Содержание к диссертации
Введение
1. Современные методы измерения влажности кондитерских масс 17
1.1 Анализ особенностей технологического процесса уваривания сахаро-паточного сиропа для приготовления конфет из мягкого грильяжа 17
1.1.1 Особенности приготовления сахаро-паточного сиропа 17
1.1.2 Описание процесса уваривания сахаро-паточного сиропа как объекта управления 22
1.2 Методы и средства измерения влажности кондитерских масс 25
1.3 Анализ применения нейронных сетей для построения АСУ ТП .28
1.4 Возможность применения виртуального датчика влажности для контроля процесса уваривания сахаро-паточного сиропа 31
1.5 Задачи исследования 34
1.6 Выводы 36
2. Постановка задачи определения влажности увариваемого сахаро-паточного сиропа для приготовления конфет из мягкого грильяжа и формирование основных этапов решения поставленной задачи 39
2.1 Постановка задачи измерения влажности 39
2.2 Математическая постановка задачи 41
2.3 Этапы решения задачи построения виртуалього датчика влажности кондитерских масс 44
2.4 Выводы 44
3. Разработка нейросетевой модели для построения виртульного датчика влажности кондитерских масс 46
3.1 Подбор архитектуры нейронной сети и алгоритма обучения для реализации нейросетевой модели 49
3.1.1 Классификация нейронных сетей 49
3.1.2 Анализ возможности применения нейронных сетей различных типов для решения задачи построения виртуального датчика влажности кондитерских масс 54
3.1.3 Подбор количества слоев и количества нейронов каждого слоя нейронной сети 56
3.1.4 Подбор алгоритма и проведение обучения нейронной сети 60
3.1 Анализ работоспособности нейросетевой модели 65
3.1 Выводы 65
4. Разработка технических решений для реализации регулирования влажности увариваемого карамельного сиропа 68
4.1 Структурная схема системы регулирования влажности увариваемого карамельного сиропа для приготовления конфет из мягкого грильяжа 68
4.2 Описание элементов системы регулирования влажности увариваемого карамельного сиропа 71
4.3 Программно-аппаратные средства, выбранные и используемые для реализации разрабатываемой системы 75
4.4 Блок-схемы алгоритмов работы элементов системы регулирования влажности увариваемого карамельного сиропа 84
4.5 Выводы 90
Заключение и основные результаты работы 94
Список используемых сокращений 97
Список литературы 98
Приложение 108
- Особенности приготовления сахаро-паточного сиропа
- Классификация нейронных сетей
- Подбор алгоритма и проведение обучения нейронной сети
- Блок-схемы алгоритмов работы элементов системы регулирования влажности увариваемого карамельного сиропа
Введение к работе
Актуальность проблемы
В современных техногенных условиях жизни и при больших эмоциональных и стрессовых нагрузках у населения Российской Федерации возникает все большая потребность в качественных и полезных для организма продуктах питания.
В настоящее время кондитерские предприятия занимают ведущее место среди отраслей пищевой промышленности, а их продукция пользуется неизменным и значительным спросом у населения страны. Кондитерские изделия представляют собой большую группу разнообразных высококалорийных продуктов питания, которые регулярно потребляются практически всеми группами населения различных возрастов. Эта продукция составляет значительную долю рациона питания, ввиду своих вкусовых качеств, а так же потому что она отличается высокой питательностью, усвояемостью и обеспечивает человеческий организм набором физиологически ценных веществ, необходимых для его нормальной жизнедеятельности.
В условиях рыночной экономики, обусловленной жесткой конкуренцией и строгим контролем со стороны государства, эффективность деятельности кондитерских предприятий напрямую зависит от того, насколько его продукция удовлетворяет запросам потребителей. Введение в действие Федеральных законов «О качестве и безопасности пищевых продуктов» и «О техническом регулировании» выдвигают перед производителями новые требования в повышении качества выпускаемой продукции. Решение данной проблемы в современных условиях возможно только на основе использования новейших научных достижений в области техники и технологии, обеспечения стабильности производственных процессов, соблюдения установленных технологических режимов, оснащения поточно- механизированных линий по производству кондитерских изделий современными средствами непрерывного автоматического контроля, регулирования и управления с использованием интеллектуальных технологий.
Трудность решения этих задач обусловлена нестабильностью свойств поступающего на переработку сырья, многообразием перерабатываемых полуфабрикатов по физико- химическим, биохимическим и структурно- механическим свойствам. Все это вызывает частые колебания режимов работы оборудования, а также параметров процесса приготовления многокомпонентных неоднородных кондитерских масс и не позволяет получать стабильный по качеству готовый продукт.
Одним из основных параметров, по которому судят о качестве выпускаемых кондитерских изделий, является влажность. Определение влажности сыпу-
чих и жидких кондитерских масс играет существенную роль как при контроле протекания технологических процессов, так и при контроле качества продукции. Однако, этот параметр для приготавливаемых кондитерских масс редко сохраняется постоянным. Он меняется от партии к партии и зависит от очень многих факторов, таких как свойства сырья, нестабильность технологических процессов, условия хранения и др.
