CC BY
34
СОВЕРШЕНСТВОВАНИЕ ТЕХНОЛОГИИ ПРОИЗВОДСТВА ПРОДУКЦИИ ЛЕСООБРАБАТЫВАЮЩИХ ЦЕХОВ С ПРИМЕНЕНИЕМ МЕТОДОВ НЕЙРОКОМПЬЮТЕРНОГО ПРОГРАММИРОВАНИЯ
A.A. ШАДРИН, проф. МГУЛ, канд. техн. наук, С.Н. ГРИБОВА, асп. МГУЛ
Дальнейшее совершенствование всего лесообрабатывающего производства в условиях лесозаготовительных предприятий связано с развитием производства продукции лесообрабатывающих цехов. Лесообрабатывающие цехи, размещенные на нижних лесопромышленных складах, тесно связаны со всем лесозаготовительным циклом и имеют ряд особенностей.
Установлено, что лесозаготовительное производство подвержено воздействию природных факторов. Это воздействие приводит к колебаниям как производительности отдельных машин, так и всего процесса. Изменение таксационных характеристик разрабатываемых лесосек вызывает соответствующие колебания объемов лесозаготовок, изменения в сортиментном плане, в объемном выходе определенных видов сортиментов, изменчивость в широких пределах параметров сырья, поступающего в цех на обработку [1].
Кроме того, организация лесозаготовительного производства в настоящее время в значительной степени зависит от внешней среды его функционирования - спроса на рынке лесопродукции. Лесозаготовительному предприятию приходится самому определять номенклатуру и объемы выпуска лесопродукции, учитывая при этом [4]:
- прибыльность производства;
- возможность обеспечения производственного процесса необходимыми видами древесного сырья;
- спрос на производимую продукцию.
Вероятностный характер рыночной
среды заставляет предприятия быстро адаптироваться к часто меняющимся условиям хозяйствования.
При этом лесозаготовительным предприятиям необходимо решить задачу опти-
мизации производственной программы и ее оперативной корректировки в зависимости от колебаний спроса на рынке.
В связи с этим технологические процессы лесообрабатывающих цехов, размещаемых на нижних лесопромышленных складах, должны бьггь достаточно совершенны и обладать определенной гибкостью для сглаживания отрицательного влияния изменчивости перечисленных выше природно-производственных факторов и рыночного спроса на лесопродукцию.
Решить стоящие перед лесопромышленным предприятием задачи планирования и управления можно с помощью методов моделирования и оптимизации, а также привлечения современных эффективных средств вычислительной техники. Перспективным решением поставленных задач является применение нейронных систем, т.е. систем, в основе конструкции которых лежат нейронные сети естественного или искусственного происхождения. Объективной причиной активного развития нейроуправ-ления является то, что традиционные методы управления в основном опираются на теорию линейных систем, в то время как реальные объекты являются по своей природе нелинейными. Попытки классическими приближенными методами описать процессы, происходящие в нелинейных системах, как правило, не приводят к качественным результатам. Нейронные сети в последние годы нашли широкое применение во многих задачах науки и техники. Это можно объяснить тем, что [2]:
- использование нейронных сетей не требует знания точной модели процесса, поэтому они эффективны в управлении промышленными процессами, математические модели которых достаточно сложно определить;
- нейронные сети - наилучший из возможных способ аппроксимации и экстраполя-
ции функций. Это справедливо при наличии в процессе обучения нейронных сетей достаточно большого объема обучающей информации, а также грамотного синтеза многослойной нейронной сети, решающей задачу;
- наличие множественных нелинейных функций активации в многослойной нейронной сети обеспечивает эффективную реализацию достаточно гибких нелинейных преобразований. Это важно для решения задач с существенными нелинейностями, для которых традиционные подходы пока не дают практически реализуемых решений;
- необходимым условием применения традиционных методов оптимального адаптивного управления является наличие большого объема априорной информации об объекте управления, например, данных математического моделирования. Благодаря способности нейронных сетей к обучению и самообучению для нейроконтроллеров такой объем информации не требуется. В связи с этим можно полагать, что нейроконтроллеры пригодны для управления в условиях существенных неопределенностей;
- высокая параллельность нейронных сетей является предпосылкой эффективной реализации аппаратной и программно-аппа-ратной поддержки нейросетевых контроллеров в контуре управления.
