Содержание к диссертации
Введение
Глава 1. Анализ исследований в области формирования баз знаний по процессам производства ферментированных мясопродуктов 7
1.1. Основные предпосылки к созданию базы знаний по процессам производства мясопродуктов 7
1.2. Структура компьютерной системы формирования базы знаний 11
1.3. Исследование методов моделирования технологических процессов перерабатывающих производств АПК 15
1.3.1. Основные подходы к моделированию качества с/х животных 15
1.3.2. Моделирование химических и физико-химических процессов мя-сопереработки 18
1.4. Анализ взаимодействий контрольных показателей и качественных характеристик процессов производства ферментированных мясопро дуктов 23
1.4.1. Контрольные показатели мясного сырья до убоя и на этапе разделки туш, оказывающие большое влияние на качество ферментированных колбас 24
1.4.2. Анализ технологических процессов переработки мясного сырья при изготовлении ферментированных колбас 32
Глава 2. Принципы построения основных модулей компьютерной системы формирования базы знаний 41
2.1. Методы формирования базы знаний 41
2.2. Проектирование базы знаний 48
2.3. Разработка логической модели базы знаний 54
2.3.1. Реализация сущности «Пользователь» 54
2.3.2. Реализация сущности «Предприятие» 55
2.3.3. Реализация сущности «Математическая модель» 58
2.3.4. Реализация сущности «Колбасное изделие» 60
2.3.5. Реализация сущности «Технологическая операция» 63
2.3.6. Реализация сущности «Показатель» 64
2.3.7. Реализация связи «показатель - технологическая операция» 66
2.3.8. Общая логическая структура базы знаний 67
Глава 3. Методы и алгоритмы формировании базы знании 70
3.1. Основные методы, реализованные в созданной компьютерной системе 70
3.2. Общая схема организации разработанного программного комплекса 72
3.3. Оценка влияния качественных факторов на количественные показатели мясного сырья 80
3.4. Построение параметрических моделей технологических процессов 84
3.5. Корреляционный и регрессионный анализ 89
3.5.1. Простая линейная корреляция и регрессия 90
3.5.2. Методы построения регрессионных моделей в разработанной системе 95
3.5.3. Построение обобщенных моделей 101
3.5.4. Построение кусочно-линейных моделей 104
3.5.5. Построение кусочно-нелинейных моделей 106
Заключение 109
Литература 111
Приложения 126
- Структура компьютерной системы формирования базы знаний
- Контрольные показатели мясного сырья до убоя и на этапе разделки туш, оказывающие большое влияние на качество ферментированных колбас
- Реализация сущности «Математическая модель»
- Общая схема организации разработанного программного комплекса
Введение к работе
В современных условиях повышаются требования к качеству, внешнему виду выпускаемой продукции и, как следствие, к ее безопасности и наибольшей реализации. Качество готовой продукции формируется на всех этапах производства, включая подготовку сырьевой базы.
Современное развитие промышленного производства мясных продуктов сопровождается все более широкой автоматизацией технологических процессов. При этом возрастает роль систем, способных контролировать и регулировать точность выполняемых процессов на протяжении всей технологической цепочки, с целью обеспечения наивысшего качества выпускаемой продукции.
Таким образом, необходим новый подход к решению задачи повышения качества продукции, который при помощи средств новейших информационных технологий и мощных вычислительных систем позволил бы контролировать точность выполняемых процессов и качество продукции.
Очевидно, что для получения наиболее эффективного результата при разработке новых технологий необходимо рассматривать мясоперерабатывающее производство как сложную систему, состоящую из типовых технологических звеньев. Для учета взаимосвязи протекающих в них процессов и операций требуется проведение фундаментальных исследований в области систематизации накопленных и вновь полученных знаний по моделированию и оптимизации биотехнологических процессов с использованием системного подхода.
В настоящее время накоплен обширный теоретический и экспериментальный материал в области проектирования автоматизированных систем в мясоперерабатывающей промышленности, а также методов системного анализа и моделирования технологических процессов, сформулированных в работах В.В. Кафарова, А.Ю. Виноградова, Н.С. Николаева, Ю.Л. Ивашкина, И.И. Протопопова, А.В. Бородина и др.
