CC BY
130
УДК 65.011.56, 62.50
И.Е. Кириллов, И.Н. Морозов, А.Г. Олейник
ФГБУН Институт информатики и математического моделирования технологических процессов КНЦРАН
Кольский филиал ПетрГУ
РАЗРАБОТКА МОДЕЛЕЙ ЭКСПРЕСС-АНАЛИЗА ОБОГАТИТЕЛЬНЫХ ПРОЦЕССОВ НА ОСНОВЕ НЕЙРОСЕТЕЙ И НЕЧЕТКОЙ ЛОГИКИ*
Аннотация
В статье рассмотрены подходы к построению моделей экспресс-анализа и прогнозирования производственных процессов обогащения минерального сырья. Особенности объекта исследования дают основания считать перспективным применение для моделирования методов нечеткой логики и нейронных сетей. Представлены основные аспекты создания моделей обогатительных процессов с использованием указанных методов.
Ключевые слова:
технологический процесс, компьютерное моделирование, нечеткая логика, нейронная сеть.
DEVELOPMENT OF MODELS BASED ON NEURAL NETWORKS AND FUZZY LOGIC FOR EXPRESS ANALYSIS OF ORE-DRESSING PROCESSES
Abstract
The article considers the approaches to the construction of models for express analysis and forecasting of manufacturing processes of minerals concentration. The investigation subject properties suggest that applications of fuzzy logic and neural networks methods for simulation are promising. The basic aspects of models creating by using these methods are presented.
Key words:
manufacturing process, computer simulation, fuzzy logic, neural network.
Введение
Внедрение на предприятиях автоматизированных систем оперативного диспетчерского управления и сбора данных (supervisory control and data acquisition - SCADA - систем) открывает принципиально новые возможности получения эмпирической информации об обогатительных процессах. На использование данных оперативного мониторинга производственных процессов обогащения ориентирована технология их оперативного прогнозирования, основные аспекты которой представлены в работе [1]. Технология предполагает интеграцию в действующие на промышленных предприятиях SCADA-системы специализированных средств компьютерного моделирования с целью оперативного прогнозирования технологических показателей производственного процесса. Одной из ключевых задач технологии является определение формальных связей между компонентами пространства входов и компонентами пространства выходов процесса [2]. Решение данной задачи осложняется
* Работа выполнена при поддержке гранта РФФИ №12-07-98800-р_север_а «Разработка моделей и информационной технологии прогнозирования параметров производственных процессов обогащения руд».
многомерностью и гетерогенностью этих пространств. Вместе с этим, большие объемы данных мониторинга параметров производственных процессов, предоставляемые SCADA-системами, дают основания считать, что положительные результаты могут быть получены в результате применения методов Data Mining [3], позволяющим не только выявить неявные взаимосвязи в данных, но и существенно снизить размерность задачи. Перспективным, также, может быть применение в рамках рассматриваемой технологии методов нечеткой логики [4] и нейронных сетей [5] для построения моделей экспресс-анализа и прогнозирования параметров производственного процесса по данным текущего мониторинга. Это предположение подтверждается тем, что аппарат нечеткой логики уже включается в библиотеки ряда SCADA-систем, таких как: LABVIEW DSC, DELTAV, SIMATIC WINCC, TRACE MODE и других. Способности нейронных сетей к прогнозированию напрямую следуют из их способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов.
Схема применение аппарата нечеткой логики для построения моделей процессов обогащения
В работе [2] предложен вариант формального представления многоэтапного технологического процесса обогащения (рис. 1).
технологического процесса
На схеме использованы следующие обозначения:
Pi - аппарат или этап технологической схемы PG;
X - множество входных воздействий, влияющих на объект управления. В данное множество в качестве элементов включаются как внешние входы PG, так и входы отдельных аппаратов Pi. Входами могут быть как контролируемые воздействия (управление), так и неуправляемы воздействия (возмущения). Возмущения в некоторых случаях измеримы, а в других - нет, и могут быть оценены лишь в словесной форме (большое, маленькое и т.д.);
Y - множество выходов, которое, аналогично множеству X, объединяет выходы всей схемы PG и выходы отдельных аппаратов Pi. Все выходы считаются потенциально контролируемыми, хотя на практике, как правило, контролируется только часть из них.
Далеко не все связи между входными сигналами и выходами могут определяться в виде классических передаточных функций W(p). Это обусловлено размерностью задачи и степенью изученности исследуемого объекта. Зная о наличии некоторого параметра (фактора) не всегда удается его измерить или оценить достаточно точно. Однако если предполагается его значимое влияние на динамику процесса, данный параметр должен быть включен в рассмотрение. При невозможности точной (количественной) оценки параметру может быть задана нечеткая (лингвистическая) оценка.
