Применение нейронных сетей для прогнозирования процесса классификации разногабаритных компонентов Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 681.51/681.51.15

ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПРОЦЕССА КЛАССИФИКАЦИИ РАЗНОГАБАРИТНЫХ КОМПОНЕНТОВ

А.В. Барабанов, Н.И. Гребенникова, М.С. Резуев

В данной статье рассматривается вопрос разработки программно-аппаратного комплекса для классификации разногабаритных компонентов, последующего обучения нейронной сети и прогнозирования неизвестного размера материала для промышленной установки

Ключевые слова: нейронные сети, разногабаритные компоненты, экспериментальная установка, промышленная установка

Во многих отраслях промышленности актуален вопрос о повышении эффективности процесса классификации разногабаритных компонентов с целью уменьшения затрат на производство или же для повышения качества выпускаемой продукции [1] . Так, одним из способов решения данной проблемы, является классификация компонентов с помощью 3D модели. Для создания 3D модели требуется три датчика, которые в трёх ортогональных измерительных плоскостях будут сканировать частицы (такие как зерно, алмазная руда, агломераты и т.п.). Результаты представляют собой трёхмерную матрицу (рис. 1). Для измерения ширины и толщины потребуются два датчика во взаимно ортогональных плоскостях. С помощью третьего будет измеряться длина.

датчиками: 1 - оптические датчики, 2 - лучи, 3 -измеряемый объект

Если рассмотреть этот процесс в одном измерении то получается, что размер определяется количеством перекрытых лучей лазера (рис. 2).

Также будут получены точки перекрытия лучей лазера, которые можно отобразить в график (рис. 3), после чего можно говорить о форме объекта.

Барабанов Александр Владимирович - ВГТУ, канд. техн. наук, ст. преподаватель, e-mail: [email protected] Гребенникова Наталия Ивановна - ВГТУ, канд. техн. наук, доцент, тел. 8(473)243-77-18

Резуев Максим Сергеевич - ВГТУ, студент, тел. 8(47З)24З-77-18

Рис. 2. Измерение объекта в плоскости: 1 -излучатель, 2 - лучи, 3 - измеряемый объект, 4 -приёмник

Единицы 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Количество

Рис. 3. Результат измерения объекта одним датчиком в виде графика

Для того чтобы данные измерений были адекватны, нужно измерить объект не менее 10 раз. Для получения результатов в необходимые интервалы времени, частицы должны довольно быстро двигаться или должен перемещаться сам измерительный блок (объекты имеют малые размеры, и легче реализовать их перемещение), что накладывает ограничения на датчики по их быстродействию (рис. 4 и 5).

После того как измеряемый объект попал в зону действия датчика, включается таймер, и начинаются его измерения. Далее сигнал идёт на АЦП, после чего направляется на компьютер, где создаётся база данных измерений, в ней накапливаются измерения одного объекта и всего сыпучего материала, если необходимо выделить какую-либо фракцию по определённому показателю, то устанавливаются границы размеров. Если объект удовлетворяет необходимым

условиям, то он проходит дальше, если же нет, то подаётся сигнал на исполнительный механизм, который сжатым воздухом выбивает его, так происходит классификация сыпучего материала (рис. 6) [2].

Рис. 4. Структурная схема измерительного блока экспериментальной установки ЗБ сканирования

1L

Контроллер подача сигнала на не по лгагге льньш механизм, когда выполняется поставленное условие

Рис. 5. Структурная схема исполнительного блока экспериментальной установки 3D сканирования

Рис. 6. Структурная схема работы программного продукта

В базе данных собираются сведения об измерениях экспериментальной установки (табл. 1), с её помощью можно выявить закономерности в измерениях и в дальнейшем, с помощью обучаемых

нейронных сетей, избавиться от одного из датчиков на промышленной установке, прогнозируя измерения ранее получаемые им (табл. 2). Таким образом, расширяя базу данных и обучая нейронную сеть, повышается точность прогнозирования.

