автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий

На правах рукописи

АВТОМАТИЗАЦИЯ КОНТРОЛЯ ПОКАЗАТЕЛЕЙ КАЧЕСТВА МУКИ В ПРОЦЕССЕ РАЗМОЛА С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (в пищевой промышленности)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва — 2014

2 0 НОЯ 2014

005555669

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования (ФГБОУ ВПО) Министерства образования и науки Российской Федерации

«Московский государственный университет пищевых производств» на кафедре «Информационные технологии и автоматизированные системы»

Научный руководитель: заслуженный деятель науки РФ

доктор технических наук, профессор Благовещенская Маргарита Михайловна

Официальные оппоненты: доктор технических наук, профессор

Шкапов Павел Михайлович

кандидат технических наук, профессор Новицкий Олег Анатольевич

Ведущая организация: Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет технологии и управления имени К.Г. Разумовского (ПКУ)»

Защита состоится "/?" 2014г. в Щ час. на заседании Диссертаци-

онного Совета по защите докторских и кандидатских диссертаций Д.212.148.02 при ФГБОУ ВПО «Московский государственный университет пищевых производств» по адресу: 109316, г. Москва, ул. Талалихина, д.ЗЗ.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять по адресу: 125080, г. Москва, Волоколамское шоссе, д. 11.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «МГУПП».

Автореферат разослан « ^^"п // 2014 г.

Ученый секретарь Диссертационного Совета, доктор технических наук, профессор

Стрелюхина А.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность проблемы. В настоящее время одной из самых важных социально- экономических проблем является обеспечение населения Российской Федерации качественными, безопасными, разнообразными отечественными продуктами питания. Решение этой проблемы тесно связано с широкой автоматизацией технологических процессов, внедрением новых информационных технологий, появлением необходимых средств контроля для реализации автоматизированных систем управления, проведением организационно-технических мероприятий, способствующих улучшению качества, повышению безопасности и увеличению ассортимента выпускаемых пищевых продуктов.

Среди многих отраслей пищевой промышленности важнейшее место принадлежит мукомольной, являющейся основной частью агропромышленного комплекса страны (АПК). В настоящее время мукомольная промышленность входит в число наиболее социально значимых отраслей АПК и представляет собой одну из стратегических отраслей экономики, которая обеспечивает производство основного важнейшего продукта питания людей — муки, содержащей в своем составе важные незаменимые для человека питательные вещества Продукты мукомольной промышленности имеют высокую пищевую ценность. Пятую часть повседневного рациона россиян составляют именно продукты хлебной группы. Переработка зерна пшеницы в сортовую муку на предприятиях МП связана с решением ряда сложных многофакторных задач, среди которых важнейшей является стабилизация и оптимизация процессов производства муки. Трудность решения этой задачи обусловлена нестабильностью свойств поступающего на переработку сырья; многообразием перерабатываемых типов зерна по органолептическим, физико-химическим, биохимическим и структурно - механическим свойствам. Все это вызывает частые колебания режимов работы оборудования, а также параметров состояния ТП производства муки разных сортов и не позволяет получать стабильный по качеству готовый продукт.

В настоящее время мукомольное предприятие является сложным технологически ёмким предприятием. Процесс производства муки состоит из множества отдельных этапов, в которых участвуют самостоятельные виды оборудования. Применение в единой технологической цепочке большого количества оригинального технологического оборудования, имеющего персональные входные характеристики сырья и выходные - продукции, усложняют процедуру автоматизации контроля параметров, характеризующих эффективность проводимых ТП производства, а также качество получаемой готовой продукции - муки Существующие в настоящее время методы оценки показателей качества муки субъективны, определяются только путем лабораторных измерений, ввиду невозможности технического решения но организации их измерения поточным способом. Так, в настоящее время основным заключающим фактором об органолептических показателях муки является оценка экспертов. При выполнении всех требований и рекомендаций в оценке качества такое определение может давать недостоверные и необъективные показания о качестве готовой продукции.

Одно из основных направлении развития мукомольной промышленности связано с автоматизацией контроля в потоке показателей качества сырья, полуфабрикатов и готовых изделий, включая и органолептические показатели. Назрела необходимость повышения объективности контроля показателей качества муки за счет внедрения высокоэффективных интеллектуальных технологий в производственный процесс и создания на их базе интеллектуальной системы автоматизированного контроля (ИСАК).

Одним из важнейших ТП производства муки, в значительной степени влияющих на качество получаемого готового продукта, является размольный процесс.

Исходя из этого, тема диссертации «Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий» является актуальным направлением развития мукомольной промышленности, имеющей важное народнохозяйственное значение, а также актуальной научно- технической задачей специально-

сти 05.13.06 - Автоматизация и управление технологическими процессами и производствами (в пищевой промышленности).

В диссертации эта проблема исследована и решена на примере ТП размола зерна при производстве пшеничной муки.

Успешное решение этой задачи при минимальных затратах на подготовку и проведение анализов становится возможным, благодаря внедрению в производственный процесс размола разработанного нами ПАК ИСАК основных показателей качества муки, в основе алгоритма работы которого заложена нейросетевая модель (НСМ). Функционирование НСМ базируется на применении аппарата искусственных нейронных сетей (НС), который являете я одним из направлений развитая теории искусственного интеллекта.

На сегодняшний день аппараты искусственных НС и методы их применения активно развиваются и совершенствуются. Активными исследованиями в области создания систем моделирования искусственных нейронных сетей (ИНС) в России занимаются такие организации как Институт вычислительного моделирования СО РАН, ФГБОУ ВПО «Исследовательский ядерный университет «МИФИ»», Пермская научная школа искусственного интеллекта, ЗАО "Научно-исследовательский центр математического моделирования и нейросетевых технологий "Нейросплав". Из отечественных ученых активные исследования в этой области проводили Д. Рутковская, М. Пилиньский, Л. Рутковский, А. И. Галушкин. Саймон Хайкин, А. Б. Барский, А. А. Ежов, С. А. Шумский, А. Н. Горбань, М.М. Благовещенская и др. Опубликованы ряд диссертационных работ, посвященных вопросам использования ИНС в различных областях, в том числе и в пищевой промышленности: «Математическое и алгоритмическое обеспечение задачи автоматизации процесса дезинфекции ПЭТ-бутылок с помощью озона» (к.т.н. Роденков Е.В., научный руководитель д.т.н., проф. Благовещенская М.М. 2005), «Автоматизация контроля показателей вкуса шоколадных изделий» (к.т.н. Шаверин А. В., научный руководитель д.т.н., проф. Благовещенская М.М. 2009), «Автоматизация контроля влажности кондитерских масс с применением интеллектуальных технологий» (к.т.н. Апанасенко С. И„ научный руководитель д.т.н., проф. Благовещенская М.М. 2010), «Разработка научных принципов проектирования состава и совершенствования технологии многокомпонентных мясных изделий с использованием вторичных ресурсов пищевой промышленности» (д.т.н. Садовой В. В., 2007), «Сен-сорометрический метод в оценке качества пищевых жиров и масел» (к.х.н. Селиванова А. А., 2011) и др.

Еще одним перспективным направлением автоматизации ТП пищевых производств является использование системы технического зрения в качестве интеллектуального датчика в системах автоматического регулирования технологическими процессами. К настоящему времени опубликованы ряд диссертационных работ, посвященных вопросам использования цифровой видеосъемки в различных областях, в том числе и в пищевой промышленности: «Система автоматического регулирования процесса формования конфетных жгутов с использованием цифровой видеосъемки» (к.т.н. Иванов Я. В., научный руководитель д.т.н., проф. Благовещенская М.М. 2008), «Автоматизация контроля цветовых показателей качества хлебобулочных изделий с применением спектральной квалиметрии» (к.т.н. Ребриков Д.И., научный руководитель д.т.н., проф. Битюков В.К. 2010), «Совершенствование технологии хлеба для школьного питания с применением автоматизированной системы контроля цвета изделия» (к.т.н. Шторх Л.В., научный руководитель д.т.н., проф. Чертов Е.Д. 2013) и др.

В настоящей работе был учтен и проработан опыт предыдущих исследований и использовано большинство рекомендаций, приводимых авторами перечисленных диссертаций и др. трудов.

Анализ опубликованных научных работ в области ИНС и системы технического зрения свидетельствует о перспективности исследований по этой тематике, необходимости развития этого научного направления, а также малочисленности данных исследований в

области пищевой промышленности. Изучение отечественной и зарубежной литературы указывает на необходимость углубленного исследования применения новых подходов к использованию ИНС и системы технического зрения для построения ПАК ИСАК с учетом специфики мукомольной промышленности.

В связи с чем, представляется своевременным и актуальным проведение комплексных исследований, направленных на автоматизацию контроля показателей качества муки в процессе размола с использованием пейросетевых технологий и системы технического зрения; разработку на их основе интеллектуальных датчиков показателей качества муки . влажности и цвета; исследование возможности интеграции таюгх датчиков в систему управления технологическими процессами производства муки.

