
ионную систему на основе IoT и машинного о
б
учения
для мониторинга температуры двигателя.
О
тмечают,
что контроль температуры повышает э
фф
ективность
р
а
б
оты и снижает затраты на о
б
служивание и ремонт
п
еремешивающей установки из-за предоставления
с
воевременной информации о ра
б
оте двигателя на
об
ъекте.
Целью представленной ра
б
оты является повышение
э
ффективности проведения технического о
б
служива-
н
ия о
б
орудования металлургических производств
с
применением технологии дополненно
й
реальности
и
оценка ра
б
отоспосо
б
ности системы на примере реак-
т
оров с перемешивающими устройствами.
Материалы и методы исследования
Разра
б
отка структурной схемы систем
ы
. При раз
-
р
а
б
отке структурной схемы системы учитывали такие
с
войства, как модульность, масштабируемость, инте
-
г
рир
у
емость и скорость пол
у
чения информации.
П
редлагаемая в работе стр
у
кт
у
рная схема представле-
н
а на рис.
1
.
Система делится на три
у
ровня: физический, ком-
му
никационный и приложения. Информационная
м
одель системы представлена на рис.
2
.
К физическом
у
у
ровню относится асинхронный
э
лектродвигатель АИР 80В4, преобразователь частоты
Altivar Process ATV
900
, ПЛК Modicon M
3
4
0
и два элек
-
тр
ических
р
асп
р
еделительных шка
ф
а. В составе одно-
г
о из них — трехфазный счетчик электроэнергии
iEM
3
155. Его используют для мониторинга электриче-
с
ких показателей элект
р
одвигателя. Вто
р
ое
р
асп
р
еде-
л
ительное
у
стройство включает автоматические выклю-
чатели I
C60
с мотор-редуктором и
S
martlink шиной, что
о
беспечивает подключение к локальной сети по п
р
отоко-
лу
Modbus TCP/IP и
у
даленном
у
у
правлению электриче-
с
кой цепью, в которую включен электродвигатель. На ком-
му
никационном
у
ровне расположена серверная часть
с
истемы, которая представляет собой MQTT-брокер
* CFD (computational fluid dynamics modeling) — моделирова-
ние динамики сплошных сред.
16
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
и
O
P
C
-сервер.
С
овместное использование на уровне
комм
у
никации технологий M
Q
TT и
O
P
C
UA позволит
интегрировать разра
б
атываем
у
ю систем
у
и о
б
еспе чить
в
за
им
ос
вя
з
ь
с
о
п
ре
д
е
л
е
нным п
р
инцип
о
м к
а
ч
ес
тв
а
,
присущим этим технологиям [36, 37].
Ф
у
нкционал системы. Формирование ф
у
нкциональ
-
ных особенностей системы является главным шагом
при ее создании. В работе представлен минимальный,
на взгляд авторов, набор ф
у
нкций, необходимых на пер
-
воначальном этапе внедрения системы
(
та
б
л. 1
)
.
П
о
мере эксплуатации этот набор может быть расширен
и усовершенствован.
Разработка динамической модели объекта.
Н
а
р
ис.
3
представлена модель управления электроприводом
мешалки и расчет скорости вращения и момента.
Важной особенностью представленной модели являет
-
с
я интеграционный компонент, в качестве которого
вы
б
рана технология OPC UA.
Для построения динамической модели, представ-
ленной на рис.
3
, использовали упрощенную структуру
с
и
с
т
е
мы в
е
кт
ор
н
о
г
о
ре
гули
ро
в
а
ния
с
к
орос
ти
ас
инх
ро
н
-
ного двигателя (представлена на
р
ис. 4) и структурную
с
хему системы регулирования скорости (рис.
5
)
.
А
налитические уравнения математическо
й
модели
А
Д имеют следующий вид:
d
Ψ
d
d
s
α
––––––
=
U
s
U
α
–
R
s
I
s
I
α
,
d
t
Сервер
1
2
3
7
6
89
45
О
бщая схема системы
:
1
—
р
асп
р
еделительный шка
ф
со счетчиками элект
р
о-
эне
р
гии
;
2
— распределительный шкаф с «умными» авто-
2
м
атическими выключателями
;
3
— электродвигатель
3
А
ИР
80
В
4;
4
— преобразователь частоты Altivar ATV900;
4
5
— программируемый логический контроллер (ПЛК)
5
Modicon M340; 6 — очки дополненной
р
еальности;
7
—
7
Simulink-модель симуляции динамической системы элек-
т
р
оп
р
ивода и мешалки;
8
— Mosquitto MQTT Broker —
8
б
рокер
(
сервер
)
, обеспечивающий обмен информаци
-
ей по протоколу M
Q
TT;
9
— OPC UA Server (unified
9
archi tec ture
)
— протокол передачи данных в промышлен
-
н
ых
се
тях
Р
ис.
