Содержание к диссертации
Введение
Глава 1. Анализ проблем, связанных с созданием базы знаний в прикладной биотехнологии 17
1.1. Системный подход при исследовании перерабатывающих предприятий АПК 17
1.2. Анализ проблем, связанных с моделированием технологических процессов перерабатывающих производств АПК 20
1.2.1. Принципиальные основы построения моделей качества с/х животных 20
1.2.2. Характеристика моделей и методов основных техно логических процессов переработки биосырья 23
Глава 2. Общие принципы построения баз данных и знаний в прикладной биотехнологии 35
2.1. Системный анализ предметной области исследования 37
2.2. Единая интегральная оценка качества и совершенства процессов и операций переработки биосырья 43
2.3. Построение параметрических моделей процессов и операций перерабатывающего производства 46
2.4. Экспертная система определения и оценки параметров биотехнических систем 48
2.5. Методы сбора, кодирования и хранения информации по процессам и операциям переработки биосырья 48
2.6. Классификация моделей и методов, реализуемых при построении базы знаний 50
2.7. Модульная формируемой базы знаний перерабатывающего
Глава 3. Методика интегральной оценки совершенства сложных биотехнических систем 63
3.1. Методика построения интегрального показателя качества 63
3.2. Общий подход к оценки функционирования перерабат-вающего предприятия АПК 70
3.3. Система оперативного управления и принятия решений 82
3.4. Диагностирующая и обучающая система управления и принятия решений 91
3.5. Методика оценки степени «критичности» значений функции желательности 99
Глава 4. Методология структурно-параметрического моделирования сложи ых систем 114
4.1. Общие принципы построения матричных параметрических моделей 114
4.2. Построение многомерных параметрических моделей 117
4.3. Построение обобщенных параметрических моделей технологических процессов и операций 134
4.4. Построение моделей технологических процессов методами «активного» эксперимента 138
4.5. Построение стохастических имитационных моделей производственных процессов и операций 139
Глава 5. Структурный синтез технологических систем по переработке биосырья 142
5.1. Общие принципы структурного синтеза технологических систем 142
5.2. Оптимизация решения задачи структурного синтеза 148
Глава 6. Математические модели и методы прогноза поставок и оценки качества мясного сырья 154
6.1. Общие проблемы, связанные с сырьевым обеспечением перерабатывающих предприятий АПК 154
6.2. Математические модели прогноза поставок мясного сырья 155
6.3. Адаптационная модель сезонных поставок сырья животного происхождения 158
6.4. Прогнозирование поставок блочного мороженого мяса 169
6.5. Построение математических моделей качества животноводческого сырья
6.5.1. Установление факторов, влияющих на качество с/х животных 178
6.5.2. Построение регрессионных зависимостей показателей качества от возраста с/х животных 186
Глава 7. Моделирование процессов распределения сырья и управления запасами 201
7.1. Управления запасами перерабатывающего предприятия в условиях неопределенности 201
7.2. Прямосчетная модель материального баланса мясожиро вого производства 209
Глава 8. Моделирование технологических процессов мясоперерабатывающего производства 221
8.1. Моделирование процессов посола и приготовления фарша колбасного производства 222
8.1.1. Посол мяса 222
8.1.2. Тонкое измельчение мяса 236
8.2. Моделирование процессов механической обработки и созревания консервного 243
8.3. Моделирование процессов тепловой обработки колбасных и консервных изделий 254
8.3.1. Построение математической модели процесса термообработки вареных колбас : 256
8.3.2. Построение математических моделей термообработки консервированных мясных продуктов 263
Глава 9. Моделирование и оптимизация материальных потоков экспедиции 287
9.1. Общий анализ экспедиции как системы массового обслуживания (СМО) 287
9.2. Синтез моделей СМО 300
9.3. Оценка эффективности и оптимизация работы экспедиции 313
Глава 10. Построение многофункциональных знание-ориентированных систем поддержки принятия решений 323
10.1. Общая характеристика знание-ориентированных систем 323
10.2. Подсистема формирования базы знаний по процессам и операциям перерабатывающего производства 326
10.3. Подсистемы-пользователи 337
10.4. Практическая реализация подсистемы «Прогноз» для технологической линии производства вареных колбас 344
10.5. Практическая реализация подсистемы «Оценка качества»
в производстве мороженого 348
10.5.1. Параметрическое описание технологических процессов производства мороженого 348
10.5.2. Программная реализация подсистемы «Оценка качества» технологических процессов производства мороженого 362
Выводы 3 69
Литература 375
- Принципиальные основы построения моделей качества с/х животных
- Единая интегральная оценка качества и совершенства процессов и операций переработки биосырья
- Система оперативного управления и принятия решений
- Построение обобщенных параметрических моделей технологических процессов и операций
Принципиальные основы построения моделей качества с/х животных
Для сложных систем, состоящих из многих звеньев, связанных между собой материальными потоками, при решении задачи управления запасами необходим учет многофазности.
