CC BY
18
Муравьева Е. А. Muraveva Е. Л.
доктор технических
наук, профессор, заведующая кафедрой «Автоматизированные технологические и информационные системы», ФГБОУВО «УГНТУ», филиал, г. Стерлитамак, Российская Федерация
Григорьева Т. В. Grigoreva Т. V.
кандидат педагогических
наук, доцент, доцент кафедры «Информатика, математика и физика», ФГБОУ ВО «УГНТУ», филиал, г. Стерлитамак, Российская Федерация
Валитов Д. Р. Valitov D. К
студент кафедры «Автоматизированные технологические и информационные системы», ФГБОУ ВО «УГНТУ», филиал, г. Стерлитамак, Российская Федерация
УДК 004.896 DOI: 10.17122/1999-5458-2020-16-4-79-86
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОГО КОМПЛЕКСА ДЛЯ АДАПТИВНОГО УПРАВЛЕНИЯ ПАРАМЕТРАМИ МИКРОКЛИМАТА ПРИ ХРАНЕНИИ МУКИ
В современном социально-экономическом и геополитическом развитии России на первый план выходит развитие сельского хозяйства и пищевой промышленности. Как следствие, многократно возрастают требования к качеству и безопасности готового продукта, что существенно влияет на его конкурентоспособность. Среди множества отраслей пищевой промышленности важнейшая роль принадлежит мукомольной. Её продукция является чрезвычайно востребованной населением нашей страны. А это значит, что к качеству этой готовой продукции предъявляются особые повышенные требования. Хранение муки является одним из важнейших этапов технологического процесса производства муки. Бестарное хранение муки в силосах представляет собой сложный технологический процесс, который в значительной степени подвержен воздействию окружающей среды (температура, давление, влажность и др.). Если не принимать соответствующих мер, то под влиянием указанных факторов технологические свойства муки будут изменяться и выходить за пределы допустимых значений.
На сегодняшний день нейронные сети могут решать широкий круг задач обработки и анализа данных — распознавание и классификация образов, прогнозирование и управление. Важной особенностью нейронных сетей является способность к обучению и обобщению накопленных знаний. Обученная на ограниченном множестве данных сеть в дальнейшем способна обобщать полученную информацию и обрабатывать данные, не использовавшиеся при ее обучении.
В данной статье представлена разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата технологического оборудования для хранения муки и повышения эффективности управления технологическими процессами хранения муки путем использования интеллектуальных технологий. Показана модель параметров микроклимата в силосе с учетом множественных взаимосвязей между параметрами технологического процесса. Обоснована целесообразность использования для управления параметрами микроклимата интеллектуальных технологий путем применения нейросетевого
Data processíng facílítíes and systems
регулятора. Была разработана математическая модель объекта управления с учетом присущих ему внутренних связей между параметрами технологического режима и внешними возмущающими факторами. Обработка результатов исследований производилась с применением программного обеспечения «MatLab».
Ключевые слова: хранение, мука, микроклимат, разработка, нейронная сеть, параметры, построение, обучение, температура, влажность.
DEVELOPMENT OF INTELLECTUAL COMPLEX FOR ADAPTIVE MANAGEMENT OF MICROCLIMATE PARAMETERS OF FLOUR STORAGE PROCESSES
In the modern socio-economic and geopolitical development of Russia, the development of agriculture and food industry comes to the fore. As a result, the requirements to the quality and safety of the finished product increase many times, which significantly affects its competitiveness. Among the many branches of the food industry, the most important role belongs to the milling. Its products are extremely popular among the population of our country. This means that the quality of the finished product has special requirements. Storage of flour is one of the most important stages of the technological process of flour production. Bulk storage of flour in silos is a complex technological process, which is largely affected by the environment (temperature, pressure, humidity, etc.). If you do not take appropriate measures, then under the influence of these factors, the technological properties of flour will change and go beyond the permissible values.
Today, neural networks can solve a wide range of data processing and analysis tasks — pattern recognition and classification, prediction and management. An important feature of neural networks is the ability to learn and generalize the accumulated knowledge. Trained on a limited set of data, the network is then able to generalize the information received and process data not used in its training.
