CC BY
48
УДК 664.951.3
ИСПОЛЬЗОВАНИЕ НЕЙРОННОЙ СЕТИ ПРИ АНАЛИЗЕ ПРОЦЕССА КОПЧЕНИЯ ТОМАТНОГО СОУСА В АППАРАТЕ С ЭЛЕКТРОСТАТИЧЕСКИМ ПОЛЕМ
В.Е. Добромиров, С.Ю. Китаев, С.В. Макеев
В статье рассмотрены основных характеристики процесса электрокопчения сила тока коронного разряда и степень осаждения коптильных компонентов на продукте. Сила коронного тока, а точнее её зависимость от приложенного к коронирующим электродам напряжения определяет нагрузку на высоковольтный генератор и характеризует энергозатраты процесса электрокопчения
Ключевые слова: копчение, нейронная сеть, коронный разряд
Копчение - это совокупность химических, физико-химических, тепловых, диффузионных и биохимических процессов, протекающих в продукте под действием коптильного дыма, содержащего коптильные компоненты и образующиеся при неполном сгорании (пиролизе) древесины [1]. Назначение - придание продукту специфического цвета, вкуса и аромата, а также всего комплекса эффектов копчения, что делает его пригодным в пищу без дополнительной кулинарной обработки.
Процесса электрокопчения состоит в том, что в результате коронного разряда, возникающего из-за сильно неоднородного электрического поля вблизи остриев игл коронирующих (активных) электродов, происходит интенсивная ионизация компонентов дымовоздушной смеси, поступающей в зону копчения, затем ионы адсорбируются на частицах дыма, сообщая им заряд, противоположного знака по отношению к продукту, выступающему в роли пассивного электрода. После чего частицы коптильных веществ приобретают направленное движение в электростатическом поле. В результате после столкновением с продуктом заряженные частицы осаждаются на его поверхности [2].
Одними из основных характеристик процесса электрокопчения являются сила тока коронного разряда и степень осаждения коптильных компонентов на продукте. Сила коронного тока, а точнее её зависимость от приложенного к коронирующим электродам напряжения (вольт-амперная характеристика) определяет нагрузку на высоковольтный генератор и характеризует энергозатраты электрокопчения. А его эффективность характеризуется степенью осаждения К, которая определяется выражением (1) как отношение разности концентраций дымовоздушной смеси на входе с и выходе с2 к концентрации на входе коптильной камеры с
К--
(1)
Добромиров Владимир Евгеньевич - ВГТА, канд. техн. наук, профессор, тел. (4732) 55-38-96 Китаев Сергей Юрьевич - ВГТА, канд. техн. наук, ассистент, тел. (4732) 55-38-96
Макеев Сергей Владимирович - ВГТА, аспирант, тел. (4732) 55-38-96
Представляет интерес нахождение оптимальных интервалов технологических параметров, которые бы обеспечивали наибольшую эффективность процесса при минимуме энергозатрат.
Для чего нами была проведена серия экспериментов в специально созданной установке электрокопчения.
При этом копчению подвергался томатный
соус.
В качестве входных параметров были выбраны скорость дымовоздушной смеси в коптильной камере и (м/с) и относительная влажность дымовоздушной смеси ф (%). Диапазоны и интервал варьирования каждого из входных параметров представлены в табл. 1.
При этом нами было проведено двадцать пять экспериментов, в каждом из которых снималась вольт-амперная характеристика (зависимость тока от напряжения) в двадцати точках и экспериментальная зависимость степени осаждения коптильных веществ на продукте от напряжения на коронирующих электродах, также состоящая из двадцати точек. Таким образом, общее число точек данных составило пятьсот.
На рисунках рис. 1 и рис. 2 представлен вид полученных кривых.
В виду достаточной сложности вида полученных зависимостей, их аппроксимация стандартными методами с использованием уравнения регрессии второго порядка представляется крайне затруднительной.
Поэтому для обработки полученных экспериментальных данных нами решено было применить математический аппарат на основе нейронных сетей.
Как известно, нейронные сети - это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ [3]. Нейронная сеть обладает способностью к обучению и обобщению накопленных знаний, так будучи натренированной на ограниченном множестве данных, сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессе обучения. Обученная аппроксимирующая сеть играет роль
с— с
2
с
универсального аппроксиматора функции нескольких переменных, который реализует нелинейную функцию вида y=f(x), где x - входной вектор, а у -реализованная функция нескольких переменных.
Программная реализация нейронной сети была выполнена нами на языке программирования высокого уровня C++ и интегрированной среды объектно-ориентированного программирования
Builder 6.0 корпорации Borland Software Corporation ©.
чили свидетельство о государственной регистрации данного программного продукта.
Структура нейронной сети нами выбиралась на основании теоремы Колмогорова [4], и в дальнейшем уточнялась с использованием метода OBD («Optimal Brain Damage») [5].
