CC BY
33
УДК 519.7: 664.72
О.В. ПОЛИВОДА
Херсонський нацюнальний техшчний ушверситет
В.В. ПОЛИВОДА
Херсонська державна морська академiя
Д.Г. ЛИТВИНЧУК
Херсонський нацюнальний техшчний ушверситет
МАТЕМАТИЧНА МОДЕЛЬ ОЦ1НКИ ВОЛОГОСТ1 ЗЕРНА У БОРОШНОМЕЛЬНОМУ ВИРОБНИЦТВ1 13 ЗАСТОСУВАННЯМ НЕЙРОННИХ
МЕРЕЖ
Досл1джен1 методи й засоби контролю вологостг зерна в потоцг та розроблений споаб одержання й обробки первинно'1 тформацИ в процеа зволоження зерна перед розмелом з використанням iнтелектуального датчика вологостг, побудованого на алгоритмах штучних нейронних мереж. Виконана математична постановка задачi автоматизацИ контролю вологостi зерна. Сформульоваш основнi етапи розв'язання поставлено'1 задачi. Проведений аналiз i обрат значущi iнформацiйнi параметри, що впливають на вологкть зерна. Обрана структура нейронное мережi. Розроблений алгоритм навчання нейронно'1 мережi за допомогою процедури зворотного розповсюдження.
Ключовi слова: нейронна мережа, зерно, контроль вологостi, алгоритм навчання.
О.В. ПОЛИВОДА
Херсонский национальный технический университет
В.В. ПОЛИВОДА
Херсонская государственная морская академия
Д.Г. ЛИТВИНЧУК
Херсонский национальный технический университет
МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ОЦЕНКИ ВЛАЖНОСТИ ЗЕРНА В МУКОМОЛЬНОМ ПРОИЗВОДСТВЕ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
Исследованы методы и средства контроля влажности зерна в потоке и разработан способ получения и обработки первичной информации в процессе увлажнения зерна перед размолом с использованием интеллектуального датчика влажности, построенного на алгоритмах искусственных нейронных сетей. Выполнена математическая постановка задачи автоматизации контроля влажности зерна. Сформулированы основные этапы решения поставленной задачи. Проведен анализ и выбраны значимые информационные параметры, влияющие на влажность зерна. Выбрана структура нейронной сети. Разработан алгоритм обучения нейронной сети с помощью процедуры обратного распространения.
Ключевые слова: нейронная сеть, зерно, контроль влажности, алгоритм обучения.
O.V. POLYVODA
Kherson National Technical University
V.V. POLYVODA
Kherson State Maritime Academy
D.G. LYTVYNCHUK
Kherson National Technical University
MATHEMATICAL MODEL OF EVALUATING THE MOISTURE OF GRAIN IN FLOUR-MILLING PRODUCTION WITH THE APPLICATION OF NEURAL NETWORKS
The methods and means for controlling grain moisture in the flow are studied and a method for obtaining and processing primary information in the process of moistening grain before milling is developed using an intelligent moisture sensor built on algorithms of artificial neural networks. A mathematical statement of the problem of automation of grain moisture control was performed. The main stages of the solution of the problem are formulated. The analysis and selection of significant information parameters affecting the moisture content of the grain was made. The structure of the neural network is chosen. An algorithm for training a neural network using a back propagation procedure is developed.
Key words: neural network, grain, moisture control, learning algorithm.
Постановка проблеми
Волопсть зерна е одним iз визначальних параметр!в на всiх стадшх його зберiгання та переробки. При сортовому помелi в процесi п1дротерм!чно1 обробки зерну надають оптимальну волопсть, величина якой залежно ввд певних показникйв зерна коливаеться ввд 14,5% до 16,5% i зумовлюе найкращi результати його переробки, рентабельнiсть роботи млина й конкурентоспроможнiсть борошна з погляду стабiльностi йй хлiбопекарських достойнств [1]. Iснуючi методи оперативного й своечасного вимiрювання вологостi зерна в потощ е або занадто дорогими, або важко реалiзованими у виробничих умовах. Тому виникае необхiднiсть в розробщ iнтелектуального вiртуального датчика, здатного прогнозувати вологiсть зерна в потощ, використовуючи значения iнших параметрiв технолопчного процесу.
