Методи і моделі штучного інтелекту в АСУТП керамічного виробництва

Размещено на http://www.allbest.ru/

Міністерство освіти і науки України

Національний гірничий університет

Автореферат

дисертації на здобуття наукового ступеня доктора технічних наук

Методи і моделі штучного інтелекту в АСУТП керамічного виробництва

Бабенко Тетяна Василівна

Спеціальність 05.13.07 - “Автоматизація процесів керування”

УДК 681.5:666.3/7

Дніпропетровськ 2008

Дисертацією є рукопис.

Робота виконана на кафедрі програмного забезпечення комп'ютерних систем Національного гірничого університету (м. Дніпропетровськ), Міністерства освіти і науки України.

Науковий консультант:

- доктор технічних наук, професор

Бешта Олександр Степанович,

проректор з наукової роботи Національного гірничого університету Міністерства освіти і науки України (м. Дніпропетровськ).

Офіційні опоненти:

- доктор технічних наук, професор

Новіков Олексій Миколайович,

директор Фізико-технічного інституту Національного технічного університету України

“Київський політехнічний інститут” Міністерства освіти і науки України;

- доктор технічних наук, професор

Лозинський Андрій Орестович,

заступник проректора з наукової роботи Національного університету "Львівська політехніка” Міністерства освіти і науки України;

- доктор технічних наук, професор

Слєсарєв Володимир Вікторович,

завідувач кафедри системного аналізу і управління,

декан факультету інформаційних технологій Національного гірничого університету Міністерства освіти і науки України (м. Дніпропетровськ).

Захист відбудеться “5” червня 2008 р. о 14 годині на засіданні спеціалізованої вченої ради Д 08.080.07 при Національному гірничому університеті Міністерства освіти і науки України (49005, м. Дніпропетровськ - 5, просп. К. Маркса, 19, тел. 47-24-11).

З дисертацією можна ознайомитись у бібліотеці Національного гірничого університету за адресою: 49005, м. Дніпропетровськ - 5, просп. К. Маркса, 19.

Автореферат розісланий “25” квітня 2008 р.

Вчений секретар

спеціалізованої вченої ради, кандидат технічних наук

О.О. Азюковський

Характеристика роботи

Актуальність теми. В хімічній промисловості, металургії та інших галузях промислового виробництва поширеними є керовані технологічні процеси, що базуються на фізико-хімічних явищах дифузії, тепло - і масообміну, адгезії, утворення в'язкопластичної рідини з переходом в структуру твердого матеріалу, фазових переходах. При цьому, вони відрізняються аномальністю властивостей, що полягають у якісній зміні фізико-хімічних властивостей цих процесів на деяких ділянках їх границь або всередині просторової області при досягненні станом чи його функціями визначеного рівня. До числа процесів, які мають перелічені вище особливості, можна віднести технологічні процеси керамічної промисловості, зокрема, фізико-хімічні процеси утворення керамічної дисперсної системи з її наступним переходом в структуру керамічних напівфабрикатів та готового матеріалу. При цьому до властивостей керамічної дисперсної системи висувається ряд суперечливих вимог, зокрема, при високій плинності вона повинна мати: седиментаційну стійкість (зберігати однорідність зернового складу при тривалій витримці без перемішування), мінімальне загущення під час зберігання, високу рухомість при можливій високій щільності і зв'язності, забезпечувати визначену швидкість набору маси напівфабрикату при можливій високій щільності.

Управління технологічними процесами з вказаними властивостями потребує використання в автоматизованих системах управління технологічними процесами (АСУТП) не лише традиційних підходів, а, насамперед, перспективних та ефективних методів, що базуються на досягненнях сучасних інформаційних технологій, зокрема, методів штучного інтелекту, а також наукових розробок у галузі підтримки прийняття рішень.

Інтенсивний розвиток апаратних і програмних засобів АСУТП, різноманітність цілей і завдань, що виникають в процесі управління складними динамічними системами, їх багатофакторність, складність і часові обмеження потребують створення систем підтримки прийняття рішень (CППР), які б забезпечили відповідальну особу сучасними засобами аналізу інформації, генерації варіантів рішень та їх оцінки. При цьому під поняттям СППР, як складової АСУТП, розуміємо людино-машинні інтерактивні системи, що здатні до набуття нових знань в результаті навчання, а також адаптації до динамічних змін зовнішніх умов і біжучого стану складових елементів технологічної системи.

Виконаний аналітичний огляд робіт з проблематики розв'язання погано структурованих і неструктурованих задач підтримки прийняття рішень у промисловій сфері показав, що розроблювані СППР мають поєднувати в собі моделі і методи, які базуються на знаннях спеціалістів - експертів, некласичних логіках та набутому досвіді.

Значний внесок у розвиток інтелектуальних технологій управління і обробки інформації внесли В.М. Глушков, А.Г. Івахненко, А.І. Галушкін, В.А. Терехов, Д.В. Ефімов, І.Ю. Тюкін, Г.С. Поспелов, М.З. Згуровський, Н.Д. Панкратова, Н.М. Куссуль, Е.А. Трахенгерц, Е. Турбан, Д.Е. Аронсон, Д. Руменхальт, Г. Хінтон, Р. Вільямс, Т. Кохонен, Дж. Хопфілд та інші.

Дефіцит інформації, зумовлений високим рівнем складності організації технологічної системи та методів її вивчення, стохастичним характером процесів, точковим характером вимірів функцій стану, наявністю неконтрольованих впливів, а також рядом інших факторів, призводить до значних ускладнень при розв'язанні задач прогнозування та управління процесами, що розглядаються. Вказаний дефіцит інформації зумовлює низький рівень автоматизації технологічних операцій, залежність якості їх виконання від рівня кваліфікації відповідальної особи, створює передумови для виникнення помилок при прийнятті управлінських рішень, погіршує їх якість і оперативність. Крім того, на даний час на підприємствах пострадянського простору у цій галузі промисловості загальна частка фізичної праці по відношенню до механізованої та автоматизованої (залежно від призначення виробів) складає 25 - 45%.

