CC BY
30
УДК 33 ББК 65
DOI 10.24411/2414-3995-2020-10347 © И.Е. Кириллов, И.Н. Морозов, П.М. Мурашев, В.Н. Богатиков, 2020
НЕЧЕТКО-ОПРЕДЕЛЕННАЯ МОДЕЛЬ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА ИЗМЕЛЬЧЕНИЯ
Иван Евгеньевич Кириллов,
доцент кафедры физики, биологии и инженерных технологий, кандидат технических наук Мурманский арктический государственный университет (183038, Мурманск, ул. Капитана Егорова, д. 15)
E-mail: kirillovi@rambler.ru;
Иван Николаевич Морозов,
доцент кафедры физики, биологии и инженерных технологий, кандидат технических наук Мурманский арктический государственный университет (183038, Мурманск, ул. Капитана Егорова, д. 15)
E-mail: moroz.84@mail.ru;
Павел Михайлович Мурашев, аспирант кафедры информационные системы Тверской государственный технический университет (170026, Тверь, наб. Аф. Никитина, д. 22)
E-mail: myptver@gmail.com;
Валерий Николаевич Богатиков, профессор кафедры информационные системы, доктор технических наук
Тверской государственный технический университет (170026, Тверь, наб. Аф. Никитина, д. 22)
E-mail: vnbgtk@mail.ru
Аннотация. Статья посвящена исследованию и развитию основных теоретических и прикладных подходов к построению адаптивной системы ситуационного управления технологическим процессом измельчения в условиях неопределенности апатито-нефелиновых руд. Для решения поставленных задач в работе была предложена архитектура программного обеспечения управления технологическим процессом измельчения в шаровой барабанной мельнице, работающей в замкнутом цикле. Для проверки адекватности предложенной модели была выбрана среда для имитационного моделирования MatLab приложение Simulink. Сделаны выводы об адекватности предложенной нечетко-определенной модели.
Ключевые слова: искусственный интеллект, нечеткий логический вывод, имитационное моделирование, система управления, MatLab.
FUZZY-DEFINED MODEL OF THE TECHNOLOGICAL PROCESS OF GRINDING
Ivan E. Kirillov,
Associate Professor of the Department of Physics, Biology and Engineering Technologies,
Candidate of Technical Sciences Murmansk Arctic State University (183038, Murmansk, ul. Kapitan Egorov, d. 15);
Ivan N. Morozov,
Associate Professor of the Department of Physics, Biology and Engineering Technologies,
Candidate of Technical Sciences Murmansk Arctic State University (183038, Murmansk, ul. Kapitan Egorov, d. 15);
Pavel M. Murashev,
Postgraduate Student of the Department of Information Systems Tver State Technical University (170026, Tver', nab. Af. Nikitin, d. 22);
Valeriy N. Bogatikov, Professor of the Department of Information Systems, Doctor of Technical Sciences Tver State Technical University (170026, Tver', nab. Af. Nikitin, d. 22)
Abstract. The article is devoted to the study and development of the main theoretical and applied approaches to the construction of an adaptive system for situational control of the technological process of grinding in conditions of uncertainty of apatite-nepheline ores. To solve the set tasks in the work, the architecture of the software for controlling the technological process of grinding in a ball drum mill operating in a closed cycle was proposed. To check the adequacy of the proposed model, the environment for simulation modeling MatLab Simulink application was chosen. Conclusions are made about the adequacy of the proposed fuzzy-defined model. Keywords: artificial intelligence, fuzzy logical inference, simulation, control system, MatLab.
Citation-индекс в электронной библиотеке НИИОН
Для цитирования: Кириллов И.Е., Морозов И.Н., Мурашев П.М., Богатиков В.Н. Нечетко-определенная модель технологического процесса измельчения. Вестник экономической безопасности. 2020;(6):39-43.
Введение
Создание систем управления технологическими процессами, отвечающих высоким требованиям к качеству управления, надежности функционирования, отличающихся научной обоснованностью принимаемых решений, невозможно без развития теоретической базы и использования современного приборного парка.
Для решения задачи анализа производственных ситуаций, идентификации состояний и управления технологической безопасностью перспективно использование методов искусственного интеллекта (нейронных сетей, нечеткого логического вывода), которые позволяют за счет заложенных в них алгоритмов обучения и адаптации уменьшить погрешности существующих моделей, связанные с отсутствием и неполнотой информации, и применимы для управления технологическими процессами в режиме реального времени [1-4].
