CC BY
112
УДК 631.171
КОНТУРЫ УПРАВЛЕНИЯ В АВТОМАТИЗАЦИИ ФУНКЦИОНИРОВАНИЯ УМНОЙ ФЕРМЫ
Ю.А. Цой, чл.-корр. РАН, заведующий отделом
Г.К. Толоконников, кандидат физ.-мат. наук, ведущий научный сотрудник ФГБНУ ФНАЦ ВИМ E-mail: [email protected]
Аннотация. В рамках категорного системного подхода рассматриваются управленческие вопросы «умной фермы» и подобных производств, а также развиваются представления о понятии контуров управления умной фермы. Вводится в качестве обязательного контур контроля труда сотрудников, в который включен как руководитель фермы, так и ее собственник. Указанные контуры управления представлены в виде категорных подсистем системы «умная ферма». Выявлена необходимость учета, помимо вероятностной составляющей, также и нечеткой по Л. Заде составляющей для системы управления. Необходимость использования подхода нечетких множеств и нечеткого вывода вызвана, в первую очередь, лежащими в основе умной фермы неформализованными понятиями «отдых, комфорт и здоровье животных» в связи с их значительной неопределенностью. Определен инструментарий разработки интеллектуальных систем управления производством типа умной фермы. В методологию разработки входит представление умной фермы в виде нечеткой категорной системы, интеллектуальный модуль управления которой опирается на решатели, основанные на категорном нечетком обобщении гибридных и других нейронных сетей и исчислении, принятых в теории биомашсистем. Рассматриваются также прорывные технологии в электронике и их применение в системе управления умной фермой.
Ключевые слова: умная ферма, эргатические системы, биомашсистемы, параллельно-проходные станки, алгоритмы, искусственный интеллект, микроконтроллер, контур управления, нечеткая логика, нейронные сети.
Введение. В соответствии с новым кате-горным системным подходом [1,2] в системе управления «умной» фермой следует выявить или специально спроектировать подсистемы, отвечающие за отдельные процессы и технологические цепочки, которые, в свою очередь, в целях обеспечения эффективности управления должны быть организованы как подсистемы с учетом системообразующего фактора, принципов изоморфизма и иерархичности. В настоящей работе мы выделяем подсистемы в виде четырех контуров управления: контур управления типовыми датчиками, контур управления механизмами, контур управления состоянием животного и контур контроля персонала.
Молочная ферма является расширенной эргатической системой "человек-машина-животное" [3], в настоящее время получившей категорное обобщение. Отметим, что подобная триада легла в основу теории биомашсистем, развиваемой академиком РАН Черноивановым В.И. [1], теперь уже рас-
сматриваемая как теория категорных био-машсистем. Выделив основные подсистемы в виде контуров управления, мы приводим далее инструментарий для разработки и реализации категорных систем управления для умной фермы и производств подобного типа. Таким общим инструментарием являются нечеткие категорные системы с решателями в виде гибридных категорных нейронных сетей, в которых применяется расширенный исчислениями гиперграфовых конструкций нечеткий логический вывод. Мы также укажем на появившуюся пару лет назад прорывную технологию в электронике по миниатюризации компьютеров, которая может быть с успехом использована для решения практических задач умной фермы.
Контуры управления механизмами и типовыми датчиками. Современная умная ферма представляет собой довольно сложную совокупность различных механизмов, оборудования, помещений, машин и инструментов. Для управления необходимо изме-
рять и управлять целым рядом параметров, показатели которых предоставляются разнообразными датчиками: температуры, состава воздуха, скорости движения воздуха, уровней воды в емкостях, влажности и тому подобное. Датчики представляют собой, как правило, микросхемы, в которых производится измерение параметров и их первичная обработка, а также преобразование к виду, необходимому для передачи в центр управления.
Также ряд датчиков находится в машинах, осуществляющих определенные операции, например, в машине мойки молокопро-водов. Более того, отдельные установки на ферме, например, в доильном отделении, могут содержать не просто набор датчиков с простой обработкой параметров, но и элементы искусственного интеллекта для формирования решений по выполнению функций, которые зависят от случайных и неопределенных, заранее не спрограммирован-ных, ситуаций. Например, в предлагаемой нами [4] системе управления доильными установками с параллельно-проходными станками подобную задачу решает разрабатываемый компьютерный блок. Тем не менее, наборы параметров можно разбить, по крайней мере, на две общие регулируемые в отдельном контуре управления группы, такие, как температура помещений, влажность и т. п., и наборы параметров, связанных с управлением машин и механизмов, таких, как навозоуборщик, моечная машина, указанный блок управления доением и так далее.
