CC BY
190
УДК 6S1.51/6S1.51.15
ПРОГРАММНО-АППАРАТНЫЙ КОМПЛЕКС ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССА КЛАССИФИКАЦИИ РАЗНОГАБАРИТНЫХ КОМПОНЕНТОВ
В.Ф. Барабанов, М.С. Резуев, Н.И. Гребенникова
В данной статье рассматривается вопрос разработки программно-аппаратного комплекса с использованием нейронных сетей для создания математической модели классификации разногабаритных компонентов
Ключевые слова: нейронные сети, математическая модель, разногабаритные компоненты, сыпучий материал
Во многих отраслях промышленности актуален вопрос о повышении эффективности технологических процессов с целью уменьшения затрат на производство или же для повышения качества выпускаемой продукции. Однако, зачастую предприятия не могут себе позволить проводить глубокие научные исследования, особенно, если вероятность успешного исхода исследований достаточно низка вследствие сложности протекающих производственных процессов или, если имеется лишь общее представление
об этих процессах. В данной ситуации имеет смысл провести поверхностный анализ процесса с выявлением основных эвристических закономерностей и построить адекватную математическую модель, которую можно использовать для оптимизации и управления технологическими процессами, например, для классификации сыпучего материала (зерна, руды и т.д.) не подвергая опасности реальные производственные мощности. Предлагаемый программноаппаратный комплекс призван решить поставленную задачу с достаточно высокими шансами на результат и минимальными затратами. В поставленной задаче можно выделить 3 стадии: сбор данных о
технологическом процессе, обработка и анализ накопленных данных, анализ
технологического процесса [1,2] .
Эти стадии не являются жестко связанными между собой, т.е. при получении первой же порции данных можно построить математическую модель, но ее точность будет достаточно низка. При накоплении большего числа реальных экспериментов точность будет
Барабанов Владимир Федорович - ВГТУ, д-р техн. наук, профессор, тел.8(473)243-77-18 Резуев Максим Сергеевич - ВГТУ, студент, тел.8(473)243-77-18
Гребенникова Наталия Ивановна - ВГТУ, канд. техн. наук, доцент, тел.8(473)243-77-18
повышаться, и начнут выявляться новые закономерности.
На первой стадии основной проблемой является унификация различных по своей природе процессов, каждый из которых может иметь свой набор уникальных свойств. Для ее решения необходимо создать некий уровень абстракции на уровне аппаратуры, который скроет особенности «получения» показателей.
Для этих целей используется плата STM8S-Discovery, основой которой служит МК STM8S105C6T6 в корпусе типа LQFP48. Плата организована в виде двух обособленных модулей: первый - это
контроллер STM8S105С6 со светодиодом, сенсорной кнопкой и разъемами, на которые выведены все свободные порты ввода/вывода. Второй - программатор-отладчик ST-Link с
USB-интерфейсом (рис.1). Отладочный комплект можно разделить на две независимые части, что позволит в дальнейшем использовать отдаленный ST-Link для программирования и отладки своих собственных разработок. На борту отладочного комплекта расположена микросхема микроконтроллер STM8S105С6: 32 Kbytes — Flash, 1Kbytes- EEPROM(300 kcycles), RAM: — Kbytes. Кроме
микроконтроллера на борту расположены выведенные наружу пины микроконтроллера и «сенсорная кнопку» на плате, с одним светодиодом.
8-битная архитектура STM8 обладает высокой производительностью, которая достигается благодаря наличию 16-битных индексных регистров, линейного адресного пространства 16 Мбайт. Ядро построено по Гарвардской архитектуре, шина памяти команд имеет разрядность 32 бита, большинство команд извлекаются за один цикл. Кроме того, используется трехступенчатый конвейер. Всего имеется 80 команд, большинство из которых выполняется за один цикл тактового сигнала, что позволяет
получить производительность 16 СКС М1Р8 на тактовой частоте 16 МГц.
Рис. 1. Архитектура МК 8ТМ88105С6Т6
Программная модель микроконтроллера условно разделена на несколько блоков (рис. 2). Главной частью программы является системное ядро, которое непосредственно взаимодействует с базовыми внутренними устройствами. Далее идут модули обработки специфичных устройств.
Рис. 2. Программная модель микроконтроллера
Стадии управления технологическим процессом.