Останнє визначає актуальність та практичну значимість робіт в області створення систем підтримки прийняття управлінських рішень у нечітких умовах для технологічних об'єктів керамічної промисловості з використанням найбільш прогресивних технологій штучного інтелекту та їх інтеграції до складу АСУТП керамічного виробництва. Це дозволить мінімізувати витрати сировинних і енергетичних ресурсів, підвищити якість готової продукції і, як наслідок, ефективність виробництва в цілому.

Зв'язок роботи з науковими програмами, планами, темами.

Вибраний напрям досліджень здійснено у відповідності до Закону України "Про пріоритетні напрями розвитку науки і техніки" від 11.07.2001 N 2623-III, постанови Кабінету Міністрів України від 24.12.2001 N 1716 "Про затвердження переліку державних наукових і науково-технічних програм з пріоритетних напрямів розвитку науки і техніки на 2002 - 2006 роки", з напряму “Новітні технології та ресурсозберігаючі технології в енергетиці, промисловості та агропромисловому комплексі”. Зокрема, результати роботи використані в № ДР0012U00327 за темою “Розробка методології взаємопов'язаної оптимізації операцій однолінійних однопотокових технологічних процесів гірничо-металургійного виробництва” та договорі №115/03 від 1 жовтня 2003р між Національним гірничим університетом та ТОВ “Дніпрокераміка” “Створення інтелектуальної системи підтримки рішень в умовах невизначеності при управлінні технологічним процесом виробництва кераміки”.

Мета і задачі дослідження. Метою дисертаційної роботи є розв'язання актуальної наукової проблеми аналізу та синтезу сукупності ефективних прямих і інверсних моделей штучного інтелекту фізико-хімічних процесів керамічного виробництва, що дозволяє встановити залежності між параметрами технологічного процесу, розробити систему підтримки прийняття управлінських рішень у складі АСУТП керамічної промисловості та забезпечити мінімізацію непродуктивних витрат ресурсів.

Досягнення поставленої мети передбачає розв'язання таких завдань:

– виконати аналіз технологічних процесів керамічного виробництва, зокрема, процесів структуроутворення керамічних дисперсних систем і формування структури керамічних напівфабрикатів. На його основі зробити висновок щодо структурованості, наявності «НЕ-факторів» та інших специфічних властивостей;

– виявити наявність і вивчити властивості прямих і “прихованих” залежностей між фізико-хімічними параметрами процесів утворення керамічної дисперсної системи та зробити висновок щодо розробки методів і підходів до моделювання управлінських рішень;

– розробити асоціативну модель багатостадійного технологічного процесу виробництва керамічних матеріалів, що базується на штучних нейронних мережах з самоорганізацією;

– розробити модель для прогнозування значень фізико-хімічних параметрів керамічної дисперсної системи на основі використання методів штучного інтелекту;

– розробити на основі методів штучного інтелекту модель прогнозування показників якості керамічних напівфабрикатів для різних типів браку;

– розробити на основі методів штучного інтелекту сукупність інверсних моделей процесів утворення керамічних дисперсних систем та напівфабрикатів;

– запропонувати метод моделювання управлінських рішень;

– запропонувати принципи організації системи підтримки прийняття рішень у складі АСУТП виробництва керамічних виробів;

– створити програмний комплекс, що реалізує запропоновані моделі технологічного процесу та методи побудови СППР.

Об'єктом дослідження є різні класи фізико-хімічних процесів керамічної галузі.

Предметом дослідження є задачі моделювання фізико-хімічних процесів керамічної галузі, задачі створення систем підтримки прийняття рішень, принципи організації СППР у складі АСУТП.

Методи досліджень. В основу досліджень покладено методи системного аналізу (для структурної і функціональної декомпозиції технологічної системи, та імітаційного моделювання процесів), теорії автоматичного керування (для формування стратегій керування); методи статистичної теорії (для встановлення функціональних залежностей та прогнозування часових рядів); методи пошуку логічних залежностей в даних (для встановлення “прихованих” залежностей в даних про фізико-хімічні процеси); методи штучного інтелекту, зокрема, теорії нейронних мереж (для аналізу та синтезу моделей фізико-хімічних процесів за умови відсутності аналітичного зв'язку між вхідними і вихідними параметрами процесів, тобто відсутності математичної моделі об'єкту в аналітичному вигляді); методи теорії оптимізації (для навчання моделей на нейромережевому базисі).

Наукові положення:

– прямі залежності між вхідними та вихідними параметрами процесів утворення керамічної дисперсної системи, що визначаються структурою гібридної штучної нейронної мережі, множинами вагових коефіцієнтів синаптичних зв'язків, вибраним типом активаційних функцій нейронів, на відміну від відомого, дозволяють забезпечити задану точність прогнозу фізико-хімічних параметрів керамічної дисперсної системи;

- прогноз показників якості керамічних напівфабрикатів шляхом використання сукупності штучних нейронних мереж прямого поширення сигналу з набутими в результаті навчання властивостями, на відміну від відомих підходів, дозволяє мінімізувати параметричну невизначеність процесів, вплив шумів вимірювання, а також забезпечує вирішення задач класифікації браку керамічних напівфабрикатів;

- зворотні залежності між вхідними і вихідними параметрами процесів утворення керамічної дисперсної системи та керамічних напівфабрикатів, що визначаються структурою, множинами вагових коефіцієнтів синаптичних зв'язків, вибраним типом активаційних функцій нейронів, сукупності штучних нейронних мереж прямого поширення, дозволяють забезпечити задану точність прогнозу параметрів фізико-хімічних процесів в технологічних підсистемах підготовки керамічної маси.