Современная нейросеть состоит из нескольких слоев нейронных элементов (рис. 1)
[3]. Входной слой (input layer) нейронных элементов выполняет распределительные функции. Выходной слой (output layer) нейронов служит для обработки информации от предыдущих слоев и выдачи результатов. Слои нейронных элементов, расположенные между входным и выходным слоями, называются промежуточными, или скрытыми {hidden layers). Как и выходной слой, скрытые слои являются обрабатывающими. Выход каждого нейронного элемента предыдущего слоя нейронной сети соединен синаптическими связями со всеми входами нейронных элементов следующего слоя. Таким образом, топология многослойной нейронной сети является однородной и регулярной. Число слоев в многослойной нейронной сети характеризует, каким образом входное пространство может быть разбито на подпространства меньшей размерности.
Одним из положительных свойств нейронных сетей является возможность прогнозирующего управления. Стратегия метода состоит в том, что в каждый конкретный момент времени делается прогноз выхода процесса. Этот прогноз, основанный на математической модели динамики процесса, делается явно или подразумевается в алгоритме управления. Обобщенное прогнозирующее управление обеспечивает как хорошие показатели качества управления, так и асимптотическую устойчивость разнообразных объектов управления.
и*з)
слой слои слой
Рис. 1. Многослойная нейронная сеть
Одной из основных особенностей нейросетей является возможность их обучения. Обучение - это процесс непрерывного развития и формирования управления посредством взаимодействия с внешней средой и с учетом индивидуальных требований [3]. В результате обучения происходит перестройка нейронных систем. При этом увеличивается число связей между нейронами, совершенствуются нейроны и взаимодействие между ними. Существует множество правил и алгоритмов обучения нейросетей: правило Хебба, правило Видроу-Хоффа, процедура обучения Розенблатта, алгоритм послойного обучения, алгоритм многократного распространения ошибки и др.
В 1986 г. рядом авторов (Rumelhart, Hinton, Williams) независимо друг от друга был предложен алгоритм с обратным распространением информации, который стал эффективным средством обучения многослойных нейронных сетей [3]. Для решения задачи оптимизации производства продукции лесообрабатывающих цехов с учетом изменчивости рыночного спроса и таксационных характеристик лесосек использовались многослойные нейронные сети, обучение которых производилось именно на алгоритме с обратным распространением информации.
Главным показателем любого предприятия является величина прибыли, получаемая от реализации выпускаемой им продукции. Логично, что для получения наибольшей прибыли производитель может либо снизить затраты на производство, либо увеличить номенклатуру и объем производства продукции лесообрабатывающих цехов. При этом продавец будет стремиться продать товар по максимальной цене и в большем объеме, но себестоимость товара должна быть минимальна. А покупатель будет стремиться купить товар наилучшего качества, но по минимальной цене. В связи с этим для решения задачи необходимо анализировать потребительский спрос на различные виды продукции лесообрабатывающих цехов и затраты на производство
того или иного вида товара. Исходя из этого, строятся модели потребителя и производителя, взаимодействующих на рынке [4]
л = ( г" па Vе" vap гш гар В-(1Ь „ь Vй уьР > сьр\
где А - модель потребителя;
В - модель производителя;
- продукция, потребляемая г-м потребителем;
р" - вид древесного сырья, используемого для производства лесопродукции, потребляемой г-м потребителем;
Уу — объем продукции /-го вида, потребляемой г-м потребителем;
V,? -объем древесного сырья 1-го вида, используемого для производства продукции, потребляемой г-м потребителем;
с"1 - рыночная стоимость продукции лесообрабатывающих цехов у-го вида с учетом объемов поставок;
- рыночная стоимость древесного сырья /-го вида, используемого для производства лесопродукции лесообрабатывающих цехов с учетом объемов поставок;
^ - лесопродукция лесообрабатывающих цехов, производимая г-м производителем;
р* - вид древесного сырья, используемого для производства лесопродукции, продаваемой г-м производителем;
Уу - объем лесопродукции лесообрабатывающих цехов у'-го вида, производимые г-м производителем;
уЬп - объем древесного сырья /-го вида, используемого для производства продукции, продаваемой г'-м производителем;
- удельные затраты производителя на производство и реализацию продукции у'-го вида;
сь ~ удельные затраты производителя на переработку древесного сырья /-го вида, используемого для производства продукции лесообрабатывающих цехов с учетом объемов поставок.
