Содержание к диссертации
Введение
1.1 Анализ технологического процесса производства творога как объекта управления 14
1.2 Характеристика стадий и материальных потоков технологического процесса производства творога 16
1.3 Анализ влияния состояния сырья на качество готового изделия 20
1.4 Исследование и анализ технологического процесса производства творога, влияние схем его формирования на качество готового изделия 29
1.5 Методы органолептического контроля показателей качества творога 33
1.5.1 Общие сведения 33
1.5.2 Органолептический анализ, методы органолептического анализа 35
1.5.3 Контроль органолептических свойств молока и молочных продуктов 38
1.5.4 Контролируемые показатели при производстве творога 42
1.5.5 Недостатки органолептического контроля 46
1.6. Нечеткие множества и нейронные сети. Область применения. Общие сведения. 47
Выводы 53
Основная часть .
2.1 Постановка эксперимента. Объекты и методы исследования 55
2.2 Содержательная постановка задачи контроля качества готового творога 58
2.3 Математическая постановка задачи контроля качества готового изделия 60
2.4 Основные этапы решения задачи контроля качества творога 64
2.5 Дополнительный способ контроля качества творога 68
Выводы 83
3 Разработка нейросетевой модели оценки качества творога 85
3.1 Анализ технологических параметров, влияющих на качество творога 85
3.2 Анализ данных, полученных на производстве. Зависимость качества готового продукта от этих параметров 94
3.3 Подбор нейропакета для моделирования искусственной нейронной сети 96
3.4 Предварительный подбор архитектуры нейронной сети для реализации задачи оценки качества творога . 102
3.5 Выбор архитектуры нейронной сети для реализации задачи оценки качества творога. 105
3.6 Нейронная сеть типа Радиальной Базисной Функции. 114
Выводы 118
4 Разработка программно-аппаратного комплекса 120
Выводы 126
Заключение 127
Список условных обозначений 130
Список литературы 131
- Характеристика стадий и материальных потоков технологического процесса производства творога
- Исследование и анализ технологического процесса производства творога, влияние схем его формирования на качество готового изделия
- Математическая постановка задачи контроля качества готового изделия
- Предварительный подбор архитектуры нейронной сети для реализации задачи оценки качества творога
Характеристика стадий и материальных потоков технологического процесса производства творога
Цель работы и задачи исследования. Целью данной работы является повышение качества готового творога за счет разработки автоматизированной системы контроля качества с применением методов нейросетевого моделирования на примере линии производства творога раздельным способом с использованием сепаратора. Для исключения брака и увеличения прибыли на предприятии, в данной работе предлагается, наряду с экспрессным методом нейросетевого моделирования, автоматизировать контроль и регулирование содержания влаги в продукте с помощью автоматизированной системы оценки качества, оснащенной Цифровой видеокамерой (ЦВК) по каналу: «производительность подачи сгустка -процентное содержание влаги в твороге»
Разработана методика осуществления нейропрогноза, основанная на использовании совокупности методов оптимизации процесса построения нейросете-вой модели, обеспечивающая повышение показателей качества, выработку продукта, соответствующего заданным показателям. Предложенная методика позволяет спрогнозировать качество готового творога при изменении технологических параметров благодаря способности нейросетевых моделей к самообучению.
Предложен дополнительный способ контроля качества творога. Оценивается влажность продукта по степени отклонения контрольных точек творожного «пласта» от эталонного положения на кадре-задатчике с применением видеокамеры. Отрегулировать количество влаги в продукте можно, изменяя скорость подачи творожного сгустка, воздействуя на тиристорный двигатель насоса-дозатора по каналу: «производительность подачи сгустка - процентное содержание влаги в твороге». Полученные значения показателя влажности могут быть использованы как дополнительный вектор группы информационных параметров для обучения нейронной сети.
Даны рекомендации по разработке Программно-аппаратного комплекса для оценки качества творога, который в автоматическом режиме способен предсказать качество готового творога по органолептическим показателям.
Практическая значимость работы: При контроле качества продукта в качестве выходных данных использовалась органолептическая оценка творога по 10 бальной шкале. Предложенный способ на базе нейросетевого моделирования, позволяет исключить фактор субъективности из органолептической оценки. Предсказание нейронной сетью типа Радиальная базисная бальной оценки качества творога осуществляется с точностью 99,76 %. Высокий показатель точности способствует исключению брака на производстве, повышению качества и минимизации затрат. Внедрение нейросетевого метода оценки не потребует больших материальных вложений, достаточно персонального или промышленного компьютера, с установленным программным пакетом Matlab. Единственные затраты – временные, необходимые для сбора массивов входных/выходных данных, обучению персонала принципам работы с Matlab Neural Toolbox.
