Содержание к диссертации
Введение
ГЛАВА 1. Систематизация средств зб-восстановления, визуализации и управления динамической классификацией квазисимметричных объектов 11
1.1. Системный анализ ЗБ-систем для визуализации и восстановления квазисимметричных объектов 11
1.2. Системный анализ интеллектуальных средств восстановления ЗБ-модели и управления классификацией квазисимметричных объектов 18
1.2.1. Структура системы поддержки принятия решений 19
1.2.2. Использование генетических алгоритмов для решения задач
1.2.3. Нейронные сети и их классификация 24
1.3. Системный анализ программных пакетов для обучения и прогнозирования нейронной сети 30
1.4. Цель работы и задачи исследования 36
ГЛАВА 2. Методы и алгоритмы интеллектуального прогнозирования и восстановления зб-модели квазисимметричных объектов в реальном времени 38
2.1. Описание и принцип работы экспериментальной установки для управления процессом динамической классификации квазисимметричных объектов в реальном времени 38
2.2. Описание блока предварительной классификации интеллектуальной поддержки принятия решений 42
2.3. Использование алгоритма Левенберга-Марквардта с целью обучения нейронной сети
2.4. Обучение нейронной сети в пакете STATISTICA 7 для прогнозирования неизвестной координаты 55
2.5. Выводы 65
ГЛАВА 3. Программно- информационные средства экспериментальной установки для зб-визуализации и управления процессом динамической классификации квазисимметричных объектов в реальном времени 66
3.1. Описание и структура программно-информационного комплекса экспериментальной установки для ЗБ-визуализации, восстановления и управления процессом динамической классификации квазисимметричных объектов 67
3.1.1. Программная часть специального комплекса визуализации и управления процессом динамической классификации квазисимметричных объектов 67
3.1.2. Аппаратная часть специального комплекса восстановления, визуализации и управления процессом динамической классификации квазисимметричных объектов 73
3.2. Разработка структуры взаимодействий экспериментальной и промышленной установок с целью интеллектуализации поддержки принятия решений для процесса динамической классификации квазисимметричных объектов 76
3.3. Выводы 81
ГЛАВА 4. Разработка программно-аппаратного комплекса промышленной установки для визуализации и управления процессом динамической классификации квазисимметричных объектов в реальном времени 83
4.1. Проекты, реализованные на основе интеллектуальной системы 3D восстановления и управления процессом динамической классификации квазисимметричных объектов 88
4.1.1. Программно-аппаратный комплекс для динамической классификации квазисимметричных объектов с датчиками, расположенными перпендикулярно
4.1.2. Специальный программно-аппаратный комплекс для динамической классификации квазисимметричных объектов с расположенными по траектории
4.1.3. Программно-аппаратный комплекс для динамической классификации квазисимметричных объектов по их спектральным характеристикам 102
4.2. Выводы 106
Заключение 108
Список литературы 109
- Системный анализ интеллектуальных средств восстановления ЗБ-модели и управления классификацией квазисимметричных объектов
- Описание блока предварительной классификации интеллектуальной поддержки принятия решений
- Программная часть специального комплекса визуализации и управления процессом динамической классификации квазисимметричных объектов
- Программно-аппаратный комплекс для динамической классификации квазисимметричных объектов с датчиками, расположенными перпендикулярно
Введение к работе
Актуальность темы. Внедрение современных компьютерных технологий в различные области науки и техники всё чаще заставляет обращаться к вопросам создания, восстановления, визуализации 3D-моделей и интеллектуализации принятия решений в системе управления процессом динамической классификации квазисимметричных объектов.
В ряде отраслей (автомобильная, пищевая, горнорудная, химическая и др.) возникает проблема классификации сложнопрофильных почти симметричных (квазисимметричных) объектов. С учетом неполной информации о геометрии объекта возникает проблема восстановления 3D-модели квазисимметричных объектов. Под восстановлением ЗБ-модели и последующей обработкой данных в реальном времени квазисимметричных объектов в данной работе понимается процесс интеллектуального прогнозирования третьей координаты объекта по двум ранее полученным и хранящимся в пополняемой в реальном времени базе данных.