Изложенное, позволяет сделать вывод об актуальности темы диссертационной работы.

Цель работы: повышение эффективности ТП производства муки и стабилизация качества готовой продукции за счет разработки, научного обоснования и создания программно- аппаратного комплекса интеллектуальной системы автоматизации контроля в потоке показателей качества муки: влажности и цвета с применением методов нейросетевого моделирования и системы технического зрения.

Объектом исследования в данной работе являются ТП размола зерна при производстве пшеничной муки.

Предметом исследования являются совокупность теоретических, методологических и практических зздач, связанных с автоматизацией контроля основных показателей качества муки: влажности и цвета в процессе размола и разработка математического и алгоритмического обеспечения решения данных задач.

Были исследованы методы и средства контроля показателей качества муки, а также способы получения и обработки первичной информации о процессе размола с использованием виртуального датчика влажности, построенного на алгоритмах искусственных нейронных сетей (ИНС), и интеллектуального датчика контроля цвета, построенного с использованием системы технического зрения (цифровой видеокамеры).

Предложенные методы и способы контроля основных показателей качества муки позволяют получить объективную информацию о влажности и цвете муки по результатам контроля технологических параметров в процессе размола и показателей качества сырья и полуфабрикатов, измеренных в процессе производства.

Основными задачами исследования, которые необходимо решить для достижения поставленной цели, являются следующие:

1. Анализ современного состояния исследований по автоматизации контроля показателей качества муки в процессе производства.

• 2. Проведение комплексных исследований и анализ подготовленности ТП размола к стабилизации и автоматизации: оценка поточности и прогрессивности ТП размола, разработка математическое описание процесса, составление его характеристической модели, функционально- структурной схемы, изучение влияния разных факторов на ход и эффективность ТП размола, выявление и выбор наиболее информативных и значимых параметров эффективности ТП размола.

3. Проведете экспериментальных исследований и разработка структурно - параметрических моделей наиболее важных для размола ТП производства муки.

4. Проведение анализа, обобщение и систематизация направлений использования искусственных нейронных сетей (ИНС) и системы технического зрения (СТЗ) в различных отраслях (в том числе в пищевой) промышленности. Исследование и обоснование возможности использования ИНС для оценки влажности и цвета муки.

5. Разработка и обоснование методов, позволяющих в реальном времени контролировать влажность и цвет муки.

6. Разработка математических моделей и алгоритмов для реализации САК влажности и цвета муки.

7. Разработка структуры программно-аппаратного комплекса (ПАК) интеллектуать-ной системы автоматизированного контроля (ИСАК) влажности и цвета муки.

8. Подбор технических средств для реализации ПАК ИСАК влажности и цвета муки.

9. Экспериментальная проверка результатов на промышленном оборудовании.

10. Практическая реализация результатов разработки.

.Методы исследования. Для решения поставле/шых задач были использованы следующие методы исследования: основные положения и уравнения теории автоматического управления, математического моделирования, теории ИНС; методы компьютерного зрения, элементы теории принятия решений; методы системного анализа; теории нечетких множеств, оптимизации, планирования и обработки результатов экспериментов, методы математической статистики и сенсорной оценки. Экспериментальные исследования проведены с помощью стандартных методик и поверенных приборов, а также персонального компьютера с использованием пакета прикладных программ МАТЬАВ.

Научная новизна работы заключается в следующем:

1. На основе системного подхода обоснованы наиболее перспективные направления автоматизации коитро;1я показателей качества муки в процессе размола с использованием интеллектуальных датчиков, построенных на базе нейросетевьгх алгоритмов и системы технического зрения.

2. Проведен анализ подготовленности ТП размола к стабилизации и автоматизации: дана оценка поточности ТП размола, разработано математическое описание, получена его характеристическая модель, составлена функционально- структурная схема влияния разных факторов на ход и эффективность ТП размола, выявлены и выбраны наиболее информативные и значимые параметры эффективности ТП размола.

3. Разработаны основные этапы подготовки ТП размола к автоматизации.

4. Разработаны структурно - параметрические модели ТП зерноочистки и размола.

5. Разработан классификатор измеряемых в процессе размола муки параметров с точки зрения автоматизации обработки информации.

6. Разработан способ автоматического контроля влажности муки, основатшй на внедрении в систему управления (СУ) виртуального датчика, построенного на алгоритмах ИНС. Предложенный способ позволяет своевременно в потоке получить объективную информацию о текущей влажности муки в процессе размола по результатам значений технологических параметров процесса, а также на основании физико-химических и реологических параметров сырья и полуфабрикатов, измеренных в процессе производства муки.

7. Разработано алгоритмическое и математическое обеспечение задачи автоматизации контроля влажности муки в потоке.

8. Сформулированы основные этапы решения задачи построения виртуального датчика влажности муки.

9. Предложена методика осуществления нейропрогноза, позволяющая спрогнозировать влажность готовой муки при изменении технологических параметров, благодаря способности разработанной иебросетевой модели к самообучению.

10. Разработан общий подход к контролю цвета муки с помощью обработки информации, поступающей от интеллектуального датчика в виде цифровой видеокамеры.

11. Разработаны методика, алгоритм и способ контроля цвета муки, основанные на применении цифровой видеокамеры, который оценивается по степени отклонения контрольных точек от эталонного положения на кадре - задатчике.

12. Разработан алгоритм проектирования архитектуры ПАК автоматизированной системы контроля влажности и цвета муки в процессе размола с использованием системы технического зрения и НСМ принятия решений.

13. Разработаны рекомендации по подбору технических средств для реализации ПЛК ИСАК влажности и цвета муки в процессе размола. Практическая ценность работы:

1. Создана и апробирована методика автоматического контроля влажности муки в процессе размола в режиме реального времени.

2. Сформулированы предложения для обеспечения широкого использования в мукомольной промышленности аппарата искусственных нейронных сетей и системы технического зришя, являющихся одними из перспективных направлений развития теории искусственного интеллекта.

3. Даны рекомендации по созданию ПЛК интеллектуальной автоматизированной системы контроля влажности и цвета муки с использованием нейросетевой модели (НСМ) и системы технического зрения (ЦБК). Данная система позволит непрерывно в потоке контролировать влажность и цвет муки в процессе размола.

4. Применен и апробирован разработанный способ автоматического контроля влажности муки в процессе размола на примере линии производства пшеничной муки. Даны рекомендации по использованию данного способа для построения автоматической системы регулирования влажности в процессе размола при производстве пшеничной муки.

5. Разработана и апробирована структура функционирования интегрированного ПАК, включающего виртуальный датчик влажности и интеллектуальный датчик цветности помола, для контроля этих показателей качества муки в автоматическом режиме в технологических линиях мукомольных предприятий.

6. Даны рекомендации и обоснования по подбору техшгческих средств и программного обеспечения, необходимых для создания этой комплексной системы, с возможностью создания на ее основе АСУ ТП производства муки.

7. Экономическая и социальная значимость работы состоит в расширении функщго-нальных возможностей работников мукомольной промышленности и повышении качества готовой продукции.

8. Разработанные технические решения и практические рекомендации по созданию ПАК интеллектуальной системы автоматизированного контроля показателей качества муки будут реализованы на ОАО "Мелькомбинат в Сокольниках», что подтверждается соответствующим актом сдачи-приемки научно-технической продукции.

Полученные в рамках настоящего исследования научные и практические результаты внедрены также в учебном процессе ФГБОУ ВПО «МГУПП» на кафедре "Информационные технологии и автоматизированные системы" для студентов направлений "Автоматика и управление" и "Управление и информатика в технических системах", а также специальности "Автоматизация технологических процессов и производств". Имеется соответствующий акт внедрения. По итогам работы будут поданы две заявки на изобретения.

Достоверность полученных в работе результатов подтверждается экспериментальными исследованиями ТП производства муки, проведенными в производственных условиях ОАО "Мелькомбинат в Сокольниках ", а также обеспечивается совпадением расчетных данных и результатов эксперимента.

Апробация работы. Основные положения диссертационной работы докладывались, обсуждались и были одобрены на:

- Первой международной научно - практической конференции - выставке «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины», Москва, МГУПП, 2012 г.;

- X Международной научно-практической конференции "Автоматизация и информационное обеспечешш производственных процессов в сельском хозяйстве", Углич, ГНУ ВИМ Россельхозакадемии, 2012 г.;

- международной конференции молодых ученых «Проблемы пищевой безопасности». Москва, МГУПП. 2013 г.:

- X Всероссийской конференции молодых ученых по математическому моделированию и информационным технологиям. Кемерово. Институт вычислительных технологий СО РАН. 2013г.,

- Международной научно-практической конференции «Актуальные проблемы экономики. менеджмента и маркетинга в отраслях АПК». Москва, МГУПП, 2014 г.;

- Ill международном форуме «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Москва. МГУПП, 2014 г.