Дополнительный способ оценки показателя влажности с применением программного пакета Matlab и Цифровой видеокамеры позволит своевременно определить отклонения реологических показателей продукта от нормы, не дожидаясь достижения критических значений, когда показатель влажности не подлежит корректировке, а продукт забраковывают. По линейным размерам творожного пласта, изображенного на кадре, можно судить о влажности творога. В результате обработки цифрового изображения выдается сигнал об отклонении критических точек от нормальных (толщина, ширина пласта), принимается решение о введении регулирующих воздействий: регулирование скорости вращения тиристорного двигателя насоса-дозатора. Увеличивая или уменьшая количество подаваемого творожного сгустка можно откорректировать значение Массовой доли влаги в твороге.
Экономическая и социальная значимость работы состоит в расширении функциональных возможностей работников пищевой промышленности и повышении качества готовой продукции.
Результаты внедрения работы: Предложенные автором идеи внедрены в учебный процесс на кафедру «Автоматизация биотехнических систем» в дисциплины «Проектирование систем», «Технические измерения и приборы», в раздел дипломного проектирования для студентов специальностей 220301 «Автоматизация технологических процессов и производств» (по отраслям), 220201 «Управление и информатика в технических системах» (приложение Д). Материалы, идеи данного диссертационного исследования применены для разработки дополнительной профессионально-образовательной программы повышения квалификации инженерных кадров «Использование высокоэффективных интеллектуальных нейросетевых технологий в системах автоматизированного управления технологическими процессами в кондитерской и хлебопекарной промышленности» (ФГБОУ ВПО «Московский государственный университет пищевых производств»). Разработка учебной программы проводилась в рамках Президентской программы повышения квалификации инженерных кадров на 2012-2014гг.
Исследование и анализ технологического процесса производства творога, влияние схем его формирования на качество готового изделия
На всех стадиях выработки творога используется вода (для охлаждения в теплообменнике, в пастеризационно-охладительной установке, для мойки оборудования). Исходя из выше сказанного, можно сделать вывод о том, что качество воды также играет не малую роль в производственном процессе. В ней не допускается превышение концентрации химических веществ, наличие различимых невооруженным глазом водных организмов, органолептические показатели должны соответствовать установленным стандартам (ГОСТ Р 51232-98 - Вода питьевая. Общие требования к организации и методам контроля качества). При использовании воды, не соответствующего качества, на выходе технологического процесса может получиться творог, который не пройдет проверку по органолептическим показателям, что приведет к браку всей партии.
Влияние физико-химических параметров сырьевых компонентов на формирование показателей качества очевидно. Для получения соответствующей продукции необходимо использовать на производстве только проверенное и пригодное по всем нормам сырье, производить контроль проб продукта в ходе всего тех нологического процесса. Периодичность и методы контроля, место отбора проб, контролируемые показатели представлены в таблице 1.1. Таблица 1.1 - Схема контроля производства творога.
Объект контроля Контролируемый показатель/категория метода контроля
Пастеризованное обезжиренное молоко для творога(Периодичность контроля – Ежедневно, Точка контроля – Из каждого резервуара) Сенсорные свойства - визуально(ГОСТ 28283-89 - Молоко коровье. Метод орга-нолептической оценки запаха и вкуса) Кислотность - химически(ГОСТ 3624-92 - Молоко и молочные продукты. Титриметрические методы определения кислотности) Температура - инструментально(ГОСТ 26754-85 - Молоко. Методы измерения температуры) Плотность - инструментально(ГОСТ 3623-73 Молоко и молочные продукты.Методы определения пастеризации)
Эффективность пастеризации - химически (ГОСТ 3623-73 Молоко и молочные продукты. Методы определения пастеризации) Окончание таблицы 1. Творог в процессе смешивания со сливками(Периодичность контроля – Ежедневно из каждой партии, Точка контроля – Из каждого резервуара после охлаждения) Кислотность - химически(ГОСТ 3624-92 - Молоко и молочные продукты. Титриметрические методы определения кислотности)
Творог перед фасовкой (Периодичность контроля – Ежедневно из каждой партии, Точка контроля – Из каждого резервуара после охлаждения) Температура - инструментально(ГОСТ 26754-85 - Молоко. Методы измерениятемпературы) Кислотность - химически(ГОСТ 3624-92 - Молоко и молочные продукты. Титриметрические методы определения кислотности) Массовая доля жира - инструментально(ГОСТ 5867-90 - Молоко и молочные продукты.Методы определения жира) Массовая доля влаги - инструментально(ГОСТ 3626-73 - Молоко и молочные продукты.Методы определения влаги и сухого вещества) Блок схема контроля творога, вырабатываемого методом сепарирования, представлена на рисунке 1.6. Рисунок 1.6 - Блок схема контроля творога, вырабатываемого методом сепарирования М – микробиологические показатели: 1 – количество мезофильных аэробных и факультативно-анаэробных микроорганизмов (КМАФАнМ); 2 – бактерии группы кишечной палочки (БГКП); 3 – микроскопирование; 4 – дрожжи и плесени; 5 – молочнокислые бактерии; 6- Staph. Aureus; 9 – Salminella.