В большинстве систем управления можно выделить следующие сущности:
Сбор данных. Под этой сущностью понимается получение численных значений параметров технологического процесса. Например, в системе автоматического измерения объекта, это могут быть показания датчиков - геометрические размеры тел.
Представление данных. Отображение данных необходимо как для инженеров, проектирующих установку, так и для операторов, следящих за работоспособностью созданной установки. Отображение данных возможно многими способами: начиная от простейших светоиндикаторов и заканчивая ЭВМ с возможностью построения графиков и таблиц.
Обработка данных. Эта стадия технологического процесса является наиболее наукоемкой и требовательной к программноаппаратный ресурсом. Под этой сущностью понимается математический и логический анализ собранных данных с целью дальнейшего принятия решения.
Принятие решения. Здесь понимается выработка каких-либо вариантов воздействия на технологический процесс. К примеру, в той же системе автоматического измерения объекта, это может быть решение об изменении границ минимальных и максимальных геометрических параметров тел.
Передача управляющего воздействия. Под этой стадией понимается любое внешнее контролируемое воздействие на
технологический процесс с целью изменения его текущих параметров.
На основе этого принципа предложена структура экспериментальной установки процесса классификации сыпучего материала (рис. 3).
Рис. 3. Структурная схема процесса классификации разногабаритного материала
Для построения моделей таких сложных нелинейных процессов, наиболее подходящим
вариантом решения являются многослойные сети с полным соединением нейронов на каждом уровне (рис.4).
варьировать для уменьшения времени обучения и увеличения точности данных. Чем точнее выбрана базовая функция, тем меньше нейронов потребуется для выполнения задачи и тем точнее нейронная сеть будет
«предсказывать» результат для ранее
неиспользуемых наборов данных.
И третий, заключительный, представляет собой уровень выходных параметров.
Схематично, нейронную сеть для
представления модели можно представить в виде набора двух векторов и рабочей матрицы (рис. 5) [3].
Рис. 4. Многослойная нейронная сеть
На представленной архитектуре нейронной сети уже видно ее сходство с представлением модели в виде «черного ящика». Достаточно представить вектор X в качестве входного параметра, а вектор У как выходного. Набор векторов ", соответственно, является неизменными коэффициентами модели. Но это все же достаточно грубое приближение, требующее дальнейшего уточнения.
Для постройки нейронной сети в целях построения модели необходимо выделить 3 типа нейронов.
Первый - это входные нейроны, жестко связанные со «своим» входным параметром. Их задача подготовить значение параметра для дальнейшей обработки, применяя
масштабирование. Так на данном уровне возможна установка значимости параметра, но не обязательно. Активационная функция линейная.
Второй уровень выполняется в виде матрицы и является самым объемным. Он отвечает за сопоставление входных данных выходным. Его «ширина» приблизительно соотносится с порядком модели, поскольку существует ряд элементарных функций, которые невозможно реализовать
однослойным нейроном (наиболее известна проблема «исключающего ИЛИ»). «Высота» ассоциируется с количеством входных параметров и детализацией требуемой модели, что является волне очевидным, если представить нейронную сеть в виде системы уравнений. Столбцы нейронной матрицы представляют собой математический ряд, базой которого является активационная функция. Активационную функцию можно
Рэбачзч область
Входные параметры Выходною параметры
Рис. 5. Схематичное представление
конфигурации нейронной сети для генерации математической модели.
На схеме (рис. 6) изображена
программная модель блока сбора и анализа данных, которые и будут предоставлять данные для построения математической модели, а впоследствии и нейронной сети. Модуль подстройки и модуль коррекции данных работают непосредственно с устройством, что означает, что они должны располагаться непосредственно на
компьютере, к которому подключен микроконтроллер. Остальные же модули не имеют жесткой привязки к ПК и могут быть запущены на разных компьютерах в соответствии со своим предназначением. Например, модуль анализа и построения модели может быть единожды запущен на мощном ПК для построения модели, а затем, посредством модуля представления
математической модели, технолог или инженер, занимающиеся оптимизацией технологического процесса, могут заниматься исследованиями на своем ПК.
Данный подход позволит создать адекватную модель процесса при условии достаточно широкой области покрытия экспериментальными данными, на которых производилось обучение нейронной сети (рис.
