автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Исследования и разработка методов контроля и управления качеством творога на основе нейронной сети

На правах рукописи

Давыдова Гульнара Рифатовна

ИССЛЕДОВАНИЯ И РАЗРАБОТКА МЕТОДОВ КОНТРОЛЯ И УПРАВЛЕНИЯ КАЧЕСТВОМ ТВОРОГА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

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

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

005559427

Москва 2014

005559427

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: Благовещенская Маргарита Михайловна

Заслуженный деятель науки РФ, доктор технических наук ФГБОУ ВПО «Московский государственный университет пищевых производств» Официальные оппоненты: Егоров Александр Федорович,

Доктор технических наук, профессор ФГБОУ ВПО «Российский химико-тсхнологический университет имени Д.И. Менделеева» Шаверин Андрей Вениаминович, Кандидат технических наук Компания "Омрон Электропикс" «Промышленная автоматика», Руководитель подразделения «Системы управления и датчики» Ведущая организация: Федеральное государственное бюджетное учре-

ждение высшего образования «Московский государственный университет технологии и управления имени К.Г. Разумовского (ПКУ)» Защита состоится /2014г. в 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. С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «МГУПП». С авторефератом диссертации можно ознакомиться на сайтах ВАК РФ Министерства образования и науки РФ http://vak.ed.gov.ru и ФГБОУ ВПО «Московский государственный университет пищевых производств» http://mgupp.ru. Автореферат разослан // 20^г. Ученый секретарь диссертационного совета по защите докторских и кандидатских диссертаций, д.т.н., профессор, Стрелюхина А.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В последнее время в России увеличивается спрос на кисломолочные продукты, этому способствует развитие интереса к диетическому и здоровому питанию. Растут объемы производства творога, в 2011г. было выработано 21 245 тонн творога, в 2012 - 22 404 тонн. Высокая биологическая и пищевая ценность, содержание значительного количества серосодержащих аминокислот, солей кальция и фосфора, которые организм человека не синтезирует, позволяют использовать творог в профилактике многих заболеваний.

На сегодняшний день накоплено достаточно информации по усовершенствованию технологии производства творога. Эти вопросы в своих работах всесторонне рассматривали Л. А. Забодалова, Е. А. Богданова, Л. А. Лыщева, Н. С. Королева, Т А. Кудрявцева, Т. Г. Ованова, Р. И. Панкова, Н. Н. Липатов, Г. В. Фриденберг, Г. М. Паткуль, Р. Н. Хандак, 3. С. Зобкова. В основу множества работ положены фундаментальные исследования в области реологии пищевых продуктов, которые проводили Лимонов Г. Е., Воларович М. П., Горбатов А. В., Маслов А. М., Ребиндер И. А., Рогов И. А., Табачников В. П.

В настоящее время потребитель ценит не разрекламированность бренда, а экологичность продукции и качество с обязательным соответствием действующим нормам и стандартам. В связи с чем встает вопрос о повышении качества готового продукта при минимальных материальных затратах на производстве. На потребительский спрос первостепенное влияние оказывают качество упаковки и органолептические показатели (внешний вид, консистенция, запах, вкус), химический состав покупателем изучается во вторую очередь, а иногда остается и вовсе без внимания.

Особую значимость представляют методы органолептического контроля на производстве. Однако органолептический анализ пищевых продуктов имеет ряд сложностей. Для получения точной оценки необходимо соблюдать условия, предъявляемые к освещению, помещению, использовать научно обоснованные методы оценки и отбора дегустаторов, производить испытания сенсорных особенностей дегустаторов, их подготовку, обучение приемам сенсорного анализа, что представляет определенною сложность. Но даже при выполнении всех этих требований невозможно исключить из органолептического контроля критерий субъективности. Поэтому сделан вывод о необходимости повышения объективности контроля органолептических показателей готовой продукции, за счет

внедрения высокоэффективных интеллектуальных технологий в производственный процесс и создания на их базе автоматизированной системы контроля. Успешное решение этой задачи возможно при внедрении автоматизированного программно-аппаратного комплекса (ПАК) для контроля показателей качества творога. В основе алгоритма работы комплекса заложена нейросетевая модель (НСМ), функционирование которой основывается на работе аппарата искусственных нейронных сетей (ИНС). При этом затраты на подготовку и проведение анализов будут минимальны.

На сегодняшний день аппараты ИНС и методы их применения активно развиваются и совершенствуются. Исследования в этой области проводили Д. Рутковская, М. Пилиньский, Л. Рутковский, А.И.Галушкин, Саймон Хай-кин, А. Б. Барский, А.А.Ежов, С. А. Шумский, А. Н. Горбань. Вместе с тем опубликованы ряд диссертационных работ, посвященных вопросам использования ИНС в различных областях, в том числе и в пищевой промышленности. Анализ этих работ показывает перспективность применения ИНС в пищевой промышленности, в частности в задачах контроля и прогноза качества.

