Разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Карелина, Екатерина Борисовна

• Карелина, Екатерина Борисовна
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Карелина, Екатерина Борисовна

Оглавление

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ТЕХНОЛОГИЧЕСКИХ СХЕМ ХРАНЕНИЯ МУКИ, ИСПОЛЬЗУЕМЫХ ТЕХНИЧЕСКИХ СРЕДСТВ, МЕТОДОВ И СРЕДСТВ АВТОМАТИЗАЦИИ. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1. Анализ технологического процесса хранения муки как объекта автоматизации

1.1.1. Анализ технологических схем хранения муки, используемых технических средств

1.1.2. Анализ влияния параметров микроклимата на качество готовой продукции

1.2. Обзор и анализ современных способов применения нейронных сетей для управления сложными техническими системами

1.2.1. Основные области применения нейронных сетей

1.2.2. Архитектура и разновидности нейронных сетей

1.2.3. Нейросетевой регулятор

1.2.4. Идентификация и нейросетевая модель сложного многопараметрического объекта управления

1.2.5. Анализ и сравнение нейросетевых и линейных регуляторов

1.2.6. Обзор существующих и выбор оптимального нейросетевого пакета

1.3. Выводы по первой главе

1.4. Задачи исследования

ГЛАВА 2. РАЗРАБОТКА МАТЕМАТИЧЕСКИХ И СТРУКТУРНО-ПАРАМЕТРИЧЕСКИХ МОДЕЛЕЙ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА БЕСТАРНОГО ХРАНЕНИЯ МУКИ

2.1 Параметрическая модель

2.2. Математическое моделирование

2.3. Структурно - параметрическая модель

2.4. Исходные допущения при построении и уточнении математической модели

2.5. Уравнение теплового баланса для микроклимата силоса

2.6. Влияние управляющих и возмущающих параметров на температуру воздуха в силосе

2.7. Влияние возмущающих и управляющих воздействий на абсолютную влажность воздуха в силосе

2.8. Влияние управляющих и возмущающих воздействий на содержание СО2 в силосе

2.9. Построение структуры взаимосвязи параметров микроклимата с управляющими и возмущающими факторами

2.10. Выводы по второй главе

ГЛАВА 3. РАЗРАБОТКА НЕЙРОСЕТЕВОГО РЕГУЛЯТОРА ДЛЯ УПРАВЛЕНИЯ ПРОЦЕССОМ БЕСТАРНОГО ХРАНЕНИЯ МУКИ

3.1. Постановка задачи

3.2. Экспериментальные исследования влияния температуры на влажность воздуха и содержание СО2

3.3. Этапы реализации нейросетевого регулятора

3.4. Разработка структурной схемы нейросетевого регулятора

3.5. Математическое описание нейросетевого регулятора и алгоритм обучения нейросети

3.5.1. Разработка архитектуры, подбор количества слоев и нейронов каждого слоя нейронной сети

3.5.2. Разработка алгоритма и проведение обучения нейронной сети

3.5.3. Алгоритм работы интеллектуального комплекса адаптивного управления параметрами микроклимата процесса БХМ

3.6.Имитационное моделирование технологического процесса бестарного хранения муки в AnyLogic

3.6.1. Обоснование выбора имитационного моделирования для построения модели

3.6.2. Варианты реализации модели

3.6.3. Мультиагентное имитационное моделирование

3.6.4. Агент регулировщик производственного процесса

3.7.Выводы по третьей главе

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОГО КОМПЛЕКСА ДЛЯ УПРАВЛЕНИЯ ПАРАМЕТРАМИ МИКРОКЛИМАТА СИЛОСА

4.1. Существующие автоматизированные системы управления ТП хранения муки

4.2. Анализ структуры и общее описание работы автоматизированной информационно-управляющей системы мукомольного предприятия

4.3. Разработка системы слежения и управления параметрами микроклимата силоса в SCADA-системе Trace Mode

4.4. Разработка РС-совместимой платформы как альтернативный вариант реализации нейросетевого регулятора

4.5.Проведение экспериментальных исследований с применением интеллектуального комплекса адаптивного управления параметрами микроклимата силоса

4.6. Интеграция интеллектуального комплекса в существующую АСУТП предприятия

4.7.Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

Список работ, в которых опубликованы основные положения диссертации

СПИСОК ЛИТЕРАТУРЫ

Приложение 1. Функциональная схема автоматизации

Приложение 2. Акт о внедрении результатов диссертационной работы в производственную деятельность

Приложение 3. Акт внедрения в учебный процесс результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки»

ВВЕДЕНИЕ

Актуальность работы. В современном социально-экономическом и геополитическом развитии России на первый план выходит развитие сельского хозяйства и пищевой промышленности. Как следствие, многократно возрастают требования к качеству и безопасности готового продукта, что существенно влияет на его конкурентоспособность. Среди множества отраслей пищевой промышленности важнейшая роль принадлежит мукомольной. Её продукция является чрезвычайно востребованной населением нашей страны. А это значит, что к качеству этой готовой продукции предъявляются особые повышенные требования. Хранение муки является одним из важнейших этапов технологического процесса производства муки [13,14, 41].

Бестарное хранение муки (БХМ) в силосах представляет собой сложный технологический процесс, который в значительной степени подвержен воздействию окружающей среды (температура, давление, влажность и др.). Если не принимать соответствующих мер, то под влиянием указанных факторов технологические свойства муки будут изменяться и выходить за пределы допустимых значений, т.е. мука может испортиться [12, 69, 86, 88].

На практике наиболее часто для стабилизации отдельных параметров используют автоматические регуляторы, а выбор стратегии и режима управления осуществляется на усмотрение операторов -технологов. Такой подход не обеспечивает достаточный уровень автоматизации процесса и обуславливает зависимость качества процесса от субъективного влияния ведущих процесс технологов [3-6].

На процесс хранения и созревания муки действуют различные возмущающие факторы, кроме этого сами параметры микроклимата тесно связаны между собой и изменение одного из них влечет за собой нежелательное изменение всех остальных. Следовательно, важно не только

стабилизировать отдельные параметры в предельно -допустимых значениях, но и поддерживать необходимое соотношение между этими параметрами. Стандартные ПИД-регуляторы также не могут решить данную задачу, так как не могут учесть нелинейность и многосвязность параметров микроклимата. Достичь высокого качества возможно посредством создания адаптивных автоматизированных систем управления технологическими процессами с применением интеллектуальных технологий.

В настоящее время интеллектуальные технологии управления используются при управлении космическими аппаратами [31-33], транспортными средствами [34-36] и др. Однако, известные работы в этой области направлены на решение частных задач, и предстоит выполнить значительный объем исследований для достаточно полной разработки этого вопроса с точки зрения теории и практики систем интеллектуального управления [14, 37-43].

