CC BY
19
Регулирование веса бумажного полотна на основе метода экстремальной фильтрации для систем реального времени с помощью покадровой
обработки сигнала
Н.В. Лысова, Н.В. Мясникова Пензенский государственный университет, Пенза
Аннотация: Проведено сравнение двух методов анализа трендов, регистрируемых сканером - ЕМО и ЭФ. Приведены информативные составляющие, для построения прогноза, который может использоваться для изменения регулятора в системе. Ключевые слова: Декомпозиция на эмпирические моды (ЕМО), экстремальная фильтрация (ЭФ), бумагоделательная машина (БДМ).
В настоящее время целлюлозно-бумажная промышленность представляет одну из ведущих отраслей не только в России, но и в мире и непосредственно влияет на экономику.
Сегодня качество продукции является определяющими факторами. Конкурентоспособность бумаги определяется востребованностью, в свою очередь и готовое бумажное полотно должно обладать характеристиками, которые соответствуют требованиям потребителя. Именно поэтому сейчас перед производителем наиболее остро стоит вопрос о повышении качества производимой бумаги при максимальной экономии сырья, электроэнергии и других материальных ресурсов.
На рис. 1 представлена функциональная схема регулирования веса квадратного метра бумаги [1]. «На линии рабочего бассейна стоит массная задвижка, которая регулирует количество поступающей бумажной массы высокой концентрации в общий поток. В смесительные насосы №1 и №2 поступает оборотная вода с сеточного стола бумагоделательной машины с низкой концентрацией бумажных волокон, и масса с машинного бассейна с концентрацией ~3-4 %. После смесительного насоса №2 бумажная масса через напорную сортировку направляется в напорный ящик
бумагоделательной машины (далее БДМ). На сеточной части происходит частичная потеря бумажных волокон, которая носит постоянный характер в установившемся режиме работы БДМ.» [2] Далее бумага проходит через прессы и каландр, которые не оказывают влияния на массу бумажного полотна. После этого сканирующим устройством измеряются основные параметры произведенной продукции, в том числе и масса квадратного метра. На завершающем этапе бумажное полотно отправляется в накат для формирования рулонов.
Рис. 1. - Схема управления плотностью бумажной массы
На рис. 2 приведены тренды, регистрируемые сканером. При накате массы наблюдается переходной процесс измерительного тракта, поэтому, всплески на графике не отражают истинной массы полотна[3]. Поэтому воспользуемся известным методом декомпозиции на эмпирические моды (далее EMD) [4], позволяющим выделить информативные составляющие. Метод позволяет выделить трендовую составляющую, отражающую текущие значения массы квадратного метра бумажного полотна.
Кроме EMD метода может быть использована и экстремальная фильтрация (далее ЭФ) [5,6], основанная на последовательном выделении
знакопеременных составляющих (с одновременным сглаживанием) сначала из тренда, а затем из сглаженных составляющих [7]. Результаты декомпозиции в точках экстремума почти одинаковы, а трудоемкость значительно меньше.
Выбор технологического режима бумагоделательной машины является важным этапом регулирования веса бумажного полотна. Основными влияющими факторами являются скорость сетки бумагоделательной машины, давление воздушной подушки и уровень массы в напускном устройстве. Точное регулирование веса происходит с помощью граммового вентиля, установленного перед смесительным насосом (изменение подачи бумажной массы при смешивании потока с водой). Со сканирующего устройства поступает информация о весе квадратного метра бумажного полотна. [8] Если вес меньше заданного значения, то вентиль открывается, увеличивая тем самым концентрацию бумажной массы.
На рис. 2 показаны информативные составляющие, выделенные обоими методами. По выделенным данным на предыдущем участке может быть построен прогноз, который может использоваться для изменения уставок массовой задвижки, что повысит качество продукции.
Для реализации в реальном масштабе времени больше подходит метод ЭФ, как менее затратный, т.к. не использует вычисления трансцендентных функций и итерационных процедур.
О 200 400 600 800 1000 1200 1400 1500
Рис. 2. - Тренды, регистрируемые сканером и информативные составляющие
Реализация спектрального анализа в режиме реального времени известными методами требует мощной аппаратной поддержки и применения специализированных сред. Она возможна при использовании: многопроцессорных систем; многоканальных систем; многопроцессорных и многоканальных систем с использованием специальных программных пакетов.
Требуется более простое и менее трудоемкое решение для систем реального времени, позволяющее анализировать быстропеременные процессы в частотной и временной области. Таким решением могут стать алгоритмы, адаптированные к работе в реальном времени. В работах [9-11] описаны алгоритмы адаптации экстремальной фильтрации к режиму реального времени: покадровая обработка сигнала, при применении которой параллельно с обработкой зарегистрированного участка сигнала осуществляется накопление следующего; с подгрузкой текущих значений
сигнала и уже сглаженных составляющих для дальнейшей фильтрации; нейросетевой алгоритм экстремальной фильтрации.
На рис. 3 приведены результаты спектрального анализа в режиме реального времени на основе перечисленных алгоритмов.
■те.—
:-----
Рис. 3. - Разложение на моды в режиме реального времени
Применение перечисленных алгоритмов позволяет использовать методы экстремальной фильтрации в системах реального времени, что дает возможность обеспечить своевременное обнаружение изменений всех быстропеременных процессов. Это способствует своевременному принятию решений об изменении уставки, что позволит улучшить качество производимой бумаги.