Однако, несмотря на проведенные исследования и значительное число публикаций, описывающих методы нейросетевого моделирования, органолеп-тического контроля, анализ технологического процесса производства творога, остаются актуальными следующие проблемы:

- способы внедрения нейросетевых методов контроля органолептических показателей, исключающих фактор субъективности из органолептического способа оценки качества продукта;

- отсутствие методик применения нейросетевого моделирования, для решения задачи оценки качества творога по органолептическим показателям;

- отсутствие технических рекомендаций для разработки программно-аппаратного комплекса, который в автоматическом режиме будет способен предсказывать качество творога;

- отсутствие программно-аппаратного комплекса для интеллектуальной поддержки принятия решений в автоматизированной системе управления технологическим процессом производства творога с применением сепаратора-творогоизготовителя.

Целью данной работы является повышение качества готового творога за счет разработки автоматизированной системы контроля с применением методов нейросетевого моделирования на примере линии производства творога раз-

дельным способом при минимальных затратах. Для исключения брака и увеличения прибыли на предприятии, в данной работе предлагается, наряду с экспрессным методом нейросетевого моделирования, осуществлять регулирование содержания влаги в продукте с помощью автоматизированной системы оценки качества, оснащенной Цифровой видеокамерой (ЦВК) по каналу: «производительность подачи сгустка - процентное содержание влаги в твороге». Так как значения этого показателя непосредственно влияют на органолептические свойства, в частности на текстуру, консистенцию, внешний вид. Полученные данные в результате оценки показателя влаги могут быть использованы как дополнительный вектор входных данных для обучения нейронной сети. Задачи исследования: 1. Теоретико-информационный анализ технологических особенностей процесса производства творога с применением сепаратора. Выявление в ходе анализа параметров, оказывающих существенное влияние на качество готового продукта, оценка зависимости органолептических показателей готового творога от этих параметров с целью формирования обучающей выборки для тренировки нейронных сетей.

2. Оценка готового продукта по органолептическим показателям методом закрытого дегустационного анализа, подбор оптимальной шкалы бальной оценки творога. Формирование групп входных/выходных данных для обучения нейронных сетей.

3. Разработка алгоритма контроля качества творога с применением нейросетевого моделирования, алгоритма контроля содержания влаги в твороге с применением цифровой видеокамеры с целью повышения качества готового продукта.

4. Анализ существующих топологий нейронных сетей в программном пакете МаШЬ с целью подбора типов сетей, подходящих для решения поставленной задачи.

5. Разработка программных текстов для обучения и тестирования нейронных сетей с целью выбора лучшей. Сеть, обладающая наименьшей величиной среднеквадратической ошибки М8Е, будет считаться оптимальной для решения поставленной задачи.

6. Реализация программно-аппаратного комплекса для решения задачи оценки качества творога, с целью внедрения данного метода на производство.

Объектами исследования являются творог, вырабатываемый на поточной механизированной линии с применением сепаратора; рецептурные компоненты (молоко, сливки, закваска); нейронные сети; методы обработки и анализа цифровых изображений.

Предметом исследования являются принципы применения нейросетевых технологий для решения задач контроля и прогноза качества продуктов, имеющих тестообразную структуру; информационное, математическое и программное обеспечение автоматизированного программно-аппаратного комплекса.

Методы исследования. Для решения поставленных задач применялись: методы отбора проб согласно единой методике в соответствии с требованиями Государственных стандартов; методология системного анализа теории искусственных нейронных сетей и распознавания образов, цифровой обработки сигналов, экспериментальные исследования. Достоверность математических исследований оценивали методами математической статистики с применением современных программных средств. Построение графиков, расчеты и их описание осуществляли с помощью приложений Microsoft0ffice2010, Microsoft Office 2013. Для построения нейросетевых моделей применяли MatLab r20 lib Neural Network Toolbox.

Научная новизна работы заключается в следующем:

1. Разработана методика осуществления нейропрогноза, основанная на использовании совокупности методов оптимизации процесса построения нейросетевой модели, обеспечивающая повышение показателей качества, выработку продукта, соответствующего заданным показателям. Предложенная методика позволяет спрогнозировать качество готового творога при изменении технологических параметров, благодаря способности нейросетевых моделей к самообучению.

2. Разработан дополнительный способ контроля качества творога. Оценивается влажность продукта по степени отклонения контрольных точек творожного «пласта» от эталонного положения на кадре-задатчике с применением видеокамеры. Отрегулировать количество влаги в продукте можно, изменяя скорость подачи творожного сгустка, воздействуя на тири-сторный двигатель насоса-дозатора по каналу: «производительность подачи сгустка — процентное содержание влаги в твороге». Полученные значения показателя влажности могут быть использованы как дополнительный вектор группы информационных параметров для обучения

нейронной сети. Предложенный способ контроля влажности отличается простотой реализации, эффективностью, контроль и регулирование происходит в режиме реального времени. Он позволит уменьшить потенциальные материальные затраты, вызванные необходимостью забраковать продукт несоответствующего качества. 3. Даны рекомендации по разработке Программно-аппаратного комплекса, основанного на принципах нейросетевого моделирования, который в автоматическом режиме способен предсказать качество готового творога по органолептическим показателям. Внедрение разработанного ПАК на производство позволит автоматизировать органолептический контроль готового продукта, минимизировать затраты, связанные с особенностями его проведения, повысить объективность оценки, упростить работу технолога.

