АНАЛИЗ ФУНКЦИОНИРОВАНИЯ ПРОЦЕСОВ БРАГОРЕКТИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ КАРТ КОХОНЕНА

Новый университет
УДК 663.52:681.542.2
Технические науки
2015. № 3-4 (37-38)
ISSN 2221-9552
Д.А. Стеценко,* А.М. Зигунов,** Я.В. Смитюх***
АНАЛИЗ ФУНКЦИОНИРОВАНИЯ ПРОЦЕСОВ БРАГОРЕКТИФИКАЦИИ
С ИСПОЛЬЗОВАНИЕМ КАРТ КОХОНЕНА
В статье проведено анализ технологического процесса брагоректификации с использованием карт Кохонена, при обработке данных действующего
спиртзавода. Определено, что с точки зрения анализа и синтеза систем автоматизированного управления, брагоректификационные установки (БРУ)
спиртовых заводов являются сложными объектами, которые характеризуются многомерностью, нестационарностью и рассматриваются как объекты с последовательно-параллельной структурой. Проведен анализ существующих алгоритмов управления, рассмотрены преимущества и недостатки
этих алгоритмов. Предложен один из эффективных подходов к управлению на
основе интеллектуальных алгоритмов, с использованием карт Кохонена. Определены взаимосвязи между технологическими переменными, и влияние этих
параметров на протекание технологического процесса.
Ключевые слова – брагоректификационная установка (БРУ), технологический процесс, карта Кохонена, нечеткое множество, интеллектуальная
система.
Главной проблемой современного спиртового производства является получение пищевого спирта стабильно высокого качества при минимально возможной себестоимости конечного
продукта. Пути решения этой проблемы ищут, прежде всего, в реконструкции брагоректификационных установок (БРУ) или изменениях технологических режимов, которые, как правило,
сопровождаются увеличением энергозатрат, то есть расхода пара на декалитр спирта. В условиях прогрессирующего роста цен на энергоносители, это приводит к существенному увеличению себестоимости ректификованного спирта, а экономия топлива становится еще более актуальной. Для управления сложным объектом необходимые крупномасштабные интеллектуальные системы управления, основным элементом которых могут стать нейросетевые регуляторы.
Для настройки таких систем необходимо только задать классы состояний и режимов, обусловленные например как: "нормальные" и "ненормальные" и, независимо от характера возмущений, такая система управления, с помощью внешних воздействий, должна найти алгоритм по
поддержке параметров объекта в нормальных режимах [1].
Фактически, при минимуме информации ("нормальное / ненормальное") и при возможности исследования вариантов управляющих воздействий (этап обучения), система управления
должна быть способна вывести объект(БРУ) в область нормальных режимов его функционирования при любых начальных допустимых условиях и при случайных возмущениях внешней
среды.
В настоящее время для решения различных задач обработки данных широко применяются искусственные нейронные сети (ИНС), которые представляют собой структуру для параллельной обработки данных с помощью нелинейных элементов (нейронов), имеют локальную па© Стеценко Д.А, Зигунов А.М. Смитюх Я.В., 2015.
DOI: 10.15350/2221-9552.2015.3-4
* Стеценко Дмитрий Алексеевич – аспирант кафедры автоматизации процессов управления, Национальный университет пищевых технологий (Украина).
** Смитюх Ярослав Владимирович – кандидат технических наук, доцент кафедры автоматизации
процессов управления, Национальный университет пищевых технологий (Украина).
37
New university
Technical sciences
2015. № 3-4 (37-38)
ISSN 2221-9552
мять и выполняют нелинейную локальную операцию по обработке информации. Нейроны связаны между собой связями, которым приписаны синаптические веса. Процесс обучения сети –
это процесс корректировки синаптических весов. На данный момент известны различные методы обучения нейронных сетей: обучение с "учителем" – сеть учится на множестве примеров с
известным ответом (пара входов-выходов), с "подкреплением" – известна лишь оценка (границы) выходов сети и без "учителя" – сеть учится только на наборе входных значений.
Существуют различные методы обучения нейронных сетей без учителя – автоассоциативное обучение, обучение соревнованием и др. Сетевой метод карт Кохонена, является одним из
вариантов обучения соревнованием. Сеть Кохонена (рис. 1) – это однослойная сеть, каждый
нейрон которой соединен со всеми компонентами n -мерного входного вектора. Входной вектор – это описание одного из объектов, подлежащих кластеризации. Количество нейронов совпадает с количеством кластеров, которое должна выделить сеть. В качестве нейронов сети Кохонена применяются линейные взвешенные сумматоры. Каждый j-ый нейрон описывается вектором весов w j  ( w1 j , w2 j ,..., wmj ) , где m – число компонентов входных векторов.