В настоящее время влажность приготавливаемых кондитерских масс определяется только путем лабораторных измерений, ввиду невозможности или крайней дороговизны технического решения по организации их измерения поточным способом. Ситуация в кондитерской промышленности России требует новых подходов к решению этой важной проблемы в отрасли, и поиску альтернативных вариантов развития автоматизации контроля влажности кондитерских изделий с использованием высокоэффективных интеллектуальных технологий.
Создание системы автоматического контроля влажности кондитерских масс в потоке, позволяющей непрерывно контролировать свойства перерабатываемого сырья, полуфабрикатов и определять оптимальный режим протекания технологических процессов, дает возможность решить задачу стабилизации качества кондитерских изделий и является перспективным направлением развития кондитерской отрасли, а также актуальной научно-технической задачей специальности 05.13.06 - Автоматизация и управление технологическими процессами и производствами (в пищевой промышленности).
В диссертации эта проблема исследована и решена на примере сахаристых кондитерских изделий, поскольку эти изделия становятся наиболее популярными у населения, обладают высокими вкусовыми качествами и хорошей усвояемостью. Производство сахаристых кондитерских изделий в настоящее время является перспективным направлением развития кондитерской промышленности. В технологической цепочке производства кондитерских изделий данного типа (таких как, например, конфеты из мягкого грильяжа), наиболее сложным является процесс уваривания сахаро- паточного сиропа, соблюдение влажности которого в течение всего производственного цикла является наиболее острой проблемой при приготовлении этого продукта, Для обеспечения необходимой стабильности протекания данного технологического процесса необходим непрерывный контроль влажности в режиме реального времени. Проведенный обзор и анализ работ, посвященных этой проблеме выявил, что к настоящему времени в пищевой промышленности для определения влажности для таких процессов применяются лабораторные методы и отсутствуют устройства автоматического контроля данного параметра в потоке, поскольку его значение трудно получить каким-либо другим способом кроме лабораторных замеров по ряду негативных факторов:
высокая вязкость среды;
высокая липкость массы;
высокое давление в варочном котле;
высокая температура в агрегате.
Перечисленные факторы делают невозможным измерение влажности приготавливаемой массы путем непосредственной установки датчика влажности внутри варочного котла.
Одним из перспективных направлений развития автоматизации процессов пищевой промышленности является применение аппарата искусственных нейронных сетей (ИНС), являющегося важным разделом теории искусственного интеллекта. ИНС способны решать широкий круг задач распознавания образов, идентификации, прогнозирования и оптимизации управления сложными объектами. В общетеоретическом плане ИНС исследовались в работах зарубежных ученых: Д. Хебба, Ф.Розенблатта, М.Минского, Дж. Холфидса, У.С.Мак-Коллака, У. Питтса, К.Э. Шеннона, Дж.М. Маккарти, Дж. Фон Неймана и др. Существенный вклад в решение научных и практических аспектов ИНС вносят отечественные ученые: В.В. Круглов, В.В. Борисов, Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев, СВ. Фомин, А.А. Фролов, В.Л. Ду-нин- барковский и др., а в пищевой промышленности - М.М.Благовещенская, О.Н. Лимбах, Е.В. Роденков, В.В. Садовой, В.А. Самылина, А.Г. Храмцов, А.В. Шаверин и др.
Работы по реализации виртуальных датчиков на основе нейросетевых технологий и интергации их в процессы управления технологическими процессами рассматривались и проводились главным образом на иностранных предприятиях. Среди теоретиков, занимающихся данным вопросом стоит отметить американских ученых Фортуна Л., Гразиани С, Рицо А., Ксибилиа М., с их работой "Soft Sensors for Monitoring and Control of Industrial Processes" ("Виртуальные датчики для мониторинга и контроля промышленных процессов" (2007), а так же Венкатасубраманиани В., Ренгасвоми Р., Йина С, в 2003 году опубликовавших 3 части статьи "A Review of Process Fault Detection and Diagnosis" ("Обзор обнаружения и диагностики ошибок протекания процесса") в журнале "Computers and Chemical Engineering".
Параллельно с этими исследованиями, возможность использования нейронных сетей для реализации виртуальных датчиков была рассмотрена к.т.н. Ибрагомовым И.М. в его статье «Использование систем искусственного интеллекта при экспуатации энергетических объектов». Так же, под руководством д.г.н. Муромцева Ю.Л. была выполнена работа под названием «Виртуальный датчик влажности в системе оптимального управления процессами сушки», в которой впервые в пищевой промышленности была рассмотрен процесс вне-
дрения в СУ сушильной установкой вальцеленточного типа виртуального датчика, построенного на основе нейросетевых алгоритмов.
В настоящей работе был учтен и проработан опыт предыдущих исследований и были приняты во внимание все рекомендации, приводимые авторами перечисленных ранее трудов.
Анализ опубликованных научных работ в области ИНС свидетельствует о перспективности исследований по этой тематике, необходимости развития этого направления, а так же малочисленности данных исследований в области пищевой промышленности. Изучение отечественной и зарубежной литературы указывает на необходимость углубленного исследований в рассматриваемой области и применения новых подходов к использованию ИНС для построения виртуальных датчиков с учетом специфики кондитерской промышленности. В связи с чем, представляется своевременным и актуальным проведение комплексных исследований, направленных на автоматизацию контроля влажности кондитерских масс с применением интеллектуальных технологий; разработку виртуального датчика влажности кондитерских масс на основе нейросетевых алгоритмов; исследование возможности интеграции такого датчика в систему управления технологическим процессом при производстве кондитерских изделий.
