Диссертация (1152160), страница 38
Текст из файла (страница 38)
Согласно методу наименьших квадратов, минимизируемойцелевой функцией ошибки НС является величина:( )( )где:∑ (( ))( 4.15 )– реальное выходное состояние нейрона j выходного слоя N НСпри подаче на ее входы p-го образа, т.е. реальное значение величины кристаллов сахара в конфетных массах на выходе;– ожидаемое значение величины кристаллов сахара в конфетных массах при заданном векторе входных параметров.Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация происходит методом градиентногоспуска, что означает подстройку весовых коэффициентов следующим образом:( )Здесь( 4.16 )– весовой коэффициент синаптической связи, соединяющей i-ый нейрон слоя n-1 с j-ым нейроном слоя n;– коэффициент скорости обучения, 0 <<1.235(4.17 )В этом случае под, как и ранее, подразумевается выход нейрона j, а под– взвешенная сумма его входных сигналов, то есть аргумент активационнойфункции. Так как множительявляется производной этой функции по ее ар-гументу, из этого следует, что производная функция должна быть определенана всей оси абсцисс.
В связи с этим функция единичного скачка и прочие активационные функции с неоднородностями не подходят для рассматриваемыхНС. В них применяются такие гладкие функции, как гиперболический тангенсили классический сигмоид с экспонентой. В случае гиперболического тангенса( 4.18 )Третий множительслоя, очевидно, равен выходу нейрона предыдущего(n-1). Что касается первого множителя в уравнении ( 4.18 ), он легкораскладывается следующим образом :∑(∑)( 4.19 )В этом случае суммирование по k выполняется среди нейронов слоя n+1.Вводя новую переменную:( )( 4.20 )получится рекурсивная формула для расчетов величинчин()( )слоя n из вели-более старшего слоя n+1.( )*∑( )(()()+( 4.21 )Для выходного же слоя:( ))( 4.22 )Отсюда можно описать уравнение ( 4.18 ) в раскрытом виде:( )( )()(4.23 )236Таким образом, полный алгоритм обучения НС с помощью процедурыобратного распространения был построен следующим образом:1.
Подается на вход сети один из возможных образов и в режиме обычного функционирования НС, когда сигналы распространяются от входов к выходам, рассчитываются значения последних. Зная, что( )где M – число нейронов в слое n-1;(∑(( )))( )( )(( )( 4.24 )– i-ый вход нейрона j слоя n.),( 4.25 )где – функция сигмоидального вида.( )где– q-ая компонента вектора входного образа.2. Рассчитать( )для выходного слоя по формуле ( 4.22 ).Рассчитать по формуле ( 4.23 ) изменения весов3.
Рассчитать по формулам ( 4.21 ) и ( 4.23 )( )( )слоя N.и( )для всехостальных слоев, n=N-1,...1.4. Скорректировать все веса в НС( )( )( )( )( )( )( 4.26 )5. Если ошибка сети существенна, вернуться к шагу 1.В противном случае, сеть можно считать обученной.Алгоритм работы нейросетевой моделипредставлена на рисунке 4.5.Обученную сеть перед началом функционирования с рабочими технологическими параметрами необходимо проанализировать на качество обучения и способность к обобщению полученных знаний. Под обобщением подразумеваетсяследующее: укладываются ли результаты выдаваемые сетью на выходах в предел допустимой погрешности при подаче на вход сети выборки с заранее известными значениями выходных параметров, но отличной от обучающей выборки.237Рисунок 4.5 Алгоритм работы нейросетевой моделиДля данной системы минимальная ошибка обучения составила 1,04%, чтоукладывается в предел допустимой погрешности, определенный 1,5%.
Пределдопустимой погрешности был выбран и согласован с технологами, отвечающими за качество продукции линии по производству помадных конфет.Таким образом, применение метода, основанного на работе НСМ позволяет работать с наборами входных параметров любого уровня декомпозиции иучитывать влияние каждого параметра на итоговую оценку вкуса конфетныхмасс с помощью значений весовых коэффициентов. Полученные значениясравниваются с контрольными показателями путем статистической обработкиданных, в результате чего рассчитывается отклонение величины кристаллов сахара от эталонного и выдается результат о соответствия этого показателя заданному значению для выполнения дальнейших операций по производству помадных конфет.2384.1.4. Алгоритмы работы модуля (программного комплекса)автоматического контроля и регулирования величины вкуса в процессеприготовления конфетных массАлгоритм работы модуля ИЭС контроля величины вкуса (кристаллов саахара в конфетных массах) представлен на рисунке 4.6.Рисунок 4.6 Алгоритм работы модуля АЭС контроля величины кристалловсахара в конфетных массахДанные о ходе ТП производства помадных конфет (ПК) собираются сдатчиков (данные получают автоматически с существующего на предприятииАСУТП) и от сотрудников лаборатории (данные получают вручную по резуль-239татам лабораторных тестов).
