Библиографическое описание:

Юсупов Ф., Шарипов М. С. Задача диагностирования технологического процесса размола зерна пшеницы в мукомольном производстве на основе нечетко-логического подхода // Молодой ученый. — 2016. — №9.5. — С. 50-54.



Любая техническая система в процессе своего целенаправлен­ного или задаваемого функционирования находится в динамике. Это означает, что ее состояние во времени претерпевает те или иные изменения. Они должны быть идентифицированы и проана­лизированы с целью недопущения невыполнения данным объектом своих функций в полном объеме. Для этого необходима органи­зация контроля и диагностирования, т. е. систематического распоз­навания текущего состояния объекта, которое может изменяться под воздействием контролируемых и чаще всего неконтролируемых причин. Вопросы организации процедур диагностирования, постро­ения моделей объектов, разработки алгоритмов и проектирования конкретных автоматизированных систем диагностирования широко освещаются в зарубежной и отечественной литературе.

При выявлении технологических нарушений большую роль иг­рает опыт операторов, их профессиональная подготовленность и интуиция. Трудности диагностирования связаны также с нали­чием различных групп нарушений, принципиально отличающихся друг от друга. Это делает практически невозможным использо­вание какой-либо единой модели, адекватно описывающей все диагностические свойства объекта в целом. Так, в большинстве систем диагностирования состояния технологических объектов ис­пользованы те или иные графовые модели объекта и логические методы анализа причин нарушений. Недостатком графового пред­ставления является невозможность исчерпывающего описания та­кой моделью всего многообразия диагнозов, принадлежащих раз­личным группам нарушений. Применение двузначной логики за­труднительно для определения не вполне удовлетворительного состояния некоторого элемента и в случаях, когда однозначно трудно оценить причинно-следственную связь явлений. Более то­го, задача диагностирования часто носит вероятностный харак­тер, но отсутствие статистической информации в достаточном объеме ограничивает возможность применения традиционных ме­тодов распознавания, основанных на использовании априорных статистических данных.

Различают прямые и косвенные диагностические параметры. Первые непосредственно характеризуют состояние объекта, а вторые связаны с основными параметрами некоторой функциональной зависимостью.

Основные трудности в решении рассматриваемой проблемы заключа­ются в следующем:

- наличие количественной, качественной и интервальной информации о значениях отдельных параметров вектора X,

- отсутствие аналитических зависимостей между вектором состояния объекта и его классом состояний, к которому он должен быть отнесен,

- большая размерность вектора параметров состояний, а также наличие ошибок измерения отдельных параметров.

Наибольшее распространение в методах технической и медицинской диагностики получили кластерный анализ, байесовский подход, методы регрессионного анализа, логические выводы на основе созданной базы знаний, метод фазовых интервалов.

Метод логического программирования удобен для построения цепоч­ки правил. Он широко применялся в экспертных системах и использовался в медицинской диагностике, позволяя в ряде случаев не только устано­вить диагноз, но и объяснить причину принятого решения.­

Основным не­достатком большинства этих методов является сложность работы с нечис­ловыми данными (лингвистические переменные, интервальные значения), а также формализация нечетких знаний, заданных на естественном языке, что не позволяет в полной мере использовать опыт эксперта и причинно-следственные связи.

Приведем постановку и математическую формулировку задачи тех­нической диагностики на основе методов Fuzzy-логиче­ского вывода.

Суть задачи диагностирования на основе нечетко-логического подхода сводится к следующему. На основе экспертного опроса специалистов определяются несколько возможных состояний объекта диагностирования (ОД), не подлежащих непосредственному измерению, но являющихся существенными в процессе эксплуатации ОД. Далее, строятся зависимости, определяющие данные состояния, путем исследования нечетких отношений между параметрами ОД, в результате чего задача диагностики сводится к определению последовательных зависимостей (укрупненных переменных), в совокупности определяющих единое состояние ОД. Основой такой формализации является композиционное правило вывода Л.Заде. Использование при решении задач диагностирования ВС эвристических методов и теории нечетких множеств позволяет включить в БЗ диагностических ЭС знания экспертов о нежелательных состояниях ОД и дает возможность формализовать параметры качественного характера и более обоснованно принимать решения. При этом повышается роль ДЭС, которая формирует квалификационные рекомендации для пользования о типе текущего состояния, вида дефектов и действиях, необходимых для их устранения [1].

Лабиринт Основное производство данного класса предприятий состоит из элеватора, мукомольного и комбикормового завода, на которых протекают технологические процессы переработки зерна [2].