На сегодняшний день наиболее перспективным представляется использование нейросетевых регуляторов для управления параметрами микроклимата в процессе хранения муки. Создание такой системы позволит: улучшить адаптационные способности регулятора за счет применения более гибкой технологии управления, повысить качество управления и, следовательно, качественные показатели технологического процесса, повысить экономическую эффективность производства в результате более точного поддержания основных технологических параметров и, соответственно, снижения расхода материальных и энергетических ресурсов, уменьшения процента порчи и т.п [2, 19-21].

В данной работе рассматривается задача разработки

интеллектуального комплекса для адаптивного управления параметрами

микроклимата процессов хранения муки, построенного с использованием

нейросетевого регулятора, позволяющего алгоритмизировать ручные

процессы управления с использованием профессиональных знаний и

5

опыта человека. В качестве объекта управления выбран технологический процесс бестарного хранения муки, поскольку для этого процесса характерна сложность, невозможность алгоритмизации управления и критическое влияние на качество процесса профессиональных знаний и опыта технолога, ведущего процесс.

В результате решения задачи предполагается разработка принципиальных решений автоматизированной, адаптивной, динамически развивающейся системы управления, основанной на работе нейросетевого регулятора, позволяющей учитывать динамику системы и обеспечивать требуемый уровень качества процесса в изменяющихся условиях его реализации за счет адаптации.

На актуальность поставленной задачи указывает мнение исследователей в области автоматизации управления [12, 13, 44 -46].

Степень разработанности темы исследования. В настоящее время проблемами автоматизации технологических процессов пищевой промышленности в научном плане занимаются следующие ученые: Благовещенская М.М., Битюков В.К., Бородин А.В., Ивашкин Ю.А., Красинский А.Я, Краснов А.Е., Благовещенский И.Г., Софиев А.Э., Широков Л.А., Черных В.Я. и др. Активные исследования ведутся в области интеллектуальных технологий управления применительно к управлению технологическими процессами [12-14, 47-53]. В области управления технологическими процессами, в том числе в пищевой промышленности известны работы [15, 19], посвященные исследованию объектов управления [54-56], совершенствованию и уточнению математических моделей подобных процессов [57-59], совершенствованию принципиальных решений автоматизированных систем управления [12, 21, 24].

В большинстве работ перечисленных авторов подчеркивается

сложность решаемой задачи и недостаточность данных для ее полного

решения, а также необходимость продолжения исследований в

6

рассматриваемой области. Практически отсутствует в известных библиографических источниках рассмотрение разработки нейросетевого регулятора для пищевой промышленности и, в частности, для процессов хранения продукции. Не решены задачи создания адаптивных, динамически развивающихся систем управления технологическими процессами пищевой промышленности, основанных на автоматизации управленческих функций человека-технолога и, в основном, заменяющих его при ведении процесса в условиях промышленного производства пищевой продукции.

Цели и задачи исследования.

Цель работы. Целью диссертационной работы является разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки (на примере силоса для бестарного хранения муки) и повышение эффективности управления ТП хранения муки путем использования интеллектуальных технологий.

Для достижения поставленной цели решались следующие задачи:

1. Анализ технологического процесса хранения муки как объекта автоматизации.

2. Обзор и анализ современных способов применения нейронных сетей для управления сложными техническими системами.

3. Разработка структурно - параметрической модели ТП бестарного хранения муки.

4. Разработка математической модели объекта управления, показывающая различные взаимосвязи параметров микроклимата между собой и с внешними возмущающими факторами.

5. Разработка структуры и алгоритма нейросетевого регулятора для управления нестационарным технологическим процессом (на примере параметров микроклимата процесса бестарного хранения муки).

6. Построение имитационной модели технологического процесса бестарного хранения муки в AnyLogic..

7. Разработка системы слежения и управления параметрами микроклимата силоса в SCADA-системе Trace Mode.

8. Разработка РС-совместимой среды для проведения опытно-промышленных испытаний.

9. Разработка технических решений для реализации системы интеллектуального управления процессом пищевого производства и оценка результатов опытно-промышленной эксплуатации.

Объектом исследования являлся типовой силос для бестарного хранения муки, а также процессы сбора, анализа и обработки информации, в задачах непрерывного контроля показателей микроклимата в процессе хранения муки.

Предметом исследования и разработок являются совокупность теоретических, методологических и практических задач, связанных с созданием интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки и соответствующее информационное, математическое, алгоритмическое и программное обеспечение.

Методы и средства исследований. В работе используются аналитические методы исследования, методы компьютерного моделирования и экспериментальные исследования, выполненные на натуральных объектах в производственных условиях.

Поставленные в работе задачи решены с использованием

методологических и математических основ построения адаптивных систем

поддержки и принятия решений, основных положений теории

автоматического управления, теории нейронных сетей, общих принципов

математического моделирования, элементов теории искусственного

интеллекта, методов системного анализа и математической статистики,

Численная и графическая обработка результатов исследований

8

производилась с применением МаШЬ, системы визуального моделирования Simulink и SCADA-системы TraceMode.

Научная новизна работы.

1. Представлена математическая модель микроклимата в силосе в виде многосвязной структуры внутренних и возмущающих параметров.

2. Разработана структура нейросетевого регулятора, используемого в силосе для адаптивного управления параметрами микроклимата в процессе бестарного хранения муки.

3. Представлено математическое описание нейросетевого регулятора, структурная схема нейросети и алгоритм обучения нейросети.

4. Разработан алгоритм работы интеллектуального комплекса контроля и регулирования параметров микроклимата в процессе бестарного хранения муки.

5. Представлено имитационное моделирование ТП БХМ в среде AnyLogic.

6. Разработана РС-совместимая платформа для проведения экспериментальных исследований с дальнейшим их анализом.

Практическая значимость работы. Практическая значимость работы представлена:

1. Структурно-параметрической моделью процесса бестарного хранения муки.

2. Рекомендациями по учету взаимосвязей технологических параметров процесса хранения муки при разработке его математической модели.

3. Рекомендациями по разработке структуры нейросетевого регулятора.

4. Методикой выбора архитектуры и алгоритма обучения нейросети.

5. Моделирование склада БХМ в среде AnyLogic.

9

6. Разработкой системы слежения и сбора параметров ТП хранения муки в SCADA-системе TraceMode.

7. Разработкой РС-совместимой среды для проведения опытно-промышленных испытаний.

8. Результатами исследований опытно -промышленной эксплуатации системы интеллектуального управления параметрами микроклимата в силосе.

Достоверность полученных в работе результатов обеспечивается адекватным использованием методов исследований и соответствующего математического аппарата; проверкой полученных выводов, моделированием и проведением натурного эксперимента в производственных условиях ОАО "Мельничный комбинат в Сокольниках", в ходе которого получены данные, соотносящиеся с вычислительным экспериментом.

