УДК 631.173

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ ОПТИМИЗАЦИИ ПРОЦЕССА УТИЛИЗАЦИИ СЕЛЬСКОХОЗЯЙСТВЕННОЙ ТЕХНИКИ

Панасенков А.П.
Тверской государственный технический университет
ассистент каф. МПРМ

Аннотация
В данной работе применяется нейросетевое моделирование для оптимизации процесса утилизации сельскохозяйственной техники.

Ключевые слова: нейросетевая модель, нейросетевое моделирование, оптимизация процесса утилизации, энерго-силовые параметры утилизации


USING NEURAL NETWORK MODELING FOR OPTIMIZING THE UTILIZATION OF AGRICULTURAL MACHINERY

Panasenkov A.P.
Tver State Technical University
assistant of department MPRM

Abstract
This paper applies neural network modeling for optimizing the utilization of agricultural machinery.

Рубрика: 05.00.00 ТЕХНИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
Панасенков А.П. Использование нейросетевого моделирования для оптимизации процесса утилизации сельскохозяйственной техники // Современные научные исследования и инновации. 2012. № 3 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2012/03/10893 (дата обращения: 03.06.2017).

В последнее время перед ломозаготовителями и потребителями лома все острее встает вопрос повышения рентабельности при его переработке. Одним из вариантов в решении этого вопроса является переход от преимущественного использования газовой резки лома к механическим способам его переработки. Таким как пакетирование лома при помощи пресса. Экономическая эффективность использования пресса возрастает за счет того, что увеличивается возможность использования большого количества разнообразных видов сырья, уменьшается необходимость использования кислорода и пропана при переработке лома, сокращаются расходы на транспортировку лома. Однако, отсутствует рациональное обоснование использования технических средств переработки, в результате чего переработчики приобретают технологическое оборудование с завышенными характеристиками, что приводит к удорожанию продукции, или же характеристики оборудования оказываются заниженными, в результате чего оборудование становится перегруженным.

В результате серии лабораторно-промышленных экспериментов были исследованы энергосиловые параметры процесса брикетирования металлоконструкций сельскохозяйственной техники на прессе СРА-400-В2 в утилизационном комплексе ЗАО «Тверьвтормет».

В ходе проведения экспериментов было определено, что из ста единиц автотракторной техники, поступившей на утилизацию около 70% приходится на трактора МТЗ, Т-40, Т-25, «Беларусь» и около 21% – на другие отечественные марки: бульдозеры Т-15.01, Т-20.01, Т-25.01, Т-35.01, Т-330, а также льноуборочную и льноперерабатывающую технику, льнокомбайны ЛК-5, ЛК-4М, ТЛН-1.5, ЛТВ-4, ЛК-4Т и ЛКВ-4Т, МЛ-2.8, ТЛН-1.5А, комбайны ЛК-4А и ЛКВ-4А, ОСН-1, подборщики ПТП-1, ПРС-145 и ПТН-1А, оборудование для сушки и переработки льновороха КСПЛ-0.9, ППС-3, приспособление ППЛ-0.5, СОМ-300к и ПРП-1.6 (рисунок 1).


Рисунок 1 – Статистика сдачи агротехники в утилизацию по данным ЗАО «Тверьвтормет»

 

В результате ста экспериментов, статистически отражающих состояние отрасли утилизации автотракторной техники, была сформирована электронная база данных в виде таблиц Excel для осуществления процесса моделирования в виде соответствующих электронных матриц.

При проведении экспериментов были учтены следующие параметры утилизируемых заготовок:

Q – удельная плотность утилизируемой техники; Н – высота, М- масса , Т – обтекаемость утилизируемого изделия; N – расчетная величина мощности.

На основании данных, полученных в результате экспериментов, были построены математические модели разрушения изделий сельскохозяйственной техники, в виде функциональных зависимостей[1], которые являются полиномами второго порядка и имеют вид:

                (1)

Данные, полученные в результате 100 экспериментов были сведены в таблицы по влиянию определённых, выбранных нами факторов (объёмный коэффициент, высота, масса, обтекаемость) на мощность реза в установке.

Как видно из графиков распределения опытных значений мощности (рисунки 2-5), во всех случаях наблюдается распределение функции наиболее близкое к параболическому. Поэтому, для определения коэффициентов уравнений, описывающих функцию, используем метод квадратичной аппроксимации.

 

Рисунок 2 -Зависимость мощности реза (N) от удельной плотности (Q) материала утилизируемой техники.

Рисунок 3 – Зависимость мощности реза(N) от высоты (H) заготовки.

Рисунок 4 – Зависимость мощности реза (N) от массы (M) заготовки.

Рисунок 5 – Зависимость мощности реза (N) от обтекаемости (T) заготовки.

 

В результате проведенных исследований была получена унифицированная таблица зависимости мощности энергосиловой установки по переработке изделий сельскохозяйственной техники от входных параметров перерабатываемой заготовки.

Использование данной таблицы при определении оптимальных параметров приводов утилизационных установок позволяет автоматизировать подготовку заготовок к утилизации, а следовательно сделать процесс утилизации более эффективным и рентабельным.

В условиях реального процесса переработки использование данной таблицы исключает ошибки в подборе загружаемого на переработку сырья, которые могут привести к аварии, т.е. позволяет увеличить срок службы перерабатывающей линии.

Как альтернативную приведенной выше методике определения зависимости мощности прессования от параметров заготовки используем нейросетевую модель.

Для построения и обучения нейронной сети использовался пакет NeuroPro 0.25. Проводилось обучение и тестирование двух- и трехслойных нейронных сетей прямого распространения с сигмоидальной функцией активации [3]. Была составлена обучающая выборка из 50 данных эксперимента (из исследований исключались резкие отклонения для повышения точности прогноза), которая в виде таблицы файла с расширением *.dbf загружается в программу.