Наличие внутрисистемного спроса резко усложняет исследование системы, возникают характерные особенности, обусловленные необходимостью оперативной «стыковки» производственных звеньев. На перерабатывающих предприятиях АПК практически отсутствуют цеховые складские помещения, так как промежуточные продукты и полуфабрикаты не подлежат длительному хранению. Поэтому рассогласование в производительности на отдельных технологических операциях могут вызвать необратимые потери сырья и полуфабрикатов, неудовлетворение потребностей спроса, и, как следствие, снижение эфф-фективности работы всего предприятия. Частные и общие проблемы многофазных систем исследовались в [103, 190].
Результаты исследований выполненные в рамках первого направления, основанного на использовании «идеализированных» моделей, выявило его целесообразность лишь для выработки общих, начальных рекомендаций по управлению запасами.
Второй подход основан на создании имитационных моделей и программного обеспечения оперативного решения на ЭВМ в диалоговом режиме задачь распределения сырья и управления запасами. Получаемые модели учитывают все аспекты и особенности поступления, распределения и хранения сырья, характерные для конкретного перерабатывающего предприятия. При оперативном (ежедневном) решении указанных задач определяются размеры запаса и выдачи сырья на каждый конкретный день. При реализации имитационных моделей управления запасами не удается получить обобщенного решения и рекомендации носят частный характер, учитывающие особенности рассматриваемого предприятия [110, 111]. При разработке моделей и методов структурной оптимизации биотехнологических систем нахождение оптимальных решений в условиях начальной неопределенности технологической ситуации, обусловленной случайным значением параметров исходного сырья и изменчивость спроса, вызывает необходимость в адаптивном изменении структуры материальных потоков и технологических схем для максимальной сбалансированности производства.
Основными направлениями при выборе оптимальной структуры технологической системы является решение задач ассортиментной, рецептурной и ассортиментно-рецептурной оптимизации. Основными при решении этих задач являются методы линейного и нелинейного программирования. Различия в подходах к решению этих задач заключаются в выборе критерия оптимизации и системы принятых ограничений. В работах [75, 216] при решении задачи ассортиментной оптимизации в качестве целевой функции использовался критерий минимального отклонения от заданной структуры ассортимента. Ввиду большой размерности системы был предложен двухэтапный метод решения, при котором на первом этапе определялась исходная , допустимая структура ассортимента, а на втором этапе на базе исходной модели отыскивалась оптимальная структура по выбранному критерию. Имеются решение этой задачи по критерию максимальной прибыли [117] и по критерию максимального расхода сырьевых ресурсов [82].
Задача определения оптимальных рецептур для выработки продукции заданного качества со сбалансированными показателями биологической ценности возникла в связи с возможностью достижения требований и ограничений стандартов по химическим параметрам комбинированных продуктов питания путем использования различных рецептур и технологических схем переработки биосырья [5]. В [108] задача свелась к нахождению оптимального по себестоимости состава многокомпонентной смеси при заданных рецептурных ограничениях. В [144] минимизировался рецептурный сдвиг от заданной эталонной рецептуры продукта. При принятых допущениях задача свелась к расчету гибких рецептур при заданном химическом составе конечного продукта. В такой постановке задача рецептурной оптимизации была дополнена [156] ограничениями на отдельные, дополнительные компоненты, стабилизирующие выход и качество продукта.
