CC BY
9
СИСТЕМНЫЙ АНАЛИЗ И ОБУЧАЮЩИЕ СИСТЕМЫ
УДК 004.021
В. Л. Колесников, А. И. Бракович
Белорусский государственный технологический университет
ГРАФИЧЕСКАЯ ОПТИМИЗАЦИЯ УСЛОВИЙ РАБОТЫ ПРОИЗВОДСТВЕННОГО КОМПЛЕКСА НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
Виртуальный производственный комплекс представляет собой компьютерную программную системную математическую модель, которая воспроизводит основные функциональные возможности реального прототипа в режиме реального времени. Многообразие условий работы производственного комплекса определяют 16 параметров окружения, 9 параметров для оперативного управления, 6 параметров результатов, оценивающих качество и себестоимость продукции, загрязнение окружающей среды. Работа осуществляется в режиме реального времени и сопровождается фиксацией условий и результатов в базе данных, которая содержит информацию по 26 столбцам. Системным временем является время выработки одной тонны продукции. Размерность базы данных для анализа составляет 500-1000 строк и 26 столбцов. Интерпретировать результаты очень сложно. Нейронные сети оказываются мощным средством не только для классификации данных, но и для графического решения оптимизационных задач в разнообразных формулировках. По простоте и гибкости настройки этот метод оптимизации превосходит классические и градиентные методы. Поскольку в данном случае используются не традиционные математические модели, а базы данных результатов наблюдений за длительный период времени, то предлагаемый метод обладает наибольшей оперативностью и экспрессностью в подстройке задач при изменении текущих условий функционирования производственного комплекса.
Ключевые слова: графическая оптимизация, имитационное моделирование, программное средство, нейронные сети.
V. L. Kolesnikov, A. I. Brakovich
Belarusian State Technological University
GRAPHIC OPTIMIZATION OF WORKING CONDITIONS FOR INDUSTRIAL ENTERPRISE ON THE BASIS OF NEURAL NETWORKS
The virtual industrial enterprise is a computer program, based on a system mathematical model that reproduces the basic functionality of a real prototype in real time. The variety of working conditions of the virtual industrial enterprise is determined by 16 environmental parameters, 9 parameters for operational control, 6 parameters of results, assessing the quality and cost of production, environmental pollution. The work is carried out in real time and is accompanied by fixing the conditions and results in the database, which contains information on 26 columns. System time is the time taken to produce one ton of product. The size of the database for analysis is 500-1000 rows and 26 columns. To interpret the results is a very difficult task. Neural networks are a powerful tool not only for data classification, but also for graphical optimization tasks in a variety of formulations. By the simplicity and flexibility of the setting, this method of optimization is superior to classical and gradient methods. Since in this case, not traditional mathematical models are used, but databases of results of observations over a long period of time, the proposed method has the greatest efficiency and speed in adjusting tasks in changing current conditions of the virtual industrial enterprise.
Key words: graphic optimization, simulation, software tool, neural networks.
Введение. В предыдущих работах авторов разработано интерактивное программное средство, имитирующее все основные условия функционирования реального предприятия [1]. Виртуальный производственный комплекс представляет собой компьютерную программную
системную математическую модель, которая воспроизводит основные функциональные возможности реального прототипа в режиме реального времени [2].
Многообразие условий работы производственного комплекса определяют 16 параметров
окружения, 9 параметров для оперативного управления, 6 параметров результатов, оценивающих качество и себестоимость продукции, загрязнение окружающей среды. Работа осуществляется в режиме реального времени и сопровождается фиксацией условий и результатов в базе данных, которая содержит информацию по 26 столбцам. Системным временем является время выработки одной тонны продукции. Таким образом, размерность базы данных для анализа составляет 500-1000 строк и 26 столбцов.
Основная часть. В предлагаемом примере снижена размерность решаемой задачи. Количество признаков, характеризующих условия, уменьшено до 9. Задача классификации данных этого примера методом нейронных сетей решается быстро и просто. Интерпретировать результаты очень сложно. Только парных взаимодействий придется рассмотреть 36, а с учетом взаимовлияния различных значений внутри признаков это количество возрастает до 630.
В таких случаях эффективным оказывается применение метода прогрессивной централизации. Для снижения размерности решаемой задачи можно, например, сосредоточиться на проблеме коррекции технологического режима для различных сезонных условий.
