CC BY
8
ЭКОНОМИЧЕСКИЕ НАУКИ
УДК 33 DOI 10.24412/2073-0454-2021-1-310-312
ББК 65 © И.Е. Кириллов, И.Н. Морозов, П.М. Мурашев, В.Н. Богатиков, 2021
ПОДХОД К ОПРЕДЕЛЕНИЮ НЕОБХОДИМОГО СОДЕРЖАНИЯ КЛАССА КРУПНОСТИ НА СЛИВЕ КЛАССИФИЦИРУЮЩЕГО АППАРАТА
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 информационных системх
Тверской государственный технический университет (170026, Тверь, наб. А. Никитина, д. 22)
E-mail: myptver@gmail.com
Валерий Николаевич Богатиков, профессор кафедры информационных систем, доктор технических наук Тверской государственный технический университет (170026, Тверь, наб. А. Никитина, д. 22) E-mail: vnbgtk@mail.ru
Аннотация. Рассматривается разработка подхода к определению необходимого класса крупности на сливе классифицирующего аппарата с использованием методов нечеткой логики. Для решения поставленных задач произведена формализация всех технологических параметров процесса классификации, составлена база знаний на основе опроса экспертов. Для проверки работоспособности данного подхода предложено моделирование с использованием программной среды MatLab.
Ключевые слова: искусственный интеллект, нечеткий логический вывод, имитационное моделирование, система управления, MatLab.
APPROACH TO DETERMINING THE NECESSARY CONTENT OF THE COARSE CLASS ON THE DRAIN OF THE CLASSIFICATING APPARATUS
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. Kapitana Egorova, d. 15) E-mail: kirillovi@rambler.ru
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. Kapitana Egorova, d. 15) E-mail: moroz.84@mail.ru
Pavel M. Murashev, Postgraduate Student of the Department of Information Systems Tver State Technical University (170026, Tver, nab. A. Nikitina, d. 22) E-mail: myptver@gmail.com
Valery N. Bogatikov, Professor of the Department of Information Systems, Doctor of Technical Sciences Tver State Technical University (170026, Tver, nab. A. Nikitina, d. 22) E-mail: vnbgtk@mail.ru
Abstract. We are considering the development of an approach to determining the required size class on the drain of the classifying apparatus using fuzzy logic methods. All process parameters of the classification process were formalized and the knowledge base was compiled on the basis of a survey of experts. To check the operability of this approach, modeling using the MatLab software environment is proposed.
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. Подход к определению необходимого содержания класса крупности на сливе классифицирующего аппарата. Вестник Московского университета МВД России. 2021;(1):310—312.
Введение процесса и управлять технологической безопас-
Анализ производственных ситуаций является не- ностью многие исследователи предлагают исполь-
обходимым при создании систем управления техно- зовать методы искусственного интеллекта [1-4]. В
логическими процессами, к которым предъявляются статье предложено выстраивать такие системы уп-
высокие требования по качеству. Для того чтобы равления на основе создания интеллектуальных си-
идентифицировать состояния технологического стем, работа которых основана на использовании
-^рг-
ЭКОНОМИЧЕСКИЕ НАУКИ
методов нечеткой логики, что позволит осуществлять управление на качественно новом уровне [5-8]. Управляющие решения, которые выдает такая система, будут включать в себя как данные оперативных наблюдений, так и данные, полученные на основе использования моделей и методов искусственного интеллекта.
Входные величины технологического процесса
Входными величинами технологического процесса измельчения являются:
1) РРр2°5 — содержание Р2Озв руде, %;
,,4 пЕАр + Ив
2) р р — суммарное содержание апатита и нефелина в исходной руде, %;
3) Р +0'16 — содержание класса +0,16 мм в апати-
0/.
товом концентрате, %
Рис. 1. Функции принадлежности терм-множествам лингвистической переменной «извлечение»
4) Р 7 — содержание нефелина в исходной руде, %;
5) Р +25 — содержание класса +25 мм в мелкодробленой руде, %.
Определение содержания +0,16 мм (слив классифицирующего аппарата)
Исходя из технологического регламента ведения процесса классификации задание по кондиции апатитового концентрата следующее: содержание класса крупности +0,16 мм в концентрате Р +016.
Для определения содержания +0,16 мм в работе предлагается ввести лингвистические переменные со своими терм-множествами:
♦ извлечение Е;
♦ содержание класса +0,16 в концентрате В;
♦ содержание класса +0,16 на сливе G.