Априорно принятым положением реализуемого подхода к разработке технологии оперативного прогнозирования обогатительных процессов является наличие неявного взаимного влияния технологических параметров процесса на характеристики продуктов разделения. Поэтому анализ начинается с рассмотрения ситуации, когда предполагается значимое влияние не только характеристик исходного сырья, но и всех технологических параметров на характеристики выходов процесса. Модель процесса представляется в виде направленного графа, узлами которого являются параметры, а дуги обозначают их влияние друг на друга. Подобное представление технологического процесса является неким подобием нейросети, в узлах которой находятся функции, осуществляющие преобразование сигналов. При этом часть функций представляется в виде «классических» передаточных функций W(p), а часть - в виде «нечетких передаточных функций». Важной особенностью «нечетких передаточных функций» является их способность не только преобразовывать сигналы, но и осуществлять настройку передаточных функций узлов описанных с помощью W(p). Данная особенность реализует свойство адаптивности модели, которое является весьма полезным с учетом динамичности свойств процесса.
Для реализации нечетких передаточных функций для соответствующих параметров вводятся нечеткие функций принадлежности (ФП). Начальная картина функций принадлежности формируется путем разбиения наблюдаемого (или - теоретического) интервала вариабельности параметра на конечное число небольших отрезков и сопоставление каждому из них нечеткой ФП. Следует отметить, что использование большого количества нечетких ФП может сильно замедлить процесс вычисления. Поэтому изначально заданные интервалы разбиения диапазонов варьирования параметров следует, по возможности, укрупнить для снижения размерности задачи. Наличие больших объемов данных мониторинга обогатительного процесса позволяет установить соответствие между большинством интервалов значений выходного параметра и интервалами значений входов, при которых получен данный выход. Сокращение числа интервалов может осуществляться как на основе анализа имеющихся данных мониторинга, так и на основе экспертных рекомендаций. Формирование базы и верификация лингвистических правил отображения комбинаций нечетких значений входов в значения выходов также формируется с использованием данных мониторинга.
В режиме прогнозирования в модель подается вектор, определяющий текущую ситуацию, который фаззифицируется и передается на обработку
системе правил. Результаты нечеткого вывода дефазифицируются, в результате чего определяются значения вектора выходов. Существует несколько алгоритмов осуществления операции фаззификации и заполнения базы знаний. Однако вопрос выбора формы ФП в литературных источниках практически не освещен. В качестве перспективного подхода к обоснованию выбора формы ФП планируется реализовать алгоритмы оценки скорости и ускорения (т.е. 1-й и 2-й производных) изменения значений параметров технологического процесса обогащения.
Разработка модели технологического процесса на основе использования нейросетей
Нейронные сети успешно применяются для синтеза систем управления динамическими объектами [5]. Нейросети обладают рядом свойств, которые определяют перспективность их использования в качестве аналитического аппарата систем управления. В контексте рассматриваемой задачи это, прежде всего, способность к обучению на примерах. Наличие больших объемов данных мониторинга, в которых представлены взаимосвязанные измерения и входов, и выходов исследуемой системы, позволяет обеспечить нейросеть репрезентативными обучающими выборками. Другими важными свойствами является способность нейросети адаптироваться к изменению свойств объекта управления и внешней среды, а также высокая устойчивость к «сбоям» отдельных элементов сети в силу изначально заложенного в ее архитектуру параллелизма. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна «предсказать» будущие значения выходов на основе нескольких предыдущих значений и текущих данных мониторинга.
В рамках проводимых исследований наиболее перспективным представляется использование сетей встречного распространения. Сети данного типа имеют, в общем случае, существенно меньшее время обучения, чем сети обратного распространения. Поэтому такая сеть может более оперативно отреагировать на изменения условий протекания процесса обогащения, связанные с флуктуациями характеристик исходного сырья, технологических параметров или износом оборудования. В неройсети встречного распространения объединены два хорошо известных алгоритма: самоорганизующаяся карта Кохонена [6] и звезда Гроссберга [7]. Их объединение приводит к росту «обобщающих» способностей сети и позволяет получать правильный выход даже при неполных или незначительно искаженных входных данных
Анализ возможностей использования нейронных сетей для создания моделей экспересс-анализа производственных процессов обогащения проводился на примере процесса флотационного обогащения апатито-нефелиновых руд, реализуемого на обогатительной фабрике АНОФ-2 ОАО «Апатит».
