книги / Управление большими системами. УБС-2017

Информационные технологии в управлении техническими системами и технологическими процессами

Дальнейшее усложнение структуры НС существенного повышения качества моделирования не принесло. Но стоит отметить, что в некоторые моменты времени на выходе модели заметны существенные по амплитуде колебания, которые могут отразиться на работе системы при ее промышленной эксплуатации.

Поэтому коллективом авторов для повышения качества моделирования посредством учета динамики объекта было принято решение об изменении структуры НС внесением дополнительных нейронов во входной слой. Дополнительные нейроны предназначены для обработки информации, представляющей собой все те же входные сигналы, однако с дискретной задержкой на один и более тактов. Внесение задержки по каналам подачи руды и воды в мельницу на один такт позволило получить гораздо менее зашумленный колебаниями сигнал выхода модели. Причем было замечено, что он достигается при использовании НС с меньшим количеством нейронов, что является положительным моментом, поскольку позволяет использовать меньший объем вычислительных ресурсов системы. Результат работы НС с сигналами, задержанными на один такт, и тремя скрытыми слоями по 50, 35 и 25 нейронов соответственно представлен на рис. 6.

Рис. 6. График работы нейронной сети с тремя скрытыми слоями и дискретной задержкой входных сигналов на 1 такт

303

341

Управление большими системами. Выпуск XX

Постепенное повышение количества дискретных задержек до 3 последовательно приводило к повышению качества моделирования.

Затем последовательно были проведены эксперименты по добавлению нейронов, обрабатывающих сигнал тока, задержанный на 1, 2 и 3 такта. Посредством этого были получены результаты, представленные на рис. 7, где показано моделирование работы шаровой мельницы при помощи НС с тремя скрытыми слоями и 50, 35 и 25 нейронами в них, с функциями активации – гиперболический тангенс, сигмоидная функция во 2-м и 3-м скрытом слое, а также линейная функция активации в выходном слое. Во входном слое использованы 15 нейронов – объем подачи руды в мельницу, объем подачи воды в мельницу и бутару мельницы, данные сигналы, задержанные на 1, 2 и 3 такта, а также сигнал тока, задержанный на 1, 2 и 3 такта.

Рис. 7. Графикработынейроннойсетистремя скрытыми слоямиидискретнойзадержкойсигналовна1, 2 и3 такта

Из графика видно, что выходной сигнал модели практически полностью повторяет сигнал реального значения тока на тестовой выборке. Высокое качество работы модели отражено и в численных значениях показателей качества. Численные значения показателей качества, полученных при использовании моделей различного вида, представлены в таблице.

304

342

Информационные технологии в управлении техническими системами и технологическими процессами

Численные показатели качества моделирования при использовании нейронной сети

3.Заключение

Вработе была разработана математическая модель шаровой мельницы на основе нейронной сети с высокими показателями качества при работе на тестовой выборке, представляющей собой данные за иной временной промежуток, нежели обучающая. Это позволяет говорить о способности модели на основе нейронной сети аппроксимировать ранее неизвестные сигналы, что дает возможность разработки системы управления с использованием данного аппарата.

К недостаткам можно отнести достаточно большое время обучения нейронных сетей данного типа. Поэтому дальнейшим направлением работы выбрана попытка применения нейронных сетей с радиально-базисной функцией активации, которые за

305

343

Управление большими системами. Выпуск XX

счет изменения механизма обучения обладают существенно меньшим временем обучения.

Литература

1.АНДРЕЕВ С.Е. Дробление, измельчение и грохочение полез-

ных ископаемых. – М.: Недра, 1980. – 320 с.

2.КОЛМОГОРОВ А.Н. Интерполирование и экстраполирование стационарных случайных последовательностей // Изв.

АН СССР. Сер. матем. – 1941. – Т. 5:1. – С. 3–14.

3.МАРЮТА А.Н. Автоматическая оптимизация процесса обогащения руд на магнитно-обогатительных фабриках. – М.:

Недра, 1975. – 328 с.

4.ОЛЕЙНИКОВ В.А., ТИХОНОВ О.Н. Автоматическое уп-

равление технологическими процессами в обогатительной промышленности. – М.: Недра, 1966. – 245 с.

