Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Савостин, Сергей Дмитриевич
- Специальность ВАК РФ05.13.06
- Количество страниц 248
Оглавление диссертации кандидат наук Савостин, Сергей Дмитриевич
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
Актуальность проблемы
Цель работы
Объекты исследования
11редмет исследования
Основные задачи исследования
Методы исследования
1 layчная новизна рабо ты
1 фактическая ценность
Достоверность полученных результатов
Апробация работы
Публикации
ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ИССЛЕДОВАНИЙ ПО АВТОМАТИЗАЦИИ КОНТРОЛЯ 1ЮКАЗ ATI ШЕЙ КАЧЕСТВА МУКИ В 11РОЦЕССЕ ПРОИЗВОДСТВА.. 22 1.1. Характеристика стадий и материальных потоков в процессе
производства муки
1.2. Исследование и анализ процесса размола как объекта
автоматизации
1.2.1. Основные ТП размольного отделения производства муки
1.2.2. Анализ влияния состояния сырья на качество готового продукта
1.2.3. Методы оргаполентического контроля показателей качества сырья
и готового продукта
1.2.3.1. Контроль оргаиолсптических свойств зерна
1.2.3.2. Контроль оргаиолсптических свойств муки
1.2.3.3. Контролируемые показатели при производстве муки
1.2.3.4. Недостатки оргаполентического контроля
1.2.4. Физико-мсхаиические, структурно - механические и биохимические
характеристики зерна и муки
1.2.5. Исследование и анализ эффективности процесса размола, влияние схем формирования и оборудования для их реализации па качество получаемой муки
1.3. Обзор и анализ современных инструментальных методов и средств оценки качества муки
1.3.1. Современные методы и средства измерения влажности
1.3.2. Современные методы и средства определения цветности муки
1.4. Задачи исследования
1.5. Выводы по 1 главе
ГЛАВА 2. АНАЛИЗ ПОДГОТОВЛЕННОСТИ Т11 РАЗМОЛА ПРИ ПРОИЗВОДСТВЕ МУКИ К СТАБИЛИЗАЦИИ И
АВТОМАТИЗАЦИИ
2.1. Оценка поточности и прогрессивности ТП размола
2.2. Математическое описание Т11 размола
2.3. Характеристическая модель ТП размола
2.4. Функционально- структурная схема ТП размола
2.5. Классификация основных операций ТП размола при производстве
муки и выбор факторов, определяющих эффективность этих операций
2.6. Структурные модели влияния факторов промежуточных операций, состояния исходного сырья на качество конечного продукта в процессе размола
2.7. Анализ информативности и значимости параметров эффективности
Т11 размола. Выбор из них контролируемых и управляемых
2.8. Основные этапы подготовки Т11 размола к автоматизации
2.9. Выводы по 2 главе
глава 3. экспериментальный исследования и разработка структурно - параметрических моделей наиболее важных для размола тп производства муки
3.1. Структурно- параметрическое моделирование наиболее важных для размола Т11 производства муки
3.1.1. Структурно- параметрическое моделирование ТП отделения зерноочистки
3.1.2. Структурно- параметрическое моделирование Т11 размольного
1 ОЯ
отделения
3.2. Выводы по 3 главе
глава 4. исследовании возможнос ти примени1ия иптпллнктуалы1ых тнхпологий для автоматизации контроля показателей качества муки в процессе
размо.) 1а. математическая 1юста1ювка задачи
4.1. Использование интеллектуальных технологий для непрерывного
контроля показателей качества муки в процессе размола
4.1.1. Анализ использования нейронных сетей для автоматизации тп и построения АСУ тп. Область применения. Общие сведения
4.1.2. Исследование и обоснование возможности использования псйросетевых технологий для оценки влажности муки
4.1.3. Анализ применения системы технического зрения для автоматизации Т11 и построения АСУ ТП. Область применения.
Общие сведения
4.1.4. Исследование и обоснование возможности использования системы технического зрения для контроля цвета муки
4.2. Математическая постановка задачи автоматизации контроля
влажности муки в потоке
4.3. Основные этапы решения задачи построения виртуалього датчика
влажности муки
4.4. Математическая постановка задачи автоматизации кон троля цвета
муки
4.5. Выводы но 4 главе
ГЛАВА 5. РАЗРАБОТКА ИЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ПОСТРОЕНИЯ ВИРТУАЛЬНОГО ДАТЧИКА ВЛАЖНОСТИ МУКИ В ПРОЦЕСС!i PA3MOJIА
5.1. Выбор архитектуры нейронной сети и алгоритма обучения для реализации иейросетевой модели оценки влажности муки
5.1.1. Классификация нейронных сетей
5.1.2. Анализ возможности применения нейронных сетей различных типов для решения задачи построения виртуального интеллектуального датчика влажности муки
5.1.3. Подбор количества слоев и количества нейронов каждого слоя нейронной сети
5.1.4. Подбор алгоритма и проведение обучения нейронной сети
5.2. Анализ работоспособности иейросетевой модели
5.3. Выводы но 5 главе
ГЛАВА 6. РАЗРАБОТКА ТЕХНИЧЕСКИХ РЕШЕНИЙ ДЛЯ РЕАЛИЗАЦИИ ПРОГРАММНО- АППАРАТНОГО КОМПЛЕКСА АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ 1ЮКАЗАТЕЛЕЙ КАЧЕСТВА МУКИ
6.1. Разработка алгоритма автоматизированной системы контроля показателей качества муки в процессе размола
6.2. Разработка структуры автома тизированной системы контроля показателей качества муки в процессе размола
6.3. Разработка алгоритма работы программно - аппаратного комплекса автоматизированного контроля показателей качества муки в процессе размола
6.4. Структурная схема автоматизированной ситемы контроля цвета
муки в процессе размола с использованием цифровой видеокамеры
6.5. Обобщенная функциональная схема автоматизированного контроля цвета муки в процессе размола с использованием цифровой
видеокамеры
6.6. Подбор технических средств для реализации программно-аппаратного комплекса контроля показателей качества муки
6.7. Выводы по 6 главе
ЗАКЛЮЧЕНИИ И ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩН1ШЙ
11УБЛИКАЦИИ 110 ТЕМЕ РАБОТЫ
СПИСОК ЛИТЕРАТУРЫ
С11ИСОК ИЛЛЮС ГРАТИВ1101 О МАТ1 ¿РИАЛА
ПРИЛОЖЕНИИ 1 - Акт сдачи-приемки научно технической продукции
диссертационной работы
ПРИЛОЖЕНИЕ 3 - Входные и выходные значения показателей качества
муки
Рекомендованный список диссертаций по специальности «Автоматизация и управление технологическими процессами и производствами (по отраслям)», 05.13.06 шифр ВАК
Разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки2018 год, кандидат наук Карелина, Екатерина Борисовна
Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий.2018 год, доктор наук Благовещенский Иван Германович
Интеллектуальная автоматизированная система управления качеством халвы с использованием гибридных методов и технологий2021 год, кандидат наук Благовещенский Владислав Германович
Автоматизация контроля влажности кондитерских масс с применением интеллектуальных технологий2010 год, кандидат технических наук Апанасенко, Сергей Игоревич
Методологические основы автоматизации контроля органолептических показателей качества кондитерской продукции и создание на их базе интеллектуальных систем управления2024 год, доктор наук Благовещенский Владислав Германович
Введение диссертации (часть автореферата) на тему «Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий»
ВВЕДЕНИЕ
Актуальность темы.
В настоящее время одной из самых важных социально- экономических проблем является обеспечение населения Российской Федерации качественными, безопасными, разнообразными отечественными продуктами питания.
Решение этой проблемы тесно связано с широкой автоматизацией технологических процессов, внедрением новых информационных технологий, появлением необходимых средств контроля для реализации автоматизированных систем управления, проведением организационно-технических мероприятий, способствующих улучшению качества, повышению безопасности и увеличению ассортимента выпускаемых пищевых продуктов [145].
Среди многих отраслей пищевой промышленности важнейшее место принадлежит мукомольной, являющейся основной частью агропромышленного комплекса страны (АПК). В настоящее время мукомольная промышленность (МП) входит в число наиболее социально значимых отраслей АПК и представляет собой одну из стратегических отраслей экономики, которая обеспечивает производство основного важнейшего продукта питания людей - муки, содержащей в своем составе важные незаменимые для человека питательные вещества. Именно поэтому основным критерием продовольственной безопасности страны является стабильное обеспечение среднедушевого потребления продуктов переработки зерна. Продукты мукомольной промышленности имеют высокую пищевую ценность. Пятую часть повседневного рациона россиян составляют именно продукты хлебной группы.
