Inteligentny model wskaźnika zagrożenia pożarowego w kopalni węgla

pol Article in Polish DOI:

Bogumiła Mrozek *, send Dariusz Felka ** * Instytut Informatyki, Politechnika Krakowska ** Instytut Technik Innowacyjnych EMAG w Katowicach

Download Article

Streszczenie

Istotny wpływ na wykrywanie zagrożenia pożarowego przenośników taśmowych w kopalniach węgla mają wartości takich parametrów, jak: stężenie tlenku węgla (CO) i cyjanowodoru (HCN) oraz wartości sygnałów z czujników dymu. Wielkości te są uwzględniane podczas wyznaczania wartości wskaźnika zagrożenia pożarowego. Zbudowano rozmyty model wskaźnika zagrożenia pożarowego w oparciu o laboratoryjne dane pomiarowe wymienionych wielkości. Model rozmyty wygenerowano z danych numerycznych przy zastosowaniu czterech algorytmów rozmytej klasteryzacji, które zaimplementowano w kodzie środowiska MATLAB. Uzyskane wyniki pokazano w tabelach i na wykresach. Do budowy i wizualizacji projektowanego modelu rozmytego wykorzystano funkcje oraz interfejsy Fuzzy Logic Toolbox.

Słowa kluczowe

klasteryzacja danych, model rozmyty, przenośniki taśmowe, zagrożenie pożarowe

Intelligent fire hazards indicator model in coal mine

Abstract

Significant influence on detecting the fire hazard of belt conveyor in the coal mine have values such parameters as concentration of carbon monoxide (CO), concentration of hydrogen cyanide (HCN) and signals from smoke detectors. Those values are used to set the fire risk index. Fuzzy model of the fire risk index was built based on laboratory data measurements. Fuzzy model was generated from the above numerical data using four algorithms of fuzzy clustering, implemented in the MATLAB code. The results are shown in tables and graphs. MATLAB and Fuzzy Logic Toolbox library (functions and interfaces) were used to design and visualize the proposed fuzzy model.

Keywords

belt conveyor, data clustering, fire hazard, fuzzy model

Bibliography

  1. Abonyi J., Balasko B., Foil B.: Fuzzy Clustering and Data Analysis Toolbox, Department of Process Engineering, University of Veszprem, Hungary. 2005.
  2. Felka D.: Metody budowy inteligentnych modeli na bazie danych numerycznych. praca dyplomowa magisterska, promotor dr inz. B. Mrozek, Politechnika Krakowska, Kraków 2011.
  3. Fuzzy Logic Toolbox User’s Guide, Version 5.0 (R2010b), The MathWorks, Inc.
  4. Jang J.-S. R., Sun Ch.-T., Mizutani E.: Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence, 1997, Wyd. Prentice-Hall, Sept. 1996, 614.
  5. Leski J.: Systemy neuronowo-rozmyte, Wydawnictwa Naukowo-Techniczne, Warszawa 2008.
  6. Mrozek B., Mrozek Z.: MA TLAB/Simulink. Poradnik użytkownika, Wyd. III, Helion, 2010.
  7. Mrozek B.: Obliczenia równoległe w MATLAB-ie, „Pomiary Automatyka Robotyka”, 2/2011, 285-294.
  8. Mrozek B.: Projektowanie regulatorów rozmytych w środowisku MATLAB/Simulink, „Pomiary Automatyka Robotyka”, 11/2006, 5-12.
  9. Rutkowski L.: Metody i techniki sztucznej inteligencji, PWN, wyd. II, Warszawa, 2009.