Таблица 1
Наименование параметра Нижний уровень Верхний уровень Шаг изменения Единица измерения
Напряжение на коронирующих электродах, ик Xi 5 45 2 кВ
Скорость дымовоздушной смеси и, м/с Х2 0,2 1,0 0,2 Ед. шкалы фотометра
Относительная влажность дымовоздушной смеси, ф Хэ 60 90 6 %
При этом создана программа, позволяющая выполнять нормализацию исходных данных, моделировать работу нейронной сети произвольной структуры различным видом активационной функцией нейронов.
В итоге была выбрана сеть типа многослойный персептрон, имеющая два скрытых нейронных слоя, первый из которых содержит четыре нейрона, а второй - пять. Выходной слой состоит из двух нейронов, что определяется числом выходных параметров.
Рис. 1 - Экспериментальная зависимость степени осаждения от приложенного к коронирующим электродам напряжения.
-А- - при и=0,6 м/с, ф=65%; -О- - при и=0,4 м/с, ф=75%; -□- - и=0,2 м/с, ф=85%.
Рис. 2 - Экспериментальная зависимость силы коронного тока от напряжения.
-А- - при и=0,6 м/с, ф=65%; -О- - при и=0,4 м/с, ф=75%; -□- - и=0,2 м/с, ф=85%.
Схематичное графическое изображение сети, её обучение методом обратного распространения ошибки, и последующую оптимизацию выходных параметров градиентным методом. В настоящее время сотрудники Воронежской Государственной Технологической Академии кафедры МАПП полу-
В качестве функции активации для каждого из нейронов была выбрана сигмоидальная зависи-
мость вида f ( x) =
1
1 + е -
. Выбранная структура
нейронной сети представлена на рис. 3
Согласно рекомендациям, изложенным в [3] для улучшения обучаемости сети вводилась поляризация, т.е. на дополнительный вход каждого нейрона через соответствующий весовой коэффициент подавалась постоянная величина равная +1.
входных параметров, dj - значение у-го параметра из /-го набора экспериментальных данных (эталонных или тестовых).
Поляризация +1 Рис. 3. Структура нейронной сети.
Обучение сети велось по методу обратного распространения ошибки с постоянным коэффициентом обучения, равным 0,1.
Все численные значения результатов экспериментов подвергались нормализации таким образом, чтобы они находились в интервале 0.. .1.
При этом весь объём исходных данных был разделён на три части: эталонные данные для обучения (обучающее подмножество - 60% данных), данные для проверки работы сети в процессе обучения (тестовое подмножество - 25% данных) и данные для контроля адекватности сети после завершения процесса обучения (контрольное подмножество - 15% данных).
При обучении последовательность предоставляемых сети эталонных значений рандомизировалась. В течение всего процесса обучения отслеживалось поведение функций погрешности обучения и погрешности обобщения, которые определяются согласно выражению (2) как среднеквадратичное отклонение (СКО) по всем точкам данных между выходом сети и эталонными значениями, а также значениями из тестового подмножества, соответственно.
1 N М
Е = -^-У У (У<'>- d<> )2 (2)
N • М£г ’
где М - число выходных параметров, N - объём выборки, у/<> -у-й выход сети при /-ом наборе
После окончания обучения были получены матрицы весовых коэффициентов для каждого из слоёв нейронной сети, их численные значения приведены в табл. 2.
Адекватность работы полученной нейронной сети оценивалась по данным из контрольного подмножества, при этом средняя суммарная ошибка не превышала 10%, что является вполне приемлемым при инженерных расчётах.
Таким образом, полученная нейронная сеть, с достаточной степенью адекватности описывает процесс копчения в электростатическом поле.
На следующем этапе работы выполнялась оптимизация выходных параметров с использованием градиентного метода.
Задача оптимизации заключается в том, чтобы найти такие режимы работы электрокоптильной установки, которые в широком диапазоне изменения входных параметров коптильного дыма D обеспечили бы минимум величины коронного тока Уи при максимуме степени осаждения у2. Общая математическая постановка задачи оптимизации представлена в виде следующей модели: q(yi, У2)хев opt;
y,(x,, Х2, Хз) xeD ->min; (3)
У2(Х1, Х2, Хз) xeD max.
При этом в качестве целевой функции величины коронного тока yi использовался первый вы-
ход нейронной сети, а в качестве у2 - второй её выход.
Затем последовательно, в соответствии с градиентным численным методом поиска экстремума, варьировались входные параметры сети, таким образом, чтобы обеспечить условия (3) задачи оптимизации.
Интервал для параметра х3 равен 80... 85 %, для параметра х4 - Параметры х1, х2 относительно критерия оптимизации у1 вступает в конфликт по критерию оптимизации у2.
В результате применения весового метода, идея которого заключается в синтезе скалярного критерия как функции исходных критериев.