Проведенные исследования показали возможность успешного решения задачи автоматического контроля влажности на примере сахаристых кондитерских масс за счет внедрения в производственный процесс специально разработанного программно-аппаратного комплекса (ПАК) виртуального датчика, построенного на основе искусственной нейронной сети (ИНС), приемлемого по стоимости для любого пищевого предприятия.
Создание и внедрение виртуального датчика влажности с использованием интеллектуальных технологий и современных математических методов позволяет оптимизировать управление технологическими режимами линии производства кондитерских изделий, непрерывно получать данные о влажности кондитерских масс в течение всего технологического процесса в режиме реального времени, существенно уменьшить уровень брака, снизить потери рабочего времени, сырья и энергии, повысить качество готовой продукции. Решение этой проблемы позволит построить эффективную систему регулирования и управления технологическими процессами кондитерских производств.
Актуальность работы подтверждается включением тематики проводимых исследований в научно- технический проект по госбюджетной теме №7242 «Снижение риска получения некачественной продукции за счет научно- обоснованных методов, приборов и систем автоматического контроля безопасности сырья, полуфабрикатов и готовых продуктов питания», выполняемой по анали-
тической ведомственной целевой программе «Развитие научного потенциала высшей школы» Министерства образования и науки Российской Федерации (2008-2010 гг.).
Актуальность проблемы, решению которой посвящена диссертационная работа, подтверждается также получением гранта Федерального агентства по образованию Министерства образования и науки Российской Федерации (проект № 7413: "Формирование и развитие кластера высших учебных заведений для интеграции научных и научно-образовательных ресурсов в области автоматизации и информатизации пищевой биотехнологии") по федеральной целевой программе "Развитие научного потенциала высшей школы (2009-2010 годы)" (мероприятие: № 2 "Проведение фундаментальных исследований в области естественных, технических и гуманитарных наук. Научно-методическое обеспечение развития инфраструктуры вузовской науки", раздел: № 2.2 " Научно-методическое обеспечение развития инфраструктуры вузовской науки ", подраздел: 2.2.1. "Развитие механизмов интеграции научной и образовательной деятельности и интегрированных научно-образовательных структур. Развитие инфраструктуры информационно-аналитического обеспечения научных исследований высшей школы", направление: 2.2.1.2." Развитие инфраструктуры информационно-аналитического обеспечения научных исследований высшей школы").
Разделы исследования, посвященные использованию интеллектуальных технологий в кондитерской промышленности, были включены в тематику НИР Московского государственного университета прикладной биотехнологии (МГУПБ) (2009 - 2010 гг.). Тема диссертационной работы соответствует плану НИР кафедры «Автоматизация биотехнических систем МГУПБ.
Изложенное позволяет сделать вывод об актуальности темы диссертационной работы.
Цель и задачи исследования
Целью настоящей работы является разработка, научное обоснование и создание методов и средств автоматизации контроля влажности кондитерских масс в потоке с применением интеллектуальных технологий, обеспечивающих производство кондитерских изделий стабильно высокого качества (на примере процесса уваривания сахаро- паточного сиропа линии приготовления конфет из мягкого грильяжа).
Для достижения поставленной цели были поставлены и решены следующие задачи исследований:
Обоснование принципов решения проблемы автоматизации контроля влажности кондитерских масс.
Проведение анализа, обобщение и систематизация направлений использования искусственных нейронных сетей (ИНС) в различных отраслях (в том числе в пищевой) промышленности.
Разработка и обоснование метода, позволяющего в реальном времени контролировать влажность кондитерских масс.
Разработка математических моделей, алгоритмов и программ для реализации методов автоматического контроля влажности кондитерских масс.
Проведение комплексных экспериментальных исследований и анализа технологического процесса производства сахаристых кондитерских изделий (на примере процесса приготовления сахаро- паточного сиропа линии производства конфет из мягкого грильяжа) с целью разработки и апробации метода автоматического контроля влажности.
Выявление и анализ зависимостей между параметрами сырья и полуфабрикатов, используемых при приготовлении сахаристых кондитерских изделий, параметрами работы технологического оборудования и влажностью увариваемого сахаро- паточного сиропа.
Математическая постановка задачи автоматического регулирования влажности в процессах уваривания при приготовлении сахаристых кондитерских изделий.
Проектирование структуры программно-аппаратного комплекса (ПАК) для контроля влажности увариваемой кондитерской массы.
Научное обоснование и разработка оптимальной НСМ для автоматизации регулирования влажности увариваемой кондитерской массы. Разработка виртуального датчика влажности кондитерских масс на основе нейросе-тевых алгоритмов.
Разработка схемы интеграции ПАК виртуального датчика в автоматизированную систему управления технологическим процессом (АСУ ТП) при производстве кондитерских изделий.
Экспериментальная проверка результатов на промышленном оборудовании. Практическая реализация результатов разработки.
Объекты и методы исследования
Объектом исследования является поточная технологическая линия по производству конфет из мягкого грильяжа и нуги, функционирующая на производстве предприятия ОАО Московская Кондитерская Фабрика «Красный Октябрь» (типовая линия производства сахаристых кондитерских изделий).