Для моделирования накопления результатов длительных наблюдений за работой комплекса мы использовали возможность генерирования и фиксации сочетаний всевозможных случайных значений природных сезонных погодных условий, ценовой ситуации на рынке сырья, химикатов, воды, энергии, возмещения ущерба, нанесенного окружающей среде производственной деятельностью, значений управляющих воздействий с синхронным вычислением каче-
_| Дебет реки"
I Электролиты в реке
ства получаемой продукции, загрязнения атмосферы и проточного водоема, суммы удельных энерготехнологических затрат (рис. 1).
База данных, приведенная на рис. 2, служит просто одним из возможных примеров накопленной информации. Подобных плохо структурированных сведений скапливается немало на каждом предприятии из журналов ОТК и лаборатории, синоптических карт, бухгалтерских отчетов и других источников.
В среде JMP SAS можно заказать получить ответ в виде оптимальных значений расхода волокна и степени помола (главные управляющие параметры), при которых обеспечивается минимум загрязнения (рис. 3, 4). Тем самым мы уходим от необходимости рассматривать все остальные парные взаимодействия. Перемещениями ползунков мы добиваемся такого их положения, при котором на графике отмечается минимальное значение загрязнения. Перемещения оказываются целенаправленными, и отпадает надобность в их полном переборе. Перемещение ползунка Response Greed Slider синхронно перемещает решетку значений аппликаты (загрязнение водоема), а галочка в окошке фиксирует минимальное значение (0.17886).
Альтернативным инструментом для проведения аналогичных вычислений является надстройка Microsoft Excel «Интеллектуальный анализ данных с помощью SQLServer» (рис. 5).
На рис. 5 остались только два незаданных атрибута - «Допустимо Al» и «Расход полимера». Оказалось, что для выпуска продукции заданного качества (прочность 4,78-6,28) при расходе волокна 104,3-132,2 и степени помола 21,7-27,2 расход полимера должен быть в пределах 63,5-110,1, а содержание сульфата алюминия не должно превышать 0,093.
Рис. 1. Архитектура нейронной сети
Цена волокнистой добавки | Цена электроэнергий" | Цена речной воды
_ | Цена сырья
[Цена выброса в атмосферу | Цена сброса в водое"м" | Цена коагулянта [Расход промывной воды
_ ¡Расход речной воды
Расход деминерализованной воды | Допустимо сульфата Л1 | Расход полимера Расход волокна
_Степень помола
I Концентрация при отливе
^ База данных -ч
Номер Дебет Злеэд» (емте* Ценз Цжа Цена Цена Цгна Нэна ЦЕНЗ выброс сброса в в реку Цене Раоод Раетой Раям. Цопуст геоид гээвд ^тепе» п— в™ ^ряз. "Загрге ^умма
реки зре*е ЕК1Ц соби»: жбаг»: зпектр сьрья коатути ^ зле»гр поломе БСЛЖН памога кассы вода ЭТМОС? затрат
► 12вэ.. о.ою... 15.35 2.74 1.72 о.оее 241 51,34 0.55 0.30 0.13 7470... 11%... V37.EC 0.0500 74.» №02 20.01 0.700 149.99 ш 9.66 10.57 02447 0.1434 7Э9.13
2 1253.. о.осе... 15.53 277 1.74 0.067 254 53.16 0.52 029 0.13 7466... 1194. 19125 0.0500 74.93 99.99 20.СС 0.700 149.94 1.80 9.87 10.73 0.3231 0.1733 331.57