В этой связи для учета неопределенности различной природы решение проблемы управления технологической безопасностью процесса предложено осуществлять на качественно новом уровне с
использованием новых информационных технологий на основе создания интеллектуальных систем ситуационного управления [5-8]. Данные системы позволяют формировать решения на основе данных оперативных наблюдений и с использованием методов и моделей искусственного интеллекта, заложенных в экспертных системах, включающих в себя знания специалистов.
Целью работы являлось исследование и развитие основных теоретических и прикладных подходов к построению адаптивной системы ситуационного управления технологическим процессом измельчения в условиях неопределенности апатито-нефелиновых руд (рис. 1).
1. Определение критического уровня шума зоны помола
Критическое значение уровня шума зоны помола $ функционально зависит от максимальной
^тах
удельной производительности мельницы ^016 . Линеаризовав данную зависимость, получим эмпирическое уравнение вида:
^ =-34.8 • СХ +113.34
На флотацию
Мелкодробленая руда
гот*
Рис. 1. Архитектура программного обеспечения управления технологическим процессом измельчения в шаровой барабанной мельнице, работающей в замкнутом цикле
75
Т^Н^ИЖ
1 ' Ияплрчрнир
93~бП
Извлечение, %
Ар, %
12
Содержание 0,16 в сливе
Содержание 0,16 в концентрате
44
Ж
Чтах +0.16
"ТТЛ
Содержание 0,16 в сливе, %
:Ьж
Тпз1
Плотность слива, кд/тЭ
Ппстность слива
1 825!
Макс, удельная производительность мельницы
Не, %
7
Яи
Ж
Содержание 0,25 в мелкодробленной руде, %
Содержание 0.16 в мелкодробленной РУДе
68
100
пи
Содержание 0,16 в м.др. руде
113.34
49.84!
Критическое значение уровня шума
а
100
X
Рабочий объем мельницы
1Ш1
Оптимальная производительность мельницы
Рис. 2. Модель исследуемой системы
Модель разработанной системы регулирования в среде МаАаЬ представлена на рис. 2.
Словесный алгоритм данной модели может быть представлен следующим образом:
1) измеряется производительность конвейера-питателя мельницы по руде <2Р и гранулометрическая характеристика исход- ной руды а™;
2) вводятся начальные параметры модели мельницы ЬЦач,я™4, и делается прогноз гранулометри-
изм
ческого состава измельченной руды а^ ;
3) измеряется гранулометрическая характери-
изм *
стика измельченной руды и проводится иден-
тификация модели мельницы, т.е. определяются параметры модели Ь*,5*;
4) проводится обучение нейро-фаззи сети системы оценки параметров модели мельницы (параметры Ь*, 5*, результаты экспресс-минера-
пЫе пЛп+Ые
логического анализа р ,р и оценки шаровой загрузки мельницы срШ являются обучающей выборкой);
5) прогнозное значение гранулометрической характеристики измельченной руды а"™ подается на вход модели классифицирующего аппарата;
6) вводятся начальные параметры модели классифицирующего аппарата е"ач, и делается прогноз гранулометрического состава готового продукта
гот
измельчения а и гранулометрического состава
песк
песков классификатора а ;
7) измеряется гранулометрическая характери-
изм *
стика измельченной руды , гранулометриче-
ская характеристика готового продукта измельчения агот* и проводится идентификация классифицирующего аппарата, т.е. определяется матрица классификации С ;
8) проводится обучение нейро-фаззи сети системы оценки параметров модели классифицирующего аппарата (матрица классификации с*, результаты технологической типизации руды и результаты измерения расхода воды в классификатор являются обучающей выборкой);
9) прогнозное значение потока песков класси-
песк
фикатора подается на вход модели мельницы, где суммируется с потоком мелкодробленой руды
чГ.
Проверка адекватности модели проводилась по статистическим данным работы мельницы мель-нично-флотационного отделения апатитонефелино-вой обогатительной фабрики.
На графиках (рис. 3) представлено прогнозное (по модели) и измеренное изменение содержание класса крупности +0,16 мм на сливе классификатора.
На графиках (рис. 4) представлены результаты ситового анализа и прогнозное процентное содержание двенадцати классов крупности готового продукта измельчения.