Рис. 2. Функции принадлежности терм-множествам лингвистической переменной «содержание класса +0,16 в концентрате»
Рис. 3. Функции принадлежности терм-множествам лингвистической переменной «содержание класса +0,16 на сливе»
Далее были составлены функции принадлежности терм-множествам лингвистических переменных (рис. 1-3).
Таблица нечеткого логического вывода
Извлечение в
Е1 Е2 Ез Е4
В, G2 G, G, G,
В2 Gз Gl Gl Gl
Вз G4 G2 G, G,
В4 Gs G4 G2 G,
В5 G6 G6 Gз G2
В6 G6 G6 Gs Gз
В7 G6 G6 G6 Gs
а н
Ж
^
ж ж
о и
и
^
к
ж
«
к
а
^
ч
о
о
№ 1 / 2021
Вестник Московского университета МВД России
311
ЭКОНОМИЧЕСКИЕ НАУКИ
Рис. 4. Структура нечеткого логического вывода по параметру «Содержание класса +0,16 на сливе» в среде Ма£ЬаЬ»
100
Izvlechenie
Рис. 5. Графическое представление содержания класса крупности +0,16 на сливе классифицирующего аппарата
Для проверки адекватности предложенного подхода использовалось имитационное моделирование в среде МаЛаЬ (рис. 4, 5).
Заключение
В результате работы предложен подход к определению необходимого класса крупности на сливе классифицирующего аппарата с использованием методов нечеткой логики. По результатам имитационного моделирования можно сделать вывод о целесообразности применения данного подхода для процессов классификации, данные которых бывают трудно формализованными и имеют неопределенный характер. Предложенный подход позволит успешно производить корректировку управляющих решений в целях увеличения качества классификации. Работа выполнена при финансовой поддержке РФФИ (проект № 20-07-00914).
Литература
1. Богатиков В.Н., КлюшинА.Ю., Кириллов И.Е. и др. Научные исследования рисков и управления промышленными процессами на основе нечетко-определенных импульсных моделей. В сб.: Приоритетные направления развития науки и образования: Сб. мат. IX Междунар. науч.-практ. конф. 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. С. 89-100.
3. HuangH., 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. 603-612.
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., Кузнецов Н.М. Применение нейросе-тевого регулирования в управлении водоотливными установками // Труды НГТУ им. Р.Е. Алексеева. Н. Новгород. 2018. №4 (123). С. 135-142.
8. Морозов И.Н., Кузнецов Н.М. Синтез нечеткого регулятора производительности главной вентиляционной установки рудника / Подземная угледобыча XXI в. // Горный информационно-аналитический бюллетень. 2018. № 11. С. 336-345.
References
1. Bogatikov V.N., Klyushin A. Yu., Kirillov I.E. i dr. Na-uchnyye issledovaniya riskov i upravleniya promyshlennymi pro-tsessami na osnove nechetko-opredelennykh impul'snykh modeley. V sb.: Prioritetnyye napravleniya razvitiya nauki i obrazovaniya: Sb. mat. IX Mezhdunar. nauch.-prakt. konf. 2016. S. 145-146.
2. Liu X., Zhan J. fuzzy parameterized fuzzy soft rings and applications // Italian Journal of Pure and Applied Mathematics. 2015. № 34. S. 89-100.
3. HuangH., 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. T. 18. № 12. S. 2525-2540.
4. Meng F., Chen X. Correlation coefficients of hesitant fuzzy sets and their application based on fuzzy measures Cognitive Computation. 2015. T. 7. № 4. S. 445-463.
5. Xie J., Huang H., Li Q., Chen S. The fuzzy metric space based on fuzzy measure // Open Mathematics. 2016. T. 14. № 1. S. 603-612.
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. T. 406-407. S. 71-86.
7. Morozov I.N., Kuznetsov N.M. Primeneniye neyrosete-vogo regulirovaniya v upravlenii vodootlivnymi ustanovkami // Trudy NGTU im. R.E. Alekseyeva. N. Novgorod. 2018. №4 (123). S. 135-142.
8. Morozov I.N., Kuznetsov N.M. Sintez nechetkogo regu-lyatora proizvoditel'nosti glavnoy ventilyatsionnoy ustanovki rudnika / Podzemnaya ugledobycha XXI v. // Gornyy informat-sionno-analiticheskiy byulleten'. 2018. № 11. S. 336-345.
