Автореферат (Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий), страница 4

Допустимая область изменения входов x1 и x2 для желаемого диапазона качества y В ÷ y Н для регрессии второго порядка (3.4)В многомерном случае для объекта с n входами будем рассматривать гиперпаралеллепипед (n-мерный многогранник) допустимых ограничений.14Для идентификации ТП в условиях неопределённости целесообразно применять адаптивные прогнозирующие модели с обобщенным входом:Tˆ (N ) ,(3.5)yˆ ( N ) = K ( N - 1)F- где yˆ ( N ) - оценка выхода объекта (выход модели);K T ( N - 1) = (aˆ1 ( N - 1),..., aˆ m ( N - 1), bˆ1 ( N - 1),..., bˆn ( N - 1)) - вектор коэффициентов модели; Fˆ T ( N ) = ( yˆ 1 ( N - 1),..., yˆ m ( N - m), x1 ( N ),..., x n ( N )) - обобщённый вектор входа модели.Для идентификации ТП производства пищевой продукции предложено применении алгоритма идентификации на базе фильтра Калмана – Бьюси, который является оптимальным для нестационарных объектов, поскольку оценки K (N ) порождаемые алгоритмом:(3.6)K ( N ) = K ( N - 1) + L( N )e ( N ), K (0) = K 0 ,минимизируют средний квадрат ошибки слежения за неизвестными нестационарными коэффициентами модели объекта:M {Q( N )QT ( N )} = M {( K ( N ) - H ( N )( K ( N ) - H ( N )) T } .Для повышения качества производимого продукта J(N), к контуру адаптациинеобходимо добавить внешний контур управления, включающий экспертную систему принятия решений (ЛПР), вырабатывающую решение о качестве производимого продукта.

Тогда управляющее воздействие примет вид:U ( N ) = F ( X ( N ), y ( N ), yˆ ( N )) + D( y ( N ),1 Lå ЛПРg ) ,L g =1(3.7)Lгде: D(...) - приращение управления, устанавливаемое ЭС; 1 å ЛПРg - экспертнаяL g =1система принимающая решение (ЛПР) о качестве продукта. Корректирующееуправление состоит в изменении: диапазонов регулирования технологических параметров; режимов обработки сырья и полуфабрикатов; диапазона изменения параметров качества поставляемого сырья, ингредиентов и т.д.В приложении к конкретным ТП производства пищевой продукции уравнение (3.5) принимает следующий вид:n(3.8)yˆ ( N ) = aˆ1 ( N ) yˆ ( N - 1) + aˆ 2 ( N ) yˆ ( N - 2) + å bˆ j ( N )x j ( N ) ,j =1Уравнение (3.8) может быть представлено также в виде:nyˆ ( N ) = aˆ1 ( N ) yˆ ( N - 1) + aˆ 2 ( N ) yˆ ( N - 2) + å bˆ j ( N ) f j (a1 ( N ),...,a 9 ( N ), z ( w))(3.9)j =1Для решения уравнения (3.9) и анализа статистических характеристик выхода y(N) представим его в матричной форме:(3.10)Yˆ ( N |T £ N £T ) = Aˆ (T )Yˆ ( N - 1) + F ( N ),jj +1æ aˆ (T )aˆ 2 (T ) öгде Yˆ ( N ) = {- yˆ ( N - 1), - yˆ ( N - 2)}, F ( N ) = {- Bˆ T (T ) X ( N ),0}, Aˆ (T ) = çç 1÷÷ .è1..........0Для этого уравнения можно записать следующее решение:ø15N -1Yˆ ( N |T j £ N £T j +1 ) = Aˆ N (T )Yˆ (0) + å Aˆ N -i -1 (T ) F ( N ),(3.11)i =0где Y ( N T £ N £T ) - прогноз выхода объекта на интервале Ts-1 £ N £ Ts .j +1jСформулированы практические требования к выбору режимов управленияпроизводством пищевой продукции.(3.12)uiB ( N T ) = arg min D{( yˆ ( N T )} илиuijjnrj =1k =1u ( N ) = arg min D{a yˆ ( N - 1) + a 2B yˆ ( N - 2) + å b Bj ( N ) x j + å ck uk ( N )} .BiuiB1(3.13)Нижняя граница коэффициентов объекта, обеспечивающая наилучшиеусловия идентификации, получена для случая взаимно – независимых входов.

