Sterowanie neuronowe procesem przemiału cementu

Transkrypt

Politechnika Opolska
Wydział Elektrotechniki, Automatyki i Informatyki
mgr inŜ. Gerard Bursy
STEROWANIE NEURONOWE
PROCESEM PRZEMIAŁU CEMENTU
AUTOREFERAT ROZPRAWY DOKTORSKIEJ
Promotor:
prof. dr hab. inŜ. Ryszard Rojek
Opole 2008
Gerard Bursy – Sterowanie neuronowe procesem przemiału cementu
SPIS TREŚCI
1
WPROWADZENIE ....................................................................................................................................... 3
2
CEL, TEZA I ZAKRES PRACY .................................................................................................................. 4
3
CHARAKTERYSTYKA MŁYNA KULOWEGO CEMENTU JAKO OBIEKTU STEROWANIA .... 5
4
PRZEGLĄD STRUKTUR SIECI NEURONOWYCH ORAZ METOD UCZENIA POD KĄTEM
MOśLIWOŚCI ICH ZASTOSOWANIA DO STEROWANIA PROCESEM PRZEMIAŁU ................ 8
5
OPRACOWANIE KONCEPCJI EKSPERYMENTÓW POMIAROWYCH W WARUNKACH
RZECZYWISTEJ PRACY UKŁADÓW PRZEMIAŁOWYCH DLA POTRZEB IDENTYFIKACJI . 9
6
NEURONOWA IDENTYFIKACJA UKŁADU PRZEMIAŁOWEGO .................................................. 14
6.1 IDENTYFIKACJA MŁYNA PRACUJĄCEGO W UKŁADZIE OTWARTYM............................................................ 15
6.2 IDENTYFIKACJA MŁYNA PRACUJĄCEGO W UKŁADZIE ZAMKNIĘTYM ......................................................... 17
7 PROPOZYCJA STEROWANIA NEURONOWEGO MŁYNEM CEMENTU ..................................... 23
7.1 NEURONOWA REALIZACJA DECYZJI EKSPERTA ......................................................................................... 24
7.2 ADAPTACJA UKŁADU STEROWANIA W PRZYPADKU PRODUKCJI RÓśNYCH MAREK CEMENTU ................... 28
7.3 MOśLIWOŚCI WYKORZYSTANIA STEROWANIA NEURONOWEGO W PRZYPADKU INNYCH UKŁADÓW
PRZEMIAŁOWYCH .................................................................................................................................... 30
8 PODSUMOWANIE ..................................................................................................................................... 31
LITERATURA .................................................................................................................................................... 33
WYKAZ STRON INTERNETOWYCH ........................................................................................................... 34
WYKAZ NORM ................................................................................................................................................. 34
WYKAZ PRAC Z UDZIAŁEM AUTORA....................................................................................................... 35
2
1
WPROWADZENIE
Zmiany gospodarcze zachodzące w ostatnich latach w kraju spowodowały wprowadzenie gospodarki
rynkowej we wszystkich gałęziach przemysłu. W warunkach nadwyŜki mocy produkcyjnej oraz
wysokiej konkurencji narzucającej ostre wymagania jakościowe, przy ścisłych realiach określających
ekonomiczną opłacalność produkcji, zaczęto szukać rozwiązań pozwalających na obniŜenie kosztów
produkcji oraz podwyŜszenie jakości produktów. Kluczową rolę w przemyśle mineralnych materiałów
budowlanych odgrywają procesy przemiałowe, które są wykorzystywane na wszystkich etapach
produkcji do rozdrabniania surowca, paliwa oraz produktu finalnego jakim jest cement.
W większości krajowych cementowni powszechnie stosowane są wielokomorowe1 młyny kuloworurowe pracujące w układzie otwartym lub zamkniętym. Są one urządzeniami charakteryzującymi się
niską sprawnością: ok. 3 do 20 % (w zaleŜności od przyjętej definicji) dostarczonej energii
wykorzystane zostaje w procesie mielenia.
Zwiększenie tej sprawności moŜna uzyskać poprzez działania prowadzone w dwu kierunkach:
− modernizację technologii i urządzeń,
− zastosowanie nowych i niestandardowych algorytmów sterowania realizowanych w oparciu o
technikę komputerową.
Wartości uŜytkowe produkowanego cementu są określone w Polskich Normach [PN-EN-197-1: 2002]
[PN-B 19707: 2003] i zobowiązują one producentów do zachowania określonych właściwości
fizykochemicznych produkowanego cementu. Stopień rozdrobnienia cementu jest czynnikiem
decydującym o podstawowych właściwościach uŜytkowych produktu (wytrzymałość na zginanie i
ściskanie, odporność na korozje, mróz, starzenie betonu itp). Podstawowe znaczenie stabilizacji
powierzchni właściwej cementu wynika z tego, Ŝe jego niedomielanie powoduje obniŜenie
wytrzymałości cementu, natomiast nadmierne jego rozdrobnienie wpływa na znaczny wzrost zuŜycia
energii.
Zadaniem sterowania pracą młyna jest stabilizacja stopnia rozdrobnienia cementu w oparciu o
pomiar powierzchni właściwej przy minimalizacji jednostkowego zuŜycia energii elektrycznej i
zachowaniu wymaganej jakości produktu finalnego.
Trudne warunki techniczne prowadzenia procesu cechują się brakiem bezpośrednich moŜliwości
pomiarowych dostępnych zmiennych procesowych. Brak dokładnych modeli fizyko-chemicznych
uwzględniających równocześnie zachodzące procesy rozdrobnienia, transportu i mieszania, a takŜe
opóźnienia transportowe oraz nieliniowości charakterystyk procesu przemiału powodują ograniczone
moŜliwości poprawy jakości regulacji parametrów cementu z wykorzystaniem tradycyjnych
algorytmów regulacji.
W związku z powyŜszym w pracy zaproponowano wykorzystanie algorytmów opartych na teorii
sztucznych sieci neuronowych do sterowania procesem przemiału. Do pomiaru stopnia rozdrobnienia
cementu wykorzystano prototypowy, radioizotopowy miernik pomiaru gęstości usypowej,
wyskalowany w jednostkach powierzchni właściwej wg Blainea (cm2/g), pracujący w sposób quasiciągły [E. Polednia, A. Werszler, 1997].
Wysoka energochłonność tych procesów zmusza do poprawy ich właściwości energetycznych.
Aktualne prace w krajowych cementowniach skupiają się na modernizacji istniejących układów
technologicznych, pomiarowych oraz sterujących2. Prowadzenie procesu przemiału oparte jest
dotychczas w głównej mierze na wiedzy ekspertów, jakimi są operatorzy nadzorujący pracę tych
układów.
ZłoŜoność cyklu przemiałowego wynika z zachodzących wewnątrz młyna procesów rozdrabniania,
mieszania i transportu materiału. Charakteryzują się one wielowymiarowością, nieliniowością,
fluktuacjami parametrów (zwłaszcza opóźnienia) oraz niestacjonarnym charakterem zakłóceń. Wiele
zaleŜności opisujących układ przemiałowy ma charakter empiryczny. W tej sytuacji układy te są
obiektami niezwykle złoŜonymi i trudnymi do analizy z uŜyciem klasycznych metod. W pracy
postanowiono wykorzystać cenne właściwości sztucznych sieci neuronowych, do których zaliczyć
moŜna: łatwość budowy układów wielowymiarowych, moŜliwość aproksymacji dowolnych ciągłych
1
2
najczęściej 2 lub 3 komorowe
informacje pochodzą ze strony http://www.polskicement.pl, oraz własnych obserwacji
3
zaleŜności nieliniowych, oraz zdolność adaptacji, czyli dopasowania wartości parametrów do zmian
charakterystyk obiektu i zakłóceń. Wykorzystanie tych cennych własności SSN (Sztuczne Sieci
neuronowe) do identyfikacji oraz sterowania procesem przemiału cementu pozwoli uwzględnić
występujące w nim złoŜone nieliniowe zaleŜności. Stwarza to moŜliwość poprawy racjonalnego
prowadzenia tego procesu.
Tematyka pracy jest istotna dla racjonalnego gospodarowania zuŜyciem energii i spełnienia
wymagań jakościowych produktów w przemyśle cementowym. Jest ona rozwojowa na świecie
jak i w kraju, przy czym jako jeden z najwaŜniejszych celów badawczych wymienia się
zastosowanie zaawansowanych technik cyfrowych i metod sztucznej inteligencji w sterowaniu
procesami technologicznymi.
Podczas badań do obliczeń i symulacji w pracy wykorzystano pakiet programowy Matlab ver. 7.5
wraz z przybornikiem Neural Network ver. 5.1 (R2007b), będący na wyposaŜeniu Wydziału
Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej.
