CC BY
143
УДК 681.3
ПРОЕКТИРОВАНИЕ СИСТЕМЫ ИДЕНТИФИКАЦИИ И ПРОГНОЗИРОВАНИЯ АВАРИЙНЫХ СИТУАЦИЙ ПРОЦЕССА ВУЛКАНИЗАЦИИ НА ОСНОВЕ МОДЕЛИ
НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА
С.А. Ткалич, С.А. Моисеев
В статье рассматривается задача проектирования архитектуры и построения диаграммы системы контроля качества и идентификации аварийных ситуаций процесса вулканизации с использованием методов нечеткой логики. Получены результаты в виде диаграммы классов нечеткой системы
Ключевые слова: нечеткая логика, вулканизация, идентификация аварийных ситуаций
Проблема идентификации аварийных ситуаций занимает особое место при построении автоматизированных систем, поскольку от качества работы блока
идентификации аварийных ситуаций зависит работа производственного комплекса в целом. Вулканизация является завершающим
технологическим процессом в производстве
резинотехнических изделий. В результате вулканизации происходит превращение
каучука (или его смесей с другими компонентами) в резину. В промышленности распространена так называемая горячая вулканизация (вулканизация каучука серой). Она достигается нагреванием вулканизуемого изделия или в металлической форме, или в котле в паровой, воздушной либо паровоздушной среде при температуре порядка 140—170°С.
Таблица 1
Циклограмма процесса вулканизации
Наименование операции Параметры Продолжи- тельность (мин, сек) Время с начала цикла (мин, сек)
Температура, °С давление, кгс/см
1. Подача пара высокого давления в диафрагму 199 ± 3 15,0 ± 0,5 9'25'' 0
2. Вулканизация при температуре - в секторах - в плитах
177 ± 2 8,6 ± 0,25 постоянно постоянно
177 ± 2 8,6 ± 0,25 постоянно постоянно
3. Отключить подачу пара в диафрагму. Сброс пара из диафрагмы 010'' 9'25"
4. Связь диафрагмы с атмосферой 010'' 9'35''
Циклограмма процесса вулканизации представлена в табл. 1.
Для нагревания изделий при вулканизации используется теплота конденсации
насыщенного пара. В процессе конденсации
Ткалич Сергей Андреевич - ВГТУ, канд. техн. наук, доцент, тел. (473) 243-77-20
Моисеев Станислав Александрович - ВГТУ, аспирант, e-mail: [email protected]
насыщенный пар отдает около трех четвертей своего теплосодержания. Для большинства изделий температура вулканизации составляет 140—170°С (в отдельных случаях она доходит до 190—200°С). При высокотемпературной вулканизации находит применение нагрев с помощью электрических нагревателей, с точки зрения температурных возможностей практически не имеющих предела. Нагрев до
высоких температур с помощью пара требует специальных котельных установок или линий высокого давления от теплоэлектроцентралей, что не всегда возможно и рационально. С целью получения качественных монолитных изделий и предотвращения их пористости большинство резинотехнических изделий вулканизируется под давлением.
При нагревании резиновой смеси влага и летучие вещества создают микроочаги внутреннего давления по всей массе изделия, приводящие к образованию полостей — пор. При вулканизации необходимо подвергнуть изделия внешнему давлению, превышающему возможную величину внутреннего давления. Величина внешнего давления зависит от конструкции изделия и выбирается опытным путем обычно в пределах от 0,5 до 5 МПа, а в некоторых случаях и более. Необходимость ведения процесса вулканизации
резинотехнических изделий при значительной (опасной для человека) температуре и
существенном давлении предъявляет к
вулканизационному оборудованию целый ряд требований, и повышает роль систем управления.
Проанализировав архивные данные, можно выделить несколько основных параметров работы системы, имеющих значительные колебания: это давления
греющего и формующего пара, а также температура пара в диафрагме. Температура плиты и конических колец поддерживается на постоянном уровне с небольшим разбросом.