Предмет исследования составила совокупность теоретических, методологических и практических задач, связанных с автоматизацией контроля влажно-
сти кондитерских масс. Были исследованы модели, методы, средства и способы контроля влажности кондитерских масс по результатам значений различных наиболее информативных технологических параметров процесса, а также физико-химических и реологических параметров сырья и полуфабрикатов, измеренных в процессе производства сахаристых кондитерских изделий.
При проведении теоретических и экспериментальных исследований использованы основные положения и уравнения теории автоматического управления, математического моделирования, элементы теории принятия решений, методы системного анализа, оптимизации, планирования и обработки результатов экспериментов, теории ИНС, теории нечетких множеств, а так же методы математической статистики. Экспериментальные исследования проведены с помощью стандартных методик и поверенных приборов а так же персонального компьютера с использованием пакета прикладных программ Mat.Lab 2007b.
Научная новизна работы
Научная новизна исследования, обеспечившая достижение цели работы заключается в следующем:
В результате теоретического анализа, экспериментальных исследований и расчетов обоснованы наиболее перспективные направления автоматизации контроля влажности кондитерских масс на основе виртуальных датчиков построенных на базе нейросетевых алгоритмов.
Разработаны теоретические и методологические основы автоматического контроля влажности кондитерских изделий (на примере процесса приготовления сахаро- паточного сиропа линии производства конфет из мягкого грильяжа), в частности впервые разработаны:
Метод автоматизации контроля влажности кондитерских масс.
Способ автоматического контроля влажности кондитерских масс в потоке, основанный на внедрении в систему управления (СУ) виртуального датчика, построенного на алгоритмах ИНС. Предложенный способ позволяет своевременно получить объективную информацию о текущей влажности увариваемого сиропа по результатам значений технологических параметров процесса, а также на основании физико-химических и реологических параметров сырья и полуфабрикатов, измеренных в процессе производства изделия.
Нейросетевая модель процесса уваривания сахаро-паточного сиропа.
Алгоритмическое и математическое обеспечение задачи автоматизации контроля влажности кондитерских масс.
Методика и алгоритм проектирование архитектуры комплекса системы автоматического контроля влажности.
Формулирование основных правил использования алгоритмов ИНС для создания виртуальных датчиков для контроля показателей пищевых масс.
Структура программно - аппаратного комплекса (ПАК) виртуального датчика, реализующего способ автоматического контроля влажности сахаристых кондитерских изделий и интеграция его в систему управления.
Основные правила использования алгоритмов ИНС для создания виртуальных датчиков контроля влажности кондитерских масс.
Практическая ценность
В результате проведенных исследований продемонстрированы возможности осуществления автоматического контроля влажности кондитерских масс в потоке на основе нейросетевои модели с последующим созданием АСУТП в кондитерской промышленности.
Основные позиции, определяющие практическую ценность работы, заключаются в следующем:
Создана и апробирована методика автоматического контроля влажности кондитерских масс в режиме реального времени (на примере процесса приготовления сахаро- паточного сиропа линии производства конфет из мягкого грильяжа).
Сформулированы предложения для обеспечения широкого использования в кондитерской промышленности аппарата искусственных нейронных сетей, являющегося одним из перспективных направлений развития теории искусственного интеллекта.
Даны рекомендации по созданию ПАК для контроля влажности кондитерских масс с использованием нейросетевои модели. Данная разработка позволит непрерывно в потоке контролировать влажность кондитерских масс.
Применен и апробирован разработанный способ автоматического контроля влажности в процессах приготовления сахаристых кондитерских изделий. Даны рекомендации по применению разработанного способа для построения системы регулирования влажности в процессе уваривания сахаро-паточного сиропа для приготовления конфет мягкого грильяжа.
Разработана и апробирована структура реализации ПАК виртуального датчика и его интеграции в АСУ ТП. Даны рекомендации и обоснования по выбору технических средств и программного обеспечения, необходимых для создания этой системы
Апробация работы
Основные положения диссертационной работы были обсуждены и одобрены на:
Семинаре «Интенсификация и автоматизация технологических процессов обработки пищевых продуктов», МГУПБ, 2009.
Международной научной конференции студентов и молодых ученых «Экологически безопасные, ресурсосберегающие технологии и средства переработки сельскохозяйственного сырья и производства продуктов питания», МГУПБ, 2009.
П-ой Конференции молодых ученых «Реология и физико-химическая механика гетерофазных систем», 2009.
И-ом Испанско- Российском Форуме по информационным и коммуникационным технологиям, Мадрид, 21-25 сентября 2009.
X Международная научно- практическая конференция «Автоматизация и информационное обеспечение производственных процессов в сельском хозяйстве», Углич, 2009.
Электронной научной конференции на основе Интернет-форума, научно-информационного издательского центра и редакции журнала «В мире науки», 2009.
Х-ой Всероссийской выставке научно-технического творчества молодежи «НТТМ-2010».
Получено свидетельство Всероссийской Выставки Научно-технического Творчества Молодежи о результативном участии в создании и успешной демонстрации научно-технического проекта.
