Застосування моделей прогнозування для стабілізації вмісту вологи у кінцевому продукті і виробництві вершкового масла

Размещено на http://www.allbest.ru/

ЗАСТОСУВАННЯ МОДЕЛЕЙ ПРОГНОЗУВАННЯ ДЛЯ СТАБІЛІЗАЦІЇ ВМІСТУ ВОЛОГИ У КІНЦЕВОМУ ПРОДУКТІ У ВИРОБНИЦТВІ ВЕРШКОВОГО МАСЛА

Проведено аналіз перспективності використання різних моделей прогнозування стохастичної системи визначення вологості вершкового масла для компенсації затримки надходження інформації про стан технологічного об'єкта та виділені основні фактори появи похибки роботи системи автоматичного керування маслозбивачем на етапі прогнозування поточного значення вмісту вологи у напівготовому продукті.

Підвищення якості, а отже конкурентоспроможності продукції є одним з основних напрямків розвитку вітчизняної промисловості. Особливо гостро ця проблема стоїть у виробництві продуктів харчування, до яких, відповідно до закону України «Про безпечність та якість харчових продуктів» висуваються особливо жорсткі вимоги. Значну частину підприємств переробної галузі АПК України становлять підприємства, що виробляють вершкове масло, тому підвищення його якості є важливою науково-технічною задачею.

Постановка задачі

Оскільки якість вершкового масла значною мірою визначається його вологістю [1], то розробка засобів забезпечення стабільності вмісту вологи у цьому продукті є актуальною задачею. А так як виробництво вершкового масла на потужних молокопереробних підприємствах здійснюється, в основному, на технологічних лініях, що виконані на базі маслозбивачів безперервної дії [2], то розробка систем керування цими агрегатами, які б забезпечували високоточну стабілізацію вологості, є одним із пріоритетних завдань. вершковий масло прогнозування стохастичний

Як було показано у [3], важливою проблемою у реалізації прецизійних систем стабілізації вологості є значне запізнення інформації про стан об'єкта контролю, пов'язане із неможливістю вимірювання останньої безпосередньо на виході маслозбивача, у якому здійснюється вплив на вологість вихідного продукту. Тож побудова універсальної адаптивної моделі прогнозування, яка була б інваріантною до особливостей технологічного обладнання, дало б можливість підвищити точність роботи за рахунок нівелювання похибки, що вноситься допусками у конструктивне виконання робочих органів, та значно підвищити швидкодію автоматичного керування.

Аналіз шляхів розв'язання задачі

На сьогоднішній день відома авторегресійна модель прогнозування параметрів стохастичних неперервних систем, якою по суті є технологічна лінія на базі маслозбивача безперервної дії. Загальний вигляд математичної моделі авторегресії [4]

де W(t) -- вологість вершкового масла в момент часу t; p -- порядок авторегресії; ? -- час затримки між моментом збивання вершків та моментом отримання інформації про вологість виробленого з них вершкового масла; ?1...?p -- коефіцієнти авторегресії.

Така система забезпечує прийнятні показники короткострокового прогнозування значень для систем, у яких спостерігається тісний зв'язок вихідних сигналів (чітко виражена тенденційність), що є характерним для зміни параметрів підготовлених вершків [5]. Про те, як випливає з (1), ця модель ґрунтується виключно на залежності наступного значення певного змінного параметру стохастичної системи від його значень у попередні моменти часу, вплив яких оцінюється за допомогою відповідних вагових коефіцієнтів. Це не дає можливості безпосередньо врахувати вплив цілеспрямованих збурюючих факторів, таких, наприклад, як прискорення робочого органу маслозбивача. Внаслідок цього, у разі використання класичної моделі в перехідних режимах роботи механізму з'являється додаткова динамічна складова похибки, що неминуче призводить до збільшення часу регулювання системи. Окрім цього, необхідно зазначити, що розрахунок вагових коефіцієнтів впливу ґрунтується виключно на аналізі масиву вихідних значень, отримання яких для кожної технологічної лінії є доволі трудомістким процесом. А з використанням типової моделі (з постійними ваговими коефіцієнтами) у систему заздалегідь закладається систематична похибка, яка спричинена допустимими коливаннями технічних характеристик системи (розміру лопатей механізму збивача, кут нахилу камери збивача до горизонталі тощо).