3 12.13... 0.007.. 15.59 2.66 1.77 0.068 259 5120 0.56 028 0.13 7364. 1189 195.13 0.0500 74.93 99.96 20.00 0.700 149,97 1.71 10.06 Ю.8Э 0.0917 0.1655 332.40
4 12.76... 0,008... 15.34 2.53 1,Б9 0.069 253 53.03 0.59 0,23 0.13 7426... 1178... 203.84 0.0500 75,00 99.95 20.00 0.700 149,99 1.БЗ 1023 11,03 02307 0,1754 777,51
5 13.02... 0.007... 15.Э7 248 1.72 0.067 256 50.77 0.57 0.30 0.13 7565... 1174... 200.31 0.0500 75.02 ЗЭ.Э6 20.01 0.700 149.93 1.57 10.38 11.16 0.4203 0.1723 758,14
Б 12.82.. о.осе.. 16.07 2.52 1.70 0.066 248 49.02 0.56 0.30 0.13 7788. 1182 199.59 0.0500 75.03 юо.со 20.00 0.700 150,01 1.51 10.50 1126 0.5298 0.1760 75427
7 12.77- 0.007.. 16.15 2.60 1.77 0.066 245 5129 0.55 029 0.13 7588. 1200. 20202 0.0500 75,03 100.03 20.СС 0.700 150.04 1.46 10.59 11.34 0.5910 0,1761 776,16
г 1235... 0,008... 16.19 2.64 1.Б9 0.068 254 49.47 0.51 029 0.13 7503... 1216... 19624 0.0500 75.01 100.05 19.99 0.700 149.99 1.44 10.55 11.38 0.Б323 0.1777 773,52
9 1212.. о.осе... 1621 264 1.70 0.069 248 50.90 053 0.30 0.13 7579... 1220... 199.08 0.0500 75.01 100.03 19.99 0.700 149.93 143 10.67 11.40 0.6710 0.1782 777,95
10 12.56.. 0.007.. 1620 262 1.60 0.069 245 52.79 0.57 0.30 0.13 7714. 1209 208.32 0.0500 75.01 юо.со 20.00 0.700 150.04 1.44 10.54 11.38 0.6962 0.1789 766,78
и 1223.. 0.007.. 16.1 Б 262 1.69 0.067 248 43.83 0.54 029 0.13 7540 1191 205.17 0.0500 75.01 99.98 20.00 0.700 150,05 1.46 10.50 11.34 0.7И20 0.1792 770,41
12 11,52... 0,008... 16.09 2.63 1.66 0.066 242 50.63 0.54 028 0.13 7356... 1178... 203.01 0.0500 74.99 99.98 20.СС 0.700 150.00 1.50 10.52 1128 0.7040 0.1795 76524
13 1255... о.осе... 16.01 261 1.74 0.067 251 «23 0.56 028 0.13 7403.. 1177... 205.02 0.0500 74.97 100.00 20.00 0.700 150.00 154 10.43 1120 0.7199 0.1797 773,67
14 1328- - 0.008.. 15.Э1 2.57 1,64 0.068 260 4621 0.55 029 0.13 7556. 1188 198.46 0.0500 74.97 100.01 20.00 0.700 149.99 1.59 10.31 11.10 0.7403 0.1799 755,49
15 1238... 0.007... 15.30 2.53 1.71 0.069 254 43.57 0.56 028 0.13 7550... 1199.. 198.84 0.0500 74,99 100.02 20.СС 0.700 149,93 1.Б5 10.19 11,00 0,7452 0,1301 760,75
16 1235... 0.007... 15.59 255 1.67 0.067 254 47.69 0.60 028 0.13 7437... 1200... 20731 0.0500 75.01 ЮО.СО 20.01 0.700 149.95 1.72 10.05 10.89 0.7415 0.1802 757,58
17 13.41.. о.осе.. 15.57 2.62 1.79 0.064 250 48.17 0.55 028 0.13 7467. 1188 203.90 0.0500 75.01 99.98 20.00 0.700 150,02 1.78 9.92 10.77 0,7446 0.1 ЙЙ 77426
1а 1231... 0.008.. 15.4Б 266 1.74 0.063 243 51.39 0.52 028 0.13 7613. 1172.. 199.94 0.0500 75,00 99.97 20.СС 0.700 150.04 1.83 9.79 10.67 0,7551 0.1803 774,54
19 11,34... 0.008... 15.36 265 1.76 0.065 252 49.13 0,53 029 0.13 7597... 1163... 201.42 0.0500 74,99 99.98 20.СС 0.700 150,01 1.88 9.63 10,58 0,7556 0,1304 775,47
20 1225 . 0.007... 1528 260 1.66 0.066 251 49.63 0.53 029 0.13 7381... 1170... 194.66 0.0500 74.99 100.01 19.99 0.700 150.02 193 9.53 10.50 0.7444 0.1804 758,94
21 1257.. 0.007.. 1521 257 1.71 0.066 244 50.12 0.54 029 0.13 7249.. 1189 193.44 0.0500 75.00 100.02 20.00 0.700 150,02 1.97 930 10.43 0.7397 0.1 КБ 759,32