Мукомольный завод представляет собой сложный объект управления. Наличие большого числа машин, технологических операций, сложные зависимости выходных параметров от многих входных и возникающих факторов, нестационарность процесса – существенно усложняют управление процессом на основе информации, которую технолог получает периодически из лаборатории. Управляющие воздействия, производимые вручную, практически невозможно увязать с динамикой переходных процессов. Поэтому существенную роль в управлении технологическими процессами играют стабилизирующие автоматические системы. Их настройка и выбор необходимых уставок – сложная задача. В то же самое время известно, что отдельные технологические операции имеют оптимальные параметры, и в ряде случаев их оптимумы не обеспечивают лучшего конечного результата. Наилучший эффект при управлении подобными объектами достигается при применении управляющих вычислительных комплексов, которые вместе с локальными автоматическими системами при соответствующем математическом и программном обеспечении позволяют достигать оптимальных производственных показателей [2,3].

Мукомольные заводы отличаются высокой степенью сложности технологи­ческих процессов, суть которых состоит в многократном влиянии на результаты производства значительного количества одновременно действующих факторов при большой скорости их воздействия. В этих условиях обслуживающему персоналу чрезвычайного трудно принимать правильные и своевременные решения по управлению. Протекание и уровень технологического процесса, как правило, оценивают только на завершающей стадии по количеству и качеству готовой продукции. Все это приводит к неравномерности протекания технологических процессов (их неупорядоченности) и к снижению уровня технологии в целом. Неупорядоченность в технологическом процессе реально можно снизить только на основе его стабилизации, оперативного контроля и автоматизации.

Стабилизация технологических процессов на всех этапах мукомольного производства – основа эффективного управле­ния и улучшения условий труда.

Процесс размола зерна пшеницы практически не контролируется техническими средствами измерения. Управление объектом осуществляется вручную путем изменения межвальцовых зазоров на вальцовых станках, измельчающих зерно и промежуточные продукты размола. Для контроля всего процесса используются порционные весы с периодом срабатывания в десятки секунд, а в состав контролируемых параметров размола входят показатели, получаемые в ходе лабораторного анализа. Процесс перенастройки размола на оптимальный режим может составлять несколько часов.

Из сказанного видно, что в мукомольном производстве переходные процессы довольно медленные, а автоматическое управление пока ограничивается стабилизацией физико-технологических показателей зерна, поступающего в размол. В основе системы лежит набор объектов, иерархия которых определяется порядком получения и обработки сигналов.

Поэтому в данной работе рассматривается, главным образом, "внутренней" неопределенности исходных данных, и направленных на эффективное решение задач регулирования производственных процессов производства муки.

Любая техническая система в процессе своего целенаправлен­ного или задаваемого функционирования находится в динамике, мукомольное производства не исключена.Именно в таких ситуациях необходима органи­зация контроля и диагностирования, т. е. систематического распоз­навания текущего состояния объекта, которое может изменяться под воздействием контролируемых и чаще всего неконтролируемых причин. Однако вне поля зрения разработчиков систем диагностирования долгое время оставались такие специфические объекты, как управляемые техно­логические комплексы. Диагностирование состояния технологиче­ских объектов сопряжено со значительными трудностями и имеет ряд особенностей.

Ввиду необходимости проведения диагностических процедур не­посредственно в процессе эксплуатации объекта используются ме­тоды функционального диагностирования. В отличие от систем тестового диагностирования, особенность которых состоит в воз­можности подачи на объект специально организуемых тестовых воздействий, в данном случае воздействия, поступающие на входы объекта, заданы только его рабочим алгоритмом функционирова­ния [4].

Анализ таких особенностей процесса диагностирования слож­ных объектов, как [5]: множество альтернатив интерпретации событий; необходимость совместного рассмотрения множества со­бытий; формирование алгоритмов распознавания первопричины нарушения чаще в виде набора правил, чем в виде системы урав­нений; а также необходимость использования эвристических спо­собов выделения наиболее вероятных решений и области их су­ществования, указывает на возможность повышения эффективно­сти процедур диагностики при использовании методов теории ис­кусственного интеллекта.

Процедура диагностирования технологического состояния процесса дробления зерна в мукомольном производстве представляет собой определенную последовательность ди­агностических проверок реакции объекта на управляющие и воз­мущающие воздействия. Эффективность процедур диагностирова­ния во многом предопределяется оптимальностью выбранной по­следовательности проверок — стратегии поиска диагноза в мно­жестве всех возможных причин. Для определения стратегии осуществлено последовательное разбиение множества на под­множества (, , , ..., ) [6].

Отдельные локальные наборы правил описывают различные технологические блоки комплекса и в совокупности составляют БЗ системы. Задача диагностирования при этом формулируется следующим образом.

Пусть – ряд признаков, по конкретным значениям которых принимается суждение о субъективной вероятности ди­агнозов из заранее определенного ряда диагнозов . Каждый из принимает значение из множества. В момент времениtсостояние технологического объекта описыва­ется вектором признаков [4]

Лабиринт ,

где— реализация признакав текущий моментt.Требуется определить оценку вероятности (степень возможности) диагно­зов:

.(1)

Знак , используемый для обозначения вероятности, подчерки­вает ее субъективный характер.