2
. Ин
ф
о
р
мационная модель системы
:
1
— трехфазный счетчик электроэнергии iEM3155;
1
2
— преобразователь частоты;
2
3
— программируемы
й
логически
й
контрол-
л
е
р;
4
— MQTT-брокер;
4
5
— ОРС-сервер;
5
6
— очки дополненно
й
р
еальности;
7
— Simulink-модель
7
UA
UB
UC
UABC
PABC
IABC
Uavg
Pavg
IAvg
UABC
PABC
IABC
Uavg
Pavg
IAvg
Tm
Me
W
Wm
Tm
Me
W
Wm
UA
UB
UC
UA
UB
UC
UA
UB
UC
Wзадание
Wзадание
Wзадание
Wзадание
Wзадание
Физический уровень
Уровень коммуникаций
Уровень приложений
isOpen
is Close
Open
Close
2
3
4 5
6
7
1
ISSN 0372)2929 «Цветные металлы». 2023. № 4
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
17
d
Ψ
d
d
s
β
–––––– =
β
U
s
U
β
–
R
s
I
s
I
β
,
d
t
d
Ψ
d
d
r
α
r
r
–––––– =
–
R
r
I
r
α
r
–
ω
Ψ
r
β
,
d
t
d
Ψ
dd
r
β
–––––– = –
R
r
I
r
β
+
ω
Ψ
r
α
r
,
d
t
1
k
r
k
I
s
I
α
= ––––
Ψ
s
α
–
––––
Ψ
r
α
rr
,
σ
L
s
σ
L
s
1
k
r
k
I
s
I
β
= –––
–
Ψ
s
β
–
––––
Ψ
r
β
,
σ
β
L
s
σ
L
s
–
k
s
k
1
I
r
α
r
r
= –––
–
Ψ
s
α
+ ––––
Ψ
r
α
r
,
σ
r
α
r
L
r
r
σ
L
r
–
k
r
k
1
r
I
r
β
= ––––
Ψ
s
β
+ ––––
Ψ
r
β
,
σ
r
β
L
r
r
σ
L
r
d
ω
(
M
–
M
M
c
)
–––
=
–––––––––
,
dt
t
J
M
= 1,5
M
zL
μ
(
I
r
α
r
r
I
s
I
β
–
I
r
β
I
s
I
α
),
M
c
=
k
ω
kk
2
,
где
Ψ
s
α
,
Ψ
s
β
,
Ψ
r
α
rr
,
Ψ
r
β
r
r
— проекции вектора потокосцепле-
ния статора и ротора на оси системы координат
(
α
–
β
);
U
s
U
α
,
U
s
U
β
— проекции вектора напряжения статора на оси
системы координат
(
α
–
β
)
;
I
s
α
,
I
s
β
,
I
r
β
— проекции век
-
тора тока статора и ротора на оси системы координат
(
α
–
α
β
)
;Rs и R
r
— соответственно активное сопротивле-
r
ние обмотки статора и ротора;
ω
— частота вращения
ротора;
L
s
и
L
r
— индуктивность обмотки статора и рото-
r
ра;
σ
— коэ
фф
ициент рассеяния;
k
s
k
и
k
r
k
— коэффици-
r
енты рассеяния статора и ротора;
L
μ
— индуктивность
цепи намагничивания;
z
— число пар полюсов;
J
—
J
момент инерции ротора;
k
— вентиляторный коэффи-
k
ц
иент насоса.
Математическое моделирование устройства прово-
дили на примере тур
б
инной мешалки со следующими
к
о
н
с
т
р
уктивными п
ара
м
е
т
ра
ми:
Д
иамет
р
емкост
и
..................................................
0,
715
м
П
лотность с
р
ед
ы
.............................................
1
108 кг
/м
3
Д
инамическая вязкость с
р
еды
...................
0,0017 Н·с
/м
2
Ч
астота в
р
ащения исполнительного механизма
....
1
,
5
с
–1
Т
ип м
е
ш
а
лки
.................................................................
14
Т
ребуемый сервис-факто
р
..........................................
1
,
5
Табли
ц
а
1
Фу
нкции системы
Функция До внедрения системы дополненной
реальности После внедрения системы дополненной реальности
П
оиск неисп
р
авносте
й
или подготовка к выполнению се
р
висных де
й
стви
й
Поиск нужной единицы о
б
орудовани
я
С
опоставление технологических карт или
схем с фактическим расположением о
б
о
-
р
уд
о
в
а
ния
Использование виртуальных о
б
ъектов (стрелки, звуки,
ви
б
рация, виртуальные модели о
б
орудования). Система
автоматически визуализирует о
б
ъект, который нуждается
в
о
вним
а
нии
о
п
ера
т
ора
Выполнение опе
р
ации технического
о
б
служивания единицы о
б
орудовани
я
Электронные или
б
умажные инструкции,
личный или производственный опыт
о
б
служивающего персонала
Вызов и использование с
б
орно-раз
б
орной 3D-модели
о
б
орудования. Демонстрация на экране деталей о
б
ору-
дования, нео
б
ходимых инструментов
Пол
у
чение дополнительной информа
-
ции (нап
р
име
р
, о технологических
параметрах)
Поиск информации по приборам, исполь
-
зование переносных устройств, сличение
реального и системного объекта, звонок
диспетчеру
Пол
у
чение подробной информации при активации ф
у
нк-
ции в тот же момент времени по любой единице оборудо-
вания (паспортные данные, рабочая документация, теку-
щие технологические па
р
амет
р
ы)
Уст
р
анение п
р
ичины или выполнение се
р
висных действи
й
Т
естирование де
й
стви
й
по принципу
«Чт
о
ес
ли…»
Л
ичны
й
или производственны
й
опыт
о
б
служивающего персонала
Динамическая модель, позволяющая проигрывать лю
б
ые
сценарии (включение/отключение о
б
орудования, вывод
или ввод технологических участков в ра
б
оту, увеличение
п
р
оизводительности и т. д.)
В
ызов техническо
й
поддержки Использование нескольких устройств
для звонка, пе
р
едачи ин
ф
о
р
мации и п
р
.
