Алгоритмы технической диагностики технологического процесса размола зерна хлопчатника на основе нечеткой логики



Для создания многоуровневой иерархии алгоритмов управления маслоэкстракционным предприятием с дискретно-непрерывным характером производства необходимо изучить структурную организацию производственного, технологического процесса и построить математическую модель объекта управления в условиях неопределенности. Предварительно дадим качественное описание объекта, позволяющее затем перейти к аналитическому представлению модели объекта.

Управляемый объект будем рассматривать как сложный комплекс, состоящий из некоторого множества технологических установок (оборудования) первичной переработки масличнқх семян, в часности семени хлопчатника, складов различных видов сырья и конечных продуктов, промежуточных накопителей полуфабрикатов [1]. Входом объекта управления является множество модификаций исходного сырья – масличнқх семян различных видов сбора и сортов. Выходом объекта управления – множество конечных продуктов – масло, манная крупа, комбинированные кормы, различные виды отходов и т.д. Промежуточным продуктом являются модификации крупок и дунстов зерна. Основными материальными потоками на исследуемом предприятии с дискретно-непрерывными технологическими процессами являются потоки исходного сырья, промежуточных и конечных продуктов переработки зерна.

Техническая диагностика — область знаний, охватывающая теорию, методы и средства определения технического состояния объектов. Техническое диагностирование — определение технического состояния объектов [1].

В круг задач технической диагностики входит оценка технического состояния промышленных установок, машин, механизмов, оборудования и конструкций, а также мониторинг технического состояния объекта [2].

При этом основными среди выше перечисленных функций являются:

- оценка технического состояния объекта размола зерна;

- обнаружение и определение места и локализации неисправностей;

- прогнозирование остаточного ресурса объекта размола зерна.

Задачи технической диагностики могут рассматри­ваться как поиск отображения вида

X={X₁, X₂, X₃…, X_i,…, X_n} A={A₁, A₂, A₃…, A_j,…, A_m}, (1)

где, X={X₁, X₂, X₃…, X_i,…, X_n} – множество параметров, определяющих состояние технологического объекта размола зерна, а A={A₁, A₂, A₃…, A_j,…, A_m} – множество возможных его состояний.

Необходимо каждому значению вектора параметров объекта X^k поста­вить в соответствие одно из возможных состояний A_j [3].

Различают прямые и косвенные диагностические параметры. Первые непосредственно характеризуют состояние технологического объекта размола семени хлопчатника, а вторые связаны с основными параметрами некоторой функциональной зависимостью.

Основные трудности в решении рассматриваемой задачи размола семени хлопчатника заключа­ются в следующем:

- наличие количественной, качественной и интервальной информации о значениях отдельных параметров вектора X, которые описывают размольный процесс

- отсутствие аналитических зависимостей между вектором состояния технологического объекта размола семени хлопчатника и его классом состояний, к которому он должен быть отнесен,

- большая размерность вектора параметров состояний технологического процесса размола, а также наличие ошибок измерения отдельных параметров.

Наибольшее распространение в методах технической и медицинской диагностики получили кластерный анализ, байесовский подход, методы регрессионного анализа, логические выводы на основе созданной базы знаний, метод фазовых интервалов.

Метод логического программирования удобен для построения цепоч­ки правил. Он широко применялся в экспертных системах и использовался в медицинской диагностике, позволяя в ряде случаев не только устано­вить диагноз, но и объяснить причину принятого решения.

Основным не­достатком большинства этих методов является сложность работы с нечис­ловыми данными (лингвистические переменные, интервальные значения), а также формализация нечетких знаний, заданных на естественном языке, что не позволяет в полной мере использовать опыт эксперта и причинно-следственные связи.

Приведем постановку и математическую формулировку задачи тех­нической диагностики на основе методов Fuzzy-логиче­ского вывода.

Рассмотрим систему с n входными параметрами X={X₁, X₂, X₃…, X_i,…, X_n} определяющими состояние технологического объекта, и од­ним выходом, A содержащим m термов A_j , j=1,2…,m, лингвистиче­ской переменной.