Для решения поставленной выше задачи существует в основном два способа представления экспертных знаний.

Первый способ представляет собой систему правил следующе­го вида:

(2)

где— конкретное значениеиз множества, — s-eзначение оценки вероятности из множества возможных значений.

Второй возможный вид представления экспертных знаний представляет собой систему правил, описываемых при тех же обозначениях следующим образом:

(3)

Оба рассматриваемых способа представления экспертных зна­ний обладают различными свойствами. Алгоритмы обработки представленной таким образом информации также должны отли­чаться.

Наиболее удобной для эксперта формой представления зна­ний импликативного вида является наиболее привычная для че­ловека— лингвистическая. При этом эксперт оперирует размыты­ми категориями, например:

«Если значение очень большое, то вероятность — ма­лая». Поэтому к составлению модели применен лингвистический подход на базе теории нечетких множеств Л. Заде.

Лабиринт В соответствии с выражениями (2), (3) в общем виде могут быть записаны так:

ЕСЛИЕСТЬЕСТЬ,

ТО ЕСТЬ (4)

ЕСЛИЕСТЬТО ЕСТЬ (5)

Рассмотрим обе, так называемые «мягкие», модели. Естест­венно, что решающие правила, соответствующие им, будут раз­личными. В (5) используются правила, устанавливающие со­ответствие между всеми лингвистическими значениями каждого признака, рассматриваемого самостоятельно, и значением субъ­ективной условной вероятности каждого диагноза. Возможность такого представления экспертных знаний вытекает из четкого ста­тистического подхода. В частности, из широко используемой в си­стемах диагностирования байесовской формулы вычисления ве­роятности диагнозов [7] выводится зависимость

(6)

В формуле (6) будем считать, что признаки независимые. Очевидно, чтоявляется лингвистическим представ­лением четкого аргумента,а решающее правило вычис­ления вероятности P, реализованное в нечетком алгоритме диагностирования, эквивалентно функцииFиз (6).

Анализ реализованной в комплексе технологии показал, что можно выделить практически независимые диагностические приз­наки. Это позволило использование модели типа (5) для описа­ния зависимостей между субъективными вероятностями диагно­зов и нечеткими значениями признаков. Более того, как отмечено в [7], в большинстве практических задач можно принять до­пущение о независимости признаков БЗ.

Правила типа (5) можно представить и так:

ЕСЛИЕСТЬ., ТОс вероятностью .

В консеквент этого правила входят наименование j-го диагноза и лингвистическая оценка субъективной его вероятности при дан­ной реализации i-го признака,это может рассматривать­ся как мера истинности правилаЕСЛИ, ТО».

Заполнение диагностирования технологического состояния процесса дробления зерна в подготовительном цехе мукомольном заводе осуществлено по специально разработанной методике и оцениваются группами экспертов.

Литература:

  1. Бекмуратов Т.Ф., Джайлавов А.А. Экспертно-диагностическая система с устройством контроля цифровых блоков вычислительной системы//Журнал химическая технология, контроль и управление. – Ташкент, 2008. - №3. – С.32-39.
  2. Кулак В.Г., Максимчук Б.М. Технология производства муки.-М.:Агропроиздат,2001. - 224 с.
  3. Юсупбеков Н.Р., Алиев Р.А., Адилов Ф.Т. Гулямов Ш.,М., Аналитические информационные технологии автоматизации производственных процессов, ТашГТУ, Ташкент, 2004 –с. 157.
  4. Алиев Р.А. и др. Производственные системы с искусственным интеллектом/Р.А. Алиев, Н.М. Абдиеев, М.М. Шахназаров. – М.: Радио и связь. – 1990. – 264 С.
  5. Биргер И.А. Техническая диагностика. – М.: Машиностроение, 1978. – 240 С.
  6. Кристофидес Н. Теория графов. Алгоритмический подход: Пер. с англ. – М.: Мир, 1978. – 432 С.
  7. Кофман Ф. Введение в теорию нечетких множеств: Пер. с англ. – М.: Радио и связь, 1982. – 667 С.
Основные термины (генерируются автоматически): диагностирования технологического, систем диагностирования, диагностирования технологического состояния, Задача диагностирования, диагностирования технологического процесса, диагностирования состояния технологических, состояния объекта, состояний объекта диагностирования, организации процедур диагностирования, Трудности диагностирования связаны, автоматизированных систем диагностирования, диагностирования ВС эвристических, задача диагностирования, текущего состояния объекта, Процедура диагностирования технологического, Заполнение диагностирования технологического, задачи диагностирования, процесса диагностирования слож­ных, ме­тоды функционального диагностирования, систем тестового диагностирования.

Обсуждение

Социальные комментарии Cackle
Задать вопрос