На различных этапах выполнения результаты исследований докладывались и обсуждались также на заседаниях кафедры «Информационные технологии и автоматизированные системы» ФГБОУ ВПО «МГУПП»

Публикации. По материалам диссертации опубликовано 13 печатных работ. Из них 2 статьи в журналах, входящих в список ВАК, а также 11 докладов в сборниках научных докладов международных конференций. Поданы две заявки на изобретения.

Структура и объем работы. Диссертационная работа состоит из введения. 6 глав, заключения, списка используемых сокращений, публикаций по теме работы, списка используемой литературы (120 источников) и приложения. Работа изложена на 210 страницах машинописного текста, содержит 43 рисунка, 18 таблиц, 5 приложений.

Краткое содержание работы

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования. раскрыты научная новизна и практическая ценность работы.

Первая глава посвящена анализу современного состояния исследований по автоматизации контроля показателей качества муки в процессе производства.

В рамках данной главы дана характеристика стадий и материальных потоков в процессе производства муки. Структурная схема, раскрывающая набор операций и материальные потоки ТП производства муки на мелькомбинате в Сокольниках, представлена

(^эерно J) I-^- —I

J 1 L Сортировочный - —nil Мука в/с

— li 4 ь>- Мука 1 сорт ^

Ситовеечный процесс ~ I" Мука 2 сорт —1 1 —

процесс i Размольный процесс --------- отруби

_-. 1 г--

Вымольный процесс

Рис. 1.1 Структурная схема, раскрывающая набор операций и материальные потоки ТП производства муки на мелькомбинате в Сокольниках.

Проведено всестороннее изучение и анализ наиболее важной стадии процесса производства муки - размола как объекта автоматизации. Этапы ТГ1 размола зерна при производстве .муки представлены на рис. 1.2.

Рис. 1.2. Этапы технологического процесса размола зерна

Проведен анализ влияния состояния сырья, его органолептических, физико-химических, структурно - механических параметров, а также параметров ТП размола на показатели качества мутен. Описаны основные ТП размольного отделения при производстве муки, а также определены возможные управляющие воздействия для регулирования протекания процесса размола.

Проведен обзор методов и средств органолеппгчсского контроля показателей качества зерна и муки. Показаны недостатки органолептического контроля. Изучены существующие методы контроля физико - механических, структурно - механических и биохимических характеристик сырья, полуфабрикатов и готового продукта. Проведен анализ эффективности ТП производства муки, влияние схем формирования и оборудования для их реализации на качество получаемой муки.

Показано, что одними из основных показателей качества как зерна, так и муки, является влажность. В работе представлен обзор и анализ современных методов и средств оценки влажности зерна и муки.

Проанализированы возможности использования существующих в настоящее время методов и инструментальных средств измерения влажности, применяемых на большинстве мукомольных предприятий, для автоматического определения в потоке влажности муки. Также рассмотрены некоторые решения, разработанные для других отраслей, которые могли бы быть адаптированы для мукомольной промышленности.

Проведенный в работе обзор и анализ литературы, посвященной этой проблеме, выявил, что к настоящему времени в пищевой промышленности для контроля влажности сыпучих пищевых масс применяются лишь лабораторные методы и отсутствуют автоматические устройства контроля данного параметра в потоке. Были отмечены причины невозможности или нецелесообразности использовагшя данных методов для решения поставленных в работе задач.

Как показали проведенные нами исследования, среди органолептических показателей качества муки одним из наиболее информативных и важных показателей является ее цвет. С целью выбора подхода к решению задачи автоматизации контроля цвета муки в потоке, в диссертационной работе проведен обзор и анализ методов и средств, используемых при решении аналогичных задач в различных отраслях промышленности.

Обзор и анализ существующих в настоящее время методов и средств измерения цветности показал, что на рынке представлен широкий спектр современных цветомеров:

измерители белизны муки с определением способности к потемнению БЛИК, колориметры цвета нефти ЦН'Г, автоматические программируемые анализаторы жидких и сыпучих продуктов, компараторы цвета сыпучих материалов и др. В последние два десятилетия наблюдается значительное расширение использования инструментальных методов анализа цвета, основанных на использовании фотоэлектрических методов. Основными ограничениями в действии предложенных средств измерения цвета являются то, что это лабораторные приборы. Они полезны, но позволяют измерять значения цвета различных масс только после подготовки пробы для анализа образцов и, следовательно, могут лишь констатировать цветность исследуемых масс. Подготовка пробы занимает определенное время и делает затруднительным использование представленных методов в поточной автоматизированной линии. Информация, которую предоставляют данные приборы, не может быть задействована в управлении технологическим процессом в режиме реального времени.

Поскольку для стабилизации ТП производства муки и создания ЛСУТП необходима полная, объективная, достоверная и своевременная информация о состоянии этих процессов в режиме реального времени, была поставлены задача разработки методов и способов автоматического контроля влажности и цвета муки в потоке на основе использования перспективных интеллектуальных технологий.

Реализация поставленных задач требует от объекта автоматизации - ТП размола при производстве муки, выполнения определенных требований по поточности и прогрессивности исследуемых процессов.

Поэтому вторая глава посвящена анализу подготовленности ТП размола при производстве муки к стабилизации и автоматизации.

Для оценки поточности и прогрессивности исследуемых ТП размола, построения моделей выполнения комплекса операций устройствами над объектом автоматизации был использован один из наиболее перспективных методов - метод математического моделирования с применением теории графов, который позволил применить формальные методы анализа систем и построить наглядные граф - модели рассмотренных ТП производства муки.

На основании схемы производства муки на мелькомбинате в Сокольниках (рис. 1.1) и этапов ТП размола зерна (рис. 1.2.) была составлена граф-модель реализации ТП производства муки (рис.2.1.). Анализ потокового графа и описывающей его матрицы смежности позволил выявить основные свойства матрицы смежности и рассчитать коэффициенты асимметричности Кп, поточности К„ и показатель наличия собственных контуров в основном потоке направления графа К„ , численные значения которых позволили судить о поточности и прогрессивности схем рассматриваемых ТП. При этом были получены следующие результаты. Коэффициент асимметричности графа К„, который характеризует поточность реализации ТП размола, К:1~0,1275. Чем меньше значение К„, тем меньше асимметрия графа. Коэффициент поточности ТП размола при производстве муки является одним из основных показателей прогрессивности и рациональности ТП и характеризует возможность использования средств автоматизации для исследуемых схем. Определяли выражения: К „„„ = I -. Коэффициент поточности ТП размола при производстве муки К„„„=0,8725. Численное значение показателя наличия собственных контуров в основном потоке графа К 1( характеризует степень совершенства ТП. Для ТП размола при производстве муки К„=0,314.

Полученные результаты расчетов основных показателей матрицы смежности выявили достаточно хорошие показатели поточности и прогрессивности исследуемой схемы

ТП размола зерна при производстве муки на мелькомбинате в Сокольниках, поскольку данная схема имеет высокий коэффициент поточности, небольшой коэффициент ассимет-ричностн и небольшую величину показателя наличия собственных контуров. На основании полученных результатов был сделан вывод о подготовленности исследуемых ТП размола при производстве муки к стабилизации и автоматизации.

Рис. 2 1. Граф- модель реализации схемы ТП производства муки

В общем виде получено математическое описание ТП размола при производстве муки, отражающее изменения свойств исследуемых масс в результате выполнения над ними комплекса различных операций. Х|=а, „ Х:,'Х2=а21X1+82 2X2^32 з.Хч;

х5 а5 4X4 I ¡1, 5X5, Хг,-а'хл' + ас,п 'хо' '' У.-, 7X7, Х7=а«хг.+а7*х»; х8=а8.7х7 <-а8.8х8;

Х9=а9.зХз+а5 7 а; цХ^4 Хц| 2а;)л,х71 а_!,1г;х

Xi;=ai2.iiX,1+a12il(<ilx0l"»a,2(.( 'х/' 2;1|;12Х|2^ (2.1)

3i2 пХц; Хп~4ац 12x¡2; Xi4=ai4.nXr, +au |5Х|5,

Xi5=a;5.i4+ai515X15,

Xió=ai6oXo '+а1г,17х17; Х|7=а,7.|,.Х|/"+а,7.17Х|7: а|8(,х<| +а11и,х19;

Xl9~2[9 IRXja ISjXj'j,

X2o=a2() >1X11 ^a2o,i5X]5+a2uj7X|7+a2i)j^Xi9+a2l) 21X21, X2I=ra2i,2nX20+a2| 2(X2j, Х22=а22Л,Х21 —

Полученный выше граф реализации схемы Til производства муки (рис.2.1.) и соответствующие системы уравнений (2.1) выражают модели изменения свойств исследуемых масс в результате выполнения комплекса операций устройствами или механизмами над объектом автоматизации.

