Содержание к диссертации
Введение
Глава 1. Автоматизация сложных ТП и выбор методов их моделирования 11
1.1. Автоматизированные системы управления 11
1.2. Сложная система как объект управления 16
1.3. Технологический процесс как сложный объект управления 19
1.3.1. Технологический процесс производства этилена 20
1.3.2. Планирование режимов потребления электроэнергии 22
1.3.3. Система теплопотребления учебного корпуса 24
1.4. Моделирование. Основные понятия, классификация 26
1.5. Сложная система как объект моделирования 33
1.6. Методы моделирования сложных систем 35
1.7. ИНС - инструмент моделирования сложных систем 46
1.8. Выводы 48
Глава 2. Методика нейросетевого моделирования ТП 49
2.1. Генетический алгоритм 51
2.2. Подготовка данных 54
2.2.1. Очистка 57
2.2.2. Трансформация 60
2.2.3. Понижение размерности 62
2.3. Синтез модели 70
2.3.1. Многослойный персептрон 71
2.3.2. Гибридная сеть встречного распространения 79
2.4. Верификация модели 88
2.5. Нейросетевое моделирование сложных систем 93
2.6. Выводы 95
Глава 3. Результаты автоматизации конкретных сложных ТП 98
3.1. Контроль технологического процесса производства этилена 98
3.1.1. Объект исследования 98
3.1.2. Автоматизация хроматографического контроля параметров ТП 100
3.1.3, Синтез нейросетевой модели ТП 107
3.1.4. АИС "Хроматографического контроля ацетилена" 112
3.2. Прогнозирование потребления электроэнергии 116
3.2.1. Объект исследования 116
3.2.2. Синтез нейросетевой модели энергопотребления 118
3.2.3. АИС "Прогноз энергопотребления Томской области" 126
3.3. Оптимизация теплопотребления учебного корпуса 132
3.3.1. Объект исследования 133
3.3.2. Синтез нейросетевой модели теплопотребления 138
3.3.3. Автоматизированная система оптимизации теплопотребления 144
3.4. Выводы 151
Заключение 152
Литература 154
Приложения 162
- Сложная система как объект управления
- ИНС - инструмент моделирования сложных систем
- Гибридная сеть встречного распространения
- Автоматизация хроматографического контроля параметров ТП
Введение к работе
Процесс роста эффективности и производительности труда выражается в развитии средств и методов его организации. Автоматизация - очередная ступень развития производительных сил - подразумевает сведение к минимуму непосредственного участия человека в процессах получения, преобразования, передачи и использования материалов, энергии, информации в пользу технических средств, математических методов и систем управления. Полностью исключить человека из производственного процесса возможно только для производств, весь цикл которых можно описать точно заданной последовательностью однозначно понимаемых операций. Далеко не все процессы поддаются формализации, что приводит к необходимости привлечения человека, его способности ориентироваться в незнакомых условиях и находить решение слабо формализуемых задач. В результате автоматизированные системы строятся по принципу разделения: формализованные операции выполняют автоматы, неформализованные - человек.
Наиболее остро стоит проблема автоматизации сложных процессов, которые, как правило, не имеют адекватного математического описания, зашумлены и нестационарны, что делает применение традиционных подходов малоэффективным. Система определяется как сложная, если для построения ее модели недостаточно информации. Использование для целей автоматизации и специфика сложных систем определяет тип модели "черный ящик". Назначение модели -эмуляция поведения реального сложного процесса, прогноз изменения его состояния. При этом нет необходимости в подобии внутренней структуры, достаточно моделировать внешнее функционирование, которое в рамках модели "черного ящика" описывается чисто информационно, на основе данных экспериментов или наблюдений за реальной системой. Подобный подход расширяет сферу применяемых методов моделирования, снимая необходимость "объяснения" выдаваемых моделью результатов. Однако отсутствие информации о виде моделируемой зависимости, необходимость адаптации, связанная с нестацио-
5 нарностью, ограничивает применение традиционных методов. На первый план выходят основанные на природных механизмах и свойственных человеку приемах мышления, нетрадиционные методы моделирования: эволюционные алгоритмы, искусственные нейронные сети, самоорганизующиеся и основанные на нечеткой логике системы.
