CC BY
167
Известия высших учебных заведений. Поволжский регион
УДК 004.842-326
А. А. Щербакова, В. А. Соловьев, Д. В. Артамонов
ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ ИДЕНТИФИКАЦИИ КОМПОНЕНТОВ, ОПРЕДЕЛЕНИЯ СОСТАВА ТОПЛИВА ПО СПЕКТРАЛЬНЫМ КОЭФФИЦИЕНТАМ ПОГЛОЩЕНИЯ
Аннотация.
Актуальность и цели. Применение искусственной нейронной сети для обработки цифровых сигналов со значениями спектральных коэффициентов поглощения товарных топлив, полученных путем смешения компонентов, относится к аналитическим инструментам и может использоваться, например, для идентификации компонентов, контроля и поддержания требуемой концентрации и значения детонационной стойкости компонентов при производстве товарного топлива. Целью исследования является разработка структуры, целевой функции и функции активации искусственной нейронной сети идентификации компонентов и определения состава топлива по спектральным коэффициентам поглощения.
Материалы и методы. Задачи идентификации компонентов бензина, определения состава и детонационной стойкости решались с использованием теории искусственных нейронных сетей. Методом математического моделирования найдены целевые функции искусственной нейронной сети идентификации и состава, функции активации нейрона. Методом обратного распространения ошибки решалась задача обучения искусственной нейронной сети.
Результаты. В пакете VBA программы Microsoft Excel промоделирована разработанная математическая модель обучения искусственной нейронной сети идентификации и определения состава по спектральным коэффициентам поглощения. Подана заявка на изобретение «Способ идентификации компонентов бензина и определения его состава в режиме реального времени»
№ 2014116187 от 22.04.2014.
Выводы. Искусственная нейронная сеть для идентификации компонентов, определения состава бензинов и их компонентов по спектральным коэффициентам поглощения в промышленной информационно-измерительной системе предназначена для обеспечения достоверности идентификации, повышения точности определения состава и детонационной стойкости товарных бензинов в технологических процессах, что позволит в режиме реального времени вносить поправки в технологию приготовления бензинов.
Ключевые слова: идентификация, искусственная нейронная есть, целевая функция, функция активации нейрона, спектральный коэффициент поглощения.
A. A. Shcherbakova, V. A. Solov'ev, D. V. Artamonov
ARTIFICIAL NEURAL NETWORK FOR FUELS’ COMPONENTS IDENTIFICATION AND COMPOSITION DETERMINATION BY SPECTRAL ABSORPTIVITY
Abstract.
Background. Application of artificial neural networks for processing of digital signals with spectral absorptivity values of commercial grade fuels, obtained by components mixing, refers to analytical tools and can be used, for example, for
36
University proceedings. Volga region
№ 3 (35), 2015 Технические науки. Информатика, вычислительная техника
identification of components, control and maintenance of desired concentration and detonation resistance values of components in production of commercial grade fuels. The purpose of this work is to develop a structure, an objective function and an activation function of the artificial neural network for fuels’ components identification and composition determination by spectral absorptivity.
Materials and methods. The problems of gasoline’s components identification, determination of composition and detonation resistance were solved using the theory of artificial neural networks. Using the method of mathematical simulations the authors found objective functions of artificial neural network for composition identification, neiron activation functions. The problem of artificial neural network training was solved by the method of backpropagation of error.
Results. Using the VBA Microsoft Excel package the authors simulated the developed mathematical model for training the artificial neural network for composition identification and determination by spectral absorptivity. The researchers submitted an application for the invention "Method of gasoline’s components identification of composition definition in real time" on 22.04.2014.
Conclusions. Artificial neural network for components identification and composition determination by spectral absorptivity in industrial information and measuring systems is designed to ensure reliability of identification, to increase accuracy of commercial grade gasoline’s composition and detonation resistance determination directly in production technological processes that will make it possible to promptly amend the fuel production technology in real time.
Key words: identification, artificeal neural network, objective function, neuron activation function, spectral absorptivity.