Дляэтого случая управляющее воздействие рассчитано по следующей формуле:или(3.14)uiH ( N T ) = arg min D{ yˆ ( N T )}juijnrj =1k =1uiH ( N ) = arg min D{a1H yˆ ( N - 1) + a 2H yˆ ( N - 2) + å b Hj ( N ) x j ( N ) + å ck uk ( N )} .ui(3.15)Для рассмотренных условий идентификации: наихудшего и наилучшего,управляющие воздействия могут быть получены с помощью уравнений (3.11),(3.13), и (3.14), (3.15).Проведенные на базе кондитерского предприятия «Рот Фронт» экспериментальные исследования позволили получить матрицы экспертных оценок наличиясвязей между параметрами на отдельных участках производства конфет, а такжевыявить факторы, влияющие на качество готовых изделий на всех этапах производства.

Аналогичным образом были проведены экспериментальные исследованияна базе ОАО «Мелькомбинат в Сокольниках», ПАО «Молочный комбинат Воронежский», ЗАО Московского пивобезалкогольного комбината (МПБК) «ОЧАКОВО». И по итогам опроса опытных специалистов – экспертов этих предприятийбыли отобраны наиболее информативные параметры ТП различных производств;составлены матрицы взаимосвязей между ними для каждой стадии производства.Также были выявлены органолептические показатели: вкус и цвет, оказывающиенаибольшее влияние на качество готовой продукции.Проведенные экспериментальные исследования и полученные на предприятиях статистические данные, позволили перейти к разработке структурно – параметрических, математических и ситуационных моделей всех стадий производствапищевой продукции.Разработана методология построения структурно – параметрических и математических моделей (СП и ММ) производства пищевой продукции, на базе которой получены СП и ММ основных этапов ТП производства различной пищевойпродукции: конфет, муки, сливочного масла и хлебного кваса.

В таблице 3.1 в качестве примера показаны разработанные СП и ММ основных этапов ТП производства конфет.16Таблица 3.1 Разработанные СП и ММ основных этапов ТП ППСтадия ТППараметрическая и математическая моделиПодготовкасырья кпроизводствуЧасть полученных графиковX4X1X2Y1ппX3Y2ппX5X6Y1 всп (X7) = - 0,43 X2 + 0,13 X5Y2 цсп (X8) = 0,16 X3Приготовление сахарногосиропаХ15Х16X9Y3цссX10Y4вссX11Y5влссX12Х13X14Y3цсс =0,2 X13+0,36 X14Y4всс =0,09 X13 - 0,46 X15 - 0,53 X16Y5влсс =0,61 X12 + 0,75 X15f(X9, X15); X7= constf(X9, X7); X15= constПриготовление помадногосиропаY6впс = 0,36 X22+0,57 X23+0,51 X26Y7цпс = 0,75 X25 +0,39 X26СбиваниепомадноймассыX29X30X31Процесс сбиванияпомадных массY8 wпмY9tпмY10ϻпмY11цпмY12впмX32 Х33 X34 X35 X36 X37Y8wпм (X38) = 0,33 X29 + 0,83 X33Y9tпм (X39) = 0,29 X33 + 0,78 X35 +0,52 X36Y10ϻпм (X40) = 0,43 X30+0,51 X34+0,69 X36Y11цпм (X41) = 0,84 X31+0,42 X37Y12впм (X42) =0,41 X32 + 0,36 X34Приготовление конфетноймассыX43X44X45Процесс приготовленияпомадной конфетноймассыX46X47Y13tкмY14wкмY15цкмY16вкмY13tкм (Х48)=0,61 Х44+0,12 Х46Y14wкм (Х49)=0,69 Х43+0,42 Х47Y15цкм (Х50)=0,58 Х43+0,23 Х47Y16вкм (Х51)=0,19 Х45+0,31 Х46Формование помадных конфетX52X53X54Y17hфмПроцесс формованияконфетX55Y17hфм (X56) = 0,29 X55Y18вфм (X57) = 0,45 X54Y19цфм (X58) = 0,28 X53Y18вфмY19цфмf(X20, X23); X25= const17Вобщемслучаеситуационнаяматрицасij .Dx jnсмножествомфункциональных элементов {x1 ...xn } и связей между ними Cописываетструктурно-сложнуюситуациюпричинно-следственноговзаимодействияэлементов в текущем состоянии системы, объединяя априорнyю базу знаний оструктуре связей с текущей информацией Dх.Регистрация каждой текущей ситуации в реальном времени дополняетисходную базу данных с последующим пересчетом коэффициентов регрессии.Однако СПМ в режиме пассивного наблюдения и накопления не всегдаобеспечивает необходимую оперативность и точность принятия решения в задачахидентификации и прогнозирования из-за недостаточности статистики инеадекватности регрессионных оценок связей.Интеллектуальная функция модуля самообучения заключается в уточнении икоррекции первоначально определенных коэффициентов связей междуконтролируемыми параметрами состояния и цели, распознавании и классификациианомальных ситуаций в системе с накоплением достоверных количественных икачественных характеристик, по которым формируется ситуационныйклассификатор и база знаний системы.Нейросетевая технология самообучения и пополнения базы знаний вситуационном моделировании состояния системы с автоматической коррекциейхарактеристик связей и весовых коэффициентов когнитивной структурнопараметрической модели технологического процесса дает возможность приниматьболее адекватные оптимальные решения в реальном времени в условияхнеопределённости ситуации и окружающей среды.Алгоритм самообучения нейросети при малом размере обучающей выборки идинамика поведения обучающегося интеллектуального агента с декларируемыммножеством переменных его состояния представляется дискретно-событийнымописаниемраспознаванияаномальныхситуацийвконтролируемойтехнологической системе.