Моделирование работы экспедиции перерабатывающих предприятий АПК осуществлялось с использованием различных систем массового обслуживания (СМО). Основные положения СМО изложены в [80,103]. В ряде работ рассматривались случаи практической реализации отдельных моделей СМО [157, 192, 227, 228]. В [103] предложен модульный принцип построения стохастических моделей массового обслуживания. Используя в качестве базового модуль, описывающий основную модель СМО, строились многообразные сложные модели, учитывающие те или иные особенности функционирования реальных объектов.
Однако, в силу специфики стратегии обслуживания потребителей, сложившейся на каждом конкретном предприятии, отсутствуют исследования, связанные с построением единой обобщенной модели, описывающей работу экспедиции перерабатывающего предприятия АПК.
Моделям и методам, описывающим собственно технологические процессы и операции переработки биосырья посвящены многочисленные исследования как отечественных, так и зарубежных ученых. Совершенствование и оптимизация технологических процессов производства сложных, многокомпонентных продуктов, каковыми являются колбасные и консервные изделия, представляет сложную и до конца не решенную проблему. Это объясняется отсутствием исчерпывающей информации по неоднородному исходному сырью, отсутствием в полной мере средств измерения для поэтапного оперативного контроля качества сырья, полуфабрикатов и конечной продукции на каждой стадии технологического процесса производства мясных продуктов.
Единая интегральная оценка качества и совершенства процессов и операций переработки биосырья
Специфика предприятий по переработке продукции животноводческого комплекса АПК, связанная с нестационарностью и неоднородностью материальных потоков структурно сложного биологического сырья и случайным характером спроса на готовую продукции, обуславливает необходимость рассматривать их как стохастически нестационарные сложные системы, характеризуемые начальной неопределенностью и многовариантностью технологической структуры.
Начальная неопределенность, вызванная разбросом химико-биологических, физико-химических и структурно-механических показателей биосырья, определяет сложность принятия решений и потенциально необходимую гибкость технологической системы для ее адаптации к случайному состоянию входного потока с целью стабилизации выхода и качества готовой продукции по показателям пищевой и биологической ценности. Т. е., каждому возможному состоянию входного потока должен соответствовать некоторый структурный и режимный вариант, обеспечивающий максимальную выработку продукции на единицу сырья при соблюдении всех нормативных показателей качества.
Оценка эффективности работы перерабатывающего предприятия базируется на анализе состояния материальных, энергетических и информационных потоков, на анализе функционирования технологического оборудования и оптимальности выбранных режимов обработки сырья. Такой всесторонний охват всех сфер производства требует знания и оценки многочисленных, разнородных по своей природе факторов.
Известен ряд подходов к решению данной проблемы. В [71, 75] был предложен и развит метод энтропийной оценки как меры разброса значений показателей относительно некоторых базовых , нормативных значений. Энтропийные оценки по каждому из показателей материальных потоков и интегральные оценки по всей совокупности показателей позволили оценивать состояние материальных потоков на каждой фазе многофазного технологического процесса переработки биологического сырья в конечный продукт с заданным набором свойств. Сопоставление энтропии материальных потоков на входе и выходе отдельной фазы технологического процесса позволяют оценить степень адаптации системы к возможным возмущениям.
Для решения аналогичной проблемы в [220] был использован метод дисперсионных оценок Так же как и в методе энтропийных оценок здесь характеристикой параметров материальных потоков служит разброс их значений относительно среднего, наиболее оптимального уровня.
В этих методиках адаптационные свойства системы оценивались по сопоставлению разброса значений конкретных показателей или интегральных характеристик на входе и выходе технологических процессов перерабатывающего производства.
Развитием этих подходов является разработка универсального показателя, позволяющего оценивать не только состояние материальных потоков, но и совершенства технологических процессов, техническое состояние оборудования, характеристики энергетических и информационных потоков. Такой критерий должен обладать возможностью сопоставления разнородных показателей, для чего необходима разработка единой безразмерной системы координат, в которой можно производить оценку совокупности показателей, характеризующих эффективность функционирования перерабатывающего производства.