Поскольку полученные системы уравнений (2.1) оказались громоздкими, для их упрощения были проведены эквивалентные преобразования граф-модели (рис.2.1.) с одновременным упрощением соответствующей ей системы уравнений с учетом правил пре-образовашш графов. В результате такого упрощения была разработана более простая форма графов, так называемая характеристическая модель реализации операций ТП размола при производстве муки, отражающая последовательность выполнения основных

операций и,, исследуемых ТП с указанием их обобщенных показателей качества сырья

I /> ^

X или полуфабрикатов , получаемых в результате выполнеш1я этих операций. В результате проведенных исследований получено

упрощенное математическое описание изменения свойств исследуемых масс в процессе размола при производстве муки.

Получена функционально-структурная схема (ФСС) процесса размола при производстве муки, являющаяся основой построения структурной модели влияния факторов промежуточных операций, состояния исходного сырья на качество готового продукта -муки.

Анализ полученных схем позволяет сделать вывод, что процессы производства муки могут быть описаны тремя основными характеристическими ФСС и их сочетанием. Следует также отметить, что эти схемы состоят из ряда типовых операций, аналогичных для самых разнообразных ТП приготовления пищевых масс.

Па основании полученных результатов, а также в результате проведенного обзора и анализа работ, посвященного: расчету, конструированию и методам исследования машин и аппаратов пищевых производств; технологии производства муки, характеристике свойств этих масс: исследований влияния технологических факторов, режимов работы оборудования, конструктивных параметров этого оборудования на качество готовой продукции: вопросам автоматизации процессов производства муки, была составлена классификация основных типовых операций ТП размола при производстве муки с выбором факторов, определяюнщх эффективность проводимых операций (табл. 2.1.).

Таблица 2.1.

№ п/п Наименование типовой операции Оггрелеляющие факторы, зависящие от: Наличие операций в схемах производства муки

работы технологического оборудования свойств сырья и перерабатываемого продукта

В зерноочистительном отделении В размольном отделении

I 2 3 4 5 6

I Очистка и сортировка сыпучего сырья Производительность, кинематические и конструктивные пзраметры, степень извлечения примесей, скорость воздуха Влажность, содержание примесей, гранулометрический состав, скорости витания компонентов смеси + +

3 Размол, измельчение, шлифование сырья, полуфабриката Производительность, кинематические и конструктивные параметры, ГС, характер воздействия на обрабатываемый продукт (истирание, удар, раскалывание), определяемый типом оборудования Физические и структур-ио-механические свойства (влажность, вязкость, консистенция, прочностные свойства и т.д.), время воздействия, температура +

4 Обогащение крупок Производительность, Рабочее давление, продолжительность цикла обогащения, кипематические и конструктивные параметры Начальная влажность, начальная температура, дисперсность, начальные реологические свойства

5 Увлажнение, отволажива-ние тепловая обработка: нагрев, охлаждение, сушка зерна, муки Производительность, кинематические и конструктивные параметры, продолжительность обработки, температура обработки. % влажности, количество зон нагрева или охлаждения, характер относительного движения теплоносителя и продукта Начальная и конечная температура, влажность, реологические свойства, гранул о метрический состав +

6 Перемешивание Производительность, эффективность перемешивания (однородность получаемой массы), продолжительность перемешивания, кинематические и конструктивные параметры Температура, рецептурный состав, реологические свойства +

7 Дозирование Производительность, кинематические и конструктивные параметры, класс точности Масса, гранулометрический состав +

Следующим важным этапом стабилизации и автоматизации исследуемых ТП размола при производстве муки являлось построение структурной модели влияния показателей качества исходного сырья, промежуточных операций, режимов работы оборудования на качество производимой в процессе размола муки.

Такая структурная модель на примере процесса размола при производстве пше-1гачной муки была разработана в диссертации. При разработке дайной модели были использованы да1шые, полученные в таблице 2.1., а также результаты проведенного в диссертации обзора и анализа работ различных авторов, посвященных изучению изменения свойств муки в процессе ее производства, в том числе результаты собственных исследований в этой области. В дальнейшем это позволило, используя метод лидера к матрице смежности, изучить информативность всех указанных в схеме параметров, выбрать наиболее значимые из них и с учетом полученных результатов распределить необходимые точки контроля за ходом исследуемых ТП.

На основе предложенной в диссертации методики исследований разработана обобщенная схема последовательности этапов подготовки изучаемого ТП размола к автоматизации контроля показателей качества муки (рис.2.2).

Обобщенная схема последовательности проведения этапов подготовки ТП размола к автоматизации контроля качества муки.

Схема включает следующие основные этапы: 1 - анализ исследуемых ТП размола при производстве муки; 2 - разработка граф-модели реализации ТП размола при производстве муки и оценка поточности и прогрессивности структуры ТП размола; 3 - составление схемы влияния состояния исходного сырья, факторов промежуточных операций.

режимных параметров используемого оборудования на качество полуфабрикатов и муки в процессе размола; 4 - составление, качественный анализ функциональной схемы исследуемого ТГ1 и разработка математического описания данного процесса; 5 - определение информативности параметров процесса; 6 - выбор наиболее информативных контролируемых параметров; 7 - распределение точек контроля; 8 - исследование законов распределения контролируемых параметров по результатам экспериментального анализа реального процесса, 9 - определение интервалов изменения контролируемых параметров; 10 - выбор регулируемых воздействий; 11 - выбор обобщенных наиболее информативных контролируемых параметров качества муки; 12 — завершение подготовки к автоматизации ТП размола при производстве муки.

Исходя из представленной на рис. 2.2. схемы, решение задачи автоматизации контроля показателей качества муки в процессе размола при производстве мути! возможно лишь при наличии математических моделей этих процессов, позволяющих прогнозировать ход ТП и определять необходимые при этом режимы работы используемого оборудования.

Для реализации данного этапа в третьей главе проведены комплексные экспериментальные исследования наиболее важных процессов производства муки: зерноочистки и размола.

На основании полученных экспериментальных данных были разработаны параметрические модели контроля качества этих процессов.

На рис.3.1. представлена параметрическая модель контроля качества процесса зерноочистки.

Х1 - частота колебаний сит. 1/мин —780, ЫК Х2 - рзеход зерна, т/чзс — 2 4, Оз

ХЗ —расход воздуха ма'час — 8 ООО. ОВ

21 - влажность зерна. - 9-14. МС

22 -влажность воздуха. - 30-00 Мв

23 —температура воздуха. С -16-35, ТВ

24 - диаметр отверстий нижних сит. мм - 6.5-3. ОС и1 — частота ерзщения сит. 1'ммн— 107. N В и2 — амплитуда колебаний сит, мм — б, Р^К

V, — эф фиктивность очистки зерна, % - 80

Рис. 3.1. Параметрическая модель контроля качества процесса зерноочистки

Исходя из полученной параметрической схемы (рис. 3.1.) для структурно - параметрического моделирования процесса зерноочистки, использовали метод структурно -параметрического описания большой системы с полным использованием априорных знаний о функциональных связях между параметрами. При этом структурно-параметрическое моделирование процесса зерноочистки сводилось к построению матриц взаимосвязей между сгруппированными параметрами состояния процесса и отысканию затем сопоставимых характеристик этих связей с последующим построением ситуационной модели состояния системы с алгоритмизацией процедур его идентификации и прогнозирования.

На первом этапе характеристики связей между наблюдаемыми параметрами задавались экспертным путем с последующим их уточнением в результате обработки статистических данных методами корреляционного и регрессионного анализа. Исходные данные по ТП зерноочистки, сформированные в виде массива случайных наблюдений х(1,]), представлены в табл. 3.1 В нашем случае сюда входят:

21 22 гз 24

и1 и1

Таблица 3.1

Входные параметры Обозначение Диапазон изменений Размерность

Частота колебаний сит х. 760 - 800 1/мин

Расход зерна Х2 22-26 т/час

Расход воздуха X, 7900 - 8100 м / час

Влажность воздуха х4 30-90 %

Влажность зерна Х5 9-14 %

Температура воздуха Хс 16-35 "С

Диаметр отверстий сит х7 6,5-8 мм

Амшиггуда колебаний сит х„ 5-7 мм

Частота вращения сит Ху 105 - 109 1/мнн

Выходной параметр

Эффективность очистки зерна Yk 75-85 %

Исходя из полученных характеристик связей между параметрами, был подобран критерий качества, удовлетворяющий текущим требованиям к эффективности хода ТП зерноочистки. В общем виде критерий качества получен в следующем виде:

Ук = С,Х1+С2Х2+С3Хз+....+С„Х„ ' (3.1.)

С учетом найденных коэффициентов в окончательном виде кр1ггерий качества процесса зерноочистки будет представлен следующим образом:

Ук = 0,55 ХгЮ,38 Х2+0,43 Х3-0,33 Х4+0.75 Х5+ 0,35 Х6+0,36Х7+0,08Х8+0,1 IX, (3.2.)