Наукова новизна отриманих результатів:

– виконано дослідження наявності та властивостей прямих і “прихованих” залежностей між параметрами технологічних процесів утворення керамічної дисперсної системи та вивчено вплив останніх на показники якості керамічних напівфабрикатів. Визначено, що перспективними методами моделювання технологічних процесів та побудови СППР для даного класу об'єктів є методи штучного інтелекту, зокрема, використання нейромережевих методів та підходів до моделювання управлінських рішень з різними стратегіями управління;

– виконано синтез асоціативної моделі багатостадійного технологічного процесу виробництва керамічних матеріалів, що базується на мережах (Кохонена) з самоорганізацією на основі конкуренції між нейронами і враховує ретроспективний досвід виконання технологічного процесу;

– вперше синтезовано гібридну нейромежеву модель технологічного процесу структуроутворення керамічної дисперсної системи, яка базується на поєднанні штучних нейронних мереж (Кохонена) з самоорганізацією та багатошарових мереж прямого поширення сигналів, що дозволяє підвищити точність прогнозу;

– вперше синтезовано сукупність інверсних моделей процесів утворення керамічних дисперсних систем та напівфабрикатів, що разом з сукупністю прямих моделей забезпечує виконання цілеспрямованого імітаційного моделювання фізико-хімічних процесів керамічного виробництва;

– вперше синтезовано сукупність нейромежевих моделей технологічного процесу утворення керамічних напівфабрикатів на основі статичних мереж прямого поширення сигналів, що дозволяє вирішувати задачі класифікації показників якості напівфабрикатів для різних типів браку;

– обґрунтовано доцільність використання методу моделювання управлінських рішень для об'єктів керамічної промисловості, який забезпечує оцінку можливих варіантів цих рішень, виходячи з прерогатив і обмежень, що задаються ОПР. Використання імітаційного моделювання з різними стратегіями управління мінімізує частку зворотного браку керамічних виробів шляхом підготовки різних варіантів рішень, їх аналізу та вибору кращого;

– запропоновано принципи організації СППР у складі АСУТП виробництва керамічних виробів, що забезпечує мінімізацію витрат сировинних та енергетичних ресурсів та підвищує якість готової продукції.

Практичне значення отриманих результатів:

– створено сукупність прямих та інверсних моделей багатостадійного технологічного процесу утворення керамічної дисперсної системи та керамічних напівфабрикатів, що здатні до навчання, адаптації до змін зовнішнього середовища і складових елементів функціонування технологічних підсистем підготовки керамічної маси, формування керамічних виробів;

– розроблено підхід до моделювання управлінських рішень, що полягає у послідовному цілеспрямованому використанні ОПР прямих і інверсних моделей фізико-хімічних процесів на різних стадіях виробництва;

– розроблено програмний комплекс у складі АСУТП керамічного виробництва, що дозволяє за рахунок підвищення якості та прискорення прийняття управлінських рішень ефективно розв'язувати складні управлінські задачі в умовах невизначеності, забезпечити мінімізацію витрат сировинних і енергетичних ресурсів, підвищити якість готової продукції і, як наслідок, ефективність керамічного виробництва в цілому.

Отримані результати пройшли промислові випробування у складі АСУТП на підприємствах “Дніпрокераміка”, “Будфарфор”, “Заводі вогнетривких матеріалів” , що підтверджено відповідними актами.

Апробація результатів дисертаційної роботи здійснена на 11 наукових конференціях у 2001-2007р а саме: Міжнародній науково-технічній конференції “Комп'ютерні технології в науці, освіті і промисловості” (м. Дніпропетровськ, Національна гірнича академія України 22-24 травня, 2001р.); Міжнародній науково-технічній конференції “Інтегровані системи управління в гірничо-металургійному комплексі” (м. Кривий Ріг, 11-13 травня 2004р., 15-17 травня 2005 р., 17-20 квітня 2006); “Форум гірників -2002” (м. Дніпропетровськ 16-19 жовтня 2002р.). “Сучасні рішення для високопродуктивних обчислень” (м. Київ,15 вересня 2006р.); Міжнародній науково-технічній конференції “Фізико-хімічні проблеми технології тугоплавких неметалевих і силікатних матеріалів” (м. Дніпропетровськ, 27-29 вересня 2006р.); “Розвиток інформаційно-комунікаційних технологій та розбудова інформаційного суспільства в Україні” (м. Ганновер, Німеччина, 15-17 березня CeBIT -2007); V Міжнародній науково-практичній і методичній конференції “Інформаційні технології в сфері дистанційної освіти, міжнародного співробітництва і інтеграції освіти, науки і виробництва” (м. Дніпропетровськ 23-25 травня 2007 р.).

Особистий внесок здобувача. Автором самостійно сформульовані мета і задачі дослідження, наукові положення, висновки та рекомендації, виконана теоретична частина роботи. Усі експериментальні дослідження виконані при безпосередній участі здобувача.

Публікації. За темою дисертаційної роботи опубліковано 24 наукових праць (13 одноосібних) у фахових виданнях.

Структура і обсяг роботи. Дисертаційна робота складається зі вступу, восьми розділів, висновків, додатків, списку використаних джерел з 288 найменувань, викладена на 333 сторінках друкованого тексту, що включають 291 сторінку основного тексту, додатки на 18 сторінках, включаючи 89 рисунків і 23 таблиці.

1. Основний зміст роботи

автоматизований штучний інтелект керамічний

У вступі обґрунтована актуальність теми дисертаційної роботи, сформульовані мета і задачі досліджень, наукова новизна і практичне значення отриманих результатів, наведені наукові положення, що виносяться на захист, наукове і практичне значення роботи, дані про публікації, апробацію й впровадження розробок і результатів дослідження.

У першому розділі аналізується сучасний стан технологій виробництв керамічної галузі, а також стан в області розробки та використання в АСУТП, наводиться постановка науково-технічної проблеми та задач дослідження.

Виходячи з того, що головним завданням технологій керамічної галузі є забезпечення виробництва виробів з мінеральної сировини шляхом формування, сушки і надання їм наперед заданих властивостей шляхом спікання при високих температурах, проведено аналіз особливостей цих технологій. В результаті аналізу визначено, що загальна технологічна схема керамічного виробництва об'єднує комплекс задач, які виконуються в рамках IV основних етапів виробництва.