Из числа социально - значимых для населения России пищевых продуктов только потребность в хлебопродуктах бесперебойно покрывается за
счет собственного производства муки, выработанного из российского зерна [105].
В настоящее время М11 пашей страны добилась значительных успехов в своем развитии. В России муку производя т более 1,5 тысяч предприятий, 400 из которых являются крупными, а остальные - малыми предприятиями. Основным типом предприятий М11 являются мелькомбинаты и мукомольные заводы, сочетающие комплексное использование сырья, начиная от производства муки и закапчивая полной переработкой отходов
1юз|.
Переработка зерна пшеницы в сортовую муку па предприятиях МП связана с решением ряда сложных многофакторных задач, среди которых: стабилизация и оптимизация процессов: зерноочистительного отделения, хранения зерна, формирование помольной смеси, подготовки зерна к помолу; ресурсное обеспечение запасов пшеницы разных типов; повышение выходов готовой продукции при стабильном ее качестве и другие. Трудность решения этих задач обусловлена нестабильностью свойств поступающего на перерабо тку сырья, многообразием перерабатываемых типов зерна по оргаполептичсским, физико-химическим, биохимическим и структурно - механическим свойствам. Все это вызывает частые колебания режимов работы оборудования, а также параметров состояния технологических процессов зерноочистки, драного, сортировочного, ситовссчного, шлифовочного, размольного и др. процессов производства муки разных сортов и пс позволяет получать стабильный по качеству готовый продукт [130].
В этой связи представляется важным и своевременным выход Распоряжения №1 от 10.01.2013 Министерства сельского хозяйства Российской Федерации «О комплексе мер по реализации стратегии развития пищевой и перерабатывающей промышленности Российской Федерации па период до 2020 года». Конкретизировать эти меры должна подпро1рамма,
разработанная Российским Союзом мукомольных и крупяных предприятий. В пей, ь частности, предусматривается осуществление мероприятий, обеспечивающих стабилизацию Т11 мукомольного производства и на этой основе повышение выхода готовой продукции.
Проведенный нами анализ 113 - 15, 68 - 72, 86, 101 - 106, 115, 130 -1401 показал, что в настоящее время мукомольное предприятие является сложным технологически ёмким предприятием. Процесс производства муки состоит из множес тва отдельных подпроцессов, в ко торых учас твую т самостоятельные виды оборудования по очистке и храпению зерна; составлению оптимальной помольной партии; увлажнению зерна; помолу; хранению муки и т.д. Применение в единой технологической цепочке большого количества оригинального технологического оборудования, имеющего персональные входные характеристики сырья и выходные - продукции, усложняют процедуру автоматизации контроля параметров, характеризующих эффективность проводимых этапов производства, работы оборудования, а также качество получаемой готовой продукции - муки.
Существующие в настоящее время методы оценки качества муки субъективны, определяются только путем лабораторных измерений, ввиду невозможности технического решения по организации их измерения поточным способом 1137|. Так, в настоящее время основным заключающим фактором об оргаиолептичсских показателях муки является оценка экспер тов 1140]. При выполнении всех требований и рекомендаций в оценке качества такая оценка может давать недостоверные и необъективные показания о качестве готовой продукции. Па основании опыта выявлено, что обычно не более 40% испытуемых экспертов выдерживают тесты на чувствительность органов обоняния и вкуса, однако этот фактор очень важен для получения надежных, достоверных и сопоставимых результатов.
Ситуация в мукомольной промышленности России требует новых подходов к решению этой важной проблемы и поиску альтернативных ва-
риаптов развития автоматизации контроля. Одно из основных направлений развития мукомольной промышленности связано с автоматизацией контроля параметров состояния T1I мукомольного производства, показателей качества сырья, полуфабрикатов и готовых изделий, включая и оргаполепти-чсские показатели. Назрела необходимость повышения объективности контроля качества муки за счет внедрения высокоэффективных интеллектуальных технологий в производственный процесс и создания па их базе ии-телектуальпой автоматизированной системы контроля.
Одним из важнейших ТП производства муки, в значительной степени влияющих на качество получаемого готового продукта, является размольный процесс.
Исходя из этого, тема диссертации «Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий» является актуальным направлением развития мукомольной промышленности, имеющей важное народнохозяйственное значение, а также актуальной научно- технической задачей специальности 05.13.06 -Автоматизация и управление технологическими процессами и производствами (в пищевой промышленности).
Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий и сведение их результатов в единый программно- аппаратный комплекс (1IAK) для создания автоматизированной системы управления технологическими процессами (АСУТП) жизненно необходима. Создание 1IAK позволит: непрерывно, в потоке контролировать показатели качества перерабатываемого сырья, полуфабрикатов и определять оптимальный режим протекания ТП; обеспечить стабильность производства муки; соблюдение установленных технологических режимов; повысить надёжность работы оборудования, а также будет способствовать стабилизации качества готовой продукции; снижению издержек при эксплуатации, уменьшит влияние человеческого
фактора на объективность анализа, сократит производственный цикл выпуска муки, исключив стадию органолсптической оценки качества готового продукта.
Успешное решение этой задачи при минимальных затратах на подготовку и проведение анализов становится возможным, благодаря внедрению в производственный процесс разработанного нами автоматизированного программно-аппаратного комплекса (1ТАК) контроля основных показателей качества муки, в основе алгоритма работы которого заложена пейросс-тсвая модель (ПСМ). Функционирование ПСМ базируется па применении аппарата искусственных нейронных сетей (ПС), который является одним из направлений развития теории искусственного интеллекта.
Модель ПС состоит из одного или нескольких слоев искусственных нейронов, которые имитируют работу своих биологических аналогов (нервных клеток).
Базовыми элементами автоматизированного 11ЛК являются [135]:
• микропроцессорные устройства сбора, обработки и передачи информации (входят в состав автоматизированной системы управления технологическим процессом (АСУ ТП));
• человеко-машинный интерфейс, позволяющий осуществлять обмен данными между оператором и микропроцессорным устройством;
• система управления базами данных (СУБД);
• программное обеспечение, в основе алгоритма которого заложена ПСМ;
• шлюзовое про1раммнос обеспечение (позволяет осуществлять сбор, преобразование и передачу данных между различными коммуникационными протоколами).
Па сегодняшний день аппараты искусственных ПС и методы их применения активно развиваются и совершенствуются. Активными исследованиями в области создания систем моделирования искусственных нейрон-
пых се тей (ИПС) в России занимаются такие организации как Институт вычислительного моделирования СО РАН, ФГ1ЮУ ВПО «Исследовательский ядерный университет «МИФИ»», 11ермская научная школа искусственного интеллекта, ЗЛО "Научно-исследовательский центр математического моделирования и иейросетевых технологий "Пейросплав". Исследования в этой области проводили Д. Рутковская, М. Пилипьский, Л. Рут-ковский, А. И. Галушкин, Саймон Хайкин, А. Б. Барский, А. А. Ежов, С. А. Шумский, А. II. Горбаиь, М.М. Благовещенская. Вместе с тем опубликованы ряд диссертационных работ, посвященных вопросам использования ИНС в различных областях, том числе и в пищевой промышленности: «Математическое и алгоритмическое обеспечение задачи автоматизации процесса дезинфекции ПЭТ-бутылок с помощью озона» (к.т.и. Родепков Е.В., научный руководитель д.т.н., проф. Благовещенская М.М. 2005), «Автоматизация контроля показателей вкуса шоколадных изделий» (к.т.и. Шаверип А. В., научный руководитель д.т.н., проф. Благовещенская М.М. 2009), «Автоматизация контроля влажности конди терских масс с применением интеллектуальных технологий» (к.т.и. Апапасеико С. И., научный руководитель д.т.н., проф. Благовещенская М.М. 2010), «Разработка научных принципов проектирования состава и совершенствования технологии многокомпонентных мясных изделий с использованием вторичных ресурсов пищевой промышленности» (д.т.н. Садовой В. В., 2007), «Сспсорометриче-ский метод в оценке качества пищевых жиров и масел» (к.х.и. Селиванова А. А., 2011) [134 - 136, 139, 141. 159 | и др.