Периодичность контроля установлена программой производственного контроля. 1.4 Исследование и анализ технологического процесса производства творога, влияние схем его формирования на качество готового изделия
Перед началом работы, проводят пробы на качество молока, затем его из автоцистерны через сетчатый фильтр подают в Пастеризационно-охладительная установка пластинчатого типа. Здесь оно очищается от примесей и охлаждается. Мoлoко, используемое для прoизвoдства творога, из резeрвуара 1 насoсом 2 подается в урaвнительный бaчок, а из него - наcocом 3 в секцию рекуперации плacтин-чатой пастеризационно-охладительной установки 1 для нагрева до 40-45 С. Пoдoгретое молоко направляют в ceпаратор-сливкooтделитель, в котором происходит раздeлeние на обeзжиренное молoко и сливки с маccoвой долей жира не менее 50-55 %. Полученные cливки пoдaют в промежуточную емкость, а затем из нee насосом 4 в пластинчатую пacтеризационно-охладительную установку 2, где они проходят пacтеризацию при температуре не ниже 85-90 С с выдержкой 15-20 ceкунд, после сливки oхлаждают до 2-4 С и направляются в двуcтeнный резервуар 2 на временное хранение. Обeзжиренное мoлоко из ceпаратора-сливкooтделителя поступает в пластинчатую пастеризационно-охлaдительную установку, где пастеризуется при температуре 78 С с выдержкой 15-20 секунд, а затем охлаждается до 30-34 С. Охлажденное обезжиренное молоко направляют в творожный танк, снабженный специальной мешалкой, для сквашивания. В танк насосом 5 для заквашивания подается закваска, приготовленная в резервуаре 3 (заквасочнике), хлорид кальция и фермент. Смесь тщательно перемешивают и оставляют для сквашивания до кислотности сгустка 90-116 Т. При ускоренном способе сквашивания молока - до 85-90 Т (при сепарировании сгустка с меньшей кислотностью сопла сепаратора могут засориться).
Полученный сгусток перемешивают и насосом 7 подают в пастеризацион-но-охладительнуюустановку (ППОУ 3), где вначале подогревают до 60-62 С для лучшего отделения сыворотки, а затем охлаждает до 25-32 С, благодаря чему сгусток лучше разделяется на сыворотку и белковую часть. Из теплообменника под давлением через сетчатый фильтр сгусток подается в сепаратор-творогоизготовитель, где происходит процесс разделения на сыворотку и творог.
При производстве жирного творога обезвоживание сепарированием проводят до массовой доли влаги в сгустке 75-76 %, при выработке полужирного творога — до массовой доли влаги 78-79 %. Полученный обезжиренный творог специальным насосом (смесителем) подают в охладитель для охлаждения до 8 С, где его растирают на вальцовке до получения гомогенной консистенции. Охлажденный творог направляют в месильную машину (смеситель), в нее же дозирующим насосом Н6 подаются пастеризованные охлажденные сливки из емкости Р2 и все компоненты тщательно перемешивается. Готовый творог направляют на фасовку, упаковку, маркировку и хранение[57, 98].