Графики колебаний давления и
температуры греющего пара представлены на рис. 1 и 2 соответственно.
Для правильной идентификации аварийной ситуации необходимо также иметь сведения о приращениях наблюдаемых параметров, а также о текущем моменте времени. В результате имеем следующий набор входных параметров системы идентификации и прогнозирования аварийных ситуаций:
1) давление греющего пара;
2) приращение давления греющего пара;
3) температура пара в диафрагме;
4) приращение температуры пара в диафрагме;
5) время - стадия процесса вулканизации (из циклограммы).
В качестве выходного параметра будем рассматривать степень близости к аварийной ситуации.
Таким образом, для эффективного управления процессом вулканизации
необходимо правильно идентифицировать
текущее состояние выделенных параметров и сформировать достоверный прогноз выходного параметра на несколько временных интервалов вперед. При этом единицей временного интервала является интервал времени считывания информации о состоянии
параметров с датчиков (Т = 15 с).
16
4 4
2--------------------------------------------------
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 4 Время, 15 с
Рис. 1. График изменения давления
Время, 15 с
Рис. 2. График изменения температуры
Для построения математического и алгоритмического обеспечения системы идентификации и прогнозирования аварийных ситуаций используется подход, основанный на нечетком моделировании управления процессом вулканизации.
Систему идентификации аварийных ситуаций можно рассматривать как особый частный случай системы управления, или, точнее, как одну из ее составных частей, отвечающую за определение состояния технологического процесса. В структуре типового модуля нечеткого управления можно выделить следующие основные части [1]:
1) блок приведения точных числовых значений параметров работы системы к нечетким величинам;
2) блок нечеткого логического вывода;
3) база знаний, содержащая базу данных 4) блок приведения нечетких значений
нечетких продукционных правил, которые параметров к числовому представлению.
используются в процессе логического вывода;
Рис. 3. Типовая структура модуля нечеткого управления
Типовая структура модуля нечеткого управления показана на рис. 3.
Рассмотрим назначение указанных блоков.
Под фазификацией подразумевается преобразование числовой информации в нечеткую, лингвистическую, так что каждому числу а е X ставится в соответствии функция принадлежности нечеткого множества ¡ЛА : X ^ [0,1], причем ¡лА определяет степень принадлежности элемента х нечеткому множеству А - чисел, приблизительно равных некоторому числу а .
В основе процедуры фазификации лежат два подхода:
1) фазификация с помощью синглетона по сути сводится к переходу от числа а к характеристической функции множества А = {а} , то есть:
- 11, если х = х
На (х) = Р(х>х) = 1
[0, если х Ф х
2) фазификация с помощью нечетких чисел, которая сводится к замене числа
а нечетким числом А с функцией принадлежности определенного класса (треугольные, гауссовы, 8-образные и другие нечеткие числа).
Фазификация синглетоном имеет наибольшее распространение при решении задач управления. Данный способ фазификации будет реализован в дальнейшем в разрабатываемой системе, поскольку входные данные большинства технологических процессов могут быть точно измерены в количественном выражении.
Целью блока приведения нечетких значений параметров к точному представлению является формирование управляющего воздействия или совета, выраженного точным числовым значением. Процедура подобного приведения называется дефазификацией. В управлении используют различные методы дефазификации (центра тяжести, центра максимума, левого максимума и другие)[2].
Блок нечеткого логического вывода предназначен для формирования значений выходных переменных и зависит от типа выбранной нечеткой системы.
База знаний содержит множество записей, которые сопоставляют определенным значениям входных переменных
соответствующие значения выходных переменных. При этом вид правил также зависит от типа нечеткой системы. В некоторых источниках понятия «база правил» и «модель нечеткой системы» отождествляются.