Основные положения, выносимые на защиту:

1. Формализованное описание параметров микроклимата технологического процесса хранения муки в виде многосвязной системы автоматического регулирования.

2. Структурная схема нейросетевого регулятора.

3. Архитектура нейросети, математическое описание и алгоритм обучения ИНСМ.

4. Алгоритмы работы нейросетевой модели и интеллектуального комплекса адаптивного управления параметрами микроклимата в процессе БХМ.

5. Имитационное моделирование ТП БХМ в среде AnyLogic.

6. Практическая реализация интеллектуального комплекса для управления параметрами микроклимата силоса.

7. Разработка системы слежения и управления параметрами микроклимата силоса в SCADA-системе Trace Mode.

8. Создание РС-совместимой среды для проведения опытно-

промышленных испытаний.

Апробация работы.

Результаты работы докладывались на конференциях и семинарах: V международной научно-практической конференции " 21 век: фундаментальная наука и технологии " (« 21 century: fundamental science and technology V») ,10-11 ноября 2014 г., North Charleston, USA; Международной научнопрактической конференции «Автоматизация и управление технологическими и бизнес - процессами пищевой промышленности», 15 - 17 апреля 2015 г., МГУПП, II международная научно-практическая конференция «Автоматизация и управление технологическими и бизнес-процессами в пищевой промышленности», май 2016 г., МГУПП, XV международная научная конференция студентов и молодых ученых «Живые системы и биологическая безопасность населения», 17 декабря, 2017г., МГУПП, Конференция с международным участием «Современное состояние и перспективы развития упаковки в пищевой промышленности», 5 апреля, 2018г., МГУПП.

Публикации. По материалам диссертации опубликовано 15 печатных работ. Из них 5 статей в журналах, входящих в список ВАК, 10 в сборниках научных докладов международных конференций.

Структура диссертационной работы.

Диссертационная работа состоит из введения, 4 глав, заключения, списка используемой литературы (118 источников) и приложений. Работа изложена на 193 страницах машинописного текста, содержит 64 рисунка, 11 таблиц, 3 приложения.

ГЛАВА 1. АНАЛИЗ ТЕХНОЛОГИЧЕСКИХ СХЕМ ХРАНЕНИЯ МУКИ, ИСПОЛЬЗУЕМЫХ ТЕХНИЧЕСКИХ СРЕДСТВ, МЕТОДОВ

И СРЕДСТВ АВТОМАТИЗАЦИИ. ПОСТАНОВКА ЗАДАЧИ

ИССЛЕДОВАНИЯ

1.1. Анализ технологического процесса хранения муки как объекта

автоматизации.

Хранение муки является одним из важнейших этапов технологического процесса её производства. При комплексном подходе к проектированию и автоматизации склада БХМ мука не потеряет свои хлебопекарные свойства, а наоборот, улучшит.

1.1.1. Анализ технологических схем хранения муки, используемых

технических средств.

Технологический процесс на складе БХМ состоит из следующих этапов: прием муки из мельницы, хранение ее в силосах и отпуск в автомуковозы.

На складе БХМ предусмотрено раздельное хранение муки по сортам и применение аэрозольтранспорта для передачи ее из мукомольного завода в силосы (рис. 1.1). При заполнении силосов осуществляется аэрация сжатым воздухом через системы перфорированных труд. В каждом силосе есть датчики для определения верхнего и нижнего уровня муки. Разгрузка силосов и загрузка автомуковозов мукой осуществляется при помощи аэрозольтранспорта, либо при помощи винтовых шнеков с телескопическими разгрузчиками [39, 69].

Рис 1.1. Технологическая схема склада БХМ на мелькомбинате в

Сокольниках.

Мука из силосов направляется в бункера. До поступления в шлюзовый питатель, мука проходит через просеивающие машины.

Система бестарного хранения муки представляет собой целый комплекс оборудования, основными составляющими которой являются силосы для хранения, транспортные системы, а так же системы для измерения объема продуктов в силосе.

Силосы для хранения муки

По своей конструкции силоса для сыпучих веществ изготавливаются вертикального исполнения на металлических опорах с системой верхней

загрузки продукта и раздачи его через патрубок в самой нижней части силоса.

Металлический силос (рис. 1.2) состоит из цилиндрического резервуара вертикального исполнения с плоским верхом и коническим днищем, установленного на опорный каркас. Высота опорного каркаса варьируется в зависимости от типа и способа забора продукта из силоса. Для обслуживания силоса на его крыше устанавливается смотровой люк для доступа вовнутрь резервуара. Для подъема на силос предусмотрена лестница-стремянка с промежуточными площадками на корпусе и площадка с ограждением на крыше.

Рис. 1.2. Силосы для хранения муки.

Промышленный фильтр

Силос является средством для хранения сыпучих различных материалов. Однако так как силосы имеют довольно внушительные размеры и представляют собой закрытые помещения, необходима установка специального оборудования, предназначенного для очистки воздуха в помещении, и для того чтобы пыль от материалов не попадала в

окружающую нас среду. Средством очистки силоса является промышленный фильтр (рис. 1.3.)

Рис 1.3. Промышленные фильтры.

На сегодняшний день очень эффективно применяется воздушный промышленный фильтр. Этот фильтр позволяет быстро устранить пыль в помещении и очистить воздух. В конструкции воздушного промышленного фильтра использованы не только новые элементы оборудования, но также и старые, надежные и уже зарекомендовавшие свою работоспособность. Промышленный фильтр имеет корпус, который изготовлен, из нержавеющей стали, что позволяет ему противостоять всем возможным воздействиям внешней среды и климатическим изменениям. Это очень компактное устройство, которое эффективно работает по очистке воздуха и, причем его работа совершенно не препятствует наполнению силоса мукой [95, 98, 99].

Промышленный фильтр для муки необходим, для того чтобы обеспечить чистоту воздуха в помещении и предотвратить образование влаги, которая является главным врагом такой продукции. Правильно подобранные промышленные фильтры обеспечат максимальную чистоту и надежность хранения любого вида продукции.

Показатели качества муки и лабораторные методы их анализа.

Качественные показатели муки должны соответствовать различным ГОСТам и нормативам, т.к. это неотъемлемая часть выпуска готовой и

безопасной продукции, поэтому работники лаборатории мелькомбината должны регулярно проводить контроль качества муки.

Лабораторные методы определения показателей качества муки используют для установления влажности, зольности, крупности помола, кислотности и количества металлических примесей. В таблице 1.1. приведены основные качественные показатели муки и способы их определения [101, 105, 111].

Таблица 1.1. Качественные показатели муки,

определяемые лабораторными методами.