2
CEL, TEZA I ZAKRES PRACY
Cel pracy
Celem pracy jest przedstawienie propozycji racjonalnego sterowania procesem przemiału
cementu w układzie zamkniętym, przy uwzględnieniu róŜnych uwarunkowań związanych z
niepewnością modelu procesu, fluktuacjami jego parametrów (zwłaszcza opóźnienia) i ich
nieliniowościami oraz niestacjonarnym charakterem zakłóceń oddziałujących na proces.
Teza pracy:
Ogólną tezę pracy moŜna sformułować następująco:
„Wykorzystanie metod neuroidentyfikacji i sterowania neuronowego oraz quasi-ciągłego pomiaru
stopnia przemiału cementu stwarza moŜliwość poprawy racjonalnego prowadzenia tego procesu”.
Szczegółowa teza pracy:
„Procesy rozdrabniania, mieszania i transportu zachodzące w układach przemiałowych
charakteryzują się nieliniowością, wielowymiarowością, oraz niestacjonarnością. Z tego powodu
układy te są obiektami niezwykle złoŜonymi i trudnymi do analizy i syntezy z uŜyciem klasycznych
metod. Wiele zaleŜności opisujących układ przemiałowy ma charakter empiryczny, są one w
literaturze specjalistycznej prezentowane w formie tabel lub charakterystyk.
Wykorzystanie w tych zagadnieniach cennych właściwości sztucznych sieci neuronowych, do których
moŜna zaliczyć zdolność aproksymacji dowolnych wielowymiarowych zaleŜności nieliniowych oraz
zdolność adaptacji, moŜe w sposób istotny poprawić stabilizację parametrów jakościowych produktu
finalnego, zmniejszyć efekt nadmiernego przemielania cementu, a w efekcie przyczynić się do
zmniejszenia zuŜycia energii elektrycznej”.
Zakres pracy:
W celu wykazania słuszności tej tezy wykonano następujące zadania badawcze:
− dokonano przeglądu znanych z literatury struktur sieci neuronowych, metod ich optymalizacji
oraz algorytmów uczenia pod kątem moŜliwości ich zastosowania do rozwiązywania zagadnień
związanych z moŜliwością sterowania procesem przemiału cementu,
− zaproponowano i przebadano sposób wykorzystania algorytmów neuronowych do identyfikacji
właściwości wielowymiarowego obiektu, jakim jest młyn kulowy wraz z separatorem na
podstawie danych zarejestrowanych podczas eksperymentu biernego, a wyniki zostały
zweryfikowane w oparciu o dane uzyskane w warunkach pracy układu,
− zaproponowano wykorzystanie algorytmów neuronowych do realizacji decyzji eksperta podczas
sterowania procesem przemiału cementu,
4
−
−
3
zbadano moŜliwość wykorzystania sieci neuronowych do adaptacji układu sterowania w
przypadku wykorzystywania układu przemiałowego do produkcji róŜnych marek cementu,
zbadano moŜliwość wykorzystania uzyskanych rezultatów w przypadku dostosowania
neuronowego algorytmu sterowania do innych układów przemiałowych.
CHARAKTERYSTYKA MŁYNA KULOWEGO CEMENTU JAKO OBIEKTU
STEROWANIA
W celu właściwego poznania problemów związanych z pracą układu przemiałowego naleŜy
przeanalizować zjawiska zachodzące podczas przemiału materiałów w młynie kulowym. W tym celu
na początku przedstawiono podstawowy układ słuŜący do przemiału cementu stosowany w krajowym
przemyśle cementowym, jakim jest młyn kulowy i kulowo-rurowy wraz z głównymi urządzeniami
współpracującymi.
Opis procesu przemiału cementu. Młyn kulowy jest obracającym się walczakiem podzielonym na
komory przy pomocy przegród, wypełnionym wewnątrz w pewnym stopniu kulami i tzw.
cylpepsami3. W przemyśle cementowym spotyka się dwa podstawowe rodzaje układu pracy młynów
kulowych: otwarty i zamknięty (rys. 3.1). Oba układy cechują róŜne wskaźniki technicznoekonomiczne, które mogą decydować o preferencjach wyboru konkretnego układu do produkcji
danych marek cementu.
Rys. 3.1. Układy pracy młynów kulowych
W młynach kulowych i kulowo-rurowych na ich wejście podawane są w odpowiednich proporcjach
składniki: klinkier, gips oraz dodatki takie jak ŜuŜel, pyły przemysłowe, ruda Ŝelaza (tzw. nadawa
surowa). Młyn obracając się ze stałą prędkością powoduje podnoszenie mielników wraz z mieliwem.
Kule opadając uderzają o materiał powodując jego rozdrobnienie. Z punktu widzenia cech fizycznych
materiałów najbardziej istotna w procesie rozdrabniania jest ich wytrzymałość na ściskanie i
twardość.
ZłoŜoność zachodzących równocześnie procesów rozdrabniania, transportu i mieszania w młynie oraz
fakt, Ŝe proces przemiału przebiega w wirującym walczaku, uniemoŜliwiają pomiar
charakterystycznych wielkości procesowych, waŜnych z punktu widzenia sterowania bezpośrednio w
objętości mielonego materiału. Dla celów sterowania, kontroli, diagnostyki i zabezpieczeń oraz
wizualizacji pracy młyna wykorzystuje się aktualnie róŜnorodne zautomatyzowane systemy zbierania
danych pomiarowych.
Identyfikacja układu przemiałowego. Identyfikacja jest etapem modelowania matematycznego
systemów dynamicznych, na podstawie danych eksperymentalnych. Polega ona na wyznaczaniu
modelu procesu i otoczenia - jako reprezentanta pewnej klasy modeli - na podstawie dostępnych
3
cylpepsy - (mielniki) elementy robocze młyna bębnowego w kształcie walca lub stoŜka o zaokrąglonych
krawędziach o średnicy nie przekraczającej 40 mm, które na skutek obrotów bębna uderzają o materiał oraz
ścierają go powodując rozdrabnianie
5
pomiarów wejść i wyjść, przy pomocy wybranej metody i w oparciu o przyjęte kryterium, zwykle
skalarną funkcję strat.
Charakter modelu obiektu, jego ogólność i dokładność zaleŜą od przeznaczenia. Dla celów analizy
procesu, jego optymalizacji, prowadzenia rozruchu lub wprowadzenia zmian wymagane są modele o
charakterze globalnym, opisujące zachowanie się procesu dla wszystkich moŜliwych obszarów
zmienności wielkości procesowych. Natomiast dla celów badania stabilności lub syntezy sterowania
zwykle stosuje się uproszczone modele matematyczne.
Modele matematyczne procesu przemiału moŜna podzielić na dwie grupy w zaleŜności od
zastosowanego podejścia w trakcie ich budowy. W przypadku modeli pierwszej grupy identyfikowany
system zostaje podzielony na powiązane ze sobą wzajemne bloki, z których kaŜdy jest określony
przez równania opisujące zjawiska fizyczne, albo wynika z wiedzy uprzednio zdobytej
eksperymentalnie. Model taki daje się przedstawić w postaci schematu blokowego, pokazującego jego
wewnętrzną strukturę w postaci wzajemnych połączeń miedzy blokami składowymi. Druga grupa to
modele matematyczne, zwykle wielowymiarowe, w sposób bezpośredni wyznaczone na podstawie
aktualnych danych doświadczalnych.
W literaturze przedstawione są róŜne modele matematyczne procesu mielenia opisujące za pomocą
równań zjawiska fizyczne zachodzące podczas przemiału m. in. w pracach [Auer A. 1978], [Rojek R.
1976], [Wrzuszczak J. 1998].
Jakość uzyskanego modelu zaleŜy zarówno od parametrów wybranego modelu czyli rzędów
wielomianów i opóźnień, a takŜe od danych wykorzystanych do identyfikacji [Wrzuszczak J. 1998].
Spotykane w literaturze modele matematyczne mają charakter skomplikowanych zaleŜności
uwzględniających charakter fizyczny zjawisk, zachodzących w układach przemiałowych,
opisywanych przy pomocy nieliniowych równań róŜniczkowych zwyczajnych i cząstkowych [L.
Austin, 1988], [J. Herbst, 1992], [A. Niemi, 1999]. Ze względu na duŜą złoŜoność obliczeniową
problemów modelowania układów nieliniowych dla celów sterowania, zwykle tworzy się uproszczone
modele matematyczne, moŜliwe do szybkiego wyznaczania i śledzenia na bieŜąco ich odchyłek od
rzeczywistego zachowania procesu. Nie uwzględniają one wielu zjawisk zachodzących podczas
procesu przemiału. UmoŜliwiają one jedynie optymalizację statyczną pracy urządzeń takich jak młyn
czy separator.
Charakterystyka zmiennych procesowych. Zmienne procesowe typowe dla przemiału cementu
moŜna podzielić na zmienne sterujące (wejściowe), zmienne wyjściowe oraz inne wielkości
pomocnicze wykorzystywane m.in. do oceny jakości przebiegu procesu. Szczegółowo wielkości te
zilustrowano na rys. 3.2.