5.ПОЛЕЩЕНКО Д.А., ЦЫГАНКОВ Ю.А. Идентификация многопараметрического технологического объекта управ-

ления // Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIII Всерос. науч.-практ. конф. с междунар. участием / НИТУ «МИСиС». –

Старый Оскол, 2016. – С. 88–90.

6.УЛИТЕНКО К.Я. Некоторые аспекты интеллектуального управления производительностью и качеством при обогаще-

ниижелезных руд// Обогащениеруд. – 2006. – №6. – С. 33–37.

7.УЛИТЕНКО К.Я., МАРКИН Р.Г., СОКОЛОВ И.В. Виброа-

кустический анализ процессов дробления и измельчения на горно-обогатительных предприятиях // Горный журнал. – 2009. – № 10. – С. 72–76.

8.MONOV V., SOKOLOV B., STOENCHEV S. Grinding in Ball Mills: Modeling and Process Control / / Cybernetics and Information Technologies. – 2012. – Vol. 12, Iss. 2. – P. 51–68. ISSN (Online) 1314–4081, ISSN (Print) 1311–9702.

9.Modeling of grinding process by artificial neural network for calcite mineral / Y. UMUCU, M.F. ÇAĞLAR, L. GÜNDÜZ, V. BOZKURT, V. DENIZ // International Symposium on Innovations in Intelligent Systems and Applications. – Istanbul, 2011. – P. 344–348.

306

344

Информационные технологии в управлении техническими системами и технологическими процессами

ON BALL MILL MATHEMATICAL MODEL DEVELOPMENT

Yuri Eremenko, Stary Oskol Technological Institute n.a. A.A. Ugarov (branch) NUST "MISIS", Stary Oskol, Doctor of Science, professor (erem49@mail.ru).

Dmitri Poleshchenko, Stary Oskol Technological Institute n.a. A.A. Ugarov (branch) NUST "MISIS", Stary Oskol, Cand.Sc, associate professor (po-dima@yandex.ru).

Yuri Tsygankov, Stary Oskol Technological Institute n.a. A.A. Ugarov (branch) NUST "MISIS", Stary Oskol, postgraduate student (TsY-18@yandex.ru).

Maksim Borovinskikh, Stary Oskol Technological Institute n.a. A.A. Ugarov (branch) NUST "MISIS", Stary Oskol, student (bruh1100@gmail.com).

Abstract: The main scope of this research is to develop a ball mill mathematical model. This problem is actual nowadays since there is no universal method to control this plant current state. The most perspective approach is to develop the mill mathematical model, which allows to take into consideration the fact that many factors influence the plant behavior. Making matters worse, these factors relate to each other nonlinearly. This model will provide the opportunity to develop a ball mill automatic control system on the basis of measured technological parameters. Two methods are used to implement this approach to solve the problem under consideration: regression analysis using polynomials of different order and neural networks.

Keywords: ball mill, mathematical model, regression analysis, neural network, MatLab.

307

345

Управление большими системами. Выпуск XX

УДК 004.3 ББК 32.97

К ВОПРОСУ О РАСЧЕТЕ НАДЕЖНОСТИ ОСНОВНОГО ИЗМЕРИТЕЛЬНОГО НЕЙРОНА В САМОМАРШРУТИЗИРУЮЩЕМСЯ АНАЛОГО-ЦИФРОВОМ ПРЕОБРАЗОВАТЕЛЕ

Каримова М.О.1, Посягин А.И.2

(Пермский национальный исследовательский политехнический университет, Пермь)

В статье рассматривается структура основного измерительного нейрона в самомаршрутизирующемся аналого-цифровом преобразователе. Проводится анализ надежности каждого блока нейрона, предложены методы повышения надежности и проведено сравнение этих методов.

Ключевые слова: аналого-цифровой преобразователь, основной измерительный нейрон, вероятность безотказной работы, дублирование, мажоритирование.

Аналого-цифровые преобразователи предназначены для преобразования аналогового сигнала (обычно напряжения) в цифровую форму (последовательность цифровых значений, измеренных через равные промежутки времени).

В работе рассмотрена структура аналого-цифрового преобразователя (АЦП) на основе нейронной сети (НС), разработанная на кафедре АТ студентами А.Ф. Васбиевой, Н.Г. Макогоновым и ассистентом А.И. Посягиным под руководством заведующего кафедрой профессора д.т.н. Южакова А.А.

