Автореферат (Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий), страница 5

Осуществлена математическая постановка задачи. В работе представлена обобщеннаяпараметрическая модель системы автоматического контроля вкуса (величины кристаллов сахара в конфетных массах). Математически, задача определения величины кристаллов сахара в конфетных массах Вкс была сформулирована следующимобразом:кс = FВКС = F X $% , X '% ;где(4.1)X$% – (automation measurement) входной вектор, характеризующий параметры ТП,полученные в результате автоматических измерений, производимых АСУ предприятия;X '% – (laboratory measurement) входной вектор, характеризующий исходные показатели качества сырья и полуфабрикатов, определенные в процессе входного контроля и полученных в результате лабораторных измерений.Решение задачи построения виртуального датчика автоматического контролявеличины вкуса в конфетных массах В км на основе ИНС и интеграции его в ИЭСсостояло из 3 основных этапов:•Анализ существующей на предприятии АСУ ТП и выявление параметров,характеризующих ход ТП производства конфет.•Разработка нейросетевой модели.•Техническое решение, которое заключается в практической реализации виртуального датчика на доступных средствах автоматизации и интеграции его в ИЭСи существующую на предприятии СУ процессом.20На рисунке 4.1 представлена структура разработанной нейронной сети, типамногослойный персептрон с одним скрытым слоем, реализованная в разрабатываемой системе.

Для формирования входного слоя нейронной сети, а также для определения параметров, входящих в состав обучающей выборки, были проанализированы все параметры ТП производства ПГК, измеряемые посредствам системы автоматики. Также был изучен список параметров сырья и полуфабрикатов, получаемых в процессе входного контроля посредствам лабораторных измерений. И на основании ранее проведенных исследований определены необходимые для контролявкуса конфетных масс. Поэтому входной вектор сети состоит из выбранных,наиболее важных для определения величины кристаллов сахара входных параметров, определяемых лабораторным путем и автоматически. Выходной слой нейронной сети формирует текущее выходное значение величины кристаллов сахара вконфетных массах.Осуществлен подбор алгоритма обучения сети: градиентный метод обратного распространения ошибки, который является одним из наиболее эффективныхметодов обучения многослойных нейронных сетей.Представленная структура НС подвергалась обучению согласно алгоритмаобратного распространения ошибки.

Для этого на вход НС подавалась одинаковаяобучающая выборка. Обучение нейронных сетей проводилось на базе данных, полученных на производстве с использованием градиентного метода обратного распространения ошибки.Параметры ,подаваемые навход НС. Автоматическиеизмерения иданные входного контроляВходной слойНС. Принимаетвектор входныхпараметров –автоматическихизмерений иданных входногоконтроляСкрытый слой НС.1Автома тическиеизмере-ВходнойконтролькачествасырьяВходнойконтрольфиз.-хим.параметрыТекущее значение величины КС вконф.

массах23k-2Входнойконтроль.РПВыходной слойНС. Формируетвых. значениевеличины КС вконф. массахFk-1kРисунок 4.1 Структура разработанной нейронной сетиПри этом выполнялись следующие вычисления. Выход j-ого нейрона скры(-.)того слоя + вычислялся следующим образом:21(-.)+= +-.2=234-.56897,(4.2.)где+ = =;>2 ; ;+ ,(4.3.); – значение i-ого элемента входного вектора, ;+ – соответствующий весовой коэффициент;Затем происходило уточнение весовых коэффициентов сети.

Структура сетивыбиралась опытным путем при сравнении различных вариантов. Основным критерием выбора стала ошибка обучения, которая оказалась минимальной в случаеиспользования сети с одним скрытым слоем. Для данной системы минимальнаяошибка обучения составила 1,04%, что укладывается в предел допустимой погрешности для данной системы, определенный 1,5%.