Таблица 2
1-й слой (входной):
к нейрону №1 к нейрону №2 к нейрону №3 к нейрону №4
от Х(1) 6,545 1,004 6,500 2,217
от Х(2) 0,7319 1,094 0,138 0,066
от Х(3) -0,057 0,452 1,057 1,4552
от (+1) -1,334 -1,698 -4,778 -0,5938
2-й слой (скрытый):
к нейрону №1 к нейрону №2 к нейрону №3 к нейрону №4 к нейрону №5
от нейрона №1 2,890 -3,222 3,469 2,739 -4,258
от нейрона №2 2,096 -1,772 -0,344 -1,217 4,628
от нейрона №3 2,320 2,190 8,018 4,976 -9,217
от нейрона №4 -5,999 0,7978 -4,935 6,861 -0,653
от (+1) -1,035 1,198 -0,515 -0,169 -0,679
3-й слой (выходной):
к У(1) к У(2)
от нейрона №1 -2,141 4,826
от нейрона №2 7,461 0,512
от нейрона №3 3,527 -5,852
от нейрона №4 -0,130 -1,063
от нейрона №5 -4,555 -11,034
от (+1) -3,539 4,837
По результатам оптимизации были найдены оптимальные интервалы технологических параметров. Численные значения которых представлены в табл. 3.
Согласно критерию оптимизации (3) для принятия окончательного решения по выбору оптимальных режимов исследуемого процесса необходимо решить компромиссную задачу, накладывая оптимальные, выделенные в табл. 3, интервалы параметров х/ друг на друга.
Причем минимум его соответствует решению многокритериальной задачи, были получены субоптимальные интервалы изменения параметров:
х1 = 20,0.25,0 кВ; х2 = 0,2...0,6 м/с; х3 = 80.85 %;
Таблица 3
Критерий оптимизации Значение критерия Субоптимальные пределы изменения параметров
х1, кВ х2, м/с х3, %
тіп тах тіп тах тіп тах
Уі, мА 0,453 5,76 43 0,2 0,8 83,04 82,56
У2 2,086 5 46,0 0,2 0,87 80,2 84,0
Для проверки полученных результатов был поставлен ряд параллельных экспериментов и полученные результаты попадали в рассчитанные доверительные интервалы по всем критериям качества. При этом среднеквадратичная ошибка не превышала 10%.
Из анализа приведенных кривых можно заключить, что в области величины напряженности порядка 15 - 20 кВ/м наблюдается скачёк. Это связано с тем, что именно в таком диапазоне напряженности происходит возникновение устойчивого коронного разряда на электродах-иглах. При дальнейшем увеличении напряженности концентрация возрастает практически линейно.
Изменение температуры дымовоздушной смеси оказывает влияние на общую интенсивность протекания процесса осаждения за счёт возрастания подвижности ионов. И приводит к увеличению концентрации коптильных компонентов во всём диапазоне напряженности поля.
Увеличение влажности дымовоздушной смеси приводит к тому, что коронный заряд начинает возникать при меньших значениях напряженности электрического поля.
Полученные в результате проведенных экспериментов кривые, представленные на плакатах рис. 1 и рис. 2 позволяют уяснить то, как основные
параметры ведения процесса электрокопчения влияют на его интенсивность, а также определить интервалы изменения входных факторов для статистического анализа.
Литература
1. Ершов А. М. Технология рыбы и рыбных продуктов: Учебник для вузов [Текст] / В. В. Баранов, И. Э. Бражная, В. А. Гроховский и др. - СПб.: ГИОРД, 2006. -944с.
2. Рогов И.А. Электрофизические, оптические и акустические характеристики пищевых продуктов / И.А. Рогов, В.Я. Адаменко, С.В. Некрутман и др. // под ред. И.А. Рогова. - М.: Легкая и пищевая пром-сть, 1981. -287 с.
3. Осовский С. Нейронные сети для обработки информации / Перевод с польского И. Д. Рудницкого. -М.: Финансы и статистика, 2004. - 344 с.: ил.
4. Haykin S. Neural networks, a comprehensive foundation. - N.Y.: Macmillan College Publishing Company, 1994.
5. Le Cun Y., Denker J., Solla S. Optimal brain damage //Advances in NIPS2 / Ed. D. Touretzky, San Mario: Morgan Kaufmann, 1990. - Pp. 598-605.
Воронежская государственная технологическая академия
USING NEURAL NETWORK TO ANALYZE THE PROCESS OF SMOKED TOMATO SAUCE IN THE APPARATUS, THOSE WITH THE ELECTROSTATIC FIELD
V.E. Dobromirov, S.U. Kitaev, S.V. Makeev
In the article the main characteristics of smoking current strength of corona discharge and the degree of deposition of components of smoking on the product. The strength of the corona current and, more precisely, its dependence on the applied to the corona electrons give the voltage determines the load on the high-voltage generator and characterizes the energy consumption of smoked
Key words: smoking, neural network, a corona discharge