Проведенный нами анализ ТП размольного отделения как объекта автоматизации, существующих методов органолсптического, физико - механического и структурно - ме-хащпеского контроля свойств зерна и муки, с учетом разработанной структурно - параметрической модели контроля качества процесса зерноочистки (рис. З.1.), позволил выделить основные показатели качества в процессе размола.

Полученные данные позволили разработать параметрическую модель контроля качества процесса размола зерна, представленную на рис. 3.2. При проведении экспериментальных исследований ТП размола были изучены характеристики связей между исследуемыми параметрами, получена матрица коэффициентов регрессии, которая затем пересчитана в матрицу безразмерных сопоставимых характеристик связей этих параметров.

Уз - влажность зерна перед размолом,"/® -16,4-16,6 в - цвет ,% - 77

Рп - содержание сорной примеси,% - 1 Б - стеклсвидность зерна,% - 50

Ыв - величина окружной скорости быстровращающегося валь-Вп ца, м/с -4-10.

* Ь'м - величина окружной скорости мсдленноврашагошегося вальца, м/с - -4-10.

К - отношение окружных скоростей вальцов: крупообразова-ния - 2,5, шлифования -1,2-1,8; размола -1.5-1,8 К В В -величина межвальцевого зазора.мм 0,03-1,5

Вп - выход муки, % -75

Рис. 3.2. Параметрическая модель контроля качества процесса размола

Исходя из полученных характеристик связей между параметрами, был подобран критерий качества, удовлетворяющий текущим требованиям к эффективности хода ТП размола. В общем виде критерий записывается следующим образом:

Ук = С +С2Х2+СзХз+... ,+С„Х„ (3.3.)

С учетом найденных коэффициентов в окончательном виде критерий качества процесса размола получаем в следующем виде:

Ук = 0,78X1+0,93X2+0,96X3-0.68X4+0.77X5+0,64Х* (3.4.)

Разработанные критерии качества ТП зерноочистки (3.2.) и размола (3.4.), удовлетворяют следующим необходимым условиям: процессы зерноочистки и размола зерна при производстве муки исследованы и заданы факторами, оказывающими наибольшее влияние на их состояние; известны пределы изменения параметров, характеризующих состояние ТП зерноочистки и размола при производстве муки; модели отвечают критериям адекватности.

Описанные критерии качества, полученные путем структурно — параметрического моделирования, являются основой для разработки программно- аппаратного комплекса (ПАК) системы автоматизированного контроля (САК) показателей качества муки в процессе размола.

В четвертой главе были проведены исследования и проанализированы возможности применения искусственных нейронных сетей и системы технического зрения для автоматизации контроля показателей качества муки в процессе размола. Осуществлена математическая постановка задач автоматизации контроля влажности и цвета муки в потоке.

Анализ проведенных нами теоретических и экспериментальных исследований, разработка структурно - параметрических моделей ТП производства муки, показали, что наиболее информативными, наиболее значимыми параметрами контроля качества муки в процессе размола являются влажность и цвет, которые влияют практически на все процессы, тесно связаны со структурой вещества и хорошо реагир\тот на изменения в молекулярном строении исследуемой массы в процессе ее переработки. Выбор этих параметров показал необходимость решения в данной работе задачи автоматизации контроля влажности и цвета муки в потоке.

Поскольку к настоящему времени в пищевой промышленности для определения вышеуказанных параметров применяются лабораторные методы и использование существующих датчиков влажности и цвета в потоке не представляется возможным, нами была исследована возможность автоматизации контроля показателей качества муки (влажности и цвета) с использованием наиболее перспективных интеллектуальных нейросетевых технологий и системы технического зрения.

Был проведен обзор и анализ областей использования нейронных сетей, рассмотрено некоторое количество решений, в которых нейронные сети были основой для определения параметров качества пищевых масс. Во время проведения исследования были проанализированы и обоснованы возможности применения искусственных нейронных сетей для автоматизации контроля влажности сыпучих масс в процессе размола при производстве муки.

Также проведен обзор и анализ областей применения системы технического зрения для автоматизации ТП и построения АСУТП. Рассмотрены различные решения, в которых цифровые интеллектуальные видеокамеры были основой для определения параметров качества продукции различных отраслей промышленности, в том числе пищевой. Исследованы и обоснованы возможности применения системы технического зрения для автоматизации контроля цвета муки в процессе размола.

Проведенные исследования показали перспективность использования рассмотренных интеллектуальных технологий для автоматизации контроля влажности и цвета муки в процессе размола.

Выполнена математическая постановка задачи автоматизации влажности муки, которую можно сформулировать следующим образом:

W = F(Xem.Xlm)-, (4.1.)

где: IV— текущее значение влажности муки;

Хат - (automation measurement) входной вектор, характеризующий параметры технологического процесса, полученные в результате автоматических измерений, производимых СУ линии производства муки:

Х[т - (laboratory measurement) входной вектор, характеризующий исходные показатели качества зерна и полуфабрикатов, определенные в процессе входного контроля и полученные в результате лабораторных измерений.

Основой для определения влажности муки служат разнообразные статистические данные о ходе технологического процесса производства муки и параметры зерна и полуфабрикатов, корреляция которых с определяемым параметром выражена не явно. Таким образом, в случае использования для построения модели аппарата ИНС, задача нейронной сети в данной системе сводится к задаче прогнозирования результата.

При правильном формировании обучающей выборки, значения параметров которой будут охватывать весь допустимый диапазон их изменения, задача прогнозирования влажности муки представляет собой задачу интерполяции результатов. Это означает, что данный виртуальный датчик влажности будет стабильно работать с заданной погрешностью в данном диапазоне значений технологических параметров.

Таким образом, обобщенная нейросетевая модель, обученная по выборке, в которой описывается зависимость выходного вектора }'t , характеризующего значение параметров влажности муки в текущий момент времени от параметров, значения которых определяют поведение процессов происходящих во время производства муки, описывается уравнением:

П= (4.2.)

производит интерполяцию значения влажности, основываясь на имеющихся данных о процессе.

У> = (4-3.)

В этом случае нейронная сеть будет решать задачи классификации и прогнозирования. Основные этапы построения и интеграции виртуального датчика влажности на основе ИНС в ПАК интеллектуальной системы автоматизированного ко:проля (ИСАК) показателей качества муки представлены на рис. 4.1.

Выполнена математическая постановка задачи автоматизации цвета муки, основанная на использовании наиболее перспективного в системе технического зрения метода распознавания объектов при сравнении с эталоном. При этом эталонное изображение наблюдаемого объекта контроля будет получено с помощью используемого интеллекту-атьного видеодатчика (цифровой видеокамеры), содержащего некоторую совокупность эталонных объектов и локальную зону, за которой ведётся наблюдение. Без потери общности можно считать, что изображение бинарное, то есть значения элементов матрицы изображения, соответствующие объектам, равны единице, а соответствующие фону - равны нулю.

Цветное изображение всегда можно привести к полутоновому изображению, а полутоновое изображение всегда может быть приведено к бинарному в результате пороговой обработки матрицы изображения. Положешге локальной зоны заранее известно, поэтому математическими методами можно ввести функционал, с помощью которого из эталонной матрицы всего изображения выделить подматрицу /„,-. в которой расположено изображетте локальной зоны, используемое для математического анализа.

Рис.4.1. Этапы построения и интеграции виртуального датчика влажности на основе ИНС в ПАК ИСАК показателей качества муки

Один из возможных методов оценки динамики изображения объекта заключается в выделении элемента кадра р,-., (пикселя или их группы) и рассмотрение изменения его цвета по всей последовательности кадров. Тогда этот математический объект можно рассматривать как матрицу решётчатых функций отражающих динамику изменения отражения света от элементов поверхности снимаемого объекта. Именно на основе анализа этой матрицы можно судить об изменении цвета муки, за которым ведётся наблюдение. При этом в процессе размола при производстве муки были определены такие визуальные зоны, в которых наиболее сильно отображается изменение цвета муки в ходе ТП. Используя метод вычитания изображений возможны два режима слежения: 1) сравнение текущего изображения с визуальным эталоном и 2) сравнение изображения текущего кадра с изображением предыдущего кадра с использованием базы данных цветных изображений разных сортов муки. В любом из этих случаев для сравнения необходимо производить вычитание изображений и по разностному изображению определять степень визуального изменения в контролируемой зоне изображения.

В пятой главе разработана нейросетевая модель (НСМ) для построения виртуального датчика влажности муки в процессе размола.

При работе над данной главой с целью выявления контрольных точек и составления достаточной выборки входных параметров НСМ были проанализированы все параметры ТП производства муки, измеряемые посредствам системы автоматики. А также был составлен список параметров сырья (зерна), полуфабрикатов и готовой продукции (муки), получаемых в процессе входного контроля посредствам лабораторных измерений. Полученные данные представлены в таблице 5.1. «таблице 5.2.

