Содержание к диссертации
Введение
Глава 1 Методы и приборы для исследования параметров жидких нефтепродуктов
1.1. Методы и приборы для определения параметров жидких нефтепродуктов 11
1.1.1. Спектральные, оптические и механические методы определения параметров жидких нефтепродуктов 11
1.1.2. Электрические методы определения параметров жидких нефтепродуктов 20
Обоснование применения искусственных нейронных сетей и импедансометрии для определения параметров жидких нефтепродуктов 36
Краткий обзор по теории искусственных нейронных сетей 40
Нейровычислительные системы 45
1.4.1. Нейровычислительные системы на основе нейропакетов 46
1.4.2. Нейровычислительные системы на основе нейроплат 49
1.4.3. Аппаратно реализуемые нейровычислительные системы 50
Выводы 55
Постановка цели и задач исследования 56
Глава 2 Нейросетевой импедансный метод идентификации и определения параметров жидких нефтепродуктов
2.1. Принцип действия и структурная схема нейросетевого импедансного метода 58
2.2. Электрическая модель датчика параметров жидких нефтепродуктов 64
2.3. Разработка нейросетевого импедансного метода для идентификации и определения параметров жидких нефтепродуктов 67
2.3.1. Выбор системных параметров нейросетевого импедансного метода 68
2.3.2. Оценка минимальной погрешности распознавания 70
2.3.3. Функционирование, обучение искусственной нейронной сети и нейросетевой алгоритм обработки частотных импедансных измерений 71
2.3.4. Примеры расчета нейросети для идентификации марок бензина и определения его параметров 74
2.4. Сравнительный анализ результатов моделирования различных топологий искусственных нейронных сетей 76
Выводы 79
Глава 3 Экспериментальное исследование частотных характеристик импеданса бензопродуктов
3.1. Цели и задачи эксперимента 80
3.2. Схемы экспериментов, экспериментальное оборудование и алгоритмы обработки экспериментальных данных 81
3.2.1. Датчики 82
3.2.2. Алгоритм обработки экспериментальных данных, полученных прибором «Измеритель добротности Е4-4» 85
3.2.3. Алгоритм обработки экспериментальных данных, полученных прибором «Solartron SI 1260» 86
3.3. Частотные характеристики импеданса бензопродуктов 90
3.3.1. Экспериментальные частотные характеристики импеданса бензопродуктов при фиксированных температурах 91
3.3.2. Влияние температуры на частотные характеристики импеданса бензопродукта 98
3.3.3. Влияние водосодержания на частотные характеристики бензопродукта 99
3.4. Диэлектрическая проницаемость бензопродуктов 102
3.4.1. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов при фиксированной температуре 102
3.4.2. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродукта при различных температурах 104
3.4.3. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов от октанового числа 105
3.5. Требования к точности вторичной измерительной аппаратуры 106
3.6. Сравнительный анализ определения октанового числа бензопродуктов различными методами и приборами 110
Выводы 112
Глава 4 Разработка устройств, реализующих неиросетевои импедансныи метод определения параметров жидких нефтепродуктов
4.1. Функциональные схемы устройств, реализующих нейросетевой импедансный метод 114
4.2. Методика измерения и формирования входных данных для искусственной нейронной сети 121
Выводы 122
Заключение 123
Список литературы
- Электрические методы определения параметров жидких нефтепродуктов
- Разработка нейросетевого импедансного метода для идентификации и определения параметров жидких нефтепродуктов
- Схемы экспериментов, экспериментальное оборудование и алгоритмы обработки экспериментальных данных
- Требования к точности вторичной измерительной аппаратуры
Введение к работе
Актуальность темы. В настоящее время из нефти вырабатывается более 500 видов продуктов, из них 90-95 % жидкие нефтепродукты (ЖНЕТ), насчитывающие сотни наименований (бензопродукты, дизельные топлива, масла и др.). Характерной особенностью сырья, промежуточных и конечных продуктов является то, что они представляют собой многокомпонентные смеси углеводородов и других соединений, содержащие десятки сотен компонентов. Поэтому каждый тип нефтепродукта характеризуется десятками параметров, для измерения которых применяется множество различных методов и приборов, разнородных по принципу действия (механические, электротепловые, оптические, электрохимические, спектральные, СВЧ, ЯМР-методы и т. д.).