На основі аналізу виробництв керамічної галузі визначено, що сучасні технології цих виробництв полягають у забезпеченні процесу структуроутворення у керамічному напівфабрикаті з переходом в структуру готового керамічного матеріалу. Основними характеристиками цих технологій є: дискретність, нестаціонарність, значна тривалість та інерційність, нестабільність відтворення властивостей виробів, сезонні зміни основних фізико-хімічних властивостей сировинних матеріалів та дисперсної системи, флуктуації їх складу, вплив мікроклімату тощо.

Важливими характеристиками цих процесів є складність їх вивчення, аномальність властивостей, аналітична невизначеність класів функцій, що відтворюють залежності між технологічними параметрами, наявність “НЕ - факторів”, зокрема, таких як: неповнота, нечіткість, невизначеність інформації про технологічний процес, вплив детермінованих та недетермінованих збурень. Специфічні особливості цих хімічних виробництв дозволяють виділити ці процеси в окремий клас, математична формалізація яких потребує застосування методів штучного інтелекту.

У другому розділі виконано аналіз алгоритмічної бази інтелектуальних технологій обробки “сирих даних”, останніх досягнень теорії управління, які є основою для створення високоефективних СППР. Головною відмінністю СППР є використання методів та підходів до моделювання управлінських рішень з різними стратегіями управління з застосуванням всього ретроспективного досвіду підприємства.

З метою спрощення вирішення задач аналізу цих процесів та синтезу СППР у складі АСУТП керамічного виробництва запропоновано виконати декомпозицію технологічної системи за принципом структуроутворення керамічного матеріалу та виділити наступні підсистеми: підготовки керамічної маси, формування керамічних напівфабрикатів, сушки керамічних напівфабрикаті, обпалу керамічних напівфабрикатів. На основі аналізу вхідних і вихідних параметрів основних фізико-хімічних процесів зроблено висновок, що більш детальна декомпозиція є небажаною внаслідок обмежень обумовлених взаємозв'язками між параметрами технологічного процесу.

На першому етапі досліджень вирішувалась задача визначення суттєвих для моделювання фізико-хімічних процесів технологічних параметрів. Аналіз ретроспективних даних про технологічний процес, накопичених за п'ять років роботи підприємства “Дніпрокераміка”, виконували з застосуванням методів: багатовимірного кореляційного аналізу, регресійного аналізу, головних компонент, індуктивного логічного висновку. Технологічні параметри, що піддавались аналізу, згруповано у вектори вхідних даних

X(t) = [x₁(t),x₂(t),…, x_n(t)], n=35

та вихідних даних

Y(t) = [y₁(t),y₂(t),…, y_m(t) ] m =10

Використання багатовимірного кореляційного аналізу для визначення міри залежності між фізико-хімічними параметрами, що характеризують процеси структуроутворення керамічної дисперсної системи та процеси переходу до структури керамічного напівфабрикату, дозволило зробити висновок про наявність слабких та середнього рівня зв'язків між окремими технологічними параметрами, що входять до однієї групи фізико-хімічних процесів (на рівні значимості р=0,05).

Застосування багатовимірного регресійного аналізу для знаходження взаємозв'язків між фізико-хімічними параметрами, що характеризують процеси структуроутворення керамічної дисперсної системи та процеси переходу до структури керамічного напівфабрикату, дозволило зробити висновок, що побудовані регресійні моделі мають низьку статистичну значимість (4%,…,18% дисперсії залежних змінних). Аналіз моделей регресії із застосуванням методу покрокового добору змінних дозволив зробити аналогічний висновок. Аналіз результатів багатовимірного регресійного аналізу, зокрема, значення коефіцієнтів детермінації, поясненої дисперсії, а також значень стандартних похибок оцінки привів до висновку про неоднорідність в даних про технологічний процес та їх слабку структурованість.

Найменування і позначення змінних

Вивчення можливості редукції багатовимірного простору параметрів фізико-хімічних процесів структуроутворення керамічної дисперсної системи та процесів переходу до структури керамічного напівфабрикату за допомогою методу головних компонент (з попереднім нормуванням даних) дозволило виділити 13 головних компонент, які пояснюють близько 71% сумарної дисперсії. Інші виділені головні компоненти мають дисперсії, що не еквівалентні одній змінній.

За наслідками аналізу діаграми розсіювання сукупності технологічних параметрів на площину перших двох головних компонент (рис.3) зроблено висновок, що складність структурної організації даних не дозволяє виділити чітко виражені групи технологічних параметрів для подальшого аналізу.

Аналіз вагових коефіцієнтів технологічних параметрів структуроутворення показав, що проміжні технологічні параметри з приблизно рівними значеннями та зворотними знаками входять до складу різних головних компонент. При цьому вплив проміжних технологічних параметрів на кінцеві параметри дисперсної системи, і, відповідно, на якість напівфабрикатів неоднозначний. Процедура нормування не впливає на результат обчислень, як і у випадку нормованих даних. Перші три головні компоненти описують 35% дисперсії початкових даних, так і у випадку ненормованих даних перші три головні компоненти описують 36% дисперсії початкових даних.

За результатами використання статистичних методів аналізу даних про технологічний процес виробництва керамічних виробів зроблено висновок, що дисперсна система має високий рівень складності і, відповідно, структурні неоднорідності в даних, що обмежує можливості їх використання в задачах аналізу та синтезу систем управління цим виробництвом.