Rys. 3.2. Model układu przemiałowego
Wielkości sterujące procesem przemiału cementu. Sterowanie procesem przemiału sprowadza się do
bezpośredniego oddziaływania na wielkości zadane układów wykonawczych, których dynamika moŜe
6
być pominięta w porównaniu z wolnozmiennym charakterem przebiegów zmiennych procesowych, w
szczególności w układzie przemiałowym pracującym w cyklu zamkniętym tzn. z separatorem
powietrznym.
Wielkościami sterującymi w przypadku młyna są:
− nadawa świeŜa do młyna (suma poszczególnych składników nadawy: klinkieru, gipsu, ŜuŜla i
innych dodatków),
− prędkość obrotowa separatora powietrznego,
− zmiana ilości powietrza wentylującego młyn (aeracja młyna).
Sterowanie procesem sprowadza się do stabilizacji punktu pracy układu przemiałowego,
wyznaczonego w oparciu o charakterystyki statyczne poszczególnych urządzeń osobno dla kaŜdej z
produkowanych marek cementu. Występowanie zakłóceń stochastycznych oddziałujących na system
przemiałowy utrudnia efektywne sterowanie procesem w układzie otwartym.
Wielkości wyjściowe i pomocnicze procesu przemiału. Z punktu widzenia racjonalnego prowadzenia
przemiału cementu do najwaŜniejszych czynności naleŜą pomiary wielkości fizycznych. Spełniają one
funkcję wielkości wyjściowych wykorzystywanych w algorytmach sterowania lub wielkości
pomocniczych wykorzystywanych przez operatora do nadzoru jego przebiegu. NaleŜą do nich
następujące pomiary: powierzchni właściwej cementu metoda ciągłą, stopnia wypełnienia młyna (np.
przy pomocy ucha akustycznego lub folafonu), strumienia materiału zawracanego z separatora, prądu
napędu przenośnika pionowego (elewatora), temperatura materiału za młynem, ciśnienia na wlocie i
wylocie młyna, prądu napędu głównego młyna i przenośnika pionowego (elewator lub przenośnik
kubełkowy).
Zakłócenia oddziałujące na proces przemiału cementu. Młyn w zakładzie cementowym pracuje w
środowisku, które cechuje występowanie zakłóceń o charakterze stochastycznym. NaleŜą do nich:
skokowe zmiany występujące w przypadkowych chwilach czasu jak np. zaklejanie się przegród, oraz
przebiegi o charakterze fluktuacji np. zmiany granulacji i wilgotności surowców, zuŜywanie się
mielników.
Wykorzystywane sposoby sterowania procesem przemiału. W praktyce oraz pracach dotyczących
technologii przemiału cementu prezentowanych jest kilka podstawowych sposobów regulacji procesu
przemiału [W. Duda, 1979], [W. H. Duda, 1985], [E. Nowak i inni, 2000], [Kurdowski, 2007],
[www.polskicement.pl] do których naleŜą m.in.: regulacja nadawy świeŜej bazując na pomiarze
stopnia wypełnienia młyna, regulacja prędkości obrotowej wirnika separatora w oparciu o pomiar
stopnia rozdrobnienia. Wskazanym jest zatem opracowanie nowych układów sterowania w oparciu o
nowoczesne metody sterowania komputerowego.
Zestawienie danych technicznych przykładowych krajowych układów przemiałowych. W kraju
od lat wiele uwagi poświęca się modernizacji przemysłu cementowego połączonej z eliminowaniem
przestarzałych technologii. Zmiany objęły między innymi układy przemiałowe, decydujące o
wielkości zuŜycia energii elektrycznej.
W przemyśle tym zainstalowanych jest ok 50 zestawów do przemiału cementu. Stosowane układy
przemiałowe bazują głównie na młynach kulowych pracujących w układzie otwartym lub
zamkniętym. Większość bo aŜ 37 młynów ma wydajność poniŜej 100Mg/h, a jedynie 11 z nich tych
nowoczesnych lub zmodernizowanych posiada wydajności powyŜej 100Mg/h4.
ZuŜycie energii elektrycznej w przypadku młynów kulowych pracujących w układzie zamkniętym z
separatorem powietrznym zawiera się w przedziale od 26 do 60kWh/Mg, średnio ok. 30-40kWh/Mg.
Energochłonność przemiału cementu jest uwarunkowana właściwościami fizyko-chemicznymi
klinkieru, udziałem klinkieru w cemencie, stopniem rozdrobnienia oraz własnościami układu
przemiałowego.
Pracujące w kraju układy przemiałowe wyposaŜone są w układy waŜąco-dozujące, które pozwalają na
dozowanie ilości surowca kierowanego do młyna. Stopień wypełnienia młyna określany jest w
oparciu o róŜne metody pomiarowe w zaleŜności od moŜliwości i wyposaŜenia zakładu: ucho
4
nie uwzględniono w tym układów z prasa walcową, które stanowią osobną grupę
7
akustyczne, folafon, wibracje w łoŜyskach. JednakŜe nie wszystkie układy są w ten pomiar
wyposaŜone.
W celu określenia stopnia zmielenia zgodnie z obowiązująca normą (PN-EN 197-1) we wszystkich
Polskich cementowniach wykonywany jest pomiar w oparciu o metodę przepuszczalności powietrza.
Pomiar ten przeprowadzany jest w laboratorium aparatem Blaine’a w odstępie od 6 do 8 godzin. W
jednej z krajowych przemiałowni przetestowano Radioizotopowy Miernik Pomiaru Gęstości
Usypowej, wykalibrowany w jednostkach stopnia rozdrobnienia wg Blaine’a. Przyrząd ten został
skonstruowany i wyprodukowany w IMMB5 Opole [E. Polednia, A. Werszler 1997]. Miernik pracuje
w sposób quasi-ciągły co umoŜliwia wykorzystanie do w trakcie sterowania procesem przemiału
Większość krajowych zakładów posiada układy stabilizacji poszczególnych wielkości procesowych,
np.: stabilizacji nadawy całkowitej do młyna w zaleŜności od ilości zawracanego nadziarna,
stabilizacji ciśnienia za separatorem, stabilizacji ciśnienia urządzeń odpylających. Znacząca część
jednak z zaimplementowanych pętli regulacji nie zapewnia - zdaniem operatorów - wymaganych
oczekiwań.
4
PRZEGLĄD STRUKTUR SIECI NEURONOWYCH ORAZ METOD UCZENIA POD
KĄTEM MOśLIWOŚCI ICH ZASTOSOWANIA DO STEROWANIA PROCESEM
PRZEMIAŁU
Modele opisujące zjawiska fizyko-mechaniczne procesu przemiału posiadają szereg załoŜeń
upraszczających. Dostępne obecnie systemy komputerowe oraz metody bazujące na teorii sztucznej
inteligencji pozwalają na przygotowanie odpowiednich modeli z pominięciem analizy fizykomechanicznej.
Przystępując do rozwiązywania dowolnego problemu z wykorzystaniem sztucznych sieci
neuronowych, podstawowym zadaniem jest zaprojektowanie odpowiedniej dla danego zagadnienia
struktury sieci oraz dobór odpowiedniej metody uczenia, jak równieŜ przygotowanie właściwego
zestawu danych uczących. Mimo wielu prac nad rozwojem zagadnień związanych z teorią sztucznych
sieci neuronowych, wiele problemów z tego obszaru wciąŜ pozostaje nierozwiązanych. Jednym z nich
jest odpowiedni dobór struktury i rozmiaru sieci oraz metody uczenia [A. Janczak, 1995, 2000], [W.T.
Miller, 1990], [R. Tadeusiewicz, 1993], [A. Obuchowicz, 2003] [L. Rutkowski, 2006] – w przypadku
tych zagadnień - jak się okazuje - wciąŜ najczęściej wykorzystywane są metody heurystyczne.
W celu osiągnięcia zamierzonego celu, oprócz wyboru odpowiedniej struktury sieci i właściwych
danych uczących, waŜnym zadaniem jest właściwe przeprowadzenie procesu uczenia. MoŜemy to
uzyskać poprzez zastosowanie efektywnego algorytmu dostrajania współczynników wagowych
(algorytmu uczenia). Ze względu na wybór wielowarstwowych sieci nieliniowych, skupiono się
głównie na wykorzystaniu algorytmów gradientowych uczenia, m. in.: algorytmu LevenbergaMarquardta, regularyzacji Bayesa [T. Masters, 1996], [L. Rutkowski, 2006], [H. Demuth i inni, 2007].
W pracy przeprowadzono analizę porównawczą efektywności poszczególnych metod uczenia
przyjmując jako kryterium wartość błędu średniokwadratowego dla danych uczących i testowych. W
celu przybliŜenia wykorzystywanych metod uczenia oraz struktur sieci zostały one w niniejszym
rozdziale usystematyzowane i scharakteryzowane.