Предел допустимой погрешностибыл выбран и согласован с технологами, отвечающими за качество продукции линии по производству помадных конфет.Ошибка сети @ для выходного слоя рассчитывалась по формуле: @ = (@ − @ ) ∙DE7DF7(4.4.). Изменения весов выходного слоя ∆;+ рассчитывалось: ∆;+ = − ∙(-.)+ ∙ +(-.)(4.5.). Для скрытого слоя рассчитывались +@ @ ;@∙DE7DF7(4.6.).(-.)∆;+= − ∙ +-.(-.)(-.)и ∆;+ : ++ =(4.7.)Корректировка всех весов НС ;+ осуществлялась следующим образом: = ;+ + ∆;+ (4.8.)Если ошибка сети была существенна, корректировка весовых коэффициентовпродолжалась, в противном случае – сеть считалась обученной.

На рисунке 4.2представлен алгоритм работы нейросетевой модели (НСМ) контроля величиныкристаллов сахара в конфетных массах.Рисунок 4.2 Алгоритм работы нейросетевой модели22По результатам обучения был проведен анализ работоспособности НСМ. Наосновании анализа программного обеспечения и характеристик наиболее популярных нейропакетов, для моделирования ИНС и решения задачи оценки контроля величины кристаллов сахара в конфетных массах был выбран программный пакетMatlab.Алгоритм работы модуля ИЭС контроля величины вкуса (кристаллов сахарав конфетных массах) представлен на рисунке 4.3.На основании проведенных исследований и полученных результатов был построен алгоритм работы системы регулирования величины кристаллов сахара впроцессе приготовления конфетных масс.Рисунок 4.3 Алгоритм работы модуля ИЭС контроля вкуса конфетных массОт сотрудников лаборатории и с контроллера АСУТП предприятия данныепоступают в СУБД ИЭС, где они хранятся в структурированном виде.

Далее на основе разработанной нейросетевой модели при помощи Matlab, производится автоматический расчет величины кристаллов сахара в исследуемых конфетных массах.В результате работы системы на экран монитора выводится информация о величине кристаллов сахара, а также рекомендации по изменению хода ТП в случае отклонения этого показателя от оптимального значения.23В рамках данной главы разработана методология создания модуля (программного комплекса) автоматического контроля цвета пищевых масс с использованием системы компьютерного зрения (СКЗ). Проведена математическая постановка задачи автоматизации контроля цвета пищевых масс (на примере линии производства муки) с использованием СКЗ.

Сформулированы основные этапы ее решения. Выполненные исследования позволили сформулировать функции, которыенеобходимо обеспечить для автоматического контроля в потоке цвета пищевыхмасс. Функциональная структура модуля контроля цвета пищевых масс (на примере муки) в процессе производства с использованием СКЗ представлена на рисунке4.4.ТП производствамукиКонфетнаяМукамассаЦифроваявидеокамераБД заданныхцифровыхизображений мукиБЗОператорСредстваотображенияинформацииКомплексный модульсбора данных,системы обработки,хранения и принятиярешенийРисунок 4.4. Функциональная структура модуля автоматического контроля цветамуки ИЭСКК в процессе производстваМодуль автоматического контроля цвета муки ИЭС с установленной программой обработки видеокадров (например, ПП Matlab, взаимодействующий в режиме реального времени с VisualC++, Java), оценивает цвет исследуемых масс, чтопозволяет судить об одном из важнейших показателей качества готового продукта.Предложена методика разработки алгоритма объективной оценки качестваизображений в модуле оценки цвета пищевых масс с учетом влияния самых разнообразных искажений во время сбора, обработки, сжатия, хранения, передачи и воспроизведения информации.