Интерес к изучению задач ЗБ-восстановления, визуализации и управления процессом классификации нашёл своё отражение в многочисленных работах российских учёных: Э.К. Алгазинов, В.А. Шульгин, Э.М. Бабишов, В.А. Гольдфарб, Д.А. Минаков, Г.В. Пахомов, А.В. Соколова, В. Д. Стрыгин, А.А. Чуриков и др.
Построение восстановленной ЗБ-модели из множества объектов (материала) позволяет определять не только геометрические размеры, но и форму объекта. В горнорудной промышленности от формы будет определяться огранка, в химической промышленности - концентрация отдельного вещества в материале, в пищевой промышленности сферичность зерна определяет его культуру и сорт. Имея ЗБ-модель с геометрическими параметрами объекта, можно провести визуализацию и сформировать управляющий сигнал для последующей классификации. Динамическая классификация квазисимметричных объектов по размерам составляет основу или является составным элементом многих технологических процессов, таких как производство строительных материалов, обогащение полезных ископаемых, разделение зерновых культур и др.
Поэтому актуальной является задача создания интеллектуальной системы управления процессом ЗБ-восстановления, визуализации и классификации квазисимметричных объектов с использованием программно-аппаратного комплекса и интеллектуальных средств прогнозирования неизвестной координаты.
Для целей интеллектуальной поддержки при принятии управленческих решений подходит применение обучаемой нейронной сети, что позволяет прогнозировать недостающую координату с высокой точностью и возможностью постоянной корректировки прогноза с накоплением данных об объектах в базе данных.
Тематика диссертационной работы соответствует одному из основных научных направлений ФГБОУ ВО «Воронежский государственный
технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления».
Цель работы заключается в разработке моделей и алгоритмов для интеллектуализации системы поддержки принятия решений с использованием элементов прогнозирования неизвестной координаты, ориентированных на 3D-визуализацию и повышение эффективности управления процессом динамической классификации квазисимметричных объектов. Для достижения поставленной цели в диссертационной работе необходимо решить следующие задачи:
провести комплексный анализ методов и алгоритмов восстановления и визуализации 3D-модели квазисимметричного объекта;
разработать интеллектуальный аппарат прогнозирования неизвестной координаты квазисимметричного объекта, основанного на постоянно пополняющихся базах данных;
сформировать структуру экспериментальной и промышленной
установок ЗБ-прогнозирования, визуализации и классификации
квазисимметричных объектов и их взаимодействия;
разработать набор алгоритмов, предназначенный для прогнозирования неизвестной координаты и принятия решений при управлении динамической классификацией квазисимметричных объектов;
создать систему интеллектуальной поддержки принятия решений для управления процессом динамической классификации квазисимметричных объектов в реальном времени.
Методы исследования. В качестве теоретической и
методологической основы диссертационного исследования использованы
методы системного анализа, теории моделирования, теории управления,
систем управления базами данных, объектно-ориентированного
программирования, компьютерной графики.
Тематика работы соответствует следующим пунктам паспорта специальности 05.13.01: п. 5 «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации.», п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических, экономических, биологических, медицинских и социальных системах», п. 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».
Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:
- функциональная модель системы (состоящей из экспериментальной и промышленных установок) интеллектуального ЗБ-восстановления, визуализации и оптимизации процесса построения квазисимметричного объекта, отличающаяся возможностью прогнозирования неизвестной координаты с применением нейросетевого аппарата;
- алгоритмы управления классификацией квазисимметричных
объектов, отличающиеся использованием 2Б-модели, БД и аппарата
прогнозирования неизвестной координаты и позволяющие проводить
оптимизацию скорости восстановления с минимальной потерей точности;
высокоскоростной алгоритм принятия решений при управлении динамической классификацией квазисимметричных объектов, отличающийся использованием постоянно пополняемых баз данных и работающий в реальном времени;
структура системы интеллектуальной поддержки принятия решений, позволяющая производить ЗБ-восстановление, визуализацию и управление процессом классификации квазисимметричных объектов в динамике и отличающаяся возможностью прогнозирования неизвестной координаты с высокой точностью и во времени, не превышающем время, необходимое для обработки измерений.
Практическая значимость. В работе предложен программно-аппаратный комплекс, реализующий информационную систему 3D-визуализации, восстановления квазисимметричных объектов во времени, достаточном для обработки и управления процессом классификации объектов путём создания управляющих сигналов. Обеспечивается интеллектуальное прогнозирование неизвестной координаты, осуществляемое с помощью нейросетевого аппарата, которое достигает большей эффективности в ходе обучения нейронной сети с использованием метода Ливенберга-Марквардта.