Подобные контуры управления, если не обсуждать решения, использующие искусственный интеллект, являются традиционными. Здесь, однако, появились в последние пару лет возможности удешевления и увеличения производительности и точности измерения и обработки параметров. Имеются в виду новые виды микрокомпьютеров типа тазрЪетгу р1 3 (КР13). Этот микрокомпьютер способен решать задачи искусственного интеллекта, включая поиск подходящих алгоритмов для возникающих нестандартных ситуаций. Несмотря на размеры в спичечный коробок, бесшумность, минимальные требо-
вания к электропитанию, подобные микрокомпьютеры настолько мощны, что не уступают настольным, работают в 64-битовом диапазоне, имеют ОЗУ 1 Гб, используют такие полноценные операционные системы, как Linux, FreeBSD, имеют высокие показатели для обработки мультимедиа. Ключевой особенностью этих микрокомпьютеров является беспрецедентная возможность подключения самой разнообразной периферии в виде разнообразных датчиков, включая медицинские и ветеринарные, в том числе и целых приборов. Например, в системе MySig-nals к микрокомпьютеру RPi3 в настоящее время обеспечено подключение и обработка информации более чем со 110 датчиков (температура, влажность, счетчик Гейгера и т.д.). Следует отметить реализацию в RPi3 основных телекоммуникационных возможностей (RJ45 разъем, 4 USB разъема и др.). Немаловажной является низкая цена такого компьютера - около 3000 руб. Технология весьма быстро развивается и, безусловно, может служить надежным решением для умной фермы.
Оценка состояния животного и контур управления состоянием животного. Для
эффективного функционирования умной фермы необходимо предварительно выявить факторы, влияющие на продуктивность животных. Обычно считают, что жизнедеятельность и продуктивность животных определяется семью факторами. Это такие факторы, как корм, свет, воздух, вода, отдых, комфорт, здоровье. Сюда мы добавили еще один фактор - доение, итого факторов стало восемь [5]. В процессе эволюции доение для коров стало таким же необходимым процессом, как, скажем питье (фактор «вода») или кормление (фактор «корм»).
Теперь кратко обсудим все эти восемь факторов, определяющих жизнедеятельность и продуктивность животных. Задача в том, как обеспечить оптимальность этих факторов для повышения продуктивности и создания благоприятных условий жизнедеятельности животных. Эту задачу на современной умной ферме призвана решать интеллектуальная система управления. С одной сторо-
ны, необходимо выделить и научиться измерять параметры, характеризующие факторы, а с другой стороны - на основе обратной связи и других принципов категорных систем (функциональных систем по П.К. Анохину, биомашсистем и др.) обеспечить воздействие для настройки в режиме реального времени параметров всех составляющих умной фермы элементов.
Существует ряд показателей, по каждому из которых мы могли бы сформулировать соответствующие требования, рассматривая их в контексте управления фермой и обеспечения обсуждаемых восьми факторов. Прежде всего, это эргономические и экологические, а также технологические требования. Экологические требования могут быть реализованы путем выбора каких-то проектных решений, размеров фермы или элементов фермы. Что касается исходных технологических требований, то здесь дело сложнее: если первая группа требований может быть реализована при проектировании фермы, то вторая требует накопления определенных знаний и затем разработки соответствующих алгоритмов управления.
Из восьми факторов жизнедеятельности и продуктивности животных пять факторов -вода, свет, корм, воздух, доение - поддаются какому-то анализу и интерпретации в инженерном смысле. Скажем, для воздуха характеристиками являются температура, влажность, чистота, скорость движения, все эти показатели могут быть измерены каким-то образом человеком и отрегулированы на соответствие их оптимальным физиологическим требованиям. Безусловно, более детальное рассмотрение выявляет как статистическую, так и нечеткую составляющие, но в первом приближении по сравнению с далее рассмотренными факторами здесь можно обойтись практически точными параметрами.
Для таких факторов, как отдых, комфорт и здоровье, дело намного сложнее, поскольку подобные факторы, строго говоря, требуют отдельного изучения, к тому же, не исключено их существенное взаимное влияние. С другой стороны, для того, чтобы управ-
лять, мы должны знать количественные величины этих показателей, и вот здесь вопрос становится крайне непростым, приходится за неимением другого использовать нечеткие множества и выводы по Л. Заде [6,7].
