Диссертация (1152160), страница 37

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 37)

Однако изменение конечной температуры уваривания не может обеспечить регулирование параметра величины кристаллов сахара в конфетных массах с требуемой точностью,тогда как продление, или наоборот, сокращение продолжительности уваривания может обеспечить качественное регулирование протекания процесса.Таким образом, основной задачей системы регулирования будет расчеттакого времени процесса уваривания, которое не выходило бы за рамки, обозначенные оператором как нижний и верхний пределы продолжительности.

Наостальные параметры протекания процесса действуют ограничения, предусмотренные технологической инструкцией.При постановке задачи в виде формулы (4.1) на модель ложится проблемаопределения единственного параметра технологического процесса: вкуса (дляданного производства: величины кристаллов сахара). Основой для определенияискомого показателя служат разнообразные статистические данные о ходе ТПи органолептические параметры сырья и полуфабрикатов, корреляция которыхс определяемым параметром выражена не явно. Таким образом, в случае использования для построения модели аппарата ИНС, задача нейронной сети вданной системе сводится к задаче прогнозирования результата.При правильном формировании обучающей выборки, значения параметров которой будут охватывать весь допустимый диапазон изменения их значений, задача прогнозирования искомого показателя представляет собой задачуинтерполяции результатов.

Это означает, что данный виртуальный датчик будет стабильно работать с заданной погрешностью в данном диапазоне значений228технологических параметров. Таким образом, нейросетевая модель, обученнаяпо выборке, в которой проводилось соответствие величины кристаллов сахара вконфетных массах и характерных для данного значения параметров ТП, имеетвид:̅(̅̅ ).И производит интерполяцию значения величины кристаллов сахара вконфетных массах, основываясь на имеющихся данных о процессе:̅(̅̅)Решение задачи построения виртуального датчика автоматического контроля величины кристаллов сахара в конфетных массах на основе НСТ и интеграции его в ИЭС контроля качества пищевой продукции в общем случае состоит из 3 основных этапов, представленных на рисунке 4.2: Анализ существующей на предприятии АСУ ТП и выявление параметров, характеризующих ход ТП производства ПГК. Разработка нейросетевой модели. Техническое решение, которое заключается в практической реализациивиртуального датчика на доступных средствах автоматизации и интергацииего в ИЭСКК ПП в существующую на предприятии АСУТП.При производстве ПГК сырье, полуфабрикаты и готовые изделия контролируются по качеству на всех стадиях процесса, как автоматически, так илабораторно (главы 1 и 3).

Для реализации задачи автоматического контролявеличины кристаллов сахара в конфетных массах необходимы БД параметров:, полученных в результате автоматических измерений, производимых существующей на производстве АСУ; а также ̅ , характеризующих исходныепоказатели качества сырья и полуфабрикатов, определяемые в процессе входного контроля и полученные в результате лабораторных измерений.229Рисунок 4.2. Этапы построения виртуального датчика автоматическогоконтроля величины кристаллов сахара в конфетных массах на основе НСТВ 1 главе в таблице 1.8 приведены контролируемые технологические параметры, характеризующие состояние процесса производства ПГК, изме-ряемые автоматически. Параметры ̅ , характеризующие исходные показателикачества сырья и полуфабрикатов, определяемые в процессе входного контроля и полученные в результате анализов в лабораториях предприятия , представлены в таблицах 1.1 - 1.3.4.1.3.

Нейросетевая модель виртуального датчика контроля величинывкуса пищевых масс (на примере кристаллов сахара в конфетных массах)Для построения виртуального интеллектуального датчика автоматическогоконтроля (АК) величины кристаллов сахара в конфетных массах предлагаютсяНС типа многослойного персептрона с одним скрытым слоем с архитектуройсети, обеспечивающей значительно лучший результат обучения, чем сети однослойного типа.

Экспериментальная проверка однослойных НС показала непригодность их для решения поставленной задачи ввиду их низкой вычислитель-230ной способности. Дальнейшая экспериментальная часть работы проводилась сприменением многослойных НС прямого распространения, типа многослойныйперсептрон. Сеть, такого типа имеет структуру, показанную на рисунке 4.3, иявляется наиболее перспективной для решения поставленных задач.Рисунок 4.3 Структура сети типа многослойный персептронПосле проведения подбора архитектуры сети следующим этапом являлось определение количества скрытых слоев и количества нейронов каждого слоя, способствующее получению наименьшей ошибки во время функционирования ИНС.

Количество скрытых слоев для сети типа многослойный персептрон во множестве практических случаях выбирается экспериментальнымпутем при проведении обучения.Теоретическое обоснование выбора количества скрытых слоев в сетиопределяет теорема Колмогорова [6, 10, 17, 18] , в которой говорится что любаянепрерывная функция, определенная на n-мерном единичном кубе, можетбыть представлена в виде суммы 2n+1 суперпозиций непрерывных и монотонных отображений единичных отрезков:()∑((∑)())(4.2)(4.3)В свете этой теоремы задача построения архитектуры сети ставится настрого математическую основу. В своих работах Р. Хечт- Нильсен [18, 24] показал, что достаточно трех, но констатировал, что в реальной сети использова-231ние большего количества слоев приводит к уменьшению суммарного количества элементов в скрытых слоях.