7 и 8). При выходе за границы известной области с достаточной степенью вероятности нейронная сеть начнет генерировать выходные данные, отличающиеся от действительных.
Модуль представления математической модели
Модуль предварительной обр аб откн данных — -— Модуль анализа данных и генерации математической модели
Модуль подстройки устройства Модуль коррекции данных
і 1
1
Модуль связи
Микроконтроллер
Рис. 6. Программная модель блока сбора и анализа данных
Рис. 7. Результат экспериментального измерения сыпучего материала
Рис. 8. Результат экспериментального измерения новой партии сыпучего материала
Главной задачей программно-аппаратного комплекса является обеспечения процесса 3Б моделирования сортирования
разногабаритных материалов. Имеющиеся на данный момент системы сканирования не подходят для моделирования сыпучих материалов, состоящих из мелких частиц. Для этого разработана структура программноаппаратного комплекса, состоящая из нескольких датчиков, АЦП, программы отображающей, собирающей и хранящей информацию о каждой отдельной частице и всём материале в целом и исполнительного механизма.
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. Структурная схема установки приведена на рисунке 9 и 10.
Оптический
датчик
измерения
длинны
Оптический
датчик
измерения
ширины
Оптический
датчик
измерения
высоты
_ Оптоволокно Усилитель АЦП 1
_ 1 Оптоволокно Усилитель АЦП 2
3
Усилитель АЦП 3
__ Оптоволокно
3
Программа обработки и сохранения результатов
ПК
Рис. 9. Структурная схема экспериментальной установки 3Б сканирования сыпучего материала (измерительный блок).
Рис. 10. Структурная схема экспериментальной установки 3Б сканирования сыпучего материала (исполнительный блок).
После того, как измеряемый объект попадает в зону действия датчика, включается таймер, и начинаются измерения. Далее сигнал идёт на АЦП, после чего отправляется в 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 заданным условиям, то он проходит дальше, если же нет, то подаётся сигнал на исполнительный механизм, который сжатым воздухом выбивает его, так происходит классификация сыпучего материала.
С помощью разработанного подхода к структуре программно-аппаратный комплекса для процесса классификации сыпучего материала, открывается возможность
3Б-сканирования каждой частицы. Это позволяет получить информацию по всему сыпучему материалу и открывает возможность для его дальнейшего разделения и фракционирования [4].
Литература
1. Тютин М.В. Аппаратно- программный комплекс для автоматизированного анализа технологических процессов/ М.В. Тютин, В.Ф. Барабанов, В.Я. Черных //Системы управления и информационные технологии. 2007. №.1.2(27). С.290 -295.
2. Проблемы трансляции графических данных саё-систем /С.Л. Кенин, В.Ф. Барабанов, А.М. Нужный, Н.И. Гребенникова // Вестник Воронежского государственного технического университета. 2013. Т. 9. №3. С.4 -8.
3 . Тютин М.В. Аппаратно-программный комплекс для автоматизированного анализа технологических процессов / М.В. Тютин, В.Ф. Барабанов, В.Я. Черных // Вестник Воронежского государственного технического университета. 2007.- Т. 3. №1. С.60 - 66.
4. Барабанов В.Ф. Разработка структуры программно- аппаратного комплекса для процесса классификации сыпучего материала/ В.Ф. Барабанов, М.С. Резуев // Информационные технологии моделирования и управления. 2013. №2(80). С.149-153.
5. Подвальный С.Л. Информационно-управляющие системы мониторинга сложных объектов / С.Л. Подвальный. Воронеж: Научная книга, 2010.- 164 с.
6. Нужный А. М. Система автоматизированного размещения технологического оборудования с использованием генетического алгоритма / А.М. Нужный, Н.И.Гребенникова// Системы управления и информационные технологии. 2008. № 4.1 (34). С. 185187.
Воронежский государственный технический университет
SOFTWARE AND HARDWARE SYSTEM FOR AUTOMATION PROCESS OF CLASSIFICATION OVERALL COMPONENTS
V.F. Barabanov , M.S. Rezuev, N.I. Grebennikova
This article discusses the development of hardware and software to create a mathematical model of the object and the applicability of a neural network as the basis for the construction of a mathematical model of classification overall components
Key words: neural networks, mathematical model, overall components, granular material
