CC BY
66
Адаев Н.В., Михеев М.Ю., Коновалов А.В.
НЕЙРОСЕТЕВЫЕ СИСТЕМЫ ИЗМЕРЕНИЯ УРОВНЯ ЖИДКОСТИ
Среди существующих методов контроля уровня химически активных жидкостей предпочтительней являются бесконтактные методы. Большинство бесконтактных методов основываются на отражении от слоев жидкости и стенок сосуда ультразвуковых волн.
Обобщенная схема контроля уровня жидкости изображена на рис. 1. На наружной стенки сосуда прикреплены излучатель (ИЗ) и приемник (ПР) ультразвуковых колебаний. Генератор электрических импульсов (ГИ) воздействует на излучатель, который преобразует электромагнитные колебания ГИ в ультразвуковые. Оценку уровня жидкости осуществляет блок сравнения (БС), в который поступают сигналы от генератора импульсов и от измерительного преобразователя (ИП) выполняющего обратное преобразование ультразвуковых колебаний приемника (ПР) в электромагнитные.
Пено-газовый слой
Жидкость Осадок
Рис. 1.
Как видно из рисунка ультразвуковые волны отражаются не только от поверхности жидкости, но и от присутствующих в жидкости высоковязких примесей, неоднородностей самой жидкости (осадка, пены и др.), а также от стенок емкости, которая может иметь достаточно сложную форму.
На рис. 2 приведен пример временных диаграмм отображающих электрическое напряжение на выходе измерительного преобразователя ИП (рис.1) поступающего на блок сравнения (БС). Данные импульсы соответствуют отраженным ультразвуковым волнам в наполненном (пунктирные линии) и пустом резервуарах (сплошные линии).
Величины Ь1 и Ь2 определяется интервалом времени от момента начала импульсного воздействия на излучатель, до прихода информативного импульса в качестве рассматривается первый импульс, отраженный от поверхности жидкости. В общем случае исследуемый сигнал кроме информативного содержит неинформативные импульсы, получаемые в результате отражения ультразвукового сигнала от осадка, парогазовой фракции и примесей на которые накладываются множественные эхо-импульсы. Блок сравнения определяет уровень жидкости по интервалу времени между моментом времени соответствующего началу импульсного воздействия и моментом прихода информативного импульса. Для выделения информативного импульса на фоне неинформативного используют аналоговые и цифровые фильтры, которые неизбежно вносят фазовые искажения сигнала, увеличивая погрешность измерения. Авторами предложено для выделения информативного импульса на фоне неинформативных использовать достижения теории искусственных нейронных сетей (ИНС).
Исходя из того, что структура и количество описывающих параметров данных сигналов априорно не известны, такие сигналы можно отнести к параметрически неопределенным сигналам. Используем для описания сигналов теорию финитных функций, а именно наиболее практически важного их подкласса с ограниченной (финитной) полосой частот. Строгая ограниченность полосы частот означает, что такая функция относится к целым функциям экспоненциального типа ЦФЭТ[1, 2, 3, 4].
Функции с конечным числом нулей (полиномиальные функции) и(Ь), так как любая ЦФЭТ является обобщением полинома, который можно представить следующей мультипликативной формой:
п
“(О = П ^ ~ 1к ) ' (1)
к=1
где множество {-¿1, ¿2, ..., Ьп) - нули (корни) полинома.
Поскольку рассматриваемые сигналы имеют некое конечное число нулей согласно (1) вместо получения последовательности значений отсчетов в дискретные моменты времени достаточно определение моментов времени когда значения функции и(Ь) равно нулю. Так как погрешность измерения интервалов времени
меньше, чем погрешность измерения значений сигнала методическая погрешность измерения также существенно снизится. Такой подход позволяет также исключить операцию фильтрации и исключить фазовую погрешность. Задача выделения информативного импульса представляет собой задачу идентификации [5]., для решения которой предлагается использовать ИНС.
Поскольку известна математическая модель исходного сигнала (1), можно предположить возможность разработки процедуры аналитического синтеза нейросетевой системы базе теории ЦФЭТ. Такой подход позволяет в качестве информативного рассматривать не только импульс получаемый в результате отражения от поверхности жидкости, но и любой другой из перечисленных выше. Такой подход позволит решать задачи не только определения уровня жидкости, но и уровня осадка, размер парогазовой фазы наличие примесей и многих других. Проверим данное утверждение средствами имитационного моделирования.