Анатз останнiх дослiджень i публiкацiй
На сучасному етапi розвитку систем керування у борошномельному виробнищга тривае створення точного приладу, який зможе вимiрювати вологiсть зерна. 1снуе велика кiлькiсть експрес-аналiзаторiв вологостi зерна, що заснованi на змiнi фiзичних характеристик зерна при змiнi його вологосп (електропровiднiсть, дiелектрична проникнiсть, поглинання та вщбиття iнфрачервоного випромiнювания та ш.) [2], але йх неможливо використовувати в автоматизованих системах керування для вимiрювання вологостi зерна в потощ. Б!льш точними на сьогодш вважаються такi методи як вимiрювання властивостей зерна в електромагнiтних полях високо! й надвисоко! частоти, але з часом вони втрачають свою точшсть через ряд неконтрольованих факторiв: змiну геометричних розмiрiв усiх компоненпв датчика зi змiною його температури, деформащю компонентiв чутливих елементiв, зношування йх поверхонь, деградацiю властивостей використовуваних матерiалiв, абсорбування вологи в йхш мiкропори й мiкротрiщини i т.д. [3].
Визначити волопсть зерна можливо не тшьки за допомогою датчиков, а й за допомогою математичних моделей, отриманих iз використанням методiв вдентифшацп [4], наприклад, рiвиянь регреси. Однак, отримана математична модель буде придатна для використання на конкретному устаткуваинi у досить вузькому дiапазонi початкових умов. У реальнш же ситуацп технолопчний процес являе собою складну систему взаемодшчих мiж собою факторiв, корелящю м1ж якими найчастiше не можна виразити в математичному еквiвалентi, забезпечивши при цьому необхвдну точнiсть отриманих результапв.
1ншим рiшениям може бути побудова вiртуального датчика на основi штучно! нейронной' мереж1 (НМ). Такий спосiб рiшення буде полягати в створенш й навчаннi нейронной' мереж!, яка зможе прораховувати шукану величину по непрямих параметрах технологiчного процесу (ТП).
Мета досл1дження
Метою дослщження е розробка iнтелектуального датчика вологосп для вимiрювання вологосп зерна в потощ на борошномельному виробнищга з використанням штучной' нейронной' мереж!, який забезпечуе необхщну точшсть вим!рювань, швидкодш, вщносну простоту реал!зацп, незалежшсть вим!рювань ввд ф!зичних властивостей компоненпв датчика та може бути штегрований в юнуюч! комп'ютеризоваш системи управлiния ТП.
Викладення основного матерiалу дослiдження
Розв'язання задач! побудови й штеграци штелектуального датчика на основ! нейромережевих технологш (НМТ) у комп'ютеризоваш системи управлшня в загальному випадку складаеться з наступних еташв, представлених на рис. 1.
Рис. 1. Етапи побудови й штеграци в1ртуального датчика на основ1 НМТ в АСУ ТП
Для формування вхвдного шару нейронно! мереж1 та визначення параметрiв навчально! вибiрки проаналiзовано всi параметри технологiчного процесу виробництва борошна, отримаш за допомогою контрольно-вимiрювальних приладiв, параметри, що визначаються конф^ращею обладнання, параметри, що задаються регламентами рiзних режимiв ТП, а також параметри сировини, одержуванi у процеа входного контролю за допомогою лабораторних вимiрювань (табл. 1).
В процеа вибору типу НМ були проaнaлiзовaнi одношаровi та багатошаровi структури [5-6]. Аналiз одношарових НМ показав !х непридaтнiсть для розв'язку поставленого завдання через низьку обчислювальну здaтнiсть, а застосування багатошарових НМ прямого поширення типу багатошаровий персептрон забезпечуе високу точнють прогнозування вологостi зерна в потощ.