Методика построения обобщенной интегральной оценки может быть описана в виде алгоритма многоуровнего, поэтапного расчета оценок отдельных показателей, свертывания их в единый интегральный показатель и проведения сравнительного анализа интегральных показателей на каждой фазе технологического процесса переработки биосырья.
На первом этапе определяются значения показателей, характеризующих конкретный j-ый технологический процесс или операцию, и находятся их оценки в безразмерной шкале координат. Рассчитываются функционалы качества, всесторонне характеризующие отдельный технологический процесс. FT- СсЛ F f-9"(y FSy,= W Р?= р:Ы FT igXFT U) (2Л) где ХІ, У- Wt, Zt, gj U І, безразмерные параметры входного и выходного материальных потоков, контролируемые и регулируемые параметры процесса, параметры энергетических и информационных потоков, соответственно.
Эти функционалы являются интегральными оценками той или иной стороны технологического процесса. Так например, сопоставление функциона лов р х , р 2 j позволяет оценить стабилизационные и адаптационные свойства рассматриваемого J-го процесса. На втором этапе находится интегральная оценка j-ro процесса в целом. Если ограничиться рассмотрением параметров только материальных потоков, режимов обработки и технологического оборудования, обобщенный функционал качества принимает вид Fu,= pwiF? F? (2-2) При учете и анализе параметров как материальных, так и энергетических и информационных потоков этот обобщенный функционал принимает вид F( p \F(?,FTFf?,F(: ) (2.3) На третьем этапе формируется обобщенный функционал, характеризующий работу предприятия в целом F=(p(FU)) или F= p(F«) (2.4) Таким образом, осуществляется интегрированная оценка всей совокупности факторов, в той или иной степени влияющих на эффективность функционирования перерабатывающего предприятия АПК.
Система оперативного управления и принятия решений
Параметрическая модель технологического процесса производственных и технологических процессов использовался широкий спектр различных видов моделей: стохастические модели поступления сырья на перерабатывающее предприятие; стохастические имитационные модели материальных потоков внутри предприятия, и имитационные матричные модели движения материальных потоков на складе готовой продукции, уравнения математической физики для описания процессов тепловой и механической обработки сырья. При анализе сложных процессов, когда не представляется возможным найти и математически описать внутренние связи, применяется принцип «черного ящика», согласно которому при отсутствии информации о внутренней структуре процесса для его математического описания использовалась лишь зависимость выходных величин от входных. Комплекс этих моделей, связанных между собой через параметры материальных потоков, представляет собой математическую модель предприятия, позволяющую смоделировать его функционирование при различных режимах и условиях.
В дальнейшем алгоритм оценки качества сводиться к следующему: На начальном этапе оценивается эффективность предприятия в целом как системы, предназначенной для сглаживания возмущений на входе, обусловленных непостоянством параметров поступающего сырья. Отклонения от оптимального ассортимента выпускаемой продукции при постоянной ре цептуре на каждый вид готовых изделий в сопоставлении с отклонениями на входе позволяют судить о демпфирующих свойствах и стабильности системы.
Пооперационный анализ производства позволяет выявить звенья (процессы и операции), обладающие наибольшей и наименьшей устойчивостью и определить технологические режимы, обеспечивающие требуемое качество продуктов переработки сырья при минимизации производственных расходов. На каждой j-ой технологической операции оценивается качество входного потока. Для каждого параметра Xj рассчитывается частная желательность dxiJ и затем определяется обобщенная функция желательности D,=mdx, (3.4) г =1 где Пі - число объединяемых параметров Xj .
По ее величине можно судить о глубине и степени совершенства переработки сырья на предыдущей (j-l)-ofi операции и выбрать наиболее оптимальный режим рассматриваемой j-ой операции (задаются параметры Zj ). Далее с помощью средств измерения в условиях реального производства или путем математического моделирования определяются параметры выхода Для них рассчитываются частные желательности dyi и определяется общая желательность: Dy-Щсіу? (3.5) где ІІ2 - число объединяемых параметров УІ .