Л» п/п Параметр Описание, способ определения

1. Влажность Влажность муки является одним из важнейшие показателей качества. В зависимости от степени влажности муки (сухая, полусухая и влажная выбирается способ и период её хранения. Влажность муки определяют преимущественнс высушиванием 5 г. муки при 130° в течение 4С минут (ГОСТ 9404—60). • [ )

2. Зольность Зольность служит основным показателем сорта муки. Для каждого сорта муки стандартом и временными техническими условиями установленная определенная зольность в пересчёте на сухое вещество муки. Отклонение от норм допускается не выше 0.05%. Определение зольности производится в лабораториях путём сжигания в предварительно прокаленном и взвешенном тигле 1,5 - 3 г (ГОСТ 27494-87).

3. Крупность помола При замешивании теста мелкая мука быстрее поглошает влагу. следовательно вреш образования теста сокращается. Исходя из этогс крупность помола имеет очень важное значение. Проверяют крупность муки путем просеиванш образца (50 г.) через набор сит. указанных для каждого сорта в технических условиях на мук> (ГОСТ 27560). к !

Таблица 1.1. Продолжение.

4. Кислотность Повышение кислотности муки является следствием неправильной организации склада б естар но го хр анения. Кислотность муки выражается в градусах кислотности, которые показывают сколько кубических сантиметров нормального раствора щелочи требуется для нейтрализации кислот, содержащихся в 100 граммах муки. Кислотность муки определяют методом определения кислотности по болтушки (ГОСТ 27493 - 87). Сущность метода заключается в титровании гидроокисью натрия всех кислореагирующих веществ муки.

5. Вредные примеси в муке К таким примесям относят спорынью, головлю. горчак, везель и куколь. Содержание в муке головни, спорыньи, горчака и вез ел я вместе должно быть не более 0.05% (в т.ч. горчака и везеля не более 0.04%). Куколя допускается не более 0.1%. Металл о магнитные примеси выделяются при помощи магнита механизированным способом или вручную (ГОСТ 20239-74).

При помощи органолептических методов определяют такие показатели качества муки как цвет, свежесть (по запаху и вкусу), зараженность вредителями (Таблица 1.2.). Определение этих параметров является наиболее сложным с точки зрения точности, т.к. их определение основано на субъективных решениях главного технолога, основывающегося на различных ГОСТах [12].

Таблица 1.2. Показатели качества муки,

определяемые органолептическими методами.

№ п/п Параметр Описание, способ определения

1. Цвет Цвет муки определяется путём сравнения испытуемой муки с известным образцом муки (эталоном). Определение производится при рассеянном дневном свете, причем мука должна быть одинаковой влажности и крупности (ГОСТ 27558-87).

2. Запах Свежая мука обладает слабым, свойственным её запахом. Затхлы и кислый запах муки указывают на то. что она испорчена или получена из несвежего зерна. Необходимо учитывать, что мука может поглощать посторонние запахи. Для обнаружения запаха небольшое количество муки согревают на ладони дыханием и затем определяют запах. Можно также насыпать муку в стакан, облить горячей водой (60°). накрыть, дать постоять 2-3 минуты, слить воду и определить запах (ГОСТ 27558).

3. Вкус Мука нормального качества имеет при разжевывании слабо сладковатый, почти пресный вкус. Слабокислый привкус указывает уже на несвежесть муки, а явно кислый или горький вкус - на то. что мука испорчена. Разжевыванием щепотки муки устанавливают отсутствие хруста на зубах из-за наличия песка, земли и тому подобных минеральных примесей (ГОСТ 27558).

4. Зараженность вредителями В муке не допускается наличие амбарных вредителей - жуков, бабочек, клешей и их личинок. Насекомые и клещи выделяются путем просеивания муки н на ситах н визуального обнаружения живых и мертвых особей (ГОСТ 27559).

Физико-механические и биохимические свойства муки.

При проектировании и эксплуатации установок бестарного хранения муки необходимо учитывать влияние всего многообразия свойств хранимого материала. Особенно важно при этом выделить те свойства, которые определяют условия его бестарного хранения, аэрацию, выпуск и транспортирование [102, 95].

К этим свойствам относятся такие физико-механические свойства, как влажность, объемная масса, плотность частиц, гранулометрический состав, морфологическая характеристика, свойства, характеризующие сдвиговые и деформационные процессы.

Влажность является одним из важнейших показателей физических свойств сыпучих материалов. При хранении муки её влажность может изменяться до величины равновесной влажности, соответствующей относительной влажности воздуха в помещении склада. Влажность муки колеблется от 12,5% до 15%.

Температура является фактором, способствующим протеканию в муке как вредных, так и полезных процессов. Температурный режим выбирается исходя из сроков хранения и требуемой температуры муки.

Объемная масса необходима для расчетов и проектирования силосов, а так же для определения сыпучести продукта.

Плотность сыпучего материала это плотность составляющих его частиц или отношение массы твердых частиц к их объему. Плотность муки различна в зависимости от сорта.

Гранулометрический состав - это количественное распределение частиц сыпучего материала по классам крупности. Под термином крупность частиц, имеющих обычно неправильную форму, подразумевают средний размер частиц. Морфологическая характеристика муки подразумевает наличие различного содержания частиц округлой и неправильной формы и исходя их этого, определяет степень

относительной подвижности муки того или иного сорта при выпуске её из силоса.

Фрикционные свойства являются основными факторами, определяющими сдвиговые и деформационные процессы в муке т.е. первоначальное сопротивление сдвигу, внутреннее и внешнее трение, сцепление, угол естественного откоса.

В совокупности рассмотренные факторы и определяют поведение муки при хранении.

Биохимические свойства муки зависят от соотношения в ней частиц измельченного эндосперма, оболочек, алейронового слоя и зародыша.

К биохимическим свойствам муки относятся: содержание крахмала, содержание белков, содержание клетчатки, содержание золы, кислотность, количество жира, кислотное число жира.

1.1.2. Анализ влияния параметров микроклимата на качество

готовой продукции.

Можно выделить следующие показатели качества муки, которые при несоблюдении условий хранения напрямую влияют на качество готовой продукции:

• Влажность (р).

• Кислотность фИ)

Во время хранения муки, особенно свежемолотой, в ней происходит ряд процессов, вызывающих изменение её качества.

В зависимости от исходных свойств муки, продолжительности и условий хранения её качество может либо улучшаться (созревание муки), либо ухудшаться (порча муки) [93].

Свежемолотая мука образует обычно липковатое, мажущееся и быстро разжижающееся при брожении тесто. При расстойке тестовые

заготовки быстро расплываются, а хлеб из такой муки получается пониженного объема и при выпечке на поду расплывается.