Ogólnie sieci neuronowe moŜna podzielić:
1. ze względu na postać charakterystyki przejścia:
liniowe,
nieliniowe,
2. ze względu na ilość warstw:
jednowarstwowe,
wielowarstwowe
3. ze względu na występowanie sprzęŜeń zwrotnych:
sieci jednokierunkowe - bez sprzęŜenia zwrotnego,
sieci rekurencyjne (ze sprzęŜeniem zwrotnym), globalne lub lokalne.
5
IMMB Opole – Instytut Mineralnych Materiałów Budowlanych, od 01.09.2007r nosi nazwę Instytut Szkła,
Ceramiki, Materiałów Ogniotrwałych i Budowlanych w Warszawie oddział InŜynierii Materiałowej, Procesowej
i Środowiska w Opolu
8
Sieci jednokierunkowe modelują zaleŜności statyczne wiąŜące zmienne wyjściowe ze zmiennymi
wejściowymi. Sieci te mogą występować jako jednowarstwowe lub wielowarstwowe.
Sieci neuronowe rekurencyjne modelują układy dynamiczne, dla których ruch wektora stanu
wykazuje zazwyczaj wiele stopni swobody i ma charakter dysypatywny, tzn. zachodzi w kierunku
lokalnego minimum funkcji energetycznej. Rekurencyjną siecią neuronową nazywa się sieć, w
strukturze której występuje co najmniej jedno sprzęŜenie zwrotne.
Pomimo moŜliwości aproksymacji szerokiej klasy zaleŜności dynamicznych, sieci tego typu mają
pewne wady, wśród których wymienia się wolną zbieŜność i problemy związane ze stabilnością oraz
gwałtowne, niespodziewane wzrosty sumy kwadratu błędów.
W trakcie identyfikacji oraz budowy regulatora neuronowego przetestowano klika struktur sieci
neuronowych, naleŜą do nich oprócz podstawowej6 wielowarstwowej sieci nieliniowej sieci
dynamiczne. Zostały one opisane w niniejszym rozdziale i naleŜą do nich:
− sieć wielowarstwowa nieliniowa, jednokierunkowa posiadająca nieliniowe funkcje aktywacji
neuronów,
− sieć Elmana (sieć posiadająca dodatkową warstwę neuronów do której są kopiowane bieŜące
wartości aktywacji neuronów warstwy ukrytej,
− sieć LRN (ang. Layer-Recurrent Network), o strukturze zbliŜonej do sieci Elmana, lecz
rozbudowanej o moŜliwość wybory funkcji aktywacji neuronów warstwy wyjściowej,
− sieć TDNN (ang. Time-Delay Neural Network), sieć dwuwarstwowa, dla której na wejściu
poszczególnych warstw wprowadzono linie opóźnień sygnałów TDL (ang. Tapped Delay
Line) pozwalające na uwzględnienie dynamiki układu,
− sieć NARX (ang. Nonlinear AutoRegressive eXogenous model), nieliniowa autoregresywna
posiadająca sprzęŜenie zwrotne obejmujące wszystkie warstwy oraz linie opóźniające TDL na
wejściu sieci oraz sprzęŜeniu zewnętrznym Sieci tego typu znajdują szereg zastosowań m.in.:
w prognozowaniu, jako filtr nieliniowy a takŜe w modelowaniu nieliniowych systemów
dynamicznych.
Metody uczenia sieci. Architektura sieci bez moŜliwości uczenia czy adaptacji ma małe moŜliwości
praktycznego zastosowania. Ze względu na róŜnorodność struktur wymagane jest stosowanie róŜnych
metod uczenia dla poszczególnych układów sieci neuronowych. Charakteryzują się one odmiennym
stopniem złoŜoności obliczeniowej oraz czasochłonnością obliczeń. Podstawową metodą uczenia sieci
wielowarstwowych jest metoda wstecznej propagacji błędu. Obecnie najczęściej wykorzystywanymi
w trakcie uczenia są algorytmy gradientowe takie jak: regularyzacji Bayes’a (trainbr7) czy
Levenberga-Marquardta (trainlm8). Algorytm Levenberga-Marquardta jest jednym z najszybszych
znanych obecnie wariantów metody wstecznej propagacji błędów. Zachowuję się on jak metoda
największego spadku w przypadku ang. fallback, oraz jak metoda Newtona w pobliŜu minimum.
Wszystkie wykorzystane w pracy metody uczenia zostały w niej krótko scharakteryzowane.
Do uczenia poszczególnych struktur sieci uŜyto metod znajdujących się w przyborniku Neural
Network 5.1 pakietu Matlab 7.5 (R2007b).
5
OPRACOWANIE KONCEPCJI EKSPERYMENTÓW POMIAROWYCH W
WARUNKACH RZECZYWISTEJ PRACY UKŁADÓW PRZEMIAŁOWYCH DLA
POTRZEB IDENTYFIKACJI
Proces uczenia sieci neuronowych nie moŜe zostać poprawnie przeprowadzony bez odpowiednich
danych wykorzystanych do ich treningu. Ze względu na złoŜoność obiektu jakim jest młyn kulowy
cementu wraz z separatorem, do badań wykorzystano dane zarejestrowane podczas rzeczywistej pracy
tego układu. Pomiary prowadzono w dwu krajowych cementowniach, które posiadają własne
przemiałownie. W celu ułatwienia identyfikacji poszczególnych zakładów w pracy przyjęto
oznaczenia: zakład nr 1 oraz zakład nr 2. W zakładzie nr 1 zarejestrowano dane w trakcie normalnej
pracy układu przemiałowego. W zakładzie nr 2 dodatkowo przeprowadzono eksperyment pomiarowy
6
najczęściej wykorzystywane w rozwiązywaniu róŜnych problemów
trainbr – nazwa funkcji realizującej algorytm trenowania sieci metodą regularyzacji Bayes’a
8
trainlm - nazwa funkcji realizującej algorytm trenowania sieci metodą Levenberga-Marquardta
7
9
10
polegający na skokowej zmianie jednego z parametrów wejściowych przy zachowaniu względnie
stałych wartości pozostałych wielkości sterujących. Zarejestrowane dane w obu cementowniach
wykorzystane zostały takŜe do weryfikacji i korekty otrzymanych modeli.
Pomiary w zakładzie nr 1. W zakładzie nr 1 badania przeprowadzono w dwu układach
przemiałowych. Pierwszy z układów wyposaŜony był w młyn kulowy pracujący w układzie otwartym
i wykorzystywany do produkcji cementu o „niskich” przemiałach. Drugi układ z separatorem
powietrznym pracował w systemie technologicznym zamkniętym. Zestaw ten wykorzystywano w
zakładzie do produkcji większości marek cementów.
Pierwsze badania przeprowadzono dla młyna pracującego w układzie technologicznym otwartym.
Młyn ten wyposaŜono jedynie w niezbędne wielkości pomiarowe takie jak: ilość poszczególnych
składników nadawy surowej z moŜliwością ustawienia wartości zadanej, sygnał stopnia wypełnienia
młyna, pomiar ciśnienia powietrza na wylocie młyna i połoŜenie klapy aeracji młyna. Przykładowe waŜne z punktu widzenia prowadzenia procesu - przebiegi wielkości charakteryzujących pracę tego
układu podczas normalnej pracy przedstawiono na rys. 5.1. Dane rejestrowano bazując na
istniejących urządzeniach pomiarowych, w które wyposaŜony był zakład. Operatorzy (młynarze)
sterując procesem bazowali na informacji pośredniej w postaci stopnia wypełnienia młyna, regulując
ilość nadawy wprowadzanej do układu oraz wielkość aeracji młyna.
W celu określenia zaleŜności między zarejestrowanymi wielkościami określono odpowiednie
współczynniki korelacji. Po ich analizie moŜna stwierdzić, iŜ wartość stopnia wypełnienia młyna
zaleŜy głównie od wielkości strumienia materiałów na jego wlocie, a współczynnik korelacji tych
wielkości wynosi 0,55575. Jest to zgodne z wiedzą praktyczną i pozwala na wykorzystanie sygnału z
folafonu podczas sterowania procesem przemiału.
Zarejestrowane wielkości pomiarowe przedstawione na rys. 5.1 wykorzystane zostały do identyfikacji
układu przemiałowego pracującego w układzie technologicznym otwartym.