Такая разнородность и отсутствие универсального подхода к измерению параметров ЖНП сдерживает развитие методов и приборов для автоматизации контроля и управления процессами в соответствующих технологических и технических системах.
Необходимо найти универсальный подход для измерения и определения широкого спектра параметров ЖНП.
При этом качество нефтепродуктов в настоящее время оценивается комплексами характеристик (см. Приложение Ш). В тоже время, для управления технологическими процессами обычно используют измерительную информацию об одной или двух характеристиках, входящих в комплекс, значение которых для конкретного процесса наиболее существенно.
Определение химического состава ЖНП - одна из сложнейших аналитических задач, для решения которой используется весь арсенал знаний физики, химии и других наук. Измерительная информация о составе ЖНП в условиях химико-технологических процессов позволяет однозначно определять качество сырья, промежуточных и конечных продуктов.
Сложность современных методов и средств автоматического анализа состава многокомпонентных сред, каковыми являются ЖНП, их разнообразие и все время изменяющиеся требования к регламенту химико-технологических процессов определяет тот факт, что во многих случаях еще не найдены удовлетворительные решения задачи анализа состава многокомпонентных сред, главным образом по скорости получения измерительной информации и точности измерений [113].
Также необходимо учитывать, что ЖНП изготовляются из нефти разных месторождений, и значения их параметров изменяются в широких пределах под влиянием температуры, группового состава и наличия посторонних примесей, т.е. их параметры априорно неопределенны.
В условиях априорной неопределенности и изменчивости параметров нефтепродуктов под воздействием различных факторов (температуры, группового состава, наличии посторонних примесей и пр.) наиболее эффективно можно использовать обучаемые и адаптивные системы на основе искусственных нейронных сетей (ИНС).
ИНС представляют собой соединенные в сеть нейроподобные вычислительные элементы, которые являются многовходовыми нелинейными преобразователями. В целом, ИНС играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию у = /(х), где х- входной вектор, а у-
реализация векторной функции. Постановка задач распознавания и классификации образов, идентификации, управления и ассоциации могут быть сведены именно к такому универсальному аппроксимирующему представлению.
Принципиальные преимущества, вытекающие из использования ИНС, следующие: 1) адаптивная структура, которая получает информацию, обучается и фиксирует полезные связи в сложном взаимодействии входной и выходной информации; 2) возможность обобщать и обрабатывать неполные или зашумленные данные.
Для качественного обучения, и последующей эффективной работы ИНС, при определении параметров ЖНП, необходим большой объем измерительной информации от объекта исследования, получаемый с помощью соответствующего датчика.
Одним из таких методов, позволяющих получить огромный объем информации о свойствах исследуемого ЖНП является импедансометрия (измерение частотных характеристик комплексного сопротивления). Большая информативность частотной характеристики импеданса, зависящая явно или косвенно от свойств нефтепродукта, позволяет создавать общий подход к извлечению измерительной информации об объекте исследования.
В настоящее время считается, что импедансометрия, в сравнении с другими электрохимическими методами, позволяющими получать параметры ЖНП в форме электрического сигнала, обеспечивает наивысшую точность получения экспериментальных данных в интервале частот от сотых долей герца до десятков мегагерц [121].
Применение импедансометрии при исследовании свойств жидкостей обусловлено также развитостью теории и практики обработки и интерпретации результатов измерений для широкого диапазона частот [5, 74, 121].
Импедансометрия позволяет связать, по частотным характеристикам импеданса, измеряемые параметры ЖНП за счет большого объема информации, содержащейся в экспериментальных данных.
Опираясь на преимущества ИНС и высокую информативность импедансометрических датчиков можно создавать достаточно универсальный подход к методам и устройствам для измерения разнообразных параметров ЖНП.
Изложенное выше, в целом, обусловливает актуальность темы диссертационной работы.
Цель работы: разработка метода измерения, позволяющего унифицировать идентификацию и определение параметров жидких нефтепродуктов.
Для достижения поставленной цели необходимо решить следующие задачи:
Разработать нейросетевой импедансный метод идентификации и определения параметров ЖНП.