Вопросы, связанные с теоретическими и практическими аспектами применения перечисленных подходов представлены в многочисленных работах отечественных и зарубежных исследователей: А.И. Галушкина, А.Н. Горбаня, В.А. Терехова, С.А. Шумского, В.В. Круглова, А.Г. Ивахненко, Т. Кохонена, Сигеру Омату и др. Универсальность методов определяет широту их применения, в том числе в сфере автоматизации технологических процессов. Вместе с тем, моделированию сложных систем не уделено должного внимания, в публикациях отсутствуют как попытки систематизации известных подходов, так и описания конкретных методик моделирования. Исследования в данной области представляют теоретический и, несомненно, практический интерес.
Принято считать, что сложными являются, прежде всего, социальные, экономические и биологические системы. Между тем, многие технические системы по ряду признаков могут быть отнесены к сложным. Реальные технологические процессы (ТП) в большинстве своем нестационарны, многомерны, со сложными внутренними связями, априорная информация о форме и силе зависимости между переменными минимальна, что значительно усложняет получение адекватного математического описания.
Отсутствие эффективных проверенных на практике методов, алгоритмов автоматизации и моделирования сложных технологических процессов, соответствующих инструментальных средств определяют актуальность работы.
Цель работы заключается в разработке с использованием искусственных нейронных сетей методического, алгоритмического и программного обеспечения для автоматизации сложных технологических процессов.
Для достижения поставленной цели необходимо решить следующие основные задачи:
Исследовать вопросы автоматизации сложных технологических процессов, выделить проблемы. Определить специфику и требования к моделированию сложных ТП для решения задач автоматизации. Провести анализ существующих методов моделирования, исследовать их возможности при построении моделей сложных систем. Выявить перспективы, определить адекватный поставленной цели и сформулированным требованиям метод моделирования.
Разработать методику, определить этапы синтеза модели сложной системы в рамках выбранного метода моделирования. Рассмотреть известные алгоритмы обработки и анализа данных, синтеза и последующей верификации модели. Предложить эффективные алгоритмы решения задач отдельных этапов разработанной методики.
Провести апробацию методики и алгоритмов в ходе решения практически важных задач моделирования сложных систем при автоматизации конкретных технологических процессов. Оценить эффективность, границы применения методики и алгоритмов, возможность разработки универсального программного инструментария для автоматизации и моделирования сложных технологических процессов.
Методы исследования. В работе использовались методы системного анализа, математической статистики, теории искусственных нейронных сетей, эволюционные алгоритмы, математическое и имитационное моделирование, вычислительные эксперименты. Исследование предложенных в работе алгоритмов обработки данных проводилось с использованием пакетов MatLab, Statistica и разработанного программного обеспечения.
Научная новизна. Научную новизну работы определяют:
1. Методика нейросетевого моделирования сложных технологических процессов и алгоритмы решения задач отдельных этапов, в том числе:
- метод редукции пространства признаков и оценки качества используемой при синтезе модели эмпирической выборки, учитывающий влияние признаков
7 на отклик и инвариантный к специфике зависимости - модифицированный "box-counting" алгоритм с оптимизационной процедурой на основе генетического алгоритма;
- эволюционный алгоритм параметрической идентификации нейросетевой
модели с адаптацией функций активации нейронов скрытого слоя;
- универсальная гибридная нейросетевая архитектура на основе сети
встречного распространения для оценки некорректности задачи моделирования
и уточнения решения при разбиении исходной задачи на основе информации
заложенной в используемых при моделировании данных.
Модель технологического процесса производства этилена на нефтехимическом предприятии. Алгоритмы автоматизации обработки хроматографиче-ской информации: фильтрация, выделение и разделение пиков.
Модель прогнозирования потребления электроэнергии региона на основе ретроспективных данных с учетом циклических и функциональных закономерностей для эффективного планирования режимов энергопотребления.
Модель теплопотребления учебного корпуса для автоматизации контроля и управления температурой внутри помещения при изменении температуры окружающей среды и графика подачи тепла из центрального теплового пункта.