5,5
160
150
5,0
140
4,5
130
120
4,0
110
90
80
Nadawa klinkieru [Mg/h]
Stopień wypełninia młyna (folafon) [%]
Nadawa popiołu [Mg/h]
Ciśń. powietrza na wylocie z młyna [mbar]
PołoŜenie klapy za filtrem [%]
Nadawa całkowita [Mg/h]
3,0
Nadawa gipsu [Mg/h]
2,5
70
60
Nadawa gipsu
3,5
100
2,0
50
1,5
40
30
1,0
20
0,5
10
15:55
15:45
15:35
15:25
15:15
15:05
14:55
14:45
14:35
14:25
14:15
14:05
13:55
13:45
13:35
13:25
13:15
13:05
12:55
12:45
12:35
12:25
12:15
12:05
11:55
11:45
11:35
11:25
11:15
0,0
11:05
0
Czas [sek]
Rys. 5.1. Przebiegi w młynie pracującym w otwartym układzie przemiałowym - zestaw 1
W zakładzie nr 1 zarejestrowano takŜe dane podczas pracy młyna w układzie technologicznym
zamkniętym, podczas jego normalnej pracy9. Do rejestracji wykorzystano istniejące urządzenia
pomiarowe oraz komputerowy system wizualizacji i rejestracji danych. Spośród dostępnych wielkości
zarejestrowane zostały: nadawa klinkieru, nadawa gipsu, nadawa pyłów, nadawa całkowita, ilość
nadziarna, sygnał z folafonu, moc napędu młyna, podciśnienie powietrza na wlocie do młyna,
podciśnienie powietrza na wylocie z młyna, temperatura materiału na pierwszej przegrodzie młyna,
temperatura cementu, prędkość obrotowa wirnika separatora (tzw. obroty separatora), powierzchnia
właściwa cementu wg Blaine’a.
9
młyn pracujący w układzie zamkniętym z separatorem dynamicznym, dwukomorowy, średnica 4m, długość
14m, wydajność 135Mg/godz
11
Wielkości rejestrowano z częstotliwością 1 pomiaru co 1 minutę. Do pomiaru stopnia rozdrobnienia
cementu wykorzystano unikalny w krajowym przemyśle cementowym układ z automatycznym
poborem prób do analizy znajdującym się na wyposaŜeniu tego zakładu. System ten wykonuje pomiar
w sposób ciągły. Zarejestrowano dane podczas produkcji dwu marek cementu portlandzkiego: P45
bez dodatków oraz P35 z dodatkiem pyłów. Łączny okres rejestracji wyniósł powyŜej 126 godzin
(czyli ponad 5 dni). Przykładowe pomiary zarejestrowane podczas produkcji cementu P45 bez
dodatków przedstawiono na rys. 5.2.
W celu określenia zaleŜności między poszczególnymi parametrami wyznaczone zostały
współczynniki korelacji dostępnych wielkości pomiarowych. Analizując otrzymane wyniki moŜna
zaobserwować istotną zaleŜność miedzy sygnałem nadawy do młyna, a stopniem jego wypełnienia.
Współczynnik korelacji między sygnałem z folafonu a całkowitym strumieniem nadawy wynosi
0,89268, oraz 0,79325 w odniesieniu do strumienia nadawy klinkieru 0,79325. Wysoka zaleŜność
występuje równieŜ między granulacją cementu (pomiar powierzchni właściwej wg Blaine’a) a
strumieniem zawracanego nadziarna, która jest równa 0,72387. Istotną dla sterowania procesem
przemiału jest korelacja sygnału stopnia rozdrobnienia cementu a prędkością obrotową wirnika
separatora wynosząca 0,54654. Pozwala to na wykorzystanie tych pomiarów w trakcie sterowania
procesem przemiałowym. W celu wyznaczenia występujących opóźnień transportowych obliczono
współczynniki korelacji z przesunięciem o kolejne chwile czasowe sygnałów względem siebie
(rys. 5.3). Na osi odciętych podano wartość przesunięcia czasowego między poszczególnymi
pomiarami w minutach. Z otrzymanych charakterystyk wynika, Ŝe wypełnienie w pierwszej komorze
praktycznie bez opóźnienia reaguje na zmianę nadawy klinkieru. Opóźnienie w torze sterowania
rozdrobnieniem cementu jest duŜe. Najszybsza jest reakcja na zmianę prędkości obrotowej separatora
i wynosi ona około 8 min. (przebieg czerwony na rys. 5.3), a w przypadku zmiany strumienia nadawy
do młyna, aŜ 22 minuty (krzywa niebieska na rys. 5.3). Celowym jest zatem wykorzystanie podczas
prowadzenia procesu przemiałowego informacji o stopniu rozdrobnienia cementu i sterowanie
poprzez zmiany prędkości obrotowej separatora. Wymaga to jednak wiarygodnego i szybkiego
pomiaru granulacji produktu finalnego jakim jest cement.
200
4500
Nadawa gipsu [Mg/h]
Nadawa pyłów [Mg/h]
Nadziarno [Mg/h]
St. wyp. młyna (folafon) [%]
Ciśn. na wej. młyna [mbar]
Ciśń. na wyj. młyna [mbar]
Obr. separatora [obr/min]
Moc nap. głównego [kW/h]
Pow. wg Blaine'a [cm2/g]
4000
3500
150
3000
2500
100
2000
50
1500
1000
Powierzchnia własciwa wg Blaine'a; Moc nap. głównego
250
0
500
0
21:00
22:00
23:00
0:00
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
0:00
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
-50
Czas [sek]
Rys. 5.2. Pomiary zarejestrowane w zakładzie nr 1 cement P45 bez dodatków (zestaw 1)
12
1
Blaine; Obr. sep.
Blaine; Klinkier
Blaine; Nadziarno
0,8
Folafon; Klinkier
Folafon; Nadziarno
0,6
Wartość współczynnika korelacji
0,4
0,2
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Przesunięcie czasowe [min]
-0,2
-0,4
-0,6
-0,8
-1
Rys. 5.3. Określenie opróŜnienia transportowego układu na podstawie wsp. korelacji
Pomiary w zakładzie cementowym nr 2 zarejestrowane zostały na młynie kulowym pracującym w
układzie technologicznym zamkniętym10 z separatorem powietrznym. Pomiary przeprowadzono w
dwu okresach, między którymi nastąpił remont układu automatyki i częściowo dokonano wymiany
czujników pomiarowych. W pierwszym etapie do archiwizacji danych wykorzystano rejestrator
hybrydowy MULTIRG firmy Siemens, a w późniejszym o nowy komputerowy system rejestracji
danych. Pomiaru większości parametrów dokonano w oparciu istniejące w zakładzie układy
pomiarowe. Z powodu braku informacji o jakości produktu finalnego w sposób ciągły do określenia
stopnia rozdrobnienia cementu uŜyto radioizotopowego miernika pomiaru gęstości usypowej
materiałów sypkich RMGU-01, wyskalowanego w jednostkach powierzchni właściwej wg Blaine’a
[E. Polednia, A. Werszler, 1997]. Zarejestrowane zostały następujące wielkości: nadawa klinkieru,
nadawa ŜuŜla, nadawa gipsu, nadawa całkowita, stopień wypełnienia młyna11, stopień rozdrobnienia
cementu, ciśnienie powietrza na wlocie do młyna, ciśnienie powietrza na wylocie z młyna, ciśnienie
powietrza na wlocie separatora, prędkość obrotowa separatora, oraz obliczona została ilość
zawracanego nadziarna.
Schemat układu przemiałowego został przedstawiony na rys. nr 5.4.
Układy przemiałowe pracujące w zakładach przemysłowych - ze względów ekonomicznych i
wymagań rynku - przystosowane są do produkcji róŜnych marek cementu. W trakcie badań
zarejestrowane zostały dane charakterystyczne dla wytwarzanych cementów róŜnych gatunków.
Intensywność produkcji danej marki cementu uwarunkowana jest zapotrzebowaniem rynku oraz
dostępnością dodatków przez dany zakład.
W zakładzie nr 2 przeprowadzono eksperyment pomiarowy trwający prawie 5 godz. polegający na
skokowej zmianie jednego z parametrów sterujących przy zachowaniu względnie stałych wartości
wielkości pozostałych (rys 5.5). W początkowym etapie eksperymentu przy zachowaniu stałej
prędkości obrotowej separatora zmniejszano ilość nadawy surowej do młyna (początkowe pomiary do
godz. 10:45, czyli pierwsze niecałe 2 godz.). Przez następne prawie 4 godz. przy zachowaniu stałej
wartości nadawy zwiększano prędkość obrotową wirnika separatora (pomiary od godz. 10:45 do
12:35). Podczas ostatniej godziny eksperymentu zarejestrowano dane, w trakcie, których układ
przemiałowy doprowadzony został do stanu normalnej jego pracy. Dane otrzymane podczas
eksperymentu wykorzystano do treningu sieci. Dodatkowo zarejestrowano szereg danych w trakcie
normalnej pracy układu przemiałowego, przykładowe dla cementu CEM III A 32.5NA przedstawiono
na rys. 5.6.
10
młyn kulowy, młyn dwukomorowy, wydajność ok. 135Mg/godz.
w pierwszym okresie do pomiaru wykorzystywano sygnał pochodzący z ucha akustycznego, natomiast po
remoncie tego układu został on zastąpiony informacją pochodzącą z pomiarów wibracji na podporach młyna.