Введение
При производстве товарного бензина путем смешения нескольких компонентов необходимо следить за концентрацией компонентов и детонационной стойкостью топлива. В современной промышленной аналитической химии с большими наборами экспериментальных данных это задача преобразования сигналов, полученных аналитическим инструментом в значения интересующих свойств или концентраций при контроле качества продукции. Для решения задач аналитической химии используются методы построения количественных моделей, которые охватывают математику, компьютерную технику и соответствуют современной технической оснащенности.
Существует несколько методов, которые могут быть использованы для построения количественных моделей. Эти методы рассмотрены в литературе [1-3]. Самым информативным из них является метод искусственных нейронных сетей, обладая возможностью переобучения.
Искусственная нейронная сеть идентификации и определения состава
Искусственные нейронные сети для обработки сигналов со значениями спектральных коэффициентов поглощения решают задачи обеспечения достоверности идентификации компонентов, входящих в состав товарного бензина, повышения точности определения состава и октанового числа бензинов.
Особенностью применения данного метода является то, что обучение искусственной нейронной сети производится учителем, в качестве которого выступают тестовые бензины и компоненты с известными спектральными коэффициентами поглощения. Процесс идентификации компонентов бензина
Engineering sciences. Computer science, computer engineering and control
37
Известия высших учебных заведений. Поволжский регион
и определения его состава производится в режиме реального времени с оперативным внесением поправок в технологический процесс производства.
По измеренным значениям спектральных коэффициентов поглощения компонентов, входящих в состав бензина, и спектральных коэффициентов поглощения бензина производят идентификацию компонентов бензина с помощью принципа искусственных нейронных сетей [4].
На рис. 1 представлена структура искусственной нейронной сети [5] идентификации и вычисления компонентного состава бензиновой смеси, представляющая собой: умножители ® (коэффициенты синаптических связей югу ), первый сумматор ^ i (целевая функция B на i-й длине волны),
второй сумматор ^ 2 (целевая функция B) и нелинейный преобразователь f (функция активации R нейрона).
R
Рис. 1. Структура искусственной нейронной сети идентификации и состава
Идентификацию компонентов и определение их концентраций в товарном бензине производят по минимуму целевой функции B, измеренным сигналам и вычисленным по ним значениям спектральных коэффициентов поглощения компонентов kj (h), значениям спектральных коэффициентов поглощения смесей kGU (hi), при этом изменяются коэффициенты синаптических связей Юу , для чего используют, например, алгоритм обратного распространения ошибки:
38
University proceedings. Volga region
№ 3 (35), 2015 Технические науки. Информатика, вычислительная техника
В =Z
i=1
-i2
Км (h) - Z kj (hi Н
j=1
^ min .
(1)
Значения функции активации нейронов искусственной нейронной сети состава и идентификации R вычисляют в соответствии с функцией активации, например:
R = e-Bae , (2)
где a - коэффициент, учитывающий наклон функций активации; е - погрешность измерения спектральных коэффициентов поглощения.
График зависимости целевой функции от функции активации представлен на рис. 2. При активном состоянии нейрона состава принимают значения концентрации компонентов в смеси Cj численно равными значениям коэффициентов синаптических связей ю- из смеси компонентов, для которых значения функции активации R < 0,999 .
Рис. 2. График функции активации нейрона, искусственной нейронной сети состава и идентификации
Определение детонационной стойкости топлива
После идентификации компонентов и определения состава производится расчет октанового числа топлива Q в соответствии с формулой
m
Q = Z c;Qj+b.
ji
где Qj - октановое число компонента бензина; b - суммарное отклонение
октановых чисел от аддитивности, обусловленное межмолекулярными взаимодействиями между компонентами:
Engineering sciences. Computer science, computer engineering and control
39
Известия высших учебных заведений. Поволжский регион
b
л m
---Ё bjci ,
100^ 33 J=1
где bj - интенсивность межмолекулярных взаимодействий компонента [6].
Проверка адекватности математической модели обучения искусственной нейронной сети идентификации и состава
С помощью разработанного программного обеспечения обучения искусственной нейронной сети состава и идентификация в пакете VBA программы Microsoft Excel [7] был промоделирован процесс вычисления состава и идентификации компонентов для четырех смесей, содержание которых представлено в табл. 1.