Еще одним перспективным направлением автоматизации Т11 пищевых производств является использование системы технического зрения в качестве интеллектуального датчика в системах автоматического регулирования технологическими процессами. К настоящему времени опубликованы ряд диссертационных работ, посвященных вопросам использования цифровой видеосъемки в различных областях, в том числе и в пищевой
промышленности: «Система автоматического регулирования процесса формования конфетных жгутов с использованием цифровой видеосъемки» (к.т.н. Иванов Я. В., научный руководитель д.т.и., проф. Благовещенская М.М. 2008), «Автоматизация контроля цветовых показателей качества хлебобулочных изделий с применением спектральной квалимстрии» (к.т.н. Ребриков Д.И., научный руководитель д.т.п., проф. Битюков В.К. 2010), «Совершенствование технологии хлеба для школьного питания с применением автоматизированной системы контроля цвета изделия» (к.т.н. Шторх Л.В., научный руководитель д.т.п., проф. Чертов И.Д. 2013) и др. |4, 9, 14, 19,21,31,41,60,76).
В настоящей работе был учтен и проработай опыт предыдущих исследований и использовано большинство рекомендаций, приводимых авторами перечисленных ранее трудов. Анализ опубликованных научных работ в области ИНС и системы технического зрения (цифровой видеосъемки) свидетельствует о перспективности исследований но этой тематике, необходимости развития этого научного направления, а так же малочисленности данных исследований в области пищевой промышленности. Изучение отечественной и зарубежной литературы указывает на необходимость углубленного исследования в рассматриваемых областях, применения новых подходов к использованию ИПС и системы технического зрения для построения интеллектуальных датчиков с учетом специфики мукомольной промышленности. В связи с чем, представляется своевременным и актуальным проведение комплексных исследований, направленных па автоматизацию контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий; разработку интеллектуальных датчиков показателей качества муки па основе исйросстсвых алгоритмов и системы технического зрения; исследование возможности ин теграции таких да тчиков в систему управления технологическими процессами производства муки.
Изложенное позволяет сделать вывод об актуальности темы диссертационной работы.
Цель работы.
Целыо настоящей работы является повышение эффективности ТП производства муки и стабилизация качества готовой продукции за счет разработки, научного обоснования и создания программно- аппаратного комплекса интеллектуальной системы автоматизации контроля в потоке показателей качества муки: влажности и цвета с применением методов нсйросс-тсвого моделирования и системы технического зрения.
В диссертации эта проблема исследована и решена на примере одного из самых важных процессов производства муки - размола зерна.
Объектом исследования в данной работе являются технологические процессы размола зерна при производстве пшеничной муки
Предметом исследования являются совокупность теоретических, методологических и практических задач, связанных с автоматизацией контроля основных показателей качества муки: влажности и цвета в процессе размола и разработка математического и алгоритмического обеспечения решения данных задач.
Были исследованы методы и средства контроля показателей качества муки, а также способы получения и обработки первичной информации о процессе размола с использованием виртуального датчика влажности, построенного па алгоритмах искусственных нейронных сетей (ИПС), и интеллектуального датчика контроля цвета, построенного с использованием системы технического зрения (цифровой видеокамеры).
Предложенные методы и способы контроля основных показателей качества муки позволяют получить объективную информацию о влажности и цвете муки по результатам контроля 'технологических параметров в процессе размола и показателей качества сырья и полуфабрикатов, измеренных в процессе производства.
Основные задачи исследования. Для достижения поставленной пели ,иш определены следующие задачи исследований:
• Обоснование принципов решения проблемы автоматизации контроля основных показателей качества муки: влажности и цвета.
• Проведение комплексных экспериментальных исследований и анализа 111 размола с целыо обеспечения стабилизации качества получаемого готового продукта: проведение оценки поточности и прогрессивности Т11 размола муки, разработка математическое описание дапого процесса, составление его характеристической модели, функционально- структурной схемы, изучение влияния разных факторов на ход и эффективность Т11 размола, выявление и выбор наиболее информативных параметров автоматического контроля качества получаемой муки.
• Установление необходимой оснащенности Т11 производства муки источниками информации, осуществление выбора основных точек контроля и регулирования.
• Проведение анализа, обобщение и систематизация направлений использования искусственных нейронных сетей (ИПС) в различных отраслях (в том числе в пищевой) промышленности.
• Проведение анализа, обобщение и систематизация направлений использования системы технического зрения (цифровой видеосъемки) в различных отраслях (в том числе в пищевой) промышленности.
• Разработка и обоснование метода, позволяющего в реальном времени контролировать влажность муки.
•Разработка и обоснование метода, позволяющего в реальном времени контролировать цвет муки.
• Разработка математических моделей, алгоритмов и иро!рамм для реализации методов автоматического контроля влажности и цве та муки.
•Математическая постановка задачи автоматического регулирования влажности муки в процессах размола.
•Проектирование структуры программно-аппаратного комплекса (Г1ЛК) для контроля влажности и цвета муки.
• Проведение обучения псйросстсвых моделей, встроенных в программный пакет (Uli) MatLab r201 lb Neural Network Toolbox, на основе экспериментальных данных.
• Разработка архитектуры комплекса интеллектуальной автоматизированной системы контроля цвета муки с использованием системы технического зрения и IICM принятия решений;
•Обеспечение разработки технических решений интеграции ПАК и системы технического зрения в автоматизированную систему управления технологическим процессом (АСУ 111) размола муки.
• Экспериментальная проверка результатов на промышленном оборудовании. Практическая реализация результатов разработки.
Методы исследовании. Для решения поставленных задач были использованы следующие методы исследования: основные положения и уравнения теории автоматического управления, математического моделирования, теории ИПС; методы компьютерного зрения, элементы теории принятия решений; методы системного анализа; теории нечетких множеств, оптимизации, планирования и обработки результатов экспериментов, методы математической статистики и сенсорной оценки. Экспериментальные исследования проведены с помощью стандартных методик и поверенных приборов, а также персонального компьютера с использованием пакета прикладных программ MATLAB.
Научная новизна работы заключается в следующем: • В результате теоретического анализа, эксперимен тальных исследований и расчетов обоснованы наиболее перспективные направления автоматизации
контроля Т11 производства муки па основе интеллектуальных датчиков, построенных па базе псйросетевых алгоритмов и системы технического зрения. Разработаны методологические основы создания автоматизированной системы контроля показателей качества муки в процессе размола. Разработана методика осуществления нейропрогиоза, позволяющая спрогнозировать качество готовой муки при изменении технологических параметров, благодаря способности псйросетевых моделей к самообучению. Предложен дополнительный способ контроля осного из важнейших показателей качества - цвета муки, который оценивается по степени отклонения контрольных точек от эталонного положения на кадрс-задатчикс с применением системы технического зрения. Полученные значения основных показателей качества муки - влажности и цвета могут быть использованы как вектор группы информационных параметров для обучения нейронной сети. Разработаны теоретические основы общего подхода к автоматизации контроля показателей качества муки, в частности разработаны:
метод автоматизации контроля основных показателей качества муки; способ автоматического контроля показателей качества муки, основанный па внедрении в систему управления (СУ) виртуального и интеллектуального датчиков, построенных на алгоритмах ИПС и системы технического зрения. Предложенный способ позволяет своевременно в потоке получить объективную информацию о текущей влажности и цветности муки в процессе помола по результатам значений технологических параметров процесса, а также на основании физико-химических и реологических параметров сырья и полуфабрикатов, измеренных в процессе производства муки; псйросетевая модель (ПСМ) процесса производства муки; классификатор измеряемых в процессе размола муки параметров с точки зрения автоматизации обработки информации;
алгоритмическое и математическое обеспечение задачи автоматизации контроля ТП размола муки;
• методика и алгоритм проектирования архитектуры комплекса автоматизированной системы контроля ТН размола муки с использованием системы технического зрения и IICM приня тия решений;
• основные правила использования алгоритмов ИНС для создания виртуальных датчиков контроля влажности муки;
• разработаны оригинальные алгоритмы (алгоритм принятия решений для формирования регулирующего воздействия па основе анализа видеоизображения и др.) и предложены новые -технические решения: для реализации метода и автоматизированной системы контроля и регулирования процессов размола муки;
• структура программно - аппаратного комплекса (ПАК) виртуального датчика, реализующего способ автоматического контроля влажности муки и интеграция его в систему управления;
• основные правила использования алгоритмов ИИС для создания виртуальных датчиков контроля влажности муки;
• даны рекомендации по разработке программно-аппаратного комплекса для контроля T1I размола муки, который в автоматическом режиме способен предсказать основные показатели качества готовой муки;
• построена схема контроля и регулирования процесса размола муки с использованием системы технического зрения в качестве интеллектуального датчика.
Практическую ценность работы
В результате проведенных исследований показана возможность осуществления автоматического контроля основных показателей качества муки в потоке на основе пейросстсвой модели и системы технического зрения с последующим созданием АСУТП в мукомольной промышленности.