Практическая ценность работы заключается в следующем:
Реализованы в виде программных модулей алгоритмы обработки и анализа эмпирических данных, синтеза нейросетевых моделей.
Разработана и используется на производстве ЭП - 300 ООО "Томскнеф-техим" автоматизированная информационная система хроматографического контроля ацетилена (АИС ХКА), договор № Д54-646.01 от 31.10.01. Лежащие в основе АИС ХКА алгоритмы обработки хроматографической информации и нейросетевая модель технологического процесса позволили повысить точность и снизить время анализа основных параметров ТП, оперативно контролировать и прогнозировать концентрацию ацетилена на выходе ТП.
Синтезированная нейросетевая модель потребления электроэнергии региона является основой автоматизированной информационной системы "Про-
8 гноз энергопотребления Томской области". АИС прошла успешную апробацию в ходе решения практических задач краткосрочного прогнозирования энергопотребления на АО "Томскэнерго".
Разработана и частично внедрена автоматизированная система оптимизации теплопотребления (АСОТ) учебного корпуса Томского государственного университета систем управления и радиоэлектроники, договор № 20-ВУЗ/02.
Основные результаты, полученные в ходе работы над диссертацией, используются в учебном процессе Томского государственного университета систем управления и радиоэлектроники при изучении студентами специальности 23.01.02 "Автоматизированные системы обработки информации и управления" дисциплины "Организация ЭВМ и систем" и студентами специальности 23.01.05 "Программное обеспечение вычислительной техники и автоматизированных систем" дисциплины "Нейрокомпьютерные системы".
Основные положения, выносимые на защиту.
Предлагаемая методика нейросетевого моделирования, обобщая известные подходы с учетом специфики сложных систем и парадигмы нейронных сетей, позволяет синтезировать адекватные модели сложных технологических процессов, эффективно решая задачи автоматизации.
Разработанный алгоритм селекции информативных признаков, совмещая простоту и инвариантность к виду зависимости алгоритма "box-counting" с эффективностью поисковой процедуры выбора оптимального набора признаков на основе генетического алгоритма, позволяет эффективно решать задачу редукции пространства признаков и оценки качества используемой при моделировании эмпирической выборки.
3. Предлагаемая гибридная нейросетевая архитектура на основе сети
встречного распространения для моделирования поведения сложных техноло
гических процессов эффективно решает задачу выделения областей некоррект
ности и позволяет повысить точность локального решения при разбиении ис
ходной задачи на основе информации, заложенной в используемых при моде
лировании данных.
9 Апробация работы. Результаты работы докладывались и обсуждались на конференциях и семинарах различного уровня:
- V Всероссийская научно-техническая конференция "Нейроинформатика
- 2003", 29-31 января 2003 г., Москва.
- Региональная научно-техническая конференция "Научная сессия
ТУСУР", 13-15 мая 2003 г. и 18-20 мая 2004 г., Томск.
XLII Международная научная студенческая конференция "Студент и научно-технический прогресс", 13-15 апреля 2004 г., Новосибирск.
XI Всероссийская межвузовская научно-техническая конференция студентов и аспирантов "Микроэлектроника и информатика - 2004", 21-22 апреля 2004 г., Москва.
XII Всероссийский семинар "Нейроинформатика и ее приложения", 1-3 октября 2004 г., Красноярск.
Публикации. По теме диссертации опубликовано 10 печатных работ, в том числе 3 работы опубликованы в журналах, рекомендованных ВАК.
Структура работы. Диссертационная работа включает в себя введение, три главы, заключение, библиографический список из 84 наименований и 2 приложения. Основная часть работы изложена на 160 страницах машинописного текста, содержит 50 рисунков, 2 таблицы. В диссертации принята двойная нумерация формул, рисунков и таблиц: первая цифра указывает номер главы, вторая - порядковый номер внутри данной главы.
В первой главе дается постановка основной задачи исследования. Рассматривается проблема автоматизации сложных технологических процессов. Дается определение сложной системы, приводятся примеры конкретных технологических процессов. Ставится задача синтеза адаптивной модели ТП. Приводится классификация методов моделирования, их критический анализ с позиций моделирования сложных систем. Определяется основной инструмент моделирования - искусственные нейронные сети.