Таблица 1
Значения концентраций компонентов для смесей 1-4
смесь 1 смесь 2 смесь 3 смесь 4
Значение концентрации и-гептана, % 20 9 6 3
Значение концентрации изооктана, % 75 84 84 87
Значение концентрации толуола, % 5 7 0 0
Значение концентрации бензола, % 0 0 10 10
На рис. 3 приведены спектральные коэффициенты поглощения компонентов kj (kj), заимствованные из [8], а для смесей спектральные коэффициенты поглощения kGU (kj), рассчитанные в соответствии с правилами аддитивности, представлены на рис. 4.
1075 1095 1115 1135 1155 1175 1195 1215 1235
Длина волны, нм
Рис. 3. Спектральные коэффициенты поглощения компонентов
40
University proceedings. Volga region
№ 3 (35), 2015 Технические науки. Информатика, вычислительная техника
Рис. 4. Спектральные коэффициенты поглощения смесей
Используя целевую функцию (1), алгоритм обратного распространения ошибки, а также спектральный коэффициент поглощения компонентов kj (Xj) и смесей ксм (X;), минимизируем целевую функцию B с изменением
величин коэффициентов синаптических связей Щу .
Значения погрешностей вычисления концентраций компонентов смесей, целевых функций и функций активации при различных случайных погрешностях спектральных коэффициентов поглощения смесей и компонентов приведены в табл. 2.
При этом генератором случайных чисел задавались случайные погрешности спектральных коэффициентов поглощения смесей и компонентов от 1 до 4 %.
Как следует из табл. 2, с увеличением случайных погрешностей спектральных коэффициентов поглощения смеси и компонентов растут погрешности вычисления концентраций компонентов смесей, а также минимальные значения целевых функций, и уменьшаются значения функций активации, что неизбежно скажется на уменьшении достоверности идентификации компонентов.
Если принять за допустимую случайную погрешность спектральных коэффициентов поглощения смеси и компонентов, равную 3 %, то нейрон активирован при значениях функции активации 0,999 < R < 1.
При этом значения концентраций компонентов в смеси Су принимаются равными величинам коэффициентов синаптических связей Щу, и исключаются из смеси компоненты, для которых значения функции активации R < 0,999 .
Engineering sciences. Computer science, computer engineering and control
41
Известия высших учебных заведений. Поволжский регион
Таблица 2
Погрешности вычисления концентраций компонентов смесей, значения целевых функций и функций активации при различных случайных погрешностях спектральных коэффициентов поглощения смесей и компонентов
Погрешность коэффициента поглощения Погрешность вычисления концентрации, %
смесь 1 смесь 2 смесь 3 смесь 4
0 % n-гептан 0,00 0,00 0,00 0,00
изооктан 0,00 0,00 0,00 0,00
толуол 0,00 0,00 0,00 0,00
бензол 0,00 0,00 0,00 0,00
Значение целевой функции 0,0000 0,0000 0,0000 0,0000
Значение функции активации 1,0000 1,0000 1,0000 1,0000
1 % n-гептан 0,22 0,28 0,16 0,03
изооктан 0,19 0,27 0,15 0,14
толуол 0,04 0,00 0,28 0,35
бензол 0,00 0,00 0,30 0,17
Значение целевой функции 0,0013 0,0014 0,0019 0,0018
Значение функции активации 1,0000 1,0000 1,0000 1,0000
2 % n-гептан 0,79 0,50 0,82 0,07
изооктан 0,29 0,56 0,64 0,83
толуол 0,42 0,06 1,16 0,98
бензол 0,00 0,00 0,99 0,21
Значение целевой функции 0,0066 0,0059 0,0045 0,0061
Значение функции активации 0,9998 0,9998 0,9998 0,9998
3 % n-гептан 1,40 0,84 0,86 0,33
изооктан 0,95 1,35 1,01 1,22
толуол 0,97 0,51 1,27 1,51
бензол 0,00 0,00 1,43 0,62
Значение целевой функции 0,0200 0,0199 0,0199 0,0203
Значение функции активации 0,9994 0,9994 0,9994 0,9994
4 % n-гептан 1,80 0,91 1,23 0,25
изооктан 1,48 1,87 1,27 1,41
толуол 1,31 0,96 2,94 1,89
бензол 0,00 0,00 2,98 0,74
Значение целевой функции 0,0294 0,0389 0,0229 0,0296
Значение функции активации 0,9990 0,9988 0,9989 0,9989
42
University proceedings. Volga region
№ 3 (35), 2015 Технические науки. Информатика, вычислительная техника
Функциональная схема промышленной системы измерения спектральных коэффициентов поглощения бензинов и их компонентов
Метод искусственных нейронных сетей для идентификации и определения состава может быть реализован в промышленной спектрометрической системе измерения спектральных коэффициентов поглощения компонентов и бензинов, функциональная схема которой приведена на рис. 5.