После хранения в нормальных условиях хлебопекарные свойства свежемолотой муки улучшаются. Тесто и хлеб из муки, прошедшей период созревания, обладают нормальными для этой муки свойствами. На примере пшеничной муки рассмотрим происходящие с мукой изменения:

Изменение влажности. Как уже было сказано выше, влажность муки при хранении изменяется до величины влажности, соответствующей параметрам воздуха в складе.

Изменение цвета. Во время хранения цвет муки становится светлее. Причиной является окисление содержащихся в муке пигментов.

Список литературы диссертационного исследования кандидат наук Карелина, Екатерина Борисовна, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. ЮНИТИ, 1998.

2. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; перевод с польского И. Д. Рудинский. - М.: Горячая линия -Телеком, 2006. - 452 с.

3. Бокс Д., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.:Мир, 1974. Т. 2

4. Болонкин В. Е., Чинаев П. И. Анализ и синтез систем автоматического управления на ЭВМ: алгоритмы и программы. М.:Радио и связь, 1991.

5. Бондарь Т. А., Логовский А. С. Нейрокомпьютеры в управлении // Зарубежная радиоэлектроника: Успехи современной радиоэлектроники. 1997. № 2.

6. Брайсон А., Ю-Ши Х. Прикладная теория оптимального управления. М.:Мир, 1972.

7. Браммер К., Зиффлинг Г. Фильтр Калмана-Бьюси. М.:Наука, 1982.

8. Вукобратович М., Д. С. Требуется ли адаптивное управление для манипуляционных роботов, и если да, то в какой мере // Изв. АН СССР, Техническая кибернетика. 1991. № 1. С. 115-125.

9. Головко В. А. Нейронные сети: обучение, организация и применение. Нейрокомпьютеры и их применение. М.:ИПРЖР, 2001.

10. Горбань А. Н. Обучение нейронных сетей. М.:СП Параграф, 1990.

11. Комашинский, В. И. Нейронные сети и их применение в системах управления и связи / В. И. Комашинский, Д. А. Смирнов. - М.: Горячая линия - Телеком, 2003. - 94 с.

12. Савосин, С. И. Интеллектуальная система контроля влажности и температуры воздуха в теплице: диссертация на соискание степени

кандидата технических наук: 05.13.06 / Савосин Сергей Иванович. -М., 2009. - 132 л.

13. Благовещенская, М. М. Информационные технологии систем управления технологическими процессами. Учеб. для вузов / М. М. Благовещенская, Л. А. Злобин. - М.: Высш. шк., 2005. - 768 с.

14. Чижов, А. А. Автоматическое регулирование и регуляторы в пищевой промышленности / А. А. Чижов, Л. М. Федоровский, В. Д. Чернецкий. - 2-е изд., перераб. и доп. - М.: Легкая пищевая пром-сть, 1984. - 240 с.

15. Рысс, А. А. Автоматическое управление температурным режимом в теплицах / А. А. Рысс, Л. И. Гурвич. - М.: Агропромиздат, 1986. -128 с.

16. Елисеев В. Л., Филаретов Г. Ф. Моделирование ПИД-контроллера с помощью искусственной нейронной сети // Перспективные технологии автоматизации. Вологда: 1999. С. 108.

17. Свистунов, В. М. Отопление, вентиляция и кондиционирование воздуха объектов агропромышленного комплекса и жилищно-коммунального хозяйства: учебник для вузов / В. М. Свистунов, Н. К. Пушняков. - СПб.: Политехника, 2001. - 423 с.

18. Поспелов, Д. А. Ситуационное управление: теория и практика. - М.: Наука. - Гл. ред. физ.-мат. лит., 1986. - 288 с.

19. Васильев, В. И. Интеллектуальные системы управления. Теория и практика: учебное пособие / В. И. Васильев, Б. Г. Ильясов. - М.: Радиотехника, 2009. - 392 с.

20. Еремин Д. М. Разработка и исследование нейросетевого регулятора для систем автоматизированного управления: к.т.н. 1995.

21. Жучков А. А. Применение нейросетей для реализации типовых задач АСУТП ядерных реакторов с привлечением критериев снижения рисков // Труды VIII Всероссийской конференции

"Нейрокомпьютеры и их применение" с международным участием НКП-2002. Москва: 2002. — март. С. 592-593. Диагностика.

22. Интеллектуальные системы автоматического управления / Под ред. И. М. Макарова, В. М. Лохина. - М.: ФИЗМАТЛИТ, 2001. - 576 с.

23. Алиев, Р. А. Производственные системы с искусственным интеллектом / Р. А. Алиев, Н. М. Абдикеев, М. М. Шахназаров. - М.: Радио и связь, 1990. - 264 с.

24. Комашинский В. И., Смирнов Д. А. Нейронные сети и их применение в системах управления и связи. М.:Горячая линия-Телеком, 2003.

25. Кохонен Т. Ассоциативная память. М.:Мир, 1980.

26. Куропаткин П. В. Теория автоматического управления. М.:Высшая школа, 1973.

27. Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. Нейрокомпьютеры и их применение. М.:Радиотехника, 2000.

28. Хаустов, П. А. Разработка системы оптического распознавания символов на основе совместного применения вероятностной нейронной сети и вейвлет-преобразования / П. А. Хаустов, Д. С. Григорьев, В. Г. Спицын // Известия Томского Политехнического Университета. - 2013. - № 5. - Т. 323. - С. 101-105.

29. Острем К. Ю. Введение в стохастическую теорию управления. М.:Мир, 1973.

30. Гладких, Т. В. Автоматизация выявления рисков сбоев с помощью нейронной сети / Т. В. Гладких, С. Ю. Леонов // Вестник Национального Технического Университета Харьковский Политехнический Институт. Серия: Информатика и Моделирование. - 2010. - № 31. - С. 65-73.

31. Крушель, Е. Г. Нелинейные алгоритмы регулирования

микроклимата / Е. Г. Крушель, В. Г. Семенов, И. В. Степанченко, В.

В. Сургутанов // Известия ВолгГТУ. - 2007. - № 3. - С. 89-92.

174

32. Современная теория систем управления, Под ред. К. Т. Леондес. М.:Наука, 1970.

33. Семенов, В. Г. Математическая модель микроклимата теплицы / В. Г. Семенов, Е. Г. Крушель // Известия ВолгГТУ. - 2009. - № 6. - С. 32-35.

34. Теория автоматического управления. Часть I, Под ред. А. В. Нетушил. М.:Высшая школа, 1968.

35. Карелина Е.Б., Благовещенская М.М., Клехо Д.Ю. Внедрение Scada-системы Trace Mode в производственные процессы на примере бестарного хранения муки.// Вестник Воронежского государственного университета инженерных технологий. 2015. № 2 (64). С. 82-85.