Использование одного экрана, переключение на вид
RealtimeView для отоб
р
ажения объекта в том виде, в кото-
ром его видит обслуживающий персонал.
Маркировка экспертом и визуализация этих маркеров
и пометок перед сотр
у
дником, проводящим обсл
у
живание
Заключительный этап обслуживания
Внесение в систему сервисных опе-
р
аци
й
Использование электронных носителей
или жу
р
н
а
л
а
Автоматическое ведение сервисного журнала
К
онтроль качества Использование дополнительных
б
ригад,
п
р
ивлечение поднадзо
р
ных о
р
ганизаци
й
А
втоматически
й
конт
р
оль качества по алго
р
итмам
(ф
ото
и видео
ф
иксация, класси
ф
икация и распознавание де
й
-
стви
й
пользователя
)
Общие функции системы
Функция голосового управления
Вызов эксперта, вызов диспетчера, фотофиксация, видео-
фиксация, пуск/останов оборудования из единого окна,
загрузка реальных и/или моделируемых параметров обо-
р
уд
о
в
а
ния,
о
тв
е
т н
а
к
о
м
а
нды п
о
ль
зо
в
а
т
е
ля
18
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
В
качестве среды рассматривали раствор гидро
-
ксида натрия 1
0
%, скорость вращения лопастей —
90
мин–
1
,
режим ра
б
оты >10 ч в день.
М
ощность мешалки характеризует количество энер
-
гии, подводимой в единицу времени к перемешивае
-
мой жидкости, и определяется форм
у
лой:
N
=
N
K
N
K
ρ
n
3
d
5
м
,
г
д
еn— ско
р
ость в
р
ащения мешалки; dм— диамет
р
лопастей мешалки
;
ρ
— плотность жидкости
;
K
N
K
K
— коэф-
N
ф
ициент мощности, зависящий от конструкции и числа
яр
у
сов мешалки.
Результаты исследований и их обсуждение
На
р
ис. 6 представлены рез
у
льтаты работы дина
-
мической мо
д
ели.
Адекватность имитационной модели подтверждает
-
с
я подде
р
жанием динамических ха
р
акте
р
истик элек
-
тропривода мешалки (частот вращения и моментов
электродвигателя и мешалки), а также обеспечением
момента на вал
у
при загр
у
зке и разгр
у
зке мешалки
с
поддержанием постоянной частоты вращения вала.
На
р
ис. 7 представлена часть экранов системы
дополненной реальности для обсл
у
живания электро
-
двигателя.
В
т
а
б
л.
2
п
р
ив
е
д
е
н
рез
ульт
а
т т
ес
ти
ро
в
а
ния
с
истемы. В графе «время» указано его среднее зна
-
чение (среднее арифметическое), нео
б
ходимое для
выполнения указанной операции технического о
б
с
-
луживания человеком. При тестировании системы
4
3
5
Ри
с
. 3
.
Динамическая модель системы элект
р
оп
р
ивода и мешалки в Matlab Simulink
:
1
— мешалка
;
2
— датчики тока;
2
3
— асинхронный двигатель;
3
4
— датчики напряжения; 5 — очки дополненной реальности
4
Т
абли
ц
а
2
Р
ез
у
льтаты испытаний
Операция Время выполнения, с
с системой без системы
Поиск нео
б
хо
д
имой
д
етали о
б
о-
р
уд
о
в
а
ния 1
0
50
П
р
ове
р
ка па
р
амет
р
ов мешалки
5
30
Проверка направления враще-
ния м
е
ш
а
лки
5
30
Пр
ове
р
ка целостности п
р
опел-
л
ера, без разборки мешалки 1
0
60
Проверка целостности резино-
вой оболочки кабеля, проверка
изоля
ц
ии
30
30
Замена ка
б
еля, с занесением
в журнал 4
5
60
С
делать фотофиксацию 1
0
20
С
делать видеофиксацию 1
5
25
С
у
ммарное время по всем
опе
р
ациям 13
0
305
ISSN 0372)2929 «Цветные металлы». 2023. № 4
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
19
и
спыт
у
емым предлагалось выполнить определенные
операции сначала без использования системы, а потом
с ее п
р
именением. Всего было п
р
отести
р
овано 37 чело
-
в
ек. Дополнительно в качестве испыт
у
емых были задей
-
ствованы группы по 1
2
человек.
О
дной группе предла-
г
али выполнить действия с использованием системы
,
д
р
у
гой гр
у
ппе — без ее применения.
Рез
у
льтаты испытаний прямо демонстрир
у
ют высо
-
кую эффективность использования системы для прове
-
дения технического обсл
у
живания. Среднее время сопро
-
вождения сократилось практически в 2,3 раза. При этом
необходимо учитывать, что результаты по обслуживанию
б
ыли пол
у
чены в лабораторных
у
словиях, и это несколь
-
ко искажает (иллюзорно
у
прощает) действительность.
2
1
П
ро
д
олжение рис. 3.
