Алгоритмы технической диагностики технологического процесса размола зерна хлопчатника на основе нечеткой логики | Статья в журнале «Техника. Технологии. Инженерия»

Авторы: ,

Рубрика: Спецвыпуск

Опубликовано в Техника. Технологии. Инженерия №3 (5) июнь 2017 г.

Дата публикации: 14.07.2017

Статья просмотрена: 13 раз

Библиографическое описание:

Юсупов Ф., Алиев О. А. Алгоритмы технической диагностики технологического процесса размола зерна хлопчатника на основе нечеткой логики // Техника. Технологии. Инженерия. — 2017. — №3.1. — С. 68-71. — URL https://moluch.ru/th/8/archive/62/2614/ (дата обращения: 28.05.2018).



Для создания многоуровневой иерархии алгоритмов управления маслоэкстракционным предприятием с дискретно-непрерывным характером производства необходимо изучить структурную организацию производственного, технологического процесса и построить математическую модель объекта управления в условиях неопределенности. Предварительно дадим качественное описание объекта, позволяющее затем перейти к аналитическому представлению модели объекта.

Управляемый объект будем рассматривать как сложный комплекс, состоящий из некоторого множества технологических установок (оборудования) первичной переработки масличнқх семян, в часности семени хлопчатника, складов различных видов сырья и конечных продуктов, промежуточных накопителей полуфабрикатов [1]. Входом объекта управления является множество модификаций исходного сырья – масличнқх семян различных видов сбора и сортов. Выходом объекта управления – множество конечных продуктов – масло, манная крупа, комбинированные кормы, различные виды отходов и т.д. Промежуточным продуктом являются модификации крупок и дунстов зерна. Основными материальными потоками на исследуемом предприятии с дискретно-непрерывными технологическими процессами являются потоки исходного сырья, промежуточных и конечных продуктов переработки зерна.

Техническая диагностика — область знаний, охватывающая теорию, методы и средства определения технического состояния объектов. Техническое диагностирование — определение технического состояния объектов [1].

В круг задач технической диагностики входит оценка технического состояния промышленных установок, машин, механизмов, оборудования и конструкций, а также мониторинг технического состояния объекта [2].

При этом основными среди выше перечисленных функций являются:

- оценка технического состояния объекта размола зерна;

- обнаружение и определение места и локализации неисправностей;

- прогнозирование остаточного ресурса объекта размола зерна.

Задачи технической диагностики могут рассматри­ваться как поиск отображения вида

X={X1, X2, X3…, Xi,…, Xn} A={A1, A2, A3…, Aj,…, Am}, (1)

где, X={X1, X2, X3…, Xi,…, Xn} – множество параметров, определяющих состояние технологического объекта размола зерна, а A={A1, A2, A3…, Aj,…, Am} – множество возможных его состояний.

Необходимо каждому значению вектора параметров объекта Xk поста­вить в соответствие одно из возможных состояний Aj [3].

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

Основные трудности в решении рассматриваемой задачи размола семени хлопчатника заключа­ются в следующем:

- наличие количественной, качественной и интервальной информации о значениях отдельных параметров вектора X, которые описывают размольный процесс

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

- большая размерность вектора параметров состояний технологического процесса размола, 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.

Рассмотрим систему с n входными параметрами X={X1, X2, X3…, Xi,…, Xn} определяющими состояние технологического объекта, и од­ним выходом, A содержащим m термов Aj , j=1,2…,m, лингвистиче­ской переменной.

Область значений каждого входного параметра, в свою очередь, может быть также разбита на Li интервалов (лингвистических термов) Xi={xi1, xi2, xi3…, xil,…, xiLi}.

Количество термов каждой лингвистиче­ской переменной входных параметров различно. Рассматриваемые пара­метры Xi могут быть количественными, лингвистическими и качествен­ными.