Основные позиции, определяющие практическую ценность работы, заключаются в следующем:
Создана и апробирована методика автомагического контроля ТП размола муки в режиме реального времени.
Сформулированы предложения для обеспечения широкого использования в мукомольной промышленности аппарата искусственных нейронных сетей, являющегося одним из перспективных направлений развития теории искусственного интеллекта.
Сформулированы предложения по обеспечению широкого использования в мукомольной промышленности системы технического зрения в качестве интеллектуального датчика.
Разработано и обосновано математическое и алгоритмическое обеспечение задач автоматизации контроля Т11 размола муки.
Даны рекомендации по созданию автоматизированного программно-аппаратного комплекса для кон троля влажности и цветности муки с использованием нсйросетсвой модели (ПСМ) и системы технического зрения (ЦБК). Данная разработка позволи т непрерывно в потоке контролировать ход Т11 размола муки.
Применен и апробирован разработанный способ автоматического контроля влажности и цветности помола на примере линии производства пшеничной муки.
Разработана и апробирована структура функционирования интегрированного 1ГАК виртуального датчика и системы технического зрения для контроля показателей влажности и цветности помола муки в автоматическом режиме в технологических линиях мукомольных предприятий. Даны рекомендации и обоснования по подбору технических средств автоматизации и программного обеспечения, необходимых для создания этой комплексной системы, с возможностью интеграции ее в АСУ ТП. Экономическая и социальная значимость работы состоит в расширении функциональных возможностей работников мукомольной промышленности и повышении качества готовой продукции.
• Результаты анализа процесса размола муки с точки зрения определения наиболее информативных параметров, характеризующих ход ТП производства муки и доступных для регистрации с помощью компьютерных нейросетевых и видеотехпологий, были переданы ОАО "Мслтжомбинат в Сокольниках», что подтверждается соответствующим актом сдачи-приемки научно-технической продукции (Приложение 1).
Полученные в рамках настоящего исследования научные и практические результаты внедрены в учебном процессе ФГБОУ ВНО «МГУ1111» на кафедре "Информационные -технологии и автоматизированные системы" для студентов направлений "Автоматика и управление" и "Управление и информатика в технических системах", а также специальности "Автоматизация технологических процессов и производств". Имеется соответствующий акт внедрения (Приложение 2).
По итогам работы будут поданы две заявки па изобретения.
Достоверность полученных в работе результатов подтверждается экспериментальными исследованиями ТП производства муки, проведенными в производственных условиях ОАО "Мелькомбинат в Сокольниках ", а также обеспечивается совпадением расчетных данных и результатов эксперимента.
Апробация работы. Основные положения диссертационной работы докладывались, обсуждались и были одобрены па:
- Первой международной научно- практической конференции - выставки «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины», Москва, МГУПП, 2012;
- X Международной научно-практической конференции "Автоматизация и информационное обеспечение производственных процессов в сельском хозяйстве", Углич, ГПУ ВИМ Росссльхозакадемии, 2012;
- международной конференции молодых ученых «Проблемы пищевой безопасности». Москва, МГУПП, 2013;
- X Всероссийской конференции молодых ученых но математическому
Похожие диссертационные работы по специальности «Автоматизация и управление технологическими процессами и производствами (по отраслям)», 05.13.06 шифр ВАК
Автоматизация контроля и управления в размольном отделении мукомольного завода с применением телевизионного метода1984 год, кандидат технических наук Блюмин, Аркадий Михайлович
Разработка моделей, методов и алгоритмов интеллектуальной автоматизированной системы контроля и управления качеством кефира2022 год, кандидат наук Крылова Лариса Александровна
Автоматизация контроля показателей вкуса шоколадных изделий2009 год, кандидат технических наук Шаверин, Андрей Вениаминович
Исследования и разработка методов контроля и управления качеством творога на основе нейронной сети2014 год, кандидат наук Давыдова, Гульнара Рифатовна
Математическое и алгоритмическое обеспечение системы управления технологическом процессам объемного дозирования при производстве молотого обжаренного кофе2017 год, кандидат наук Сантос Куннихан Марио Рохелио
Список литературы диссертационного исследования кандидат наук Савостин, Сергей Дмитриевич, 2014 год
СПИСОК ЛИТЕРАТУРЫ
1. Авсрии А.Н. Нечеткие множества в моделях управления и искусственного интеллекта - М.: Наука, 1986.
2. Австриевских А. Н. Управление качеством на предприятиях пищевой и перерабатывающей промышленности: учебник / А. Н. Австриевских [и др.]. — 2-е изд., испр. и доп. — Новосибирск : Сиб. уиив. изд-во, 2007. — 268 с.
3. Автоматизация технологических процессов пищевых производств./ Под ред. Е.Б. Карпина. -М.: Агропромиздат, 1985. - 536 с.
4. Адилов Р. М. Исследование и разработка методов анализа мпогоградаци-онных растровых изображений в системах технического зрения: Дис.... канд. техн. наук : 05.13.17/ Пенза, 2005.
5. Ануфриев И., Смирнов А., Смирнова Е. MATLAB 7.0 в подлиннике - Новая техническая книга, 2005.
6. Андреев Б. SCADA-систсмы: взгляд изнутри - М.: Москва, 2004.
7. Апанасенко, С. И. Автоматизация контроля влажности кондитерских масс с применением интеллектуальных технологий |Текст] : дис. ... каид. техн. паук : 05.13.06 / Апанасенко Сергей Игоревич. —М., 2010. — 131 с.
8. Барский, А. Б. Нейронные сети: распознавание, управление, принятие решений [Текст] / А. Б. Барский. — М. : Финансы и статистика, 2004. — 176 с. — ISBN 5-279-02757-Х.
9. Барцев, С.И. Адаптивные сети обработки информации |Текст] / С. И. Бар-цев, В. А. Охонин. — Красноярск: Ин-т физики СО АН СССР, 1986. -64 с.
10. Багищев, Д. И. Применение генетических алгоритмов к решению задач дискретной оптимизации: учеб. пособие / Д. И. Батищсв, Е. А. Неймарк, II. В. Старостин. — Нижний Новгород : Изд-во Нижегородского госуп-та, 2006. — 136 с.
11. Бегунов A.A. Метрологическое обеспечение производства пищевой продукции. - СПб.: МП издатель, 1992.
12. Берестнев Б.В., Петриченко В.И., Новицкий В.О. Рекомендации но организации и ведению технологического процесса на мукомольных предприятиях. -М.: ДеЛи принт, 2008. -176 с
13. Благовещенская М.М. Автоматика и автоматизация пищевых производств: Учебник для студентов инженерно-технологических специальностей пищевых высших учебных заведений/ М.М. Благовещенская, Н.О Воронина, A.B. Казаков, И.К. Петров, H.A. Прокофьев. Москва 1991 г. С. 81-83.
14. Благовещенская, М. М. Информационные технологии систем управления технологическими процессами |Текст] : учеб. пособие для вузов / М. М. Благовещенская, Л. А. Злобии. — М. : Высш. гик., 2005. — 768 с.
15. Благовещенская М.М., Петров И.К. Комплексная оценка качества хлебопекарного теста. // Извес тия высших учебных заведений. Пищевая технология. 1984, №4.-с. 83-85.
16. Борзепко И.М. Адаптация, прогнозирование и выбор решений в алгоритмах управления технологическими объектами. - М.: Энергоатомиз-дат,1984. - 144 с.
17. Боровиков, В. В. Нейронные сети. STATISTICA Neural Networks. Методология и технологии современного анализа данных/ В. В. Боровиков. — 2-е изд., перераб. и дои. — М. : Горячая линия - Телеком, 2008. — 288 с.
18. Бойерл Х.-П., Бах-Бсцснар Г. Коммуникация в технике автоматизации -Siemens, 1991.
19. Буряк Д. ТО. Метод автоматизированного конструирования процедур анализа изображений с использованием генетических алгоритмов: Дис.... канд. физ.-мат. наук: 05.13.11/ М., 2004
20. Бутковский А.Г. Методы управления в системах с распределенными параметрами. - М.: Паука, 1975.
21. Ватанабе С. Разложение Кару пена- Лоэва и факторный анализ. Теория и приложение. // Автоматический анализ сложных изображений. - М.: Мир, 1969.-с. 254-275.
22. Волчихин, В. И. Основы обучения искусственных нейронных сетей: учеб. пособие / В. И. Волчихин, А. И. Иванов ; М-во образования и науки Рос. Федерации, Пенз. гос. ун-т. — Пенза : Изд-во Пенз. гос. ун-та, 2004. — 112с.