11
Rys. 5.4. Schemat układu przemiałowego cementowni
13
14
250
4000
225
Nadawa ŜuŜla [Mg/h]
Nadawa gipsu [Mg/h]
St. wyp. młyna (ucho) [%]
Ciśn. na wej. młyna [kPa]
Ciśn. na wyj. młyna [kPa]
Ilość nadziarna [Mg/h]
Obroty separatora [obr/min]
Pow. wg Blaine'a (pom. lab.) [cm2/g]
3500
3000
175
2500
150
125
2000
100
1500
75
1000
Powierzchnia właściwa cementu wg Blaine'a
200
50
500
25
13:49:15
13:43:15
13:37:15
13:31:15
13:25:15
13:19:15
13:13:15
13:07:15
13:01:15
12:55:15
12:49:15
12:43:15
12:37:15
12:31:15
12:25:15
12:19:15
12:13:15
12:07:15
12:01:15
11:55:15
11:49:15
11:43:15
11:37:15
11:31:15
11:25:15
11:19:15
11:13:15
11:07:15
11:01:15
10:55:15
10:49:15
10:43:15
10:37:15
10:31:15
10:25:15
10:19:15
10:13:15
10:07:15
9:55:15
9:49:15
10:01:15
9:43:15
9:37:15
9:31:15
9:25:15
9:19:15
9:13:15
9:07:15
9:01:15
0
8:55:17
0
Czas [sek]
Rys. 5.5. Pomiary zarejestrowane w zakładzie cementowym nr 2 w trakcie eksperymentu pomiarowego
6000
300
Obroty separ. [Hz]
Podcisń. za młynem [kPa]
Nadawa klinkieru [t/h]
Obroty separatora [obr/min]
Prąd nap. głównego [A]
Nadawa gipsu [t/h]
Wibrancje podp. 1 [%]
Ilość nadziarna [t/h]
5000
200
4000
150
3000
100
2000
50
1000
Powierzchnia włąsciwa cementu wg Blaine'a
Nad. całkowita [t/godz]
Podcisń. przed młynem [Pa]
Nadawa ŜuŜela [t/h]
Wibrancje podp. 2 [%]
Pow. wg Blaine'a (pom. lab.) [cm2/g]
250
0
21:54
19:54
17:54
15:54
13:54
11:54
9:54
7:54
5:54
3:54
1:54
23:54
21:54
19:54
17:54
15:54
13:54
11:54
9:54
7:54
5:54
3:54
1:54
23:54
21:54
19:54
17:54
15:54
13:54
11:54
9:54
7:54
5:54
0
Czas [sek]
Rys. 5.6. Pomiary zarejestrowane w zakładzie nr 2, zestaw 1 (CEMIII A 32,5 NA)
Zarejestrowane w zakładzie wielkości wykorzystane zostały do identyfikacji i testowania
neuronowego modelu układu przemiałowego oraz budowy neuroregulatora i jego badań w trakcie
symulacji komputerowej.
6
NEURONOWA IDENTYFIKACJA UKŁADU PRZEMIAŁOWEGO
Rozwiązując zadanie sterowania dowolnym obiektem dynamicznym podstawą jest opracowanie jego
odpowiedniego modelu matematycznego. W przypadku złoŜonych obiektów jakimi są układy
przemiałowe, matematyczne odzwierciedlenie wszystkich praw fizycznych rządzących nimi jest
wręcz niemoŜliwe. Wówczas jedyną alternatywą pozostaje proces identyfikacji mający na celu
opracowanie wiarygodnego modelu obiektu w drodze badań eksperymentalnych na podstawie
znajomości jego sygnałów wejściowych, wyjściowych i zakłóceń mierzalnych.
O ile znanych jest wiele algorytmów identyfikacji obiektów liniowych, to wciąŜ brak jest
efektywnych metod identyfikacji obiektów nieliniowych, szczególnie zaś obiektów o nieznanej
strukturze. W literaturze znane są próby identyfikacji i opisu matematycznego zjawisk zachodzących
w młynie kulowym [A. Auer, 1978], [R. Rojek, 1976, 1987], [J. Wrzuszczak, 1998, 1999], [W.H.
Duda, 1979], jednakŜe zbyt duŜy stopień ich złoŜoności nie pozwala na efektywne ich wykorzystanie
15
w realizacji sterowania. Wykorzystując zdolności adaptacyjne sztucznych sieci neuronowych (patrz
rozdz. 4) postanowiono wykorzystać je w procesie identyfikacji. Na rys. 6.1 przedstawiono schemat
układu identyfikacji. W oparciu o zarejestrowane dane (patrz. rozdz. 5) przeprowadzono
eksperymenty w trakcie których zbadano:
− moŜliwość wykorzystania jednowarstwowych sieci liniowych dla linearyzacji charakterystyk
obiektu,
− moŜliwość wykorzystania jedno i wielowarstwowych sieci nieliniowych jako modelu obiektu
wielowymiarowego,
− wpływ zewnętrznego sprzęŜenia zwrotnego na zmianę jakości otrzymanego modelu,
− wpływ linii opóźnień TDL sygnałów na dokładność odwzorowań modelu matematycznego.
Rys. 6.1. Schemat układu identyfikacji obiektu przy pomocy sieci neuronowej
Otrzymane modele zostały zweryfikowane w oparciu o dane zarejestrowane podczas normalnej pracy
układu przemiałowego w trakcie produkcji danej marki cementu.
6.1 Identyfikacja młyna pracującego w układzie otwartym
W celu sprawdzenia poprawności oraz uniwersalności zaproponowanego podejścia do identyfikacji
procesu przemiału cementu w młynie kulowym, w pierwszym etapie przeprowadzono go dla młyna
pracującego w układzie technologicznym otwartym. Wykorzystano dane zarejestrowane w zakładzie
nr 1 podczas normalnej eksploatacji młyna w układzie bez separatora (rys. 5.1).
W układzie tym nie było moŜliwości
ciągłego pomiaru stopnia rozdrobnienia.
Część danych została wykorzystana w
procesie uczenia, pozostałe natomiast zostały
uŜyte do sprawdzenia jakości działania sieci.
Wszystkie wielkości wykorzystywane do
treningu sieci zostały znormalizowane.
Posiadają wartości bezwzględne z przedziału
od 0 do1.
Dla młyna pracującego w takim układzie
sprawdzono moŜliwość wykorzystania sieci
liniowej
jednowarstwowej
do
jego
identyfikacji. Do treningu sieci liniowej
wykorzystano metodę purelin zawartą w
przyborniku Neural Network pakietu MatLab
Rys. 6.2. Charakterystyki dynamiczne procesu
przemiału dla modelu liniowego
(R1007b). Jako dane uczące wykorzystano
(układ przemiałowy otwarty)
ok. 60% zarejestrowanego przebiegu.
Pozostałe dane słuŜyły jako dane testowe (rys. 5.1). Przykładowe charakterystyki dynamiczne
generowane przez model w porównaniu z rzeczywistymi wielkościami zarejestrowano na obiekcie na
rys. 6.2. Analizując wykresy zgodnie z przewidywaniami moŜna wysnuć wniosek, iŜ tak „prosta sieć”
nie potrafi właściwie odzwierciedlić zjawisk zachodzących w układzie przemiałowym. Aby poprawić
zdolności aproksymacyjne otrzymanego modelu postanowiono zwiększyć ilości warstw, neuronów w
poszczególnych warstwach, oraz funkcje ich aktywacji.
0.8
Stopień wypełnienia młyna (obiekt)
Stopień wypełnienia młyna (model)
Stopień wypełnienia młyna
0.7
0.6
0.5
0.4
0.3
0.2
0
50
100
150
Czas [min]
200
250
300
16
Analizując otrzymane charakterystyki dynamiczne moŜna stwierdzić, iŜ sieć ta nie odzwierciedlała
poprawnie sygnałów wykorzystywanych w procesie uczenia. Posiada ona zbyt małe moŜliwości
aproksymacyjne. Zwiększenie w tym przypadku ilości neuronów w warstwie ukrytej powoduje
uczenie się sieci „na pamięć”, zatracając zdolności uogólniania dla przebiegów nieznanych w trakcie
treningu sieci.