Практическая значимость. Разработанный программно-аппаратный комплекс на базе нейронных сетей расширяет функциональные возможности и достоверность контроля качества продукта. Сеть типа Радиальная базисная способна предсказать качество творога по 10-ти бальной шкале с точностью 99,76%, кроме того существует возможность изменить параметры входных и выходных данных за счет способности нейронных сетей к самообучению. Следовательно, предложенный способ можно применить на любом производственном участке, для этого необходимо выявить группу основных информационных параметров, необходимых для обучения сети. Предложенные рекомендации по разработке программно-аппаратного комплекса упростят процесс его внедрения на производство, позволит осуществлять контроль в режиме реального времени.

Дополнительный способ оценки показателя влажности с применением программного пакета Ма^аЬ и Цифровой видеокамеры позволит своевременно определить отклонения реологических показателей продукта от нормы, не дожидаясь достижения критических значений, когда показатель влажности не подлежит корректировке, а продукт забраковывают. Предложенный метод контроля достаточно мобильный, экономичный, простой для внедрения.

Экономическая и социальная значимость работы состоит в расширении функциональных возможностей работников пищевой промышленности и повышении качества готовой продукции.

Основные положения, выносимые на защиту:

1. Методика применения нейронных сетей для контроля качества творога.

2. Принципы функционирования системы контроля и предсказания качества творога, основанной на аппарате искусственных нейронных сетей;

3. Модель, принцип функционирования и алгоритм работы автоматизированной системы оценки содержания влаги в продукте, основанной на обработке изображений, полученных цифровой видеокамерой;

4. Методика и алгоритм проектирования архитектуры программного комплекса автоматизированной системы контроля показателей качества творога с использованием нейронных сетей;

Результаты внедрения работы. Основные теоретические и практические результаты работы внедрены в научно-исследовательскую деятельность и в учебный процесс кафедры «Автоматизация биотехнических систем» ФГБОУ ВПО «Московский государственный университет пищевых производств» в дисциплины «Проектирование систем», «Технические измерения и приборы», в раздел дипломного проектирования для студентов специальностей 220301 «Автоматизация технологических процессов и производств» (по отраслям), 220201 «Управление и информатика в технических системах» направления 220200 «Автоматизация и управление»; профессионально-образовательную учебную программу повышения квалификации инженерных кадров «Использование высокоэффективных интеллектуальных нейросетевых технологий в системах автоматизированного управления технологическими процессами в кондитерской и хлебопекарной промышленности» (ФГБОУ ВПО «Московский государственный университет пищевых производств»), разработка учебной программы проводилась в рамках Президентской программы повышения квалификации инженерных кадров на 2012-2014гг. Подтверждено актом внедрения.

Публикации. По материалам диссертации опубликовано 9 работ, в том числе 5 статей в профильных журналах, рекомендованных ВАК РФ.

Структура и объем диссертации. Диссертация состоит из введения, обзора литературы, экспериментальной части, выводов, списка литературы (140 источников) и 5 приложений. Основное содержание работы изложено на 184 страницах машинописного текста (список литературы страницы 131-147, приложения страницы 151-184), включает 12 таблиц, 33 рисунка, 5 графиков, 2 диаграммы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследований, научная новизна и практическая ценность результатов диссертации, приведены сведения о внедрении.

В первой главе выполнен теоретико-информационный анализ технологических особенностей процесса производства творога с применением сепаратора. Представлены схемы, описывающие стадии технологического процесса, машинно-аппаратурная схема, блок схемы контроля молока, сливок, творога. В ходе анализа выявлены особенности технологического процесса, рецептурные компоненты, оказывающие непосредственное влияние на качество готового продукта.

Сведены в таблицы значения показателей качества творога и рецептурных компонентов на основании Государственных Стандартов Российской Федерации. Согласно анализу литературных источников и представленной информации о технологическом процессе, выявлены группы основных информационных данных, сформированы наборы данных для создания нейросетевой модели оценки качества творога.

Рассмотрены существующие методы контроля качества творога, среди них выделен органолептический способ. Описаны достоинства и недостатки данного метода, приведены примеры существующих шкал для оценки продукта по бальной системе. Предложена оптимальная десятибалльная система оценки творога по органолептическим показателям, представленная в табличном виде. В ходе анализа установлено, что органолептический контроль не совершенный, трудоемкий, субъективный, требующий больших организационных и материальных вложений. Предложено рассмотреть возможность применения нейросе-тевых методов для оценки качества творога.

Описаны достоинства и недостатки нейросетевых методов, области их применения, приведена классификация существующих типов нейронных сетей (НС).

Во второй главе осуществлена постановка эксперимента (рис. 1), выявлены объекты и методы исследования.

Рисунок 1 - Схема постановки эксперимента

Выполнена содержательная и математическая постановка задачи. Обобщенная математическая модель, описывающая зависимость качества готового изделия от параметров, значения которых определяют поведение процессов, происходящих во время производства, описывается уравнением:

У = (!)