23. Вороновский, Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности : монография / Г. К. Вороновский — Харьков : Основа, 1997. — 111 с.
24. Восьмирко, С. О. Разработка математического и программного обеспечения среды моделирования нейронных сетей для решения задач прогнозирования : дис. ... канд. техн. наук : 05.13.11— М., 2004. — 158 с.
25. Втюрин, В. А. Автоматизированные системы управления технологическими процессами. Основы АСУТ11 : учеб. пособие / В. А. Втюрин. — СПб: С116ГЛТА, 2006. — 152с.
26. Галушкин, А. И. Нейронные сети: основы теории: монография / А. И. Галушкин. — М. : Горячая линия - Телеком, 2012. — 496 с.
27. Галушкин А.И. Теория нейронных сетей. Книга 1. - М.: ИПРЖР, 2000.147 с.
28. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. - М.: Мир, 1985.- 509 с.
29. Гитис Л.Х. Кластерный анализ в задачах классификации, оптимизации и прогнозирования. - М.: Издательство Московского государственного университета, 2001. - 104 с.
30. Гнеушев А. Н. Математическое моделирование выделения признаков видеоизображения в реальном масштабе времени: Дис. ... канд. физ.-мат. наук : 05.13.18/ Прософт. -М., 2006.
31. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. -М.: "Техносфера", 2006. - 616 с.
32. Горбань А.Н. Обучение нейронных сетей. - М.: C1I "ParaGraph", 1990.
33. Горбань, А. П. Нсйроинформатика: кто мы, куда мы идем, как путь наш измерить / А. П. Горбань // Вычислительные технологии. Машиностроение. — 2000. — № 4 — С. 10-14.
34. Горбань, А. П. Нейронные сети на персональном компьютере / А. II. Горбань, Д. А. Россиев. — Новосибирск : Паука : Сиб. изд. фирма, 1996. — 270 с.
35. Горбунов, В. А. Использование псйросстсвых технологий для повышения энергетической эффективности теплотехпологических установок / В. А. Горбунов. — Иваново : из-во ФГБОУВПО "Ивановский государственный энергетический университет имени В.И. Ленина", 2011. — 476 с.
36. Гришин В.Г. Образный анализ экспериментальных данных. - М.: Паука, 1982
37. ГОСТ Р ИСО 3972-2005 «Органолептический анализ. Методология. Метод исследования вкусовой чувствительности».
38. ГОСТ Р 52189-2003 Мука пшеничная. Общие технические условия.
39. ГОСТ Р 52809-2007 Мука ржаная хлебопекарная. Технические условия.
40. ГОСТ 12183-66 Мука ржапо-пшепичная и пшепично-ржаная обойная хлебопекарная. Технические условия
41. Даваев Е.В. Интеллектуальная система видеопаблюдения Видео1С)7. -"Грани безопасности". - № 6 (42), 2006. - с. 76-80.
42. Дебок, Г. Анализ финансовых данных с помощью самоорганизующихся карг / Гвидо Дебок, Тейво Кохонси; Пер. с англ. А. Горбунов. — М. : Алытапа, 2001. — 316 с. (Использование нейронных сетей в финансах и маркетинге / Нац. фонд подгот. кадров).
43. Денисенко В.В. Компьютерное управление технологическим процессом, экспериментом, оборудованием. - М.: Горячая линия-телеком, 2009.
44. Деркачев, А. Н. Нейросетевое моделирование процессов многомерной классификации объектов с разнородными признаками: дис. ... канд. техн. наук: 05.13.11 / Деркачев Александр Николаевич. — Воронеж, 2006. — 128 с.
45. Дикий Б.Ф. Автоматический контроль состава и свойств пищевых продуктов - М.: Пищевая промышленность, 1968. - 218 с.
46. Джонсон М., Лион Ф. Статистика и планирование эксперимента в технике и науке. -М.: Мир, 1980. - 510 с.
47. Донской, Д. А. Моделирование искусственных нейронных сетей в системе MATLAB. Часть 2. Линейные сети: метод, указания к выполнению лабораторных работ / Д. А. Донской |и др.]. — Пенза: Пензенский гос. ун-т, 2005. —33 с.
48. Донской, Д. А. Моделирование искусственных нейронных сетей в системе MATLAB. Часть 3. Радиальные базисные сети: метод, указания к выполнению лабораторных работ / Д. А. Донской [и др.]. — Пенза : Пензенский гос. ун-т, 2005. — 63 с.
49. Дорф Р., Бишоп Р. Современные системы управления: Перевод с английского - Лаборатория базовых знаний, 2002.
50. Дубровский С. А., Гольдштсйп Э. С., Мизип В. Г., Коршунов О. А. Факторный анализ в описании технологических процессов // Статистика качества продукции. -М.: Паука, 1973. - с. 175 - 184.
51. Дудников Е.Г., Балакирев B.C., Кривсупов В.П., Цирлип A.M. Построение математических моделей химико-технологических объектов. - Л.: Химия, 1970. 273 с.
52. Дьяконов, В. П. Matlab 5.3.1 с пакетами расширений: монография / В. П. Дьяконов, И. В. Абраменкова, В. В. Круглов; под ред. В. И. Дьяконова ; Российская Ассоциация Издателей компьютерной литературы. — М. : Нолидж, 2001.
53. Дьяконов, В. Г1. MATLAB 6.5 SP1/7/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики./ В. П. Дьяконов, В. В. Круглов ; Серия «Библиотека профессионала". — М.: СОЛОН-ПРЕСС, 2009. —456 с.
54. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. - С116:11итер. 2001. - 480 с.
55. Ежов А.С., Шумский С.С. Псйрокомпыотинг и его применение в экономике и бизнесе. - М.: Мир, 1998.
56. Жукарев В.А. Микропроцессоры и некоторые возможности их применения в измерительной технике // Труды МЭИ. - Вып. 322. - Информационно-измерительная техника:. 24-30. - М.: МЭИ, 1977.
57. Засицев, И. В. Нейронные сети: основные модели / И. В. Заенцев — Воронеж, 1999. — 76 с.
58. Захалсв А. И., Панов Д. 11. Контроль технологических процессов с применением метода главных компонент в микропроцессорных системах управления. // Конференция "Микропроцессорные системы управления технологическими процессами в гибких автоматизированных производствах". Тез. Докл. - М., 1985. - с. 26 - 27.
59. Ежов, А. А. Псйрокомпыотинг и его применение в экономике и бизнесе [Текст| : учеб. пособие / А. А. Ежов, С. А. Шумский. — М. : МИФИ, 1998, —222 с.
60. Иванов, Я. В. Математическое и алгоритмическое обеспечение автоматизации процесса формования кондитерских масс с использованием цифровой видеосъемки: дис. ... канд. техн. паук : 05.13.06 / Иванов Яков Викторович. — М., 2008. — 179с.
61. Иглин С.П. Теория вероятностей и математическая статистика на базе MATLAB - Харьков: Издательство ИГУ "ХПИ", 2006.
62. Ильченко В.Д. Методы исследования процессов и аппаратов пищевых производств. - Ростов-на-Дону.: ДГТУ, 1998.
63. Казакова И.Е. Моделирование технологического качества зерна методом факторного анализа // Известия Высших учебных заведений. Пищевая технология. 1975, № 3. - с. 88 - 90.
64. Калач A.B., Корснман Я.И., Нифталиев С.И. Искусственные нейронные сети - вчера, сегодня, завтра. Воронеж: ВГТА, 2002.
65. Калацкая, JI. В. Организация и обучение искусственных нейронных сетей : учеб. пособие / JL В. Калацкая, В. А. Новиков, В. С. Садов . — Минск : БГУ, 2003, —75 с.
66. Каллап Р. Основные концепции нейронных сетей. — М.: Издательский дом "Вильяме", 2003. - 189 с.
67. Каптере В.М., Матисоп В.А., Фоменко М.А. Сенсорный анализ продуктов питания. - М.: Типография РАСХП, 2003.
68. Карпов В.И., Мышепков К.С., Новицкий В.О. Типовая отраслевая система управления для предприятий агропромышленного комплекса // Пищевые продукты XXI века: Сб. докл. Юбил. Междуиар. науч.-практич. конф.: В 2 т. / МГУПП - М.: Изд. комплекс МГУ1111, 2001. Т.2. - С. 211 -214.
69. Карпов В.И., Новицкий В.О. Методология исследования и моделирования сложных систем управления для предприят ий и компаний зернового сектора АПК. Информационные технологии. -М.: Изд-во «Новые технологии», - 2010. - №9.
70. Катралл Р.В. Химические сенсоры, М.: Научный мир, 2000.