Реализация алгоритма объективной оценки изображений MS-SSIM проводилась с использованием метода оценки качества изображенийSSIM, основанного на сравнении эталонного и реального изображения по трем характеристикам: яркость, контрастность и структура.В данной главе также представлена блок - схема алгоритма принятия решения на соответствие цвета пищевой массы эталонному значению.Разработана модель системы обработки визуальной информации в модулеконтроля цвета пищевых масс. Предложенная модель системы обработки визуальной информации была реализована в виде ПКМВ (программа классификации мукипо различным сортам на видео) в среде Qt Creator на языке C++.Предложено техническое обеспечение модуля автоматического контроляцвета пищевых масс ИЭС контроля качества.В пятой главе исследованы и проанализированы существующие на пищевыхпредприятиях автоматизированные системы управления (АСУ).

Рассмотрена работа существующих на кондитерских фабриках ОАО «Объединенные кондитеры», наОАО «Мелькомбинат в Сокольниках»; на ПАО Молочный комбинат «Воронежский» и на ЗАО МПБК «ОЧАКОВО» автоматизированных систем управленияпредприятием (АСУП), изучены используемые технические средства автоматиза-24ции, принципы и методы управления. Показано, что на сегодняшний день автоматизация процесса производства пищевой продукции требует внедрения современных средств автоматического контроля в потоке показателей качества сырья, полуфабрикатов и готовой пищевой продукции. Представлен список контролируемыхАСУТП предприятий технологических параметров процессов производства ПГК,муки, сливочного масла и кваса, измеряемых автоматически.С учетом полученных в работе результатов разработаны схемы автоматизации поточных линий производства конфет, муки, сливочного масла и кваса, основанные на использовании интеллектуальных технологий.

В разработанные схемы(ФСА) внесены новые решения по автоматизации контроля органолептических показателей пищевых продуктов с использованием интеллектуальных технологий,что повлечёт за собой минимизацию брака, расходов и трудозатрат, а также повышение качества производимых продуктов.В шестой главе проработаны методологические основы построения интегрированной экспертной системы (ИЭС) контроля и прогнозирования показателейкачества пищевой продукции в процессе производства.Выделены отличительные особенности ИЭС контроля показателей качествапищевой продукции в процессе производства. Рассмотрены и проанализированытехнологии и схемы построения ИЭС.

Показаны основные компоненты структурыстатической и динамической ЭС. Обоснованы важнейшие требования при разработке ИЭС. Исследована и предложена методика разработки этой системы. Структура интегрированных ЭС содержит: основную базу знаний; проектировщик; пользовательский интерфейс; память рабочей области; редактор базы знаний (интеллектуальный).Рассмотрены и проанализированы имеющиеся средства разработки, языкипрограммирования и прогрессивные оболочки для создания динамических экспертных систем.

Показано, что разрабатываемая ИЭС относится к проблемно- ориентированным ЭС общего назначения, выполняющим функцию контроля и прогнозирования органолептических показателей качества пищевой продукции в потоке.Технология построения ИЭС контроля показателей качества пищевой продукции впроцессе производства представлена на рисунке 6.1. Качество ИЭС определяетсяразмером и качеством базы знаний.Рисунок 6.1 Технология построения ИЭС25Система функционирует в следующем циклическом режиме: выбор (запрос)данных или результатов анализов, наблюдений, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затемвыбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.В разрабатываемой ИЭС содержатся следующие компоненты: БД, БЗ, подсистема извлечения знаний; механизм вывода; пользовательский интерфейс; рабочаяобласть; подсистема объяснения; подсистема верификации знаний.

Функциональные возможности ИЭС контроля качества пищевой продукции (КК ПП) в процессепроизводства определяются двумя ее главными системными частями: средой развития и средой рекомендаций (рисунок 6.2).Рисунок 6.2 Функциональные возможности ИЭС контроля показателейкачества пищевой продукции в процессе производстваОдним из важнейших компонентов нейросетевой ИЭС контроля показателейкачества пищевой продукции является система базы данных (БД), процесс построения которой имеет три основных фазы: формулирование требований, проектирование и реализация.В работе приведены фазы разработанной БД. На первом этапе проектирования был определен тип СУБД. Из реляционных СУБД для нашей задачи был выбран наиболее распространенный вариант bdForge Studio for MySQL.