This article presents the development of an intelligent complex for adaptive control of microclimate parameters of flour storage processes and improving the efficiency of management of technological processes of flour storage through the use of intelligent technologies. The model of microclimate parameters in the silo is shown, taking into account multiple relationships between the process parameters. The expediency of using intelligent control technologies based on the development of a neural network controller for automation of microclimate parameters control is substantiated. A mathematical model of the control object was developed taking into account the inherent internal relationships between the parameters of the technological regime and external perturbing factors. Processing of research results was carried out using the software «MatLab».
Key words: storage, flour, microclimate, development, neural network, parameters, construction, training, temperature, humidity.
Введение
Для хранения муки необходимо, чтобы внутри промышленного помещения соблюдались параметры микроклимата. Микроклимат в производственных помещениях определяется температурой воздуха, относительной влажностью, скоростью движения воздуха, барометрическим давлением и интенсивностью теплового излучения от нагретых поверхностей.
Для поддержания стабильности технологического процесса хранения целесообразно управлять именно параметрами микроклимата в силосе. На основании многочислен-
ных исследований была разработана нейронная сеть, которая применяется для регулирования основных параметров микроклимата: температура воздуха в технологическом помещении, влажность воздуха, концентрация углекислого газа в воздухе (рисунок 1).
Внутри технологического помещения температура должна поддерживаться в диапазоне от 5 °С до 15 °С, содержание углекислого газа приблизительно 500-700 ррт и влажность воздуха на уровне 60-70 %.
Процесс силосования представляет собой исключительно биологический способ консервирования кормовых растений.
Воздцх
Пар
-Ä-
Теплый воздцх
-©—(ЖН>
Рисунок 1. Функциональная схема автоматизации силоса
Технологический процесс хранения муки осуществляется с помощью оператора, который следит за параметрами микроклимата с помощью датчиков, и на основе этих данных осуществляет управление микроклиматом. Стандартные ПИД-регуляторы не могут решить данную задачу, так как не могут учесть нелинейность и взаимное влияние друг на друга параметров микроклимата.
На сегодняшний день наиболее перспективным представляется использование ней-росетевых регуляторов для управления параметрами микроклимата. Создание такой системы позволит: улучшить адаптационные способности регулятора, повысить качество управления и, следовательно, качественные показатели технологического процесса [1].
Разработка нейронной сети
Необходимо разработать искусственную нейронную сеть (ИНС) для управления параметрами микроклимата в технологическом помещении для хранения муки.
Разработка ИНС производилась в среде Matlab R2015b. При решении задачи использовался пакет Matlab Neural Network Toolbox.
Процесс построения нейросетевой модели можно условно разделить на 5 основных этапов.
Первым этапом построения нейросетевой модели является тщательный отбор входных данных.
На втором этапе осуществляется преобразование исходных данных и выбираются способы представления информации.
Третий этап заключается в конструировании ИНС.
Четвертый этап связан с обучением сети, которое может проводиться на основе конструктивного или деструктивного подхода.
На пятом этапе проводится тестирование полученной модели ИНС на независимой выборке примеров [2-5].
Основные закономерности процесса и определение входных и выходных данных
Для решения задачи с помощью нейронной сети необходимо собрать данные для обучения. На выходной параметр степень открытия клапана F влияют входные параметры по приведенным ниже зависимостям. Выходные данные рассчитали по формулам
Ti т2
F> = 100-J-T'
(1)
где ^ — степень открытия клапана на подачу тепла;
Т1, Т2 — температура внутри помещения 1 и снаружи 2.
(2)
М
^ = 100-у,
где ^2 — степень открытия клапана на подачу пара;
М — влажность воздуха внутри помещения.
/г-юо-^-^ (3)
* 250 250 '
где ^з — степень открытия клапана на подачу свежего пара;
Data PROCESSiNG FACiUTiES AND SYSTEMS
С02(1), С02(2) — содержание углекислого газа внутри технологического помещения 1 и снаружи 2.
Далее подготовим данные для обучения нейронной сети.
На вход нейронной сети будут подаваться 5 значений:
1. Температура воздуха внутри помещения;
2. Температура воздуха снаружи;
3. Влажность воздуха внутри помещения;
4. Содержание углекислого газа внутри помещения;
Выбор типа и архитектуры нейросети Наша сеть будет состоять из 2-х слоев — скрытый слой и выходной.