На рис. 3 изображена Simulink-модель системы измерения уровня жидкости. Блок Acoustic Generator генерирует различные сигналы отраженных импульсов (рис. 4). С помощью блоков tg и bias изменяется форма сигналов.
МуР!о1
Рис. 3
С помощью элемента визуализации MyPlot идентифицируемый сигнал отобажается на экране (рис. 4).
а) б) в)
>-
>-
0
5
10 15 20 0 5 10 15 20 0 5 10 15
x x x
Рис. 4
Simulink-подсистема ИНС Zero Neural Network (рис. 3) представлена на рис.5.
F(X)
Рис. 5
На рис. 5 предлагается ИНС состоящая из 3-х слоев. Первый слой Layer NSSI описан в предыдущем параграфе. Количество других слоев (Layer2, Layer3) может быть любым. Архитектура слоев Layer2 и Layer3 также не ограничена. В данном случае это слои многослойного персептрона (рис. 6).
Рис. 6
На рис. 6 изображена подсистема Layer2, которая состоит из нескольких нейронов. Нейроны имеют одинаковую структуру (рис. 7).
4
20
Рис. 7
Подсистема входного слоя Layer NSSI (рис. 4) изображена на рис. 8.
Рис. 8
Подсистема Zero Detect (рис. 9), на вход которой подаются два следующих друг за другом значения амплитуды сигнала, определяет ноль сигнала.
Relational
Operator3
Рис. 9
При определении нуля сигнала данная подсистема разрешает подсистеме Enabled Neuron (рис. 10) сгенерировать импульс, соответствующий номеру того нейрона (активный нейрон), который сохранит в своей памяти координату возникшего нуля.
т
Generator
подающего . Элемент
Counter
Рис. 10
Подсистема Enabled Neuron состоит из генератора единичных импульсов Pulse Generator, импульсы счетчику Counter, генерирующего последовательно импульсы номеров активных нейроно Matrix Concatenation объединяет результаты нейронов.
Имитационная модель нейрона (рис. 11) слоя Layer NSSI имеет элемент памяти (Memory), куда записывается с помощью подсистемы Write координата нуля сигнала X, в тот момент времени, если вход нейрона T совпадает с его номером NumNeuron.
Memory
Read
►СИ)
Y
Enable
Memory
Рис. 11
Подсистема Write, управляема триггером Trigger, изображена на рис. 12.
£
Trigger
Memory
Write
Рис. 12
Выход нейрона Y определяется содержимым его памяти Memory.
С помощью блока Interpreter (рис. 5) интерпретируется результат идентификации, который представляется в виде номера идентифицируемого сигнала блоком Display.
Результаты имитационного моделирования подтвердили, что ИНС синтезированные аналитически на базе теории ЦФЭТ обеспечивают высокую вероятность идентификации информативных импульсов и могут использоваться для построения систем контроля уровня жидкостей с принципиально новыми возможностями.
ЛИТЕРАТУРА
1. Чувыкин Б.В. Финитные функции. Теория и инженерные приложения // Под ред. Э.К. Шахова. - Пенза: Изд-во Пенз. гос. ун-та, 1999. - 100 с.: ил. 10, табл.6, библиогр. 87 назв.
2. Рекиша А.А. Нули целых функций: Теория и инженерные приложения // ТИИЭР. -1980. - Т.68. - №3.
- С. 5-29.
3. Левин Б.Я. Распределение нулей целых функций. - М.: Гостехиздат, 1956. - 253 с.
4. Хургин Я.И., Яковлев В.П. Финитные функции в физике и технике.- М.:Наука, 1971.- 408 с.
5. Коновалов А.В., Михеев М.Ю., Адаев Н.В., Сравнение вероятности распознавания полиномиальных
сигналов с помощью нейронных сетей. // Материалы одиннадцатой Всероссийской научно-технической конференции. - Н.Новгород: Межрегиональное Верхнее-Волжское отделение Академии технологических наук
Российской Федерации (МВО АТН РФ), 2004 г., 45 с.
С1>
I п *1
ZERO1