Получение результатов. Формирование параметров производственного процесса
Рис. 2. Алгоритм решения задачи
Целевая функция потребителя продукции лесообрабатывающих цехов, выпускаемой на лесопромышленном предприятии, представляет собой минимум суммарной стоимости покупаемого товара [4]
Целевая функция производителя - это минимум затрат на производство и реализацию продукции [4]
За критерий оптимальности взята максимальная совокупная прибыль предприятия от производства и реализации продукции лесообрабатывающих цехов. Целевая функция
задачи оптимизации производственной программы лесопромышленного предприятия примет вид [4]
Для решения оптимизационной задачи с помощью нейросети приведенную выше математическую модель преобразуют в ней-росетевую модель
Vы хЬр сы сЬр)
где Ж, - рекомендованное нейросетью значение Ж;
г
vb - рекомендованное неиросетью зна-у ы
чение vy. ;
п - количество искусственных нейронов, задействованных в нейросети;
Q - матрица коэффициентов весомости нейросети;
V0 - начальное состояние нейросети;
I - вектор внешних входов нейросети, размерность которого определяется декартовым произведением векторов
M at ар ар Ы Ы Ьр Ьр . vij ' jv5 il 'Llv ' vij 'cjv' i' >Lhi '
О - вектор внешних выходов нейросети, размерность которого определяется размерностью v°'.
Алгоритм решения задачи оптимизации приведен на рис. 2.
На этапе сбора информации определяются входные данные для нейросети. В нашем случае это величины v1* ,с%с% . Эти параметры заносятся в файл. Этот файл представляет собой таблицу, где каждой строке соответствуют данные одного дня.
Для обучения нейросети надо для каждого набора входных данных, соответствующих одному дню, указать правильный результат прогнозирования - значение v°' . Для обучения используется 90 % наборов данных обучающей выборки; 10% зарезервированы для тестирования нейросети.
Затем задается максимально допустимая величина ошибки во время обучения toi. Если toi = 0, то это означает, что выходной результат (О), выдаваемый нейросетью, абсолютно точно совпадает с образцом для обучения (Р). Если же toi > 0, то выход нейросети О будет считаться корректным, если он отличается не более чем на 10 % от заданного значения Р. В противном случае в структуру нейросети вносятся изменения таким образом, чтобы в следующей попытке получить более корректный результат. Этот процесс будет продолжаться до тех пор, пока значение ошибки не снизится до установленного параметром toi предела.
Далее проводится тестирование нейросети. Для этого обученная нейросеть обработает 10 % наборов данных и сравнит полученные
результаты О с образцами Р. Ошибки будут вычислены, но корректировка структуры нейросети производиться не будет. Если результат тестирования устраивает, то значит сеть готова к применению, в противном случае необходимо вернуться к обучению нейросети.
На этапе получения результатов находим оптимальное решение. Для этого на вход подаются текущая ситуация на лесопромышленном рынке и показатели производственных возможностей лесообрабатывающих цехов в условиях лесозаготовительных предприятий. На выходе сети получены значения векторов Ж] и V*' , соответствующих заданным для обучения оптимальным значениям IV. и V*?.