Оценка величины Dy по пятибалльной шкале позволяет сделать вывод о влиянии J-го процесса на формируемое качество конечного продукта. Далее определяются или рассчитываются факторы Wi , характери зующие производственные затраты на J-ой операции (энергозатраты, трудозатраты, амортизация оборудования, затраты на профилактический и капитальный ремонт и т.д.), и для них также рассчитываются частные желательности dWj и общая желательность: иЗ Вї-Ща т (з.б) где Пз - число объединяемых параметров Wj . При расчете частных желательностей dWj используется справочно-нормативная документация на процессы и аппараты перерабатывающего производства. Анализ функции желательности Dw позволяет сделать вывод об оптимальности выбранного режима обработки с точки зрения производственных затрат, об эффективности работы технологического оборудования и необходимости изменения режима, проведения профилактического ремонта и в экстремальной ситуации о необходимости его замены на более совершенное.
Сопоставление значений рассчитанных критериев Dx0) и Dva) позволяет выявить три возможные ситуации:
1. Dx Dy - на j-ой операции происходит снижение качества промежу точного продукта переработки сырья. Требуется корректировка техноло гического режима и на последующих технологических операциях необхо димы дополнительные затраты, чтобы выйти н заданное качество конеч ного продукта (j-ая операция является источником нежелательного воз мущения);
2. Dx = Dy - на j-ой операции не происходит потери качества продук тов переработки сырья (процесс переработки происходит без возмущаю щих воздействий); 3. Dx Dy - на J-ой операции происходит повышение качества промежуточного продукта переработки сырья. Выбран наиболее оптимальный технологический режим, операция является стабилизирующим звеном системы и позволяет скорректировать отклонения в качестве, допущенные на предшествующих операциях. По значению интегральной функции желательности, которая рассчитывается по формуле: Z 4W с3-7) можно дать полную и всестороннюю оценку каждой технологической операции как с позиции полноты и глубины переработки сырья, так и с позиции оптимальности технологического режима и минимизации производственных расходов.
Обобщенная функция желательности: D =\tlDU) (3.8) рассчитывается с учетом всех Ш звеньев технологической цепочки переработки сырья и позволяет в целом оценить эффективность функционирования предприятия. В соответствии с принятой пятибалльной шкалой оценок при малых значениях функции D, соответствующих показателям «плохо» и «очень плохо», последующий анализ составляющих D позволяет выявить технологические операции, вносящие наибольший вклад в снижение величины D.
Дальнейшим решением является определение комплекса организационно-технических мероприятий, направленных на совершенствование выявленных «неблагополучных» технологических процессов. Методом экспертных оценок проводится ранжирование этих мероприятий по степени их значимости и осуществляется последующая их реализация. После этого весь описанный алгоритм оценки качества повторяется, и оценивается эффективность принятых решений.
Для повышения эффективности работы перерабатывающего предприятия, улучшения качества продукции и ее пищевой ценности, а также для более полного использования сырья, производственных, трудовых и топливно-энергетических ресурсов необходимы приборы для поэтапного контроля качества продукции экспресс-методом, а также различного рода датчики и расходомеры для обеспечения снижения производственных затрат и себестоимости выпускаемой продукции.
Предлагаемая методика оценки оптимальности функционирования предприятия и эффективности принимаемых решений на всех этапах переработки сырья была реализована в двух вариантах: в виде системы оперативного управления и принятия решений и в виде диагностирующей системы, оценивающей возможные нарушения в цепочке технологических операций, переводящих исходное сырье в конечные продукты с заданными свойствами, с последующем выявлением "узких" мест производства, принятием соответствующих решений и оценкой их эффективности. Общий описательный алгоритм представлен на рис 3.6.
Построение обобщенных параметрических моделей технологических процессов и операций
При известной функциональной зависимости между 1-м и J-м параметрами во внедиагональныю клетку (i, j) выше главной диагонали заносится признак Fy тесноты, глубины и характера связи, а в симметричную ей клетку (j, І) ниже главной диагонали - признак адекватности (+1) или неадекватности(-І) полученной функциональной зависимости. Описание технологии переработки мясного сырья в виде системы таких параметрических моделей позволяет проводить формализованный анализ технологической системы на уровне имеющихся знаний с оценкой эффективности работы оборудования и ожидаемого качества продукции.