36. Тюкин И. Ю. Алгоритмический синтез нейросетевых систем управления нелинейными динамическими объектами в условиях неопределенности: Кандидатская диссертация / ЛЭТИ. 2001.

37. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.:Мир, 1992.

38. Пешко М.С. Адаптивная система управления параметрами микроклимата процессов производства и хранения пищевых продуктов. Кандидатская диссертация / Омск 2015.

39. 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. унив. изд-во, 2007. — 268 с.

40. Апанасенко, С. И. Автоматизация контроля влажности кондитерских масс с применением интеллектуальных технологий [Текст] : дис. канд. техн. наук : 05.13.06 / Апанасенко Сергей Игоревич. — М., 2010. — 131 с.

41. Апанасенко С.И., Благовещенская М.М., Благовещенский И.Г. О

перспективах создания системы автоматического контроля

175

влажности кондитерских масс в потоке с использованием аппарата искусственных нейронных сетей // Материалы первой международной научно - практической конференции - выставки «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины». - М.: Издательский комплекс МГУПП, 2012. С. 212 - 214.

42. 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.

43. Химмельблау Д. Прикладное нелинейное программирование. М.:Мир, 1975.

44. Благовещенский И.Г. Автоматизированная экспертная система контроля в потоке показателей качества помадных конфет с использованием нейросетевых технологий и систем компьютерного зрения. Кандидатская диссертация, Москва, 2015.

45. Barto A. G., Sutton R. S., Anderson C. W. Neuron like adaptive elements that can solve difficult learning control problem // IEEE Trans. on Systems, Man and Cybernatics. 1983. Vol. 13, no. 5. Pp. 834-846.

46. Basu A., Bartlett E. B. Detecting faults in a nuclear power plant by using dynamic node architecture artificial neural networks // Nuclear science and engineering. 1994. Vol. 116, no. 4. Pp. 313-325.

47. Benne M., Grondin-Perez B., Chabriat J.-P., Herv'e P. Artificial neural networks for modelling and predictive control of an industrial evaporation process // Journal of food engineering. 2000. no. 46. Pp. 227-234.

48. Boquete L., Garca R., Barea R., Mazo M. Neural control of the movements of a wheelchair // Journal of intelligent and robotic systems. 1999. no. 25. Pp. 213-226.

49. Bouchard M. New recursive-least-squares algorithms for non-linear active control of sound and vibration using neural networks // IEEE Trans. on Neural Networks. 2001. Vol. 12, no. 1. Pp. 135-147.

50. Chen P. C., Mills J. K. Synthesis of neural networks and PID control for performance improvement of industrial robots // Journal of Intelligent and Robotic Systems. 1997. Vol. 20. Pp. 157-180.

51. Благовещенская М.М. Основы стабилизации процессов приготовления многокомпонентных пищевых масс: монография. -М., 2009. - 281 с.

52. Благовещенская М.М. Автоматика и автоматизация пищевых производств: Учебник для студентов инженерно -технологических специальностей пищевых высших учебных заведений/ М.М. Благовещенская, Н.О Воронина, А.В. Казаков, И.К. Петров, Е.А. Прокофьев. Москва 1991 г. C. 81-83.

53. Fabri S., Kadirkamanathan V. Dual adaptive control of nonlinear stochastic systems using neural networks // Automatica. 1998. Vol. 34, no. 2. Pp. 245-253.

54. Благовещенская М. М., Благовещенский И.Г., Назойкин Е.А. Методика автоматической оценки качества пищевых изделий на основе теории искусственных нейронных сетей. // «Пищевая промышленность», №2 , 2015. - с. 42 - 45 (общ. объем 0,3 п.л.).

55. Благовещенская М.М., Шаверин А.В., Благовещенский И.Г. Автоматизация контроля показателей вкуса шоколадных изделий на основе использования нейронных сетей // «Хранение и переработка сельскохозяйственного сырья», №8, 2012. - с. 50 - 52.

56. Gibb J. C. G. H. Back Propagation Family Album: Tech. Rep. C/TR96 -05: Department of Computing, Macquarie University, 1996. — August.

57. Gorinevsky D., Feldkamp L. A. RBF network feedforward compensation of load disturbance in idle speed control // IEEE Control Systems Magazine. 1996. Vol. 16, no. 6.

58. Haykin S., Yee P., Derbez E. Optimum nonlinear filtering // IEEE Trans. on Signal Processing. 1997. Vol. 45, no. 11.

59. Карелина Е.Б., Благовещенская М.М., Благовещенский И.Г. Структурно-параметрическое моделирование как инструмент определения критерия качества на складе бестарного хранения муки.// Хранение и переработка сельхозсырья. 2015. № 4. С. 36-39.

60. Kavehercy S. The Optimal Control of the Water Vessel Process. Master's thesis, University of Amsterdam, Autonomous Systems Group, 1996. — May.

61. Khalid M., Omatu S., Yusof R. Temperature regulation with neural networks and alternative control schemes // IEEE Trans. on Neural Networks. 1996. Vol. 6, no. 3.

62. Ku C.-C., Lee K. Y. Diagonal recurrent neural networks for dynamic systems control // IEEE Trans. on Neural Networks. 1996. Vol. 6, no. 1.

63. Levin A. U., Narendra K. S. Recursive identification using feedforward neural networks // International journal of control. 1995. Vol. 61, no. 3. Pp. 533-548.

64. Liao L.-Z. A recurrent neural network for N-stage optimal control problems // Neural Processing Letters. 1999. no. 10. Pp. 195-200.

65. Lin F.-J., Wai R.-J., Hong C.-M. Hybrid supervisory control using recurrent fuzzy neural network for tracking periodic inputs // IEEE Trans. on Neural Networks. 2001. Vol. 12, no. 1. Pp. 69-90.

66. Lin T., Horne B. G., Ti'no P., Giles C. L. Learning long-term dependencies is not as difficult with NARX recurrent neural networks // IEEE Trans. on Neural Networks.

67. Narendra K. S., Mukkopadhyay S. Intelligent control using neural networks // Intelligent control systems: theory and applications / Ed. by G. M. M., S. N. K. IEEE Press, 1996.

68. Narendra K. S., Parthasarathy K. Identification and control of dynamical

systems using neural networks // Artificial neural networks: concepts and

178

control applications / Ed. by V. V. R. IEEE computer soc. press, 1992. Pp. 444-468.

69. Карелина Е.Б., Благовещенская М.М., Кириллов С.Б. Автоматизация процесса бестарного хранения муки.// Хранение и переработка сельхозсырья. 2015. № 4. С. 12-15.