Задача обучения и распознавания ситуаций заключаласьв их классификации на основе предъявления в реальном времени текущихсостояний системы по принадлежности к областям, соответствующим различнымкатегориям принятия решения.Для ситуационного анализа в многомерном контролируемом пространстве сосвойствами рефрактерности и сходимости результатов при принятии решений вусловиях нечеткой и недостаточной информации в аномальных ситуацияхнаблюдаемой системы предлагается разновидность архитектуры ИНС Хемминга смногослойнойрекуррентнойструктурой,какспециализированноегетероассиоциативное запоминающее устройство с парой связанных между собойвекторов (x,y) соответственно входного и выходного векторов (рисунок 3.2).Основная идея функционирования данной сети заключается в минимизациирасстояния Хемминга между входным вектором (параметрами системы), ивекторами обучающих выборок, закодированными в структуре сети.nij18Рисунок 3.2.

Архитектура ИНС сети ХеммингаПолученные данные экспериментального исследования ТП производствапищевой продукции были сравнены с данными, полученными в результате опросаэкспертов. В таблице 3.2 в качестве примера представлена разработанная обобщенная матрица функциональных связей показателей качества помадных глазированных конфет (ПГК) в форме квадратной матрицы взаимосвязей (ситуационная модель ТП производства ПГК), где показан характер связей (подчеркнутым показанонахождение новых связей, а символ (Æ) означает опровержение оценок эксперта).Таблица 3.2 Ситуационная матрица функциональных связейЭлементы главной диагонали матрицы итоговой таблицы 3.2 отображаюттекущее отклонение наблюдаемых факторов от заданных значений, а недиагональ-19ные составляющие их отклонения с упорядочиванием по строкам всех причин отклонения, а по столбцам возможные следственные влияния на другие параметры.Аналогично построены ситуационные модели других производств: муки,сливочного масла и кваса.Полученные ситуационные модели дают возможность проследить причинно- следственные влияния параметров друг на друга и на показатели качества продукта с формализацией алгоритмов диагностики и прогнозирования состояний ТПи качества готовой продукции, полуфабрикатов и сырья на каждой стадии производства пищевых продуктов.Разработанные в данной главе модели являются основой формирования базызнаний и нейросетевого ядра интегрированной экспертной системы (ИЭС) контроля и прогнозирования качества пищевой продукции.4 глава посвящена автоматизации контроля органолептических показателейкачества пищевой продукции: вкуса и цвета.Наиболее перспективный способ решения проблемы контроля в потоке вкусапищевых масс связан с построением и интеграцией в разрабатываемую ЭС контроля качества виртуального датчика, осуществляющего автоматический расчетискомого органолептического показателя на основе функционально связанных сним контролируемых параметров ТП производства пищевой продукции.Представлена методология создания модуля (программно- аппаратного комплекса) автоматического контроля вкуса пищевых масс с использованием искусственных нейронных сетей (ИНС) на примере линии производства конфет.