W dalszych badaniach postanowiono wprowadzić zewnętrzne sprzęŜenie zwrotne i wykorzystać
model dynamiczny realizowany przez sieć NARX (rys. 6.3). Prowadząc proces identyfikacji
sprawdzono wpływ wielkości sieci (ilość neuronów w warstwie ukrytej) oraz „historii obiektu” (ilość
opóźnień linii TDL) na jakość otrzymanego modelu. Zwiększenie ilości danych określających stan
obiektu w przeszłości poprawiło jakość modelu. Działanie dwu przykładowych modeli opartych na
sieci NARX przedstawiono na rys. 6.4 i 6.5. Dla sieci zawierającej 15 neuronów w warstwie ukrytej
(rys. 6.4) i informację z 5 poprzednich chwil czasowych12, widać znacznie lepsze dopasowania
przebiegów zarejestrowanych na obiekcie (kolor czerwony na wykresie) z wygenerowanymi przez
sieć (kolor róŜowy), w porównaniu z wcześniejszymi modelami opartymi na sieciach
jednokierunkowych. Zwiększenie analizowanego przez sieć horyzontu czasowego do 20 minut (czyli
10 chwil czasowych) wraz z jednoczesnym zwiększaniem ilości neuronów w warstwie ukrytej do 25,
pozwoliło na znaczne zmniejszanie błędu dopasowania sygnałów pomiarowego i generowanego przez
sieć.
Rys. 6.3. Schemat sieci NARX modelu identyfikacji młyna pracującego w układzie otwartym
0.8
Stopień napełnienia młyna (obiekt)
Stopień napełnienia młyna (model)
0.65
0.7
0.6
Stopień napełnienia młyna
0.6
0.5
0.4
0.55
0.5
0.45
0.4
0.3
0.35
0.2
0
50
100
150
Czas [min]
200
250
300
przemiału dla dynamicznego modelu nieliniowego
opartego na sieci typu NARX (układ szeregoworównoległy z linią TDL 5 sygnałów i 15 neuronów w
warstwie ukrytej; układ przemiałowy otwarty)
0.3
0
50
100
150
Czas [min]
200
250
300
przemiału dla dynamicznego modelu nieliniowego
opartego na sieci typu NARX (układ szeregoworównoległy z linią TDL 10 sygnałów i 25 neuronów w
warstwie ukrytej; układ przemiałowy otwarty)
Najlepsze rezultaty otrzymano dla sieci dynamicznych zawierających sprzęŜenie zwrotne oraz
opóźnione informacje z poprzednich chwil czasowych. Badania identyfikacyjne przeprowadzone dla
12
5 chwil czasowych równa się opóźnieniu o 10 minut, jest to związane z częstotliwością wykonywania
pomiarów – 1 pomiar co 2 sekundy.
17
zestawu przemiałowego pracującego w układzie technologicznym otwartym pozwoliły na wstępny
dobór struktur sieci i metod uczenia w dalszej części pracy.
6.2 Identyfikacja młyna pracującego w układzie zamkniętym
Identyfikację młyna pracującego w układzie technologicznym zamkniętym przeprowadzono w
róŜnych zestawach przemiałowych wykorzystywanych w dwóch zakładach cementowych. Przebadano
kilka struktur sieci przy, czym szczególny nacisk został połoŜony na sieci rekurencyjne.
Tworząc model układu przemiałowego sprawdzono jakość modeli bazujących na sieciach:
− nieliniowych wielowarstwowych jednokierunkowych,
− dynamicznych Elmana i LRN,
− dynamicznych z linią opóźnień TDNN,
− dynamicznych rekurencyjnych NARX pracujących w architekturze równoległej (rys. 6.14) i
szeregowo-równoległej (rys. 6.16).
Sprawdzono przydatność w procesie identyfikacji układu przemiałowego nieliniowych sieci
jednokierunkowych. Jednak głównie skupiono się na dostępnych w przyborniku Neural Network
pakietu Matlab (2007b) sieciach dynamicznych.
Proces treningu sieci oparty został na danych zarejestrowanych podczas eksperymentu pomiarowego
(rys. 5.5). Pozostałe dane zarejestrowane w zakładzie 1 i 2 wykorzystano do douczania wybranych
struktur sieci oraz testowania jakości ich działania.
Wielowarstwowa sieć jednokierunkowa bez sprzęŜenia zwrotnego jest prostą siecią, która nie
sprawdziła się w przypadku identyfikacji młyna pracującego w układzie technologicznym otwartym.
Do uczenia sieci wykorzystano algorytm gradientowy Levenberga-Marquardta. Przebadano sieci
zawierające od 5 do 50 neuronów z tangensoidalną funkcją aktywacji w warstwie wewnętrznej.
Otrzymane wyniki dla przykładowych modeli przedstawiono na rys. od 6.6 i 6.7.
1.2
1
0.8
0.8
Stopień rozdrobnienia cementu wg Blaine'a
1
0.6
0.4
0.6
0.4
0.2
0.2
St. roz. cem. wg Blaine'a (obiekt)
St. roz. cem. wg Blaine'a (model)
0
0
100
200
300
Czas [min]
400
500
600
przemiału dla modelu nieliniowego opartego na sieci
dwuwarstwowej dla sygnału stopnia rozdrobnienia
(tansig, purelin; układ przemiałowy zamknięty)
0
0
100
200
300
Czas [min]
400
500
600
dwuwarstwowej dla sygnału stopnia napełnienia młyna
Na rys. 6.6 przedstawiono charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego
identyfikującego jedynie stopień rozdrobnienia cementu, natomiast na rys. 6.7 ilość materiału
znajdującego się w młynie czyli stopień jego wypełnienia. Analizując otrzymane charakterystyki
widzimy, iŜ sieci tego typu nie posiadają odpowiednich zdolności aproksymacyjnych oraz nie potrafią
właściwie odzwierciedlić stanu obiektu. Zwiększanie rozmiaru sieci powoduje jedynie uczenie się na
pamięć. Sieci tego typu nie nadają się do identyfikacji nieliniowego obiektu z opóźnieniem jakim jest
młyn cementu wraz z separatorem powietrznym.
Wielowarstwowa sieć nieliniowa ze sprzęŜeniem zwrotnym zewnętrznym. Do realizacji modelu
opartego na sieci nieliniowej ze sprzęŜeniem zwrotnym zewnętrznym wykorzystano sieć
jednokierunkową, gdzie dodatkowo na wejściu sieci zostały podane opóźnione sygnały wyjściowe.
Do treningu sieci wykorzystano procedury analogiczne jak w przypadku sieci jednokierunkowej, tj.
algorytm Levenberga-Marquardta. Testowane sieci zawierały od 5 do 50 neuronów z tangensoidalną
funkcją aktywacji w warstwie ukrytej. W procesie uczenia wykorzystano dane zarejestrowane
podczas eksperymentu pomiarowego (rys. 5.5). W trakcie identyfikacji zmieniano ilość danych
określających stan obiektu w poprzednich chwilach czasu. ZbliŜone rezultaty otrzymano dla linii
opóźnień zawierającej się w przedziale od 8 do 16 wartości z poprzednich chwil czasowych, a
zwiększenie jej nie przynosi poprawy jakości modelu. W celu weryfikacji jakości otrzymanego
modelu przeanalizowano błędy dopasowania sygnału działania sieci w odniesieniu do wartości
rzeczywistych zarejestrowanych na obiekcie. Jako optymalne moŜna przyjąć sieci zawierające w swej
strukturze jedną warstwę ukrytą z tangensoidalną funkcją aktywacji zawierającą od 25 do 35
neuronów i linię opóźnienia sygnału zwrotnego określającą około 15 sygnałów czasowych.
Przykładowe przebiegi generowane przez model oparty na sieci zawierającej 30 neuronów w
warstwie wewnętrznej zostały przedstawione na rys. 6.8 i 6.9 odpowiednio dla stopnia rozdrobnienia
cementu i stopnia wypełnienia młyna.
przemiału dla modelu nieliniowego opartego na
sieci dwuwarstwowej z zewnętrznym sprzęŜeniem
zwrotnym dla sygnału stopnia rozdrobnienia (tansig,
purelin; układ przemiałowy zamknięty)
Rys. 6.9 Charakterystyki dynamiczne procesu
przemiału dla modelu nieliniowego opartego na
sieci dwuwarstwowej z zewnętrznym sprzęŜeniem
zwrotnym dla sygnału stopnia napełnienia młyna
Analizując otrzymane przebiegi moŜna stwierdzić, iŜ otrzymany model oparty na sieci
dwuwarstwowej z nieliniowymi funkcjami aktywacji w warstwie ukrytej poprawnie realizuje zadanie
identyfikacji młyna pracującego w układzie technologicznym zamkniętym z separatorem
powietrznym. Błąd dopasowania sygnału zarejestrowanego na obiekcie i generowanego przez
otrzymany model jest bliski zeru. Model potrafi właściwie odzwierciedlić stan obiektu w danej chwili
czasowej.
Sieć TDNN jest jednokierunkową siecią dynamiczną. Dynamikę układu odtworzono poprzez
dodanie linii opóźnień TDL sygnałów na wejściu sieci oraz między jej poszczególnymi warstwami.