З метою виявлення наявності прямих і “прихованих” взаємозалежностей в даних про фізико-хімічні процеси структуроутворення керамічної дисперсної системи та процеси переходу до структури керамічного напівфабрикату використовували методи індуктивного логічного висновку, зокрема, алгоритми CART, CHAID і Exhaustive CHAID. Критеріями формування дерева рішень і оцінки його якості було прийнято індекси відмінності “Gini” у вигляді:

, (1)

де - ймовірність (відносна частота) класу i в множині даних Т. Коли Т розбивається на дві частини Т₁ і Т₂ з числом прикладів N₁ і N_2, відповідно, показник якості дорівнює:

(2)

Найкращим вважається розділення, для якого буде мінімальним, а величина максимальна:

(3)

де - число прикладів у вузлі - предку,

- число прикладів у лівому і правому вузлах потомках,

і - число екземплярів - го класу у лівому/правому потомках.

При прогнозуванні значень фізико-хімічних параметрів дисперсної системи в якості цільових змінних було обрано вхідні змінні X(t)=[x₁(t),x₂(t),…,x_m(t) ]. При цьому до моделей включали лише одну цільову змінну. З метою отримання надійних оцінок якості побудованих моделей використовували метод зворотної підстановки та метод V - кратної перехресної (крос) перевірки.

Аналіз отриманих моделей дерев рішень для даних технологічного процесу виробництва керамічних виробів дозволив зробити висновок про певну доцільність застосування методів індуктивного логічного висновку, зокрема, дерев рішень.

Виконані дослідження наявності прямих і “прихованих” залежностей в даних про фізико-хімічні процеси структуроутворення керамічної дисперсної системи та процеси переходу до структури керамічного напівфабрикату дозволили зробити висновки, що багатофакторний характер взаємовпливу зазначених параметрів не завжди дозволяє побудувати точні логічні правила (похибка прогнозу сягає 90%). Визначено, що перспективними методами моделювання та побудови СППР для даного класу об'єктів є використання нейромережевих методів та підходів до моделювання управлінських рішень з різними стратегіями управління.

Третій розділ присвячено розробці моделі багатостадійного технологічного процесу виробництва керамічних напівфабрикатів для прогнозування значень фізико-хімічних параметрів керамічної дисперсної системи і якості напівфабрикатів за типами браку. На підставі проведеного аналізу методів штучного інтелекту, зокрема, теорії нейронних мереж, обрано та обґрунтовано методи розв'язання цієї задачі за допомогою мереж Кохонена.

Цей метод базується на методиці розпізнавання образів. Використання цього методу дозволило визначити структуру моделі і побудувати кодову множину (класифікатор), що пов'язує динаміку змін вхідних і вихідних технологічних параметрів у часі з використанням тренувальних даних. Отриманий класифікатор дозволяє виконати прогноз значень параметрів в усіх технологічних підсистемах шляхом переносу прецедентів минулого на ситуацію, що прогнозується.

На першому етапі вирішення задачі моделювання виконується попередня обробка даних шляхом їх нормування і приведення до діапазону [0; 1]. На основі попереднього аналізу інформації про технологічний процес обґрунтовано та обрано структуру мережі, що складається з 60-ти нейронів, розміщених у вузлах решітки розмірності 5х12 випадковим чином. Метрикою, в якій вимірюється відстань між нейронами, було прийнято відстань зв'язку у вигляді:

(4)

де - відстань зв'язку між нейронами з номерами i і j (i=1,…S);

- вектори положення нейронів з номерами і і j;

dist - евклідова відстань.

Корегування вагових коефіцієнтів активованого і сусідніх з ним нейронів виконується за правилом Кохонена:

(5)

де з - норма навчання,

n - крок в часі,

- вагові коефіцієнти нейронів,

Х_i - i-тий вхідний вектор.

Результатом рішення задачі є формування по відгуку моделі - класифікатора, до якого входить номер нейрона, що є опорним представником кластера для даної дати, та кількість його активацій.

Дослідження розробленої моделі виконували шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. Дані про технологічний процес з основної бази даних були розділені на три підгрупи: навчальну, контрольну і тестову. Довжина кожної з вибірок складає 600, 200, 170 точок відповідно. Початкові значення вагових коефіцієнтів нейронів були задані випадковим чином з діапазону [0,0,…,+1,0]. Вхідними сигналами цієї моделі були вектори значень технологічних параметрів утворення дисперсної системи:

,

(де m=27) для конкретної дати виконання технологічного процесу.

Початкова норма навчання варіювалась в діапазоні [0,8 -0,5], при цьому в процесі навчання моделей її значення лінійно зменшувалось до 0,001, після чого вона залишалась незмінною. Максимальна кількість циклів навчання моделі складала 10000. По завершенню процесу самоорганізації на вхід розробленої моделі подавались “сенсорні сигнали” з навчальної, контрольної та тестової підгруп даних. В результаті по відгуку моделі було сформовано класифікатор, який складають номер кластера, кількість активацій нейрона, що є опорним представником кластера для даної дати виконання технологічного процесу. При цьому максимальна відносна похибка прогнозу значень в межах одного профільного вектору, що характеризує параметри технологічного процесу, може коливатись в межах 0-46%.

За результатами проведених обчислювальних експериментів було зроблено висновки щодо можливості використання нейромережевої моделі розпізнавання образів для моделювання багатостадійного технологічного процесу виробництва керамічних матеріалів. Разом з цим практичне використання розробленої моделі має певні обмеження в зв'язку з значним розкидом значень відносної похибки. Останнє обумовлено низкою факторів, зокрема, недостатніми апроксимаційними властивостями мереж на основі самоорганізації, високою чутливістю задач кластерізації до малих змін вхідних параметрів у часі, неповноти вхідних даних тощо.

Підвищення точності прогнозу можна досягти шляхом комбінування різних нейромережевих парадигм, зокрема, мереж на основі самоорганізації та багатошарових мереж прямого поширення. При цьому зниження чутливості задач кластеризації до малих змін вхідних параметрів у часі та неповноти вхідних про технологічний процес досягається шляхом редукції вхідного простору. Недостатні апроксимаційні властивості мереж на основі самоорганізації компенсуються використанням іншої нейромережевої парадигми, яка базується на процесі навчання з вчителем. Об'єднання цих підходів в єдину гібридну мережу є предметом розгляду розділу 4.