Таблица 5. 1

Операция Оборудование Объект контроля Параметр контроля Тип измерений

Хранение зерна Сил осы зерно Температура зерна Авто

Температура воздуха Авто

Относительная влажность воздуха Авто

Температура вентиляции Авто Авто

Расход воздуха (вентиляция + транспортировка)

Зерноочистка Зерноочиститель ко-сушнльные комплексы зерно Температура воздуха Авто

Частота колебаний сит Авто

Расход зерна Авто

Скорость воздушного потока Авто

Влажность воздуха Авто

Диаметр отверстий сит Авто

Амплитуда колебаний сит Авто

Дозирование зерна и муки Рецептурные весы зерно или мука Вес Авто

Размол зерна в муку Вальцевый станок мука Величина окр. скорости быстровра-щаюшегося вальца Авто

Величина межвальцевого зазора Авто

мука Величина окружной скорости мед-ленновращающегося вальца Авто

мука Отношение окр. скоростей вальцов Авто

Технологические параметры, получаемые в результате входного контроля Таблица 5.2.

Объект контроля Нормативная документация Параметр контроля Тип измерений

Вкус Органолептика, в соответствии с ГОСТ 10967-64

Запах Органолептика, в соответствии с ГОСТ 10967-64

Цвет Органолептика, в соответствии с ГОСТ 10967-64

Натурз Лабораторными методами в соответствии с ГОСТ 10840-64

Стеклов ид I гость Лабораторными методами в соответствии с ГОСТ 10987-64

Количество белка, крахма- Ипфраматик 9500 работающий в ближнем инфра-

£ ла, натура красном диапазоне

о X О Содержание минеральной примеси Лабораторными методами в соответствии с ГОСТ 10939-64

ь Клейковина Лабораторными методами в соответствии с ГОСТ 10966-64

Белизна Лабораторными методами

Кислотность По болтушке в соответствии с ГОСТ 10844-64

Зольность Лабораторными методами в соответствии с ГОСТ 10967-64

Крупность Лабораторными методами в соответствии с ГОСТ 11091-64

Засоренность Лабораторными методами в соответствии с ГОСТ 10841-64

Температура хранения Дистанционно

го Вкус Органолептика

л н 7 Запах Органолептика

2 о§ Цвет Органолептика

ий Белизна Рефрактометр

Зольность Лабораторными методами в соответствии с ГОСТ 10967-64

Крупность помола В соответствии с ГОСТ 28467-90

Количество и качество клейковины В соответствии с ГОСТ 26181-84

Массовая доля минеральных примесей В соответствии с ГОСТ 25555.3-82

С целью создания нейросетевой модели для построения виртуального датчика влажности муки в процессе размола была проведена классификация основных типов НС (рис. 5.1.). _

Иоскугтвемные нейронные сети (НС)

Рис. 5.1. Классификация основных типов нейронных сетей

Проведен анализ возможности применения нейронных сетей различных типов для решения задачи построения виртуального датчика влажности муки. На основе полученных результатов осуществлен выбор структуры ИНС, который определялся, главным образом, спецификой поставленной задачи. В рассматриваемом случае задачи интерполяции данных.

Анализ однослойных НС показал непригодность их для решения поставленной задачи ввиду их низкой вычислительной способности. Дальнейшее рассмотрение структур ИНС привело к выбору многослойных НС прямого распространения, типа многослойный персешрон. Такая структзра является наиболее распространенной для решения задач интерполяции. В работе обоснована необходимость использование сети типа многослойного персентрона для решения задачи определения влажности муки.

Осуществлен подбор количества слоев и количества нейронов для каждого слоя НС. Количество скрытых слоев определялось экспериментальным путем в среде «МаЙаЬ» с учетом теоретического обоснования. На рис. 5.2. представлена структура разработанной нейронной сети, типа многослойный персептрон с одним скрытым слоем, реализованная в разрабатываемой системе. Входной вектор сети состоит из элементов таблиц 5.1.и 5.2. На выходе НС формирует выходной сигнал влажности.

Для полученной системы осуществлен подбор алгоритма обучения сети: градиентный метод обратного распространения ошибки, который является одним из наиболее эффективных методов обучения многослойных нейронных сетей.

Представленная структура НС подвергалась обучению согласно алгоритма обратного распространеш1я ошибки. Для этого на вход НС подавалась одинаковая обучающая выборка. Обучение нейронных сетей проводилось на базе да1щых, полученных на производстве с использованием градиентного метода обратного распространения ошибки. При этом выполнялись следующие вычисления:

Параметры, подаваемые на вхол НС. Автоматические измерения к ланнме RKoi-

Автома- Xl'f-

тические !

шмерс-

В\кон-

троль.

Зерно *17"

Зхконтро.т*-18

ь РП

Х2Ъ~ х. контроль.

ерноочнетка •••

Вх ОД II ОЙ СЛОН

IIC. Принимает вектор входных

параметров — автоматических

намерений уь^ Я Я И НЬ1X в*бл н о го'

W

Гкпмтмй слой ЯГ1.

(i)

lo

■ vv' - '

'Ф*

Выходной СЛОИ НС. Формирует выходное значение влажности

-s' -i-

Текущее значение влажности MVKH

у

Рис. 5.2. Структура разработанной нейронной сети, типа многослойный персептрон с одним скрытым слоем.

(íiíj

Выходу-ого нейрона скрытого слоя 3j- вычислялся следующим образом:

1 + е J

me S¡k0 =lf=iXiWl} , (5.2.)

V, - значение i-oro элемента входного вектора, H'¡, - соответствующий весовой коэффициент:

Суть данного а1горитма состоит в том, что после представления НС каждой обучающей выборки происходит уточнение весовых коэффициентов сети. Цель обучения состоит в том, чтобы определить значения весовых коэффициентов для каждого слоя сети таким образом, чтобы при заранее определенном входном векторе получить выходное значение у, с заданной точностью совпадающее с ожидаемым.

Структура сети выбиралась опытным путем при сравнении различных вариантов. Основным критерием выбора стала ошибка обучения, которая оказалась минимальной в случае использования сети с одним скрытым слоем, где количество нейронов скрытого слоя возрастает по сравнению с предыдущим (расходящаяся сеть). Для данной системы минимальная ошибка обучения составила 1,04%, что укладывается в предел допустимой погрешности для данной системы, определенный 1,5%.

Ошибка сети 3^ для выходного слоя рассчитывалась по формуле:

Sfc =0'» : <5-3')

Изменения весов выходного слоя &W¡j рассчитывалось: , <, ГпП

&WfJ = -r¡ ■ Sj ■ у- (5.4.)

„ г.intl . [flL!

Для скрытого слоя рассчитывались о. ' и Ди'.\

.(hi)

М)

(5.6.)

(5.5.)

Корректировка всех весов НС Mfy осуществлялась следующим образом:

(t) = Wijit) + Awf/(t) (5.7.)

Если ошибка сети существенна, корректировка весовых коэффициентов продолжалась, в противном случае - сеть считалась обученной.

По результатам обучения был проведен анализ работоспособности НСМ, который осуществлялся путем подачи на вход сети тестовой выборки с целью определения соответствия результатов работы НС заданной точности.

В работе выполнен сравнительный анализ свойств и характеристик наиболее популярных нейропакетов, который позволил выявить их основные особенности, достоинства и недостатки. На основании анализа программного обеспечения, позволяющего реализовать нейросетевые алгоритмы, был рекомендован программный пакет Matlab для моделирования ИНС и решения задачи оценки влажности муки.

Таким образом, для автоматизации контроля в потоке показателей качества муки была разработана и обучена НСМ определения влажности муки в процессе размола.

Шестая глава посвящена разработке технических решений для реализации программно - аппаратного комплекса (ПАК) автоматизированного контроля показателей качества муки.

Для автоматизации контроля влажности и цвета муки ПАК необходимо обеспечить выполнение следующих функций:

• автоматическое получение информации о ходе технологического процесса в режиме реального времени (online);

• ввод лабораторных данных в ручном режиме о сырье и полуфабрикатах, посредством человеко-машинного интерфейса,

• обработка данных;

• хранение информации о параметрах и результатах анализа;

• выборка данных;

• реализация работы НСМ;

• подготовка результатов (статистическая обработка);

• вывод информации о параметрах качества муки - влажности и цвета в удобной форме.

Для выполнения всех описанных выше функций была разработана структура программно-аппаратного комплекса (ПАК), представленная на рис. 6.1.