Возьмем здоровье. Показателей, по которым определяется здоровье, очень много, часто требуется мгновенная оценка этих показателей, например, тех, которые характеризуют доение. Здесь наиболее подходят всякого рода электрические показатели, которые позволяют измерять характеристики состояния животных и по ним оценивать параметры здоровья и принимать соответственные меры для того, чтобы добиться необходимого уровня здоровья.
Теперь - комфорт; здесь - то же самое. В качестве аналога комфорта можно говорить о спокойствии. Есть такое представление, что если на ферме мы обеспечили комфортные условия, то животное может отдыхать не менее 15 часов. Поскольку при отдыхе у животных кровоток через вымя увеличивается в полтора-два раза - а мы знаем, что для того, чтобы выработался один литр молока, нужно, чтобы через вымя прошло 500 литров крови - то подходящим интегрированным показателем спокойствия и комфорта может быть продолжительность отдыха животных. Указанное время, ввиду наличия многих неопределенностей, приходится считать нечетким числом.
Вторым количественным показателем спокойствия на сегодняшний день может быть электрическая активность кожи (ЭАК). Раньше этот показатель называли кожно-гальванической реакцией, сегодня это электрическая активность кожи. Измерив электрическую активность кожи, мы можем делать выводы об уровне спокойствия животного.
Понятие «спокойствие» все же весьма относительное, и у разных животных показатели могут быть разными. Так, мы знаем из биологии, что есть три типа высшей нервной деятельности, поэтому само абсолютное значение электрической активности кожи надо соотносить с типом высшей нервной деятельности конкретного животного. Для спо-
койствия в случае класса животных, которые имеют первый тип высшей нервной деятельности, будут получаться одни значения ЭАК, а в группе со вторым или третьим типом показатели будут отличаться при одном и том же уровне спокойствия. Тем не менее, для каждой коровы мы можем определить, к какой группе это животное относится и, соответственно, измерив электрическую активность кожи, говорить о том, обеспечивается ли ей комфорт или не обеспечивается.
Ситуация касательно отдыха представляется попроще. Согласно американским стандартам есть такой показатель, который характеризует, как они говорят, комфортность ложа. Он учитывает отдых животного в течение суточного поведения, например, принимает во внимание, сколько животных лежат, а сколько доходят до ложа, но не ложатся; стоят около бокса, но не ложатся и т.п., по этому показателю можно, проводя нечеткий анализ, оценивать фактор отдыха. Напомним основную принципиальную схему нечеткого анализа, перенесенного также в категорные исчисления [7,8]:
База правил вывода
Четкое множество, ВХОД системы нечеткого вывода
Фузификатор
Нечеткое множество
Дефузи-фикапюр
ВЫВОД
Нечеткое множество
Важным показателем является физиологически обоснованная жвачка; измеряя активность жвачки и время жвачки у животного, мы можем говорить о том, как у него вообще работают физиологические механизмы. Для получения значений показателя сегодня широко применяют всякого рода датчики, по которым можно, в частности, определить, сколько времени продолжается жвачка у животного.
К сожалению, ввиду сложности вопроса факторы "отдых, комфорт и здоровье" еще не имеют оптимального количественного описания и, следовательно, имеются еще не
преодоленные трудности с механизмами управления параметрами для этих факторов. Нахождение связей между показателями факторов и определение оценки взаимного их влияния является главной и трудной задачей с точки зрения создания умной фермы, и на ее решение должны быть направлены первоочередные усилия. Здесь наиболее подходящим для оценки этих трех факторов являются электрофизиологические методы, которые, как мы надеемся, смогут характеризовать как факторы "отдых, комфорт и здоровье" , так и в целом жизнедеятельность и продуктивность животных. Определяя состояние животного, система управления умной фермой явным образом может учитывать это состояние и организовывать воздействие на само животное и окружающую его обстановку в целях создания максимально подходящих условий жизнедеятельности, приводящих к увеличению продуктивности.
Этот контур управления состоянием животного организует, в том числе, обратную связь, необходимую для контроля состояния животного и его реакции на воздействия, представляет при учете нечеткости величин категорную нечеткую подсистему. Отметим, что данный контур управления реализует изучаемые в теории биомашсистем связи "машина-животное" в отношении реагирования на состояние животного и выполнения его запросов.