Во второй главе изложена методика нейросетевого моделирования сложных систем, необходимая для решения практически важных задач автоматиза-
10 ции конкретных технологических процессов. Подробно рассмотрены этапы моделирования, их специфика. Приведены конкретные алгоритмы решения задач отдельных этапов, в том числе генетический алгоритм, методы предобработки данных, редукции признакового пространства, алгоритмы структурного и параметрического синтеза нейросетевой модели, последующей ее верификации. Даются общие рекомендации по вопросам моделирования сложных систем, разработке универсального инструментария.
Третья глава посвящена практическим вопросам автоматизации сложных технологических процессов и связанным с ними проблемам моделирования. Приводится опыт автоматизации нефтехимического производства, решения задачи прогнозирования потребления электроэнергии, оптимизации теплопотреб-ления учебного корпуса.
В заключении содержится краткая сводка основных результатов работы, сформулированы общие выводы относительно проделанной работы и даны рекомендации по дальнейшим исследованиям.
В приложениях приведены дополнительные сведения, более полно отражающие содержание глав и приведены материалы, подтверждающие практическую ценность диссертационной работы.
Сложная система как объект управления
В большинстве случаев нет острой необходимости давать строгое определение понятий "сложная система", "сложный объект управления", интуитивного представления вполне достаточно. Проще определить место СС в общей классификации систем выделением характерных признаков [21,58,61]. В данном исследовании понятие "сложной системы" является ключевым и требует подробного рассмотрения.
Сложная система, как любая система, является составным объектом, части которого можно рассматривать как отдельные системы, объединенные в единое целое в соответствии с определенными принципами или связанные между собой заданными отношениями. Части сложной системы (подсистемы) можно расчленить (часто лишь условно) на более мелкие подсистемы, вплоть до выделения элементов СС, которые либо объективно не подлежат дальнейшему расчленению, либо относительно их неделимости имеется договоренность.
В каждый момент времени элемент СС находится в одном из возможных состояний; из одного состояния в другое он переходит под действием внешних и внутренних факторов. Динамика поведения проявляется в том, что состояние элемента и его выходные сигналы (воздействия на внешнюю среду и другие элементы) в каждый момент времени определяются предыдущими состояниями и входными сигналами (воздействиями со стороны внешней среды и других элементов), поступившими как в данный момент времени, так и ранее. Под внешней средой понимается совокупность объектов, не являющихся элементами системы, взаимодействие с которыми учитывают при её изучении.
Элементы сложной системы функционируют не изолированно друг от друга, а во взаимодействии: свойства одного элемента в общем случае зависят от условий, определяемых поведением других элементов; свойства системы в целом определяются не только свойствами элементов, но и характером взаимодействия между ними. Из этого следует, что СС необходимо рассматривать как цельный объект, поведение которого не сводится к простой сумме свойств отдельных элементов (понятие эмерджентности). Модель сложной системы, построенная только на принципах анализа отдельных элементов, будет неадекватна реальной системе, поскольку при разбиении (декомпозиции) будут потеряны ключевые особенности [54].
Интуитивно понятное определение сложности дано в [57]: сложность -свойство некоторого явления, выражающееся в неожиданности, непредсказуемости, необъяснимости, случайности, его поведения. Традиционно система определяется как сложная, если для построения ее модели недостаточно информации [61]. В [57] делается акцент на управлении: СС - система, в модели которой не хватает информации для эффективного управления.
Наряду с понятием "сложная система" используют термин "большая система". В литературе эти два понятия часто отождествляют: "В теории систем большой системой (сложной системой большого масштаба, Large Scale System) называют систему, если она состоит из большого числа взаимосвязанных и взаимодействующих между собой элементов и способна выполнять сложную функцию" [56]. В [57] большое число элементов системы не является признаком ее сложности, при этом "большая" система одновременно может являться "простой": "Система, моделирование которой затруднительно вследствие ее размерности, называется большой системой". Между двумя понятиями имеется много общего, но есть и существенное различие. Адекватное моделирование больших систем зачастую оказывается возможным при удовлетворении высоких требований к инструментам обработки (компьютерам и программным системам), тогда как при моделировании сложных систем возникают более фундаментальные проблемы, связанные с недостатком значимой информации.