Где ХргЫ - входной вектор, описывающий показатели качества сырья и рецептурных компонентов, измеренных в ходе производственного процесса;

г- выходной вектор, характеризующий значения параметров качества готового изделия, оцененных по выбранной шкале.

Установлено, что точно представить отображение результатов зависимости между показателями качества готового изделия и параметрами процесса с помощью методов математического моделирования достаточно сложно. Предлагается решить данную проблему с применением аппарата искусственных нейронных сетей. В этом случае нейронная сеть будет решать задачи классификации и прогнозирования.

Изложены основные положения теории нейронных сетей и принцип их работы, приведен алгоритм обучения сети, даны рекомендации по составлению обучающий выборки. В общем виде, независимо от выбранного алгоритма, «обучение» можно представить в виде схемы изображенной на рисунке 2.

Рисунок 2. - Алгоритм обучения нейронной сети

Обучающая выборка, составленная из данных, полученных во время технологического процесса, подается на вход нейронной сети ( X ). Нейронная сеть обрабатывает полученную информацию и формирует некоторый ответ (У), который, очевидно, необязательно совпадает с эталонным. Вычисляется вектор разницы между полученным ответом и эталоном — вектор ошибки (|ДХ|). Если он укладывается в допустимую погрешность - ЛУС(| ДГ|<ДКС), то сеть считается обученной с приближением. Иначе (если | ДГ|>ДКС) происходит подстройка весовых коэффициентов сети и обучение продолжается.

9

Также в данной главе предложен дополнительный метод оценки качества творога с применением Цифровой видеокамеры. Результаты, полученные в ходе такого контроля, можно применять для обучения нейронных сетей. Обобщенная функциональная схема системы автоматического регулирования содержания влаги в твороге представлена на рисунке 3.

где СТП - наблюдаемая стадия технологического процесса; Ь, - время передачи кадров в интеллектуальную систему принятия решений; 1К+ та - временная задержка; 1К - время, необходимое для обновления видеокадров; ха - длительность расчета изменений характеристик.

Рисунок 3 - Обобщенная функциональная схема

На основании полученного значения изменения визуальных параметров УОи+и+^ц) согласно алгоритму управления вырабатывается управляющая последовательность и(1а+11С+та+х), которая преобразуется цифро-аналоговым преобразователем (ЦАП) в аналоговое входное воздействие х(() на исполнительный механизм - тиристорный двигатель. Все процессы, связанные с работой данной системы (получение, обработка изображений, ввод управляющего воздействия) объединены в рамках одной ЭВМ, это позволит снизить интервал дискретизации Т„=1„+г- и,. Алгоритм работы данной системы приведен на рисунке 4.

Для корректной и непрерывной работы системы необходимо соединить между собой следующие элементы: исполнительный механизм — частотный преобразователь и насос дозатор; элемент с функцией технического зрения -видеокамера; элемент сравнения и устройство формирования управляющего воздействия - персональный или промышленный компьютер с программой сравнения.

1 ЧСГИО II С

Выле й-нис л имен (ширина, кмщима)

Рисунок 4 - Блок-схема алгоритма управления о применении регулирующих воздействий.

Образуется система, состоящая из двух подсистем: «цифровая видеокамера—компьютер» и «компьютер—преобразователь скорости двигателя насоса-дозатора с тиристорным управлением».

Подключение первой подсистемы "видеокамера—компьютер" не вызывает особого труда: используется цифровая видеокамера и технический паспорт, который обычно прилагается к ней.

Для подключения второй подсистемы «компьютер—преобразователь скорости двигателя насоса-дозатора с тиристорным управлением» необходимо подобрать закон регулирования. Для этого определяется передаточная функция и рабочая частота управления двигателя. Аппроксимирующая передаточная функция имеет вид:

Ке'1"

О0(р) =

(Тр + \у

(2)

где Т— постоянная времени объекта, сек; т - время чистого запаздывания, сек; К - коэффициент передачи объекта, % влаги/ % об/мин. Опытным путем были получены следующие значения: К= 0,224% влаги / % изменения расхода; т = 76,6 е.; Т = 18 е.; п = 2. Построение графиков переходной, частотной, амплитудно-частотной и фазово-частотной характеристик осуществлялось с применением программного пакета МаНаЬ (рисунок 5).

4)

Рисунок 5 — Характеристики объекта регулирования. 1) Переходная характеристика; 2) Амплитудно-частотная характеристика; 3) Фазово-частотная характеристика; Амплитудно-фазовая характеристика.

Характеристикам технологического процесса и полученной передаточной функции объекта (2) наилучшим образом удовлетворяет регулятор, имеющий пропорционально-интегральный (ПИ) закон регулирования.

Оптимальные настройки регулятора, которые обеспечивают степень колебательности т=0,221, получены на основании анализа амплитудно-фазовой характеристики объекта:

„ Л %измененш расхода „ _ %ызменения расхода о0 =0,05-; =2,62-;

Уовлаг и ■ сек °/овлаг и

Рабочая частота «р =0,02 рад!с.