Первый шаг — это выбор структуры нейронной сети. Будет использована двухслойная однонаправленная сеть с сигмоидальной функцией:
(net = fitnet(hiddenLayerSize,trainFcn)). Далее необходимо выбрать количество нейронов в скрытом слое. В данном случае экспериментально установлено необходимое число нейронов в скрытом слое, равное 48.
5. Содержание углекислого газа снаружи.
6. На выходе нейронная сеть должна рассчитать:
7. Бх — процент открытия клапана на подачу тепла;
8. Б2 — процент открытия клапана на подачу пара;
9. — процент открытия клапана на подачу свежего воздуха.
Обработка и подготовка данных
Используя вышеперечисленные формулы (1)-(3), создадим таблицу 1 с обучающим набором данных. Она состоит из 1000 примеров.
Обучение сети будет производиться по модифицированному алгоритму обратного распространения ошибки: trainFcn = 'trainbr'.
Затем выбираем параметры обучения сети, такие как максимальное количество эпох, количество эпох между показами и параметр достижения цели. Данные параметры нужно выбирать экспериментально, руководствуясь при этом критерием завершения обучения [6-8].
Задаем максимальное количество эпох (epochs) обучения, которое определяет число
Таблица 1. Обучающий набор данных
№ Вход Выход
Т1, °С Т2, °С M, % CO2b ppm CO22, ppm 1 клапан,% 2 клапан,% 3 клапан,%
1 42 41 46 773 846 32 77 83
2 45 32 45 782 977 43 77 80
3 50 26 46 822 916 48 77 80
4 29 34 48 755 952 60 76 81
5 33 25 41 763 907 66 80 82
6 30 45 41 736 952 46 80 81
7 31 29 50 805 972 64 75 79
8 38 33 48 755 945 50 76 81
9 34 28 45 744 924 61 77 82
990 31 27 41 804 967 67 79 79
991 30 43 42 730 977 48 79 81
992 43 36 46 798 984 37 77 79
993 29 46 42 835 912 46 79 80
994 38 42 41 733 955 37 79 81
995 44 46 46 728 982 20 77 81
996 43 45 45 744 909 23 78 82
997 47 29 46 780 985 45 77 80
998 36 42 46 742 968 39 77 81
999 45 48 46 709 916 52 80 79
1000 32 26 40 747 907 68 80 82
эпох (интервал времени), по прошествии которых обучение будет прекращено: net.trainParam.epochs = 1000. Выберем количество эпох между показами равным пяти:
net.trainParam.show = 5. Задаем параметр достижения цели или попадания — значение отклонения, при котором обучение будет считаться законченным: net.trainParam.goal = 0.0001. Далее разделим данные на набор для обучения (Training), проверочный набор (Validation) и тестовое множество (Testing): net.divideParam.trainRatio = 60/100; net.divideParam.valRatio = 35/100; net.divideParam.testRatio = 5/100. Построение и обучение нейронной сети в Matlab
Далее реализуем и обучим нейронную сеть в Matlab. Для этого используем команду uiopen.
С помощью команды nnstart будет реализован вход во вкладку «Обучение нейронной сети» [9].
На рисунке 2 показана выбранная структура искусственной нейронной сети. На вход нейронной сети поступает сигнал x, в нашем случае это температура воздуха внутри помещения, температура воздуха снаружи, влажность воздуха внутри помещения, содержание углекислого газа внутри помещения, содержание углекислого газа снаружи. Сумматор «+» умножает каждый вход bj на вес wj и суммирует взвешенные входы. Затем значение проходит через функцию активации соответствующего слоя и рассчитывается выход: открытие клапана на подачу пара, открытие клапана на подачу тепла, открытие клапана на подачу свежего воздуха.
В окне процесса обучения сети, нажав на кнопку Performance, можно увидеть график обучения сети, показывающий поведение ошибки обучения (рисунок 3).