22 1202.. о.осе.. 15.1 Б 259 1.70 0.064 248 47.11 0.58 029 0.13 7325. 1209 20210 0.0500 75.01 100.02 20.00 0.700 149,93 1.99 9.45 10.39 0.7474 0.1805 75824
23 1209... 0.008... 15.12 263 1.72 0.063 244 49.57 0.56 0.30 0.13 7390... 1220... 199.95 0.0500 75.00 100.01 20.СС 0.700 150.00 2.01 9.41 10.35 0.7510 0.1305 767,59
24 1253... 0.007... 15.11 263 1.66 0.064 248 5023 053 029 0.13 7296... 1218... 195.84 0.0500 75.00 100.01 19.99 0.700 150.04 2.01 9.39 10.34 0.7417 0.1804 76217
25 1266.. 0.007.. 15.11 257 1.63 0.067 261 49.93 0.57 029 0.13 7245. 1209 198.31 0.0500 75.00 100.01 20.00 0.700 150.00 2.02 9.39 Ю.34 0.7359 0.1804 756,47
26 1296... 0.007... 15.12 251 1.64 0.069 255 53.73 057 028 0.13 7422... 1205... 193.11 0.0500 75,02 100.01 20.СС 0.700 149,94 2,01 9.41 10,35 0,7478 0,1305 754,81
27 1292... 0.008... 15.15 253 1.69 0.1369 253 5223 0.55 029 0.13 7541... 1213... 191.80 0.0500 75.03 100.00 20.01 0.700 149.96 2.00 9.44 10.37 0.7638 0.1305 761,44
28 1239.. 0.007... 15.18 264 1.74 0.068 252 51.40 0.57 029 0.14 7644... 1231.. 201.70 0.0500 75.02 99.98 20.01 0.700 149.93 1.98 9.47 10.40 0.7651 0.1 ЭК 78233
29 1269.. 0.008.. 1521 274 1.71 0.068 243 52.46 0.53 029 0.14 752». 1248.. 201.85 0.0500 75.00 99.96 20.00 0.700 149.93 1.96 9Д1 10.43 0,7571 0.1804 793,09
30 11,37... 0.008... 1524 273 1.71 0.070 249 43.93 0,50 029 0.13 7551... 1253... 19823 0.0500 56,93 99.95 20.СС 0.700 150,02 1.79 7.77 9,17 0.7577 0,1453 702,52
31 11,53... 0.007... 1527 261 1.Б8 0.072 253 49.83 054 029 0.13 7567... 1242... 201.69 0.0640 56.93 99.98 20.00 0.700 150.07 1.47 722 10.41 0.7156 0.1403 59222
32 12Ж- о.осе.. 1528 246 1.77 0.072 244 51.12 0.56 0.30 0.13 7623. 1747.. 197.90 0.0640 56.99 100.02 20.01 0.700 150.03 1.47 724 10.42 0.7695 0.1404 700,85
33 1261.. 0.007.. 1528 243 1.74 0.070 247 49.43 0.56 0.31 0.12 7437 1726... 633.79 0.064П 56.99 100.05 20.00 0.700 149.93 1.46 724 10.43 0.6341 0.1393 796,01
34 11.31... 0.008... 152Б 252 1.77 0.068 246 5227 0.58 0.30 0.12 7396... 5264.... 665.86 0.0640 56.99 100.06 20.00 0.700 150.00 1.47 722 Ю.41 0.5225 0.1385 784,46
35 1270... 0.007... 1523 267 1.65 0.068 246 51.41 0.57 029 0.12 9037... 5301.... 669.74 0.0640 56.99 100.03 19.99 0.700 150.01 149 7.19 10.38 0.6945 0.1389 78520
36 13.48.. 0.008.. 15.18 2.75 1.69 0.069 259 4В.Э4 0.53 а,за 0.13 9147... 5342.... 655,02 0,0640 56.99 148,98 2йСС 0,700 14993 1 98 6,96 1118 0,7358 0.1403 92927
[ Закрыть ] | С'истить | Экспортв.С5У "[
Рис. 2. Автоматическая запись накапливаемой информации
Рис. 3. Определение рекомендательного режима получения заданного качества продукции в сезонных условиях
Рис. 4. Определение рекомендательного режима получения минимального загрязнения водоема в сезонных условиях
Л, Обзор
Вход-
Атрибут Значение Л
Концентрация при отливе 0.529 - 0,902 N
Расход вопокнз 104,341 - 132.19Ё
Расход деминерализованной воды 83.350-131,270
Рдсхлп пппмыпнпй яплы ЯЯ 480 G70 - 70 369 556 z
^ В 1 ►
Вывод
Выходной атрибут Значение 1: Знамение 2.