Исходя из полученных данных, необходимо подобрать частотный преобразователь, который будет регулировать число оборотов двигателя с тиристор-

ным управлением. В качестве насоса-дозатора, регулирующего расход творожного сгустка, можно рассмотреть насосы средней вязкости (50 <и > 1000: сливки, кефир, йогурт, подсолнечное мало) или вязкие (1000 < и > 5000: сметана, творог, кефир, майонез).

Для создания блока управления параметром влажности необходимо, чтобы устройства могли обмениваться данными. Для простоты реализации реко-; мендуется применять частотный преобразователь, поддерживающий коммуни-

кационный протокол МосНэиз, основанный на клиенто-серверной архитектуре. Передача данных осуществляется через последовательные линии связи 118-485. Для подключения частотного преобразователя к компьютеру необходим преобразователь интерфейсов К8485/и8В либо К8485/К8232. В контроллере программно реализован пропорционально-интегральный регулятор расхода сгустка, который должен контролировать регулируемый электропривод. Сигналы

Í обратной связи по этому параметру вводятся в контроллер через аналого-

цифровой преобразователь (АЦП). Все параметры, связанные с управлением приводом, заносятся в память контроллера с помощью программирующего устройства или персонального компьютера через интерфейс 118485. Таким образом, после сравнения видеокадров информация по СОМ-порту поступает на

контроллер частотного преобразователя, который регулирует уровень влаги в продукте. Схема подключения приборов изображена на рисунке 6. Сравнение видеокадров может быть реализовано на языке программирования С++.

Персональный

компьютер ? —

Видеокамера

центам»

Ыо.ГОск Щи

—220/ звов

Частотный преобразователь

Ш™аК8485

Пр огр аммпруемыы

логический

контроллер

Насос

Рисунок 6 - Схема подключения системы контроля и регулирования содержания влаги в твороге.

Эффективность работы нейросетевой системы напрямую зависит от количества примеров, из которых состоит обучающая выборка, а также от того насколько полно и достоверно эти примеры описывают поставленную задачу. Поэтому направлением дальнейшего исследования является формирование входных параметров для обучения и тестирования нейронных сетей, выбор критериев оценки эффективности функционирования ИНС, исследование их зависимостей от числа слоев, числа нейронов в слое, поиск оптимального типа НС для решения поставленной задачи.

В третьей главе произведен анализ данных, применяемых для обучения нейронной сети, полученных на производстве. Выявлены закономерности изменения качества готового продукта при их отклонении от нормы.

Выполнен обзор наиболее популярных нейросетевых программных пакетов. Их характеристики, описание, принцип работы, типы моделируемых искусственных нейронных сетей сведены в таблицы. Исходя из анализа, сделаны выводы, что программный продукт следует выбирать по таким критериям, как доступность, наглядность представления информации, простота использования, наличие необходимых архитектур и алгоритмов обучения. Нейросимулятор должен отвечать современным стандартам по импорту, экспорту, редактированию и сохранению данных в процессе моделирования. Эти характеристики важны для решения задачи контроля качества, так как его необходимо осуществлять в режиме реального времени. Изучив данные представленные в таблицах, установлено, что все рассмотренные программные пакеты допустимо применять для решения задачи оценки качества творога. Однако было принято решение использовать MATLAB с надстройкой Neural Network Toolbox. Так как этот ПП обладает расширенными функциями. В нем наибольшее количество типов ИНС и алгоритмов обучения, кроме такого данный программный продукт применяется в автоматизированной системе оценки качества творога с применение цифровой видеокамеры.

Для корректного выбора типа нейронной сети, полностью удовлетворяющего условиям задачи оценки качества творога, рассмотрен обобщенный алгоритм создания модели (рис. 7). Описаны особенности каждого этапа построения, что позволило дать рекомендации по каждому этапу. В результате анализа установлено, что задачи 1, 3, представленные на рисунке 7, требуют экспертного опыта для построения оптимальной и максимально эффективной системы, и для их решения рекомендаций не предусмотрено. Специалист на основе опыта

14

и интуитивного подхода должен самостоятельно решить этот вопрос. Исходя из сказанного выше, наибольший интерес представляют 2 и 4 этапы.

Рисунок 7 - Обобщенная схема системы оценки качества творога.

Разработка архитектуры сети заключается в следующем: выбор активаци-онной функции; выбор количества нейронов в скрытых слоях; выбор весовых коэффициентов связей между нейронами. Существует несколько способов выбора количества нейронов в скрытых слоях и их конфигурации. Условно, их можно разделить на два класса - метод перебора и генетические алгоритмы. Известно правило оценки достаточности входных данных - произведение количества нейронов входного слоя и количества нейронов скрытого слоя должно быть меньше количества наборов данных. Согласно правилу, сделаны выводы, что имеющихся данных достаточно для обучения нейронной сети с одним скрытым слоем и количеством нейронов не более 15 в скрытом слое. Кроме того, анализ литературных источников показывает, что вопрос нахождения оптимального числа нейронов скрытого слоя не имеет однозначного решения по причине отсутствия устоявшейся методики. Учитывая эти существенные ограничение, было принято решение не использовать генетические алгоритмы при определении оптимальной конфигурации сети, а ограничиться перебором до-

ступных сетей в программном пакете Matlab, сеть с минимальной величиной ошибки будет считаться пригодной для решения поставленной задачи.