Реализация и внедрение результатов работы. В рамках диссертационной работы разработаны и зарегистрированы программы для ЭВМ: «Программа для обеспечения процесса классификации 3D-моделирования разногабаритных материалов»; «Модуль управления процессом классификации квазисимметричных объектов»; «Модуль визуализации квазисимметричных объектов».
Разработанные средства внедрены в деятельность ООО «Интех» для динамической классификации квазисимметричных объектов. Результаты внедрены в учебный процесс в виде лабораторного практикума и лекционных курсов по дисциплинам «Компьютерная графика», «Теория информационно-управляющих вычислительных систем».
Апробация работы. Основные результаты диссертационного исследования докладывались и обсуждались на следующих научных конференциях: Международной конференции «Информационные технологии моделирования и управления» (Воронеж, 2013); Международной научно-исследовательской конференции (Воронеж, 2014); Международной конференции «Наука, образование, общество: тенденции и перспективы» (Воронеж, 2014); Международной конференции «Антропоцентрические науки: инновационный взгляд на образование и развитие личности» (Воронеж, 2014), Международной научно-практической конференции «Естественные и технические науки в современном мире» (Москва, 2016).
Публикации. По результатам диссертации опубликовано 13 работ, отражающих основные положения исследования, в т.ч. 5 статей в изданиях, рекомендованных ВАК РФ, 3 свидетельства о регистрации программ в ФИПС.
В работах, опубликованных в соавторстве и приведённых в конце автореферата, лично соискателю принадлежат: 2, 4, 91 - разработка алгоритмов ЗБ-восстановления, визуализации и управления процессом динамической классификации квазисимметричных объектов; [12] -модификация метода Левенберга-Маркварда обучения нейронной сети для прогнозирования неизвестной координаты; [3] - структурная схема взаимодействия экспериментальной и промышленной установок в рамках системы управления классификацией; [5] - организация универсального программного интерфейса информационной системы оптимизации управления процессом динамической классификации квазисимметричных объектов.
Структура и объем работы. Диссертация состоит из введения, четырёх глав, основных выводов, списка литературы. Материал изложен на 122 страницах, содержит 55 рисунков, 5 таблиц и приложения.
Системный анализ интеллектуальных средств восстановления ЗБ-модели и управления классификацией квазисимметричных объектов
Создание математического и программного обеспечения процесса 3D-моделирования и классификации квазисимметричных объектов является сложной задачей. Задачи создания ЗБ-модели квазисимметричных объектов могут быть решены методом ЗБ-сканирования. Имеющиеся на данный момент системы сканирования не подходят для ЗБ-визуализации моделей динамического квазисимметричного материала, состоящего из частиц размерами от 3 мм. Исходя из этого, возникает необходимость разработать программно-аппаратный комплекс, состоящий из нескольких датчиков, АЦП, программы, поддерживающие функции сбора, обработки, хранения и отображения информации о каждом отдельном объекте и всём материале в целом, и исполнительного механизма.
Систематический процесс определения координат точек, принадлежащих поверхностям сложнопрофильных физических объектов (в частности, деталей) с целью последующего получения их пространственных математических моделей, которые определяются ЗБ-сканированием и могут быть модифицированы с помощью САБ-систем. ЗБ-сканеры не только упрощают процесс создания ЗБ-моделей, но и позволяют решать эту задачу с максимальной степенью достоверности по отношению к исходному оригиналу [13-Основными потребителями ЗБ-сканеров являются дизайнерские и кинематографические студии, автомобильные и конструкторские дизайн-бюро, т.к. они используют технологии высокого уровня для решения своих задач. Также ЗБ-сканеры используются в пищевой, горнорудной, химической и других отраслях.
Задачи создания ЗБ-модели для последующего управления процессом классификации квазисимметричных объектов могут быть решены методом 3D-сканирования. Актуальным решением этой задачи на практике является применение 2D-сканирования из-за высокой цены и сложности реализации процесса ЗБ-измерения объекта. Этот переход может быть осуществлён с помощью 2Б-сканирования и прогнозирования третьей координаты с помощью математического аппарата.