Разработанная система контроля влажности кондитерских изделий внедрена и введена в эксплуатацию в конфетном цехе ОАО «МКФ Красный Октябрь». Результаты диссертационной работы внедрены в учебный процесс кафедры «Автоматизация биотехнических систем» ГОУ ВПО Московского государственного университета прикладной биотехнологии по следующим дисциплинам: «Моделирование систем», «Технические средства автоматизации» и «Проектирование автоматизированных систем» о чем свидетельствуют соответствующие акты внедрения.
По итогам работы подготовлены две заявки на изобретения.
Публикации
По теме диссертационной работы опубликовано 5 печатных работ. Структура н объем работы
Диссертационная работа состоит из введения, 4 глав, заключения, списка используемой литературы (104 источника) и приложения. Работа изложена на 117 страницах машинописного текста, содержит 27 рисунков, 12 таблиц, 1 приложения.
Особенности приготовления сахаро-паточного сиропа
Для приготовления конфет из мягкого грильяжа необходимо произвести кондитерскую массу, полученную посредствам уваривания сахарного раствора с крахмальной патокой до карамельной массы влажностью 7-11%. Карамельная масса при температуре свыше 100С представляет собой прозрачную вязкую жидкость от светлого до желтоватого цвета. По мере снижения температуры вязкость её значительно возрастает. Масса приобретает пластичность при температуре 70-90С. При этих температурах хорошо формуется. При дальнейшем охлаждении до 40-45 карамельная масса, оставаясь в аморфном состоянии, становится твёрдой и хрупкой.
В промышленности карамельную массу получают растворением сахара в воде и увариванием сахарного раствора с патокой до необходимого содержания сухих веществ. Применение патоки обусловлено её антикристаллизационными свойствами, в то время как приготовить карамельную массу без добавления антикристаллизаторов не представляется возможным. При уваривании раствора сахара кристаллизация его непрерывно повышается и достигает насыщения, т.е. такого состояния, когда дальнейшее увеличение концентрации приводит к перенасыщению и выделению сахара в виде кристаллов.
Патока представляет собой сладкую, очень вязкую, бесцветную, иногда желтоватую жидкость. Сладкий вкус патоке придают содержащиеся в ней редуцирующие сахара, а вязкость - декстрины. Способность патоки задерживать кристаллизацию сахарозы в процессе приготовления карамельной массы можно объяснить следующим: увеличением вязкости раствора, повышением количества сухих веществ, содержащихся в насыщенном сахаро паточном растворе по сравнении с насыщенным раствором чистой сахарозы и образованием продуктов распада при нагревании сахарозы и патоки, часть которых способна задерживать кристаллизацию сахарозы.
Антикристаллизирующее действие патоки объясняется тем, что декстрины повышают вязкость сахарного сиропа, затрудняют кристаллизацию, редуцирующие вещества способствуют сохранению влажности. К редуцирующим веществам относятся сахара (глюкоза, мальтоза, лактоза), обладающие восстановительными свойствами.
Количество патоки должно составлять 50% к массе загружаемого сахара, поскольку при изготовлении сиропа с меньшим количеством патоки карамельная масса легко кристаллизуется, а при большем - становится гигроскопичной и, не выдерживая длительного хранения, намокает.
С введением в раствор сахара патоки растворимость сахарозы не повышается, а, наоборот, снижается. Однако при введении патоки общая суммарная растворимость в воде сахарозы в смеси с сухими веществами значительно повышается, и такую смесь удаётся сконцентрировать до влажности всего 2-3% без кристаллизации. Чисто сахарный раствор до такой концентрации довести невозможно.
Добавление патоки в рецептуру подготовки карамельной массы придаёт ей, необходимые для обработки (проминки, вытягивания, формования) пластичные свойства.
Сахаро-паточным сиропом называют концентрированный (свыше 40%) раствор различных Сахаров (сахарозы, глюкозы, мальтозы, фруктозы и т.д.) или их смеси в воде. Сироп представляет собой прозрачную вязкую, почти бесцветную жидкость. Сироп не должен содержать взвешенных частиц (сахаропаточные сиропы имеют небольшую опалесценцию), не должен иметь посторонних запахов и вкуса. Карамельный сироп не должен содержать кристаллов сахара, так как при уваривании карамельной массы они, являясь центрами кристаллизации, могут вызвать засахаривание. Сироп должен иметь стабильный состав по влажности и содержанию редуцирующих веществ. Концентрация применяемых в кондитерском производстве сиропов обычно выше 70%. Высокая концентрация сахара оказывает консервирующее действие, поэтому такие сиропы проявляют устойчивость к сбраживанию.
Процесс приготовления сиропа состоит из двух операций: растворения сахара и уваривания полученного сиропа до нужной влажности. Для приготовления карамельного сиропа существует несколько различных способов, которые можно подразделить на две основных группы: периодические и поточно-механизированные.
В данной работе рассмотрен периодический способ, где в качестве основного оборудования применяется варочный котел немецкой фирмы-производителя оборудования для кондитерской промышленности Hosokawa Тег Braak модели ТВТ 500, оборудованный паровой рубашкой (рис. 1).
При ведении технологического процесса следует учитывать, что количество воды, содержащейся в патоке, недостаточно для растворения всего предусмотренного рецептурой сахара, если процесс вести при атмосферном давлении.