Область значений каждого входного параметра, в свою очередь, может быть также разбита на L_i интервалов (лингвистических термов) X_i={x_i¹, x_i², x_i³…, x_i^l,…, x_i^Li}.

Количество термов каждой лингвистиче­ской переменной входных параметров различно. Рассматриваемые пара­метры X_i могут быть количественными, лингвистическими и качествен­ными.

Задача классификации заключается в построении некоторой Fuzzy-логической функции

(2)

Все лингвистические термы входных переменных X_i и выходной переменной A будем рассматривать как Fuzzy-множества, заданные на универсальных множествах соответствующих диапазонов значений интервалов соответствующих лингвистических термов, функции принадлежности которых имеют вид:

(3)

(4)

Классификация на основе нечеткого логического вывода происходит на основе созданной базы знаний в соответствии следующего логического заключения

(5)

Выражение (5) можно понимать следующим образом: если в неко­тором q-м логическом правиле базы знаний системы каждая входная пе­ременная принадлежит одному из заданного множества интервалов (лингвистических термов) X_i и вес этого заклю­чения не ниже некоторой пороговой величины (w_ij ≤  то значение выходной переменной относится к классу A_j. 

Здесь – множество раз­личных логических правил, определяющих класс A_j.

Количество P_i и состав лингвистических термов в выражении (5) для каждого входного параметра различен. В частном случае можно принять p_i=1 или p_i=L_i. Для некоторых входных переменных X_i возможны также высказы­вания вида

(6)

Это выражение применяется в случаях, когда наряду с принадлежностью переменной некоторому лингвистическому терму, выдвигаются требова­ния непринадлежности значения переменной определенной области зна­чений, т.е. одному или нескольким другим лингвистическим термам.

В ряде случаев логические правила вида (6) могут определять принадлежность объекта X^k одновременно к нескольким классам A_j, .

В этих обстоятельствах выбирается тот класс для которого справедливо выражение

Для вычисления значений функции1j- используются различные операторы нечёткой логики, а также t- и S- нормы Fuzzy-логики. На­пример,

(7)

Могут использоваться также другие выражения для вычисления опе­раций (ИЛИ) и (И) на основе t- и S-норм нечёткой логики, например, операторы вида

(8)

Если в соответствии с правилами логического вывода объект одновременно относится к нескольким классам, то в качестве решения выбира­ют тот класс, значение функции принадлежности для которого максимально, т.е.

(9)

В данном методе классификации каждая строка матрицы базы зна­ний определяет не только систему логических высказываний типа:

«ЕСЛИ (ЭТО ДА) И (ЭТО ДА).... И (ЭТО ДА), А (ЭТО НЕТ) И ..., (ЭТО НЕТ), ТОГДА «КЛАСС A_j”, но и виды Fuzzy-логических операторов, позволяющих вычислить дейст­вительное значение функции принадлежности к соответствующему лин­гвистическому терму выходной переменной.

Взаимосвязь всех блоков алгоритма классификации представлена на следующая рисунка

Результаты технической диагностики технологического процесса в условиях неопределенности используются в системах автоматизированного управления размольной системой семени хлопчатника.

Литература:

1. Производственный технологический регламент на производство хлопкового масла и шрота по схеме форпрессование – экстракция на 2-х линиях МЭЗ-350 производительностью 800 т/сутки переработки семян хлопчатника. ТР 1602-28-2-02. Ташкент: МАСЛОЖИРТАБАКАПРОМ РУз., 2002.- 215 С.

2. ГОСТ 20911-89 Техническая диагностика. Термины и определения.

3. Технические средства диагностирования: Справочник/В. В. Клюев, П. П. Пархоменко, В. Е. Абрамчук и др.; под общ. Ред. В. В. Клюева. — М.: Машиностроение, 1989. — 672 с.

4. Ю. А. Зак.: – Принятие решений в условиях нечетких и размытых данных: Fuzzy-технологии. М.: Книжный дом «JIИБРОКОМ», 2013. 352 с.