Для решения задач ЗБ-визуализации и ЗБ-сканирования можно использовать множество 3D -программ и систем (ZScanner, ATOS II и другие).
С помощью ЗБ-сканирования можно оцифровывать культурное наследие, археологические объекты, предметы искусства. Широкое применение 3D-сканирование нашло в медицинском протезировании и цифровом архивировании.
Ручной ЗБ-сканер ZScanner 700 позволяет сканировать различные предметы, обходя и снимая их во многих плоскостях. 3D сканер работает как видеокамера с функцией высокоскоростной съемки, снимая объект со скоростью до 15 поверхностей в секунду. Процесс сканирования объектов сводится к съемке объекта с различных ракурсов. В дальнейшем все эти поверхности объединяются в единую модель с помощью специального программного обеспечения.
Оптическая система ATOS II позволяет с высокой точностью оцифровывать измерения объекта с поверхностью любой сложности и получать его компьютерную ЗБ-модель. Система применяется в автомобилестроении, машиностроении, авиастроении и космической промышленности (оцифровка наружной поверхности, интерьера и отдельных компонентов), а также в разработках для производства бытовой техники ив медицине [2].
Мобильная координатно-измерительная машина FARO EDGE обладает высокой точностью и универсальностью при сравнительно невысокой цене и малом весе. Улучшенная конструкция балансира и правильное распределение веса элементов манипулятора позволяют эффективно работать оператору [3].
Мобильная координатно-измерительная машина FARO EDGE обладает рядом датчиков для удобства использования и увеличения точности измерений. Для корректировки результатов измерений машины FARO EDGE имеются температурные датчики. Датчики сдвига позволяют правильно установить координатно-измерительную машину для измерений.
Встроенный сенсорный компьютер с простым программным обеспечением позволяет проводить несложные геометрические измерения без использования ноутбука или стационарного компьютера.
Компактные координатно-измерительные машины TESA MICRO-HITE имеют ряд особенностей. Они занимают среднее положение между ручным инструментом и традиционными координатно-измерительными машинами. Машины TESA MICRO-HITE позволяют обеспечить высокую точность измерений и универсальность их применения, значительно сэкономив на сложном роботизированном приводе [4]. КИМ-750 производства ООО «Лапик» обладает самой высокой точностью среди аналогов.
Конструкция координатно-измерительной машины обеспечивает шесть степеней свободы рабочего органа, шесть одновременно и согласованно управляемых осей перемещения. Измерительная система отделена от силовой, что обеспечивает долговременную стабильность характеристик в повышении точности измерений [5].
На рисунке 1.1 представлен сравнительный анализ точности различных систем сканирования и универсального цифрового измерительного инструмента. Рисунок 1.1 - Сравнительный анализ различных систем сканирования и 3D-визуализации Системы объемного сканирования могут решать измерительные задачи любой сложности в машиностроении, архитектуре, медицине и множестве других областей.
Данные программно-аппаратные средства ЗО-визуализации не могут быть использованы для решения задачи восстановления множества мелких предметов, например, квазисимметричных объектов в динамике, т. к. в одном кубическом метре квазисимметричного материала содержится от 20 до 30 миллионов штук объектов, а просканировать нужно каждую частицу. Из-за большого количества объектов актуальным становится вопрос быстродействия программно-аппаратного комплекса. Из расчётных значений время на измерение одного объекта составляет 10 — 50 мкс. Следовательно, производительность системы должна удовлетворять этим критериям. Для соответствия этим ограничениям становится целесообразным переход от 3D- к 2D-сканированию с помощью систем прогнозирования третьей координаты. Практический интерес данного перехода продиктован промышленной производительностью и стоимостью программно-аппаратного комплекса (доступностью для потребителя). Стоимость одного датчика (из которых состоит программно-аппаратный комплекс) с оптоволокном и АЦП может достигать до 30 тыс. рублей (по ценам 2016 года), в каждой установке может содержаться до 150-200 датчиков для измерения одного размера, таким образом можно снизить стоимость установки на 3 млн. рублей [6].