Данные, получаемые лабораторией, включают всебя органолептические, физико- химические и реологические показатели сырья, полуфабрикатов и готовых кондитерских изделий на всех стадиях ТП, измеряемые с заданной дискретностью (перечень данных параметров представленв таблицах 1.1 – 1.3Автоматически измеряются технологические параметры всех этапов производства помадныхглазированных конфет (температура, давление, уровень,скорость работы линии и т.д.), а также параметры тепло- и энергоносителей,которые подведены к оборудованию в соответствии с технологическими требованиями.
Данные, полученные в результате автоматических измерений (таблица 1.8), непосредственно задействованы в управлении исследуемым процессомс помощью существующей на предприятии АСУТП. На основании проведенных исследований и полученных результатов был построен алгоритм работысистемы регулирования величины кристаллов сахара в процессе приготовленияконфетных масс (рисунок 4.7). От сотрудников лаборатории и напрямую с контроллера существующей АСУТП данные поступают в СУБД ИЭСКК, где онибудут храниться в структурированном виде.
Далее на основе разработанойнейросетевой модели при помощи Matlab, в состав пакета которого входит инструмент для синтеза, обучения и анализа НС (Neural Network Toolbox), производится автоматический расчет величины кристаллов сахара в исследуемыхконфетных массах.Задачей разработанной НСМ является получение с определенной дискретностью данных из СУБД и преобразование в среде Matlab полученного вектора данных в величину кристаллов сахара в конфетных массахприготовленного продукта.
В результате работы системы на экран мониторабудет выводиться информация о величине кристаллов сахара в конфетных массах, а так же рекомендации по изменению хода технологического процесса вслучае отклонения этого показателя от оптимального значения.240Рисунок 4.7 Алгоритм работы системы регулирования величины кристалловсахара в процессе приготовления конфетных масс4.2.
Методология создания модуля (программного комплекса)автоматического контроля цвета пищевых масс с использованием СКЗ (напримере линии производства муки)Методологию построения модуля автоматического контроля цвета пищевых масс в процессе производства пищевой продукции с использованием СКЗрассмотрим на примере ТП производства муки.Как было показано выше (1 глава п.п. 1.2.1), одним из важнейших контролируемых органолептических показателей качества муки согласно требова-241ниям и нормам СТБ 1666-2006 является ее цвет. В настоящее время на предприятиях, производящих муку, контроль цвета муки осуществляется экспертами в лабораториях. Результаты анализов цвета муки записывают в лабораторных книгах мелькомбинатов или в документах о качестве произведенной продукции.
Недостатками существующего метода контроля цветности являютсяего субъективность, невозможность быстрой оценки цвета сырья, полуфабрикатов и готовой продукции, поскольку, например, для определения цвета мукипластинку со спрессованными пробами муки в наклонном положении (30 - 45 º)погружают в сосуд с водой комнатной температуры на 1 – 2 мин., после прекращения выделения пузырьков воздуха пластинку с пробами извлекают из воды. Затем пластину держат в наклонном положении, пока не стечет лишняя вода. После этого приступают к определению цвета муки. Цвет муки определяется путѐм сравнения испытуемой муки с известным образцом муки (эталоном).При этом важное значение имеет температура наружного воздуха и хорошиесанитарные условия. Не должно быть сквозняков, ветра, резких и неприятныхшумов. Затрачивается много времени на отбор и анализ образцов, на их подготовку к экспертизе, так, чтобы исключить элементы случайности, небрежности,непродуманности и бессистемности проведения анализов для оценки цвета зерна и муки [101, 110].Как отмечалось ранее (1 глава, п.
1.3.2), в современной измерительнойтехнике одним из перспективных научных направлений развития является использование системы компьютерного зрения (СКЗ) для контроля и прогнозирования показателей качества сырья, полуфабрикатов и готовой продукции вразличных отраслях пищевой промышленности, позволяющая в процессе производства в потоке оценить интересующий показатель.Компьютерное зрение может быть представлено как статическим изображением (кадром), так и последовательностью кадров (видеозаписью).
Результатом компьютерного зрения может являться видоизмененное изображение илисписок значений некоторых параметров изображения (размер объекта, его цвет,242ориентация по отношению к камере, скорость и т.п.) Можно выделить три основных направления исследований и разработок в сфере компьютерного зрения: обработка изображения, распознавание образов и анализ изображения [7].4.2.1. Вопросы цифровой обработки и распознавания изображений взадачах автоматизации контроля цвета пищевых масс (на примере линиипроизводства муки)Изучение вопросов цифровой обработки и распознавания изображенийпоказало широкое использование для этих целей математических методов анализа и преобразования изображений [7]. Кроме дискретной математики, являющейся основой для компьютерного моделирования и обработки данных, широко используются: аффинная и проективная геометрии для восстановления 3мерных геометрических характеристик объекта; вариационное исчисление длявыделения контура объекта, разделения объектов (сегментация), анализа формы объекта, повышения чѐткости изображения, получения стереоизображенияи др.; статистические методы и теория дифференциальных уравнений в частных производных для исправления погрешностей и дорисовывания отсутствующих элементов изображения; теория кодирования и вейвлет-анализ для максимально возможного сжатия размера файла, в котором хранится цифровойаналог изображения, без существенного снижения качества этого изображения.Под влиянием потребностей обработки изображений расширяется кругматематических методов, привлекаемых или даже разрабатываемых для этихцелей.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