Разработать и обосновать нейросетевой алгоритм и структуру нейросети для идентификации и определения параметров ЖНП по их частотным импедансным характеристикам.
Разработать и обосновать функциональную схему устройства и алгоритм, реализующих предложенный нейросетевой импедансный метод идентификации и определения параметров ЖНП.
Разработать электрическую модель датчика параметров ЖНП.
Экспериментально исследовать частотные характеристики импеданса одного из типов ЖНП и показать информативность частотных измерений для построения нейросетевого метода.
Методы исследования. Поставленные задачи решаются на основе теории ИНС, теории импеданса межфазной границы электрод/жидкость, физики диэлектриков, компьютерного моделирования и экспериментальных исследований.
Автор выражает благодарность зав. кафедрой радиотехники и радиотехнических систем Чувашского госуниверситета им. И.Н. Ульянова (г. Чебоксары) профессору B.C. Пряникову и доценту В.Г. Захарову за поддержку в работе, а также А.Г. Чертановскому и всему коллективу кафедры за оказанную помощь.
Автор признателен профессору А.С. Мартемьянову, научному руководителю лаборатории LET UMR CNRS п 6608 университета г. Пуатье (Франция) за предоставленную возможность измерения импедансометром Solartron SI 1260.
Автор также признателен заведующей отделом Всероссийского научно-исследовательского института углеводородного сырья (ВНИИУС, г. Казань) Р.Ш. Нигматуллиной за оказанную помощь в предоставлении эталонов и образцов бензинов.
Автор особо благодарен научному руководителю, зав. кафедрой теоретических основ радиотехники Казанского государственного технического университета им. А.Н. Туполева (г. Казань), профессору Евдокимову Юрию Кирилловичу за постоянное внимание и неоценимую помощь по диссертационной работе.
Электрические методы определения параметров жидких нефтепродуктов
Сравнительно дешевыми, по сравнению с методами спектроскопии, являются методы определения ОЧ и других качественных показателей бензинов, основанные на применении уравновешивающих и резонансных электрических мостов и методов импедансометрии.
Импедансометрия, наряду с кондуктометрией и диэлькометрией, относится к методу измерения пассивных электрических параметров [5]. Все три группы электроаналитических приборов, основанные на измерении пассивных электрических параметров, объединяются одним выражением, определяющим импеданс двухэлектродной измерительной ячейки Z„: где со- круговая частота; R\,C\- сопротивление и емкость исследуемой жидкости; #2 3 и 2- ъ эквивалентные сопротивления и емкости фазового раздела "электрод/жидкость" (рис. 1.4), представляющие собой в совокупности модель Войта [121], которая является одной из основных при моделировании импеданса "электрод/жидкость" в жидких диэлектриках.
Кондуктометрия основана на измерении электропроводности жидкости (xsT j); измерение диэлектрической проницаемости жидкости (8 = Cj) и тангенса угла диэлектрических потерь tg6 — диэлькометрия; в импедансометрии определяют эквивалентные электрические параметры перехода "электрод/жидкость": сопротивление, проводимость и емкость.
При измерении импеданса электродной системы учитываются свойства жидкости, влияющие на значения эффективной емкости и сопротивления приэлектродного слоя. Для этого выбирают соответствующие размеры и конструкцию датчика, подбирают необходимый диапазон частот измерения так, чтобы эквивалентные электрические параметры датчика определялись, главным образом, приэлектродной частью в исследуемой жидкости.
Имеются приборы для различных импедансных измерений, позволяющие получать экспериментальные данные непосредственно, или требующие в своем составе специализированные интерфейсы для связи с ПЭВМ, где происходит обработка экспериментальных данных и выдача результата на дисплей. В мировой практике широко известны серия приборов фирмы Sclumberger Instruments (Англия), например: высокоточный импедансометр «Анализатор импеданса и амплитудно фазовых характеристик Solartron 1260» [4]. Прибор позволяет проводить измерения импедансных характеристик полупроводниковых и диэлектрических материалов в диапазоне частот 10"2...32-106 Гц (см. также раздел 1.2).
В импедансных данных учитываются электрические свойства исследуемой жидкости: электропроводность; токи проводимости и смещения, различные виды поляризаций, и связанные с ними диэлектрические потери.