Заданная
скорость
Угол
потока
Точки фаз
(с датчиков)
Силовое
питание
Вращающаяся
синхронно
с полем система dq
Угол поворота ротора
ММ
dq Ad
dqADC
IS
ISd
ISq
ISq0C
ISd0C
IA
UAUBUC
IB
IC
USq
US
USd
4
5
67
6
1
23
Ри
с
. 4. Структура системы векторного регулирования скорости асинхронного двигателя
(
АД
):
1
— регулятор скорости;
1
2
— вычислитель скорости ротора;
2
3
— измеритель или вычислитель угла
3
ψ
R
;
4
— регулятор тока
4
I
q
I
;
5
— регулятор тока
5
I
d
I
;
6
— преобразователь координат;
6
7
— преобразователь широтно-импульсной модуляции (ШИМ)
7
20
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
Кроме оценки рез
у
льтатов по времени для еди
-
ницы оборудования дополнительно рекомендуется про
-
водить
р
асши
р
енный анализ этой системы с использо
-
ванием когнитивно-психологических факторов. Для
проведения такой экспертизы давно
зарекомендована методика NA
S
A
-
TLX (The NA
S
A Task Load Index) тест
[
38
,
39
]. Испытуемым предлагали
ответить на след
у
ющие вопросы, где
ответом являлась постановка баллов
от
0
д
о 1
0
:
а
) оцените, ч
у
вствовали ли вы
у
гроз
у
, разочарование или раздра
-
жение (
0
— не чувствовал, 1
0
— ярко
ч
у
вствовал);
б)
насколько сложно вам было
выполнять свою работу (0 — легко,
10 — очень сложно
)
;
в
) насколько
у
спешно вы справи
-
лись со своей задачей (
0
— не спра
-
в
ился, 10 — отлично сп
р
авился);
г
) как быстро вы справились
с заданием
(0
— очень медленно,
1
0 — очень быст
р
о);
д) насколько физически сложной была задача (0 —
о
чень легкая, 1
0
— очень сложная
)
;
е
)
насколько сложной была задача в целом
(
0 —
о
чень легкая, 10 — очень сложная
)
.
Вычислитель угла
Угол потока
Угол ротора
xZp
PTq
PTq
БКПС
ШИМ
ISLIM
B
Iq0с
Iq0с
Id
ПК2
ПК1
Uq
UqK
UdK
Ud
US
UC
UB
UA
IA
IB
IC
IS
Iq
М
dt
–
–
–
3
0с 0с
B'Z
Огр.РС BIq
BIq
B r
r
Р
ис.
5
.
С
труктурная схема системы регулирования скорости:
B
ω
— вычислитель скорости. Если в системе регулирования используют датчик положения
(
например, фотоимпульсный
)
, то
э
тот узел осуществляет вычисление скорости по приращению угла. При построении систем
б
ез датчика положения или ско
-
р
ости такой узел осуществляет оценку реальной скорости по модели косвенными методами; PC — регулятор скорости
(
ПИ
и
ли ПИД-регулятор, вырабатывающий из сигнала ошибки по скорости сигнал-задания момента
)
; Огр. — ограничитель момен
-
та — ог
р
аничивает момент в зависимости от частоты;
В
ψ
r
— вычислитель потока, выполняет функцию задания потока ротора
r
пр
и
р
а
б
оте с постоянным потоком или оптимизации потока
р
ото
р
а в зависимости от момента; В
I
d
I
— вычислитель
d
d
-составляющей
d
d
тока
;
В
I
q
I
— вычислитель
q
q
-составляющей тока
;
В
Δω
— вычислитель частоты скольжения
;
РТ
d
— регулятор тока
d
d
-составляющей
d
d
(П или ПИ-регулятор, вырабатывающий из сигнала ошибки по току сигнал задания напряжения по оси
q
q
d
); РТ
d
d
q
Т
Т
— регулятор
q
т
о
к
а
q
-составляющей
(
П или ПИ-регулятор, вырабатывающий из сигнала ошибки по току сигнал задания напряжения по оси
q
)
;
БКПС — блок компенсации пе
р
ек
р
естных связей, вычисляет нап
р
яжения компенсации пе
р
ек
р
естных связей
;
ПК1 — преобразователь координат, осуществляет перевод тока статора из трехфазной неподвижной системы координат в двух-
ф
азную, а затем во вращающуюся систему
dq
; ПК2 — преобразователь координат, осуществляет перевод вектора напряжения
стато
р
а из в
р
ащающе
й
ся системы
dq
в неподвижную систему коо
р
дина
т
q
150
Частота вращения, рад/с
100
50
0
1 2 3 4 5 6 7 8 9 Время, с
150
200
250
Момент, Н.м
100
50
0
Разгон Номинальный
режим
Загрузка
мешалки
Разгрузка
мешалки
2
3
1
6
4
5
а
б
Р
ис.
6
.
М
оделирование параметров электродвигателя и мешалки:
а
— частота вращения
;
б
— момент
;
1
— задание частоты вращения ротора
;
2
— фактическая частота вращения ротора;
2
3
— частота в
р
ащения вала мешал-
к
и
;
4
— задание момента на валу электродвигателя;
4
5
— фактический момент
5
н
а валу электродвигателя
;
6
— момент на валу мешалки
6
ISSN 0372)2929 «Цветные металлы». 2023. № 4
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
2
1
Р
езультаты опроса обрабатывали по критерию Ман
н
а –
Уитни
[
40, 41
]
. На
р
ис.
8
представлены рез
у
льтаты
.
Можно сделать вывод, что при задании
у
ровня зна
-
чимости
p
=
0
,
0
1 допустимо говорить о равенстве дис
-
персий в эксперименте, а поскольк
у
p-value во всех сл
у-
чаях больше 0,01 (
у
ровня значимости), то выдвин
у
т
у
ю
г
ипотезу не отвергаем. Пунктирной линией на графи-
к
ах показаны с
р
едние а
р
и
ф
метические значения для
к
аждого эксперимента. Исходя из пол
у
ченных значе-
н
ий, нормировали средние значения результатов
о
проса, переводя их в шкал
у
от 0 до 100 %. Таким
о
бразом пол
у
чили «полезный» процент для каждого
Рис. 7
.