Рис. 3. Проверка адекватности модели по содержанию класса крупности +0,16 мм на сливе классификатора
34 32 30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 0
1— <
—^
10
11
12
данные по мельнице расчет по модели
Рис. 4. Проверка адекватности модели по процентному содержанию двенадцати классов крупности готового продукта измельчения
Заключение
В результате работы предложенной нечетко-определенной модели технологического процесса измельчения является допустимым применение методов искусственного интеллекта. По результатам проведенной проверки адекватности работы модели с помощью имитационного моделирования можно сделать вывод, что разработанная модель вполне удовлетворяет поставленным задачам. Работа модели позволяет успешно производить корректировку
управляющих решений при изменяющемся качестве исходного материала, что, в свою очередь, позволит увеличить производительность мельницы по определяющему классу крупности материала. Работа выполнена при финансовой поддержке РФФИ (проект № 20-07-00914).
Литература
1. Богатиков В.Н. Научные исследования рисков и управления промышленными процессами на
2
3
4
5
6
7
8
9
ЭКОНОМИЧЕСКИЕ НАУКИ
основе нечетко-определенных импульсных моделей /
B.Н. Богатиков, А.Ю. Клюшин, И.Е. Кириллов, И.Н. Морозов // В сборнике: Приоритетные направления развития науки и образования Сборник материалов IX Международной научно-практической конференции. 2016. С. 145-146.
2. Liu X., Zhan J. FUZZY PARAMETERIZED FUZZY SOFT RINGS AND APPLICATIONS // Italian Journal of Pure and Applied Mathematics. 2015. № 34.
C. 89-100.
3. Huang H., Wu C. APPROXIMATION OF FUZZY-VALUED FUNCTIONS BY REGULAR FUZZY NEURAL NETWORKS AND THE ACCURACY ANALYSIS // Soft Computing - A Fusion of Foundations, Methodologies and Applications. 2014. Т. 18. № 12. С. 2525-2540.
4. Meng F., Chen X. CORRELATION COEFFICIENTS OF HESITANT FUZZY SETS AND THEIR APPLICATION BASED ON FUZZY MEASURES Cognitive Computation. 2015. Т. 7. № 4. С. 445-463.
5. Xie J., Huang H., Li Q., Chen S. THE FUZZY METRIC SPACE BASED ON FUZZY MEASURE //
Open Mathematics. 2016. Т. 14. № 1. С. 603612.
6. Koo G.B., Park J.B., Joo Y.H. AN IMPROVED DIGITAL REDESIGN FOR SAMPLED-DATA FUZZY CONTROL SYSTEMS: FUZZY LYAPUNOV FUNCTION APPROACH // Information Sciences. 2017. Т. 406-407. С. 71-86.
7. Морозов И.Н. Применение нейросете-вого регулирования в управлении водоотливными установками / И.Н. Морозов, Н.М. Кузнецов // Т 78 Труды НГТУ им. Р.Е. Алексеева / НГТУ им. Р.Е. Алексеева. Н. Новгород, 2018. № 4 (123). С.135-142.
8. Морозов И.Н. Синтез нечеткого регулятора производительности главной вентиляционной установки рудника / И.Н. Морозов, Н.М. Кузнецов // Подземная угледобыча XXI века-1: Горный информационно-аналитический бюллетень (научно-технический журнал) Mining Informational and analytical bulletin (scientific and technical journal): в 2-х т. 2018. № 11 (специальный выпуск 48). М.: Издательство «Горная книга». Т. 1. С. 336-345. DOI: 10.25018/026-1493-2018
БУХГАЛТЕРСКИЙ УЧЕТ
УЧЕБНИК
ТРЕТЬЕ ИЗДАНИЕ
Бухгалтерский учет. 3-е изд., перераб. и доп. Учебник. Под ред. Ю.А. Бабаева, В.И. Бобошко, А.Ф. Дятловой. 611 с. Гриф МО РФ. Гриф НИИ образования и науки. Гриф МУМЦ «Профессиональный учебник».
Представлена современная комплексная российская национальная система бухгалтерского учета, отчетности и анализа. Рассмотрены основы теории и организации бухгалтерского учета, содержание единой системы бухгалтерского финансового и управленческого учета.
Дана характеристика бухгалтерской (финансовой) отчетности, изложены основные методы анализа финансового состояния и финансовых результатов деятельности экономического субъекта. Приведена характеристика всех объектов бухгалтерского учета, их первичного, аналитического и синтетического учета, система бухгалтерских записей на взаимосвязанных синтетических счетах. Материал изложен в полном соответствии с действующими российскими законодательными и нормативными правовыми актами по бухгалтерскому учету и отчетности, с учетом международных стандартов финансовой отчетности.
Для студентов (бакалавров, магистров) вузов, обучающихся по экономическим специальностям, преподавателей и практических работников.