Каждый из элементов структуры, показанной на рисунке 6.1. является необходимым звеном ПАК и отвечает за свои четко разграниченные функции. Объект управления. Объектом управления (ОУ) в нашей работе является ТО размольного отделения, этапы которого представлены иа рис 1.2. В ОУ на основе ПАК должна быть встроена интеллектуальная система автоматического контроля ИСАК, позволяющая непрерывно в реальном времени получать информацию о параметрах качества муки: влажности и цвета, ходе исследуемых ТП, текущем состоянии РП используемого оборудования и т.д.

Рис. 6.1. Структура программно- аппаратного комплекса Устройство сбора данных. Устройство сбора данных предназначено для сбора технологических, а также физико-химических и структурно - механических параметров зерна, полуфабрикатов и получаемого готового продукта - муки. В качестве одного из элементов системы по сбору данных может выступать сотрудник лаборатории или же оператор-технолог, проводящий анализы показателей качества зерна, муки, а так же следящий за работой оборудования линии.

ЦБК - цифровая видеокамера, предназначенная для контроля цвета муки. Датчики автоматического контроля параметров процесса. Датчики для получения данных автоматических измерений. Для автоматического получения данных о протекании ТП производства муки в рассматриваемом случае была использована собственная система автоматики, внедренная на линии на ОАО «Мелькомбинат в Сокольниках». Данная система базируется на ПЛК, который осуществляет непосредственное управление участком линии, а так же производит непрерывный опрос группы датчиков, установленных в различных частях технологического оборудования.

вСДВА-система оператора-технолога - человеко - машинный интерфейс (ЧМИ) с предустановленным программным обеспечением, носредствам которого оператор-технолог осуществляет контроль, настройку и управление технологическим процессом. ЗСЛИЛ-система (система ЧМИ) - в данном случае - программное обеспечение, установленное на ПК, которое осуществляет пользовательский интерфейс дня ввода технологом результатов лабораторных измеренных параметров сырья и полуфабрикатов. БСАОА-система должна выполнять следующие функции: сбор, обработка, накопление информации о технологических параметрах, ее архивирование и отображение в режиме реального времени на экранах персональных компьютеров (ПК), выявление аварийных ситуаций, вывод на экраны ПК аварийных сообщений; оперативное управление ТП. Средства воздействия на процесс - это устройства управления (УУ), осуществляющие выдачу управляющих воздействий на исполнительные механизмы ТП размола. УУ являются модули вывода программируемых логических контроллеров (ПЛК). Информационный сигнал, поступающий от интеллектуального модуля нейросетевого моделирования, обрабатывается программой контроллера, вследствие чего выдается управляющее воздей-

ствие на конкретный исполнительный механизм и тем самым происходит корректировка ТП в соответствии с рассчитанными данными.

СУБД - программный продукт, предоставляющий возможность структурированного хранения, и доступа к информации, полученной при помощи автоматических измерений в ходе технологического процесса или посредствам лабораторных измерений. Так же в СУБД хранятся данные обучающих и тестовых выборок для обучения нейронной сети. ОРС-сервср - семейство программных технологий, представляющих единый интерфейс для управления объектами автоматизации и технологическими процессами. В данной системе реализации виртуального датчика влажности ОРС выполняет роль шлюза для обмена данными между СУБД и СКМ.

СКМ - программный продукт, или пакет прикладных программ, предоставляющий широкий спектр математических функций. Основное предназначение данного продукта в разработанной системе - предоставление возможности реализации НСМ. В диссертации разработана схема реализации ПАК, основными элементами которой являются:

Сервер является ядром системы и основным элементом структуры ПАК. К данному элементу выдвигаются следующие требования по функциональности: построение НС различных типов: обучение НС по предоставленной обучающей выборке; нейросетевое моделирование требуемых показателей на основе данных, поступающих на вход реализованной сети.

Контроллер. Являясь центром и основой автоматизированной системы контроля и управления, программный логический контроллер представляет собой устройство, в котором реализована логика работы всей технологической линии размольного отделения, включающего определенное количество используемых в данном отделении машин и агрегатов. Опираясь на данные о технологическом процессе, полученные в результате автоматиче-CKiîx измерений параметров протекания ТП, а так же команды операторов линии, задаваемые при помощи средств человеко-машинного интерфейса, контроллер осуществляет управление работой оборудования выдавая выходные сигналы на исполнительные механизмы и регулирующие органы в соответствие с заложенной в нем программой по заданному алгоритму.

Ввод измеренных значений в лаборатории, а также вывод результатов работы НСМ реализованы с помощью разработанного человеко-машинного интерфейса. Средством разработки послужила SCADA-система, и как альтернативный, более бюджетный вариант формы MS Excel с поддержкой языка программирования VBA. Согласование функций, которые должна выполнять программа, было проведено с эксплуатационным персоналом. Разработанная структура ПАК представляет собой идеологическое представление компонентов системы, она обеспечивает получение данных о влажности и цвете муки в режиме реального времени.

Для данного из элементов ПАК разработаны алгоритмы работы.

В рамках данной главы также разработана структурная схема АСК цвета муки в процессе размола с использованием в качестве интеллектуального датчика цифровой видеокамеры. Схема работает следующим образом. Информация от цифровой видеокамеры поступает на вход интеллектуальной системы принятия решения о цвете муки, в которой проводятся следующие операции: обработка видеокадров, поступающих на вход системы; сравнение видеокадра с эталонным кадром - задатчиком 5, в котором представлена база данных эталонных образцов различных сортов муки; определение цвета муки по отклонению текущего параметра от эталонного значения; принятие решения о сорте муки.

В работе предложена функциональная схема АСК контроля цвета муки в процессе размола с использованием цифровой видеокамеры.

Для физической реализации разработанной структуры ПАК АСК показателей качества муки (влажности и цвета) осуществлен подбор комплекса технических средсТБ, позволяющих реализовать все описанные функции применительно к размольной линии по производству пшеничной муки. Даны рекомендации по их подбору.

Осуществлена интеграция виртуального датчика влажности и интеллектуального датчика (ЦВК) цвета в структуру ПАК АСК. Представленная интегрированная структура ПАК АСК показателей качества муки позволяет реализовать функции присущие АСУ ТП и обеспечивает получение данных о влажности и цвете муки в режиме реального времени.

Разработанный комплекс программно-технических средств является универсальным и может быть адаптирован под измерение других технологических параметров различных техпроцессов.

Заключение и основные результаты работы.

• Проведен анализ современного состояния исследований по автоматизации контроля показателей качества муки в процессе производства. Представлена характеристика стадий и материальных потоков при производстве муки. Исследован и проанализирован процесс размола как объект автоматизации.

• Проведен обзор и анализ:

- существующих методов и способов контроля показателей качества зерна и муки;

- современных инструментальных методов и средств контроля влажности и цвета муки;

- влияния схем формирования и оборудования для их реализашш на качество получаемой мужи.

• Проведен анализ подготовленности ТП размола к стабилизации и автоматизации: дала оценка поточности и прогрессивности ТП размола, разработано математическое описание процесса, получена его характеристическая модель. Разработана и проанализирована граф-модслъ реализации исследуемых ТП размола при производстве муки. Составлена функционально-структурная схема влияния разных факторов на ход и эффективность ТП размола, выявлены и выбраны наиболее информативные и значимые параметры эффективности TTI размола.

• Установлена необходимая оснащенность ТП размола источниками информации, осуществлен выбор основных точек контроля и регулирования.

• Составлена классификация основных операций ТП размола при производстве муки с выбором факторов, определяющих эффективность производимых операций.

• Разработаны основные этапы подготовки ТП размола к автоматизации.

• Проведено комплексное экспериментальное исследование наиболее важных для размола процессов производства муки, позволившее:

- разработать параметрические модели контроля качества процессов зерноочистки и размола;

- осуществить структурно - параметрическое моделирование ТП этих ТП;

- разработать математические модели контроля показателей качества ТП зерноочистки и размола;

- подучить критерий качества эффективности ведения эпгс ТП;

- определить и обосновать основные параметры (режимные и технологические), оказывающие наибольшее влияние на ТП размола

• На основе проведенного анализа теоретических и экспериментальных исследований выбраны и обоснованы для эффективного ведения процесса размола наиболее информатавные параметры контроля качества: влажность и цвет муки, которые необходимо определять непрерывно в ходе ТП размола.

• Проведен анализ, обобщите и систематизация направлений использования аппарата ИНС в различных отраслях (пищевой) промышленности. Обоснованы наиболее перспективные направления автоматизации контроля влажности на основе применения аппарата ИНС. Сфор-

мулированы предложили для обеспечения широкого использования аппарата искусственных НС.

• Проведен обзор и анализ областей применения системы технического зрения для автоматизации Т11 и построения АСУТП. Рассмотрены решения, в которых ЦВК были основой для определения параметров качества продукции различных отраслей промышленности, в том числе пищевой. Сформулированы предложения для обеспечения широкого использования системы технического зрения.

• Исследованы и обоснованы возможности применения ИНС и системы технического зрения для автоматизации контроля влажности и цвета муки в процессе размола.