Создание математических моделей квазисимметричных объектов в динамике характеризовалось тем, что за образ объектов брались шар, эллипсоид вращения или даже куб, это приводило к невысокой точности математических моделей и далее на производстве к вероятностному характеру управления процессом классификации динамических квазисимметричных объектов. Используя подход, в котором будет измеряться каждая частица, можно разделить по геометрическим показателям весь динамический квазисимметричный материал, например, зерно будет разделено не только по типу злаковой культуры, но также по классу и форме (рисунок 1.2).
Описание блока предварительной классификации интеллектуальной поддержки принятия решений
Устройство для динамической классификации квазисимметричных объектов материалов работает следующим образом. Исходный классифицируемый материал, например, зерно пшеницы, из загрузочного бункера 2 попадает на лоток 3 и далее в наклонный желоб 4, по которому оно попадает в зону обнаружения. По мере продвижения зерна оно измеряется датчиками 6, 7 и 8, которые измеряют его в трех взаимно ортогональных плоскостях. Размером зерна является длина перекрытия света зерном чувствительной области датчиков 6, 7 и 8 в соответствующей плоскости. Измерения классифицируемого материала производятся в трех плоскостях ОХ, OY, OZ датчиками 6, 7 и 8 многократно по мере прохождения зерна через измерительную зону. В результате измерений в блоке 18 создается трехмерный массив данных в реальном времени (рисунок 2.4). По критерию, заданному оператором, в блоке 19 генерируется управляющий сигнал, который поступает на исполнительный механизм (на чертеже не показан), который направляет динамические квазисимметричные объекты в соответствующие контейнеры 14 и 15. Восстановление математической модели 3Б-объекта классифицируемого материала позволяет определять не только 2 размера, но и форму, которая важна во многих сферах деятельности. Так, в горнорудной промышленности от формы будет зависеть огранка, в химической промышленности - концентрация того или иного вещества в материале, в сельскохозяйственном сегменте сферичность зерна определяет его культуру и сорт.
Для примера возьмём сферичность зерна, этот показатель и представляет собой отношение площади равновеликого по объему шара к площади внешней поверхности зерна (2.1).
Форма и размеры зерна различны не только у разных видов пшеницы, но и у сортов одного и того же вида. Они зависят от многих факторов, которые не всегда поддаются учету. Поэтому характеристику этих показателей необходимо давать с учетом изменчивости этих свойств, приводя пределы колебаний соответствующих показателей и их средние значения. Линейные размеры - длина, ширина и толщина - важнейшие показатели, характеризующее зерно [48]. Длиной является расстояние между верхушкой и основанием зерна, ширина - это расстояние между сторонами, толщина это расстояние между спинной и брюшной поверхностями зерна. Установление этих размеров определяет крупность, которая является основой для оценки свойства зерна [49].
Площадь внешней поверхности и объем трехслойного эллипсоида вращения (рисунок 2.5) определяют по формулам (2.2) V = -nXYZ. для вытянутого эллипсоида. (2.2) S=4:nR(Z + 3R) ,где R = - ; X, Y, Z - линейные размеры эллипсоида Рисунок 2.5 - Трёхслойный эллипсоид Так, зависимость координаты Z от X и Y рассчитывается по (2.3): „ 1SF3 n(SX+6Y) — , (2.3) Tt(SX+6Y) S В ходе эксперимента контрольные выборки показали, что размеры возможно описать с помощью закона нормального распределения случайной величины таким образом: F(X)= —г— е х, F(Y)= —г— е у, F(Z)= -,— e z. (2.4) VZJT V2TT V2TT Зависимость размера Z от координат X и Y также подчиняется закону нормального распределения случайной величины и вычисляется формулой (2.5) Данная проблема является актуальной не только в отношении зерна злаковых культур, но и для квазисимметричных объектов в динамике в других отраслях промышленности. ЗБ-модель зерна алмазных порошков является основой в задачах расчетного определения значений их характеристик и теоретических исследований процессов алмазно-абразивной обработки. При решении прикладных задач в качестве ЗБ-модели зерна алмазных порошков чаще всего применяют куб, сферу или эллипсоид [50-55]. Из этих трех ЗБ-моделей зерна основной является эллипсоид. Данный вывод был получен экспериментально-аналитическими исследованиями и его придерживаются и сейчас [56]. Но на практике в ходе диагностики некоторых характеристик алмазных порошков применяли ЗБ-модель зерна в форме приплюснутой сферы. В теоретических исследованиях алмазно-абразивной обработки используют и другие ЗБ-модели зерен: усеченный конус, усеченную пирамиду и др. [57]. Но для диагностики характеристик алмазных порошков подобные модели непригодны. Еще одним примером использования ЗБ-модели зерна в диагностике характеристик алмазных порошков является расчетное определение количества зерен порошка в одном карате. Использование известных ЗБ-моделей при расчете количества зерен в одном карате порошков марки СА приводит к неточностям в десятки процентов. Если исходить из эллипсоида, как наиболее близкого аналога зерна, полученные результаты содержат недопустимо большую ошибку расчетного определения количества зерен в одном карате [58]. Для алмазного порошка АСО (в соответствии с стандартом - АС2 [59]) зернистостью 160/125 со средними размерами зерна 242, 178 и 112 мкм ошибка расчетного определения количества зерен в одном карате составляет 38%, что не позволяет использовать полученные данные для теоретических исследований и для практических расчетов. Данный результат показывает, что важной научно-прикладной задачей сверхтвердых дисперсных материалов является разработка новой ЗБ-модели зерна с увеличением совокупности параметров (факторов), унаследованных от реального зерна.