С целью выборки оптимальной топологии сети, произведен анализ доступных НС программного пакета Matlab.Описание типов встроенных сетей, их особенности, структурные схемы, представлены в табличном виде. На основании анализа установлено, что не все типы сетей подходят для решения поставленной задачи. Из дальнейшего анализа исключены:

Самоорганизующиеся карты Кохонена (Self-organizingmap); Сеть для классификации входных векторов (Learning vector quantization neural network); Сеть Хопфилда (Hopfield neural network); Конкурирующую сеть (Competitive layer); Вероятностная сеть (Probabilistic neural network); Пер-септрон (Perceptron).

Обучение и тестирование этих сетей производиться не будет. К процессам обучения и тренировки были допущены:

Сеть с запаздыванием и обратным распространением ошибки (Time delay neural network); Линейная (Layer recurrent neural network, Linear layer); Частный случай сети с прямым распространением сигнала (Feedforward neural network) - Cascadeforwardnet; Сеть Элмана (Elman neural network) -Elmannet; Сеть с прямым распространением сигнала (Feedforward neural network) - Feedforwardnet; Частный случай сети с прямым распространением сигнала (Feedforward neural network) - Fitnet; Обобщенная регрессионная сеть - Generalized regression neural network (GRNN); Радиальная базисная сеть- Radial basis network (RBF).

Каждый тип НС обучали по 10 ООО раз (10 измерений по 1000) алгоритмом Левенберга — Марквардта (Levenberg-Marquardt -LMA). Алгоритм сочетает в себе методы Ньютона (применение квадратичной модели для ускорения поиска значения минимума функции) и наискорейшего спуска (минимизация вдоль градиента), но превосходит их по производительности, в нём сочетаются ускоренная сходимость в окрестностях минимума и стабильность.

Итерации метода Левенберга-Маркара проводятся по формуле:

Aw = ~{ZTZ + Aiy1ZT£ (3) где £ — вектор ошибок на всех наблюдениях, Z - матрица частных производных от этих ошибок по весам.

Для всех типов было получено значение среднеквадратической ошибки MSE, рассчитанной по формуле:

п '

где У[ - фактическое значение, К - предсказанное значение, п - количество измерений.

Количество нейронов в слое выбиралось от 10 до 50, увеличение числа нейронов прекращалось, когда у среднеквадратической ошибки MSE наблюдался явный рост значения. Полученные результаты тренировки и обучения, тексты программ обучения, схемы и гистограммы распределения ошибок представлены в соответствующих приложениях. Выбор наиболее подходящей нейронной сети для задачи оценки качества творога по органолептическим показателям производился согласно полученным результатам, сравнение сетей проводили по величине среднего значения ошибки MSE - MSEcp, характеризующей меру точности.

mse = ywmmsel

ср Z.,,1 шооо (5)

где MSE - значение среднеквадратической ошибки, измеренной 1000 раз.

Для интерпретации значения ошибки MSE предположим, что оценка имеет нормальное распределение с отклонением равным MSE. Тогда вероятность того, что мы получим правильную оценку, то есть значение ошибки не превысит ошибку округления 0,5, может быть вычислена с помощью функции Лапласа

Согласно таблице значений функций Лапласа, точность предсказания нейронной сетью значения показателя качества творога принимает вид, представленный в таблице 1.

Таблица 1 - Точность предсказания нейронной сетью значения показателя

качества творога.

Сеть Количество Точность. %

RRF 15 99.76

RRF 20 99.63

RRF 10 99.62

Elmannet 25 95.30

Distdelavnet 15 95.08

Distdelavnet 25 95.00

Lavrecnet 10 95.00

Distdelavnet 10 95.00

Distdelavnet 20 94.96

Distdelavnet 30 94.95

GRNN 10 94.92

GRNN 15 94.88

GRNN 20 94.85

GRNN 25 94.83

Elmannet 30 94.52

Elmannet 40 94.20

Elmannet 15 94.02

Elmannet 35 93.85

Elmannet 10 93.69

Elmannet 45 93.48

Elmannet 50 93.42

Elmannet 20 92.81

GRNN 30 92.79

Fitnet 10 91.81

Feedforwardnet 10 91.81

Lavrecnet 15 91.02

Fitnet 15 86.56

Cascadeforwardnet 10 86.26

Lavrecnet 20 86.25

Feedforwardnet 15 85.92

Cascadeforwardnet 15 82.42

Lavrecnet 25 79.45

Cascadeforwardnet 20 78.23

Feedforwardnet 20 77.68

Fitnet 20 77.11

Cascadeforwardnet 25 75.64

Lavrecnet 30 73.29

Fitnet 25 66.94

Feedforwardnet 25 66.10

Feedforwardnet 30 56.18

Согласно данным, представленным в таблице 1, наименьшее значение ошибки MSE оказалось у сети типа радиальной базисной функции (РБФ), причем 10-20 нейронной в слое достаточно для решения поставленной задачи. Гистограмма распределения ошибок, полученная в результате обучения, представлена на рисунке 8.