71. Карпии Г.Б Автоматизация технологических процессов пищевых производств - М.: Агропромиздат, 1985. - 351 с.
72. Клюев A.C., Глазов Б.В., Дубровский А.Х., Клюев A.A. Проектирование систем автоматизации технологических процессов - М.: Эпергоатомиз-дат, 1990.-2 86 с.
73. Комашипский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи - М.: Горячая липия-телеком, 2003. - 126 с.
74. Комашинский В.И., Смирнов ¡{.А. Введение нейро-информационпые технологии - СПб.: Тема,1999.- 98 с.
75. Кондратов В., Королев С. Ма11аЬ как система про1раммироваиия научно-технических расчетов - М.: Мир, 2002. - 254 с.
76. Кононов П.К. Разработка методов получения и цифровой обработки рентгеновских изображений. - автореферат диссертации па соискание ученой степени кандидата физико-математических наук. - М.: Институт ядерных исследований РАН, 2006. - 27 с.
77. Коротнсв В.Д., Винничек Л.Б., Кочетова Т.П. и др. Организация и управление производством - М.: Колосс, 2005. - 316 с.
78. Кротов В.Ф., Гурман В.И. Методы и задачи оптимального управления. -М.: Наука, 1973.-446 с.
79. Круг, П.Г. Нейронные сети и нейрокомпьютеры: учеб. пособие / 11. Г. Круг. — М.: Изд-во МЭИ, 2002. — 176 с.
80. Круглов, В. В. Нечеткая логика и искусственные нейронные сети: учеб. пособие / В. В. Круглов, М. И. Дли, Р. Ю. Голупов. — М. : Физматлит, 2001, —224 с.
81. Круглов В.В., Борисов II.II. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2001. - 382 с.
82. Кулясов С. М. Математические методы преобразования изображений с целью выравнивания освещенности и контрастирования слаборазличимых объектов: Дис. ... канд. физ.-мат. паук: 05.13.17/ М., 2003.
83. Лазарев, В.М. Нейросети и нейрокомпьютеры: монография / В. М. Лазарев, А. 11. Свиридов. — М. :МИРЭА, — 2011. — 131 с.
84. Логовский, А.С. Зарубежные пейропаксты: современное состояние и сравнительные характеристики / А. С. Логовский // Нейрокомпьютер. — 1998,—№ 1-2, —С. 17—24.
85. Ляховсц М.В., Огнев C.1L, Шипунов М.В., Глазунов Е.А. Опыт внедрения системы теленаблюдсиия для контроля технологического цикла обогащения угля . - М.: БИНОМ. 2006. - 752 с.
86. Маслов, А. В. Структурно-механические характеристики пищевых продуктов: справочник / под ред. A.B. Горбатова. — М. : Легкая и пищевая промышленность, 1982. — 294 с. : ил. ; 20 см. — Библиогр.: с. 268-286.
87. Матисоп, В. А. Органолептичсский анализ продуктов питания: учебник / В. А. Матисон, Д. А. Едслсв, В. М. Каптере, М. : Изд-во РГАУ - МСХА имени К.А. Тимирязева, 2010. — 294 с.
88. Медведев, В. С. Нейронные сети MATLAB 6 / В. С. Медведев, В. Г. Потемкин. — М. : Диалог - МИФИ, 2002 . — 496 с.
89. Мелихов М. В. Разработка и исследование алгоритмического аппарата обработки видеоинформации, распознавания объектов и сцен в предопределенной ситуации: Дис.... капд. техн. наук: 05.13.01/М., 2005.
90. Методы классической и современной теории автоматического управления. Т.1: Математические модели, динамические характеристики и анализ систем автоматического управления. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. - 656 с.
91. Методы компьютерной обработки изображений / Под ред. В.А. Сойфсра. - М.: ФИЗМАТЛИТ, 2003. - 784 с.
92. Минский, М. Пейперт С. Перцсптропы. - М.: Мир, 1971. — 264 с.
93. Митип, Г. П. Системы автоматизации с использованием программируемых логических контроллеров : учебп. пособие / Г. П. Митип, О. В. Ха-занова. — М. : ИЦ МГТУ "Стапкип", 2005. — 136 с.
94. Миттаг, X. Й. Статистические методы обеспечения качества : учебник (пер. с нем.) / X. Й. Миттаг, X. Риннс ; пер. Е. Кокот, ред. Б.Н. Марков. — Изд. перераб. и доп. — М. : Машиностроение, 1995. — 601 с.
95. Мишель Ж. Программируемые контроллеры. Архитектура и применение. / Пер. с франц. И.В. Федотова; Под ред. Б.И. Лыткина. - М.: Машиностроение, 1992. - 320 с.
96. Мкртчян С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) — М.: Энергия, 1971. - 265 с.
97. Паджафи М. М. Проекционный метод решения некоторых задач обработки и анализа изображений: Дис.... канд. физ.-мат. паук : 05.13.18. - М., 2004,- 148 с.
98. Нестеров АЛ. Проектирование АСУТ11. Методическое пособие. Книга 1 - СПб.: Деан, 2006.
99. Николаев, А.Б. Нейросетевыс методы анализа и обработки данных: учеб. пособие / А. Б. Николаев, И. Б. Фоминых. — М. : МАДИ (ЛГУ), 2003. — 95 с.
100. Николайчук О.И. Современные средства автоматизации. - М.: Солои-пресс, 2006. - 162 с.
101. Новицкий В.О. Исследование и моделирование сложных систем управления для зерновых и зерпопсрсрабатывающих предприятий и компаний. Сборник научных трудов МИЛ: Вып. IX: Под ред. В.Л.Бутковского.- М.: Троицкий мост, 2011.
102. Новицкий В.О. Исследование объектов и постановка задач управления для зерновых и зерпопсрсрабатывающих компаний па основе методологии системного анализа. Сборник научных трудов XIII Международной науч.-практ. конф. Ч. 1. - СПб.: Изд-во Нолитехиич. ун-та, 2009.
103. Новицкий В.О. Модели и методы оптимального управления производством для зерновых и зерпопсрсрабатывающих компаний. Автореферат диссертации па соискание ученой степени кандидата технических наук. М.: МГУ1ТГ1, 2010.- 162 с.
104. Новицкий В.О. Разработка банка математических моделей задач управления для зерноперерабатывающих предприятий. Сборник научных тру-
дов XIII Международной пауч.-практ. копф. Ч. 1. - СПб.: Изд-во Поли-тсхнич. ун-та, 2009.
105. Новицкий В.О. Системный подход к управлению на предприятиях и в компаниях по хранению и переработке зерна. Хлебопродукты,- 2009.-№7, С.54-56.
106. Новицкий В.О. Современные методы и системы управления для зерновых и зерпоперерабатывающих компаний в российских условиях. Материалы Первой международной конференции «Модернизация системы зернохранилищ России. Новые аспекты развития» / Международная промышленная академия, - М.: Пищепромиздат, 2011.
107. Об утверждении и введении в действие правил организации и ведения технологического процесса на мукомольных заводах. Приказ государственной комиссии Минсельхоза РФ по продовольствию и закупкам от 1 февраля 2001 года.
108. Олефирова, А. П. Идентификация пищевых продуктов (оргаиолептиче-ская оценка) при обязательной сертификации. Методические указания к лабораторным работам по дисциплине"Ссртификация пищевых продуктов"— Улан-Удэ : ВС1ТУ, 2002. — 27 с.
109. Осовский, С. Нейронные сети для обработки информации = Sieci neu-ronwc do przetwarzania informacji (польск.) / С танислав Осовский ; пер. с пол. И. Д. Рудипского. — М. : Финансы и статистика, 2004 — 343 с. : ил.; 24 см. — ISBN 5-279-02567-4.
110. Олссон Г., Пиани Д. Цифровые системы автоматизации и управления -СПб.: Невский диалект, 2001.
111. Панищев В. С. Методы, высокопроизводительные алгоритмы и устройства обработки изображений с использованием иейроподобных структур: Дис. ...канд. техн. паук: 05.13.05 / Курск, 2005, 148 с.
112. Парр Э. Программируемые контроллеры. Руководство для инженера -М.: Бином. Лаборатория знаний, 2007. - 248 с.
113. Петров, А. П. О возможностях исрцсптрона // Известия АН СССР, Техническая кибернетика. — 1964. — № 6.
114. Петров И.В. Программируемые контроллеры. Стандартные языки и инструменты. -М.: Солон-Пресс, 2003.
115. Петров И.К. Технологические измерения и приборы в пищевой промышленности. - М.: Агропромиздат, 1985. - 269 с.