Рис. 5. Функциональная схема промышленной спектрометрической системы измерения спектральных коэффициентов поглощения бензинов
Промышленная система является многоканальной и включает: спектрометр, промышленные проточные кюветы, соединенные волоконно-оптическим кабелем с ИК-спектрометром через оптический мультиплексор. По команде от ПК излучение от ИК-излучателя через оптический мультиплексор направляется по волоконно-оптическому кабелю первого канала (ВОК 1) в промышленную проточную кювету, расположенную рядом с технологическим трубопроводом, по которому из резервуара подается первый компонент. Производится считывание цифровых сигналов со значениями спектральных коэффициентов пропускания тj (Xг-) ИК-спектрометром и последовательный
ввод их значений в ПК по USB-интерфейсу с последующим расчетом на их основе спектральных коэффициентов поглощения первого компонента:
Engineering sciences. Computer science, computer engineering and control
43
Известия высших учебных заведений. Поволжский регион
kj (h i) = -
-lg т j (h)
L
где kj (hi) - коэффициент поглощения j-го компонента на i-й длине волны, Lj - длина оптического пути j-й кюветы.
Результаты расчетов запоминаются в ПК, после чего по интерфейсу RS-485 ПК дает команду оптическому мультиплексору на переключение излучения от ИК-излучателя к волоконно-оптическому кабелю второго канала (ВОК 2), соответствующего точке отбора второго компонента. Производится считывание цифровых сигналов со значениями спектральных коэффициентов пропускания и последующий расчет на их основе спектральных коэффициентов поглощения второго компонента и сохранение в памяти ПК. Эти действия повторяются, пока не будут измерены спектральные коэффициенты пропускания всех компонентов, а также товарных бензинов, полученных в результате смешения компонентов в смесителях, по технологическим трубопроводам поступающих в резервуар с готовым бензином.
Заключение
Построение промышленной системы анализа бензина на основе разработанной структуры искусственной нейронной сети (рис. 1), целевой функции (1) и функции активации нейрона (2) позволит идентифицировать компоненты, определить состав и детонационную стойкость топлива при производстве в режиме реального времени. Адекватность математической модели обучения искусственной нейронной сети подтверждается разработанным в пакете VBA Microsoft Excel программным обеспечением обучения искусственной нейронной сети.
Список литературы
1. Bakeev, K. A. Process Analytical Technology / Katherine A. Bakeev. - Blackwell Publishing Ltd. 2005. - 445 с.
2. Родионова, О. Е. Хемометрика в аналитической химии / О. Е. Родионова, А. Л. Померанцев. - М. : Ин-т хим. физики РАН, 2008. - 61 с.
3. Шараф, М. А. Хемометрика / М. А. Шараф, Д. Л. Иллмэн, Б. P. Ковальски. -Л. : Химия, 1989. - 272 с.
4. Хайкин, С. Нейронные сети / С. Хайкин. - М. : Вильямс, 2006. - 1104 с.
5. Никифоров, И. К. Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов : дис. ... канд. техн. наук / Никифоров И. К. - Чебоксары : ЧГУ им. И. Н. Ульянова, 2005. - 172 с.