В результате анализа технологической схемы флотационного отделения, с учетом полученных ранее результатов исследования и уже принятыми в рамках данного проекта концептуальными принципами технологии моделирования производственных процессов обогащения минеральных руд была определена структура нейросетевой модели. Используемые в модели параметры
классифицированы на три группы: контрольные показатели, управляющие параметры и индикаторы. К контрольным показателям относятся характеристики входных и выходных продуктов технологической схемы. В модели рассматривается 15 контрольных параметров. К управляющим относятся те параметры, на которые можно воздействовать с целью изменения условий реализации обогатительного процесса и, как следствие, значений контрольных показателей. В качестве управляющих параметров в модели рассматривались уровни пульпы, расход воздуха и собирателя во флотомашинах ОК-38, а также уровень, расход воздуха в аэратор и расход промывной воды в колонной флотомашине и др. Общее число задействованных в модели управляющих параметров - 30. К индикативным относятся те параметры, на которые нельзя повлиять, но которые свидетельствуют об изменениях контрольных показа-телей. К ним относятся: плотность слива, плотность пульпы в линии циркуляции, температура в пульподелителе, уровень pH в контактом чане и др. Всего рассматривалось 27 индикативных параметров.
На рис. 2 представлена структура сети встречного распространения в обобщенном виде.
Рис. 2. Сеть с встречным распознаванием без обратных связей
Созданная модель представляет собой стандартную трехслойную (0^2) нейросеть встречного распространения. Нейроны слоя 0 служат точками разветвления и не выполняют вычислений. Каждый нейрон 0-го слоя связан с каждым нейроном слоя 1 (слой Кохонена). Аналогично, нейроны слоя 1 связаны с нейронами слоя 2 (слом Гроссберга). С каждой связью ассоциирован собственный вес. Веса wi связей слоев 0 и 1 образуют матрицу весов W, а веса VJ связей нейронов слоев 1 и 2 - матрицу весов V. Настройка значений весов производится в режиме обучения сети, когда в модель подаются априорно известные вектора входов X и выходов Y (рис. 1). В режиме прогнозирования в модель подается формируемый на основе текущих данных мониторинга входной вектор X, а выходной вектор Y генерируется сетью.
Выход каждого нейрона слоя является просто суммой взвешенных входов. В результате сравнительной оценки взвешенных сумм входов нейронов Кохонена определяется «победитель» - нейрон, для которого это значение
максимально. Выходу данного нейрона присваивается значение «1», а выходам остальных нейронов слоя Кохонена - «0». Слой Гроссберга функционирует по аналогичной схеме - его выходы определяются взвешенной суммой соответствующих входов от слоя Кохонена. Но, так как только у одного нейрона слоя Кохонена на выходе устанавливается значение «1», то фактически каждый нейрон слоя Гроссберга лишь выдает величину веса, который связывает этот нейрон с единственным ненулевым нейроном Кохонена. По сути, слой Кохонена классифицирует входные векторы в сходные группы, обеспечивая, тем самым, определение областей многомерного пространства входов, отображающихся в малую окрестность одной и той же «точки» пространства выходов. Это достигается с помощью настройки весов слоя Кохонена, обеспечивающей активацию одного и того же нейрона данного слоя соответствующими векторами входов. Перед началом обучения всем весам сети присваиваются некоторые случайные значения. В процессе обучения весовые векторы изменяются, «отслеживая» небольшую группу входных векторов. Обучение заканчивается, когда на выходе нейросети формируется требуемая картина выходов. Обучение слоя Гроссберга осуществляется путем корректировки лишь тех весов, которые ассоциированы с нейроном Кохонена, имеющим ненулевой выход. Величина коррекции веса пропорциональна разности между весом и требуемым выходом нейрона Гроссберга, с которым он соединен.
Использование нейросетевой модели предполагает априорную классификацию состояний системы (обогатительного процесса) на конечное число вариантов. С каждым состоянием, при котором имеет место нарушение регламентных характеристик процесса, связан набор корректирующих воздействий, предполагающих конкретные изменения управляющих пара-метров. Для классификации могут быть использованы как экспертные оценки, так и формальные методы классификации из категории методов Data Mining, например - факторный и кластерный анализ. В качестве основного критерия классификации используются значения выходных векторов Y. Для определения текущего состояния процесса производится сравнение выхода нейросетевой модели и хранимых в информационной базе системы векторов, определяющих выделенные состояния обогатительного процесса. Если в базе указано, что идентифицированному состоянию соответствует нарушение регламентных характеристик, то система извлекает из базы рекомендации по корректировке состояния. При наличии соответствующего исполнительного механизма запуск на выполнение корректирующих воздействий может быть автоматизирован.