Error HistoBfam with JO Btn*

-"i-.j.rj--, is e twijesi.'a«! й

Рисунок 8 - Гистограмма распределения ошибок.

В процессе обучения оператор может задать максимальное число нейронов в слое, однако, сеть сама подберет их оптимальное количество. В работе описан принцип работы, структура и архитектура РБФ НС. Радиальная базисная НС состоит из двух слоев: выходного с линейной функцией активации (число нейронов Э2) и скрытого радиального базисного, который состоит из Э' радиальных элементов, воспроизводящих гауссову поверхность отклика (коло-колообразной формы), с вершиной в центре и понижением к краям (рис. 9).

$ |

б*»««**: 2.73«-52 |

О-ЯЯ!» I

о |

Выходам Г

слей Ч..У

Входной сдай

Влияние

X* - < х« х« ... X» * < хм х» хп —

Х.н хм* х«»» ... х»п >

Рисунок 9 - Структура РБФ сети.

В четвертой главе приведены результаты разработки и исследования программно-аппаратного комплекса нейросетевого контроля. Описана структура программно аппаратного комплекса для оценки качества творога (рис. 10) и алгоритм его работы (рис. 11).

1. Технологическая линия по производству творога; 2. Лаборатория; 3-5 Датчики/контроллеры; 6. Видеокамера; 7. Программируемый логический контроллер; 8. Сервер; 9. Дисковый массив; 10. Автоматизированное рабочее место

лаборанта; 11-12 Автоматизированное рабочее место оператора; 13. Рабочее место руководящего персонала.

Рисунок 10 - Программно-аппаратный комплекс.

»¡Х'П.Х1Ч! у

Ъ.) jf S1« >ЧВЙ1К!(

fipomiifiv!

Рисунок 11 - Алгоритм работы программно-аппаратного комплекса. Предложены рекомендации по выбору оборудования. Исходя из предложенных рекомендаций, ПАК условно можно разделить на 3 блока: блок ввода и обработки данных (автоматизированное рабочее место лаборанта; датчики и контроллеры, автоматически снимающие показания в ходе технологического процесса); нейросетевой блок (автоматизированное рабочее место оператора, состоящего из промышленного персонального компьютера с установленным ПП MatLab Neural Toolbox); блок анализа результатов (автоматизированное рабочее место оператора, сервер, рабочее место руководящего персонала).

Программно-аппаратный комплекс решает следующие задачи: 1) Автоматическое получение информации о параметрах технологического процесса в режиме реального времени (online);

pes* w» SWM

' • 1 Ii •

2) Ввод данных в ручном режиме — результаты лабораторных тестов или корректировки инженеров, сопровождающих технологический процесс;

3) Хранение информации о параметрах и результатах анализа;

4) Реализация расчетов по нейросетевым моделям;

5) Вывод информации для инженеров и руководства предприятия. Подчеркнем, что ПАК для контроля качества творога на основе

нейросетевых моделей может быть, как экономичным и не требующим больших ресурсов, так и дорогостоящим, но очень надежным, способным хранить и быстро обрабатывать огромный объем информации и обладающим широким спектром дополнительных функции (визуальные представления отчетов, мобильные приложения). Все зависит от размеров предприятия и требований к реализации ПАК.

ОБЩИЕ ВЫВОДЫ Диссертационная работа посвящена решению научно технической задачи развития современных методов обработки и анализа качества творога для создания программно-аппаратного комплекса пищевой промышленности. В результате были сформированы обучающая и тестовая выборки для обучения нейронных сетей, исследованы и разработаны нейросетевые блоки, способные предсказать качественные показатели готового продукта, рассмотрены возможности прогнозирования качества, путем распознавания отклонений реологических показателей творога от нормальных значений, зафиксированных на эталонном кадре-задатчике. Предложенные идеи способствуют совершенствованию методов обработки и анализа качества.

В результате диссертационных исследований автором получены следующие результаты и рекомендации:

1. Установлено, что нейросетевые методы могут быть использованы как инструмент системного анализа больших, сложных структур, для которых трудно составить точную математическую модель. В частности, сложно составить математическую модель зависимости между показателями качества готового творога и параметрами, характеризующими качество в ходе производственного процесса. Задачу предложено решать методами нейросетевого моделирования, применение которых позволит построить модель, отражающую суть исследуемого объекта.

2. Изучены основные характеристики существующих программных пакетов для нейросетевого моделирования. Представленный обзор позволил вы-

явить достоинства и недоставки каждого пакета, выбрать наиболее подходящий для решения поставленной задачи.

3. Исследованы возможности применения нейронных сетей, проведен анализ встроенных типов НС в программном пакете Matlab Neural Network Toolbox, выявлены подходящие топологии сетей для решения задачи оценки качества творога. Представлены тексты программ для их обучения, что позволит упросить внедрение метода нейросетевого контроля на производство.