Контур контроля работы персонала. Одной из ключевых проблем в повышении продуктивности молочного производства является, как и в других видах производства в АПК, негативный элемент, создаваемый так называемым "человеческим фактором". В процессе научно-технического прогресса технологии все более усложняются, и человеку, как составной части эргатической или биомашсистемы, становится все труднее оптимально управлять процессами функционирования машин и механизмов, обеспечивающих производство на современной ферме, которая все более отвечает понятию умная
Четкое множество, ВЫХОД системы нечеткого вывода
ферма [5]. Традиционным слабым местом "человеческого фактора" является недостаточная мотивированность по тем или иным причинам работников. С другой стороны, в современных рыночных условиях появились дополнительные факторы, влияющие на организацию производства. Здесь мы отметим заинтересованного в производстве собственника фермы, его возможности стимулировать и контролировать работу наемных работников.
Рассмотрим подробнее "человеческий фактор", влияние которого порой оказывается решающим. Нередки случаи, когда в одной и той же обстановке (район, условия и пр.) одно хозяйство дает высокие показатели, а другое, расположенное недалеко, фактически в тех же условиях и приблизительно так же оснащенное, как и первое, имеет показатели в разы более низкие. Причина различия оказывается в организации работы сотрудников, контроля исполнения ими должностных обязанностей, различной мотивации труда на ферме. При всех прочих равных условиях, на наш взгляд, абсолютно необходим следующий контур управления в системе управления фермой. Этот контур контроля работы персонала охватывает в первую очередь работников, работающих с животными, управленческий персонал и ключевого участника контура - собственника фермы. Контур организуется на компьютерной основе на базе платформы, которая принята в технологии умной фермы.
Алгоритм работы контура включает следующие позиции:
- формирование перечня основных видов работы на день для каждого работника, с которым он знакомится по приходу на работу, при этом факт ознакомления фиксируется в компьютерной системе;
- система имеет функции напоминания работнику тех пунктов, которые он задерживает и не выполняет;
- программное обеспечение за счет показаний датчиков различного типа, отчетности сотрудников и т.п. ведет контроль за исполнением пунктов списка работ на день, закрепленного за сотрудником;
- как выполнение, так и рассогласование с указанием замечаний (вовремя-не вовремя и т.п.) выполненных пунктов со списком доводится в рамках АРМ до руководителя и до собственника фермы;
- система содержит АРМ для руководителя фермы и АРМ для собственника фермы;
- система имеет функции доведения до сведения руководителя фермы и собственника фермы сводной информации о выполнении пунктов заданий всеми сотрудниками фермы, а также функции возможности напоминания сотрудникам о невыполненных пунктах списка;
- текущие данные о контроле влияют на денежное вознаграждение и иные стимулы к труду каждого работника фермы.
Методологический инструментарий и заключительные замечания. Рассмотренные контуры управления, наряду с другими возможными контурами, которые мы здесь не рассматривали, объединяются в единую категорную нечеткую систему управления умной фермой, разработка которой может стать методологической основой широкого спектра производств, включая безлюдные производства. В дальнейшей работе [9] используется следующий новый инструментарий: представление умной фермы (или подобного типа производства) в виде нечеткой категорной системы. Теперь укажем на обобщение нейронных сетей, используемых в решателях систем управления. В [2,10,11] показано, что классические многослойные нейронные сети, а также нейронные сети глубокого обучения, сверточные и гибридные нейронные сети [8,12] являются частными случаями сверточных нечетких кате-горных систем. Обобщенный до категорных систем аппарат нейронных сетей дополняет принятый в теории биомашсистем НТМ-под-ход Дж. Хокинса и гиперграфовые исчисления, становится основой решателей систем управления для указанного типа производств.
Более высокой по иерархии системой будет система управления, объединяющая помимо фермы другие подструктуры хозяйства, такие, как растениеводческий, свиноводческий комплекс и т.д. Для каждого из
направлений текущая конъюнктура рынка, погодные условия, финансовое состояние хозяйства, другие условия определяют рентабельность производимой продукции, и в указанной общей системе управления хозяйством необходим блок прогнозирования и планирования. Это - одна из важнейших задач, стоящая перед фермерами, которые на свой страх и риск должны принимать решения, какую продукцию и в каких объемах производить в предстоящем сезоне. Некоторые результаты проектирования подобного блока прогнозирования и планирования мы предполагаем изложить в отдельной работе.
Литература:
1. Биомашсистемы. Теория и приложения. М., 2016.
2. Толоконников Г.К. Функциональные системы и их иерархии // Нейроинформатика. 2017. Т. 10, №2.
3. Цой Ю.А. Процессы и оборудование доильно-мо-лочных отделений животноводческих ферм. М., 2010.
4. Моделирование и оценка производительности доильных установок с параллельно-проходными станками / Цой Ю.А. и др. // Вестник ВНИИМЖ. 2016. №3.