Задача классификации заключается в построении некоторой Fuzzy-логической функции

(2)

Все лингвистические термы входных переменных Xi и выходной переменной A будем рассматривать как Fuzzy-множества, заданные на универсальных множествах соответствующих диапазонов значений интервалов соответствующих лингвистических термов, функции принадлежности которых имеют вид:

(3)

(4)

Классификация на основе нечеткого логического вывода происходит на основе созданной базы знаний в соответствии следующего логического заключения

(5)

Выражение (5) можно понимать следующим образом: если в неко­тором q-м логическом правиле базы знаний системы каждая входная пе­ременная принадлежит одному из заданного множества интервалов (лингвистических термов) Xi и вес этого заклю­чения не ниже некоторой пороговой величины (wij ≤  то значение выходной переменной относится к классу Aj. 

Здесь – множество раз­личных логических правил, определяющих класс Aj.

Количество Pi и состав лингвистических термов в выражении (5) для каждого входного параметра различен. В частном случае можно принять pi=1 или pi=Li. Для некоторых входных переменных Xi возможны также высказы­вания вида

(6)

Это выражение применяется в случаях, когда наряду с принадлежностью переменной некоторому лингвистическому терму, выдвигаются требова­ния непринадлежности значения переменной определенной области зна­чений, т.е. одному или нескольким другим лингвистическим термам.

В ряде случаев логические правила вида (6) могут определять принадлежность объекта Xk одновременно к нескольким классам Aj, .

В этих обстоятельствах выбирается тот класс для которого справедливо выражение

Для вычисления значений функции1j- используются различные операторы нечёткой логики, а также t- и S- нормы Fuzzy-логики. На­пример,

(7)

Могут использоваться также другие выражения для вычисления опе­раций (ИЛИ) и (И) на основе t- и S-норм нечёткой логики, например, операторы вида

(8)

Если в соответствии с правилами логического вывода объект одновременно относится к нескольким классам, то в качестве решения выбира­ют тот класс, значение функции принадлежности для которого максимально, т.е.

(9)

В данном методе классификации каждая строка матрицы базы зна­ний определяет не только систему логических высказываний типа:

«ЕСЛИ (ЭТО ДА) И (ЭТО ДА).... И (ЭТО ДА), А (ЭТО НЕТ) И ..., (ЭТО НЕТ), ТОГДА «КЛАСС Aj”, но и виды Fuzzy-логических операторов, позволяющих вычислить дейст­вительное значение функции принадлежности к соответствующему лин­гвистическому терму выходной переменной.

Взаимосвязь всех блоков алгоритма классификации представлена на следующая рисунка


Результаты технической диагностики технологического процесса в условиях неопределенности используются в системах автоматизированного управления размольной системой семени хлопчатника.

Литература:

1. Производственный технологический регламент на производство хлопкового масла и шрота по схеме форпрессование – экстракция на 2-х линиях МЭЗ-350 производительностью 800 т/сутки переработки семян хлопчатника. ТР 1602-28-2-02. Ташкент: МАСЛОЖИРТАБАКАПРОМ РУз., 2002.- 215 С.

2. ГОСТ 20911-89 Техническая диагностика. Термины и определения.

3. Технические средства диагностирования: Справочник/В. В. Клюев, П. П. Пархоменко, В. Е. Абрамчук и др.; под общ. Ред. В. В. Клюева. — М.: Машиностроение, 1989. — 672 с.

4. Ю. А. Зак.: – Принятие решений в условиях нечетких и размытых данных: Fuzzy-технологии. М.: Книжный дом «JIИБРОКОМ», 2013. 352 с.

Основные термины (генерируются автоматически): объекта размола, технологического объекта размола, состояние технологического объекта, объекта размола зерна, семени хлопчатника, размола семени хлопчатника, технического состояния, объекта размола семени, технического состояния объекта, объекта управления, технологического процесса размола, объекта xk, технической диагностики, лингвистических термов, размола зерна хлопчатника, оценка технического состояния, технического состояния объектов, состояния технологического объекта, вектора параметров объекта, состояния объекта размола.

Обсуждение

Социальные комментарии Cackle

Посетите сайты наших проектов

Задать вопрос