Для приготовления конфет из мягкого грильяжа сироп уваривают до влажности 7-11% в зависимости от сорта продукции.
Во время ведения процесса следует помнить, что продолжительное нагревание сахара в присутствии патоки с повышенной кислотностью может привести к значительному увеличению массовой доли редуцирующих веществ, что снижает качество сиропа и приготовленной из него карамельной массы.
Качество уваренного сиропа обусловлено количеством содержащихся в нём продуктов разложения Сахаров. Таких продуктов должно быть минимальное количество. Сахарный раствор имеет слабокислую реакцию (рН 6,3), поэтому при высокой температуре в нём может происходить частичное разложение сахарозы на фруктозу и глюкозу. В свою очередь фруктоза при температуре около 90С начинает разлагаться на темноокрашенные продукты, вследствие чего получаемый сироп приобретает тёмную окраску. Содержание продуктов разложения Сахаров можно уменьшить путём снижения температуры при варке или сокращения продолжительности процесса. Снизить температуру нельзя по причине того, что карамельный сироп должен иметь вышеобозначенную влажность, а растворимость Сахаров значительно увеличивается при нагревании. Поэтому главным направлением в совершенствовании технологии приготовления сиропа стало сокращение продолжительности теплового воздействия на сахар и другие компоненты, входящие в рецептуру сиропа. Минимум времени нахождения рецептурных компонентов сиропа под воздействием высокой температуры снижает интенсивность процесса разложения Сахаров и позволяет получить сироп и карамельную массу из него более высокого качества. При этом получается карамельная масса пониженной цветности и более стойкая в хранении, т.е. менее гигроскопичная. Сахаро-паточный сироп уваривается при повышенном давлении. При этом в процессе уваривания увеличивается температура кипения, и как следствие, увеличивается растворимость сахара. Это позволяет вводить в рецептуру минимальное количество воды.
Основной задачей технологического процесса получения уваренного сахаро-паточного сиропа является перевод сахара из твёрдого кристаллического состояния в аморфное. Это можно осуществить двумя путями, предусматривающими уничтожение кристаллической решётки сахара: либо нагреванием сахара до плавления, либо растворением сахара в воде с последующим выпариванием влаги. В промышленной практике карамельную массу в настоящее время получают вторым способом.
Карамельная масса на патоке содержит: сахарозы 58%, декстринов 20%, глюкозы 10%, мальтозы 7%, фруктозы 3%, влаги 2%.
Кроме того, в сиропе, содержится некоторое количество продуктов разложения, образовавшихся в результате химических изменений Сахаров в процессе приготовления карамельного сиропа и уваривания его до карамельной массы.
Среди образовавшихся продуктов разложения Сахаров имеются ангидриды и продукты конденсации их, а также продукты более глубокого разложения Сахаров: оксиметилфурфурол, кислоты, красящие и гуминовые вещества.
Приготовленный по рецептуре сироп кипит при 114С. Уваренный до влажности карамельной массы он кипит уже при 165С. При такой высокой температуре сахар и составные части патоки начинают разлагаться. В связи с отрицательным влиянием продуктов глубокого разложения Сахаров на свойства карамельной массы и карамели процесс уваривания карамельного сиропа до карамельной массы необходимо вести так, чтобы образование этих продуктов разложения было исключено или сведено к минимуму. Это условие достигается при снижении температуры и сокращения продолжительности нагревания карамельных сиропов.
Классификация нейронных сетей
Искусственные НС [28, 47, 56, 58] различаются друг от друга своей архитектурой, а именно:
структурой связи между нейронами;
числом слоев;
функцией активации нейронов;
алгоритмом обучения.
Различия вычислительных процессов в сетях часто обусловлены способом взаимосвязи нейронов, а также количеством скрытых слоев, поэтому выделяют следующие виды сетей:
Сети прямого распространения;
Рекуррентные сети;
Сети с боковыми обратными связями;
Гибридные сети;
Однослойные сети;
Многослойные сети.
В целом, по структуре связей НС могут быть сгруппированы в два класса: сети прямого распространения — без обратных связей в структуре и рекуррентные сети — с обратными связями. В первом классе наиболее известными и чаще используемыми являются многослойные НС, где искусственные нейроны расположены слоями. Связь между слоями однонаправленная и в общем случае выход каждого нейрона связан со всеми входами нейронов последующего слоя. Такие сети являются статическими, так как не имеют в своей структуре ни обратных связей, ни динамических элементов, а выход зависит от заданного множества на входе и не зависит от предыдущих состояний сети. Сети другого класса являются динамическими, так как из-за обратных связей состояние сети в каждый момент времени зависит от предшествующего состояния. На рисунке 5 изображена более детальная классификация основных типов НС.
Нейроны выдают взвешенную сумму входов в сеть. В искусственных и биологических сетях многие соединения могут отсутствовать, все соединения показаны в целях общности. Могут иметь место также соединения между выходами и входами элементов в слое.
При подаче различных выборок данных на входы сети, получается некий набор чисел на выходах сети. Таким образом, работа НС состоит в преобразовании входного вектора в выходной вектор, причем это преобразование напрямую зависит от подбора весовых коэффициентов сети.