Такая структура позволяет обеспечить адаптивность измерения, т.е. при быстром изменении сигнала грубо оценить это изменение с максимальной скоростью, в то же время при ста-

1 Марина Олеговна Каримова, студент-магистр (karimowa.marina@

yandex.ru).

2 АнтонИгоревичПосягин, ассистент (posyagin.anton@gmail.com).

308

346

Информационные технологии в управлении техническими системами и технологическими процессами

бильном, слабо меняющемся сигнале повысить точность за счет увеличения количества разрядов [3]. АЦП включает в себя: компаратор, блок вычисления требуемой разрядности и нейронную сеть (рис. 1).

Рис. 1. Структурная схема одновходового нейросетевого самомаршрутизирующегося аналого-цифрового преобразователя

В НС имеется слой основных измерительных нейронов, которые производят преобразование аналогового сигнала (рис. 2). Также есть входной и выходной слои, они связывают НС с внешними цепями АЦП и осуществляют вспомогательную функцию в процессе самомаршрутизации сигналов в НС.

Работа НС делится на три этапа [4]:

–этап формирования ИАЦП с определенным количеством разрядов;

–этап аналого-цифрового преобразования на сформированном ИАЦП;

–этап разрушения ИАЦП.

Базовым элементом нейронной сети является основной измерительный нейрон (ОИН). Структура ОИН включает в себя 3 основных блока (рис. 3): измерительную часть, систему контроля и систему управления. Для измерения применяется метод поразрядного взвешивания, а для его реализации используется матрица R-2R. Измерительная часть представляет собой одно

309

347

Управление большими системами. Выпуск XX

звено матрицы R-2R. Блок управления определяет порядок срабатывания нейронов. Блок контроля осуществляет контроль остальных узлов ОИН, определяя его состояние [1]. Кроме основных блоков в структуре имеются блоки входных и выходных ключей для соединения измерительной части одного ОИН с измерительными частями предыдущего и следующего ОИН для образования матрицы R-2R в ИАЦП.

310

348

Информационные технологии в управлении техническими системами и технологическими процессами

Блок управления включен в измерительную часть, так как они взаимосвязаны. Блок управления определяет значения, формируемые измерительной частью. Для расчета вероятности безотказной работы каждого блока ОИН построены структур- но-логические схемы каждого блока на базис 2и-не, выбран экспоненциальный закон распределения вероятности безотказной работы [2]. Так как выбран экспоненциальный закон распределения, то для расчета вероятности безотказной работы достаточно знать интенсивность отказа для каждого элемента схемы (рис. 4).

Рис. 4. График зависимости вероятности безотказной работы блоков ОИН от времени

Из графика видно, что наименее надежным блоком ОИН является блок контроля. Для повышения надежности блока контроля применим такие методы, как дублирование и мажоритирование [5]. Они являются частными методами резервирования, соответственно, так же как и резервирование, повышают надежность за счет введения запасных элементов. Резервировать в блоке контроля стоит наименее надежные элементы, так как это приведет к меньшим аппаратным затратам. Наименее надежным элементом является триггер.

Для дублирования триггера нужен второй триггер, подсоединенный параллельно, но в таком случае при сбое одного из них возникает проблема, какое из значений на выходе триггеров

311

349

Управление большими системами. Выпуск XX

верное. Для определения этого значения нужен элемент контроля, в работе используется элемент «исключающее ИЛИ», который сообщит о том, что триггеры выдают корректные значения. Так как элемент контроля сообщает только об ошибке, для нахождения верного сигнала необходимо еще раз продублировать эти триггеры с элементом контроля и последовательно к ним подключить элемент выбора сигнала (рис. 5).

Рис. 5. Структурнаясхемадублированиятриггера

Для мажоритирования триггера в схему подключаются три параллельно соединенных триггера, и последовательно им включается мажоритарный элемент (рис. 6).

Для сравнительного анализа схем с повышенной надежностью построены графики зависимости вероятности безотказной работы от времени (рис. 7).

Из графика видно, что применение методов повышения надежности повышает вероятность безотказной работы по сравнению с блоком контроля без дублирования и мажоритирования. Представленная на графике вероятность безотказной работы – это одна из составляющих надежности, также есть достоверность функционирования, которая тоже повышается.

312

350