Диэлектрические потери по физической природе и особенностям подразделяют на четыре основных вида потерь: связанные со сквозной электропроводностью, релаксационные, ионизационные, резонансные. Чаще всего определяют не сами потери, а тангенс угла диэлектрических потерь tg6. Диэлектрические свойства жидкостей тесно связаны с их составом и строением, определяющими тип и степень поляризации. Каждый вид поляризации проявляется в определенном диапазоне частот электрического поля, ограниченном сверху критической частотой, характерной для данного вида поляризации [88,94].
Авиационные и автомобильные бензины, керосины относятся к неполярным жидким диэлектрикам, обладают, в основном, электронной и ионной типами поляризации [57, 94]. В неполярных жидкостях электропроводность определяется наличием диссоциированных примесей, в том числе влаги. И при ее наличии в ЖНП, дополнительно к току сквозной проводимости добавляется ток смещения.
Наличие в жидких диэлектриках небольшого числа свободных зарядов, а также инжекция их из электродов приводят к возникновению небольших токов сквозной проводимости. Релаксационные потери объясняются активными составляющими поляризационных токов и характерны для диэлектриков, обладающих замедленными типами поляризации. Эти потери проявляются в области достаточно высоких частот, когда сказывается отставание поляризации от изменения поля. Такие явления происходят в диэлектриках дипольной структуры и в диэлектриках ионной структуры с неплотной упаковкой частиц [94].
Разработка нейросетевого импедансного метода для идентификации и определения параметров жидких нефтепродуктов
В этом разделе приведем обоснование выбора системных параметров предложенного метода и топологии (структуры) ИНС для идентификации и определения параметров ЖНП по частотным импедансным характеристикам.
Обоснование и применение ИНС для идентификации и определения параметров ЖНП изложены в работах [32-38, 78, 79, 82, 84].
Из многочисленных структур ИНС в области измерений наиболее часто применяются сети прямого распространения [25], называемые многослойным персептроном (МСП), в которых нет обратных связей. Передача сигналов в таких сетях происходит только в одном направлении от входа к выходу. Их математическое описание относительно просто и прозрачно, а результат может быть выражен в виде точной функциональной зависимости алгебраического типа. Методы обучения МСП также достаточно просты и имеют несложную практическую реализацию [90]. Для МСП классическим обучающим алгоритмом стал алгоритм обратного распространения ошибки, рассмотренный кратко в разделе 1.3.
Близкими к МСП топологиями являются: а) сеть Эльмана; б) сеть для классификации входных векторов (LVQ); в) сеть Хопфилда; г) радиальная нейронная сеть (см. Приложение П4).
В данной работе выбор МСП обусловлен также по результатам моделирования наиболее близких к МСП топологий нейронных сетей (см. раздел 2.4). МСП может рассчитывать выходной вектор у по выражению (2.2) для любого входного вектора х согласно (2.1), т.е. давать значение некоторой векторной функции у = /(х). Все, что способен сделать МСП — это сформировать отображение х—»у для Vxex.
С вектором х = (JCI ..л:дг ) связаны два выходных вектора сети: вектор фактических выходных сигналов у = (уі—Ум2) и вектор ожидаемых выходных сигналов d = (d\ ...d ).
Цель обучения состоит в подборе таких значений весов для всех слоев сети, чтобы при заданном входном векторе х получить на выходе значения сигналов у;, которые с требуемой точностью (см. формулу (1.22)) будут совпадать с ожидаемыми значениями d{.
Выбор системных параметров нейросетевого импедансного метода Выбор основных системных параметров предложенного метода включает: 1) определение количества входных данных N\ ИНС С М Х\ = ZXkygjj, (2.9) У=1/=1 где С- количество видов ЖНП (например, бензины, дизельные топлива, масла и пр.), М- количество сортов одного вида ЖНП (например, марки бензина), к- количество частотных отсчетов импеданса ЖНП, g- число контролируемых параметров определенного сорта ЖНП; 2) определение размерности N2 выходного слоя ИНС С s = 2 0+Л/у, (2.10) 7=1/=1 где г- число градаций контролируемого параметра ЖНП. При этом необходимо выполнение условия полноты входных данных ИНС, т.е. NX»N2; 3) определение числа нейронов скрытых слоев Nc и числа слоев п Nc=Nw/(Nl+N2), (2.11) где Nw- число синаптических весов ИНС. Согласно [64], в многослойной сети с логистическими ФА скрытого слоя значение Nw выбирается из уравнения + 1 ( 1+iV2 + l) + JV2, (2.12) f \ZNW . V i l + log2(Np) w С g где Np=M-g l-{Y, Y,rij) число элементов обучающей выборки; / количество точек, взятых в диапазоне рабочих температур 7 ,7 ,...,7) измерения параметров ЖНП.