Внешний вид
р
аз
р
а
б
отанной системы
Ри
с
.
8
. Результаты опроса
(
а
–
е
— заданные вопросы):
е
1
— с использованием системы;
1
2
— без нее
2
p=value: 0,01105
p=value: 0,75226 p=value: 0,75241
p=value: 0,55309
p=value: 0,13252
p=value: 0,1293
2
1
0,25 0,200
0,175
0,25
0,20
0,15
0,10
0,05
0
0,150
0,125
0,100
0,075
0,050
0,025
0,20
0,30
0,25
0,20
0,15
0,10
0,05
0,20
0,15
0,10
0,05
0,25
0,20
0,15
0,10
0,05
00
0,15
0,10
0,05
0
0
246 810
246810 00
246810 0246810
20468102346598710
а
гд е
бв
22
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
п
ара
м
е
т
ра
, х
ара
кт
ер
и
з
у
ю
щ
е
г
о
к
о
гнитивн
о
-п
с
их
о
л
о-
гически
й
ф
актор.
Р
ассчитав разниц
у
средних ари
ф-
метических «полезных» процентов для рез
у
льтатов
с
использованием системы с дополненной реальностью
и
б
ез нее, мы получили результат, равный 5 %, который
о
характеризовали как
у
величение эффективности
о
бслуживания единицы оборудования при применении
дополненной реальности.
Выводы и заключение
С
истема технического обслуживания, где задей
-
с
твованы технологии дополненно
й
реальности, дета
-
лизирует определение неисправносте
й
и повышает
э
ффективность принятия решений при обслуживании
и ремонте электрообор
у
дования. Время, затраченное
на обнаружение дефекта и вывод аппарата из процес
-
с
а, уменьшается ввиду сокращения информационно
-
г
о
пути
о
т п
ерсо
н
а
л
а
, н
а
х
о
дящ
е
г
ос
я н
а
п
ро
и
з
в
о
д
с
тв
е
н
-
ном о
б
ъекте, до оператора, осуществляющего кон
-
троль технологического процесса.
Э
то позволяет на
месте определить нео
б
ходимость проведения ремон
-
та, основываясь на ото
б
ражении в дополненной реаль
-
ности классифицированной неисправности, возмож
-
н
о
м
ее
рас
п
рос
т
ра
н
е
нии, п
ро
гн
оз
и
р
у
е
м
о
м
сос
т
о
янии
об
орудования и, как результат, ра
б
оте технологиче
-
с
ко
й
установки
.
Помимо э
фф
ективности п
р
и диагности
р
овании аппа-
ратов, дополненная реальность дает э
фф
ект в проведе
-
нии их ремонта.
П
оскольк
у
неисправность рассчитана
и и
з
в
ес
тн
а
,
э
т
а
т
е
хн
о
л
о
гия
о
дн
оз
н
а
чн
о
ук
аз
ыв
ае
т н
а
м
ес
т
о
поломки в о
б
орудовании, а также ото
б
ражает действия
и инстр
у
менты, которые необходимы во время ремонта.
Соответственно, время, затраченное на восстановление,
с
окращается, что приводит к уменьшению простоя машин
и, как следствие, технологического
у
частка
.
Таким образом, исследование показало эффектив-
ность применения технологии дополненно
й
реально
-
с
ти при техническом обслуживании оборудования
металлургических производств.
П
редставленны
й
в работе функционал системы является минимальным
для пол
у
чения экономического эффекта. Расширение
ф
ункционала может быть связно как с охватом большей
части о
б
орудования (то есть шириной охвата), так и с
внедрением новых функций. Например,
б
ольшим
вопросом является создание сценариев о
б
служивания
а
пп
ара
т
о
в и
за
пи
с
и д
а
нных
с
ц
е
н
ар
и
е
в в
с
и
с
т
е
му.
Разра
б
отка системы автоматического создания таких
с
ц
е
н
ар
и
е
в м
о
ж
е
т являть
с
я х
оро
шим п
р
им
еро
м
раз
ви-
тия исследований в этом направлении.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
С
м. англ. блок
ЦМ
T
svetnye Meta
ll
y. 2023. No. 4. pp.
1
4–23
D
OI:
1
0.
1
7580/tsm.2023.04.02
A
U
G
MENTED RE
A
LITY
AS
A
ME
A
N
S
O
F MET
A
LLUR
G
I
CAL
E
Q
UIPMENT
S
ERVI
C
IN
G
Inf
o
rmati
o
n a
bou
t a
u
th
o
r
s
N
. I. Kote
l
eva, Associate Pro
f
essor at t
h
e Department o
f
Process an
d
P
l
ant
Automation1, Can
d
i
d
ate o
f
Tec
h
nica
l
Sciences
,
e
-mai
l
: Kote
l
eva_NI@pers.spmi.ru
V. V. Va
l
nev, Postgra
d
uate Stu
d
ent o
f
t
h
e Department o
f
Process an
d
P
l
ant
A
utomation
1
N
. A. Koro
l
ev, Principa
l
Specia
l
ist at t
h
e Researc
h
an
d
Training Centre
f
or
Di
g
ita
l
Tec
h
no
l
o
gy
1
,
Candidate o
f
Tec
h
nica
l
Sciences
1
Saint Peters
b
urg Mining University, Saint Peters
b
urg, Russia
.