5. Цой Ю.А. Восемь факторов для системы управления умной фермы // Биомашсистемы. М., 2016. Т. 2.
6. Кофман А. Введение в теорию нечетких множеств. М., 1982. 432 с.
7. Яхъева Г.Э. Нечеткие множества и нейронные сети. М., 2006. 315 с.
8. Осовский С. Нейронные сети для обработки информации. М., 2017. 448 с.
9. Цой Ю.А., Толоконников Г.К. Системы управления умной фермы в условиях неопределенности // Интеллектуальные машинные технологии и техника в сельском хозяйстве. М., 2017. С. 137-143.
10. Толоконников Г.К. Категорные нейронные сети как новый метод искусственного интеллекта для систем управления в условиях неопределенности // Интеллектуальные машинные технологии и техника в сельском хозяйстве. М., 2017. С. 130-136.
11. Толоконников Г.К. Математическая категорная теория систем // Биомашсистемы. М., 2016. С. 22-114.
12. Шумский С.А. Глубокое обучение. 10 лет спустя // Нейроинформатика-2017. М., 2017. С. 98-131.
Literatura:
1. Biomashsistemy. Teoriya i prilozheniya. M., 2016.
2. Tolokonnikov G.K. Funkcional'nye sistemy i ih ierarhii // Nejroinformatika. 2017. T. 10, №2.
3. Coj YU.A. Processy i oborudovanie doil'no-molochnyh otdelenij zhivotnovodcheskih ferm. M., 2010.
4. Modelirovanie i ocenka proizvoditel'nosti doil'nyh us-tanovok s parallel'no-prohodnymi stankami / Coj YU.A. I dr. // Vestnik VNIIMZH. 2016. №3.
5. Coj YU.A. Vosem' faktorov dlya sistemy upravleniya umnoj fermy // Biomashsistemy. M., 2016. T. 2.
6. Kofman A. Vvedenie v teoriyu nechetkih mnozhestv. M., 1982. 432 s.
7. YAh"eva G.EH. Nechetkie mnozhestva i nejronnye seti. M., 2006. 315 s.
8. Osovskij S. Nejronnye seti dlya obrabotki informacii. M., 2017. 448 s.
9. Coj YU.A., Tolokonnikov G.K. Sistemy upravleniya umnoj fermy v usloviyah neopredelennosti // Intellektu-al'nye mashinnye tekhnologii i tekhnika v sel'skom ho-zyajstve. M., 2017. S. 137-143.
10. Tolokonnikov G.K. Kategornye nejronnye seti kak no-vyj metod iskusstvennogo intellekta dlya si-stem upravleniya v usloviyah neopredelennosti // In-tellektual'nye mashinnye tekhnologii i tekhnika v sel'skom hozyajstve. M., 2017. S. 130-136.
11. Tolokonnikov G.K. Matematicheskaya kategornaya teoriya sistem // Biomashsistemy. M., 2016. S. 22-114.
12. SHumskij S.A. Glubokoe obuchenie. 10 let spustya // Nejroinformatika-2017. M., 2017. S. 98-131.
THE CONTOURS OF CONTROL IN THE "SMART FARM" FUNCTIONING AUTOMATION Y.A. Tsoi, RAS corr.-member, department head
G.K. Tolokonnikov, candidate of phys.-math. sciences, leading research worker FGBNY FNAZ of VIM
Abstract. Within the categorical system approach frame the "smart farm" and similar facilities mange's issues are considered, as well as ideas about smart farm control concept are developed. As a mandatory component of employees work control, including the manager of the farm and its owner are introduced. Given contours of control are presented in the form of categorical subsystems of "smart farm". The necessity of counting, in addition to the probabilistic component, and also fuzzy component by L. Zadeh for the control system is identified. The necessity of sets' uncertainty approach using and uncertainty inference are caused in the first place, forming the smart farm basis' non-formalized concepts of "rest, comfort and health of animals" in connecting to their significant uncertainty. The tools for smart farm type's intelligent manufacturing control systems development is defined. The methodology of development includes smart farm image as a categorical uncertainty system, the intelligent control module of which relies on solvers based on categorical uncertainty generalization of hybrid and other neural networks and counting adopted in the bimaristan theory. Also disruptive technologies in electronics and their application in the smart farm control system are considered.
Keywords: smart farm, ergatic systems, biomashsystems, parallel-passing stall machines, algorithms, artificial intelligence, microcontroller, contour of control, uncertainty logic, neural network.