Целью данной работы является разработка базы знаний, увязывающей в единую систему накопленный опыт аналитических исследований и экспериментальных данных с созданными математическими модулями, способными оценивать влияние различных факторов на качество поступающего на переработку мясного сырья, а также моделировать и прогнозировать изменение показателей качества и биологической безопасности в процессе производства ферментированных мясопродуктов.
Для достижения поставленной цели решались следующие задачи:
Изучение основных процессов производства ферментированных мясопродуктов с целью построения параметрических моделей, связывающих входные и выходные параметры технологических процессов производства;
Анализ основных факторов, оказывающих существенное влияние на качество ферментированных мясопродуктов, начиная с подготовки сельскохозяйственного сырья, и заканчивая производством готовой продукции;
Разработка организационной структуры базы знаний по моделированию процессов производства ферментированных мясопродуктов.
Включение в базу знаний алгоритмов дисперсионного, регрессионного и корреляционного анализа;
Разработка комплекса программ по моделированию технологических процессов, характеризуемых сложными структурными изменениями, а также по построению обобщенных моделей;
Разработка методов хранения, ввода и вывода данных различного типа с учетом схемы взаимодействия модулей базы знаний.
Накопленный объем теоретических и практических исследований позволяет разработать программный комплекс, включающий интегрированные в общую базу знаний математические алгоритмы, программные модули, а также базы экспериментальных и нормативных данных. Данный программный
комплекс позволяет производить оценку влияния исследуемых параметров на весь технологический процесс, моделировать изменения этих параметров, выдавать аналитический отчет, на основании которого может быть выявлено управляющее воздействие на объект и среду исследования.
Внедрение разработанной базы знаний на мясоперерабатывающем предприятии позволит снизить расходы на проведение экспериментальных исследований и повысить экономическую эффективность производства за счет создания системы, обеспечивающей контроль и управление качеством производимого продукта на всех этапах технологического процесса.
Структура компьютерной системы формирования базы знаний
Модульная структура формируемой базы знаний должна соответствовать представлениям о мясоперерабатывающем предприятии, как сложной биотехнической системе. При этом идентификация каждого модуля основывается на четком определении его функций и условий их выполнения, так как каждая функциональная задача может иметь многочисленные варианты решения в зависимости от их информационной постановки, требуемой точности, алгоритма и численного метода реализации, общей цели и условий моделирования.
В структуру компьютерной системы формирования базы знаний должны входить комплексы системных программ, математического обеспечения, проблемно-ориентированных и обслуживающих программ, а также база данных [14].
Комплекс системных программ включает в себя: интерфейс пользователя, позволяющий формулировать вопросы и директивы со стороны системы; языки для составления проблемно-ориентированных программ; операционную систему для управления программными модулями, обеспечивающую их распознавание в соответствии с заданными директивами, а также передачу этих модулей с внешних устройств во внутреннею память машины и наоборот; программы управления базой данных, реализующие поиск заданной таблицы данных, ее формирование и дополнение, сортировку и обмен отдельными ее блоками между внутренней памятью и внешними устройствами.
Комплекс математического обеспечения содержит программы, реализующие известные и вновь разрабатываемые статистические и математические методы обработки данных и решения формализованных задач планирования, контроля и оптимизации процессов и систем
Комплекс проблемно-ориентированных программ имеет в своем составе оригинальные, используемые только в данной базе знаний программы моделирования технологических процессов и материальных потоков, анализа ситуаций и производственной деятельности предприятия.
Процедуры управления данными Разработка реляционной базы данных позволит объединить показатели, информационные массивы данных, параметры качества сырья промежуточных полуфабрикатов и готовой продукции на всех технологических стадиях, характеристики оборудования и технологий, условий и режимов переработки сырья, а также нормативные данные о выходе продукции и критериях управления процессами.