Результатом решения задачи оптимизации лесопромышленного предприятия с учетом прогнозируемого потребительского спроса и производственных возможностей предприятия являются оптимальные планируемые значения объемов производства определенных видов товара, позволяющих предприятию получать максимальную прибыль от реализации лесопродукции. Применение нейрокомпьютерной оптимизации позволяет, с одной стороны, уменьшить межоперационные запасы сырья и сократить простои станков в лесообрабатывающем цехе вследствие отсутствия требуемой номенклатуры сырья - с другой стороны.
Таким образом, нейрокомпьютеры являются перспективным направлением развития производственного процесса лесопромышленного предприятия в сложившихся рыночных условиях. Основой активного развития нейрокомпьютеров является принципиальное отличие от однопроцессорных, малопроцессорных, а также транспютерных. Нейрокомпьютеры эффективны для решения неформализуемых и плохо формализуемых задач за счет способности нейрокомпьютеров к обучению на реальном экспериментальном материале. Это позволяет использовать нейрокомпьютерные экспертные системы в сочетании с имитационными моделями производственного процесса лесообрабатывающего цеха, проводить оперативную оценку производственной ситуации, определять
параметры его функционирования и создавать гибкие технологические процессы по обработке древесного сырья с учетом конъюнктуры рынка на лесопродукцию.
Библиографический список
1. Редькин, А.К. Лесообрабатывающие цехи лесозаготовительных предприятий / А.К. Редькин, В.Д. Никишов, A.A. Шадрин. - М.: МГУЛ, 2002. -101 с.
2. Галушкин, А.И. Теория нейронных сетей / А.И. Галушкин. - М.: ИПРЖР, 2000.
3. Головко, В.А. Нейронные сети: обучение, организация и применение / В.А. Головко. - М.: Радиотехника, 2001. - 256 с.
4. Белозеров, И.Д. Теоретическая основа для ней-рокомпьютерной оптимизации производственной программы лесопильного предприятия / И.Д. Белозеров, П.П. Кибяков, A.A. Пижурин // Деревообрабатывающая промышленность. - 2000. - № 4. -С. 14-16.
РАСЧЕТНОЕ ОПРЕДЕЛЕНИЕ КИНЕМАТИЧЕСКИХ ПАРАМЕТРОВ ЛЕСОВОЗНОГО АВТОПОЕЗДА ПРИ ДВИЖЕНИИ НА КРИВЫХ
Г.М. СОКОЛОВ, проф. каф. сопротивления материалов и прикладной механики МарГТУ, д-р техн. наук,
С.А. СТАРИКОВ, асп. каф. сопротивления материалов и прикладной механики МарГТУ
В эксплуатационных условиях движение лесовозного автопоезда (ЛАП) по кривым характеризуется явно выраженной нестационарностью и качественно отличается от стационарного движения. При складывании ЛАП изменяется взаимное положение его основных элементов (геометрическая нестационарность), а скорости и ускорения переменны по времени (кинематическая нестационарность) [3]. Эти обстоятельства необходимо учитывать при проектировании ЛАП.
Целью работы является расчетное определение кинематических параметров (скоростей и ускорений) автопоезда в зависимости от условий движения.
Рассмотрен лесовозный автопоезд с крестообразной сцепкой для перевозки хлыстов (рис. 1).
В основу положены известные допущения, позволяющие движение каждого элемента ЛАП в проекции на опорную поверхность (плоскость) считать плоско-параллельным [2, 3].
Выделены характерные точки: А, В, Я - средние точки передней и задней осей автомобиля и площадки роспуска соответственно, /С - сцепной крюк.
В системе «человек - автомобиль - дорога» водитель играет роль регулирующего устройства с обратной связью.
Рис. 1. Лесовозный автопоезд. Основные элементы: 1 - автомобиль-тягач; 2 - роспуск; 3 - пакет хлыстов; 4 - дышло; 5, 6 - тяговые балки автомобиля и роспуска; 7 - тросы; размеры: I - база автомобиля, £ - длина дышла, п - вынос сцепного крюка, В!, В2, р() ,60 - конструктивные параметры крестообразной сцепки
