CC BY
18технологические процессы, машины и оборудование
УДК 004.386
Использование нейросетевого регулятора для управления технологическим процессом бестарного хранения муки
Е. Б. КАРЕЛИНА; М. М. БЛАГОВЕЩЕНСКАЯ, д-р техн. наук, профессор Московский государственный университет пищевых производств
Д. Ю. КЛЕХО, канд. техн. наук
Российский государственный гуманитарный университет, Москва
В настоящее время все более возрастают требования к повышению качества и конкурентоспособности продуктов питания. В связи с этим бестарное хранение муки в силосах является важнейшим этапом в технологических процессах, так как непосредственно влияет на качество готовых хлебобулочных и кондитерских изделий.
Хранение муки представляет собой сложный технологический процесс, который в значительной степени подвержен воздействию окружающей среды (температура, давление, влажность и др.). И если вовремя не регулировать параметры хранимой муки, то протекающие в ней биохимические процессы приведут к порче продукта [1]. Решение данных проблем в современных условиях возможно только на основе использования новейших научных достижений в области техники и технологии, обеспечения стабильности производственных процессов, оснащения поточно-механизированных линий современными средствами непрерывного автоматического контроля, регулирования и управления с использованием высокоэффективных интеллектуальных технологий.
Стандартное управление производством на основе ПИД-регуляторов не даст управление и слабо подвержены адаптации, в связи с тем, что настройка каждого ПИД-регулятора производится отдельно, т.е. при корректировке управляющих воздействий не учитываются нелинейные взаимосвязи между ними. В связи с этим очень важно повышение адаптационных свойств регуляторов. Для этих целей предлагает-
Задание
ОУ ОД Вво^вывод
(силос) 1 "
ся использовать регуляторы на основе нейросетевых технологий [2].
Нейросетевой регулятор для управления бестарным хранением муки выполнен в виде программно-аппаратного и информационно-вычислительного комплекса (рис. 1).
Основным в данной структурной схеме является блок ОУ — объект управления — непосредственно силос для хранения муки. Информация о качественных показателях муки подается в блок ОД, первичной обработки данных, где осуществляется преобразование данных, полученных с объекта управления в форму, понятную пользователю [3]. Блок ввода/выво-
Преобразование данных в формат, используемый пакетом МаАаЬ для вычислений
Нет
Работа нейросетевой модели
Выдача управляющего
воздействия в виде рекомендаций оператору-технологу по корректировке технологического процесса
Конец
Рис. 1. Структурная схема нейросетевого регулятора Рис. 2. Алгоритм работы нейросетевой модели
да данных или графический интерфейс осуществляет взаимодействие пользователя и системы, на него приходит заранее определенное задание. Блок «ПИД-регуляторы» реализует алгоритмы ПИД-регулирова-ния, где на основе показаний единичного датчика формируется единичное управляющее воздействие на исполнительный механизм. БМУ — блок многопараметрического управления, который состоит в свою очередь из блока сбора параметров о ходе технологического процесса, роль которого выполняет SCADA-система TraceMode 6.0; блока ФКЭ — формирования и получения формулы коэффициента эффективности, блока интеллектуального классификатора (ИК), блока моделирования (БМ) и блока управления
(БУ).
Блок ИК формирует и передает массивы данных БМ и БУ, также осуществляет мониторинг качества решения, которое получено с помощью нейросетевых алгоритмов. БМ осуществляет оценку состояния объекта управления с точки зрения изменения тактики и стратегии управления. БУ в свою очередь выдает управляющие воздействия. Далее информация от БМУ и ПИД-регуляторов поступает в ВУ — блок выбора способа управления, он в свою очередь на основании оценки, полученной от блока моделирования, выбирает по некоторому критерию способ управления для каждого управляемого параметра системы. Таким образом принимается решение о передаче управления либо ПИД-регулятору, либо многопараметрическому регулятору, с воздействием при этом на определенные регулирующие органы. В результате оптимизируется достижение цели управления.