У четвертому розділі вирішена задача прогнозування значень фізико-хімічних параметрів керамічної дисперсної системи шляхом розробки та використання гібридної нейромежевої структури. Гібридну структуру складають модель з самоорганізацією на основі конкуренції між нейронами (карта Кохонена) і модель на основі багатошарової мережі прямого поширення. Перший вид моделей використовується для локалізації значимих ознак технологічного процесу (кластерізації) з вилученням надлишкової для процедур навчання інформації, а другий - для вирішення задачі апроксимації.

На першому етапі вирішена задача розробки моделі фізико-хімічних процесів з самоорганізацією на основі конкуренції між нейронами. Аналіз технологічного процесу утворення дисперсної системи дозволив зробити висновок, що мережа повинна вміщувати 27 нейронів у відповідності до кількості технологічних параметрів, які впливають на її утворення. Прийнято, що нейрони розміщуються у вузлах гексагональної решітки 3х9. Мірою подібності елементів вхідного вектора було прийнято квадрат евклідової відстані. Процес самоорганізації базується на використанні узагальненого правила Кохонена.

Виходячи з аналізу інформації про технологічний процес утворення керамічної дисперсної системи, а також з міркувань щодо необхідності використання нелінійних базисних функцій нейронів в моделі з властивостями апроксимації зроблено висновок про недоцільність застосування традиційного методу попередньої обробки даних для мереж на основі самоорганізації. В роботі запропоновано та обґрунтовано використання методу масштабування у діапазоні[-1,0,…,+1,0] для такої обробки даних. Виходом даної моделі при подачі на її вхід вектора технологічних параметрів

,

(де m=27) є розріджена матриця зв'язності G(t).

Остаточним результатом рішення задачі шляхом перетворення розрідженої матриці зв'язності G(t) є формування вектору індексів кластерів

.

Дослідження розробленої моделі виконували шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. Дані про технологічний процес з основної бази даних були розділені на три підгрупи: навчальну, контрольну і тестову. Довжина кожної з вибірок складає 600, 170, 200, відповідно. Ініціалізація моделі виконувалась значеннями, вибраними випадковим чином з діапазону [-1,0,…,+1,0]. Вхідними сигналами цієї моделі були вектори значень технологічних параметрів утворення керамічної дисперсної системи на відповідному інтервалі спостережень. Початкова норма навчання дорівнювала на 0,8; в процесі навчання її значення лінійно зменшувалось до 0,01, після чого вона залишалась незмінною. Кількість тактів навчання складала 10000. Після завершення процесу самоорганізації ваги нейронів були заморожені.

За результатами проведених експериментів зроблено висновки щодо «добрих» узагальнюючих властивостей. Зокрема, характеристики розподілу значень вихідних технологічних параметрів збігаються для навчальної, контрольної і тестової підгруп даних. При цьому 71% вхідних даних вектора з 27 елементів розподіляються між трьома кластерами - першим, другим та двадцять п'ятим. Окрім того було виявлено, що при самостійному використанні моделі є можливість виявити і проаналізувати залежності між технологічними параметрами, що характеризують фізико-хімічні процеси утворення дисперсної системи.

Другий етап розробки моделі гібридної структури фізико-хімічних процесів структуроутворення керамічної дисперсної системи складає розробка моделі з властивостями апроксимації на основі штучної нейронної мережі прямого поширення. Зв'язок між моделями, що утворюють гібридну структуру, організується шляхом передачі вихідних даних моделі першого виду на вхід моделі другого виду у вигляді вектору індексів кластерів. При цьому перетворення розрідженої матриці зв'язності G(t) у вектор індексів кластерів першої моделі забезпечує усунення несуттєвої інформації, яка буде привносити зайвий шум у вхідні дані другої моделі і може негативно впливати на вихідний сигнал.

Структура розробленої нейронної мережі прямого поширення формувалась на основі нелінійних нейронів, які дозволяють враховувати нелінійні зв'язки між параметрами технологічного процесу, скоротити розмірність мережі і, при певній обмеженості в кількості навчальних даних, покращити її узагальнюючі властивості. Експериментально встановлено, що для вирішення задачі прогнозування значень фізико-хімічних параметрів керамічної дисперсної системи достатнім є використання моделі апроксимації з одним прихованим шаром, який вміщує три нелінійні нейрони . У прихованому та у вихідному шарах моделі була використана функція активації - гіперболічний тангенс у вигляді:

(6)

де net - значення вектору вихідних сигналів першої моделі.

Якість процесу навчання штучної нейронної мережі прямого поширення і одночасно процесу відтворення цільових функцій R(t), де

(де n=9), характеризується

,.

Мета навчання компоненти гібридної структури з властивостями апроксимації полягала у формуванні функцій на виході нейронної мережі, при якому настроюванням вагових коефіцієнтів досягається . Навчання нейронної мережі виконувалось з використанням ретроспективних значень сигналів R(t) в дискретні моменти на часових інтервалах:

,

(k=1,2,…,T; - крок дискретизації сигналів).

Початкові значення вагових коефіцієнтів вибирались випадковим чином з діапазону [-1,0,…,+1.0]. Коефіцієнт швидкості навчання визначали експериментальним шляхом.

Для обчислення похідних критерію якості навчання за змінними ваг і зміщень використовували метод зворотного поширення похибки. Прирощення значень вектора змінних, що настроюються, виконували з використанням алгоритмів сполучених градієнтів, зокрема, в модифікації Полака-Рібейри, Пауела -Біеле, Флетчера - Рівса та квазіньютонових алгоритмів Бройдена - Флетчера - Гольдфабра - Шано, Левенберга - Марквардта. Одномірний пошук екстремуму вздовж заданого напрямку (антиградієнта, сполучених напрямків) виконували за алгоритмами Брента, Чараламбуса, перебору з поверненнями.