• Выполнена математическая постановка задач автоматизации влажности и цвета муки. Сформулированы основные этапы решения поставленных задач.

• Проведена классификация основных типов архитектур НС.

• Проведен анализ и сформирована группа основных информационных параметров автоматического контроля хода ТП производства муки.

• Проведен анализ и сформирована группа основных информационных параметров качества зерна и муки, получаемых в результате входного лабораторного контроля.

• Осуществлен подбор архитектуры ИНС. Обоснована необходимость использование сети типа многослойного персептрона с одним скрытым слоем для решения задачи определения влажности муки.

• Осуществлен подбор количества слоев и количества нейронов для каждого слоя НС. Количество скрытых слоев определялось экспериментальным путем в среде «Ма^аЬ» с учетом теоретического обоснования.

• Осуществлен выбор наиболее оптимальной архитектуры сети. Фактором, по которому производился выбор наиболее оптимальной архитектуры сети, стала оценка ошибки обучения.

• Осуществлен подбор алгоритма обучения сета: градиентный метод обратного распро-страпе!шя ошибки, который является одним из наиболее эффективных методов обучения многослойных нейронных сетей.

• Разработан алгоритм обучения НС с помощью процедуры обратного распространения.

• Выполнен сравнительный анализ свойств и характеристик наиболее популярных нейро-пакетов, который позволил программный пакет МаЙаЬ для моделирования ИНС и решения задачи оценки влажности муки.

• Разработана и обучена НСМ определения влажности муки в процессе размола.

• На основе НСМ разработан алгоритм ПАКАСК показателей качества муки: влажности и цвета в процессе размола, описана структура этой системы. Разработаны подробные алгоритмы работы каждого из элементов этой структуры в отдельности.

• Разработана структурная и функциональная схемы АСК цвета муки в процессе размола с использованием в качестве интеллектуального датчика цифровой видеокамеры.

• Проведена интеграция виртуального датчика влажности и интеллектуального датчика (ЦВК) цвета в структуру ПАК АСК. Представленная интегрированная структура ПАК АСК показателей качества муки позволяет реализовать функции присущие АСУ ТП и обеспечивает получение данных о влажности и цвете муки в режиме реального времени.

• Для физической реализации разработанной структуры ПАК АСК показателей качества муки осуществлен подбор комплекса технических средств, позволяющих реализовать все описанные функции применительно к размольной линии по производству пшеничной муки. Даны рекомендации по их подбору.

• Проведена экспериментальная проверка результатов исследования на экспериментальном и промышленном оборудовании линии по производству пшеничной муки высшего сорта.

• Результаты работы внедрены на ОАО «Ме;п,комбинаг в Сокольниках» (что подтверждается соответствующим актом), а также в учебном процессе ФГБОУ ВПО «Московский государственный университет пищевых производств» на кафедре «Информационные технологии и автоматизированные системы» для студентов направлений 220700 - «Автоматизация технологических процессов и производств», 221000 - Мехатроника, 221400 - Управление качеством и 230100 - Информатика и вычислительная техника и включены в разделы следующих дисциплин: «Автоматизация процессов управления па производстве», «Автоматизация технологических процессов и производств», «Автоматизированные системы управления технологическими процессами», <(Проектировшше систем», «Технические измерения и приборы», в раздел дипломного проектирования.

Список работ, опубликованных по теме диссертации:

1. Савоспш С.Д, Благовещенская М.М. Повышение эффективности автоматизированного контроля для решения проблем безопасности мукомольного //Сборник материалов к международной конференции молодых ученых «Проблемы пищевой безопасности». - М.: Издательский комплекс МГУПП, 2013. с. 121 - 125.

2. Савоспш С.Д., Создание системы менеджмента качества на мукомольном предприятии, методические и практические решения //Материалы первой международной научно-практической конференции - выставки «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины». - М.: Издательский комплекс МГУПП, 2012. с.38-41.

3. Благовещенская М.М., Семина Н А., Савоспш С.Д. Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического регулироваштя процесса формования гранулированных комбикормов / М.М. Благовещенская, H.A. Семина, С.Д. Саво-стин // «Вестник Воронежского государственного университета инженерных технологий», №2, 2014.-е. 48-56.

4. Козловская А.Э., Благовещенская М.М., Рылов A.B., Савоспш С.Д. Обеспечение безопасности распределенной сети на предприятиях пищевой промышленности / А.Э. Козловская, М.М. Благовещенская, A.B. Рылов, С.Д. Савоспш // Сборник научных трудов III Международного форума «Инновационные технологии обеспечеши безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность н качество продуктов питания. Ha\ica и образование». Московский государственный университет пищевых производств, 12-14 марта 2014 г.-М.: Издательский комплекс МГУ1 III, 2014. Часть], с. 157-160.

5. Виноградов А.И., Савоспш С.Д., Благовещенская М.М. Структурно- функциональный анализ процесса бестарного хранения муки как объекта управления / А.И. Виноградов, С.Д. Са-востин, М.М. Благовещенская // Сборшш научных трудов III Международного форума «Игаю-вационнме технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность и качестео продуктов питания. Наука и образование». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Издательский комплекс МГУПП, 2014. Часть 2, с. 13-18.

6. Савоспш С.Д. Автоматизация размольного отделения мукомольного производства / С.Д. Савостин // Сборник научных трудов III Международного форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность и качество продуктов питания. Наука и образовшше». Московсюш государственный университет пищевых производств, 12-14 марта 2014 г. -М: Издательский комплекс МГУПП, 2014. Часть 2. с. 32-36.

7. Савостнн С.Д. Автоматизация отделения зерноочистки на мукомольных предприятиях / С.Д. Савостнн // Сборш« научных трудов III Международного форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность и качество продуктов питания. Наука и образование». Московский государственный университет пищевых производств, 12-14 марта 2014 г.-М.; Издательский комплекс МГУПП, 2014. Часть 2, с. 36-41.

8. Козловская А.Э., Благовещенская М.М., Рылов A.B., Савостнн С.Д. Необходимость автоматизации процессов мониторинга и прогнозирования состояния продовольственной безопасности / А.Э. Козловская, М.М. Благовещенская, A.B. Рылов, С.Д. Савостин // Сборник научных трудов III Международного форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность и качество продуктов питания. Наука и образование». Московский государственный университет пищевых производств, 12-14 марта 2014 г. -М.: Издательский комплекс МГУПП, 2014. Часть 2, с. 66 - 68.

9. Козловская А.Э., Благовещенская М.М., Рылов A.B., Савостин С.Д. Обеспечение безопасности распределенной сети на предприятиях пищевой промышленности / А.Э. Козловская, М.М. Благовещенская, A.B. Рылов, С.Д. Савостин // Сборник научных трудов III Международного форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность и качество продуктов питания. Наука и образование». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Издательский комплекс МГУПП, 2014. Часть 2, с. 68-71.

10. Савостин С.Д., Кольцов Д.Ю., Башкиров Г.Н., Александров A.C., Благовещенская М.М. Автоматизация линии производства гранулированных отрубей / С.Д. Савосшн, Д.Ю. Кольцов, Г.I I. Башкиров, A.C. Александров, М.М. Благовещенская // Сборник научных трудов III Международного форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность и качество продуктов питания. Наука и образование». Московский государ-ствеШ1ый университет пищевых производств, 12-14 марта 2014 г.-М.: Издательский комплекс МГУПП. 2014. Часть 2, с. 71 - 76.

И. Савостин С.Д.. Конищева Ж.М., Благовещенская М.М. Автоматизированная система управления технологическими процессами (АСУТП) производства гранулированных комбикормов / С.Д. Савостин, Ж.М. Конищева, М.М. Благовещенская /У Сборник тучных трудов III Международного форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». V Международная научно- техническая конференция «Безопасность и качество продуктов гагтания. Наука и образование». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Издательский комплекс М1~УПП, 2014. Часть 2, с. 80 - 86.

12. Кольцов Д. Ю., Благовещенская М.М. , Савостин С.Д. Автоматизация производства гранулированных отрубей. / Д.Ю. Кольцов Д. Ю., М.М. Благовещенская , С.Д. Савостин // Сборник материалов общеуниверситетской научной конференции молодых ученых и специалистов «День науки». - М.: Издательский комплекс МГУПП, 2014. Часть IV, с. 121 — 123.

13. Стрелков Е.В., Савостин С.Д. Задачи повышения эффективности автоматизированного ко!проля на мукомольном производстве. / Е.В. Стрелков, С.Д. Савоспш // «Русский инженер», №1,Март. 2014.-с. 50-51.

Отпечатано в типографии ООО "Фраотера" Подписано к печати 09.10.2014г. Формат 60x84/16. Бумага "Офсетная №1" 80г/м2. Печать трафаретная. Усл.печ.л. 1.75. Тираж 100. Заказ 694.

WWW.FRANTERA.COM