Приведем характерные черты сложной системы по [56,58]. 1. Отсутствие математического описания, какого-либо алгоритма вычисления состояния системы на основании информации о предыдущем состоянии и наблюдаемых входных сигналах. 2. Зашумленность. Причина - обилие всякого рода второстепенных, с точки зрения целей управления, процессов. Поведение сложного объекта зачастую оказывается неожиданным для исследователя, эту неожиданность удобнее рассматривать как случайный фактор, зашумленность, чем разбираться в механизме второстепенных процессов, протекающих в СС. 3. Нетерпимость к управлению по причине независимости существования СС от целей субъекта, желающего управлять ею. 4. Нестационарность СС, проявляющаяся в дрейфе характеристик системы, в изменении ее параметров, в эволюции сложной системы во времени. 5. Невоспроизводимость экспериментов со сложной системой, что связано, прежде всего, с зашумленностью и нестационарностью СС. Проявляется эта черта в различной реакции системы на одну и ту же ситуацию или управление в различные моменты времени. Это накладывает специальные требования на процессы синтеза и коррекции модели системы. Перечисленные черты не являются формальными признаками и отсутствие одной или даже нескольких из указанных черт не делает систему простой. Сложные системы, как правило, не имеют единственного критерия функционирования и существуют в обстановке многокритериальное, критерии могут быть не только экстремальными, но и иметь характер ограничений. Процесс управления сложной системой в общем случае следует рассматривать ши 19 ре и включать в него определение критериев функционирования СС наравне с их выполнением. Как всякое управление, управление СС должно стремиться обеспечивать оптимальное функционирование ОУ. Оптимизация - мощное средство повышения эффективности, однако, в случае, когда объектом управления выступает сложная система необходимо использовать идею оптимальности осторожнее. Основные проблемы оптимизации СС: неустойчивость оптимальных решений, их сильная чувствительность к изменениям условий и неоднозначность постановки многокритериальных задач.
ИНС - инструмент моделирования сложных систем
Автоматизация технологических процессов - естественный путь повышения эффективности производства. Многие ТП обладают признаками сложных систем, их автоматизация сопряжена с определенными трудностями. Основная проблема - построение модели сложного технологического процесса.
Необходимость автоматизации сложных ТП в условиях отсутствия эффективных проверенных на практике методов, алгоритмов моделирования, соответствующих инструментальных средств определяет актуальность работы. Решение указанной проблемы позволит как повысить эффективность функционирования существующих автоматизированных систем, так и расширить сферу применения АСУ для случаев, когда объект управления является сложной динамической многопараметрической слабодетерминированной системой.
Синтез модели сложной системы - многоэтапный процесс, включающий кроме собственно структурно-параметрической идентификации ряд других не менее важных этапов (сбор и предобработка данных, тестирование, анализ синтезированной модели и т.д.). От выбора конкретных методов, алгоритмов, применяемых на каждом этапе, целиком зависит результат моделирования, адекватность синтезированной модели реальному объекту/процессу. Спектр методов достаточно широк, от классического статистического анализа до аппарата искусственных нейронных сетей. Области применения различных методов могут частично или полностью перекрываться, можно с достаточной уверенностью сказать, что нет этапа моделирования, для решения задач которого существует единственно верный и оптимальный метод. Выбор существенным образом зависит от конкретного объекта и целей моделирования.
Когда в качестве объекта моделирования выступает сложная система, и нет необходимости структурного соответствия (моделируется поведение), предпочтительнее оказывается нейросетевой подход. Широкий спектр решаемых задач, в том числе эффективное моделирование сложных нелинейных отображений, возможность обучения и заложенная в самой архитектуре адаптивность, перспективная аппаратная реализация, определяют выбор аппарата нейронных сетей, как основного инструмента при синтезе моделей сложных систем.