За результатами проведених обчислювальних експериментів зроблено висновки, що досягається при навчанні компоненти гібридної структури за алгоритмом Левенберга-Марквардта. При використанні зазначеної цільової функції і використанні позначень:

(7)

вектор градієнта і апроксимована матриця гессіана, що відповідає цільовій функції, визначаються у вигляді:

(8)

(9)

де K(w) - компоненти гессіана H(w), що вміщують вищі похідні відносно w.

Сутність підходу Левенберга-Марквардта полягає у апроксимації K(w) з допомогою регуляризаційного фактору , який є скалярною величиною, що змінюється в процесі оптимізації. Апроксимована матриця гессіана на n- кроці алгоритму має вигляд:

(10)

Коли фактичне значення w_n є далеким від рішення, використовується значення параметра, яке перевищує власне значення матриці . Гессіан фактично підміняється регуляризаційним фактором . По мірі зменшення похибки і наближення до шуканого рішення величина зменшується, а починає відігравати більш важливу роль. Напрямок мінімізації вибирається по методу найшвидшого спуску:

(11)

Дослідження розробленої моделі фізико-хімічних процесів структуроутворення керамічної дисперсної системи було виконано шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”. При формуванні цільових даних вихідних послідовностей R(t), що характеризують властивості керамічної дисперсної системи, було виконано їх приведення до діапазону [-1,0…,+1,0]. Критеріем завершення процесу навчання моделі було прийнято значення e_y(t)=0,0001.

При використанні в процесі навчання моделі алгоритму Левенберга-Марквардта прийняте значення похибки досягається за 4 цикли навчання; при використанні алгоритмів градієнтного спуску збіжність спостерігалась після 385 циклів навчання. Всі інші алгоритми навчання виявились неефективними. Отримані результати обчислювального експеременту дозволили зробити висновок, що модель апроксимації, яка входить до складу гібридної нейромережевої структури, має «добрі» узагальнюючі властивості. Про це свідчить значення максимальної відносної похибки прогнозу значень технологічних параметрів по виходам гібридної структури, яка не перевищує 3% для тестової та контрольної підгруп даних.

Аналіз отриманих результа-тів обчислювальних експериментів підтвердили працездатність та високі обчислювальні характери-стики гібридної нейроструктури. Використання запропонованої гібридної нейроструктури для рішення задач прогнозування значень фізико-хімічних властиво-стей керамічної дисперсної системи дозволяє мінімізувати вплив вимірювальних шумів та параметричну невизначеність фізико-хімічних процесів, а також забезпечити необхідну точність прогнозу, достатню для практичного використання в умовах реального виробництва.

У п'ятому розділі на основі аналізу технологічного процесу виготовлення керамічних напівфабрикатів методів лиття з дисперсних систем розроблено моделі прогнозування якості цих процесів. Розглядаються показники якості керамічних напівфабрикатів по завершенню процесів формування керамічних виробів та їх підв'ялки, зокрема, недобір керамічного черепка, прилипання виробу до ливарної форми, деформація стінок виробу, а також шість типів тріщин.

У розділі розроблено та досліджено сукупність моделей залежності якості напівфабрикатів від значень фізико-хімічних параметрів керамічної дисперсної системи та показників мікроклімату (температура і вологість на ділянці формування) з використанням методів штучного інтелекту, зокрема, методів теорії штучних нейронних мереж. Розглядались нейромережеві моделі, що базуються на методах апроксимації і класифікації.

Моделі першого типу базуються на апроксимаційних властивостях штучних нейронних мереж прямого поширення. Структура цих моделей формувалась шляхом рекурентного підбору кількості нейронів у прихованих шарах. При цьому у якості функції активації у прихованих та у вихідному шарах моделей використовувались функція гіперболічного тангенсу у вигляді (6), та логістична виду:

(12)

Якість процесів навчання моделей і одночасно процесу відтворення цільових функцій R₁(t), де:

(де n=10),

характеризується квадратичною похибкою.

Мета навчання моделей полягала у формуванні функцій

Де:

- фактичні виходи моделі), при якому настроюванням вагових коефіцієнтів досягається .

Навчання нейронної мережі виконувалось в режимі off-line з використанням ретроспективних значень сигналів R₁(t). Початкові значення вагових коефіцієнтів вибирались випадковим чином з діапазону [-1,0…+1.0]. Коефіцієнт швидкості навчання складав з(n )=0,001. Навчання моделей виконували за типовим алгоритмом зворотного розповсюдження похибки.

Розроблені моделі були досліджені шляхом проведення обчислювальних експериментів на реальних даних. Дані про технологічний процес були розділені на три підгрупи: навчальну, тестову і контрольну. Довжина кожної складає 600, 170, 200 відповідно.

Виконано приведення вхідних:

(де m=9),

і вихідних послідовностей R₁(t) даних на інтервалі [-1,0,…,+1.0] (масштабування). За результатами обчислювальних експериментів встановлено, що моделі з одним прихованим шаром є достатньо грубими для апроксимації вхідних сигналів. В той же час, моделі, що містять два і більше прихованих шарів, точно відтворюють залежності між вхідними X₁(t) і вихідними R₁(t) параметрами технологічного процесу. При цьому встановлено, що в процесі навчання моделей при збільшенні кількості ітерацій похибка e_y(t) монотонно зменшується, тоді як похибка узагальнення починає зростати.

Аналіз результатів тестування цих моделей свідчить, що спостерігається явище їх перенавчання, отже останні не мають необхідних узагальнюючих властивостей для практичного застосування.

В роботі також запропоновано та досліджено інший підхід до створення моделей залежності показників якості керамічних напівфабрикатів від значень фізико-хімічних параметрів дисперсної системи та показників мікроклімату в технологічній підсистемі формування керамічних виробів, що базуються на використанні методів класифікації. При використанні цього підходу кожний набір даних, що характеризує якість керамічних напівфабрикатів для конкретного типу браку, було розділено на класи за діапазоном чисельного значення у відсотках. Для отримання прийнятних результатів класифікації було обрано та обґрунтовано наступний розподіл (рис. 6):

- якщо брак (за типом) = 0% - тоді клас 1;

- якщо брак (за типом) >0% і ?1%, - тоді клас 2;

- інакше клас 3.