Abstract
In t
h
e era o
f
d
igita
l
tec
h
no
l
ogy, more an
d
more o
f
it
f
in
d
s app
l
ication in vari-
o
us in
d
ustries. T
h
is paper proposes to use tec
h
no
l
o
gy
o
f
au
g
mente
d
rea
l
it
y
f
or
m
aintenance o
f
stirre
d
tan
k
reactors. T
h
e propose
d
approac
h
can
b
e app
l
ie
d
to any type o
f
equipment, as it can
b
e easi
l
y integrate
d
wit
h
t
h
e existing au-
tomation systems an
d
d
oes not require muc
h
investment at t
h
e initia
l
stage,
i
mp
ly
in
g
g
ra
d
ua
l
optimization an
d
f
unctiona
l
it
y
b
ui
ld
-up. T
h
is paper
d
e-
s
cri
b
es t
h
e
b
asic set o
f
f
unctiona
l
requirements o
f
an augmente
d
rea
l
ity-
b
ase
d
m
aintenance system, met
h
o
d
s o
f
assessing t
h
e system per
f
ormance, as we
ll
as
s
ca
l
in
g
-up an
d
stream
l
inin
g
prospects. T
h
e paper a
l
so
d
escri
b
es
h
ow suc
h
s
y
s-
tems can
b
e integrate
d
wit
h
existing contro
l
systems o
f
a pro
d
uction company
.
Th
e e
ff
ectiveness o
f
t
h
e
d
eve
l
ope
d
augmente
d
rea
l
ity-
b
ase
d
system was veri-
f
ie
d
by
d
eterminin
g
t
h
e avera
g
e execution time o
f
eac
h
service sta
g
e an
d
pro-
c
essing t
h
e outcomes using t
h
e Mann-W
h
itney U test. T
h
e use o
f
t
h
e aug-
m
ente
d
rea
l
ity system resu
l
te
d
in t
h
e re
d
uction o
f
t
h
e average service time
b
y
2
.3 times, while the maintenance efficiency increased by 5
%.
Key words: augmente
d
rea
l
ity, maintenance, meta
ll
urgy,
d
igita
l
ization, IoT,
c
ontro
l
systems, automation, in
d
ustry 4.0.
Reference
s
1. Ralph B. J., Woschank M., Miklautsch Ph., Ko
n
ig A. et a
l
. MUL 4.0: Sys
-
t
ematic
d
igita
l
ization o
f
a va
l
ue c
h
ain
f
rom raw materia
l
to recyc
l
ing.
P
roce
d
ia
Manu
f
acturin
g
.
2021. Vo
l
. 55.
pp
. 335–342.
2. P
h
ua A., Davies C. H. J., De
l
aney G. W. A
d
igita
l
twin
h
ierarc
h
y
f
or meta
l
a
dd
iti ve manu
f
acturing. Computers in In
d
ustr
y
. 2022. Vol. 140, Iss. 3. DOI: 10.101
6/
j.compind.2022.103
66
7
.
3
. Z
h
u
k
ovs
k
ii Y. L., Sizya
k
ova E. V. T
h
e intro
d
uction o
f
t
h
e system o
f
energ
y
saving an
d
energy e
ff
iciency at t
h
e enterprises o
f
meta
ll
urgy. Journa
l
o
f
Minin
g
Institut
e
.
2013. Vo
l
. 202. pp. 153-155.
4. Litvinen
k
o V. S. Digita
l
economy as a
f
actor in t
h
e tec
h
no
l
ogica
l
d
eve
l
opment o
f
t
h
e minera
l
sector.
N
atura
l
Resources Researc
h
. 2020. Vo
l
. 29, No. 3. pp. 1521–1541.
5. Kuns
h
in A. et a
l
. Deve
l
opment o
f
monitoring an
d
f
orecasting tec
h
no
l
og
y
ener
gy
e
ff
icienc
y
o
f
we
ll
d
ri
ll
in
g
usin
g
mec
h
anica
l
speci
f
ic ener
gy
.Ener
g
ie
s
.
2022. Vol. 15, Iss. 19. DOI: 10.3390/en15197408
.
6
. Dvoynikov M., Kunshin A. A., Blinov P., Morozov V. Development o
f
mat
h
ematica
l
mo
d
e
l
f
or contro
ll
in
g
d
ri
ll
in
g
parameters wit
h
screw
d
own
h
o
l
e
motor. Internationa
l
Journa
l
o
f
Engineering, Transactions
A
: Basic
s
.
2020. Vo
l
. 33,
No. 7. pp.
1423
–
1430.
7. Sun Y., Wan
g
J., Wan
g
X. Fau
l
t
d
ia
g
nosis o
f
mec
h
anica
l
equipment in
h
i
gh
ener
gy
consumption in
d
ustries in C
h
ina: A review. Mec
h
anica
l
Systems an
d
S
igna
l
Processin
g
.
2023. Vol. 18
6
. 109833
.
8
. Agui
l
era J. J., Meesen
b
urg W., Ommen T. et a
l
. A review o
f
common
f
au
l
ts
in
l
ar
g
e-sca
l
e
h
eat pumps. Renewa
bl
e an
d
Sustaina
bl
e Energy Review
s
.
2022
.
V
ol. 1
6
8, Iss. 12. 11282
6
.
9. Gangsar P., Tiwari R. Signa
l
b
ase
d
con
d
ition monitoring tec
h
niques
f
o
r
f
au
l
t
d
etection an
d
d
ia
g
nosis o
f
in
d
uction motors: A state-o
f
-t
h
e-art review.
Mec
h
anica
l
Systems an
d
Signa
l
Processing
.