70. Online demo. 2011. URL: http://neuroph.sourceforge.net/online_demo. html (дата обращения: 10-Apr-2011).

71. Park Y.-M., Choi M.-S., Lee K.-Y. An optimal tracking neuro-controller for non-linear dynamic systems // IEEE Trans. on Neural Networks. 1996. Vol. 7, no. 5.

72. Pican N., Alexandre F., Haton J., Bresson P. NeuroControl of Temperatures with OWE Neural Network Architecture in Continuous Steel Annealing Furnace. 1995. URL: citeseer.nj.nec.com/pican95neurocontrol.html.

73. RayChaudhuri T., Hamey L. G. C., Bell R. D. Neural network control using active learning // Control. 1995. Vol. 2. Pp. 369-373.

74. Ronco E., Gawthrop P. J., Hill D. J. Gated modular neural networks for control oriented modelling: Tech. Rep. EE-98009: Systems and control laboratory, University of Sydney and Center for systems and control, University of Glasgow, 1998.

75. Rumelhart D. E., Hinton G. E., Williams R. J. Learning internal representations by error propagation. Cambridge, MA, USA: MIT Press, 1986. Pp. 318-362. ISBN: 0-262-68053-X. URL: http ://portal.acm.org/citation.cfm?id= 104279.104293.

76. Sontag E. D. Some topics in neural networks and control: Tech. Rep. LS93-02: Department of Mathematics, Rutgers University, 1993. — July.

77. Steck J. E., Rokhsaz K., Shue S.-P. Linear and neural network feedback for flight control decoupling // IEEE Control Systems Magazine. 1996. Vol. 16, no. 4.

78. Suykens J. А. К., Vandewalle J. P. L., Moor В. L. R. Artificial neural networks for modelling and control of non-linear systems. Kluwer Academic Publishers, 1996.

79. Tariq S. Neurocontrol: Concepts and Practical Considerations // Intelligent control systems: theory and applications / Ed. by G. M. M., S. N. K. IEEE Press, 1996.

80. Toudeft A., Kosuth P., Gallinari P. A PID neural controller for unstable delayed linear systems.

81. Uhrig R. E. Potential applications of neural networks to the operation of nuclear power plants // Nuclear safety. 1991. Vol. 32, no. 1. Pp. 68-79.

82. Vasi^ckaninov'a A., Bako^sov'a M. Neural Network Predictive Control Of A Chemical Reactor // Proceedings 23rd European Conference on Modelling and Simulation. Madrid, Spain.: 2009.

83. Wai R.-J., Lin H.-H., Lin F.-J. Hybrid controller using fuzzy neural networks for identification and control of induction servo motor drive // Neurocomputing. 2000. no. 35. Pp. 91-112.

84. Wang D., Bao P. Enhancing the estimation of plant Jacobian for adaptive neural inverse control // Neurocomputing. 2000. no. 34. Pp. 99-115.

85. Warwick K. Neural networks for linear control: an analysis // Mathematics and Computers in Simulation. 1996. no. 41. Pp. 29-37.

86. Карелина Е.Б., Благовещенская М.М., Клехо Д.Ю. Использование нейросетевого регулятора для управления технологическим процессом бестарного хранения муки. //Хранение и переработка сельхозсырья. 2017. № 9. С. 38-40.

87. Карелина Е.Б., Благовещенская М.М., Клехо Д.Ю. Построение структуры взаимосвязи параметров микроклимата силоса для бестарного хранения муки. // Хранение и переработка сельхозсырья. 2017. № 10. С. 15-18.

88. Карелина Е.Б., Благовещенская М.М., Савостин С.Д.

Автоматизация контроля в потоке дисперсности муки с

180

использованием нейросетевых технологий. В

сборнике: Современные биотехнологии в производстве продуктов питания Международная конференция. 2016. С. 63-67.

89. Карелина Е.Б., Благовещенская М.М. Выбор оптимального нейросетевого пакета для контроля качества муки. // В книге: Фундаментальные и прикладные задачи механики. Тезисы докладов международной научной конференции, посвященной 170-летию со дня рождения великого русского ученого Н.Е. Жуковского. 2017. С. 219.

90. Карелина Е.Б., Благовещенская М.М., Петряков А.Н., Благовещенский И.Г. Разработка системы оценки качества пищевых изделий с использованием искусственных нейронных сетей. // В сборнике: Автоматизация и управление технологическими и бизнес-процессами в пищевой промышленности. Сборник научных докладов II международной научно-практической конференции. 2016. С. 165-170.

91. Карелина Е.Б., Благовещенская М.М., Клехо Д.Ю. Программно-аппаратный комплекс для контроля качественных показателей муки при её бестарном хранении. В сборнике: Общеуниверситетская студенческая конференция студентов и молодых ученых "День науки" Сборник материалов конференции: в 6 частях. 2017. С. 275279.

92. Карелина Е.Б., Благовещенская М.М. Применение нейросетевых методов анализа и обработки данных для контроля качественных показателей муки в процессе хранения. // В сборнике: Общеуниверситетская студенческая конференция студентов и молодых ученых "День науки" Сборник материалов конференции: в 6 частях. 2017. С. 271-275.

93. Карелина Е.Б. Моделирование процесса поддержания

микроклимата в силосах. // В сборнике: Живые системы и

181

биологическая безопасность населения. Сборник материалов XV международной научной конференции студентов и молодых ученых. 2017. С. 124-128.

94. Карелина Е.Б. Применение нейросетевых регуляторов в пищевой промышленности. // В сборнике: Живые системы и биологическая безопасность населения. Сборник материалов XV международной научной конференции студентов и молодых ученых. 2017. С. 121124.

95. Савостин С.Д. Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий. Кандидатская диссертация, Москва, 2014.

96. Шаверин, А. В. Автоматизация контроля показателей вкуса шоколадных изделий : дис. ... канд. техн. наук : 05.13.06 / Шаверин Андрей Вениаминович. — М., 2009. — 148 с.

97. Тужилкин В.И., Горбатюк А.В., Новицкий В.О. Создание комплексных информационных систем для управления предприятиями перерабатыва- 238 ющих отраслей АПК // Сб. науч. тр./ МГУПП-М. :Изд. комплекс МГУПП,2001.-С.393- 395.

98. Стрелков Е.В., Савостин С.Д. Задачи повышения эффективности автоматизированного контроля на мукомольном производстве. // «Русский инженер», №1 (40), март 2014. - с. 50 - 51.

99. 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. Сорокопудэ. — Кемерово: КемТИПП, 2006. — 168 с.

100. Серебренников, Л.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

182

имени А.П.Ершова СО РАН. — Новосибирск, 2006. — С. 192-206.

— Библиогр.: с. 206.

101. Савостин С.Д. и др. Автоматизация размольного отделения мукомольного производства / Демидова Е.А., Осипов В.С., Зинов А.А., Благовещенская М.М., 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 МГУПП, 2014. Часть 2, с. 32 - 36.