прочность
31
) 4.776ВЭ41712 - 6.2775588632
| ^Отсутствует?-
Переменные:
Атрибут Значение Подмздат 4.77БВЭ41712 -K277B5S8. подходит Отсутствует^
Расход погатмера Допустило сульфата А1_ 5.000 - 47.063 0.020 - 0,050
Допустимо сульфата А1_ 0.093 - 0,160
Расход полимера 79.953-110,040
Расход полимера 63.508 ■ 79.953 (^Н I
Допустимо сульфата А1. 0.072 - 0,093 ш
Расход полимера 47,063-63.503 ■
Допустимо сульфата А 0.050 - 0,072 i
1
' . I г
Копировать б Excel
Закрыть
Рис. 5. Реализация рабочего примера в Microsoft Excel
Здесь просматриваются сюжеты интересных вычислительных экспериментов. Обычно основными подстраивающими параметрами являются «Расход полимера», «Расход волокна», «Степень помола», а главным «возбудителем спокойствия» выступает «Допустимое содержа-
ние сульфата алюминия». Значит, если закрепить на среднем уровне значения всех входных атрибутов, кроме «Расход полимера», «Расход волокна», «Степень помола», а «Допустимое содержание сульфата алюминия» закрепить на нижнем уровне, то для заданных требований по
качеству мы получим оптимальный технологический режим по трем управляющим воздействиям. Фиксируем его и далее, последовательно изменяя значения входного атрибута «Допустимое содержание сульфата алюминия», мы получим необходимые коррекции оптимальных значений параметров технологического режима в различных условиях солевого состава речной воды. Те же самые действия можно повторить для разных требований к качеству продукции.
Заключение. Нейронные сети оказываются мощным средством не только для классификации данных, но и для графического решения
оптимизационных задач в разнообразных формулировках.
По простоте и гибкости настройки этот метод оптимизации превосходит классические и градиентные методы.
Поскольку в данном случае используются не традиционные математические модели, а базы данных результатов наблюдений за длительный период времени, то предлагаемый метод обладает наибольшей оперативностью и экспрессностью в подстройке задач при изменении текущих условий функционирования производственного комплекса.
Литература
1. Колесников В. Л., Урбанович П. П., Жарский И. М. Компьютерное моделирование и оптимизация химико-технологических систем. Минск: БГТУ, 2004. 532 с.
2. Kolesnikov V., Urbanovich P., Brakovich A. Modeling and software implementation of fibrous waste disposal processes // New Electrical and Electronic Technologies and their Industrial Implementation - NEET' 2015: proc. of the 9-th Intern. conf. Lublin, 2015. P. 37.
References
1. Kolesnikov V. L., Urbanovich P. P., Zharsky I. M. Komp'yuternoe modelirovanie i optimizatsiya khimiko-tekhnologicheskikh sistem [Computer simulation and optimization of chemical processes: manual for universities]. Minsk, Belarusian State Technological University, 2004. 532 p. (In Russian)
2. Kolesnikov V., Urbanovich P., Brakovich A. Modeling and software implementation of fibrous waste disposal processes. New Electrical and Electronic Technologies and their Industrial Implementation - NEET' 2015: proc. of the 9-th Intern. conf. Lublin, 2015, p. 37.
Информация об авторах
Колесников Виталий Леонидович — доктор технических наук, профессор, профессор кафедры информационных систем и технологий. Белорусский государственный технологический университет (220006, г. Минск, ул. Свердлова, 13а, Республика Беларусь). E-mail: vitalykolesnikov@mail.ru
Бракович Андрей Игоревич — кандидат технических наук, доцент, доцент кафедры информационных систем и технологий. Белорусский государственный технологический университет (220006, г. Минск, ул. Свердлова, 13а, Республика Беларусь). E-mail: brakovich@yandex.ru
Information about the authors
Kolesnikov Vitalii Leonidovich - DSc (Engineering), Professor, Professor, the Department of Information Systems and Technologies. Belarusian State Technological University (13a, Sverdlova str., 220006, Minsk, Republic of Belarus). E-mail: vitalykolesnikov@mail.ru
Brakovich Andrei Igorevich - PhD (Engineering), Associate Professor, Assistant Professor, the Department of Information Systems and Technologies. Belarusian State Technological University (13a, Sverdlova str., 220006, Minsk, Republic of Belarus). E-mail: brakovich@yandex.ru
Поступила 14.04.2017