У відповідності до наведеної класифікації для кожного типу браку розроблено окремі моделі. Зазначені моделі базуються на використанні мереж прямого поширення. При цьому експериментальним шляхом було встановлено, що вирішення поставленої задачі можливо при використанні нейронної мережі прямого поширення, що описується структурою з функціями активації гіперболічного тангенсу. Вихідний вектор для кожного типу браку представляє собою вектор індексів класів K(t).

Дослідження запропонованих моделей, що базуються на методах розпізнавання образів і класифікації, було здійснено шляхом постановки та проведення обчислювального експерименту. В якості вхідних і вихідних даних для проведення експерименту були використані дані підприємства “Дніпрокераміка”, з довжинами вибірок для кожної підгрупи, ідентичними тим, що використовувались в експериментах з першим типом моделей. За наслідками експериментів зроблено висновки щодо коректності функціонування цих моделей. При цьому для практичного використання запропонованих моделей в умовах реального керамічного виробництва, враховуючи параметричну невизначеність фізико-хімічних процесів, було обрано прийнятну точність моделювання, яка складає 80% правильних класифікацій.

Аналіз отриманих результатів обчислювальних експериментів підтвердили працездатність та високі обчислювальні характеристики розроблених моделей. Використання запропонованих моделей для рішення задач прогнозування якості керамічних напівфабрикатів (за типами) дозволяє мінімізувати вплив вимірювальних шумів та параметричну невизначеність процесів, а також забезпечити необхідну точність прогнозу, достатню для практичного використання в реальних умовах.

В шостому розділі вирішується задача синтезу сукупності інверсних моделей фізико-хімічних процесів керамічного виробництва. Зазначені інверсні моделі є складовими елементами СППР у складі АСУТП і разом з прямими моделями використовуються ОПР для прийняття рішень на управління окремими стадіями багатостадійного технологічного процесу.

Розроблено інверсні моделі для наступних груп технологічних процесів: фізико-хімічні параметри керамічної дисперсної системи - властивості рекупераційної технологічної зв'язки; фізико-хімічні параметри керамічної дисперсної системи - хімічний склад дисперсної системи (рецепт); фізико-хімічні параметри керамічної дисперсної системи - гранулометричні показники проміжної дисперсної системи з врахуванням корекції властивостей ПАР та технологічно зв'язкою; фізико-хімічні параметри керамічної дисперсної системи - фізико-хімічні параметри корегування властивостей дисперсної системи ПАР та технологічною зв'язкою; сумарна якість керамічних напівфабрикатів - фізико-хімічні параметри керамічної дисперсної системи.

На першому етапі досліджень виконували синтез моделі на нейромережевому базисі, що описує зворотні залежності значень фізико-хімічних параметрів керамічної дисперсної системи від характеристик властивостей технологічної зв'язки. Експериментально було встановлено, що для вирішення задачі прогнозування значень, що характеризують властивості зворотної технологічної зв'язки, а саме: вміст суспензії в зворотній технологічній зв'язці; щільність; pH - достатнім є використання моделі . У якості функції активації у прихованому та у вихідному шарах моделі була використана функція гіперболічного тангенсу.

Якість процесу навчання зазначеної штучної нейронної мережі прямого поширення і одночасно процесу відтворення цільових функцій

(де n=3),

характеризується квадратом миттєвої похибки . Метою навчання інверсної моделі є формування функції , при якій настроюванням вагових коефіцієнтів зв'язків досягається . Початкові значення вагових коефіцієнтів зв'язків задавали випадковим чином з діапазону [-07,…,+0.7], значення параметрів швидкості навчання з(n) встановлювали довільно. Для навчання мережі використовували стандартний алгоритм зворотного поширення похибки.

Дослідження розробленої інверсної моделі було виконано шляхом проведення обчислювальних експериментів на реальних даних підприємства “Дніпрокераміка”.

При формуванні вхідних:

(де n=7),

і вихідних послідовностей R₃(t) даних про технологічний процес було виконано їх приведення до діапазону [-1,0,…,+1,0]. Дані про технологічний процес були розділені на три підгрупи: навчальну, тестову і контрольну. Довжина кожної з них складає 653, 170, 150 відповідно.

За результатами обчислювальних експериментів зроблено висновок, що процедура навчання нейронної мережі має збіжний характер. В процесі навчання модель набула необхідних для використання в виробничих умовах узагальнюючих властивостей, про що свідчать значення відносної похибки е(t)<7% (рис.7) по виходам інверсної моделі при подачі на її вхід сигналів тестової підмножини даних.

На наступному кроці було розроблено інверсні моделі, що описують зворотні залежності фізико-хімічних параметрів керамічної дисперсної системи від хімічного складу дисперсної системи (рецепт). Структура розробленої нейронної мережі прямого поширення формувалась на основі нелінійних нейронів. Експериментально було встановлено, що для вирішення задачі прогнозування значень, які характеризують хімічний склад керамічної дисперсної системи, а саме: залишок після прокалювання; вміст SiO₂; вміст Al₂O₃; вміст Fe₂O₃; вміст TiO₂; вміст CaO; вміст MgO; вміст Na₂O; вміст K₂O; вміст вільного кварцу - достатнім є використання нейронної мережі

Якість процесу навчання моделі і одночасно процесу відтворення цільових функцій R₄(t), де (де n=10), характеризується квадратом похибки. Метою навчання мережі є формування функції , при якій настроюванням вагових коефіцієнтів зв'язків досягається. Початкові значення вагових коефіцієнтів зв'язків задавали випадковим чином з діапазону [-1,0,…,+1,0]. Обчислення похідних критерію навчання за змінними ваг і зміщень здійснювали за методом зворотного поширення похибки. Прирощення вектору змінних, що настроюються, виконували за методом градієнтного спуску з вибором параметру швидкості настроювання з(n).