Благодаря SCADA-системе сбор данных происходит непрерывно в режиме реального времени. После подготовки данных в зависимости от режима работы системы над ними производят дальнейшие действия — обучение или обработку. В режиме обучения осуществляют адаптацию параметров всех интеллектуальных блоков в соответствии с предъявляемыми требованиями к выходной информации. Обучение осуществляется на рабочих массивах, после чего получают значение коэффициента эффективности, который в последствии анализируется в блоке интеллектуального классификатора. Окончив обучение, с помощью блока ввода/вывода задают ручной либо автоматический режим обработки данных. В автоматическом режиме в блоке интеллектуального классификатора по значению коэффициента эффективности и качественным параметрам процесса система самостоятельно выбирает оптимальную стратегию управления [4].
В ручном же режимеоптимальную стратегию управления или смену режимов определяет оператор, руководствуясь при этом коэффициентом эффективности и качественными параметрами, выводимыми блоком ввода/вывода. Полный алгоритм обучения нейросети [5] строится с помощью процедуры обратного распространения. Алгоритм работы нейросетевой модели показан на рис. 2.
Таким образом, предлагаемый нейросетевой регулятор для управления таким сложным и многопараметрическим процессом как хранение муки позволяет повысить качество управления объектом за счет повышения адаптационных способностей системы.
Литература
1. Карелина, Е. Б. Автоматизация процесса бестарного хранения муки / Е. Б. Карелина [и др.] // Хранение и переработка сельхозсырья. — 2015. — № 4. — С. 12—15.
2. Благовещенская, М. М. Структурно-параметрическое моделирование как инструмент определения критерия качества на складе бестарного хранения муки / М. М. Благовещенская М. М. [и др.] // Хранение и переработка сельхозсырья. — 2015. — № 4. — С. 36-39.
3. Котелева, Н. И. Нейросетевой регулятор для управления сложным технологическим процессом / Н. И. Котелева, Н. В. Васильева // Записки Горного института. — 2013. — № 202. — С. 254-256.
4. Карелина, Е. Б. Применение нейросетевых методов анализа и обработки данных для контроля качественных показателей муки в процессе хранения / Е. Б. Карелина, М. М. Благовещенская, Д. Ю. Клехо // Сб.: Общеуниверситетская студенческая конференция студентов и молодых ученых «День науки». — М., 2017. — С. 271-275.
5. Карелина, Е. Б. Программно-аппаратный комплекс для контроля качественных показателей муки при ее бестарном хранении / Е. Б. Карелина, М. М. Благовещенская, Д. Ю. Клехо // Сб.: Общеуниверситетская студенческая конференция студентов и молодых ученых «День науки». — М., 2017. — С. 275-279.
References
1. Karelina E. B. et al. [Automation of bulk flour storage process]. Khranenie ipererabotka selkhozsyr'ya, 2015, no. 4, pp. 12—15. (In Russ.)
2. Blagoveshchenskaya M. M. et al. [Structural-parametric modeling as a tool for determining the quality criterion in a bulk flour storage warehouse]. Khranenie ipererabotka selkhozsyrya, 2015, no. 4, pp. 36-39. (In Russ.)
3. Koteleva N. I., Vasil»eva N. V. [Neural network controller for complex process control]. Zapiski Gornogo instituta, 2013, no. 202, pp. 254-256. (In Russ.)
4. Karelina E. B., Blagoveshchenskaya M. M., Klekho D. Yu. [Application of neural network methods of analysis and data processing for quality control of flour during storage]. Sb.: Obsh-cheuniversitetskaya studencheskaya konferentsiya studentov i molodykh uchenykh «Den'nauki» [Collection «General University Student Conference of Students and Young Scientists «The Day of Science»]. Moscow, 2017, pp. 271-275. (In Russ.)
5. Karelina E. B., Blagoveshchenskaya M. M., Klekho D. Yu. [Software and hardware complex for quality control of flour at its unpacked storage]. Sb.: Obshcheuniversitetskayastudencheskaya konferentsiya studentov i molodykh uchenykh «Den'nauki» [Collection «General University Student Conference of Students and Young Scientists «Day of Science»]. Moscow, 2017, pp. 275-279. (In Russ.)
Использование нейросетевого регулятора для управления технологическим процессом бестарного хранения муки
Ключевые слова
алгоритм управления; мука; нейронная сеть; нейросетевой регулятор.