Перечислим наиболее важные, для решения задачи синтеза моделей сложных объектов управления, с целью построения эффективных АСУСС, свойства искусственных нейронных сетей. 1. Свойство универсальной аппроксимации позволяет реализовать с помощью нейронной сети достаточно сложные нелинейные преобразования. 2. Способность ИНС к обучению придает системе адаптивные свойства и снимает потребность в наличии большого объема априорной информации об объекте моделирования. 3. Свойство обобщения, позволяет ИНС адекватно отрабатывать сигналы, не принимавшие участие в настройке (обучении). 4. Параллельность нейронных сетей является предпосылкой эффективной реализации аппаратной и программно-аппаратной поддержки неиросетевых моделей в контуре управления. 5. Свойство ИНС монотонно, а не катастрофически уменьшать качество работы при увеличении количества вышедших из строя элементов (нейронов), определяет надежность неиросетевых схем. Решение практически важных задач автоматизации реальных сложных ТП требует разработки соответствующей методики нейросетевого моделирования. Необходимо рассмотреть конкретные алгоритмы решения задач отдельных этапов методики, выделить наиболее эффективные. Оценить качество синтезируемых с использованием методики моделей. Определить границы применения разработанной методики и алгоритмов. 1. Проблема автоматизации сложных технических систем заключается в необходимости синтеза адекватной модели. Отсутствие математического описания, многомерность, зашумленность и нестационарность современных технологических процессов осложняет решение задачи. 2. Специфика сложных систем и цели моделирования определяют тип модели - "черный ящик". Необходимо основываясь на данных экспериментов или наблюдений над реальной системой построить ее адаптивную функциональную модель. 3. Отсутствие априорной информации о виде моделируемой зависимости и необходимость адаптации ограничивают применение традиционных эмпирико-статистических методов. 4. Моделирование сложных нелинейных отображений, возможность обучения и заложенная в самой архитектуре адаптивность определяет использование искусственных нейронных сетей как основного инструмента моделирования сложных технических систем. 5. Решение практически важных задач автоматизации технологических процессов требует разработки методики нейросетевого моделирования учитывающей специфику сложных систем.
Гибридная сеть встречного распространения
В сети встречного распространения объединены два известных алгоритма: самоорганизующаяся карта Кохонена и звезда Гроссберга. Нейроны входного слоя сети встречного распространения служат лишь точками разветвления и не выполняют вычислений. Каждый нейрон входного слоя соединен с каждым нейроном слоя Кохонена (карта Кохонена). Аналогично, каждый нейрон в слое Кохонена соединен с каждым нейроном в слое Гроссберга. Карта Кохонена классифицирует входные векторы в группы схожих. Это достигается с помощью такой подстройки весов, при которой близкие входные векторы активируют один и тот же нейрон Кохонена. Задачей слоя Гроссберга является получение требуемых выходов.
Слой Кохонена обычно функционирует в духе "победитель забирает все", т. е. для данного входного вектора один и только один нейрон выдает на выходе логическую единицу, все остальные выдают ноль. В этом случае каждый нейрон слоя Гроссберга лишь выдает величину веса, который связывает этот нейрон с единственным ненулевым нейроном Кохонена.
Сеть встречного распространения может быть использована на этапе предобработки данных для квантования, сжатия информации. Комбинации значений группы параметров дают кластеры, кластер определяет нейрон-победитель слоя Кохонена имеющий единицу на выходе, слой Гроссберга обучается идентифицировать этот нейрон, выдавая его номер, таким образом, комбинация значений параметров заменяется одним параметром - номером кластера.
Помимо предобработки данных в сети встречного распространения, карты Кохонена представляют отдельную ценность, их успешно применяют для упорядочивания и визуализации многопараметрической информации [27]. Кластеры, задаваемые узлами карты, содержат группы похожих наблюдений, которым может быть приписан групповой смысл. Анализ, попытка интерпретации скоплений близких данных может привести к получению нового знания об исследуемой системе. В применении к моделированию сложных систем, карты Кохонена могут использоваться для определения различий в режимах работы системы, выявления аварийных состояний.