Формулы вычисления площади поверхности и объема экстраполяционно-аффинной ЗБ-модели зерен алмазных порошков представленные ниже
Ещё одной прикладной сферой, в которой необходимо 3D-восстановление, выступает дорожно-строительная отрасль. Кубовидный щебень является одним из более распространённых и часто используемых материалов в дорожном строительстве. Чтобы рассчитать рациональное количество битумоминеральной смеси необходимо иметь информацию о площади боковой поверхности и массе единичного зерна. Для оценки этих параметров применяют различные расчётные и экспериментальные методы, которые не могут обеспечить необходимой точности и основаны на измерении проницаемости массива щебёночного материала для газа и влаги. Точность расчётных и экспериментальных методов оценки параметров кубовидного щебня зависит от модели единичного зерна. На данный момент используются детерминированные и вероятностные модели единичного зерна кубовидного щебня. В этих моделях принимается, что единичное зерно имеет форму куба. В детерминированной модели за длину ребра зерна принимается среднее значение меньшего и большего размеров сит [60-62]. В вероятностных моделях за размер кубовидного зерна принимается случайная величина, которая располагается в интервале от меньшего сита до большего размера сита. В кубовидном щебне имеется некоторая доля лещадных зёрен. Наличие лещадных зёрен существенно снижает потребительские свойства щебня. Существующие на данный момент математические модели единичного зерна кубовидного щебня не учитывают в полном объёме наличие лещадных частиц. При введении более точной модели кубовидного щебня необходимо учитывать вероятностный характер распределения зерновых частиц по всем трем характерным размерам (максимальный, средний и минимальный) [63-65].
Программная часть специального комплекса визуализации и управления процессом динамической классификации квазисимметричных объектов
Измерение объекта в каждой из плоскостей даёт право говорить о точной визуализации 3D -модели объекта. При переходе на машину с двумя датчиками и соответственно на 20-модель возникает проблема прогнозирования третьего размера объекта. В некоторых случаях (например, с зерном пшеницы) решением это проблемы является синхронизация результатов измерений на установке с тремя датчиками и математической модели зерна (эллипсоида вращения) (3.1). При наличии достаточной базы данных измерений можно отследить связь между его размерами, так, при определённых X и Y, Z будет принимать значение, входящее в некий промежуток измерений, чем больше будет измерений X и Y, тем меньше будет диапазон значений, которые сможет принять Z.
Для постоянного пополнения базы данных и последующей корректировки (в режиме реального времени) значений использованы нейронные сети.
Для создания ЗБ-модели потребуются три датчика, которые в трёх ортогональных измерительных плоскостях будут сканировать частицы (такие как зерно, алмазная руда, агломераты и т.п.). Результаты представляют собой трёхмерную матрицу (рисунок 3.2). Для измерения ширины и толщины потребуются два датчика во взаимно ортогональных плоскостях. С помощью третьего будет измеряться длина.
Если рассмотреть этот процесс в одном измерении, то получается, что размер определяется количеством перекрытых лучей лазера (рисунок 3.3).