2020. Vol. 144, Iss. 4. 10
6
908
.
10. K
h
o
khl
ov S., A
b
iev Z., Ma
kk
oev V. T
h
e c
h
oice o
f
optica
l
fl
ame
d
etectors
f
or automatic exp
l
osion containment s
y
stems
b
ase
d
on t
h
e resu
l
ts o
f
exp
l
osion
ra
d
iation ana
l
ysis o
f
met
h
ane-an
d
d
ust-air mixtures.
A
pplied Sciences (Swit-
zerland
)
.
2022. Vo
l
. 12, No. 3. 1515.
11. Kottre A., Scho
l
er T., Legat C. App
l
ying engineering
k
now
l
e
d
ge in a
l
arm
fl
oo
d
re
d
uction to re
d
uce mac
h
ine
d
owntime. IF
A
C-Papers OnLin
e
.
2022
.
V
o
l
. 55, No. 2. pp. 54–59
.
ISSN 0372)2929 «Цветные металлы». 2023. № 4
АВТОМАТИЗАЦИЯ
МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССОВ
23
1
2. Krishnan Umachandran, Roosefert Mohan T., Preetha Roselyn J., Uthra
R. A. et a
l
. Inte
ll
i
g
ent mac
h
ine
l
earnin
g
b
ase
d
tota
l
pro
d
uctive maintenance
approac
h
f
or ac
h
ieving zero
d
owntime in in
d
ustria
l
mac
h
inery. Comput
-
ers
&
Industrial Engineerin
g
.
2021. Vol. 157. DOI: 10.1016/j.cie.2021.107267.
1
3. Plotnikova I., Sheveleva E., Narimanov R. Application of the s
y
stem for
electrical equipment dia
g
nostics and its anal
y
sis.
S
tudies in S
y
stems, Deci
-
sion and Contro
l
.
2023. Vol. 433.
pp
. 111–119
.
1
4. Lipis E. A., Schisl
y
aeva E. Qualification and mobilit
y
of transport com-
plex personnel in the di
g
italization of shipbuildin
g
.Trans
p
ortation Research
Procedi
a
.
2022. Vol. 63. pp. 2138–2150
.
1
5. Ramere M. D., Laseinde O. T. O
p
timization of condition-based main-
t
enance strate
gy
prediction for a
g
in
g
automotive industrial equipment usin
g
FMEA
.
Procedia Com
p
uter Science
.
2021. Vol. 180. pp. 229–238.
1
6. Geng S., Wang X. Predictive maintenance scheduling for multiple power
e
q
ui
p
ment based on data-driven fault
p
rediction. Com
p
uters & Industrial En
-
g
ineerin
g
. 2022. Vol. 164. 1078
9
8
.
17. Sa
a
..
ski J., Salonen T., Liinasuo M., Pakkanen J. et al. Augmented reality
efficienc
y
in manufacturin
g
industr
y
: a case stud
y
.
D
S 50: Proceedin
g
s of Nord
-
Desi
g
n 2008 Conference, Tallinn, Estonia
.
21-23.08.2008. 2008. pp. 99–109.
1
8. Zheng L., Liu X., An Z., Li S. et al. A smart assistance system for cable as-
sembl
y
b
y
combinin
g
wearable au
g
mented realit
y
with portable visual inspec-
t
ion
.
V
irtual Reality & Intelli
g
ent Hardware
.
2020. Vol. 2, No. 1. pp. 12–27.
1
9. Costa C. M., Viega G., Sousa A. J., Rocha L. F. Modeling of video projec-
t
ors in OpenGL for implementin
g
a spatial au
g
mented realit
y
teachin
g
s
y
s-
t
em for assembl
y
operations.
19
th
9
9
IEEE International Con
f
erence on Autono
-
m
ous Robot Systems and Competition
s
.
2019. DOI: 10.1109
/
ICARSC. 2019.
8
733617
.
20. Po
g
odaev A., Muz
y
leva I., Yaz
y
kova L., Kondratev S. The use of au
g
-
mented realit
y
technolo
g
ies in electrical en
g
ineerin
g
.
2
nd
2
2
International Con-
d
f
erence on Control Systems, Mathematical Modelling, Automation and Energ
y
E
ff
icienc
y
. 2020.
pp
. 646–650.
21. Romo J. E., Tipantasi G. R., Andsluz V. H., Sa
nchez J
.
S
.
Virtual train-
ing on pumping stations for drinking water supply systems. Lecture Notes
in Computer Science
(
including subseries Lecture Notes in Artificial Intel-
ligence and Lecture Notes in Bioinformatics
)
. 2019. Vol. 11614 LNCS.
pp. 410–429
.
22. Ko C., Lee H., Lim Y., Lee W. B. Development of au
g
mented virtual
realit
y
-based operator trainin
g
s
y
stem for accident prevention in a refiner
y
.
Korean Journal of Chemical Engineerin
g
.
2021. Vol. 38, Iss. 8. pp. 1566–1577
.
23. Beloglazov I. I., Petrov P. A., Bazhin V. Yu. The concept of digital twins
for tech operator trainin
g
simulator desi
g
n for minin
g
and processin
g
indus-
t
r
y
. Eurasian Minin
g
. 2020. No. 2. pp. 50–54. DOI: 10.17580
/
em.2020.02.12
.
24. Khokhlov V., Lukin V., Khokhlov S. Modelling full-colour images o
f
Earth: simulation of radiation bri
g
htness field of Earth’s atmosphere and un-
derl
y
in
g
surface.