116. Письменный В. В. Вероятностные методы распознавания для контроля показателей качества // Химическая промышленность, 1976, № 7. - с. 542 -544.
117. Подлегасва, Т. В. Методы исследования свойств сырья и продуктов питания : учеб. пособие / Т. В. Подлегасва, А. 10. Просеков. — Кемерово : КемТИПП, 2004. — 101 с.
118. Пожариикова, Т. II. Сенсорный анализ продовольственных товаров: курс лекций / Е. II. Пожарникова, II. А. Феоктистова, Д. А. Васильев. — Ульяновск : УГСХА, 2008. — 87 с.
119. Поршиев C.B. MATLAB 7. Основы работы и программирования. Учебник -М.: "Бииом. Лаборатория знаний", 2006г.
120. Потемкин В.Г. Вычисления в среде МАТЕАВ -М.: Диалог-МИФИ. 2004.
121. Потемкин В.Г. Система МАТЕАВ. Справочное пособие - М.: Диалог-МИФИ, 1997.
122. Ребрип, Ю.И. Управление качеством : учеб. пособие / Ю. И. Ребрии. — Таганрог: ТРТУ, 2004. — 174 с.
123. Рейер И. А. Методы анализа формы изображений на основе непрерывного ¡раничпо-скелстиого представления: Дис. ... канд. техн. паук: 05.13.11/ М., 2004.- 168 с.
124. Рогов, И. А. Физические методы обработки пищевых продуктов / И. А. Рогов, А. В. Горбатов. — M. : 1 Гищсвая промышленность, 1974. — 582 с.
125. Родина Т.Г., Вукс Г.А. Дегустационный анализ продуктов. - М.: Колос, 1994.- 128 с.
126. Розенблатт, Ф. Принципы исйродииамики: Псрцсптроны и теория механизмов мозга [Текст] = PrinciplesoiNeurodynamic: PerceplronsandtheTheo-ryoffirainMechanisms. — М. : Мир, 1965. — 480 с.
127. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский ; пер. с пол. И. /I,. Рудипского. — М. : Горячая линия - Телеком, 2008. — 383 с.
128. Рутковская Д., Пилиньский М., Рутковский J1. Нейронные сети, генетические алгоритмы и нечеткие системы - М.: Горячая линия-телеком, 2006.
129. Рэй У. Методы управления технологическими процессами. - М.: Мир, 1983.-368с.
130. Савостип С.Д., Благовещенская М.М. Повышение эффективности автоматизированного контроля для решения проблем безопасности мукомольного //Сб. материалов межд. конф. «Проблемы пищевой безопасности». - М.: Издательский комплекс МГУПП, 2013. с.121 - 125.
131. Савостип С.Д., Жирпова Е.В. Создание системы менеджмента качества на мукомольном предприятии, методические и практические решения //Материалы первой межд. ИТ конференции - выставки «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины». - М.: Издательский комплекс МГУПП, 2012. с.38-41.
132. Савостип С.Д. и др. Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического регулирования процесса формования гранулированных комбикормов / Благовещенская М.М., Семина H.A., Савостип С.Д.// «Вестник Воронежского государственного университета инженерных технологий», №2, 2014. - с. 48 - 56.
133. Савостип С.Д. и др. Обеспечение безопасности распределенной сети па предприятиях пищевой промышленности / Козловская А.Э., Благовещенская М.М., A.B. Рылов, С.Д. Савостип // Сб. научных трудов III
Межд. форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. -М.: Изд. комплекс МГУПП, 2014. Часть 1, с. 157 - 160.
134. Савостип С.Д. и др. Структурно- функциональный анализ процесса бестарного хранения муки как объекта управления / Виноградов Л.И., Савостип С.Д., Благовещенская М.М. // Сб. научных трудов III Межд. форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Изд. комплекс МГУПП, 2014. Часть 2, с. 13 - 18.
135. Савостип С.Д. и др. Автоматизация размольного отделения мукомольного производства / Демидова Е.Л., Осипов B.C., Зипов A.A., Благовещенская М.М., Савостип С.Д. // Сб. научных трудов III Межд. форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Изд. комплекс МГУПП, 2014. Часть 2, с. 32 - 36.
136. Савостип С.Д. и др. Автоматизация отделения зерноочистки па мукомольных предприятиях / Савостип С.Д., Пекина Л.Ю., Благовещенская М.М. // Сб. научных трудов III Межд. форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Изд. комплекс МГУПП, 2014. Часть 2, с. 36-41.
137. Савостип С.Д. и др. Необходимость автоматизации процессов мониторинга и прогнозирования состояния продовольственной безопасности / Козловская Л.Э., Благовещенская М.М., Рылов A.B., Савостип С.Д. // Сб. научных трудов III Межд. форума «Инновационные технологии обеспе-
чения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Изд. комплекс МГУИГ1, 2014. Часть 2, с. 66-68.
138. Савостии С.Д. и др. Обеспечение безопасности распределенной сети па предприятиях пищевой промышленности / Козловская А.Э., Благовещенская М.М., Рылов A.B., Савостин С.Д. // Сб. научных трудов III Межд. форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Изд. комплекс МГУИП, 2014. Часть 2, с. 68 - 71.
139. Савостии С.Д. и др. Автоматизация линии производства гранулированных отрубей / Савостии С. Д., Кольцов Д. 10., Башкиров Г., Александров А., Благовещенская М.М. // Сб. научных трудов III Межд. форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. - М.: Изд. комплекс МГУПП, 2014. Часть 2, с. 71 - 76.
140. Савостии С.Д. и др. Автоматизированная система управления технологическими процессами (АСУТП) производства гранулированных комбикормов / Савостии С.Д., Конищсва Ж.М., Благовещенская М.М. // Сб. научных трудов III Межд. форума «Инновационные технологии обеспечения безопасности и качества продуктов питания. Проблемы и перспективы». Московский государственный университет пищевых производств, 12-14 марта 2014 г. -М.: Изд. комплекс МГУПП, 2014. Часть 2, с. 80-86.
141. Селиванова, А. А. Сепсоромстрический метод в оценке качества пищевых жиров и масел: дис. ... канд. хим. паук : 02.00.02 / Селиванова Анна Александровна. — Воронеж, 2011. — 137 с.
142. Серебренников, JI.А. Сравнительный анализ нейросетевых пакетов и место среды Significo среди них. Краткое описание среды / Л.А. Серебренников // Проблемы интеллектуализации и качества систем информатики : сб. науч. тр. / Институт систем информатики имени А.П.Ершова СО РАН. — Новосибирск, 2006. — С. 192-206. — Библиогр.: с. 206.
143. Синенков Д. В. Методы и средства формообразования объектов изображения: Дис.... канд. техн. паук: 05.13.17 / II.Новгород, 2003
144. Сорокопуд, А. Ф. Технологические линии и специальное оборудование для производства пищевых продуктов: учеб. пособие для студ., обуч. по напр. 260600 "Пищевая инженерия" / А. Ф. Сорокопуд, С. Д. Руднев, В. В. Сорогсопудэ. — Кемерово: КсмТИПП, 2006. — 168 с.
145. Стрелков Е.В., Савостип С.Д. Задачи повышения эффективности автоматизированного контроля па мукомольном производстве. // «Русский инженер», №1 (40), март 2014. - с. 50 - 51.
146. Суровцев И.С., Клюкии В.И., Пивоварова Р.П. Нейронные сети. - Воронеж: ВГУ, 1994.-264 с.
147. Терехов В. А. Нсйросстевые системы управления: учеб. пособие для вузов / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкип. — М.: Высш. шк., 2002. — 183 с.
148. Терехов, С. А. Лекции по теории и приложениям искусственных нейронных сетей [Электронный ресурс] / С. А. Терехов. - Снсжипск: ВНИИТФ, 1998.
149. Терехов В.А., Ефимов Д. В., Тюкип И.Ю. Нейросетсвые системы управления. Уч. Пособие для вузов. -М.: Высшая школа, 2002. - 156 с.
150. Тимофеева, В. А. Товароведение продовольственных товаров |Текст] : учебник / В. А. Тимофеева. — 12-е изд., иерераб. и доп. — Ростов и/Д : Феникс, 2013, —494 с.
151. Тужилкии В.И., Горбатюк A.B., Новицкий В.О. Создание комплексных информационных систем для управления предприя тиями перерабаты-
вающих отраслей АПК // Сб. науч. тр./ МГУПП-М.:Изд. комплекс МГУПП,2001 .-С.393- 395.