Для того чтобы данные измерений были адекватны, нужно измерить объект не менее 10 раз. Для получения результатов в необходимые интервалы времени частицы должны довольно быстро двигаться или должен перемещаться сам измерительный блок (объекты имеют малые размеры, и легче реализовать их перемещение), что накладывает ограничения на датчики по их быстродействию (рисунки 3.5 и 3.6).
После того как измеряемый объект попал в зону действия датчика, включается таймер и начинаются его измерения. Далее сигнал идёт на АЦП, после чего отправляется в компьютер, где создаётся база данных измерений, в ней накапливаются измерения одного объекта и всего динамического квазисимметричного материала, если необходимо выделить какую-либо фракцию по определённому показателю, то устанавливаются границы размеров. Если объект удовлетворяет необходимым условиям, то он проходит дальше, если же нет, то подаётся сигнал на исполнительный механизм, который сжатым воздухом выбивает его, так происходит процесс динамической классификации квазисимметричных объектов в реальном времени с высокой точностью (рисунок 3.7) [78]. Рисунок 3.7 - Структурная схема работы специального программного
комплекса 3.1.2. Аппаратная часть специального комплекса восстановления, визуализации и управления процессом динамической классификации квазисимметричных объектов
В данной разработке имеет смысл провести системный анализ процесса с выявлением основных эвристических закономерностей и построить адекватную модель, которую можно использовать для оптимизации и управления технологическими процессами, не подвергая опасности реальные производственные мощности. Предложенный аппаратно-программный комплекс решает поставленную задачу с достаточно высокими шансами на результат и минимальными затратами. В поставленной задаче можно выделить 3 стадии: сбор данных о технологическом процессе, обработка и анализ накопленных данных, анализ технологического процесса.
Эти стадии не являются жестко связанными между собой, т.е. при получении первой же порции данных мы можем построить нейросетевую модель, но ее точность будет достаточно низка. При накоплении большего числа реальных экспериментов точность будет повышаться и начнут выявляться новые закономерности.
На первой стадии основной проблемой является унификация различных по своей природе процессов, каждый из которых может иметь свой набор уникальных свойств. Для ее решения необходимо создать некий уровень абстракции на уровне аппаратуры, который скроет особенности «получения» показателей. Для этих целей используется плата STM8S-Discovery, основой которой служит МК STM8S105C6T6 в корпусе типа LQFP48. Плата организована в виде двух обособленных модулей: первый - это микроконтроллер STM8S105C6 со светодиодом, сенсорной кнопкой и разъемами, на которые выведены все свободные порты ввода/вывода. Второй программатор-отладчик ST-Link с USB-интерфейсом. На изображении архитектуры отладочного комплекта (рисунок 3.9) видно, что его можно разделить на две независимые части, что позволит в дальнейшем использовать отделенный ST-Link для программирования и отладки. На борту отладочного комплекта находится микросхема микроконтроллер STM8S105C6 (рисунок 3.8): 32 Kbytes — Flash, 1 Kbytes- EEPROM(300 kcycles), RAM: — Kbytes. Кроме микроконтроллера на борту расположены выведенные наружу пины микроконтроллера и «сенсорная кнопка» на плате с одним светодиодом.
Обобщённая блок-схема STM8S-Discovery 8-битная архитектура STM8 (рисунок 3.9) обладает высокой производительностью, которая достигается благодаря наличию 16-битных индексных регистров, линейного адресного пространства 16 Мбайт. Ядро построено по Гарвардской архитектуре, шина памяти команд имеет разрядность 32 бита, большинство команд извлекаются за один цикл. Кроме того, используется трехступенчатый конвейер. Всего имеется 80 команд, большинство из которых выполняется за один цикл тактового сигнала, что позволяет получить производительность 16 CISC MIPS на тактовой частоте 16 МГц.