6. Смышляева Ю. А. Моделирование процесса приготовления высокооктановых бензинов на основе углеводородного сырья в аппаратах циркуляционного типа : дис. ... канд. техн. наук / Смышляева Ю. А. - Томск : НИТПУ, 2011. - 144 с.
7. Джелен, Б. Применение VBA и макросов в Microsoft Excel / Б. Джелен, Т. Сир-стад. - М. : Вильямс, 2006. - 624 с.
8. Веснин, В. Л. Характерные особенности спектров поглощения бинарных смесей углеводородов в области длин волн 1090-1240 нм на примере изооктана, n-гептана, толуола, бензола / В. Л. Веснин, В. Г. Мурадов // Известия Самарского научного центра Российской академии наук. - 2009. - Т. 11, № 3. - C. 29-32.
References
1. Bakeev K. A. Process Analytical Technology. Blackwell Publishing Ltd. 2005, 445 p.
44
University proceedings. Volga region
№ 3 (35), 2015 Технические науки. Информатика, вычислительная техника
2. Rodionova O. E., Pomerantsev A. L. Khemometrika v analiticheskoy khimii [Chemo-metrics in analytical chemistry]. Moscow: In-t khim. fiziki RAN, 2008, 61 p.
3. Sharaf M. A., Illmen D. L., Koval'ski B. P. Khemometrika [Chemometrics]. Leningrad: Khimiya, 1989, 272 p.
4. Khaykin S. Neyronnye seti [Neural networks]. Moscow: Vil'yams, 2006, 1104 p.
5. Nikiforov I. K. Neyrosetevoy impedansnyy metod i ustroystva identi-fikatsii i opredele-niya parametrov zhidkikh nefteproduktov: dis. kand. tekhn. nauk [Neural network impedance technique and devices for liquid oil products’ parameters identification and determination: dissertation to apply for the degree of the candidate of engineering sciences]. Cheboksary: ChGU im. I. N. Ul'yanova, 2005, 172 p.
6. Smyshlyaeva Yu. A. Modelirovanie protsessa prigotovleniya vysokooktanovykh benzi-nov na osnove uglevodorodnogo syr’ya v apparatakh tsirkulyatsionnogo tipa: dis. kand. tekhn. nauk [Simulation of producing high-octance gasolines on the basis of hydrocarbon raw stock in circulation-type devices: dissertation to apply for the degree of the candidate of engineering sciences]. Tomsk: NITPU, 2011, 144 p.
7. Dzhelen B., Sirstad T. Primenenie VBA i makrosov v Microsoft Excel [Application of VBA macros in Microsoft Excel]. Moscow: Vil'yams, 2006, 624 p.
8. Vesnin V. L., Muradov V. G. Izvestiya Samarskogo nauchnogo tsentra Rossiyskoy akademii nauk [Proceedings of Samara scientific center of the Russian Academy of Sciences]. 2009, vol. 11, no. 3, pp. 29-32.
Щербакова Анна Алексеевна аспирант, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40)
E-mail: [email protected]
Соловьев Владимир Александрович доктор технических наук, профессор, кафедра приборостроения, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40)
E-mail: [email protected]
Артамонов Дмитрий Владимирович
доктор технических наук, профессор, кафедра автономных информационных и управляющих систем, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40)
E-mail: [email protected]
Shcherbakova Anna Alekseevna Postgraduate student, Penza State University (40 Krasnaya street, Penza, Russia)
Solov'ev Vladimir Aleksandrovich Doctor of engineering sciences, professor, sub-department of instrument engineering, Penza State University (40 Krasnaya street, Penza, Russia)
Artamonov Dmitriy Vladimirovich Doctor of engineering sciences, professor, sub-department of autonomous information and control systems, Penza State University (40 Krasnaya street, Penza, Russia)
УДК 004.896 Щербакова, А. А.
Искусственная нейронная сеть для идентификации компонентов, определения состава топлива по спектральным коэффициентам поглощения / А. А. Щербакова, В. А. Соловьев, Д. В. Артамонов // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2015. -№ 3 (35). - С. 36-45.
Engineering sciences. Computer science, computer engineering and control
45