Блок формирования новых знаний позволяет получать новые правила для повышения эффективности процесса управления. Возможны три варианта формирования новых правил: задание правил экспертом, автоматическое извлечение знаний из наборов архивных данных и смешанный подход [3]. Основное предназначение блока -извлечение из реальных данных, полученных в ходе производственного процесса,
закономерностей и отношений, а также формирование новых правил для их последующего занесения в базу. Данный модель требует применения особых методов и технологий - нейронных сетей и генетических алгоритмов [4, 5]. В рамках рассматриваемой в данной статье проблемы формирования лингвистической системы не является существенным, однако следует обратить внимание на необходимость разработки соответствующих процедур и включения их в состав конечного продукта.
Существует 3 типа нечетких систем:
1. Лингвистическая модель.
2. Модель Такаги-Сугено.
3. Нечеткая реляционная модель.
К первой группе помимо собственно лингвистических систем, также относятся системы типа синглетон (частный случай лингвистической модели).
В данной работе рассматривается построение программной системы для работы с лингвистической системой нечеткого логического вывода первого типа. В дальнейшем возможно расширение системы и включение в нее возможности работы с нечеткими системами Такаги-Сугено.
В основе лингвистической модели нечетких продукционных систем лежит база правил, которые можно записать в виде нечеткой импликации:
Я{к] : Ак ^ Вк, к = 1, к, N
где N - количество нечетких правил,
нечеткие
множества,
Ai с Xi е R, i = 1,..., n,
Ak = At x A2k x... x Akn,
Bk
нечеткие
множества,
Bk с Y: е R, j = 1,..., m,
J — J J J J J J
Ak = A? x Ak x... x Ak,
I 2 n *
Bk = Bk xBk x...xв
1 2 í
*1, *2,
входные переменные лингвистической модели; y1, y 2,..., ym -
выходные переменные.
Структурно нечеткие системы можно разделить на 2 группы:
1) Multiple Inputs Multiple Outputs (MIMO)
- модели со множеством входных и выходных параметров.
2) Multiple Inputs Single Output (MISO) -модели со множеством входных и единственным выходным параметром.
Для системы идентификации аварийных ситуаций достаточно ввести один выходной параметр - степень близости к аварийной ситуации, поэтому разрабатываемая система относится ко второму типу.
Задача блока логического вывода заключается в агрегировании выходов правил и формировании результирующих значений выходных переменных. При этом возможны два случая, при которых будут использоваться различные схемы агрегирования полученных данных.
Первый случай. На выходе блока логического вывода получаем N нечетких множеств Bk е Y .
Нечеткое множество Bk определяется с помощью композиции нечеткого множества A и отношения R (), т.е.:
Bk = A'o (Ak ^ Bk) k = 1,..., N.
Графически операцию вывода можно представить в виде схемы, изображенной на рис.4.
Рис. 4. Операция вывода
k
Второй случай. На выходе блока выработки решения получаем одно нечеткое множество Вк ^ У .
При использовании комбинационного правила вывода получаем:
N N
В' = А'о и Я() = Л'оЯ, где Я = и Я(к) . к=1 к=1
Вывод по данной схеме является результатом комбинирования посылки Л и правила Я. На рис. 5 представлена схема агрегирования для данного случая.
Вывод результирующего осуществляется по формуле:
значения
N
Е wkУk
У =
к=1
Е
к=1
w,,
Весовые коэффициенты рассчитываются по одной из формул:
Wk = шіп{^л5 (*1), ¡лК (х2лл? (XN )}
Рис. 5. Операция вывода
Wk =ЛЛК (х1)* ЛЛк (Х2 ) *••• * (XN )
Структура нечеткой системы представлена на рис. 6. Подсистемы 1 и 2 дают информацию по каждому параметру, в то время как подсистема 3 является агрегирующей, на выходе которой определяется степень близости к аварийной ситуации. Подобное каскадное соединение элементарных нечетких систем даст возможность структурировать и упростить общую нечеткую систему, а также облегчить добавление новых параметров.
Рис. 6. Структура нечеткой системы
Система идентификации аварийных ситуаций является частным случаем
экспертных систем в том смысле, что основным предназначением подобной системы является выдача предупреждения оператору на основе анализа данных, поступающих на вход системы.