Программно-аппаратный комплекс для динамической классификации квазисимметричных объектов с датчиками, расположенными перпендикулярно
Тестовый режим. В тестовом режиме на мониторе отображается матрица со всеми пикселями датчика. Все пиксели должны быть засвечены и иметь выходное значение «0», при неисправности пикселя мы увидим «1». Неисправный пиксель необходимо игнорировать по следующему алгоритму: если неисправный пиксель или группа пикселей располагается между двумя исправными пикселями, имеющими значение «1», то неисправные пиксели учитываются как «1» при определении N; если неисправный пиксель или группа пикселей располагается между двумя исправными пикселями, имеющими значение «0», неисправные пиксели учитываются как «0» при определении N; если неисправный пиксель или группа пикселей располагается между двумя исправными пикселями, при этом один исправный пиксель имеет значение «О», а другой - «1», то при определении N половина неисправных пикселей принимается за «1», а другая половина — за «О». Дробная часть отбрасывается в пользу «О»; если неисправный пиксель или группа пикселей находится с краю, то их значение принимать за «О», первым пикселем станет последующий работающий после пикселя №(1), последним 256 пикселем станет пиксель №(256-1). Режим настройки. В режиме настройки на мониторе отображаются схематические изображения десяти клапанов с окнами для индивидуальной настройки кнопкой «Применить ко всем» возле каждого клапана. Доступные настройки клапанов: - возможность установки задержки до открывания каждого клапана; - возможность установки длительности открытого положения каждого клапана; - возможность установки пороговых значений Nmin и Nmax каждого клапана; возможность настройки всех по настройкам одного (кнопка применить ко всем).
Отличительными особенностями данного программно-аппаратного комплекса от описанных выше являются классификация объектов по их спектральным, а не геометрическим характеристикам, тип светодиодных датчиков FH213FA, алгоритмы работы программно-аппаратного комплекса. Фотография аппаратной части комплекса для динамической классификации квазисимметричных объектов представлена на рисунке 4.13. по их спектральным характеристикам
Аппаратная часть комплекса для динамической классификации квазисимметричных объектов по их спектральным характеристикам
Алгоритмы работы программно-аппаратного комплекса для динамической классификации квазисимметричных объектов.
Рабочий режим. В рабочем режиме МК1 начинает вести опрос фотодиодов изделия. При отклонении уровня сигнала на величину большую, чем допускает погрешность, начинаются измерения, определяется уровень сигнала Ni, где і-номер измерения ( i=l...n). Далее значения Ni накапливаются и, когда уровень сигнала возвращается в пределы нормы, вычисляется среднее значение Ncp по формуле: N = "
Полученный параметр Ncp округляется и сравнивается с некими пороговыми значениями N и Nmax, которые задаёт пользователь. При невыполнении условия Nmin Ncp Nmax подаётся сигнал на исполнительный механизм. МК2 сохраняет в своей памяти результаты измерений Ncp и порядковый номер измерения к и выводит их в табличном виде и в виде графика на экран монитора по запросу пользователя изделия.
МК2 выводит на экран монитора результаты измерений в виде графика и таблицы для каждой из 8 групп. Каждой группе соответствует свое исполнительное устройство и фотодиод. По запросу пользователя на экран выводится график и таблица, связанные с выбранным фотодиодом в увеличенном масштабе (во весь экран).
Визуализация выполнена в виде графиков. На графике по оси абсцисс откладывается Ncp. На оси ординат -количество измерений с таким значением. Например, Ncp принимала значения 1, 3, 5, 8, 12, 11, …, 2. При этом количество опросов датчика со значением Ncp =12 было 147 из 1000. На графике ставится точка (12, 147) с координатами 12 по оси абсцисс и 147 по оси ординат. Среди остальных 1000-147=813 измерений были получены точки (1,4), (3,18) … (2,3). Все эти точки отображаются на графике.
Тестовый режим. Работа изделия начинается с тестового режима. В тестовом режиме на мониторе отображаются уровень сигнала фотодиода и два ограничения по падению и возрастанию этого сигнала R1 и R2. Пользователь при первом сеансе работы устройства обязан задать значения R1 и R2, которые будут служить границами погрешности уровня сигнала. В тестовом режиме при выходе уровня сигнала за границы погрешности выводится сообщение о необходимости корректировки значений КМп и Rmax.
Режим настройки. В режиме настройки на мониторе отображаются схематические изображения восьми клапанов с окнами доя индивидуальной настройки кнопкой «Применить ко всем» возле каждого клапана. При подключенных дополнительных БИУ выводить дополнительные экраны для настройки каждого БИУ. Доступные настройки клапанов: - возможность установки задержки до открывания каждого клапана; - возможность установки длительности открытого положения каждого клапана; - возможность установки пороговых значений Nmin и Nmax каждого клапана; возможность настройки всех по настройкам одного (кнопка применить ко всем).