Из графиков рисунка 3 видно, что обучающее множество уменьшается и доходит до минимальной ошибки, а тестовое множество продолжает расти, за 1000 эпох итоговая среднеквадратичная погрешность достигла
Hiddrft Uy*r Output Lay«f
_ v_>
a s
Рисунок 2. Структура нейронной сети
Best Training Performance is 1.1476e-09 at epoch 1000
0 tOO 200 300 400 500 600 700 800 900 1000 Epochs
Рисунок 3. Средняя квадратичная ошибка
Data processíng facílítíes and systems
значения 1,1476 Г10-9 и является небольшой, это указывает на идеальное обучение нашей сети управления параметрами микроклимата.
Еще одним инструментом оценки результата обучения нейронной сети может быть построение функций регрессии результатов (рисунок 4).
Рисунок 4. Графики линейной регрессии результатов обучения
Коэффициент корреляции R равен 0,9162 и 1, что говорит о сильной связи между переменными, а это свидетельствует о высокой точности построенной нейронной сети.
Перейдем к графикам состояния обучения, изображенным на рисунке 5. На первом графике видно, что чем ближе значение коэффициента градиента расположено к нулю, тем точнее будет проводиться обучение и тестирование нейронной сети. На графике «val fail» показано изменение ошибки на контрольном множестве. Величина этой ошибки указывает на точность настройки модели на обучающем множестве. График «mu» показывает изменение параметра обучения ц
методом байесовской регуляризации, и чем выше данное значение ц, тем точнее будет проходить обучение сети. Проверка нейронной сети Для тестирования нейронной сети подадим на вход 5 значений с помощью команды sim(net, [Ть Т2; М; С02ь С022]) (таблица 2).
После выполнения команды, получено 3 значения (52,0152; 80,1235; 79,2584). Близость полученных значений к заданному результату (52; 80; 79) свидетельствует о применимости сети. В дальнейшем ее можно использовать для управления параметрами микроклимата.
О 100 200 300 400 500 600 700 600 900 1000
Рисунок 5. Графики обучения сети
Таблица 2. Проверочные данные
Вход Выход
Ti, С Т2, С M, % CO2i, ppm CO22, ppm 1 клапан, % 2 клапан, % 3 клапан, %
45 28 46 709 916 52 80 79
Вывод
В ходе исследования получены следующие основные результаты: обоснована целесообразность разработки интеллектуального комплекса для управления параметрами микроклимата процесса бестарного хранения муки, реализуемого на базе нейронной сети. Представлена модель для управления параметрами микроклимата в силосе с учетом множественных взаимосвязей между параметрами технологического процесса и управляющими сигналами.
Список литературы
1. Благовещенская М.М., Шкапов П.М., Шаверин А.В. Разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки / Московский государственный университет пищевых производств. 2018. 24 с.
2. Муравьева Е.А. Системы искусственного интеллекта: учеб. пособие. Ч. 2. 2017. 168 с.
3. Хайкин С. Нейронные сети: полный курс: учеб. пособие. 2018. 1104 с.
4. Медведев В.С., Потемкин В.Г. Нейронные сети в MATLAB / Диалог-МИФИ. 2012. 496 с.
5. Соловьев К.А., Муравьева Е.А., Султанов Р.Г. Адаптация нечеткого регулятора // Нефтегазовое дело. 2014. Т. 12, № 3. С.123-128.
6. Прядко П.В., Муравьева Е.А. Система управления сушильной печью для цеолитсо-держащих катализаторов на основе 5-мерного нечеткого регулятора с интервальной неопределенностью // 63-я науч.-техн. конф. студентов, аспирантов и молодых ученых УГНТУ 2012. С. 358.
7. Габитов Р.Ф., Каяшев А.И., Муравьева Е.А. Управление печью прокалки цеолитсодержащих катализаторов крекинга нефтепродуктов методом плавающего горизонта с использованием нейросетевой модели // Автоматизация, телемеханизация и
Показана целесообразность использования систем автоматического управления параметрами микроклимата с учетом взаимного влияния параметров объекта управления.
Разработаны технические решения по внедрению в автоматизированную систему управления технологическим процессом бестарного хранения муки интеллектуального комплекса адаптивного управления параметрами микроклимата на базе нейронной сети.
связь в нефтяной промышленности. 2010. № 12. С. 12-19.
