Об одной системе диагностирования технологического процесса дробления зерна маслоэкстракционного производства

Анализ функционирования современных технологических комплексов показал, что нарушения технологического режима большей частью не связаны с техническим состоянием объекта, а вызваны часто технологическими причинами, а именно внешними и внутренними возмущениями. Большую сложность в осуществлении процедур диагностирования вносит инерционность многих причинно-следственных связей. 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].

Любая техническая система в процессе своего целенаправлен­ного или задаваемого функционирования находится в динамике. 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.

В настоящее время наиболее актуальными яв­ляются вопросы, касающиеся создания автоматизированных сис­тем диагностирования состояния химико-технологических комплексов (ХТК). Это связано с тем, что сочетание таких свойств большинства современных ХТК, как высокая производительность и непрерывность производства, приводит к значительным потерям даже при кратковременных нарушениях их функционирования.

Анализ таких особенностей процесса диагностирования слож­ных объектов, как [3]: 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 маслоэкстракционного производства 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 (, , , ..., ) [4].

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 времени t состояние технологического объекта описыва­ется вектором признаков [2]

,

где — реализация признака в текущий момент t. 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 значение из множества , — s-e значение 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.

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

ЕСЛИ ЕСТЬ ЕСТЬ ,

ТО ЕСТЬ (4)

ЕСЛИ ЕСТЬ ТО 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 [5] выводится зависимость

(6)

В формуле (6) будем считать, что признаки независимые. Очевидно, что является лингвистическим представ­лением четкого аргумента , а решающее правило вычис­ления вероятности P, реализованное в нечетком алгоритме диагностирования, эквивалентно функции F из (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 [5], в большинстве практических задач можно принять до­пущение о независимости признаков БЗ.

Правила типа (5) можно представить и так:

ЕСЛИ ЕСТЬ ., ТО с 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 правила ЕСЛИ , ТО ».

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

Ниже в рисунке представлена схема алгоритма последовательного диагностирования технологического состояния процесса дробления зерна в подготовительном цехе маслоэкстракционного завода.

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. 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.

3. Биргер И.А. Техническая диагностика. – М.: Машиностроение, 1978. – 240 С.

4. Кристофидес Н. Теория графов. Алгоритмический подход: Пер. с англ. – М.: Мир, 1978. – 432 С.

5. Кофман Ф. Введение в теорию нечетких множеств: Пер. с англ. – М.: Радио и связь, 1982. – 667 С.