Технологический процесс производства творога состоит из множества технологических операций, на протяжении которых сырье подвергается механической, термической и другим видам обработки. Такие воздействия влияютна химическую активность органических веществ, которые содержатся в используемых компонентах, что в итоге влияет на качество, органолептические показатели по 31 лучаемого изделия. Поэтому очень важно использовать сырье, соответствующее всем требованиям ГОСТ и ТУ, проводить контроль на всех стадиях производства. Часть партии готового продукта проходит микробиологический, химический и органолептический контроль.
Математическая постановка задачи контроля качества готового изделия
Для автоматизации контроля качества продуктов одним из необходимых условий решения задачи является построение математической модели. Данный подход применим в тех случаях, когда существует возможность получить достаточно точное описание технологического процесса, например, в виде дифференциальных уравнений. Однако, большинство из них не поддаются такому описанию из-за наличия сложных нелинейных зависимостей и, главным образом, из-за наличия в реальных данных широкого спектра отклонений - помех [73].
Одной из альтернатив классическому подходу является использование нейросетевых моделей, преимущество которых перед классическим подходом в том, что нейронные сети при использовании различных конфигураций позволяют аппроксимировать любую непрерывную действительную функцию с любой заранее заданной точностью. В основе доказательства этого факта лежит аппроксима-ционная теорема Вейерштрасса [70, 135, 132]:
Для решения задачи автоматизации контроля качества творога необходимо понимать, когда показатели тестируемого образца попадают в допустимый диапазон относительно эталонного образца. В случае нарушения этого условия - тестируемый образец необходимо изъять из реализации. Для этого необходимо определить функции влияния контролируемых показателей на количественные показатели конечного продукта. Получить их, используя классические математические модели невозможно из-за слабой корреляции отдельных контролируемых показателей и выходных показателей продукта, что влечет за собой недопустимые погрешности. Однако, эта задача решается нейросетевыми методами, с помощью которых возможно оценить количественные показатели качества без построения математической модели.
Принцип действия нейронных сетей заключается в преобразовании входных параметров в выходные за счет вычисления активационных функций и подстройки весовых коэффициентов. В процессе обучения сеть меняет свои параметры и учится выдавать необходимое отображение выходных параметров от входных X —» Y , выдает результаты, которые ранее были известны. НС может получить новые результаты за счет способности к обобщению, если подать на вход вектор, который ранее не встречался при обучении [42].
После обучения сеть может применяться для реальных параметров производства творога и давать оценку его качества с заданной степенью точности.
Применение метода основанного на работе НСМ позволяет работать с наборами входных параметров любого уровня декомпозиции и учитывать влияние каждого параметра на итоговую оценку качества изделия с помощью значений весовых коэффициентов.
Полученные значения сравниваются с контрольными показателями путем статистической обработки данных, в результате чего рассчитывается отклонение качества изделия от эталонного и выдается результат о пригодности изделия для реализации. 2.3 Математическая постановка задачи контроля качества готового изделия
Параметр Xenter оказывает влияние на качество готового изделия и должен строго контролироваться в соответствии с ГОСТ. Значения этого параметра известны до начала производства, так как творог вырабатывают по заранее заданной рецептуре, а сырье, не соответствующее стандарту, не допускается к переработке. Следовательно, этот параметр в ходе всего технологического процесса остается неизменным.
Равенство (3) можно назвать обобщенной математической моделью, описывающей зависимость качества готового изделия от параметров, значения которых определяют поведение процессов происходящих во время производства.
Точнее представить отображение результатов зависимости между показателями качества готового изделия и параметрами характеризующими качество в ходе технологического процесса с помощью методов математического моделирования достаточно сложно. Предлагается решить данную проблему с применением аппарата искусственных нейронных сетей. В этом случае НС решает задачи классификации и прогнозирования. классифицирующий произвольный набор параметров х є Х Критерии качества, которые мы классифицируем, могут относиться к пересекающимся или слабо различимым классам, за счет чего один оцениваемый набор параметров может попасть сразу в несколько классов (нечеткие множества) (Раздел 1.6«Нечеткие множества и нейронные сети. Область применения. Общие сведения»). Следовательно, необходимо выявить степень принадлежности набора параметров к каждому из классов, другими словами составляющие Y могут принимать различные значения из диапазона [ОД].