Обобщенные модели тех или иных технологических процессов, даже при наличии стабильного по своим параметрам сырья будут существенно различаться своими коэффициентами и характером заполнения блоков, в зависимости от вида продукта, набора технологических операций и режимов, требований к безопасности и качеству продукта.
Таким образом, каждому продукту в общем ассортименте выпускаемой продукции соответствует некоторая структурно-параметрическая матричная информационная модель, отражающая в формализованном вида все априорно известные сведения об исходных материалах, технологических режимах и конечном продукте, характере влияния различных факторов друг на друга и возможности управления процессом. Множество подобных моделей, охватывающие весь ассортимент выпускаемых продуктов питания, медпрепаратов и технических биопродуктов, составляет формализованное ядро многомерной базы знаний об основном производстве мясоперерабатывающего предприятия.
Структурно-параметрические матричные модели знаний о технологической системе могут быть организованы по целевому или функциональному принципу. При этом каждый диагональный блок разделяется на составные элементы (операции, участки, линии и т. д.) с расположением вдоль главной диагонали их параметрических описаний.
Коэффициенты связей между параметрами на первом этапе при отсутствии каких-либо формализованных описаний и статистических данных могут быть заданы экспертным путем в результате опроса опытных специалистов.
При имеющихся журналах наблюдений и статистических данных о контролируемых факторах наличие связей между ними может быть установлено с помощью коэффициентов корреляции, отражающих глубину статистической связи между случайными величинами в наблюдаемых опытах.
Определение корреляционной связи между показателями, принадлежащими одной группе, и построение стохастических зависимостей между параметрами, относящимися к разным группам, осуществляется с использованием методов математической статистики.
Далее характер связей между сильно связными параметрами может быть описан коэффициентами линейной множественной регрессии. В случае более сложной регрессионной зависимости между выделенными параметрами в соответствующую внедиагональную клетку помещается адрес - метка модели функциональной связи с признаком адекватности и уровня знаний в банке моделей и алгоритмов полной базы знаний о данном технологическом процессе. При этом можно выделить пять уровней описания знаний о функциональных отношениях: 1. экспертные оценки; 122 2. коэффициенты корреляции; 3. линейная простая или множественная регрессия; 4. нелинейная регрессия между двумя факторами; 5. нелинейная множественная регрессия. По мере накопления статистической информации и ее последующей обработки формируется подмножество стохастических моделей, описывающих форму связи между выходными и входными параметрами процессов в производстве определенных продуктов (фарши, вареные колбасы, полуфабрикаты и т.п.). Это подмножество является уникальным для каждого вида выпускаемой продукции. Общая совокупность таких подмножеств образует полное множество структурно-параметрических и математических моделей технологий мясопродуктов.
Заполнение адресными связями внедиагональных клеток начинается с отдельных выделенных блоков, Поскольку параметры каждой из выделенных групп характеризуют определенное состояние системы между ними отсутствуют функциональные зависимости. Для параметров, принадлежащих одной группе важно установление корреляционной связи между ними. Наличие достаточно высокой степени корреляции позволяет выделить параметры, максимально коррелированные с другими параметрами этой же группы, и осуществлять контроль за ограниченным числом параметров.
Расчет коэффициентов парной корреляции между параметрами, принадлежащими одной группе, и построение стохастических зависимостей между параметрами, относящимися к разным группам, связан с накоплением и обработкой статистической информации о технологическом или производственном процессе. Для каждой из всего множества параметрических матричных моделей создается соответствующая таблица БД MEAT для хранения накапливаемых экспериментальных данных (см. Приложение 6).
По мере поступления статистической информации относительно 1-го и J-го параметров рассматриваемой параметрической модели конкретного технологического процесса определяются индексы внедиагональных матричной параметрической модели. Соответствующая таблица БД MEAT пополняется новой записью и подсчитывается общее число таких записей.
По мере накопления статистической информации для выделенной пары параметров, когда число записей достигнет оптимального объема, рассчитывается коэффициент парной корреляции между этими параметрами и осуществляется обращение к программе выбора уравнения регрессии.