Ще однією особливістю прогнозування цього технологічного процесу є те, що з часом інформацію про параметри системи необхідно постійно поновлювати, так як попередні спостереження «старіють». В результаті чого, через вплив на систему технічних умов, що мають тенденцію змінюватися в часі (проковзування пасової передачі шнекового механізму, коливання температури в процесі дозрівання вершків тощо) виникає необхідність корегування вагових коефіцієнтів. У зв'язку з цим прогноз вологості за допомогою описаного класичного авторегресійного підходу з часом може не забезпечувати задану точність регулювання.

Проблема адаптації цієї системи може бути вирішена за допомогою рекурентних алгоритмів мінімізації середніх квадратичних помилок прогнозу, в яких враховується автоковаріаційна структура рядів динаміки, а коефіцієнти моделі перераховуються на кожному черговому кроці (додавання даних). Дуже популярна також процедура побудови прогнозу, що складається з усереднення всіх значень динамічного ряду з геометрично або експоненціально спадними статистичними «вагами». До моделей динамічних рядів, в яких реалізовано ці принципи, належать процеси ковзного середнього (порядку q) (KC(q)); інтегрованого КС (ІКС) [6]. Проте, ці моделі, хоча і дають можливість відкоректувати їх параметри під конкретні технічні умови, але жодна з них не дозволяє безпосередньо врахувати динаміку зміни кутової швидкості, що за умови значної інерційності процесу суттєво збільшує час регулювання, а у разі використання недостатньої кількості попередніх точок спричиняє автоколивання кутової швидкості збивача.

Зовсім інша ситуація спостерігається у прогнозуванні з використанням нечіткої логіки. Прогнозування на базі такої моделі дозволяє здійснити опис причинно-наслідкових зв'язків між декількома факторами ризику (причинами), що входять у систему у вигляді цілеспрямованих збурень, які впливають на стан об'єкта [7]. Використання нечіткої моделі не передбачає коректування бази даних у процесі роботи системи. А отже не дозволяє здійснювати динамічну корекцію, що також призводить до появи надлишкової похибки системи.

Застосування нейрон-нечітких мереж дає можливість моделювати стан системи, на яку впливає необмежена кількість чинників, що визначають прогноз для певного об'єкта. А отже, використання такої структури керування (блок-схема якої показана на рис. 1) дає можливість значно збільшити швидкодію системи.

Така структура передбачає наявність у системі двох входів, на які надходить інформацію про поточну вологість продукту на виході сопла шнекового механізму та поточне прискорення приводного двигуна маслозбивача. Це забезпечує можливість врахувати як поточний стан вологості продукту, так і робити висновки про майбутню швидкість зміни цього параметра. Інформація з входів, попередньо перетворена у двійковий код, надходить на нейрон-нечіткий регулятор, де на основі нейрон-нечіткої моделі, здійснюється прогнозування. Прогнозоване значення надходить на числовий перетворювач, де здійснюється корегування сигналу задання системи керування, на повертається у нейрон-нечіткий регулятор інформація про значення похибки попереднього прогнозу.

Рис. 1. Блок схема структури керування процесом виробництва вершкового масла в технологічній лінії на базі маслозбивача безперервної дії

Загалом нейронна мережа є штучним аналогом людського мозку. Тому її основні складові компоненти, що за аналогією мають назву нейронів, здатні виконувати певні функції з обробки інформації, яка до них надходить. Нейрони згруповані в шари і мають численні взаємозв'язки з будь-якими нейронами як свого шару, так і багатьох інших шарів. Виходом нейрону є стан його активності, рівень якого визначається за формулою [7]:

ai (t + ?) = Y j ? ?ij ? a j (t ) + x j (t ),

де ?ij-- вага зв'язку нейрона і з будь-яким іншим нейроном j мережі; Y -- стан входів нейрону j, пов'язаного з нейроном i мережі у певний момент часу t; а (t) та a (t + ?) -- стан активності нейронів j та i у певний момент часу (t та (t + ?) ), відповідно; x (t) -- довільний зовнішній чинник, що діє на j-й нейрон.