Учитывая неравенство (2.12) получим некоторый диапазон значений числа нейронов Nc в скрытых слоях. Выбираем число Nc, которое находится в этом диапазоне посередине. Такой выбор числа нейронов Nc в скрытых слоях объясняется тем, что при крайних значениях диапазона наблюдаем следующие явления. 1. Если в скрытых слоях выбираем минимальное число нейронов Nc, то: а) сеть не обучается и ошибка при работе сети остается большой (выше 15 %); б) на выход сети не передаются резкие колебания аппроксимируемой функции у(х).
2. Если в скрытых слоях выбираем максимальное число нейронов Nc, то: а) уменьшается быстродействие и увеличивается необходимый объем памяти ЭВМ;
б) за счет избыточности нейронов скрытого слоя выходной вектор передает незначительные и несущественные детали в изучаемой зависимости у(х), например, шум или ошибочные данные;
в) зависимость выхода от входа оказывается резко нелинейной: выходной вектор существенно и непредсказуемо меняется при малом изменении входного вектора х.
Точной формулы расчета числа слоев МСП нет [90], оно находится экспериментально при моделировании ИНС для конкретной задачи (обычно значение п лежит в пределах 1 п 3 ).
Также согласно [90], не разработан универсальный метод подбора весов нейронов каждого слоя, который бы гарантировал нахождение наилучшей начальной точки для любой решаемой задачи. Поэтому, в практических реализациях применяется случайный или, чаще всего, нормированный (с равномерным распределением значений) подбор весов в заданном интервале;
4) выбор функций активации (ФА) из соображений сжимающего преобразования логистической ФА (см. раздел 1.3, рис. 1.11,6) для скрытых слоев и линейного преобразования выходного слоя с помощью линейной ФА (см. раздел 2.4);
5) настройку сети по алгоритму обратного распространения ошибки, основанного на итеративном градиентном алгоритме обучения, использующего минимизацию среднеквадратичного отклонения ошибки согласно выражению (1.22) и подробно рассмотренный в работах [41, 64, 76,90,122].
Схемы экспериментов, экспериментальное оборудование и алгоритмы обработки экспериментальных данных
При измерениях прибором Е4-4 (рис. 1.9) в качестве объекта исследования использовались образцы № 1-ИЗ различных марок бензина (в дальнейшем номер образца будет указываться перед маркой бензина), исходные данные которых приведены в Табл. 3.1. В качестве эталонов были приняты образцы №1 (АИ-92), №2 (АИ-95), №3(АИ-98),№4(А-76).
Импеданс Zx(j(i) образцов бензопродуктов № 1-йЗ определялся прибором Е4-4 косвенным методом. При этом модуль и аргумент рассчитывались по формулам (1.13), (1.14). Диэлектрическая проницаемость є вычислялась по формуле (1.6). Измерения проводились на шкале добротности Q «600».
Относительная погрешность измерения экспериментальных данных в исследованном интервале частот 0,07...15 МГц составила по модулю импеданса приближенно 1,8 % и по аргументу импеданса приближенно 2,2 %, и находилась исходя из соответствующих приборных погрешностей прибора Е4-4 [55]. Структурная схема эксперимента с прибором-импедансометром S1 1260 представлена на рис.
Прибор S1 1260, снабженный программой ZView2, задает длительность эксперимента, формирует экспериментальные данные в виде столбцов и автоматически задает режимы эксперимента: амплитуду напряжения и частоту гармонического сигнала. Программа ZView2 также позволяет находить значения всех элементов электрической модели датчика параметров ЖНП (рис.2.2) с указанием относительной погрешности величины каждого элемента схемы (см. Приложение ПЗ). Основные соотношения, применяемые при обработке экспериментальных данных образцов бензопродуктов № 14-И 6: (3.1) (3.2) Z0ffl) = V(z )2 + (z")2, (p(co) = -arctg—, Z где Z и Z - действительная и мнимая часть импеданса образца бензопродукта.