102. Савостин С.Д. и др. Структурно- функциональный анализ процесса бестарного хранения муки как объекта управления / Виноградов А.И., Савостин 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.

103. Савостин С.Д., Жирнова Е.В. Создание системы менеджмента качества на мукомольном предприятии, методические и практические решения //Материалы первой межд. НТ конференции

- выставки «Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины». - М.: Издательский комплекс МГУПП, 2012. с.38 - 41.

104. Парр Э. Программируемые контроллеры. Руководство для инженера - М.: Бином. Лаборатория знаний, 2007. - 248 с.

105. 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.

183

106. Нестеров А.Л. Проектирование АСУТП. Методическое пособие. Книга 1 - СПб.: Деан, 2006.

107. Клюев А.С., Глазов Б.В., Дубровский А.Х., Клюев А.А. Проектирование систем автоматизации технологических процессов - М.: Энергоатомиздат, 1990. - 2 86 с.

108. Карпов В.И., Мышенков К.С., Новицкий В.О. Типовая отраслевая система управления для предприятий агропромышленного комплекса // Пищевые продукты XXI века: Сб. докл. Юбил. Междунар. науч.-практич. конф.: В 2 т. / МГУПП - М.: Изд. комплекс МГУПП, 2001. Т.2. - С. 211 - 214.

109. Казакова И.Е. Моделирование технологического качества зерна методом факторного анализа // Известия Высших учебных заведений. Пищевая технология. 1975, № 3. - с. 88 - 90.

110. Иванов, Я. В. Математическое и алгоритмическое обеспечение автоматизации процесса формования кондитерских масс с использованием цифровой видеосъемки: дис. ... канд. техн. наук : 05.13.06 / Иванов Яков Викторович. — М., 2008. — 179с.

111. Захалев А. И., Панов Д. П. 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.

112. Жукарев В.А. Микропроцессоры и некоторые возможности их применения в измерительной технике // Труды МЭИ. - Вып. 322. -Информационно-измерительная техника:. 24-30. - М.: МЭИ, 1977.

113. 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.

184

114. Елисеев В.Л. Разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами. Кандидатская диссертация, МЭИ, М.:2012.

115. Обучающий портал https://www.coursera.org. Лекция: Нейронные сети, метод обратного распространения ошибки.

116. AnyLogic. Практическое пособие по имитационному моделированию. 2017г.

117. Ивашкин Ю.А., Назойкин Е.А. Моделирование систем. Структурно-параметрические и агентно-ориентированные технологии: лабораторный практикум. - М. :МГУПБ, 2010. - 134 с.

118. Компьютерные технологии при проектировании и эксплуатации технологического оборудования. [Электронный ресурс] : учеб. пособие / Г.В. Алексеев [и др.]. — Электрон. дан. — СПб. : ГИОРД, 2012. — 256 с. — Режим доступа: http://e.lanbook.com/book/4878 — Загл. с экрана.

Приложение 1. Функциональная схема автоматизации

Приложение 2. Акт о внедрении результатов диссертационной работы

в производственную деятельность.

АКТ

о внедрении результатов кандидатской диссертационной работы аспиранта кафедры «Автоматизированные системы управления биотехнологическими процессами» ФГБОУ ВО «Московский государственный университет пищевых производств» Карелиной Екатерины Борисовны

Настоящий акт подтверждает, что основные результаты диссертационной работы аспиранта кафедры «Автоматизированные системы управления биотехнологическими процессами» МГУПП специальности 05.13.06 - «Автоматизация и управление технологическими процессами и производствами (пищевая промышленность)» Карелиной Екатерины Борисовны на тему «Разработка интеллектуального комплекса для контроля качественных показателей муки в процессе хранения» использованы в производственной деятельности ОАО «Мельничный комбинат в Сокольниках» при производстве продукции в виде:

1. Рекомендаций по модернизации склада БХМ для успешного внедрения нейрорегулятора в технологический процесс.

2. Рекомендаций по выбору разработанных алгоритмов нейросетевого управления для автоматизации контроля качественных показателей продукции.

3. Программно-аппаратной реализации автоматизированной системы.

4. Математических моделей объекта управления с учетом взаимосвязей технологических параметров в виде многосвязной системы.

Использование указанных разработок позволило стабилизировать технологический процесс хранения муки и повысить качество получаемой продукции.

Генеральный директор

ОАО «Мельничный комбинат в

Сокольниках»

.__ 017 г.

ТУИ)

107014, РосСЙяГМосква, Ул. Жебрунова, 6. Тел.: [phone] Факс: [phone] - 00

Приложение 3. Акт внедрения в учебный процесс результатов

диссертационной работы.

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ федеральное государственное бюджетное образовательное учреждение высшего образования «МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПИЩЕВЫХ

ПРОИЗВОДСТВ»

внедрения результатов диссертационной работы «Разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки» ст. преподавателя Карелиной Е.Б. в

учебный процесс.

На основании решения заседания кафедры «Автоматизированные системы управления биотехнологическими процессами» (АСУБП) от 24.05.2018 г., протокол № 15 сделано заключение, что в учебный процесс кафедры внедрены следующие результаты диссертационной работы Карелиной Е.Б.:

- Рекомендации при построении нейросетевой модели для реализации нейросетевого регулятора с тремя выходными параметрами (алгоритм обучения, архитектура нейросети) отражены в отчете по преддипломной практике студента группы 11-ИУ-2 (15.03.04 «Автоматизация технологических ппроцессов и производств») Гадасина К.Д. (Приложение 1)

- Рекомендации по разработке системы слежения и сбора параметров технологического процесса в SCADA-системе TraceMode отражены в отчете по преддипломной практике студента группы 11-ИУ-2 (15.03.04 «Автоматизация технологических ппроцессов и производств») Свистунова A.A., 2015г. (Приложение 1).

- Технические решения по внедрению в автоматизированную систему управления технологическим процессом бестарного хранения муки интеллектуального комплекса адаптивного управления параметрами микроклимата на базе нейросетевого регулятора используются в курсовой работе «Система управления складом БХМ» студентов группы 14-ЗАК-28

(15.03.04 «Автоматизация технологических ппроцессов и производств») Волковой М.Н., Юрченкова А.Н., 2018г. (Приложение 2)

Создание PC-совместимой среды для проведения опытно-промышленной эксплуатации используется в курсовой работе «Автоматизация бестарного хранения кормовой муки» студента группы 13-ЗБО-1 Томилина A.B., 2017 г. (Приложение 2).

Зав. каф. АСУБП, д.т.н., проф.

Благовещенская М.М.

Ученый секретарь каф., к.т.н. Петряков А.Н.