A
nnals o
f
GI
S
. 2022. Vol. 29, Iss. 2. DOI: 10.1080/ 19475683.
SS
2022.2064
9
11
.
25. Turman E., Wa
y
ne S. CFD modelin
g
of LDPE autoclave reactor to reduce
eth
y
lene decomposition: Part 1 validatin
g
computational methods.
Chemical
Engineering Scienc
e
. 2022. Vol. 257
,
Iss. 9. 117720
.
26. Kondrasheva N. K., Kireeva E. V., Z
y
r
y
anova O. V. Development of ne
w
compositions for dust control in the minin
g
and mineral transportation indus-
tr
y
.
J
ournal of Minin
g
Institute
.
2021. Vol. 248, No. 2.
pp
. 272–280.
27. Zhdaneev О. V., Zaytsev А. V., Prodan Т. Possibilities for creating Rus
-
sian
h
i
gh
-tec
h
b
ottom
h
o
l
e assem
bly
.Journa
l
o
f
Minin
g
Institut
e
.
2021
.
Vo
l.
252, No.
6
. pp. 872–884
.
28. Bushuev A. B., Boykov V. I., Bystrov S. V., Grigoriev V. V. et al. Synthe
-
sis of optimal information and ener
gy
schemes of measurin
g
and convertin
g
devices
.
Mekhatronika, Avtomatizatsi
y
a, Upravleni
e
.
2021. Vol. 22, No. 10. pp.
5
18–526
.
29. Rajan V., Sobhana N. V., Ja
y
akrishnan R. Machine fault dia
g
nostics and
condition monitorin
g
usin
g
au
g
mented realit
y
and IoT. 2018
Second
I
nte
r-
national Conference on Intelligent Computing and Control System
s
. 201
9
.
pp
. 910–914.
30. Larsson T., Hestetun K., Hovland E., Sko
g
estad S. Self-optimizin
g
con
-
trol of a large-scale plant: The Tennessee Eastman process. Industrial & Engi
-
neering Chemistry Research
.
2001. Vol. 40, No. 22.
pp
. 4889–4901
.
31. Sotaniemi V.-H., Taskila S., Ojamo H., Tanskanen J. Controlled feedin
g
o
f
li
g
nocellulosic substrate enhances the performance of fed-batch enz
y
matic h
y
dro
-
lysis in a stirred tank reactor. Biomass & Bioenergy
.
2016. Vol. 91.
pp
. 271–277
.
32. Skam
y
in A., Belsk
y
A., Dobush V., Gurevich I. Computation of nonlinea
r
load harmonic currents in the presence of external distortions. Com
p
utation
.
2022. Vol. 10
,
Iss. 3. 41
.
33. Kurilin S.
,
Dli M.
,
Sokolov A. Linear induction motors for non-ferrous
metallur
gy
. Non-
f
errous Metal
s
.
2021. No. 1. pp. 67–73. DOI: 10.17580
/
nfm.
2021.01.0
9
.
34. Turman E. M., Wa
y
ne S. Levera
g
in
g
fuzz
y
Lo
g
ic PID controllers for ac
-
celeratin
g
chemical reactor CFD. Chemical En
g
ineerin
g
Scienc
e
.
2022
.
Vol
.
262
.
p. 118029
.
35. Romashev A. O., Nikolaeva N. V., Gatiatullin B. L. Ada
p
tive a
pp
roac
h
formation usin
g
machine vision technolo
gy
to determine the parameters o
f
enrichment products deposition. Journal of Minin
g
Institut
e
.
2022
.
Vol
.
256
.
pp
. 677–685
.
36. Paduloh P.
,
Fatahillah H.
,
Ramadhan M. A.
,
Muhendra R. et al. De
-
si
g
nin
g
of temperature control for a
g
itator machine usin
g
Internet of Thin
g
.
IOP Conference Series: Earth and Environmental Science
.
2022. Vol. 1063
,
Iss
.
1
.
012053
.
37. Shilpa V., Vid
y
a A., Pattar S. MQTT based secure transport la
y
er com
-
munication for mutual authentication in IoT network
.
G
lobal Transitions Pro-
ceeding
s
.
2022. Vol. 3, Iss. 1.
pp
. 60–66
.
38. Koo J., Kim Y.-G. Resource identifier interoperabilit
y
amon
g
hetero
g
e
-
neous IoT platforms. International Computer Engineering Conferenc
e
.
2022
.
Vol. 34, Iss. 7.
pp
. 4191–4208
.
39. Mohammadian M., Parsaei H., Mokarami H., Kazemi R. Co
g
nitive de
-
mands and mental workload: A filed stud
y
of the minin
g
control room opera
-
t
ors
.
Heli
y
on
.
2022. Vol. 8
,
Iss. 2. e08860.
40. Hart S.G., Staveland L. E. Development of NASA-TLX
(
Task Load Index
)
:
results of empirical and theoretical research.
A
dvances in Psycholo
g
y
.
1
9
88.
Vol. 52.
pp
. 139–183
.
41. Ruxton G. D. The une
q
ual variance t-test is an underused alternative to
Student’s t-test and the Mann-Whitne
y
U test. Behavioral Ecolo
gy
.
2006. Vol. 17
,
Iss. 4.
pp
. 688–690
.
42. Al-Badi A., Khan A., Eid-Alotaibi. Perce
p
tions of learners and instructors
t
owards artificial intelli
g
ence in personalized learnin
g
.Procedia Com
p
uter Sci
-
ence
.
2022. Vol. 201.
pp
. 445–451.