Определение основных функциональных модулей разрабатываемой компьютерной системы формирования базы знаний по процессам производства ферментированных мясопродуктов позволило сформулировать основные требования к отдельным участкам разрабатываемой системы (рис.1.2.):
Подсистема диалога с базой знаний должна обеспечивать интуитивно-понятный пользовательский интерфейс, организовывать ввод новых и поиск хранящихся данных, оптимизировать взаимодействие с расчетными модулями;
База данных должна обеспечить хранение, быстрый доступ к обрабатываемым данным и передачу информации между отдельными вычислительными модулями;
Передача информации между отдельными программами пакета для обеспечения надежности должна осуществляться с помощью файлов специальных форматов;
База программ должна содержать автономные программные модули, предназначенные для реализации отдельных математических методов;
База знаний должна содержать математические модели, описывающие конкретную проблемную область, а также обеспечивать прогнозирование результатов выполнения процессов на всех этапах производства.
Синтезирующие функции формируемой базы знаний, оформленной в виде компьютерной системы поддержки принятия решений, позволяют осуществлять накопление, получение, и систематизацию знаний по мясоперерабатывающему производству. В работе [1] выделяются 2 основные группы способов представления знаний: декларативные и процедурные. Декларативные характеризуются тем, что представленные ими знания после трансляции в машинный код представляют собой структурированные данные, выполнение операций над которыми обеспечивается программными средствами, не зависящими от конкретной системы знаний.
Базы знаний, описываемые процедурными способами представления данных, представляют собой множества структурированных данных и ассоциированных с ними процедур. Базовые операции над знаниями, как правило, при таком подходе проще, чем для декларативных способов представления проще чем для декларативных способов представления, хотя результаты этих операций полностью не определяются программными средствами, обеспечивающими данный способ представления.
Одной из отличительных особенностей сложных биотехнологических систем является большой разброс параметров входного потока сырья, обусловленный генетическими особенностями различных пород с/х животных, условиями их выращивания, транспортировки и предубойного содержания. В настоящее время ситуация еще более усугубилась из-за катастрофического снижения поголовья с/х животных, практически полного свертывания селекционной работы. В результате, качество поступающего сырья на мясоперерабатывающие предприятия АПК находится на очень низком уровне. Основные поставки происхо 16
дят за счет импортного сырья, объемы и качество которого сильно колеблтотся в широком диапазоне значений даже внутри одной партии или поставки. Реально сложившаяся ситуация ставит переработчиков в очень сложные условия, когда выпуск готовой продукции высокого качества в требуемом ассортименте и количестве напрямую зависит от правильности прогноза объемов поставок и качества как отечественного, так и импортного сырья. Поэтому построение моделей качества исходного сырья представляет собой одну из первоочередных задач повышения эффективности работы всего ЛПК.
Работы в этом направлении проводятся как за рубежом, так и в Российской Федерации. Существенное различие в отечественных и зарубежных исследованиях обусловлено тем, что в странах с развитым сельским хозяйством в результате кропотливой и продолжительной селекционной работы выведены породы с/х животных с ярко выраженным направлением продуктивности. Создание и широкое распространение агропромышленных комплексов, включающих в себя как откормочные хозяйства, так и перерабатывающие предприятия позволило обеспечить последние высококачественным сырьем с заданным набором свойств в необходимых количествах. Таким образом, задача обеспечения необходимого качества животноводческого сырья была решена за рубежом путем селекционной работы и научнообоснованных режимов откорма и выращивания с/х животных. В Российской Федерации эта проблема до настоящего времени не нашла окончательного решения.
Можно выделить два этапа ее решения в условиях Российской Федерации. Первый этап состоит в накоплении статистических данных по с/х животным. В работах [117-119] собраны данные по режимам откорма, условиям содержания, климатическим условиям в хозяйствах практически всех регионов Российской Федерации. В условиях практического отсутствия чисто породных групп животных (свиньи и крупный рогатый скот) их классификация проводилась не по породам, а по направлениям продуктивности: мясное, сальное и универсальное для свиней; мясное, комбинированное и молочное для КРС. Для этих же видов с/х животных была произведена классификация по полу: свинки, боровы и хряки для свиней; телки, бычки и кастраты для КРС. Для различных сочетаний этих факторов собраны статистические данные по различным показателям качества. Что же касается таких факторов, связанных с выращиванием с/х животных, как режимы откорма, условия их содержания и климатические условия, то имеются разрозненные данные, не позволяющие произвести всеобъемлющий анализ их влияния на качественные показатели мясного сырья. Имеется лишь ограниченная информация по транспортировке и предубойному содержанию животных.