Переход от трёх датчиков к двум целесообразен в связи с увеличением скорости измерений и значительным удешевлением промышленной установки (1 датчик, измеряющий высоту частицы, стоит около 2500 рублей, в промышленной установке предусмотрено не менее 150 желобов). Зависимость координаты Z от координаты X объясняется формой измеряемого объекта (используемым в качестве примера) -приплюснутым эллипсоидом вращения. Таким образом, каждая координата Z будет на 9-11 единиц больше соответствующей ей координате X, Xi+9 < Zi < Xi +11.

Таблица 1

Измерения, полученные экспериментальной установкой ЗЭ

№ 1 2 3 4 5 6 7 8 9 10 11 12

X 240 237 231 256 253 253 250 229 227 260 251 242

Y 3574 2784 2382 4668 4469 4469 4170 2382 2183 4986 4282 3775

Z 250 246 240 265 264 262 260 240 236 271 261 253

Таблица 2

Измерения, полученные экспериментальной установкой 2D

№ 1 2 3 4 5 6 7 8 9 10 11 12

X 240 237 231 256 253 253 250 229 227 260 251 242

Y 3574 2784 2382 4668 446S 4469 4170 2382 2183 4986 4282 3775

Z Xi-9 < Z <ХН1

На графиках, построенных на основе таблиц 1 и 2, видно, что при построении второго графика с помощью ExcelNeuralPackage (российская программа для создания нейронных сетей и анализа их в Microsoft Excel) с помощью большего размера точек и толщины линий отображается погрешность расчета.

Рис. 7. Визуализация данных из таблиц 1 и 2

Схема взаимодействия экспериментальной и промышленной установок приведена на рис. 8.

С помощью разработанного подхода к структуре программно-аппаратного комплекса для процесса классификации сыпучего материала, открывается возможность 3D сканирования каждой частицы. Это позволяет получить информацию по

всему сыпучему материалу и открывает возможность для его дальнейшего разделения и фракционирования. [3]

Рис. S. Схема взаимодействия экспериментальной и промышленной установок

Литература

1. Тютин, М. В. Аппаратно-программный комплекс для автоматизированного анализа технологических процессов [Текст] / М. В. Тютин, В. Ф. Барабанов, В. Я. Черных //Системы управления и информационные технологии.- 2007.- № 1.2(27) - С. 290 -295.

2. Барабанов В.Ф., Резуев М.С. Разработка структуры программно- аппаратного комплекса для процесса классификации сыпучего материала // Информационные технологии моделирования и управления. -2013. -№2(80) -С.149 -153

3. Барабанов, В.Ф. Программно-аппаратный комплекс для автоматизации процесса классификации разногабаритных компонентов [Текст] / В. Ф. Барабанов М. С. Резуев, Н. И. Гребенникова // Вестник Воронежского государственного технического университета. -2013. - Т. 9. - № 4 - С.93-97.

4 . Барабанов, В. Ф. Интерактивные средства моделирования сложных технологических процессов/ В. Ф. Барабанов, С. Л. Подвальный- Воронеж. - 2000.

5. Барабанов, В. Ф. Многовариантное

моделирование динамических систем эволюционного типа для управления в экстремальных ситуациях/ В. Ф. Барабанов, С. Л. Подвальный, О. С. Плахотнюк ; ГОУ ВПО "Воронежский гос. технический ун-т".- Воронеж-2007.

6. Леденева, Т. М. Системы искусственного интеллекта и принятие решений / Т. М. Леденева, С. Л. Подвальный, В. И. Васильев Уфа: изд. УГАТУ. 2005.

Воронежский государственный технический университет

APPLICATION OF NEURAL NETWORK FOR PREDICTING PROCESS OF CLASSIFICATION

OVERALL COMPONENTS

A.V. Barabanov, N.I. Grebennikova, M.S. Rezuev

This article discusses the development of hardware and software to classification overall components, further training of the neural network prediction of unknown size of material for the industrial plant

Key words: neural networks, overall components, experimental plant, industrial plant