Литература
1. Полякова П.В. Современные технологии переработки и применения древесных композитов, методика производства // Синергия наук. - 2018. -№22. - С. 609-616.
2. Никулин С.В. Совершенствование функциональных подсистем АСУТП бумажного производства на основе экстремального, нейросетевого и предиктивного управления: дис. кандидата технических наук: 05.13.06 / Никулин Сергей Васильевич; [Место защиты: Пензенский государственный университет]. Пенза, 2016. 160 с.
3. Андреев Д. А., Панфилов А.Н., Скоба А.Н. Управление операционными процессами операторов сложных систем // Инженерный вестник Дона, 2017, №3 URL: ivdon.ru/ru/magazine/archive/N3y2017/4322/.
4. Hyndman, R.J. Empirical Information Criteria for Time Series Forecasting Model Selection: Working Paper / Billah Md B, Hyndman R.J., Koehler A.B. - Australia: Department of Econometrics and Buisness Statistics, MonashUniversity, 2003. 389 p.
5. Экспресс-анализ сигналов в инженерных задачах: монография/ Мясникова Н.В., Берестень М.П., Ципин Б.В., Мясникова М.Г. -Москва: ФИЗМАТЛИТ, 2016. 184 с.
6. Чеков П.Г. Технологии цифровой обработки сигналов в управлении бесплатформенными инерциальными системами // Информационные технологии в проектировании и производстве. - 2003. - №2. - С. 63-66.
7. Бельченко И.В., Дьяченко Р. А. Методика повышения производительности информационной системы за счет оптимальной реструктуризации данных // Известия высших учебных заведений. Поволжский регион. Технические науки. -2018.-1(45). с.26-38/
8. Лысова Н.В., Рубанов М.Ю. Регулирование веса бумажного полотна на основе прогнозирования // Scientific research - 2018: Proceedings of articles the III International scientific conference. Czech Republic, Karlovy Vary -Russia, Moscow, 2018, November, 29-30 / Editors prof. M.P.Shishkarev. -Czech Republic, Karlovy Vary: Sklene^ Mûstek - Russia, Kirov: MCNIP, 2018. С.171 - 174.
9. Приймак А. А. Адаптация метода экстремальной фильтрации для систем реального времени с помощью покадровой обработки сигнала // Инженерный вестник Дона, 2017, №2. URL: ivdon.ru/ru/magazine/archive/N2y2017/4175/.
10. Приймак А. А. Использование нейронных сетей для выделения составляющих в режиме реального времени // Известия высших учебных заведений. Поволжский регион. Технические науки. 2018. №2. C.18-26.
11. Jamil W., Bouchachia A. Model selection in online learning for times series forecasting // Advances in intelligent systems and computing. 2019. №840. pp. 83-95.
References
1. Polyakova P.V. Sinergiya nauk. 2018. №22. pp. 609-616.
2. Nikulin S.V. Sovershenstvovanie funkcional'nyh podsistem ASUTP bumazhnogo proizvodstva na osnove jekstremal'nogo, nejrosetevogo i prediktivnogo upravlenija dis. kandidata tehnicheskih nauk 05.13.06. Nikulin Sergej Vasil'evich; [Mesto zashhity: Penzenskij gosudarstvennyj universitet]. Penza, 2016. 160 p.
3. Andreev D.A., Panfilov A.N., Skoba A.N. Inzenernyj vestnik Dona (Rus), 2017, №3. URL: ivdon.ru/ru/magazine/archive/N3y2017/4322/.
4. Nyndman, R.J. Empirical Information Criteria for Time Series Forecasting Model Selection: Working Paper Billah Md B, Hyndman R.J., Koehler A.B. Australia: Department of Econometrics and Buisness Statistics, MonashUniversity, 2003. 389 p.
5. Ekspress-analiz signalov v inzhenernykh zadachakh [The Express Analysis of Signals in Enginering Tasks]: monografiya. Myasnikova N.V., Beresten' M.P., Tsipin B.V., Myasnikova M.G. Moskva: FIZMATLIT, 2016. 184 p.
6. Chekov P.G. Informacionnye tehnologii v proektirovanii i proizvodstve. 2003. №2. pp. 63-66.
7. Bel'chenko I.V., D'yachenko R.A. Izvestiya vysshikh uchebnykh zavedeniy. Povolzhskiy region. Tekhnicheskie nauki. 2018. 1(45). pp.26-38.
8. Lysova N.V., Rubanov M.Yu. Scientific research 2018: Proceedings of articles the III International scientific conference. Czech Republic, Karlovy Vary -Russia, Moscow, 2018, November, 29-30 Editors prof. M.P. Shishkarev. Czech Republic, Karlovy Vary: Sklenene Mustek - Russia, Kirov: MCNIP, 2018. pp.171 - 174.
9. Priymak A.A. Inzenernyj vestnik Dona (Rus), 2017, №2. URL: ivdon.ru/ru/magazine/archive/N2y2017/4175/.
10. Priymak A.A. Izvestiya vysshikh uchebnykh zavedeniy. Povolzhskiy region. Tekhnicheskie nauki. 2018. №2. pp. 18 - 26.
11. Jamil W., Bouchachia A. Advances in intelligent systems and computing. 2019. №840. pp. 83-95.