Контрольные показатели мясного сырья до убоя и на этапе разделки туш, оказывающие большое влияние на качество ферментированных колбас
Для производства высококачественных ферментированных колбас решающее значение имеет подбор мясного сырья, а именно технологическая пригодность, термическое состояние, возраст и пол животного, от которого получено мясное сырье. Рецептуры колбас, как правило, содержат говядину, свинину и шпик, оленину и конину в различных пропорциях. Примерный состав (%) и калорийность (ккал) 100 г мяса некоторых животных приведены в таблице 1.1.
В статье [71] отмечается, что в качестве сырья следует использовать только хорошо созревшее мясо с величиной рН 5,6-6,0. Наилучшим является мясо взрослых животных: бугаев 5-7 лет и свиней 2-3-летнего возраста, так как высокое содержание гликогена (до 2%) в этом сырье обеспечивает кислотность, необходимую для оптимальной ферментации, обуславливающей консистенцию, специфический вкус и аромат готовых колбас.
Совокупность разнообразных свойств мясного сырья характеризует его технологический потенциал. В работе [10] рассматривается схема формирования технологического потенциала мясного сырья (рис. 1.2).
Качество мяса определяется соотношением отдельных тканей, зависящих от вида и породы животных, пола, возраста, частей туши. Основной съедобной частью мясного сырья является мышечная ткань, определяющая высокую ценность мяса. Она состоит из с иль но-вытянутых (до 15 см) многоядерных клеток волокон. В состав мышечной ткани входят (в %): белки 18,5 - 22,0; жиры 2,0 - 3,0; азотистые экстрактивные вещества 0,9 2,5; углеводы до 1,5; минеральные вещества 1,0- 1,4; вода 72,0-75,0.
Наряду с мышечной, большое значение для производства ферментированных колбас имеет жировая ткань, представляющая собой совокупность жировых клеток, отделенных одна от другой прослойками рыхлой соединительной ткани. Общее количество жировой ткани в организме животных достигает 40%, Жиры у разных животных различаются по вкусу, запаху, консистенции и усвояемости, что объясняется составом жирных кислот, преобладающих в жировой ткани [66].
Конина 66,3 10,5 21,5 1.7 183 Пищевое достоинство мяса определяется, прежде всего, наличием в нем белковых компонентов, являющихся пластическим и энергетическим материалом. Вследствие особенностей количественного соотношения мягких тканей, различные виды мяса отличаются по аминокислотному составу, таблица 1.2.
По полу мясо взрослых животных подразделяется на мясо быков (некастрированных самцов), волов (кастрированных самцов) и коров (самок). По возрасту мясо КРС делят на телятину - от 2 недель до 3 месяцев, говядину молодняка - мясо животных от 3 месяцев до 3 лет и говядину - мясо животных от 3 лет и выше [42].
Мясо свиней подразделяют на 5 категорий, в зависимости от массы туши, толщины шпика возраста и характера первичной обработки: 1 - беконная; 2 -мясо молодняка; 3 - жирная; 4 - промышленно-переработанная; 5 - мясо поросят.
В работе [59] исследуется влияние пола КРС на пищевую ценность мяса. Авторы указывают на существенную разницу в значениях качественных показателей мяса у разного пола животных. Качественный белковый показатель у бычков имеет значение 5,92, а у коров 4,66. Сумма незаменимых аминокислот составляет 9910 мг/100 г и 9860 мг/100 г соответственно. Содержание каллоге-на в средней пробе туши бычков составляет 2,11% от протеина, а у коров 3,25%, что объясняет значительно большую пластичность мяса коров, по сравнению с мясом бычков. Вл аго связывающая способность мяса и рН бычков имеют показатели 60% и 6,12, для коров эти показатели равны 55% и 5,27 соответственно.
Первичная переработка забойных животных включает следующие основные операции: оглушение, обескровливание, отделение головы и конечностей, забеловка с последующим снятием шкуры, нутровка, распил на полутуши и туалет туш с последующей оценкой качества мяса.
На мясное сырье оказывают влияние режимы его обработки после убоя. В работе [69] исследовались процессы обвалки (отделение мышечной ткани от костей) и жиловки (разборки мяса по сортам) в условиях колбасных цехов. До обвалки из мясного сырья выделяли преимущественно кокковидные формы. После обвалки мясо оказалось загрязненным разнообразными микроорганизмами: Bact.faecalis aicaliqencs, Bact.proteus, разного рода кокковидные формы, Escherichia coll., E.paracoli и др. В посеве из сока, крови и соскобов с обвалочных столов обнаружены кокки, протей и многие другие микроорганизмы.
В воздухе помещений, где производится обвалка и жиловка мяса, также была обнаружена разнообразная микрофлора, зависящая от часа суток, времени года, периодичности обработки, дезинфекции и других факторов. В весенний период в начале смены количество микроорганизмов в 1 мЗ воздуха колебалось от 2400 ± 28,3 до 5350 ± 34,3, летом обсемененность оставалась на этом же уровне, осенью - возрастала на 10-15%, а зимой - вновь снижалась. К концу рабочей смены численность микроорганизмов воздушной среды увеличивается на 20-25%
В статье [128] рассмотрены вопросы изменения величины потерь массы при тепловой обработке в говядине и свинине с различным характером автолиза в послеубойный период. При проведении исследований выявлено, что изменение величины потерь массы при тепловой обработке (ПТО) имеет характер противоположный изменению водосвязывагощей способности (ВСС). Эти два показателя тесно связаны между собой, так как при снижении ВВС в процессе автолиза, величина ПТО возрастает. Для мяса с нормальными свойствами характерно увеличение потерь массы при тепловой обработке в течении первых 12 часов после убоя, затем наблюдается снижение интенсивности изменения. Потери массы при тепловой обработке для мяса PSE резко увеличиваются в первые часы после убоя и затем на протяжении 36 часов холодильного хранения претерпевают незначительные изменения.
Реализация сущности «Математическая модель»
Сущность математическая модель является основной структурой формируемой базы знаний. Для того чтобы результаты работы численных методов можно было сохранять в базе знаний, была решена задача разработки реляционной структуры, которая бы позволила наиболее универсальным способом хранить любые типы моделей.
Для реализации основных математических методов, входящих в систему, требуются специфические характеристики колбасных изделий, такие как длина батона, его диаметр, рецептура изготовления колбасы, её тепловые характеристики, режим термообработки и т.д. Для предоставления этой информации численным методам и сохранения знаний получаемых от них, необходимо организовать структурированное хранение этой инфор мации с привязкой к остальным сущностям в базе знаний.
Весь мясоперерабатывающий производственный цикл можно разделить на отдельные, независимые друг от друга операции. Каждая из них имеет собственные характеристики, выполняется на определённом оборудовании и требует отличные от других операций ресурсы. Операция является главным объектом в формируемой системе. Каждый численный метод, реализованный в системе, отвечает только за закреплённые за ним операции и формирует базу знаний для этих процессов, помогая накапливать экспертные данные и знания о конкретных участках производства. Именно на операции завязаны все модули системы, и именно операция позволяет однозначно определить принадлежность данных внутри системы. Реализация структуры «Технологическая операция» отображена на (рис. 2.19.).
Для построения логической структуры БЗ (рис.2.27.) использованы два основных типа связей между сущностями:
Первый тип - связь ОДИН-К-ОДНОМУ (1-1): в каждый момент времени каждому представителю (экземпляру) сущности А соответствует один представитель сущности В (при воздействии на технологический процесс, качественный показатель может принять либо допустимое либо не допустимое значение).
Второй тип - связь ОДИН-КО-МНОГИМ (1-N): одному представителю сущности А соответствуют один или несколько представителей сущности В. (при моделировании технологических процессов, для одной операции может быть построено одна, две или несколько регрессионных зависимостей). Так как между двумя сущностями возможны связи в обоих направлениях, то существуют еще два типа связи МНОГИЕ-К-ОДНОМУ (N-L) и МЫОГИЕ-КО-МНОГИМ (N-M).
Общая схема организации разработанного программного комплекса
Разработанная система включает в себя два основных блока: дисперсионного (GL=0) и регрессионного (GL=1) анализа, поэтому при обращении к ее начальному модулю запрашивается значение переменной GL. Комплексный алгоритм созданной системы представлен на рис.3.1.
При включении блока дисперсионного анализа переменная DA отвечает за выбор количества исследуемых факторов. При DA=0 система запускает комплекс однофакторного анализа, в противном случае - двухфакторного анализа. Программа однофакторного дисперсионного анализа запрашивает количество уровней фактора и число параллельных опытов, а также значения фактора. Далее включается процедура проведения однофакторного дисперсионного анализа PROC_DAl (приложение 1). Организация комплекса, отвечающего за двухфакторный дисперсионный анализ аналогична однофактор-ному, за исключением ввода уровней 2-го фактора и включаемой процедуры PROC_DA2 (приложение 2). После запуска процедуры система инициирует запрос о сохранении результатов исследования в базу данных. При положительном решении запускается процедура SAVE_RDA, которая отвечает за сохранение данных в определенной форме и разрешает доступ к ним из других модулей системы. Далее программа формирует запрос на формирование аналитического отчета, который может быть сохранен в текстовом виде, распечатан и отформатирован с помощью стандартных функций.
При значении переменной GL l включается блок регрессионного и корреляционного анализа, в котором с помощью переменной RA выбирается алгоритм построения простой регрессии (RA=0) или множественной регрессии (RA=1). При переходе к блоку простой регрессии вводится переменная PRA, которая позволяет организовать выбор между работой с базой данных по ранее построенным моделям и алгоритмом построения однофакторных регрессионных моделей различного типа. При выборе в качестве дальнейшего направления исследования алгоритм построения моделей, система реализует запрос о построении регрессионной зависимости с помощью экспериментальных данных или на основании известных коэффициентов модели. За данный выбор в системе отвечает переменная PRAM, нулевое значение которой запускает программу, отвечающую за разработку и анализ простых регрессионных моделей на основании экспериментальных данных.
Программа простого регрессионного анализа запрашивает количество точек эксперимента и число параллельных опытов, и затем формирует таблицу, в которую должны быть занесены экспериментальные данные. После занесения исходных данных запускается процедура PROC_REGR (приложение 3). В дальнейшем система предлагает организовать автоматический выбор наиболее подходящей модели на основании минимальной суммы квадратов отклонения теоретических и экспериментальных значений выходной величины или максимального коэффициента корреляции, В алгоритме программы за выбор на данном этапе отвечают переменные VBR и VBT, а за реализацию - процедуры PROC_SKO и PROCJCK.
После выбора типа простой модели и расчета значений ее коэффициентов программа создает кусочно-линейную и кусочно-нелинейую модели, в результате чего система инициирует запрос о сохранении результатов моделирования в базу данных. При положительном решении запускаются процедуры SAVE_PM, SAVEKLM, SAVE_KNM, которые отвечают за сохранение данных для каждого вида моделей.
Независимо от принятого решения по сохранению результатов в базу данных, программа предлагает запустить прогноз значений выходной величины для каждого из видов модели на заданном интервале значений фактора с шагом прогнозирования. Далее программа предлагает графическое изо 74 бражение полученных моделей и формирует запрос на формирование аналитического отчета.
При реализации метода построения модели с известными коэффициентами (PRAM=1) осуществляется выбор типа модели, затем вводятся коэффициенты АО и Л1 и запускается процедура PROC_IZVM (приложение 4).
Для построения множественной регрессии (RA=1) в системе реализован соответствующий отдельный блок. Начиная работу с данным блоком пользователь получает запрос на введение числа точек эксперимента а также количества параллельных опытов. При вводе требуемых значений открывается диалоговое окно для ввода значений факторов и выходной величины. После ввода экспериментальных значений и запуска программы выполняется проверка эксперимента на воспроизводимость. Имея сходный внутренний и внешний интерфейс с программой построения однофакторных регрессионных моделей, данный блок предлагает выбор метода построения модели. За расчет коэффициентов модели отвечает процедура PROC_MNOG_REGR (Приложение 5), которая с помощью логической переменной VBMR определяет тип рассчитываемой модели.