Анализ опубликованных результатов, однако,указывает на то, что для решения большинства практических задач достаточноодного, иногда двух скрытых слоев. Количество скрытых слоев НС определялось экспериментальным путем в среде «Matlab» [ 32, 33, 63 ] с учетом теоретического обоснования. В процессе экспериментов были рассмотрены разныеструктуры НС. Представленные структуры НС подвергались обучению согласно алгоритма обратного распространения ошибки [ 32 ]. На вход НС подаваласьодинаковая обучающая выборка. Для реализуемой сети выходой сигнал i-гонейрона скрытого слоя в общем виде будет иметь вид:( )(∑)(4.4)Тогда для выходного слоя, где формируется значение величины кристаллов сахара будет справедливо следующее:(∑( )( )(∑)(∑( ))) (4.5)Из (4.5) следует, что на значение выходного сигнала влияют веса обоихслоев, тогда как сигналы, вырабатываемые в скрытом слое, не зависят от весоввыходного слоя.

Поскольку в качестве функции активации нейронов для данной сети была выбрана сигмоидальная униполярная форма:( )( 4.6)то ( 4.4) примет следующий конечный вид:∑( 4.7)( )а значение величины кристаллов сахара в конфетных массах будет выраженоконечной формулой:∑( 4.8)( )∑( )(∑( ))На рисунке 4.4 представлена структура разработанной нейронной сети,типа многослойный персептрон с одним скрытым слоем, реализованная в232разрабатываемой системе. Входной вектор сети состоит из элементов таблиц1.1.и 1.2., а также данных таблицы 1.8 автоматических измерений, характеризующих состояние ТП в определенный момент времени.

Количество используемых параметров оказалось равным 30. На выходе НС формирует выходнойсигнал величины вкуса (величины кристаллов сахара в конфетных массах).Параметры,подаваемые навход НС. Автоматическиеизмерения иданные входного контроляВходной слойНС. Принимаетвектор входныхпараметров –автоматическихизмерений иданных входногоконтроляСкрытый слой НС.1Выходной слойНС. Формирует выходноезначение величины кристаллов в конфетных массах2Автоматическиеизмерения3Входнойконтролькачествасырьяk-2Входнойконтроль.РПВходнойконтрольфиз.-хим.параметрыТекущеезначениевеличи-Fk-1kРисунок 4.4 Структура разработанной нейронной сети, типа многослойныйперсептрон с одним скрытым слоемДалее проводилось обучение ИНС, под которым понимается процесснастройки структуры связей между нейронами и весовыми коэффициентамисинаптических связей, влияющих на сигналы коэффициентов для эффективногорешения поставленной задачи [32, 63]. При формировании обучающей выборкиНС для автоматизации измерения вкуса (величины кристаллов сахара в конфетных массах) использовались только информативные параметры.233Обучение НС проводилось с учителем.

В качестве алгоритма обучениясети был выбран градиентный метод обратного распространения ошибки, который является одним из наиболее эффективных методов обучения многослойных нейронных сетей [32, 69]. Суть данного алгоритма состоит в том, что послепредъявления НС каждой обучающей выборки происходит уточнение весовыхкоэффициентов сети.Цель обучения состоит в подборе таких значений весовидлявсех слоев сети, чтобы при заданном входном векторе параметров [х1, х2,..., х31]получить на выходе значение величины кристаллов сахара в конфетных массаху, которые с требуемой точностью будут совпадать с ожидаемым значениемданного показателя.Основу метода обратного распространения ошибки составляет целеваяфункции в виде квадратичной суммы разностей между фактическими и ожидаемыми значениями выходных сигналов. В общем виде целевая функция можетбыть записана следующим образом:,( 4.9 )где р – количество обучающих выборок, для решения данной задачи выбрано равным 150;- ожидаемое значение величины кристаллов сахара в конфетной массе при заданном векторе входных параметров.Согласно градиентным методам уточнение весовых коэффициентов (обучение) производится по формуле:( 4.10 )Таким образом, в случае реализуемой в рамках данной работы НС целевая функция будет иметь вид:( 4.11 )234Рассчитывается ошибка сетидля выходного слоя по формуле:( 4.12 )Рассчитываются изменения весов выходного слоя:( 4.13 )Производим аналогичные операции для скрытого слоя, и в итоге получаем корректирующее значение для соответствующих весов:( 4.14 )Если ошибка сети существенна, корректировка весовых коэффициентовпродолжается, в противном случае – сеть можно считать обученной.Формализовать алгоритм обратного распространения ошибки можно вследующем виде.

Характеристики

Список файлов диссертации