Основными функциями разрабатываемой системы идентификации и прогнозирования аварийных ситуаций являются следующие:
1) идентификация текущего состояния процесса;
2) прогнозирование состояния процесса;
3) идентификация сбоев в работе
различных функциональных блоков, устройств, участвующих в процессе;
4) выдача сведений оператору о возможных причинах произошедших сбоев, месте их возникновения для оперативного реагирования;
5) отслеживание выхода текущих
значений параметров за предельно допустимый диапазон;
6) контроль изменения параметров работы системы с целью определения предаварийной ситуации;
7) идентификация технологического
брака;
8) определение состояния узлов для планирования и оценки сроков плановопредупредительного ремонта;
9) сохранение архивных сведений обо всех событиях, произошедших в системе для обеспечения возможности последующего анализа.
Основным преимуществом экспертных систем перед традиционными системами моделирования производственно-
технологических процессов является возможность привлечения знаний и опыта экспертов. Свои суждения и опыт эксперт формирует в виде правил, которые впоследствии заносятся в базы знаний, при этом одна экспертная система от другой отличается фактически лишь набором правил, которые используются для получения значений выходных переменных. Поэтому имеет смысл создание обобщенной экспертной системы, которая, при наличии соответствующих интерфейсов взаимодействия со 8САБА-системой, может быть использована для целей диагностики в различных производственных и технологических процессах [6, 7].
На данном этапе имеются функциональные и структурные схемы разрабатываемой экспертной системы, необходимые для целей разработки. На следующем шаге необходимо определить основные требования, предъявляемые к программной системе, и ее особенности.
Требования к программной системе определяются исходя из задач, которые эта система призвана решить. В ходе анализа работы экспертных систем, а также с учетом специфики использования разрабатываемой программной системы, был сформулирован ряд требований, выполнение которых будет означать достижение целей построения системы:
1) обеспечение бесперебойного режима
работы системы, включение механизма обработки ошибок и исключений,
возникающих в ходе работы системы;
2) обеспечение работы с данными как в качественном, так и в количественном выражении;
3) обеспечение возможности гибкой настройки системы, предоставление выбора различных методов и средств соответствующей предметной области;
4) обеспечение возможности построения иерархических систем нечеткого логического вывода;
5) возможность привлечения знаний экспертов;
6) наличие интерфейса для работы с базами данных;
7) наличие интерфейса для связи с SCADA-системами;
8) создание кроссплатформенного
приложения, не требующего для своего функционирования установки дополнительного лицензионного программного обеспечения;
9) возможность сохранения настроек лингвистической модели между запусками программы;
10) дружественный пользовательский интерфейс, возможность использования визуальных редакторов;
11) возможность расширения
функциональности продукта со стороны пользователя, например, добавление новых формул для функций принадлежности, операторов агрегирования.
Для реализации программной системы был выбран язык программирования Java, являющийся кроссплатформенным, и свободно распространяемая среда разработки Eclipse.
На следующем шаге разработки экспертной системы необходимо
спроектировать классы, которые будут затем использованы для построения механизмов логического вывода и пользовательского интерфейса. Для указанных целей может применяться множество методов, однако в данной работе для предварительного проектирования используются карточки CRC. Карточки CRC - это неофициальная объектноориентированная методика выявления взаимодействия между классами, и применяются для формальной разработки последних. Указанные карточки имеют вид именованной таблицы, состоящей из двух столбцов, в одном из которых указываются обязанности и основные функции,
выполняемые предполагаемым классом, а в После анализа предметной области был
другом - список классов, так или иначе сформирован набор карточек,
связанных с рассматриваемым классом. сгруппированных для удобства в форме одной
общей таблицы 2.