Реферат
Сегодня в России предъявляются все более высокие требования к качеству готовых пищевых продуктов. Немаловажным является не только производство изделий, но и хранение сырья. Бестарное хранение муки в силосах представляет собой сложный, многопараметрический, нелинейный процесс. В связи с этим становится неэффективным использование стандартных регуляторов, так как они слабо подвержены адаптации. Настройка каждого регулятора производится отдельно, и при корректировке управляющих воздействий не учитываются нелинейные взаимосвязи между ними. Для повышения адаптации предлагается использование регуляторов на основе нейросетевых алгоритмов. В данной статье приводится структурная схема нейросетевого регулятора и описание его блоков. Нейросетевой регулятор для управления бестарным хранением муки выполнен в виде программно-аппаратного и информационно-вычислительного комплекса. Сбор данных происходит непрерывно в режиме реального времени. После подготовки данных в зависимости от режима работы системы над ними производятся дальнейшие действия — обучение или обработка. В режиме обучения осуществляют адаптацию параметров всех интеллектуальных блоков в соответствии с предъявляемыми требованиями к выходной информации. После обработки параметров получают значение коэффициента эффективности, который в последствии анализируется в блоке интеллектуального классификатора. Окончив обучение, с помощью блока ввода/вывода задают ручной либо автоматический режим обработки данных. В зависимости от режима система сама или с помощью оператора-технолога выбирает оптимальную стратегию управления. Также в статье приведен алгоритм работы нейросетевой модели и указано, что обучение нейросети строится с помощью процедуры обратного распространения. Таким образом, с помощью нейросетевого регулятора можно повысить адаптационные способности системы управления.
Авторы
Карелина Екатерина Борисовна; Благовещенская Маргарита Михайловна, д-р техн. наук, профессор Московский государственный университет пищевых производств,
125080, Москва, Волоколамское шоссе, д. 11, Liza200785@gmail.com, mmb@mgupp.ru Клехо Дмитрий Юрьевич, канд. техн. наук Российский государственный гуманитарный университет, 125993, ГСП-3, Москва, Миусская площадь, д. 6, Kleho62@mail.ru
using a Neural Network controller to control the Bulk process of Flour Storage
Key words
control algorithm; flour; neural network; neural network controller.
Abstract
The current economic state of the Russian Federation places ever greater demands on the quality of finished food products. Not unimportant is not only the production of products, but also the storage of raw materials. The bulk storage of flour in silos is a complex, multiparameter, non-linear process. In this regard, the use of standard regulators becomes inefficient, because they are weakly adaptable. The setting of each controller is made separately from each other and when adjusting the control actions, nonlinear relationships between them are not taken into account. To increase the adaptive properties of regulators, it is proposed to use regulators based on neural network algorithms. In this paper, a block diagram of the neural network controller and a description of its blocks are given. The neural network controller for managing bulk storage of flour is made in the form of a software-hardware and information-computing complex. Data collection takes place continuously, in real time. After the data is prepared, depending on the mode of operation of the system, further actions are performed on them — training or processing. In the training mode, the parameters of all intelligent units are adapted in accordance with the requirements for output information. After processing the parameters, the value of the efficiency coefficient is obtained, which is subsequently analyzed in the block of the intellectual classifier. After finishing the training, the manual or automatic data processing mode is set using the I/O block. Depending on the mode, the system itself or with the help of the operator-technologist chooses the optimal control strategy. Also in the article the algorithm of operation of the neural network model is shown and it is indicated that the learning of the neural network is built using the procedure of back propagation. Thus, with the help of the neural network controller it is possible to increase the adaptive capabilities of the control system.
Authors
Karelina Ekaterina Borisovna;
Blagoveschenskaya Margarita Mikhailovna,
Doctor of Technical Sciences, Professor
Moscow State University of Food Production,
11 Volokolamskoe highway, Moscow, 125080, Russia,
Liza200785@gmail.com, mmb@mgupp.ru
Klekho Dmitry Yurievich, Candidate of Technical Sciences
Russian State University for the Humanities,
6 Miusskaya square, GSP-3, Moscow, 125993, Russia,
Kleho62@mail.ru