4. Осуществлен прогноз качества творога на основе нейросетевого моделирования. Выбран наиболее подходящий тип нейронной сети для решения поставленной задачи. Проведено 10 ООО расчетов величины среднеквадратичной ошибки MSE (10 измерений по 1000) каждого типа НС, что позволило достичь достоверного результата прогноза. Лучше всего поставленная задача решается нейронной сетью типа Радиальная базисная, обученная алгоритмом Левенберга — Марквардта (точность прогноза 99,76%). Преимуществом данной топологии сети является простота реализации. Высокая достоверность свидетельствует об эффективности предложенного метода. Использование нейронных сетей для решения задачи оценки качества творога позволит исключить фактор субъективности, присущий органолептической оценке, уменьшить время, затрачиваемое на обработку оценочных данных, повысить точность. Предложенный подход к оценке качества реализован в программно-аппаратном комплексе, позволяющем быстро и достоверно предсказать характеристики готового продукта, даже при изменении входных показателей. Результаты оценки могут быть использованы для составления плана по уменьшению количества брака на предприятии и улучшению органолептических показателей продукта за счет способности нейронных сетей к самообучению: при изменении / отклонении от нормы входных параметров сеть способна предсказать показатели готового продукта (в данной работе выходными данными является десятибалльная органолептическая оценка готового продукта).

5. Описана структура программно-аппаратного комплекса для оценки качества творога на базе нейросетевого моделирования, который может быть применен для оценки качества не только творога, но и других пищевых продуктов, имеющую пастообразную структуру. Кроме того, может быть

изменен набор критериев качества и их количество. То есть ПАК не привязан к определенному виду оценки и может быть легко перестроен для оценки по различным критериям, что позволяет легко адаптировать его для любых аналогичных задач контроля и предсказания. Предложенные блоки программно-аппаратного комплекса анализа и контроля качества творога расширяют возможности использования его в системах автоматизированного анализа. 6. Предложен дополнительный способ контроля качества: оценка показателя влажности по реологическим показателям творожного «пласта» с применением видеокамеры. Дополнительный способ контроля позволит отслеживать и регулировать изменение реологических свойств продукта без существенных материальных затрат. Полученные значения показателя влажности могут применяться как дополнительный вектор входных параметров для обучения нейронных сетей, его можно использовать как один из компонентов комплексной методики оценки качества творога.

ПЕРСПЕКТИВЫ ДАЛЬНЕЙШЕЙ РАЗРАБОТКИ ТЕМЫ. В качестве наиболее вероятного развития данной работы можно отметить совершенствование нейросетевой модели. В частности, расширение базы входных и выходных данных даст возможность более точно обучить нейронную сеть и реализовать автоматическую корректировку ее конфигурации с помощью генетических алгоритмов.

Основные положения диссертации опубликованы

- в рецензируемых научных журналах из Перечня ВАК:

1. Давыдова, Г. Р. Автоматизация контроля производства сливочного масла /Г. Р. Давыдова// Сыроделие и маслоделие. — 2012. —№ 5.— С. 16-17.

2. Давыдова, Г. Р. Контроль качества творога по органолептическим показателям с применением нейронной сети / Г. Р. Давыдова // Молочная промышленность. — 2012. —№ 9. — С. 44-45.

3. Давыдова, Г. Р. Программно-аппаратный комплекс для контроля качества творога на основе нейросетевых моделей / Г. Р. Давыдова, А. С. Потапов // Пищевая промышленность. — 2013—№ 10. — С. 36-37.

4. Давыдова, Г. Р. Оптимальные параметры нейронной сети для контроля качества творога / Г. Р. Давыдова // Молочная промышленность. — 2013.

— № 10. —С. 32-33.

5. Благовещенская, М. М. Использование интеллектуальных технологий для контроля качества творога / М. М. Благовещенская, Г. Р. Давыдова, Н. А. Семина // Вестник ВГУИТ. — 2014. —№ 2. — С. 83-89.

— в прочих изданиях:

1. Давыдова, Г. Р. Контроль качества сливочного масла / Г. Р. Давыдова, Я. В. Иванов // Живые системы и биологическая безопасность населения: Сб. материалов VII Междунар. науч. конф. студентов и молодых ученых.

— М. МГУПБ, 2010. — С. 57-58.

2. Давыдова, Г. Р. Контроль качества творога на основе нейронной сети / Г. Р. Давыдова // Живые системы и биологическая безопасность населения: Сб. материалов IX Междунар. науч. конф. студентов и молодых ученых,— М.: МГУПП, 2011. — С. 51-53.

3. Давыдова, Г. Р. Контроль качества творога на основе нейронной сети / Г. Р. Давыдова // Экономические аспекты пищевых производств: Сб. материалов науч. конф. студентов и молодых ученых. — М.: МГУПП, 2012.

— С. 34-35. — М.: МГУПП, 2012. — С. 34-35.

Подписано в печать:

07.11.2014

Заказ № 10357 Тираж - 100 экз. Печать трафаретная. Типография «11-й ФОРМАТ» ИНН 7726330900 115230, Москва, Варшавское ш., 36 (499) 788-78-56 www.autoreferat.ru