Входной вектор имеет вид xi  ( x i1 , xi 2 ,..., xim )
Рис. 1. Структура сети Кохонена
В сетях Кохонена используется обучение без учителя. Для обучения сети применяются
механизмы конкуренции. При подаче на вход сети вектора x побеждает тот нейрон, вектор весов которого в наименьшей степени отличается от входного вектора. Для нейрона-победителя
выполняется соотношение:
d ( x , w )  min d ( x , w ,
j
(1)
i)
1 i  n
где n – количество нейронов, j – номер нейрона-победителя, d (x w) – расстояние (в
смысле выбранной метрики) между векторами x и w.
Чаще всего в качестве меры расстояния используется евклидова мера:
n
d ( x, wi  x  wi 
 (x
j 1
38
j
 wij )
2
(2)
Новый университет
Технические науки
2015. № 3-4 (37-38)
ISSN 2221-9552
Используются и другие меры расстояния (метрики). Вокруг нейрона-победителя образуется окружение (neighborhood), или радиус обучения (radius of learning). Радиус обучения определяет сколько нейронов кроме нейрона-победителя участвуют в обучении (т.е. корректируют
свои веса) на данной итерации. Радиус обучения максимален на первой итерации и уменьшается с увеличением числа итераций таким образом, что в конце обучения корректирует свои веса
только нейрон победитель.
Обучение можно разделить на два этапа – грубой и тонкой настройки координат векторов, отвечающих узлам карты [2, 3]. В этом случае во время первого этапа векторы упорядочиваются, во втором – векторы в каждой группе уточняются. Второй этап обычно имеет меньшую
скорость обучения и большее число итераций. Оба этапа обучения продолжаются заданное заранее число шагов T, a α (t), как правило, подбирают так, чтобы α (Т) = 0, например
α (t) = α (1-t / T), где α – заданная константа.
По окончании обучения мы получаем обученную карту, которая представляет собой упорядоченный двумерный массив векторов, что распределились в пространстве нейронов в соответствии с поданным на вход множеств векторов X.
Составление векторов в виде двумерной карты заключается в том, что чем ближе координаты двух векторов на карте, тем ближе они и в пространстве, но не наоборот [1, 2, 3]. Значения векторов в узлах сети соответствуют характерному значению для соответствующего
класса.
Основными типами задач, решаемыми с помощью карт Кохонена, является визуализация
многомерных нелинейных данных и предварительная обработка данных. Программное обеспечение, позволяющее работать с картами Кохонена, сейчас представлено множеством инструментов. Это могут быть как инструменты, включающие только реализацию метода карт самоорганизующихся так и нейропакет с целым набором структур нейронных сетей. Программное
обеспечение, имитирующее работу нейронной сети, называют нейросимулятором или нейропакетом.
Большинство нейропакетов включают следующую последовательность действий:
-создание сети (выбор пользователем параметров или одобрение установленных по умолчанию);
-обучение сети; выдача пользователю решения.
Существует огромное разнообразие нейропакетов, возможность использования нейросетей включена также практически во все известные статистические пакеты. Среди специализированых нейропакетов можно назвать такие: BrainMaker, NeuroOffice, NeuroPro, SoMine,
Statistica, NeuroShell, NeuroScalp, Deductor и многие другие.
Рассмотрим возможность применения карт Кохонена в интеллектуальной обработке данных, которые используются при управлении сложным объектом (БРУ), так как информация о
существующем состоянии технологического процесса и тенденции его изменения должны быть
положены в основу разработки мероприятий по принятию решений и учитываться при прогнозировании развития сценариев управления объектом в условиях неопределённости [2, 3].
В качестве обучающего набора выступает база данных, которая содержит информацию о
протекании технологического процесса брагоректификации, а именно: расход бражки на БРУ,
давление низа бражной колоны, температура смеси на контрольной тарелке бражной колоны.
Для решения задачи будем использовать аналитический пакет Deductor Studio
Academic 5.1.
Первым этапом построения является загрузка и импорт данных, а также запуск мастера
обработки информации, где необходимо присвоить назначение переменным: входное, выходное, информационное (рис. 2).
39
New university
Technical sciences
2015. № 3-4 (37-38)
ISSN 2221-9552
Рис. 2. Настройка значений
Третий
этап
–
присвоение
множеству
информации
специальных
атрибутов:обучающих,тестовых,валидационных. На четвёртом этапе обработки запускаем
процес обучения сети, т.е можна наблюдать за изменением величины погрешности и
процентом распознаных примеров в обучающей и тестовой части програмы обработки (рис. 3).
Рис. 3. Процесс обучения нейросети
40
Новый университет
Технические науки
2015. № 3-4 (37-38)
ISSN 2221-9552
В нашем случае в обучающем множестве распознано 74,65% даных, а в тестовом множестве 87,5% информации.