Сеть встречного распространения дает кусочно-постоянное представление модели Y = F(X), поскольку при вариации вектора X в пределах одного кластера на слое соревнующихся нейронов Кохонена возбуждается один и тот же нейрон-победитель. В случае сильно зашумленных данных, такое представление обладает хорошими регуляризирующими свойствами. При этом процедура обучения сети встречного распространения заметно быстрее, чем обучение МСП, что определяет применение сети для быстрого моделирования систем, где большая точность МСП вынуждает отдать ему предпочтение в окончательном варианте, но важна быстрая начальная аппроксимация.
Особую ценность сеть встречного распространения представляет для оценки корректности постановки задачи моделирования [7,67]. Задача называется корректно поставленной, если удовлетворяет требованиям: - для всех допустимых исходных данных существует решение; - решение определяется однозначно; - решение устойчиво к малым изменениям исходных данных. Широким классом некорректно поставленных задач являются так называемые обратные задачи. При постановке задачи предсказания реакции исследуемой системы при ее известном состоянии на заданные внешние воздействия, т.е. получения величин Y при заданных X исследователь имеет дело с прямой задачей моделирования. Целью обратной задачи выступает получение входных величин X, соответствующих наблюдаемым значениям выходов Y. При моделировании сложных систем соответствующий запрос к модели формулируется, как поиск внешних условий, которые привели к реализовавшемуся отклику системы. Для большинства приложений чисто обратные задачи встречаются относительно редко, обычно имеются дополнительные сведения о системе. Например, кроме измеренного отклика, могут быть известны переменные состояния системы и часть параметров воздействия. В этом случае задача относится к классу комбинированных задач: по известным значениям части компонент входного X и выходного Y векторов восстановить оставшиеся неизвестные компоненты. Обратные и комбинированные задачи зачастую являются некорректно поставленными, нарушая единственность существующего решения. Прямая задача также может быть некорректной, что является признаком неполноты данных (не все признаки учтены) или следствием сильной зашумленности. Классическим методом решения некорректных задач является метод регуляризации [67]. Суть метода состоит в использовании дополнительных априорных предположений о характере решения. Обычно в качестве таковых используются требования максимальной гладкости функции, представляющей решение задачи, в случае нейросетевого моделирования регуляризирующие методы сводятся к оптимизации функционала ошибки с аддитивной добавкой, исчезающей по мере улучшения гладкости функции [54]. На практике регуляризация сводится к ограничению структурной сложности нейросетевой модели, так как при неограниченном увеличении числа нейронов скрытых слоев сеть способна достаточно точно запомнить произвольный обучающий набор, при этом вместо гладкой будет получена "пилообразная" функция, проходящая через все обучающие точки. В общем случае задача может иметь корректное (единственное и устойчивое решение) решение для некоторых областей множества значений и являться некорректно поставленной для других. Оценка некорректности постановки задачи моделирования (выделения областей некорректности) с помощью архитектуры на основе сети встречного распространения может быть осуществлена следующим образом: 1) Строится распределение векторов обучающей выборки по кластерам, содержащим близкие по величине параметры наблюдения (карта Кохонена). 2) На каждый кластер строится и обучается своя нейронная сеть, оценивается ошибка обучения (обобщения), которая является характеристикой степени некорректности отображения в области данного кластера. 3) Выбирается некоторое пороговое значение ошибки, на основании сравнения с которой по каждому кластеру выносится решение о некорректности решения задачи на подмножестве значений кластера. Открытым остается вопрос о количестве кластеров - емкости карты Кохонена. Решая задачу необходимо как можно точнее локализовать области некорректности, помня при этом, что большое число нейронных сетей осуществляющих преобразование на основе кластерной информации усложняет процедуру моделирования. Предварительная кластеризация данных и раздельное решение задачи аппроксимации на полученных кластерах позволяет решить проблему выделения областей некорректности и повысить точность модели за счет потенциальной возможности достижения меньшей ошибки обобщения для значений отдельного кластера.
Автоматизация хроматографического контроля параметров ТП
Обмен данными между контроллером и компьютером осуществляется с помощью интерфейса RS-485, выбор которого обусловлен устойчивостью к помехам, большой дальностью связи, даже при использовании линии низкого качества. Конструктивное удобство этого интерфейса заключается в относительной простоте сопряжения с микроконтроллером и компьютером, имеющим последовательный порт. Для повышения уровня помехозащищенности применяется оптронная гальваническая развязка.