Для оценки энергосиловых параметров переработки корпусов сельскохозяйственной техники были построены искусственные нейронные сети (ИНС) с различной архитектурой, показанной в таблице 1.

В качестве входов определяем следующие параметры: удельная плотность – Q (кН/м3), высота – H (м), масса – M (кг), обтекаемость – T.

Для оценки качества моделей рассчитывалась средняя ошибка аппроксимации [2] – среднее отклонение расчетных значений от фактических y:

(2)

В таблице 1 приведена средняя ошибка аппроксимации для ИНС с различной архитектурой.

 

Таблица 1 – Результаты расчета ошибки аппроксимации.

Архитектура ИНС

Средняя ошибка аппроксимации

Ā, %

4-(4-3)-1

1,557

4-(3-3)-1

1,466

4-(3-2)-1

1,38

4-(4-3-2)-1

1,68

4-(3-2-2)-1

1,61

Лучший результат показала двухслойная ИНС с архитектурой 4-(3-2)-1. Ее архитектура показана на рисунке 6.


Рисунок 6 – ИНС с архитектурой 4-(3-2)-1

 

Определив в построенной сети значимость входов, упрощение сети посредством исключения незначимых (малозначимых) входов оказалось невозможным, что подтверждает значимость всех четырёх факторов при определении энергосиловых параметров реза.

Для адекватной оценки и определения мощности установки получено: необходимо использование четырех входных параметров разрушаемого изделия, а именно объемного коэффициента, высоты, массы и обтекаемости.

При помощи программного пакета NeuroPro 0.25 также было проведено сокращение числа синапсов до 20 и равномерное упрощение сети, в результате чего удалось довести значение средней ошибки аппроксимации до = 1,32%.

Получена унифицированная таблица зависимости мощности прессовой установки от геометрических параметров утилизируемой сельскохозяйственной техники на основе полиномиальной модели, что позволяет исключить возможные ошибки в расчетах мощности установки, а следовательно сделать процесс брикетирования более эффективным и рентабельным

Как нейросетевая, так и полиномиальная модели предсказывают значение оптимальной мощности с экспериментальной ошибкой s, которая является квадратным корнем сумм квадратов остатков для каждого отклика SR, вычисляемого по следующей формуле [1]:

             (3)

где N – число экспериментов, yi – измеренная величина каждого отклика, – соответствующая величина, предсказанная с помощью модели. Сравнение двух методов моделирования по критерию точности проводилось между квадратным полиномом и моделью на основе оптимизированной нейронной сети, реализованной по архитектуре 4-(3-2)-1, обученной по 50 и протестированной по 30 экспериментальным данным. В таблице 2 приведены экспериментальные ошибки для полиномиальной модели отклика (sП) и для нейросетевой модели (sН).

 

Таблица 2 – Результат сравнения полиномиальной (п) и нейросетевой (н) моделей.

Показатели мощности установки (эксперимен-тальные данные)

Экспериментальная ошибка модели
Полиномиальная модель Нейросетевая модель

Уменьшение ошибки, %

Nэкв 16,4623 10,3582 62,92

 

Сам способ построения полиномиальной модели основан на предположении, что квадратичная функция адекватно описывает изменение откликов в зависимости от определенного числа входных параметров, и затем выполняется подгонка коэффициентов для полиномов с помощью регрессионного анализа. Однако, начальное предположение о квадратичном поведении скорее субъективно, и может оказаться ошибочным. В нашем случае полиномы второго порядка достаточно аккуратно представляют реальные отношения между входами и откликами.

Нейросетевые модели могут применяться для более эффективного прогнозирования поведения сложных систем с небольшим количеством экспериментальных данных [4]. Это объясняется тем, что в сетях с обратным распространением веса связей от входного к промежуточному слою совместно используются все выходы. Таким образом, сеть требует меньше весов (т.е. меньше экспериментов) для выполнения точного преобразования в задачах множества поверхностей по сравнению с полиномиальными методами. Для адекватного моделирования большого количества переменных требуется большое количество экспериментов, которое обходится чрезмерно дорого в материальном и временном отношении. В этих целях удобнее использовать процесс моделирования с использованием нейронных сетей.

Таким образом, в результате лабораторно-промышленных испытаний были получены унифицированные нейросетевые и полиномиальные модели для определения оптимальных параметров приводов утилизационных установок. Выявлено, что для адекватной оценки мощности приводов силовой установки необходимо использование четырех входных параметров разрушаемого изделия, а именно удельной плотности, высоты, массы и обтекаемости. Разработанные математические модели адаптированы к промышленным условиям технологической подготовки утилизации металлоконструкций сельскохозяйственной техники.


Библиографический список
  1. Ермаков С.М. Математическая теория планирования эксперимента [Текст] / С.М.Ермаков [и др.] / под ред. С.М.Ермакова. – М.: Наука, 1983. – 391с.
  2. Круглов В.В. Искусственные нейронные сети. Теория и практика [Текст] / В.В. Круглов, В.В. Борисов. – М.: Горячая линия – Телеком, 2001. – 382 с.: ил. – ISBN 5-93517-031-0.
  3. Макаренко Н.Г. Лекции по нейроинформатике. Часть 1. [Текст] / Н.Г.Макаренко. – М.: МИФИ, 2007. – 178с. – ISBN 5-7262-0708-4.
  4. Оссовский С. Нейронные сети для обработки и информатизации [Текст] / С.Оссовский: перевод с польского И.Д.Руденского. – М.: Финансы и статистика, 2004. – 344с.: ил. – ISBN 5-279-02567-4.


Все статьи автора «Александр»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться: