Содержание к диссертации
Введение
ГЛАВА I. Анализ технологического процесса вытягивания ... 9
1.1 Технология формирования ленты на ленточных машинах и качественные показатели процесса 9
1.2 Оценка основных внешних возмущений, влияющих на процесс вытягивания волокнистого продукта 11
1.2.1 Влияние качества перемешивания волокон 11
1.2.2 Влияние влажности волокна 14
1.2.3 Влияние входной неровноты ленты 15
1.3 Математическая модель процесса вытягивания ленты 16
1.3.1 Моделирование процесса вытягивания волокнистого продукта в вытяжном приборе 16
1.3.2 Модели различных схем процесса вытягивания 22
1.3.3 Компьютерная модель вытягивания в однозонном вытяжном прибореЗО
1.4 Анализ известных автоматических систем стабилизации линейной
плотности ленты. Постановка задачи 39
1.4.1 Методы регулирования развеса 39
1.4.2 Система регулирования методом автоматической компенсации с установкой датчика на входе 40
1.4.3 Система автоматического регулирования развеса по отклонению с датчиком на стороне вытяжных цилиндров 41
1.4.4 Системы автоматического регулирования с датчиком в вытяжном поле 42
1.4.5 Комбинированные системы автоматического регулирования развеса с датчиками на входе и выходе вытяжного прибора 43
1.4.6 Постановка задач 44
ГЛАВА II. Аналитическое исследование и сравнительный анализ методов управления 48
2.1. Традиционные ПИ- и ПИД-контроллеры с дискретным временем 48
2.2. Классификация и виды адаптивных систем 50
2.2.1 Общие сведения 52
2.2.2 Адаптивные системы без эталонной модели 56
2.23 Адаптивные системы с эталонной моделью 56
2.2.4 Классификация адаптивных систем 58
2.3. Управление с самонастройкой 58
2.4. Технологии нейронного управления 65
2.4.1. Подходы к нейронному управлению 66
2.4.2. Последовательная схема нейронного управления 67
2.4.3. Параллельная схема нейронного управления 73
2.4.4. Схема нейронного управления с самонастройкой 78
2.5. Сравнение "классических" и неиросетевых методов управления 79
2.5.1 Предпосылка анализа 79
2.5.2 Реализация решения 79
2.5.3 Выводы 82
ГЛАВА III. Разработка и исследование функционирования АСС лпл на основе искусственной нейронной сети 84
3.1 Синтез динамического алгоритма обучения нейросети 84
3.1.1 Возможные подходы к синтезу алгоритма обучения 84
3.1.2 Постановка задачи синтеза динамического алгоритма 87
3.2 Скоростной алгоритм обратного распространения ошибки 88
3.2.1 Алгоритмом скоростного градиента 88
3.2.2 Условия применения метода скоростного градиента в неиросетевых адаптивных системах управления 92
3.2.3 Динамический алгоритм с прогнозом ошибки обучения 94
3.3 Преобразование входных данных нейросети с целью улучшения их различимости 98
3.3.1. Порядок решения задачи 99
3.3.2. Нормализация значений ОВ 99
3.3.3. Повышение различимости ОВ 100
3.3.4. Применение предложенного подхода 101
3.3.5. Практические результаты 102
3.3.6. Выводы 105
3.4 Моделирование АСС ЛПЛ на основе искусственной нейронной сети.
Оценка работоспособности 105
3.4.1 Определение структуры АСС ЛПЛ на основе ИНС 105
3.4.2 Практические результаты предложенной АСС ЛПЛ на основе ИНС 107
3.4.3 Оценка работоспособности 108
3.4.4 Выводы 109
ГЛАВА IV. Реализация асс лпл на основе искусственной нероннойсети 110
4.1. АСС ЛПЛ на базе микропроцессорных программно-технических комплексов 110
4.1.1 Общие сведения 110
4.1.2 Микропроцессорные контроллеры и их основные характеристики 112
4.1.3 Устройства сопряжения с объектом (модули УСО) 113
4.1.4 Средства отображения иуправления 114
4.2. Измерительные устройства 114
4.2.1 Устройства для измерения засоренности волокна 114
4.2.2 Устройство для измерения качества смешивания волокон 116
4.2.3 Устройство для измерения влажности волокна в ленте и ЛПЛ 118
4.3. Программная реализация АСС ЛПЛ на основе ИНС 120
4.3.1 Сбор и первичная обработка информации 120
4.3.2 Искусственная нейронная сеть и алгоритм ее обучения 124
4.3.3 Формирование выходных данных и управляющего воздействия на исполнительный механизм 130
4.3.4 Интерфейс пользователя 132
4.3.5 Вывод 133
Общие выводы 134
Литература 137
- Моделирование процесса вытягивания волокнистого продукта в вытяжном приборе
- Последовательная схема нейронного управления
- Динамический алгоритм с прогнозом ошибки обучения
- Устройства для измерения засоренности волокна
Введение к работе
Актуальность работы. В современных условиях жесткой конкуренции одной из главных задач автоматизации технологических процессов текстильной промышленности является задача повышения качества выпускаемой продукции и уменьшения расходов на сырье. Это особенно важно в связи с высокой долей исходного сырья в себестоимости готового текстильного изделия. В основе каждого текстильного изделия лежит нить, и от ее качества зависит качество готовой продукции. Процесс вытягивания волокнистого материала в вытяжном приборе является классическим объектом исследования науки о прядении. Именно вытягивание позволяет получить продукт с требуемым числом волокон.
Силы, действующие на волокно, зависят от конструкции и параметров вытяжного прибора и от количества волокон, находящихся в нем. Так как вытягиваемый продукт неравномерен, то поля сил трения будут иметь случайные составляющие. Кроме того, нестационарность работы вытяжного прибора, связанная с биениями цилиндров и валиков, с выходом иглы (в гребенных полях), также вызывает изменения сначала поля сил трения, затем кривых утонения, а последние изменения оказывают обратное влияние на поля трения и т.д. Также нельзя забывать и о характеристиках волокнистого материала, таких как качество очистки волокна, качество перемешивания волокна в смесях, влажность волокна, сорт, класс, длительность хранения, упругость, гладкость, неровнота ленты и т.д., существенно влияющих на процесс вытягивания.
Таким образом, в вытяжном приборе происходят сложнейшие взаимодействия, в которых иногда нельзя рассчитать или определить экспериментально даже отдельные стороны. В связи с этим необходимо исследовать и разрабатывать альтернативные алгоритмы и схемы управления, например, интеллектуальные системы управления. Такие системы обладают способностью к пониманию и обучению в отношении объекта управления, возмущений, внешней среды, условий работы. На данном этапе искусственные нейронные сети, благодаря своим способностям к самоорганизации и обучению, рассматриваются как перспективные средства для интеллектуальных систем. В связи с указанным, тема диссертационной работы, посвященная разработке и исследованию адаптивной системы вытяжки ленты на базе нейронного управления, является весьма актуальной.
Цель и задачи работы. Основная цель диссертационной работы является разработка и исследование адаптивной системы вытяжки ленты на базе нейронного управления, обеспечивающего автоматическую стабилизацию линейной плотности ленты. Данная система должна быть реализована на современных микропроцессорных программно-технических комплексах.
Для достижения поставленной цели в работе решаются следующие научно-технические задачи:
1. Анализ технологического процесса вытягивания и оценка возможных внешних возмущений, влияющих на процесс вытягивания волокнистого продукта.
2. Математическое моделирование процесса вытягивания ленты и их использование для решения поставленной цели.
3. Анализ известных автоматических систем стабилизации линейной плотности ленты (АСС ЛПЛ).
4. Аналитическое исследование и сравнительный анализ классических и нейросетевых методов управления.
5. Разработка и исследование автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети.
6. Практическая реализация автоматической системы стабилизации линейной плотности ленты на основе искусственной нейронной сети с использованием микропроцессорных программно-технических комплексов.
На защиту выносятся:
1. Структура адаптивной нейросетевой автоматической системы стабилизации линейной плотности ленты.
2. Результаты аналитического исследования и сравнительного анализа классических и нейросетевых методов управления.
3. Программная структура искусственной нейронной сети и алгоритм ее обучения для автоматической системы стабилизации линейной плотности ленты.
4. Программная реализация алгоритмов, разработанная на базе современных микропроцессорных программно-технических комплексов.
Методика проведения исследования. В работе использована комплексная методика исследования, сочетающая методы математического моделирования и инструментальные средства. При построении моделей использованы методы теории автоматического управления, методы экспериментально-теоретического моделирования, компьютерной обработки информации, а также методы математической статистики и вычислительной математики с применением ЭВМ.
Моделирование технологического процесса вытягивания волокнистого продукта проведена в пакете прикладных программ Matlab и его приложении Simulink. Реализация алгоритмов нейросетевого регулятора осуществлена с помощью специализированных промышленных программно-технических комплексов, включающих в себя микропроцессорные контроллеры и модули сопряжения с объектом (контроллеры и модули УСО серии АС500, AC800F компании ABB Industrial IT), а также программные средства разработки и визуализации (Freelance 800F Control Builder F v.8.1, Freelance 800F DigiVis v.8.1, Control Builder PS501 на основе CoDeSys v.2.3).
Научная новизна. В результате выполнения диссертационной работы получены следующие результаты:
1. Разработана и исследована структура нейросетевой автоматической системы стабилизации линейной плотности ленты.
2. Проведены аналитическое исследование и сравнительный анализ классических и нейросетевых методов управления.
3. Разработаны программная структура искусственной нейронной сети и алгоритм ее обучения для автоматической системы стабилизации линейной плотности ленты.
4. Выполнена программная реализация алгоритмов, разработанная на базе современных микропроцессорных программно-технических комплексов.
Достоверность результатов работы. Адекватность полученной математической модели регулятора на основе искусственной нейронной сети подтверждена совпадением результатов теоретических и экспериментальных исследований.
Практическая ценность. Использование разработанных систем автоматического регулирования на основе искусственных нейронных сетей позволит повысить качество и конкурентоспособность выпускаемой продукции. Разработанные в диссертационной работе методы управления могут найти широкое применение не только в различных отраслях текстильной промышленности, но и на других производствах. Полученные результаты могут быть использованы при создании и совершенствовании систем управления технологическими процессами.
Апробация работы. Материалы диссертационной работы доложены, обсуждены и получили положительную оценку на 59-й межвузовской научно-технической конференция молодых ученых и студентов «Студенты и молодые ученые КГТУ - производству» (Кострома, КГТУ, 2007г.), на всероссийской научно-технической конференции «Современные технологии и оборудование текстильной промышленности» (ТЕКСТИЛЬ-2007), а также на научно-практической конференции аспирантов МГТУ им. А.Н. Косыгина на иностранных языках (Москва, МГТУ им. А.Н. Косыгина, 2006г.).
Публикации. По материалам диссертационной работы опубликовано 6 печатных работ.
Структура и объем работы. Диссертационная работа изложена на 146 страницах машинописного текста и состоит из введения, четырех глав, выводов по главам и общих выводов по работе, а также содержит список используемой литературы из 76 наименований и приложение. Работа иллюстрирована 70 рисунками и 2 таблицами.
Моделирование процесса вытягивания волокнистого продукта в вытяжном приборе
ВП представляют собой две пары «цилиндр-валик»: питающую и выпускную. Стальные цилиндры и прижатые к ним валики зажимают поступающие в них волокна продукта и придают им свою окружную скорость. Вытягивание обеспечивается за счет более высокой окружной скорости выпускной пары. Для лучшего взаимодействия с волокнами на поверхности цилиндров наносят рифли (при вытягивании тонких продуктов), а на валики надевают эластичные покрытия. Область между питающими и выпускными парами называют зоной вытягивания, а расстояние между осями питающей и выпускной пар - разводкой. Для улучшения контроля за движением волокон в зоне вытягивания помещают дополнительные узлы ВП: ремешковые уплотнители, уплотняющие воронки, контролирующие планки, дополнительные валики. ВП обычно конструируют состоящими из нескольких последовательных зон вытягивания и нескольких пар «цилиндр-валик». В первой зоне обычно осуществляется предварительное вытягивание с малой вытяжкой (отношением линейных скоростей пар на выходе и входе зоны), а в последующих - основное вытягивание.
Процесс вытягивания является основным завершающим технологическим процессом непосредственно перед получением пряжи. Количество исследовательских работ по изучению и совершенствованию этого процесса исчисляется сотнями в течение многих десятков лет. Процесс исследовался всеми доступными методами: 1. Экспериментальными, включая методы меченых волокон (флуоресцентными красителями и радиоизотопами) и скоростной кино- и фотосъемки. Изучалось вытягивание практически всех используемых видов волокон, огромное множество вариантов материалов и конструкций для узлов ВП, применялись различные математические методы - от обычной статистики до статистической динамики, спектрального анализа и планирования многофакторных регрессионных экспериментов. 2. Теоретическими, включая геометрические модели, отражавшие кинематику движения волокон, динамические и динамико-статистические модели, учитывавшие вероятностные свойства волокон и динамику взаимодействия волокон между собой и с рабочими органами ВП. 3. Методами моделирования на аналоговых и цифровых ЭВМ, включая динамические математические модели и имитационные модели. Информацию о выполненных работах и их результатах можно найти, например, в работах [170, 305, 306] и содержащихся в них ссылках на другие работы по данной теме, хотя, конечно, они не отражают всех выполненных работ. Цели этих работ можно разделить на следующие категории: 1. Создание модели объекта (ВП) для разработки оптимальной системы управления. 2. Проверка эффективности и перспективности конструктивных изменений ВП. 3. Выбор оптимальных технологических режимов работы ВП для конкретного волокнистого продукта. 4. Исследование физической сущности процесса с целью более глубокого понимания его и определения роли и важности факторов, определяющих протекание процесса вытягивания. Выделение факторов, которые определяют те или иные нарушения в протекании процесса вытягивания. В процессе вытягивания с волокнистым продуктом происходят следующие изменения: 1) продукт утоняется, т.е. уменьшается число волокон в поперечном сечении продукта; 2) волокна распрямляются и ориентируются вдоль оси продукта; 3) распрямляются задние «крючки» волокон; 4) продукт уплотняется, т.е. уменьшается среднее расстояние между волокнами в поперечном сечении; 5) происходит взаимное смещение волокон по длине продукта, что может привести к возникновению дополнительной неровноты по линейной плотности; 6) за счет взаимного перемещения волокон в поперечных направлениях (миграции волокон) происходит перемешивание волокон в продукте. Основная проблема изучения процесса вытягивания, на наш взгляд, заключается в следующем. В процессе одновременно участвуют тысячи или даже десятки тысяч волокон. Однако, поскольку волокна хорошо разъединены, то в зоне вытягивания каждое из них двигается «самостоятельно». Его движение определяется лишь взаимодействием с соседними близлежащими волокнами. Поэтому, когда в качестве средства описания продукта используют значения его линейной плотности, то теряется информация об отдельных волокнах и не удается описать детали их движения внутри зоны вытягивания и взаимодействия с рабочими органами ВП. Для задач разработки систем автоматического управления работой ВП такого макроскопического описания оказывается достаточно. Однако для более глубокого анализа движения волокон в ВП необходимо рассматривать и движение отдельных волокон, но из-за их огромного числа в этом случае затруднен переход к макроскопическим характеристикам, например, линейной плотности. Здесь, как и в других случаях, компьютерное имитационное моделирование позволяет достичь определенного прогресса.
Рассмотрим базовые понятия, характеристики и соотношения, относящиеся к процессу вытягивания волокнистого продукта и ВП.
ВП (рис. 4) является распространенным элементом машин прядильного производства. Из-за вероятностного характера изменения толщины продукта при рассмотрении работы ВП требуется обработка статистического материала большого объема. Создание систем автоматического выравнивания вызвало необходимость упрощенного, но адекватного в существенных чертах описания динамики ВЩ58].
С этой целью было разработано значительное число более или менее сходных математических моделей, описывающих динамику ВП. Представляет интерес модель процесса вытягивания, полученная на основе материального баланса потоков: входящего в ВП и выходящего из него материала[55].
Введем следующие обозначения: g(x,t) - кривая утонения, описывающая изменение линейной плотности продукта в ВП в момент t; gi(x,t), g2(x,t) — линейная плотность потоков волокон в ВП в момент t, движущихся со скоростями соответственно vj и v2. Очевидно, g(x, t) = g1(x,t)+g2(x,t).
Последовательная схема нейронного управления
В текстильной промышленности они пока не применяются из-за сложности. Однако комбинированные системы обладают определенными достоинствами, а поэтому рассмотрим их.
Как было указано, можно создать устройство, компенсирующее изменение развеса на входе вытяжного прибора; регулирование развеса достигается изменением скорости вытяжных или питающих цилиндров. Однако при изменении структуры продукта, скорости питания и параметров самого вытяжного прибора условия компенсации нарушаются.
Можно измерять отклонения развеса на выходе вытяжного прибора и автоматически корректировать отклонение развеса от его среднего значения.
В настоящее время наибольшее распространение получили механические, электромеханические, гидромеханические и пневмомеханические системы.
Итак, рассмотренные системы автоматического регулирования, работающие по методам компенсации и/или регулирования по отклонению. Первые системы требуют точного определения коэффициента компенсации, что ведет к построению чрезмерно сложных многопараметрических математических моделей процесса. Вторые - из-за неполноты информации не обеспечивают высокой динамической точности.
В последнее время интеллектуальное управление становится широко распространённым средством для многих технических и промышленных приложений. Такие системы управления обладают способностью к пониманию и обучению в отношении объекта управления, возмущений, внешней среды, условий работы. Примеры факторов, которым могут обучаться такие системы -характеристики объекта (статические и динамические), некоторые характеристики возмущений и внешней среды, методы управления оборудованием [37].
Постепенно исследования по экспертным системам, традиционно считавшиеся основным инструментом интеллектуальных систем, медленно сокращаются, а исследования по нейронным сетям стабильно нарастают.
Благодаря своим способностям к самоорганизации и обучению, искусственные нейронные сети сейчас рассматриваются как перспективные средства для интеллектуальных систем. Архитектура и функции таких сетей строятся на основе биологических структур мозга. В нейронных сетях используется архитектура вычислений, отличная от фон-неймановской. Характерные черты нейронных сетей - параллельность, распределенность, самоорганизация, в то время как обычные компьютеры характеризуются последовательностью, локальностью, работой по алгоритму. "Параллельная архитектура" означает, что обработка информации выполняется несколькими центральными процессорами (ЦП), в то время как в обычных компьютерах, имеющих только один ЦП, информация обрабатывается последовательно, по шагам.
Распределённая память означает, что информация хранится по многим адресам, распределённым образом, так что каждый элемент данных представляется шаблоном активности, распределённым по многим вычислительным элементам, и каждый вычислительный элемент участвует в представлении многих различных элементов данных. В обычных компьютерах реализуется локальная память, или локальное представление, в котором используется один вычислительный элемент для каждого элемента данных. На основе распределённой архитектуры представления информация в нейронных сетях может дробиться и обрабатываться по частям.
Последнее из характерных свойств нейронных сетей - самоорганизация -называется также способностью к обучению. Это означает, что нейронные сети могут автономно "изучать" статические и динамические свойства управляемого объекта на основе результатов измерений, производившихся в прошлом, а затем действовать таким образом, чтобы принять лучшее решение при неизвестном состоянии внешней среды. Обычные компьютеры должны быть предварительно запрограммированы, чтобы иметь возможность обрабатывать данные; они не могут работать за пределами решений, задаваемых программой. Таким образом, инженерия знаний не может быть в полной мере реализована на обычных компьютерах, так как они не могут принимать решения в новых внешних условиях.
Нейронные схемы управления - это схемы управления, в которых используется архитектура нейронных сетей и способности к обучению. Нейронная сеть состоит из нейроноподобных вычислительных элементов, которые являются нелинейными преобразователями. Такие свойства нейронных сетей делают возможным нелинейное преобразование данных, что, в свою очередь, позволяет реализовать новые нелинейные схемы управления. На практике могут быть реализованы различные виды схем нейронного управления для решения некоторых задач управления, являющихся пока неразрешимыми. В настоящее время нейронному управлению уделяется большое внимание. Одна из причин такого явления заключается в том, что традиционные методы управления в основном опираются на теорию линейных систем, в то время как реальные объекты управления являются по своей природе нелинейными. Проектировщики оборудования разрабатывают системы не с той или иной точки зрения теории управления, а с позиции осуществимости проекта. Поэтому специалисты по управлению должны вырабатывать стратегию управления так, чтобы достигать максимальной эффективности при многих ограничениях, действующих на реальном объекте управления.
В действительности часто сложно сделать работу оборудования полностью автоматической; управление должно осуществляться людьми-операторами. Даже если будет разработана сложная схема управления, структура и принципы работы которой будут недоступны для понимания оператором оборудования, надёжность и безопасность такой схемы окажутся низкими, так как в процессе реальной работы возможны непредсказуемые явления. Это может привести к нежелательным потерям сырья, а также к авариям и несчастным случаям. По этой причине широкое распространение получили пропорционально-интегрально-дифференциальные регуляторы (ПИД-контроллеры).
Для лучшего решения задач управления требуется разработка новых схем управления. Кроме того, новые схемы управления должны быть достаточно просты по принципам организации и функционированию, чтобы промышленность восприняла их легко и в широком масштабе. По-видимому, может оказаться сложным разработать схемы управления для крупномасштабных систем, обеспечивающие высокую эффективность и при этом использующие только простые принципы управления. Однако желательно, чтобы в новых системах управления манипуляция параметрами была сведена к минимуму. В связи с этим, важным фактором разработки интеллектуальных систем управления является простой, но эффективный человеко-машинный интерфейс.
В инженерном контексте интеллектуальное управление должно обладать следующими свойствами: 1. способность к обучению и адаптивность; 2. живучесть; 3. простой алгоритм управления и "дружественный к пользователю" человеко-машинный интерфейс; 4. способность к включению новых компонентов, обеспечивающих лучшие решения в условиях ограничений, накладываемых техническими средствами. Сейчас имеется ряд методов, которые могут использоваться в качестве основы для разработки интеллектуальных систем. Наиболее распространённые из них - экспертные системы (системы, основанные на знаниях), нечёткая логика, генетические алгоритмы, нейронные сети, искусственная жизнь. Для разработки интеллектуальных систем управления методы искусственного интеллекта (ИИ) должны быть объединены с достижениями современной теории управления.
Динамический алгоритм с прогнозом ошибки обучения
Функционирование обучаемых статических многослойных нейронных сетей происходит в два этапа. На первом этапе — этапе обучения в процессе настройки весовых коэффициентов базовых элементов на минимум критерия обучения Q(e(w, kj) для заданного входа г (/с) (/с = 1, iV) — сеть формирует аппроксимацию и(к) обучающей функции и (к) для тех же значений к = 1,N. На втором этапе - этапе рабочего режима - обученная сеть с постоянными весовыми коэффициентами при поступлении на ее входы функции г(к), близкой к г(к) на этапе обучения, практически без ошибок восстанавливает функцию и (к) на выходах базовых элементов выходного слоя. В контексте ассоциативной памяти это называется фазой воспоминания.
Для реализации этого свойства в нейросетях вообще, и в статических в частности, необходимо задание всей обучающей функции (множества) объемом N. В случае управления — это задание оптимального в каком-либо смысле управления и (к) на интервале времени управления к = 1, N для формирования ошибки обучения euQi) = и (Ji) — и(к). Такой режим работы сети называют автономным (режим off-line).
Если же статическая нейронная сеть включается в систему управления динамическим объектом с заранее неизвестной оптимальной траекторией управления и (/с) и к - оо и если в качестве ошибки обучения принимается ошибка управления, то необходимое условие обучения такой сети по методу ВР нарушается. Это объясняется тем, что ошибка обучения сети и она же ошибка управления (например, ошибка воспроизведения заданной функции г (к) на выходе инерционного объекта) является функцией, развертывающейся на интервале времени к = 0,1,2 ...,N -» оо. Использование в алгоритме ВР вместо ошиб- выход объекта управления, v = 1,2,..., к — 1) приводит к неудовлетворительному качеству обучения. Для использования многослойной нейросети в реальном масштабе времени необходимо ввести в нее динамику, учитывающую текущие значения измерительной информации.
Обсуждение возможных подходов к реализации режима работы нейросети в реальном масштабе времени содержится в обзорной статье [г]. В принципиальном плане можно выделить три подхода к обработке временной последовательности обучаемыми статическими многослойными нейросетями. Во-первых, использование для этой цели рекуррентной сети [24], в частности, сетей Хоп-филда. Стандартная архитектура этой однослойной динамической по своей природе сети обладает мощными аппроксимирующими свойствами, необходимыми для воспроизведения желаемых функций времени. Такая сеть может быть интерпретирована как распределенная система БПЭ, настройкой весовых коэффициентов которых формируется устойчивая совокупность активированных состояний - аттракторов. Тем самым формируется память нейросети при предъявлении на ее входы исходного множества сигналов. В [і] была предложена новая модель динамической нейронной сети - синергетический компьютер или нейронная сеть Хакена, отличающаяся от сети Хопфилда отсутствием ложных устойчивых состояний и переходом из пространства компонент множества предъявляемых на входах сети сигналов к динамике так называемых связанных параметров порядка [73]. Аналитическое исследование нейронной сети Хакена содержится в работе [7б].
Во-вторых, в структуру базовых процессорных элементов или нейронной сети молено ввести линейные динамические звенья W(p) или W(z-1). Например, можно включить динамическое звено между выходом сумматора базовых элементов и входом нелинейного элемента, реализующего функцию активации f(s). В качестве непрерывных динамических звеньев W(p) можно использовать типовые звенья р-1, (р + а)-1, е ар и их соединения. Сеть, образованная из таких динамических элементов, также является динамической. Другой способ состоит в применении однотипных элементов задержки в структуре статической нейросети. В-третьих, динамика может быть введена в алгоритм обучения статической нейросети [62]. В этом случае аргумент функции обучения Q(e(t)) изменяется согласно уравнениям объекта или его модели. Алгоритм обучения в некотором смысле играет роль «модулирующей» функции нелинейного статического преобразования входной функции r(t}, выполняемого сетью. Следует отметить две особенности последнего подхода. Введение динамики в алгоритм обучение статической нейросети придает ей особенности динамической сети без использования обратных связей.,,как в сети Хопфилда или как в сетях с динамическими базовыми элементами. Процесс обучения по динамическому алгоритму позволяет объединить в единый процесс настройку весовых коэффициентов сети и формирование функции управления объектом, используя для этого измеряемые сигналы на выходах объекта или восстановленный каким-либо образом вектор состояния объекта. По этим причинам далее преимущественно рассматривать третий подход к синтезу алгоритмов обучения в реальном времени статических многослойных нейронных сетей двух модификаций: 1) с использованием уравнения состояния динамического управления (или его модели); 2) с использованием в стандартном алгоритме ВР прогноза ошибки обучения
Устройства для измерения засоренности волокна
Как указывалось в гл.1, степень засоренности волокна оценивается количеством посторонних включений в единице веса анализируемой пробы. В связи с этим степень засоренности определяется приборами (устройствами), с помощью которых производится экспресс-анализ отобранных проб волокнистой массы на выходе разрыхлительно-трепальных агрегатов, чесальных машин или при поставке тазов на ленточные машины. Проверка засоренности на этих переходах осуществляется периодически, так как при нормальном функционировании технологического оборудования значительного изменения этого параметра произойти не может.
Однако, при смене партии поступающего на переработку волокна, изменении режимов работы систем соро- и пылеудаления, ухудшение степени прочеса волокна от загрязнения или притупление чесальной гарнитуры чесальных машин и пр., возможно весьма значительное изменение (увеличение) степени засоренности волокна.
Одним из устройств оценки степени засоренности, хорошо зарекомендовавшим себя в производственной эксплуатации, является прибор ИЗВ-2 (ЦНИХБИ). Структура прибора представлена нарис. 51. Прибор содержит бункер 1 для загрузки волокна (в массе или в ленте), из которого волокно подается с помощью потока воздуха, создаваемого воздуходувкой 2, в дискретизатор 3, содержащий вращающиеся игольчатые барабаны, в результате чего волокнистая масса разделяется на отдельные волокна и частицы засорения. Таким образом, в емкостной датчик 4 подается волоконно-воздушный поток, скорость которого задается так, чтобы в потоке волокна и частицы сора были разделены друг от друга. При их движении между пластинами емкостного датчика 4 в последнем происходит изменение емкости в зависимости от вытянутых вдоль потока волокон, а также от размера и плотности соринок - фрагментов засоренности. С помощью измерительной системы 5 и формирователя сигналов 6 на вход счетчика 7 подаются сигналы, импульсы, отличающиеся по длительности и амплитуде, что и характеризует количество, размеры и плотность фрагментов засоренности. В блоке классификации и отображения 8 осуществляется подсчет фрагментов засоренности по соответствующим группам и их суммарное и процентное содержание по отношению к весу пробы. Основные технические характеристики ИЗВ-2: вес пробы (100-200г); время измерения (0,5-1 мин); классификация засоренности по двум уровням размера и плотности частиц; погрешность измерения ± 10%; отображение - цифровое суммарное количество и по группам; выходы аналоговые и дискретные. Измерительная информация формируется на выходе прибора ИЗВ-2 периодически с интервалом 0,5-1 мин. и через устройство связи с объектом (УСО) поступает в микропроцессорный контроллер и далее на вход регулятора линейной плотности ленты. 4.2.2 Устройство для измерения качества смешивания волокон В настоящее время реально эксплуатируемые в производственных условиях и заводских лабораториях приборы и устройства для оценки качества смешивания 2-х и 3-х видов волокон позволяют различать периодически повторяющиеся участки с волокнами одного вида по длине ленты, а также характер неравномерного распределения волокон разного вида в сечении ленты (см. гл.1). Структурная схема прибора для оценки неравномерности смешивания волокон типа КСВ-2 представлена на рис. 58. Датчиком в приборе является емкостной преобразователь 1, представляющий собой кольцо из диэлектрика, внут 117 ри которого движется лента. По периметру кольца диаметрально - противоположно размещены восемь пластин конденсаторов (4 пары), подключенные к программному переключателю 2, который осуществляет последовательное подключение к измерительной схеме 3 с формирователем сигнала от диаметрально-противоположных пластин и затем смежных пластин. Таки образом, в датчике от пластин создается поперечное вращающееся поле и, далее, периферийно перемещающееся развернутое поле от смежных пластин конденсаторов. 1. конденсаторный датчик; 2. программный переключатель; 3. измерительная схема с формирователем сигнала; 4. вычислительно-логический блок; 5. датчик длины ленты; 6. устройство отображения информации (класс смешивания). Рис. 58 - Структурная схема прибора для оценки неравномерности смешивания волокон Так как волокна разного вида имеют различную диэлектрическую проницаемость, то и емкости переключаемых конденсаторов будут характеризоваться наличием в их поле того или иного вида волокна или их смеси. Сформированные по амплитуде и длительности сигналы с выхода блока 3 подаются в вычислительно-логический блок 4 (мЭВВ), в котором осуществляется распознавание характера неравномерности (или равномерности) смешивания волокон и их распределения по длине ленты, измеряемой датчиком 5. На основании чего формируется вид (класс) качества смешивания волокон различного вида. Эта информация поступает на устройство отображения 6, а также поступает в контроллер в виде соответствующего аналогового сигнала на вход регулятора ЛПЛ. Устройство может быть установлено непосредственно на выходе чесальной машины после формирующей воронки или на выходе вытяжного прибора, а также на одной из входных лент ленточной машины. Сигнал на выходе устройства — 0-5 вольт с тремя уровнями постоянного напряжения в зависимости от класса смешивания. как одна чесальная машина обеспечивает по своей производительности обычно несколько ленточных, то влажность нескольких сложенных вместе лент (4, 6, 8, 12 лент) достаточно постоянная. Значение влажности волокна в лентах зависит преимущественно от влажности волокна в кипах, поставляемых на разрыхли тельно-трепальные агрегаты. В связи с этим для получения информации о влажности жгута лент, поступающих в вытяжной прибор, целесообразно осуществлять ее в зоне питающих валиков ленточной машины или питающей воронки. Однако, с учетом вышеизложенного возможно измерение влажности волокна в одной из лент, поступающих на сложение.