Более крупные и сложные НС обладают, как правило, и большими вычислительными возможностями. Многослойные сети имеют более широкую сферу применения, чем однослойные, но для их правильной и объективной работы необходимо проведения обучения, специально разработанными для этой цели алгоритмами. В таких сетях нейроны расположены в некотором количестве п слоев. Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам следующего слоя, пока преобразования не достигнут и-ого слоя, который выдает выходные сигналы для интерпретатора и пользователя.
Число нейронов в каждом слое может быть любым и никак заранее не связано с количеством нейронов в других слоях. Теоретически число слоев может быть произвольным, однако фактически оно ограничено ресурсами используемого при вычислениях компьютера или специализированной микросхемы, на которых обычно реализуется НС.
Гибридные НС [50] могут иметь различную структуру и могут относиться практически к любому из известных типов моделей сетей. Их основным отличием от других является представление выходных данных в виде нечетких правил, то есть значения выходного вектора у будут принадлежать множеству значений А Є [ОД]. Степень принадлежности множеству А, представляющая собой обобщение характеристической функции, называется функцией принадлежности (гА(рс). Причем fiA(x) Є [ОД], и /іл(х) = 0 означает отсутствие принадлежности х множеству A, a fiA(x) = 1 означает полную принадлежность. Конкретное значение функции принадлежности является степенью или так называемым коэффициентом принадлежности. Гибридные сети не только используют априорную информацию, но и могут приобретать новые знания, а также являются логически прозрачными для пользователя.
Также можно выделить специализированный класс НС [53]. Такие сети разрабатывались для решения конкретных задач и не являются популярными при решении задач управления, поэтому они не включены в основные программные пакеты нейросетевого моделирования. К этому классу относятся: сеть каскадной корреляции Фальмана, в которой подбор структуры происходит параллельно с ее обучением путем добавления на каждом этапе обучения одного скрытого нейрона. А также можно выделить сеть Вольтерри, которая является динамической и используется для нелинейной обработки последовательности сигналов задержанных относительно друг друга.
Подбор алгоритма и проведение обучения нейронной сети
Определенные технологическими регламентами данного сорта конфет предельные потери сухих веществ в 3% при приготовлении готового изделия определяют особые требования к погрешности работы нейросетевой модели. Предел допустимой погрешности был выбран равным 1,5%.
Под обучением искусственных НС понимается процесс настройки структуры связей между нейронами и весов синаптических связей влияющих на сигналы коэффициентов для эффективного решения поставленной задачи. Обучение НС осуществляется на некоторой выборке данных. По мере процесса обучения, который происходит по некоторому алгоритму, на протяжении работы сети минимизируется ошибка обучения. Выделяют две основные парадигмы обучения: с учителем и самообучение. В первом способе известны «правильные» выходы к каждому входному вектору значений, а веса подстраиваются так, чтобы минимизировать ошибку. Обучение без учителя позволяет распределить образцы по категориям за счёт раскрытия внутренней структуры и природы данных [45, 65].
В случае, если архитектура сети является однослойной, то обучение сети с учителем сводится к корректировке весовых коэффициентов в направлении минимизирующем ошибку на выходе сети. Для многослойных сетей такой алгоритм обучения неприемлем, так как заранее неизвестны выходные значения нейронов расположенных в скрытых слоях, поэтому в таких случаях используются более сложные алгоритмы обучения.
В качестве алгоритма обучения сети был выбран градиентный метод обратного распространения ошибки, который является одним из наиболее эффективных методов обучения многослойных нейронных сетей. Суть данного алгоритма состоит в том, что после предъявления НС каждой обучающей выборки происходит уточнение весовых коэффициентов сети. Цель обучения состоит в подборе таких значений весов wS- и W j для всех слоев сети, что бы при заданном входном векторе параметров [хг ,х2, ...,х31] получить на выходе значение влажности увариваемого сахаро-паточного сиропа у, которые с требуемой точностью будут совпадать ожидаемым значением данного показателя.
Основу метода обратного распространения ошибки составляет целевая функции в виде квадратичной суммы разностей между фактическими и ожидаемыми значениями выходных сигналов. В общем виде целевая функция может быть записана следующим образом: Где р - количество обучающих выборок, для данного проекта выбранное равным 150; d; - ожидаемое значение влажности увариваемого сиропа при заданном векторе входных параметров.
Согласно градиентным методам уточнение весовых коэффициентов (обучение) производится по формуле:
Таким образом, в случае реализуемой в рамках данной работы НС целевая функция будет иметь вид:
Производим аналогичные операции для скрытого слоя, и в итоге получаем корректирующее значение для соответствующих весов:
Если ошибка сети существенна, корректировка весовых коэффициентов продолжается, в противном случае — сеть можно считать обученной.
Формализовать алгоритм обратного распространения ошибки можно в следующем виде. Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки НС является величина: где у. - реальное выходное состояние нейрона/ выходного слоя N НС при подаче на ее входы/7-го образа; djp - идеальное (желаемое) выходное состояние этого нейрона.
Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация происходит методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом
Здесь Wij — весовой коэффициент синаптической связи, соединяющей І-ый нейрон слоя п-1 с у-ым нейроном слоя п, rj - коэффициент скорости обучения, dwLJ ду} dSj dwtJ В этом случае под у,-, как и ранее, подразумевается выход нейрона./, а под Sj — взвешенная сумма его входных сигналов, то есть аргумент активационной функции. Так как множитель —- является производной этой функции по ее аргументу, из этого следует, что производная активационной функция должна быть определена на всей оси абсцисс. В связи с этим функция единичного скачка и прочие активационные функции с неоднородностями не подходят для рассматриваемых НС. В них применяются такие гладкие функции, как гиперболический тангенс или классический сигмоид с экспонентой. В случае гиперболического тангенса.
Третий множитель — -, очевидно, равен выходу нейрона предыдущего слояу (n-1).
Что касается первого множителя в уравнении (23), он легко раскладывается следующим образом :
В таком случае суммирование по к выполняется среди нейронов слоя п+1.
Вводя новую переменную получится рекурсивная формула для расчетов величин 5- слоя п из величин S более старшего слоя п+1. Sj -ЪА -wjk J-— (27)
Для выходного же слоя:
Из полученного выше можно описать уравнение (22) в раскрытом виде:
Таким образом, полный алгоритм обучения НС с помощью процедуры обратного распространения строится так:
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 М - число нейронов в слое п-1; ЭД = уА- — /-ый вход нейрона j слоя п.
2. Рассчитать 8 для выходного слоя по формуле (28).
Рассчитать по формуле (29) изменения весов слоя N.
3. Рассчитать по формулам (27) и (29) б и Aw для всех остальных слоев, n=N-l,...l.
4. Скорректировать все веса в НС w (t) = w (t) + Aw (t) (32)
5. Если ошибка сети существенна, вернуться к шагу 1.
В противном случае, сеть можно считать обученной.
Блок-схему алгоритма обучения сети см. рис.10.
Блок-схемы алгоритмов работы элементов системы регулирования влажности увариваемого карамельного сиропа
Виртуальный датчик влажности начинает свою работу (рис. 14) как только оператор дает подтверждение запуска технологической линии, однако до определенного момента не будет давать никаких показаний. Поэтому еще до запуска технологического процесса сотрудник центральной лаборатории или оператор-технолог должен ввести в SCADA-систему все данные по сырью и полуфабрикатам, которые будут использованы для получения сиропа.
Как только технологический процесс дойдет непосредственно до операции уваривания сахаро-паточного сиропа, контроллер, начнет передавать SCADA-системе данные о протекании процесса и состоянии оборудования.
Далее SCADA-система, через реализованный интерфейс взаимодействия, передаст данные в СУБД, после чего возможны два варианта действия системы:
Система проходит стадию настройки. На этой стадии необходимо обучить нейронную сеть для работы с конкретным объектом. В данном случае, ПО GATE формирует векторы, содержащие как текущие параметры процесса, так и эталонные значения влажности для этих параметров (в данном случае эти значения получены путем лабораторных замеров) и передает их в нейронную сеть. Этот процесс повторяется до тех пор, пока нейронная сеть не будет обучена. После обучения нейронная сеть готова к работе.
Система находится в стадии эксплуатации. Если же система прошла настройку и проверку на адекватность и работает, то ПО GATE формирует вектор параметров процесса, который передается на вход нейронной сети для определения текущей влажности сиропа.
После того, как текущее значение влажности было определено, эта информация проходит обратный путь через GATE в СУБД, а затем в SCADA-систему и, наконец, в контроллер, где выступит в качестве регулируемого значения ПИД-регулятора, который, в зависимости от выбранного режима работы, выдаст управляющее воздействие в виде повышения температуры уваривания, или продлении процесса.
Данный алгоритм отрабатывается системой до тех пор, пока не будет достигнута требуемая влажность, и уваренный карамельный
Алгоритм работы нейронной сети показан на рис.15. По средствам пакета ОРС Toolbox, входящего в состав 111111 Matlab, данные, полученныве от GATE поступают непосредственно в СКМ и преобразуются в формат, используемый данной программой для математических операций.
Если нейронная сеть находится в режиме настройки и обучения, то на ее вход подается так называемая эталонная выборка, которая содержит как параметры процесса в определенный момент времени, так и соответствующие этим параметрам значения влажности в те же моменты времени.
Процесс обучения нейронной сети будет итеративно продолжается до тех пор, пока не погрешность вычислений не станет меньше заданной (подробнее об этом см. глава 2)
Алгоритм работы ПО GATE (рис. 16) представляет собой следующую последовательность действий
По средствам SQL-запроса из СУБД формируется вектор данных, содержащий необходимую информацию (в зависимости от режима работы системы).
После формирования данные в векторе должны пройти проверку целостности по алгоритмам, предусмотренным данным ПО. В случае если проверка пройдена — начинается следующий шаг работы GATE. Если проверка целостности потерпела неудачу, то ПО генерирует повторный запрос на формирование вектора данных.
Прошедшие проверку целостности данные преобразуются в формат ОРС (подробнее см. раздел 4.2).
Далее данные подвергаются проверке подлинности, реакция системы на результат которой аналогична реакции на результат проверки на целостность.
Последним шагом в алгоритме работы GATE является передача данных следующему элементу системы виртуального датчика - ППП Matlab.