Вхідні сигнали надходять до нейронів першого шару, які після обробки даних передають інформацію на наступний шар і т. д. Нейрони останнього шару спрямовують інформацію на виходи мережі. Отже, у випадку використання нейрон-нечіткої мережі немає потреби мати чітке уявлення про структуру об'єкта та особливості його внутрішніх зв'язків, що дає можливість відмовитися від розробки типової моделі, з усіма перерахованими вище її недоліками. Необхідно лише надати мережі конкретні носії інформації або їх сукупності, тобто приклади, в яких певним входам відповідають певні виходи системи. Нейронечіткі мережі здатні самостійно знаходити взаємозв'язки всередині системи, що є аналогом бази даних у нечітких моделях, використовуючи для цього прийоми математичної обробки вихідної вибірки, яка є масивом реальних експериментальних даних. Цей процес має назву навчання нейроннечіткої мережі. Нейронечітка мережа в автономному режимі вишукує саме таку вагу зв'язків між нейронами, яка б дозволила отримати на виході із неї результати максимально подібні до тих, що отримані в реальному експерименті. Як наслідок, створюється певна математична модель досліджуваного об'єкта, яку достатньо важко чітко описати, оскільки вона «закодована» у зв'язках між нейронами мережі. Разом з тим, розроблена модель надзвичайно ефективно функціонує і реально прогнозує результати, дуже близькі до тих, які отримуються експериментально. Крім того, нейронна мережа здатна апроксимувати складні нелінійні функціональні залежності у завданнях діагностики, прогнозування, ідентифікації тощо.

Причому позитивною властивістю нейро-нечіткої системи є можливість адаптивного навчання в процесі роботи, яке ґрунтується на мінімізації середніх квадратичних помилок прогнозу. Тож, ця система, так як і моделі динамічних рядів, дозволяє адаптуватися до змінних технічних умов, а отже, залишається адекватною протягом усього часу функціонування технологічної лінії.

Тож, виходячи з поданого аналізу, очевидно, що нейро-нечітка модель характеризується найменшою методичною похибкою прогнозування. Тому її використання в технологічних лініях на базі маслозбивачів неперервної дії є найперспективнішим.

Висновки

1. Встановлено, що для роботи системи автоматичного керування маслозбивачем безперервної дії із затримкою інформації про стан технологічного об'єкта доцільним є врахування як конструктивних особливостей конкретної технологічної лінії, так і динамічної зміни цих показників у часі.

2. Показано доцільність застосування нейро-нечіткого моделювання для стабілізації вмісту вологи у вершковому маслі.

СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ

1. Бажанов В.А. Зависимость относительной диэлектрической проницаемости сливочного масла от степени дисперсности водяной фазы / В.А. Бажанов, Б.В. Корнелюк. -- Ярославль, 1970. -- 10 с.

2. Панфилов В.А. Машины и аппараты пищевых производств / В.А. Панфилов. -- М. : Высшая школа. -- 2001. -- 703 с.

3. Богачук В.В. Розробка системи керування електропривода маслозбивача безперервної дії з урахуванням запізнення отримання інформації про стан технологічного об'єкта. / В.В. Богачук, В.Ф. Граняк -- Матеріали І Міжнародної конференції «Оптимальне керування електроустановками -- 2011». [Електронний ресурс]. -- Режим доступу : http://conf.vntu.edu.ua/energo/2011//.

4. Мокін Б.І. Математичні методи ідентифікації електромеханічних процесів / Б.І. Мокін, В.Б. Мокін, О.Б. Мокін -- Вінниця : Універсум-Вінниця, 2005. -- 300 с.

5. Берлинер М.А. Измерение влажности. --2-е изд., перераб. и доп. / М.А. Берлинер. -- М. : Энергия, 1973. -- 420 с.

6. Стохастичне прогнозування. [Електронний ресурс]. -- Режим доступу :http://buklib.net/component/option,com_jbook/task,view/Itemid,99999999/catid,202/id,9387/.

7. Прогнозування на основі нечіткої логіки і нейронних мереж та основні напрямки його використання у практиці гігієнічних досліджень. [Електронний ресурс]. -- Режим доступу : http://www.health.gov.ua/Publ/conf.nsf/0/d29da1b5c2387a39c2256dc60040b398?OpenDocument.

8. Стохастичне прогнозування. [Електронний ресурс]. -- Режим доступу :http://buklib.net/component/option,com_jbook/task,view/Itemid,99999999/catid,202/id,9387/.

9. Прогнозування на основі нечіткої логіки і нейронних мереж та основні напрямки його використання у практиці гігієнічних досліджень. [Електронний ресурс]. -- Режим доступу : http://www.health.gov.ua/Publ/conf.nsf/0/d29da1b5c2387a39c2256dc60040b398?OpenDocument//.

Размещено на Allbest.ru