Диссертация (1152184), страница 23
Текст из файла (страница 23)
решения линейно-квадратичной задачи длязаданных численных значений параметров линии горячего копчения рыбы,эксплуатируемой в ООО «РИФ», найдено формируемое разрабатываемым ПАК потекущей измерительной информации линейное управление, стабилизирующеезаданный технологический режим работы. Численные значения коэффициентовстабилизирующего управления определены с использованием пакета прикладныхпрограмм MatLab (модуль care). Приведены графики переходных процессов длявсех 15 переменных замкнутой найденным управлением системы.РазработаналгоритмпоэтапнойразработкиПАКавтоматизациипроизводственно-технологических и обеспечивающих процессов в составе ИАСУ,позволяющий применять методы теории графов и на основе рекуррентногосоотношения Беллмана исключать из рассмотрения неоптимальные с позициивыбранной стратегии варианты. Алгоритм также позволяет рациональнораспределять общий ограниченный ресурс между этапами проектирования ПАК.
Вдальнейшемможетбытьразработаноприменениерезультатовнепротиворечивого агрегирования предпочтений при принятии решений.для1394. Практическое приложение результатов исследований4.1 Реализация универсального программно-аппаратного комплексаРеализация подобного ПАК, интегрирующего в себе различные процессыпредприятия пищевой промышленности, является достаточно сложной задачей.Эта задача включает в себя необходимость исполнения как минимум двухпрограмм для ЭВМ на конкретном экземпляре ПАК (по одной программе длятехнологических и обеспечивающих процессов соответственно). Необходимоотметить, что существует возможность реализовать программное обеспечение водной программе, однако оно в подавляющем большинстве случаев будет обладатьнизкой скоростью, надежностью, масштабируемостью.Для решения этой задачи мало применимы ПЛК, или аналогичныемикроконтроллеры.Ихоперационнаясистема,какправило,являетсяоднопоточной, либо потоки реализованы как суррогатные.
В любом случаеархитектура ПЛК и микроконтроллеров подразумевает отсутствие разделенияаппаратных ресурсов между процессами на уровне ядра операционной системы,более того, отсутствует и сама операционная система.Напротив, современные микрокомпьютеры могут работать под управлениемпромышленной операционной системы с открытым исходным кодом. Такиесистемы (Unix/Linux) являются многопоточными, имеют механизмы уровня ядрадляработысаппаратнымидополнительныхзадачдополнительныхмодулей,структурированныхпрерываниями,производитькоторыерепозиториевпозволяютустановкуможно(repo).длябольшоговыбратьрешенияколичестваизоткрытыхМикрокомпьютерыпозволяютодновременно запускать большое количество (десятки и сотни) программ,функционирующих в качестве сервисов (service), или демонов (daemon).Существуетвозможностьуправлятьочередностьюзапускапризагрузкемикрокомпьютера, останавливать и запускать экземпляры по одному, удаленно,используя надежные, безопасные, промышленные и общедоступные протоколы140связи.
Все экземпляры программного обеспечения могут совместно использоватьодну или несколько баз данных, размещенных в контексте промышленной СУБДнепосредственно на микрокомпьютере.За счет наличия большого количества линий, поддерживающих аппаратныепрерывания, в большинстве случаев существует возможность применять цифровыедатчики и устройства измерения, которые отличаются от аналоговых большейточностью, скоростью работы и надежностью.Приуправлениитехнологическимипроцессами,посравнениюсобеспечивающими, чаще бывает ситуация, при которой полная информация,необходимая для управления, отсутствует, или частично противоречива. Такаяситуация может возникнуть при частичном выходе из строя определенного датчикаили иного измерительного устройства. Многие современные решения на базе ПЛК,в том числе зарубежного производства, представляют собой автоматическиерегуляторы,стабилизирующиеопределенныепараметрытехнологическихпроцессов [3, 111, 7, 20,21, 22, 23, 24, 25, 44, 44, 57, 74, 79, 91, 96, 97, 102, 107], неучитывая в полной мере взаимосвязи между этими параметрами и информацию извышестоящей интегрированной информационной системы управления.