Таблиця 1
Знaчущi параметри протжання технологiчного процесу виробництва борошна_
Операщя Устаткування Параметр контролю Тип вимiрювaнь
Зберiгaння зерна Силоси Температура зерна (х1) Контрольно-вимiрювaльнi прилади
Температура повиря (х2) Контрольно-вимiрювaльнi прилади
Ввдносна вологiсть повiтря (х3) Контрольно-вимiрювaльнi прилади
Температура вентиляци (х4) Контрольно-вимiрювaльнi прилади
Витрата повiтря (х^) Контрольно-вимiрювaльнi прилади
Вхвдний контроль якосп зерна Устаткування лабораторних дослвджень Натура (х6) Лaборaторнi вимiрювaння
Скловиднiсть (х7) Лaборaторнi вимiрювaння
К1льк1сть бiлкa, крохмалю, натура (х8) Лaборaторнi вимiрювaння
Вмiст мшерально! домiшки (х9) Лабораторш вимiрювaння
Клейковина (х10) Лaборaторнi вимiрювaння
Бiлизнa (хп) Лaборaторнi вимiрювaння
Кислотнiсть (х12) Лaборaторнi вимiрювaння
Зольнiсть (х13) Лaборaторнi вимiрювaння
Крупшсть (х14) Лабораторш вимiрювaння
Зaсмiченiсть (х^) Лaборaторнi вимiрювaння
Температура збертання (х16) Лaборaторнi вимiрювaння
Вологiсть збертання (х17) Лaборaторнi вимiрювaння
Зерноочистка Зерноочистно- сушильнi комплекси Температура повiтря (х18) Контрольно-вимiрювaльнi прилади
Частота коливань сит (х19) Параметр конфиураци обладнання
Витрата зерна (х20) Контрольно-вимiрювaльнi прилади
Швидк1сть повиряного потоку (х21) Параметр техпроцесу
Вологiсть повiтря (х22) Контрольно-вимiрювaльнi прилади
Вологiсть зерна (х23) Контрольно-вимiрювaльнi прилади
Ддаметр отворiв сит (х24) Параметр конфиураци обладнання
Амплiтудa коливань сит (х25) Параметр техпроцесу
Зволоження зерна Шнековий зволожувач Дозатор води Величина швидкосп обертання шнека (х26) Параметр техпроцесу
Температура зерна (х27) Контрольно-вимiрювaльнi прилади
Тиск води (х28) Контрольно-вимiрювaльнi прилади
Витрата води (х29) Контрольно-вимiрювaльнi прилади
Температура води (х30) Контрольно-вимiрювaльнi прилади
Задача автоматизаци контролю вологосп зерна Ж в потоцi з використанням НМ-моделi формулюеться в такий спосiб:
ж = г(ха, X, X,, хт), (1)
де X^ - вх1дний вектор, що характеризуе параметри технологiчного процесу, отримaнi за допомогою контрольно-вимiрювaльних прилaдiв; Х[ - вхвдний вектор, що характеризуе вхвдш показники якостi сировини, визнaченi у результат лабораторних вимiрювaнь; X, - вхвдний вектор, що характеризуе параметри конф^рацп технологiчного обладнання; Xm - вхвдний вектор, що визначаеться режимами ТП.
Для НМ вихвдний сигнал /-ого нейрона схованого шару ц в загальному видi буде мати вигляд:
и = f
N
IW1
M,
j=0
iJ
(2)
де w(P - значення вагових параметр!в вхвдних сигнал!в схованого шару НМ; у = 1, N, N - юльшсть
значущих параметр!в входного шару; 7 = 1, К, К - шльшсть нейрошв схованого шару.
Тод! для вихвдного шару, де формуеться значення вологосп зерна, буде справедливо наступне р!вняння:
У = f
( K , s Л ( K , s ( N
I w^ = f I wff I WfXj
V i=0
i=0
j=0
(3)
//
З pÎBHaHHa (3) видно, що на значення вихвдного сигналу впливають ваги обох шарiв, тодi як сигнали, вироблюванi в схованому шарi, не залежать ввд ваг вихвдного шару.