Диэлектрическая проницаемость образцов бензопродуктов № 14ч-16 находится по полученным значениям элементов электрической модели датчика (рис.2.2) в программе ZView2 из соотношений
По рис.3.5 и 3.6 видно, что прибор S1 1260 качественно измеряет импедансные характеристики исследуемого объекта до частоты порядка 106 Гц, при более высоких частотах проявляются паразитные параметры соединительных проводов и входной цепи прибора-импедансометра S1 1260. Для анализа АЧХ и ФЧХ импеданса до частоты 32 МГц (максимальная частота, при которой измеряется импеданс прибором-импедансометром S1 1260), необходимо провести коррекцию полученных экспериментальных частотных характеристик ZKCn(jr o)), фдксп(ю) образцов бензопродуктов образцов бензопродуктов № 144-16 по формулам R для АЧХ: гГОЩ= ЭКСП О) тестО ю) (3.4) для ФЧХ: Ф т((о) = Фбксп(ш) + Фтесг» (3.5)
В качестве тестового взяты данные измерения ZTeCT0 co) и фтест(а ) для резистора "R2", значение которого на постоянном токе равно 53,1 Ом.
Измерение импедансных характеристик образцов бензопродуктов № 144-16 проведено после проверки линейности амплитудной характеристики датчика 1-го варианта конструкции (рис.3.2) с одним из образцов бензопродукта на фиксированной частоте 100 Гц и изменении входного напряжения, подаваемого на датчик, от 0,01 до 1 В (рис.3.7). АЧХ и ФЧХ импеданса образцов бензопродуктов № 1-ИЗ измерены в интервале частот 0,07... 15 МГц. Для образцов бензопродуктов № 14-Н6 АЧХ и ФЧХ импеданса измерены в интервале частот 0,001.. .32 МГц.
При построении частотных характеристик импеданса образцов бензопродуктов № 14-И 6 применялся математический пакет Maple 9. В программах расчета АЧХ и ФЧХ использовались значения элементов электрической модели датчика параметров ЖНП (рис.2.2), полученных при помощи программы ZView2 (см. Приложение ПЗ).
Учитывая различные требования, предъявляемые к образцам бензопродуктов № 1-Ї-13 и № 14-Я 6, и отсюда - отличие стандартов на них, целесообразно сравнить их по нормированным АЧХ импеданса и величине диэлектрической проницаемости, взятых в одном и том же интервале частот.
Рассмотрим полученные частотные характеристики импеданса разных образцов бензопродуктов.
Приведем АЧХ импеданса (рис.3.8) и ФЧХ импеданса (рис.3.9) образцов бензина № 1ч-4 (2003 г.) и № 11ч-13 (2001 г.) при фиксированной температуре.
АЧХ импеданса образцов бензина № 1-И (2003 г.) и № 11-ИЗ (2001 г.) на исследованном участке частот до 15 МГц отличаются друг от друга. Это позволяет идентифицировать марки бензина по отношению к друг другу.
По ФЧХ импеданса образцов бензина № 1-н4 (2003 г.) и № П-т-13 (2001 г.) видны активные потери на исследованном участке частот до 15 МГц не только для указанных образцов бензина, но и у пустого датчика. Это можно объяснить активными потерями, вносимыми шайбами-изоляторами 2 и 6 из фторопласта-3 в конструкции коаксиального датчика (рис.3.1), составляющих (по расчетным формулам для двухслойных диэлектриков [88]) порядка 1,5 на частоте 15МГц.
По ФЧХ импеданса также можно отметить, что образцы бензина 2001 г., обладают значительно большими потерями, по сравнению с образцами 2003 г., при этом видно, что чем ниже марка бензина (меньше ОЧ), тем больше активные потери с ростом частоты. Это, видимо, объясняется тем, что чем ниже марка бензина, тем быстрее в нем образуются непредельные углеводороды, склонные к образованию перекисей и органических кислот, которые относятся к слабополярным и полярным жидкостям [8].