При этомуправление технологическими процессами является гораздо менее качественным игладким, чем могло бы быть. ИАСУ в данном случае может выступать не только вкачестве учетно-статистической, но и аналитической системы, в том числе сэлементами поддержки принятия решений (СППР).В настоящее время при создании модулей ССПР часто применяется аппаратнейронных сетей.
Еще несколько лет назад построение нейронной сети включало всебя ручное задание всех слоев, выбор функций активации и потерь,аналитического расчета их производных и проверки корректности производныхпри помощи численного дифференцирования, выполняемого, опять же, в ручномрежиме.На данный момент существует возможность избежать ручного заданияпроизводных посредством применения специальных фреймворков, выполняющих141автоматическое дифференцирование. При подготовке диссертации был примененфреймворк TensorFlow.СППР реализована как симбиоз регрессионной линейной модели (длязапоминания информации) и обучаемой нейронной сети (для обобщенияинформации). Такой подход позволяет решать задачи классификации ипрогнозирования, обнаруживая опосредованные информационные связи в наборахданных о накопленном и проверенном на практике опыте работниковпроизводства. Для удобства обработки данные изначально нормализованысигмоидальной функцией активации [0;1].
Для столбцов обучающих выборокопределены категорийные, цифровые и смешанные типы.Первая часть СППР ИАСУ реализована на базе однослойной нейронной сети.Однослойная нейронная сеть является универсальным аппроксиматором и придолжном количестве нейронов способна оперировать практически любойфункцией. При этом интерпретируемость результатов является высокой, однакоточность и гибкость модели сравнительно низкие.
Вторая часть СППР ИАСУ –многослойная глубокая нейронная сеть – обладает максимально высокимиточностью и гибкостью, но интерпретация результатов (например, неявных связей)весьма затруднительна. Именно поэтому результирующая СППР реализована наоснове обоих видов нейронных сетей. Реализованная в программном пакете TensorFlow обученная нейронная сеть сохранена в виде модели и используется каксоответствующий модуль СППР ИАСУ. По результатам испытаний точностьклассификации и прогнозирования составила 87%, при этом количество строк вобучающих выборках колебалось от 150 тыс.
до 22 млн. Обучение сетипроизводилось на GPU NVidia GeForce GTX 1080 Founders Edition.Достаточно высокая точность сети обусловлена большим размеромобучающей выборки и высокой достоверностью ее информации. На основанииполученного опыта была предпринята попытка автоматизировать управлениетехнологического процесса, протекающего локально, в одном помещении, сприменением СППР на базе нейронной сети. Для этого был выбран процесссозревания и хранения твердых сортов сыра.142Впроцессесозреванияихранениясыравпомещениидолженподдерживаться определенный микроклимат. Управлению подлежат температура,влажность, состав воздуха в помещении (процент содержания углекислого газа).Температура созревания и хранения каждого сорта сыра различна, более того, всоответствии с рецептурой она должна изменяться во времени в зависимости отэтапа процесса. Существуют исследования, которые подтверждают необходимостьточного регулирования температуры на различных этапах созревания сыра [91, 41],так как это оказывает влияние на органолептические и биохимические свойстваготового продукта.
Температура созревания для твердых сортов сыра в среднемсоставляет +12…+15 °С [93]. Созревание может продолжаться 2-3 месяца, поэтомук управляющему процессом ПАК предъявляются высокие требования понадежности. При слишком низкой температуре процесс созревания можетзамедлиться, слишком высокая температура ведет к оседанию головок сыра ипоявлению плесени. Для борьбы с плесенью в помещении необходима организацияпринудительнойприточно-вытяжнойвентиляциисуправляемымиПАКпараметрами воздухообмена. Необходимо отметить, что при применении ИАСУкак компоненты интеллектуального управления процессом иногда действительнонеобходимо замедлить процесс в пределах технологических норм, например,вследствие временного снижения потребительского спроса.
Такие данныесодержатся в ИАСУ, более того, они используются для обучения модуля СППР,реализованного в виде нейросети. Таким образом задается направление развитиякомплексной автоматизации предприятия пищевой промышленности.На микроклимат в помещении для созревания и хранения сыра влияютвнешние возмущения.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