Таблица 2
Обязанности Связанные классы
1. Нечеткое множество
Определение терма лингвистической переменной; расчет значения функции принадлежности входного параметра к данному терму. Лингвистическая переменная
2. Лингвистическая переменная
Хранение сведений о параметрах исходной системы и термах параметров. Нечеткое множество; Правило; Нечеткая система; База лингвистических переменных
3. Нечеткое правило
Хранение связей между входными и выходными лингвистическими переменными Нечеткое множество; Лингвистическая переменная; База правил
4. База правил
Хранение продукционных правил системы Нечеткая система; Правило
5. База лингвистических переменных
Хранение экземпляров данных Лингвистическая система Лингвистическая система; Нечеткая система
6. T-норма
Реализация операции Т-нормы Нечеткая система; Нечеткое множество
7. Фазификатор
Определение метода фазификации Нечеткая система; Нечеткое множество Лингвистическая переменная
8. Дефазификатор
Определение метода дефазификации Нечеткая система; Нечеткое множество; Лингвистическая переменная
9. Импликация
Определение метода импликации Нечеткая система; Нечеткое множество; Лингвистическая переменная
10. Композиция
Определение способа композиции Нечеткая система; Нечеткое множество; Лингвистическая переменная
11-21. Классы визуального представления соответствующих классов предметной области
Представление сущности экспертной системы в визуальной форме Все классы № 1-10
22. Классы обработки исключительных ситуаций
Обработка различных исключений, возникающих в ходе работы программы Вспомогательные классы
23. Классы для связи с внешними источниками данных
Связь с внешними источниками данных -базами данных, XML-файлами, Excel-файлами Вспомогательные классы
24. Интерфейс связи с SCADA-системой
Классы для связи экспертной системы с 8САБА-системой для получения входных данных Нечеткая система; Нечеткое множество; Правило
25. Классы пользовательского интерфейса
На основе данных таблицы карточек CRC формируется диаграмма классов программной
производится дальнейшая детализация и системы. На рис. 7 представлена диаграмма
классов, относящихся к области нечеткого моделирования.
Рис. 7. Диаграмма классов нечеткой системы
Вывод. В результате проделанной работы был проведен анализ предметной области, разработана структура экспертной системы идентификации и прогнозирования аварийных ситуаций процесса вулканизации, основанной на модели нечеткого логического вывода, разработана диаграмма классов для реализации на языке программирования высокого уровня.
Литература
1. Ткалич С. А. Лингвистическая система прогнозирования аварийных ситуаций в производстве синтетических каучуков // Вестник Воронежского государственного технического университета, 2007, №5. с. 103-112.
2. Леденева Т.М. Обработка нечеткой информации. -Воронеж: ВГУ, 2006. - 233 с.
3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие
системы. - М.: Горячая линия - Телеком, 2005. - 452 с.
4. Ткалич С.А. Нейросетевая модель процесса прогнозирования аварийных ситуаций // Научнотехнический журнал «Системы управления и информационные технологии», Москва-Воронеж, ООО Издательство «Научная книга», 2008, №3.1(33). С. 196200.
5. Ткалич С.А., Бурковский А.В., Котов Д.В. Исследование нейросетевой модели прогнозирования аварийных ситуаций процесса вулканизации// Вестник Воронежского государственного технического университета, 2010, №7. с. 15-19.
6. Ткалич С.А. Диагностические экспертные системы безаварийного управления технологическими процессами // Вестник Воронежского государственного технического университета, 2007, №5. с. 38-43.
7. Ткалич С. А., Бурковский В. Л. Реализация композиционной модели прогнозирования аварийных ситуаций в промышленных системах безаварийного управления// Системы управления и информационные технологии, 2010, № 2(40). С. 91-94.
Воронежский государственный технический университет
DESIGN OF SYSTEM FOR IDENTIFICATION AND FORECASTING OF FAILURE OF VULCANIZATION PROCESS BASED ON MAMDANI FUZZY INFERENCE SYSTEM
S.A. Tkalich, S.A. Moiseev
In this article design of architecture and class diagram of system of quality control and failure identification of vulcanization process based on fuzzy Mamdani inference is developed
Key words: fuzzy logic, vulcanization, failure identification system