Предварительный подбор архитектуры нейронной сети для реализации задачи оценки качества творога
Входами блока dist являются вектор входа p и матрица весов LW1,1, выходом – вектор, который состоит из S1 элементов, определяющихся расстояниями между i-м вектором входа p и i-й вектор-строкой LW1,1матрицы весов (вектор весов i-го нейрона). Выход блока dist умножается поэлементно на вектор смещения b1 и формирует вход функции активации. Следовательно, выход первого слоя может быть записан в следующей форме:
Использовать столь сложную запись при применении ПП Neural Network Toolbox не потребуется, поскольку все операции, связанные с созданием радиальной базисной сети, оформлены в виде специальных М-функций newrbe и newrb (текст программы для создания сети представлен в приложении Г). Функция newrb создает РБФ сеть, используя итеративную процедуру, которая добавляет на каждом шаге к скрытому слою по одному нейрону до тех пор, пока сумма квадратов ошибок не станет меньше заданного значения или не будет использовано максимальное количество нейронов2.
Обучается сеть в два этапа. Первый этап - без учителя: во входном слое выделяются компактно расположенные группы кластеров и корректируются их центры. Второй - с учителем: скрытый слой распределяет входные образы, пропу 2Медведев, В. С. Нейронные сети MATLAB 6 [Текст] / В. С. Медведев, В. Г. Потемкин. — М. : Диалог - МИФИ, 2002 . — 496 с. — ISBN 5-86404-163-7 . щенные через входной слой, по классам, применяя матричные методы или алгоритм обратного распространения ошибки. В данной работе для обучения РБФ сети применялся алгоритм Левенберга — Марквардта ((Levenberg-Marquardt -LMA)), несмотря на то, что им не обучаются радиальные элементы, его удобно использовать для оптимизации линейного слоя РБФ сети. Так как радиальный слой обычно достаточно большой, а с применением LMA алгоритма, его веса игнорируются [125, 128].
Алгоритм сочетает в себе методы Ньютона (применение квадратичной модели для ускорения поиска значения минимума функции) и наискорейшего спуска (минимизация вдоль градиента), но превосходящий их по производительности, в нём сочетаются ускоренная сходимость в окрестностях минимума и стабильность. Итерации метода Левенберга-Маркара проводятся по формуле:
1. С целью создания нейросетевой модели для оценки качества творога сформирована группа основных информационных параметров, оказывающих влияние на качество готового продукта. Проведен анализ входных данных, выявлены закономерности изменения качества готового продукта при их отклонении от нормы.
2. Выполнен сравнительный анализ свойств, характеристик наиболее популярных нейропакетов, который позволил выявить их основные особенности, достоинства, недостатки. На основании анализа программного обеспечения, позволяющего реализовать нейросетевые алгоритмы, был рекомендован программный пакет Matlab для решения задачи оценки качества творога.
3. Рассмотрены основные возможности среды Matlab и расширения Neural Network Toolbox, применяемого для моделирования ИНС.
4. Приведен алгоритм создания модели оценки качества творога. Описаны особенности этапов построения, что позволило дать рекомендации по каждому из этапов.
5. Отмечены способы выбора количества нейронов в скрытых слоях и их конфигурации, правило оценки достаточности входных данных. Согласно сказанному, сделаны выводы, что имеющихся данных достаточно для обучения нейронной сети с одним скрытым слоем и количеством нейронов не более 15 в скрытом слое. Учитывая это существенное ограничение, было принято решение решить поставленную задачу метод перебора доступных сетей в программном пакете Matlab. Сеть с минимальной величиной ошибки будет считаться пригодной для решения поставленной задачи.
6. Проведен анализ ряда топологий ИНС, с целью выявления сети, имеющей наиболее приемлемые характеристики, отобраны типы НС не подходящие для решения задачи. Из представленных НС выбрана сеть Радиальных ба 119 зисных функций (РБФ), обладающая наименьшей величиной ошибки MSE, рассмотрено ее строение, принципы функционирования и обучения.
В ходе технологического процесса производства значения контролируемых параметров можно получить автоматически либо лабораторно. Лабораторный анализ проводится согласно установленным нормам технологического контроля. Все данных полученные из центральных и цеховых лабораторий (2) оператор лаборант вносит в производственный журнал или персонализированные программы производственного учета (10). Для решения задачи автоматизированного получения информации о параметрах технологического процесса применяются микроконтроллеры (3-5) или программируемые логические контроллеры (7). Принципиальных преимуществ при сравнении двух вариантов выявлено не было. Следовательно, если на предприятии уже реализована система сбора информации о ходе технологического процесса, разумнее использовать ее без изменения [9, 72].