152. Уосссрмап Ф. Пейрокомпыотсрпая техника: теория и практика. — М.: Мир, 1992.
153. Федоров Ю.И. Справочник инженера по АСУТП: Проектирование и разработка-М.: Ипфра-Инжсперия, 2008.
154. Форсайт Д.А., Попе Ж. Компьютерное зрение. Современный подход. -М.: Издательский дом "Вильяме", 2004. - 928 с.
155. Фролов, А. А. Нейронные модели ассоциативной памяти / Л. А. Фролов, И. Г1. Муравьев. — М. : Паука, 1987. — 159 с.
156. Харманн Г. Современный факторный анализ. - М.: Статистика, 1972. -486 с.
157. Хайкин, С. Нейронные сети : Полный курс / Саймой Хайкин ; пер. с англ.: П.П. Куссуль и АЛО. Шелестов ; Ред.: П.П. Куссуль. — 2-е изд. — М. [и др.] : Вильяме , 2006. — 1103 с.
158. Хамхапова, Д. Н. Исследование качества алгоритмов обработки квали-метричсской информации : дис. ... канд. техн. паук : 05.11.15, 03.00.23 / Хамхапова Дарима Нимбуевна. — СПб., 2002. — 150 с.
159. Шаверии, А. В. Автоматизация контроля показателей вкуса шоколадных изделий : дис. ... канд. техн. паук : 05.13.06 / Шаверип Андрей Вениаминович. — М., 2009. — 148 с.
160. Шапиро JL, Стокман Дж. Компьютерное зрение. - М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.
161. Шаулина JI. П. Контроль качества и безопасности пищевых продуктов и продовольственного сырья [Л'скст] : учеб. пособие / Л. П. Шаулина, JI. Н. Корсун. — Иркутск : Изд-во Иркут. гос. ун-та, 2011. — 111с.
162. Федоров IO.II. Справочник инженера по АСУ 111: Проектирование и разработка-М.: Ипфра-Инжсперия, 2008.
163. Форсайт Д.А., Попе Ж. Компьютерное зрение. Современный подход. -М.: Издательский дом "Вильяме", 2004. - 928 с.
164. Черных И. Simulink: среда создания инженерных приложений -М.:Диалог-МИФИ, 2003.
165. Яковенко М. К. Разработка алгоритма распознавания сложных объектов на основе текстурной информации: Дис.... канд. техн. паук: 05.13.01 / СПб., 2003.- 184 с.
166. Яковлев А. В. Методы, модели и алгоритмы формирования и анализа изображений в системе контроля качества материалов и продукции машиностроительного предприятия: Дис. ... канд. техн. наук: 05.13.01 / Прософт. - М., 2003. - 168 с.
167. Яне Б. Цифровая обработка изображений. - М.: Техносфера, 2007. - 584 с.
168. Garcia L.A., Arguesso F., Garcia A.I., Diaz M. Application of neural networks for controlling and predicting quality parameters in beer fermentation - Journal of industrial microbiology, 1995.
169. Garner W.R., Hake II.W., Hrikscn C.W. Operationism and the concept of perception. - Psychol.Rev, 1956.
170. Flaykin S., Neural networks a Comprehensive Foundation, Second Edition -Prentice Hall, Inc., 1999.
171. Kohonen T., "Self-Organizing Maps", Springer, 1995.
172. Kohonen T., "Self-Organizing Maps"(2-nd edition), Springer, 1997.
173. Kohonen T., Huang T.S., Schrocder M.R. "Sell-Organizing Maps"(Third edition), Springer, 2003.
174. Mahnke W OPC Unified Architecture - Springer-Vcrlag, 2009.
175. begin A., Rudnitskaya A., Vlasov Yu., Di Natale С., D'Amico A. Sensors and Actuators B, 1999.
176. Legin A., Rudnitskaya A., Vlasov Yu. In: Integrated Analytical Systems, Comprehensive Analytical Chemistry. V. XXXIX. Ed. S. Alegret. Amsterdam: Elsevier, 2003.
177. Newton D. E. Food Chemcstry - Facts On File, Inc., 2007.
178. Swingler K. Applying Neural Networks. A Practical Guide - Morgan Kaufman Publishers.
179. Sun D.W. Modern Techniques for food authentication - Academic Press, 2008.
180. Principe J. Euliano N. Lefebvre C. Neural and Adaptive Systems. Fundamentals through Simulation - John Wiley & Sons.
181. TrionR.G. Cluster analysis -L.: Ann Arbor Edwards Bros., 1939.
182. Wong M.A. A hybrid clustering method for identifying hign - JASA, 1982.
183. Wilson C.I. Threapleton L. Application Of Artificial Intelligence For Predicting Beer Flavours From Chemical Analysis - European Brewery Convention, from the Proceedings of the 29th EBC Congress - Dublin, 2003.
184. Zurada J. Introduction to Artificial Neural Systems - West Publishing Company, 1994.
СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА
Рис 1.1. Стадии технологического процесса производства муки.
Рис. 1.2. Структурная схема, раскрывающая набор операций и материальные потоки ТП производства муки на мелькомбинате в Сокольниках.
Рис. 1.3. Граф технологического процесса производства муки па мелькомбинате в Сокольниках.
Рис. 1.4. Технологическая линия по производст ву муки. Рис. 1.5. Этапы технологического процесса размола зерна. Рис. 1.6. Технологическая схема драного процесса. Рис. 1.7. Граф основных операций размольного отделения. Рис. 1.8. Схема анализа контроля качества муки.
Рис. 1.9. Сенсор влажности и температуры.
Рис. 1.10. Радиозонды влажности и температуры с внутренними и внешними сенсорами температуры и влажности.
Рис.2.1. Структурная схема основных операций ТП подготовки зерна к помолу в зерноочистительном отделении.
Рис.2.2. Структурная схема основных операций ТП размольного отделения.
Рис.2.3. Граф-модель реализации схемы ТП производства муки.
Рис. 2.4. Характеристическая модель реализации схемы ТП производства муки.
Рис.2.5. ФСС 111 производства муки.
Рис. 2.6. Упрощенная ФСС схема Т11 производства муки.
Рис. 2.7. ФСС влияния факторов промежуточных операций иа качество готовой муки.
Рис. 2.8. Граф связей между режимными параметрами и параметрами качества муки в процессе размола.
Рис.2.9. ФСС ТГ1 размола с указанием точек контроля и регулирования.
Рис. 2.10. Обобщенная схема последовательности проведения этапов подготовки ТП размола к автомат изации контроля качества муки.
Рис. 3.1. Схема подготовки зерна к помолу в зерноочистительном отделении.
Рис. 3.2. Технологическая схема зерноочистительного агрегата ЗАВ-25.
Рис. 3.3. Параметрическая модель контроля качества процесса зерноочистки.
241
Рис. 3.4. Параметрическая модель контроля качества процесса размола.
Рис. 4.1. Этапы построения и интеграции виртуального датчика па основе ИСТ в АСУ TTI.
Рис. 5.1. Классификация НС.
Рис. 5.2 - Классификация основных типов нейронных сетей.
Рис. 5.3. Графическое представление результатов обучения двух сетей различных топологий.
Рис. 5.4. Структура сети типа многослойный перестрой.
Рис. 5.5. Результаты эксперимента по определению количества скрытых слоев ПС.
Рис. 5.6. Структура разработанной нейронной сети, типа многослойный нер-ссптрон с одним скрытым слоем.
Рис. 5.7. Блок-схему алгоритма обучения нейронной сети.
Рис. 6.1. Структура ПАК контроля показателей качества муки в процессе размола.
Рис. 6.2. Функциональная схема ПАК контроля показателей качества муки (влажности и цвета) в процессе размола.
Рис. 6.3. Обобщенная схема системы регулирования влажности муки
Рис. 6.4. Схема системы регулирования влажности муки.
Рис. 6.5. Схема системы регулирования влажности муки с интегрированным в пес виртуальным датчиком.
Рис. 6.6. - Обобщенный алгоритм работы ПАК.
Рис. 6.7. Алгоритм работы кон троллера.
Рис. 6.8. Алгоритм работы IICM.
Рис. 6.9. Алгоритм работы GATE.
Рис. 6.10. Алгоритм работы сотрудника лаборатории.
Рис. 6.11. Структурная схема системы автоматизации контроля цвета муки с использованием интеллектуальной цифровой видеокамеры.
Рис. 6.12. Обобщенная функциональная схема автоматизированного контроля цвета муки с использованием цифровой видеокамеры.
Рис. 6.13. Схема включения ЦБК в единую сеть управления.
Рис. 6.14. Реализация ПАК.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.