Полученные частотные импедансные характеристики образцов бензопродуктов № 1-5-13 при фиксированной температуре показали существование зависимости АЧХ и ФЧХ от ОЧ бензина. Относительное изменение АЧХ более существенно, чем относительное изменение ФЧХ. Это свидетельствует о том, что в качестве чувствительного информативного параметра предпочтительно использовать АЧХ импеданса.
Требования к точности вторичной измерительной аппаратуры
В главе 3 были получены различные характеристики бензопродуктов, на основе которых можно формировать входные данные для работы нейросети, и была подтверждена возможность приборной реализации предложенного нейросетевого импедансного метода.
Функциональная схема устройства, реализующего нейросетевой импедансный метод, идентификации и определения параметров ЖНП в интервале частот 0,001... 1 МГц, представлена на рис.4.1.
Принцип работы устройства следующий. Усиленный сигнал /2(70), пропорциональный разности импедансов AZ =Z0-ZJX поступает через аналоговый коммутатор (АК) на вход АЦП. При этом сигнал на выходе преобразователя "ток/напряжение" Z — Z U2 (Ую) = Ur (» кпр I д , (4.1) ZQZR где кпр- коэффициент преобразования преобразователя "ток/напряжение"; Z0- электрический эквивалент модели датчика параметров жидкого нефтепродукта (рис.2), соответствующий импедансу пустого датчика или датчика с заполненным одним из типов ЖНП; Za- экспериментальная частотная зависимость импеданса датчика с другими типами нефтепродуктов, относящихся к тому же классу.
Схема по рис.4.1 построена по дифференциальной схеме включения опорного элемента Z0 и датчика Z0. Преимущество дифференциальной схемы состоит в том, что используется только полезная составляющая сигнала, пропорциональная приращению AZ(y co). С помощью АЦП формируются оцифрованные сигналы, пропорциональные AZ(j(d), Ur (усо) и температуре Г нефтепродукта, на основе которых вычисляются матрицы входных данных для ИНС.
Все сформированные измеренные данные обрабатываются программой, находящейся в памяти ПЭВМ, ядром которой является ИНС. Сеть предварительно обучена сравнению поступающих с цифровой шины ПЭВМ входной информации в виде матрицы АЧХ и ФЧХ импеданса исследуемого ЖНП с аналогичной матрицей эталонного образца ЖНП, и формированию данных для определения параметра ps на основе сравнения.
При этом происходит выбор поправочных коэффициентов, определяемых нейронной сетью в зависимости от сигнала, поступающего через АК от датчика температуры пробы исследуемого ЖНП.
Вначале сеть обучается на образцах эталонных ЖНП (см. раздел 2.1) с заведомо известными параметрами Р\э,Р2э —Ps3 - Pg3- При этом на этапе обучения добиваются выходного сигнала ИНС, отражающего параметр pS3 определенного эталонного ЖНП - в памяти ПЭВМ происходит настройка весовых коэффициентов и пороговых уровней каждого нейронного слоя ИНС. После завершения процесса обучения на всех эталонных образцах ЖНП, сеть в дальнейшем способна определять выбранные ранее параметры ЖНП pi,p2,...tps,...,pg с заданной точностью, с дискретным шагом по этим параметрам бр , 5/72,..., 6р5,..., б/? .. При этом необходимая структура ИНС формируется заранее для выбранного класса ЖНП (см. раздел 2.3).
Предложенное и разработанное устройство защищено патентом РФ [105]. Описание устройства приведено в Приложение П5.
Импедансные характеристики ЖНП необходимо исследовать на более высоких частотах. Как показали экспериментальные исследования (см. главу 3) и работы других авторов [8, 58, 60] частотная зависимость импеданса ЖНП начинает проявляться на высоких частотах (1 МГц и выше), где появляется частотная зависимость диэлектрической проницаемости ex(j(o).
Обычно эта зависимость связана с дипольно-релаксационной поляризацией -бензопродукты начинают проявлять свойства слабополярных жидкостей [8].
Поэтому, необходимы приборные реализации нейросетевого импедансного метода на высоких частотах. На рис.4.2 приведены предложенные в работе приборные варианты нейросетевого импедансного метода на высоких частотах на основе программной (рис.4.2,а), аппаратной (рис.4.2,б) и нейрочипной (рис.4.2,в) реализации ИНС.