Следующим этапом будет построение Карт Кохонена [4, 5]. Есть два варианта построения:
1. На одной карте можна отобразить фрагмент зависимости результатов между входными
и выходными данными (рис. 4).
Рис. 4. Фрагмент Карты Кохонена, обьединения входных и выходных потоков
Где, синим цветом обозначено выходной сигнал, в даном случае (Температура верха Б.К),
красным – вход 1 (расход браги на БРУ), зеленым – вход 2 (давление низа Б.К).
2. Фрагмент, который состоит из нескольких карт входов и матрицы расстояний (рис. 5).
Нижняя часть фрагмента представляет собой информационную статистику обработаных результатов.
На (рис. 5) приведена иллюстрация карт входов и выходов, а также карта кластеров. Изучив карты можно сделать вывод, что минимальное значение имеют области даных, которые
обозначены темно синими ячейками. Также по цветам карт можно проследить взаимосвязи между основными показателями. Для нахождения конкретного обьекта на карте можно использовать комбинацию клавиш «Ctrl+enter», в результате можно видеть значение его измерения, т.е.
мы можем оценить положение рассмотреного обьекта и сравнить его с другими.
В качестве примера, можно рассмотреть отдельные значения временных рядов, которые
выходят за допустимые пределы технологического режима. Определив эти объекты на картах
Кохонена, можно прогнозировать поведение системы во времени [5, 6].
41
New university
Technical sciences
2015. № 3-4 (37-38)
ISSN 2221-9552
Рис. 5. Фрагмент Карты Кохонена
Таким образом, вследствие применения карт Кохонена были достигнуты такие результаты:
1.Пространство входных факторов было представлено в двухмерном виде, в котором его
достаточно удобно анализировать. Основное отличие этих сетей от других моделей заключается в наглядности и удобстве использования.
2.Эти сети позволяют упростить многомерную структуру, их можно считать одним из
методов проектирования многомерного пространства в пространство с более низкой размерностью. Интенсивность цвета в определенной точке карты определяется данными, туда попали:
ячейки с минимальными значениями изображаются темно-синим цветом, ячейки с максимальными значениями – красным.
Ещё одно принципиальное отличие карт Кохонена от других моделей нейронных сетей –
это индивидуальный подход к обучению, а именно – неуправляемое или неконтролируемое
обучение. Этот тип обучения позволяет данным обучающей выборки содержать значение только входных переменных. Сеть Кохонена «учится» понимать саму структуру данных и решает
задачи кластеризации.
Библиографический список:
[1] Стабников, В.Н. Ректификация в пищевой промышленности. Теория процесса, машины, интенсификация / В.Н. Стабников, А.П. Николаев, М.Л. Мандельштейн. – М.: Легкая и пищевая промышленность, 1982. – 232 с.
[2] Зігунов О.М. Дослідження процесів екстрагування цукру нейромережевими методами для задач
технологічного моніторингу / О.М.Зігунов, В.Д. Кишенько // Харчова промисловість. – К.:
НУХТ. – 2010. – № 9. – С. 155-159.
42
Новый университет
Технические науки
2015. № 3-4 (37-38)
ISSN 2221-9552
[3] Петренко, А.І. GRID та інтелектуальна обробка даних DATA MINING / А.І. Петренко // System
Research & Information Technologies. – 2008. – № 4 – P. 97-110.
[4] Горбань А.Н. Обучение нейронных сетей. – М.: изд. СССР-США СП "ПараGraph", 1990. – 160 с.
[5] Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с
англ. – М.: Издательский Дом "АЛЬПИНА", 2001. – 317 с
[6] Т. Kohonen. Self-Organization and Associative Memory. – Springer–Verlag, Berlin, Heidelberg,
1984. – 255 р.
***
UDC 663.52:681.542.2
D.A. Stetsenko, A.M. Zigunov, Ya.V. Smityuh
ANALYSIS OF THE FUNCTIONING PROCESSES
OF BRAGOREKTI FICATION WITH KOHONEN`S MAPS USING
In the article – the analysis of technological process of Kohonen`s maps using is presented in the article.
The information data processing of distillery plant is used. From the viewpoint of analysis and synthesis
automatic control BRS is complex machine of consistent-parallel structure.It is proved that automatic control
systems analysis and synthesis BRS of alcohol plants are multifunction objects. The analysis of existing control
algorithms, discussed the advantages and disadvantages of these algorithms. A single of the most effective
approaches to management based on intelectual algorithm, of Kohonen`s maps using The relationships between
technological variables are determined and the influence of these parameters on the technological process.
Using these methods of information processing in sub- decisions, the effectiveness of Bragorectification setting
control will significantly increase.
Keywords: bragorektification setting (BRS), technological proces, Kohonen map, fuzzy set, intellectual
system.
43