Функции съема данных с АЦП, управления и обмена информации по последовательному асинхронному каналу выполняет микроконтроллер ATMEGA 8515. Общее управление осуществляется компьютером, программное обеспечение которого генерирует последовательность команд, которые передаются контроллеру хроматографа. Микроконтроллер осуществляет декодирование и исполнение этих команд.
Для достижения функциональных возможностей командного прибора КП-21 необходимо, чтобы контроллер реализовал шесть сигналов для управления электропневмоклапанами, один сигнал для установки нуля, три сигнала требуются для управления блоком автоматической установки нуля и три сигнала для установки коэффициентов делителя. Каждому сигналу была поставлена в соответствие своя однобайтная команда. В набор команд были также включены команда инициализации АЦП и команды съема и передачи данных. В ответ на последнюю команду, происходит передача трёх байт полученных от АЦП первого канала (канал ПИД), трёх байт АЦП второго канала (канал ДТП) и завершает посылку байт контрольной суммы, рассчитанный по алгоритму CRC. Успешное выполнение каждой команды подтверждается однобайтной посылкой.
Для управления работой хроматографами и осуществления качественного и количественного анализа хроматографической информации было разработано необходимое программное обеспечение. Алгоритмы управления записывается в командных файлах с использованием фиксированного набора команд с максимально простым синтаксисом, программный интерпретатор осуществляет разбор и выполнение инструкций, это обеспечивает максимальную гибкость управления, простоту переключения режимов анализа и широкие возможности по настройке процедуры анализа. Простые и эффективные алгоритмы автоматизации обработки хроматографической информации обеспечивают необходимую точность анализа.
Хроматографические методы широко применяются для контроля нефтеперерабатывающих и нефтехимических производств. С точки зрения физико-химических процессов метод анализа основан на движении газообразной среды, содержащей смесь различных веществ, через неподвижный слой сорбента или взаимодействием этой среды с неподвижной фазой, нанесенной на стенки хроматографической колонки. Разделение веществ возникает вследствие разницы в адсорбируемости и кинетике сорбции отдельных компонентов смеси.
Первичная обработка хроматографической информации включает фильтрацию помех, сглаживание шумовых неоднородностеи, устранение размытости огибающей, выделение характерных признаков, разделение пиков на хромато-грамме. Совокупность указанных операций способствует улучшению качества сигнала и существенно облегчает последующие процедуры распознавания, качественный и количественный анализ.
В зависимости от специфики шумов, могут применяться различные способы фильтрации. Наиболее распространены методы линейной фильтрации: низкочастотная, фильтрация скользящим средним, медианная и д.р. Однако суть данных методов в конечном итоге сводится к сглаживающим процедурам, что часто приводит к искажению сигнала. Отсутствие ограничений на вид моделируемой зависимости, нелинейность и адаптивность обуславливают перспективность использования для фильтрации ИНС. При этом выборка строится из последовательности точек хроматограммы, на вход подается зашумленный сигнал, на выходе получаем очищенный от шума сигнал.
Следующим шагом обработки хроматографического сигнала является выделение пиков. Процедура непосредственно связана с количественным анализом. При оптимальных условиях проведения хроматографического анализа, все пики хроматограммы в достаточной мере отделены друг от друга, однако на практике обратная ситуация случается гораздо чаще.
Для количественного анализа необходима базисная линия, которая строится путем соединения конца пика с началом следующего. Вычисляется площадь пиков. Для разделенных пиков это площадь фигуры между хроматограммой и базовой линией под пиком. Для неразделенных пиков опускается перпендикуляр в точке соприкосновения пиков (рис. 3.6). Если точка соприкосновения размыта, производится аппроксимация доминирующего пика гаусовским распределением с использованием метода наименьших квадратов. За площадь меньшего пика берется разность общей площади и площади доминирующего пика. Вычисление площадей производится простым перемножением высоты на основание и вычетом области под базисной линией. Для вычисления концентрации вещества, соответствующего данному пику, строится градуировочная кривая.
Похожие диссертации на Нейросетевые информационные системы для автоматизации технологических процессов