8. Соловьев К.А., Муравьева Е.А. Эталонная модель для системы управления технологическим процессом на базе нечеткого регулятора второго порядка // Современные проблемы науки и образования в техническом вузе: матер. II Междунар. науч.-практ. конф. 2015. С. 61-66.
9. Соловьев К.А., Муравьева Е.А. Синтез эталонной модели для системы управления технологическим процессом на базе нечеткого регулятора второго порядка // Авиакосмическое приборостроение. 2015. № 10. С. 42-46.
References
1. Blagoveshchenskaya M.M., Shkapov P.M., Shaverin A.V. Razrabotka intellektual'nogo kompleksa dlya adaptivnogo upravleniya parametrami mikroklimata prot-sessov khraneniya muki. Moskovskii gosudarst-vennyi universitet pishchevykh proizvodstv [Development of Intellectual Complex for Adaptive Control of Microclimate Parameters of Flour Storage Processes. Moscow State University of Food Production]. 2018. 24 p. [in Russian].
2. Murav'eva E.A. Sistemy iskusstvennogo intellekta: ucheb. posobie [Artificial Intelligence Systems: Tutorial]. Ch. 2. 2017. 168 p. [in Russian].
Data PROCESSiNG FACiUTiES AND SYSTEMS
3. Khaikin S. Neironnye seti: polnyi kurs: ucheb. posobie [Neural Networks: a Complete Course. Textbook]. 2018. 1104 p. [in Russian].
4. Medvedev V.S., Potemkin V.G. Neironnye seti vMATLAB [Neural Networks in MATLAB]. Dialog-MIFI. 2012. 496 p. [in Russian].
5. Solov'ev K.A., Murav'eva E.A., Sultanov R.G. Adaptatsiya nechetkogo regulya-tora [Adaptation of Fuzzy Controller]. Neftegazovoe delo — Petroleum Engineering, 2014, Vol. 12, No. 3, pp. 123-128. [in Russian].
6. Pryadko P. V., Murav'eva E.A. Sistema upravleniya sushil'noi pech'yu dlya tseolit-soderzhashchikh katalizatorov na osnove 5-mer-nogo nechetkogo regulyatora s interval'noi neopredelennost'yu [Control System of Drying Furnace for Zeolite-Containing Catalysts Based on 5-Dimensional Fuzzy Regulator with Interval Uncertainty]. 63-ya nauchno-tekhnicheskaya konferentsiya studentov, aspirantov i molodykh uchenykh UGNTU [63rd Scientific and Technical Conference of Students, Postgraduates and Young Scientists of USPTU]. 2012, pp. 358. [in Russian].
7. Solov'ev K.A., Murav'eva E.A. Etalonnaya model' dlya sistemy upravleniya tekhnologicheskim protsessom na baze nechetkogo regulyatora vtorogo poryadka [Reference Model for the Control System of Technological Process on the Basis of Fuzzy Second-Order
Regulator]. Materialy II Mezhdunarodnoi nauchno-prakticheskoi konferentsii «Sovremennye problemy nauki i obrazovaniya v tekhnicheskom vuze». [Materials of the International Scientific and Practical Conference «Modern Problems of Science and Education in a Technical University»]. 2015, p. 61-66. [in Russian].
8. Solov'ev K.A., Murav'eva E.A. Sintez etalonnoi modeli dlya sistemy upravleniya tekh-nologicheskim protsessom na baze nechetkogo regulyatora vtorogo poryadka [Synthesis of Reference Model for the Process Control System Based on the Second Order Fuzzy Controller]. Aviakosmicheskoe priborostroenie — Aerospace Instrument-Making Journal, 2015, No. 10, pp. 42-46. [in Russian].
9. Gabitov R.F., Kayashev A.I., Murav'eva E.A. Upravlenie pech'yu prokalki tseolitsoderzhashchikh katalizatorov krekinga nefteproduktov metodom plavayushchego gori-zonta s ispol'zovaniem neirosetevoi modeli [Oven Control Calcination of Zeolite Cracking Catalysts of Petroleum Products Method Floating Horizon Using Neural Network Models]. Avtomatizatsiya, telemekhanizatsiya i svyaz' v neftyanoi promyshlennosti Automation, Telemechanization and Communication in Oil Industry, 2010, No. 12, pp. 12-19. [in Russian].