Разработанная нейросетевая модель процесса флотации была реализована и исследована в среде Matlab [8]. На рис. 3 показан общий вид нейросетевой модели, а на рис. 4 представлен фрагмент внутренней структуры элемента блока Custom Neural Network.
На вход каждого из элементов нейросети подаются все контролируемые входные параметры. Весовые коэффициенты подбирались в процессе автоматического обучения на заранее заданных выборках реальных данных, полученных SCADA-системой в результате мониторинга производственного процесса. В ходе серии вычислительных экспериментов модель была настроена и обеспечила синтез выходных векторов, соответствующих контрольной выборке данных реального производственного процесса.
untitled [ CD I E)
File Edit View Simulation Format Tools Help
□ ЙВ# ► ■ |mo [ы™
n put NNET Outpu Custom Meural Metworfc I
О
x1 Ready |100% ode45 yi Л
Рис. 3. Укрупненный вид нейросетевой модели в среде Matlab
W untitled/.,./Layer lyiWfl.l] 1ч=д | t°] * l|
□ g Si & 4a e 4= it- £3 G: | ► ■ |mo | No™i 31
Рис. 4. Структура элемента блока Custom Neural Network Заключение
Большие объемы данных, получаемые в результате функционирования SCADA-систем, обеспечивает возможность создания и практического применения моделей экспресс-анализа и прогнозирования производственных процессов обогащения минерального сырья. Принимая во внимание многомерность задач, гетерогенность параметров и наличие существенной неопределенности в зависимостях между параметрами реальных производственных процессов, для построения моделей предлагается использовать методы Data Mining, нечеткой логики и нейронных сетей. На основе указанных математических методов
созданы и протестированы на реальных данных мониторинга модели экспресс-анализа обогатительных схем, используемых на ОАО «Апатит». Доказано, что созданные модели позволяют получить результаты, адекватные задачам оперативного управления производственными процессами. Наиболее рациональным для прогнозирования многостадийных обогатительных схем представляется вариант комбинированных решений, предполагающий совместное использование моделей различных типов для различных состояний обогатительного процесса или различных компонентов (аппаратов) обогатительной схемы.
Литература
1. Олейник, А.Г. Информационная технология поддержки оперативного управления процессами обогащения руд /А.Г. Олейник // Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности и экономике: сборник статей Четырнадцатой международной научно-практ. конф., 4-5 декабря 2012 г., г. С-Петербург / под ред. А.П. Кудинова. - СПБ.: Изд-во Политехн. Ун-та, 2012. -Т.2. - С.84-86
2. Олейник, А.Г. Схема оперативного прогнозирования производственных процессов обогащения руд / А.Г. Олейник, Л.П. Ковалева // Труды Кольского научного центра РАН. Информационные технологии. - Апатиты: Изд-во КНЦ РАН. - 4/2011(7). -Вып. 2. - С.211-219.
3. Чубукова, И. А. Data Mining: учебное пособие /И.А. Чубукова. - 2-е изд., испр. - М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2008. - 382 с.
4. Тэрано, Т. Прикладные нёчеткие системы / Т. Тэрано, К. Асаи, М. Сугэно. - М.: Мир, 1993. - 368 с.
5. Чернодуб, А.Н. Обзор методов нейроуправления / А.Н. Чернодуб, Д.А. Дзюба // Проблемы программирования. -2011.-№ 2. - С.79 -94.
6. Kohonen3 Т. Self-organization and associative memory /Т. Kohonen // 2d ed. -New-York, Springer-Verlag, 1988. - 312 р.
7. Grossberg, S. Some networks that can learn, remember and reproduce any number of complicated space-time patterns /S. Grossberg // Journal of Mathematics and Mechanics, 1969. -Vol. 19, № 1, - Р.53-91.
8. MathWorks. - Режим доступа: http: //www .mathworks.com
Сведения об авторах
Кириллов Иван Евгеньевич - к.т.н., младший научный сотрудник,
e-mail: [email protected]
Ivan E. Kirillov - Ph. D. (Tech), Junior researcher
Морозов Иван Николаевич - к.т.н., младший научный сотрудник, e-mail: [email protected]
Ivan N. Morozov - Ph. D. (Tech), Junior researcher
Олейник Андрей Григорьевич - д.т.н., зам. директора института,
e-mail: [email protected]. net. ru
Andrey G. Oleynik - Dr. of Sci. (Tech), Deputy director