В якосп функцiï активацiï нейрон1в для дано! мереж1 була обрана сигмовдальна функщя:
f (z ) =
1
1 + exp(-z)
(4)
тодi рiвняння (2) прийме наступний к1нцевий вид:
1
( N (1) Л - I ^ Xj J=0
1 + exp
(5)
а значення вологосп зерна буде виражено шнцевою формулою:
W — 1 1
1 + exp
( K (2) Л - I w|2)Ui
V i=0
f
1 + exp
f
-1 w12)
i=0
1 + exp
Л
1_
( N (1)
- I wf Xj
j = 0
s JJ
(6)
На рис. 2 представлена структура розроблено! нейронно! мереж1, типу багатошаровий перцептрон з одним схованим шаром. Вхвдний вектор мереж1 складаеться з елементiв табл. 1. На виходi НМ формуе вихвдний сигнал вологостi зерна W .
Наступний етап розробки НМ полягае в побудовi алгоритму навчання НМ за допомогою процедури зворотного поширення та складаеться за наступних крошв:
1. Подаеться на вх1д мереж! один з можливих тестових наборiв параметрiв i в режимi звичайного функцiонування НМ, коли сигнали поширюються вiд входiв до виходiв, розраховуються вихвдш значення.
2. Обчислюеться похибка S((N) для вихвдного шару й значення змши вагових параметрiв шару
J
Aw(N ) та иск iнших n шарiв, n = N -1, 1.
и
3. Скорегувати ва ваги в НМ
W^n) = w{n) +Aw^n) i ij iJ
(7)
4. Якщо помилка мереж1 iстотна, повернутися до кроку 1, а якщо нi, то, мережу можна вважати навченою.
В результата nepeBipKH адекватносп НМ-моделi було з'ясовано, що максимальна помилка навчання не перевищила 0,5%, тобто укладаеться в меж1 припустимо! похибки.
Розроблений штелектуальний датчик вологостi зерна може бути штегрований у комп'ютеризованi системи управлшня на борошномельному виробництвi з використанням сучасного програмного й апаратного забезпечення.
Значущ1 параметри, що подаються на вх1д НМ
Вхщний X1 контроль. Збер1гання • зерна X5
Вх1дний X6 контроль. : Яюсть зерна
X17
Вх1дний X18 контроль. • Зерноочистка
X25
Вх1дний X26 контроль. Зволоження
X30
Вх1дний шар НМ, що приймас вектор вх1дних параметр1в
Вих1дний шар НМ, що обчислюс волог1сть зерна
► W
Рис. 2. Структура НМ типу багатошаровий персептрон з одним схованим шаром для визначення вологосп зерна
Висновки
Розроблено метод автоматичного контролю вологосп зерна в потощ, заснований на впровадженнi в АСУ ТП штелектуального датчика, побудованого на алгоритмах штучних НМ. Впровадження системи регулювання вологостi зерна з штегрованим у не! iнтелектуальним датчиком дозволить тдвищити якiсть борошна, зб№шить продуктивнiсть i надiйнiсть функцiонування виробничого встаткування, забезпечити безпечнi умови пращ.
2.
3.
4.
5.
6.
Список використаноТ лггератури
Хосни Р.К. Зерно и зернопереработка / Р.К. Хосни; пер. с анг. под общ. ред. Н.П. Черняева. - СПб: Профессия, 2006. - 336 с.
Кричевский Е.С. Контроль влажности твердых и сыпучих материалов / Е.С. Кричевский, А.Г. Волченко, С.С. Галушкин; Под ред. Е.С. Кричевского. - М.: Энергоатомиздат, 1986. - 136 с. Бензарь В.К. Техника СВЧ-влагометрии / В.К. Бензарь. - Минск: Высшая школа, 1974. - 352 с. Киричков В.Н. Автоматика и управление в технических системах. В 11-ти кн. Кн.2. Идентификация объектов систем управления технологическими процессами / В.Н. Киричков; под ред. А.А. Краснопрошиной. - К.: Выща шк., 1990. - 263 с.
Галушкин А.И. Теория нейронных сетей. Книга 1. / А.И. Галушкин - М.: ИПРЖР, 2000. - 147 с. Савостин С.Д. Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий: дис. ... канд. техн. наук: 05.13.06 / Савостин Сергей Дмитриевич. - Москва, 2014. - 210 с.