Sieć taka generuje przebiegi wyjściowe nie tylko na podstawie danych z bieŜącej chwili ale równieŜ
na podstawie wartości z poprzednich chwil czasowych występujących na wejściu sieci oraz wartości
pośrednich wypracowanych wewnątrz sieci. Brak jest w modelu informacji zwrotnych, które są
dostępne w sieciach rekurencyjnych. W pracy przebadano sieci typu TDNN zawierające róŜną ilość
neuronów w warstwie ukrytej i informację o stanie obiektu w poprzednich chwilach czasu. Pomimo
moŜliwości uwzględnienia dynamiki układu, model oparty na tego typu sieci nie spełnia oczekiwań
oraz nie potrafi odwzorować z wymaganą dokładnością struktury układu przemiałowego.
Przykładowe działanie sieci przedstawiono na rys. od 6.10 do 6.11.
Analizując wyniki działania powyŜszych modeli moŜna stwierdzić, Ŝe sieci te nie odwzorowują
prawidłowo stanu układu przemiałowego. Dobór zarówno ilości neuronów w warstwie ukrytej jak i
wielkości wektorów opóźnień nie prowadzi do poprawy jakości procesu identyfikacji. Sieci tego typu
nie nadają się do modelowania tak złoŜonego obiektu jakim jest młyn cementu
18
19
1.4
1.4
1.2
1.2
1
0.8
0.6
0.4
0.2
0
0
100
200
300
Czas [min]
1
0.8
0.6
0.4
St. roz. cem. wb Blaine'a (model)
0.2
400
500
0
600
TDNN zawierającej 10 neuronów w warstwie ukrytej i
opóźnieniami odpowiednio 9 i 6 sygnałów (tansig,
0
100
200
300
Czas [min]
400
500
600
TDNN zawierającej 25 neuronów w warstwie ukrytej i
opóźnieniami odpowiednio 15 i 10 sygnałów (tansig,
Sieć Elmana jest siecią ze sprzęŜeniem zwrotnym wewnętrznym, które łączy lokalnie wyjście
warstwy ukrytej z jej wejściem.
W układzie tym przeprowadzono szereg prób tworzenia wiarygodnego modelu układu
przemiałowego. Dobór parametrów modelu neuronowego polegał na zmianie ilości neuronów w
warstwie ukrytej. Podczas prób dokonano zmian od 5 do 50 neuronów w warstwie ze sprzęŜeniem
zwrotnym. Przykładowe charakterystyki dynamiczne modelu wielowymiarowego dla sieci
zawierających 15 i 25 neuronów w warstwie ukrytej przedstawiono na rys. 6.12 i 6.13. Sprawdzono
równieŜ moŜliwość wykorzystania sieci Elmana do budowy modelu cząstkowego opisującego układ
przemiałowy na podstawie jakości produktu finalnego lub stopnia wypełnienia młyna.
1.2
1
0.9
1
0.8
0.7
0.6
0.5
0.4
0.3
0.8
0.6
0.4
0.2
0
0.2
0.1
0
100
200
300
Czas [min]
400
500
600
Elmana zawierającej 15 neuronów w warstwie
rekurencyjnej (układ przemiałowy zamknięty)
0
0
100
200
300
Czas [min]
400
500
600
Elmana zawierającej 25 neuronów w warstwie
rekurencyjnej (układ przemiałowy zamknięty)
Analizując otrzymane przebiegi moŜna jednoznacznie stwierdzić, iŜ sieć Elmana nie potrafi
prawidłowo odzwierciedlić stanu obiektu jakim, jest młyn cementu w dowolnej chwili czasowej,
pomimo iŜ posiada w swej strukturze sprzęŜenie zwrotne. Zdolności aproksymacyjne oraz informacje
o stanie obiektu w poprzednich chwilach czasowych nie są wystarczające do realizacji postawionego
zadania identyfikacji.
20
Sieć LRN jest bardzo zbliŜona strukturalnie do sieci Elmana. W przypadku sieci Elmana nie ma
moŜliwości zmiany funkcji aktywacji neuronów w warstwie wewnętrznej, natomiast jest ona
dozwolona dla sieci LRN. Istnieje dla niej równieŜ sposobność doboru metody treningu. Do uczenia
sieci wykorzystuje się róŜne odmiany metod gradientowych.
W czasie tworzenia modelu opartego o w/w strukturę sprawdzono wpływ rozmiaru warstwy ukrytej
oraz metody trenującej na jakość otrzymanego modelu. Przebadano sieci zawierające od 5 do 50
neuronów w warstwie rekurencyjnej, a do uczenia wykorzystano metody Levenberga-Marquardta
(trainlm) i regularyzacji Bayes’a (trainbr).
Podobne rezultaty otrzymano dla obu metod uczenia. Sieć LRN nie nadaje się do identyfikacji układu
przemiałowego.
Rekurencyjna sieć dynamiczna NARX (rys. 6.14) jest siecią posiadającą zewnętrzne sprzęŜenie
zwrotne oraz linie opóźnień TDL dla sygnałów wejściowego i zwrotnego pozwalające na
wykorzystanie informacji pochodzących z poprzednich chwil czasowych. W szczególnym przypadku
pracy sieć ta jest bardzo zbliŜona do dwuwarstwowej sieci nieliniowej ze sprzęŜeniem zwrotnym.
Przebadano sieci zawierające od 5 do 50 neuronów w warstwie ukrytej. Uwzględniono takŜe zamiany
zakresu charakteryzujące stanu obiektu w przeszłości (poprzez dobór linii TDL) osobno dla danych
wejściowych i sygnału sprzęŜenia zwrotnego na poziomie od 5 do 20 minut.
Rys. 6.14. Schemat sieci NARX równoległego modelu identyfikacji młyna pracującego w układzie
zamkniętym
Schemat sieci dla równoległego układu identyfikacji młyna pracującego w układzie technologicznym
zamkniętym z separatorem powietrznym przedstawiono na rys. 6.14.
Przykładowe zestawienie sygnałów generowanych przez sieć oraz zarejestrowanych na obiekcie
rzeczywistym przedstawiono na rys. 6.15.
1
Wibracja podp. 1 (obiekt)
Wibracja podp. 1 (model)
Wibracja popd. 2 (model)
Stopień ozdrobnienia cementy wg Blaine'a
Stopień wypełnienia młyna - wibracje na podporach
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
Rys. 6.15. Charakterystyki dynamiczne procesu przemiału dla nieliniowego opartego na sieci NARX
zawierającej 44 neuronów w warstwie ukrytej
21
Analizując otrzymane wyniki moŜna stwierdzić, Ŝe identyfikacja w oparciu o układ równoległy nie
prowadzi do modelu jednoznacznie opisującego stan obiektu. Pomimo iŜ zachowana jest specyfika
przebiegów, występują znaczne przesunięcia między sygnałem generowanym przez sieć a
wartościami rzeczywistymi zarejestrowanymi na obiekcie.
W dalszej kolejności przebadano szeregowo-równoległy układ identyfikacji. Układ ten dla młyna
pracującego w zakładzie nr 2 przestawiono na rys. 6.16.
Rys. 6.16. Schemat sieci NARX szeregowo-równoległego modelu identyfikacji młyna pracującego w
układzie zamkniętym
W trakcie badań zmieniano horyzont czasowy wielkości na wejściu sieci pochodzących z poprzednich
okresów. Dokonano tego poprzez linię TDL, podając wartości historyczne opisujące stan obiektu w
przeszłości obejmujące okresy od 5 do 20 chwil czasowych. Zmieniano równieŜ strukturę sieci
dobierając ilość (od 5 do 50) neuronów w warstwie ukrytej. Do adaptacji wag wykorzystano
algorytmy: Levenberga-Marquardta oraz regularyzacji Bayesa.
Przykładowe charakterystyki dynamiczne dla sieci zawierającej 30 neuronów w warstwie ukrytej
przedstawiono na rys. 6.17.
1
St roz. cem. wg Blaine'a (model)
Stopień wypełnienia młyna - wybracje na podporach
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
Rys. 6.17. Charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego opartego na sieci
NARX zawierającej 30 neuronów w warstwie ukrytej
Sieć zweryfikowano w oparciu o dane zarejestrowane w tym samym układzie przemiałowym lecz w
innym okresie czasowym. Przykładowe charakterystyki dynamiczne modelu opartego przedstawiono
na rys. 6.18.
Analizując charakterystyki dynamiczne procesu przemiału moŜna stwierdzić, Ŝe najlepsze rezultaty
uzyskano dla sieci NARX zawierających około 40-50 neuronów w warstwie ukrytej i posiadających
informację o stanie obiektu w poprzednich 10-15 minutach. Sieci zawierające poniŜej 30 neuronów w
warstwie wewnętrznej nie potrafią właściwie odzwierciedlić wszystkich zaleŜności występujących w
wielowymiarowym układzie przemiałowym. Zwiększenie ilości neuronów powyŜej 40 zwiększa
22
zdolności adaptacyjne sieci i pozwala na prawidłową identyfikację układu przemiałowego. Proces
uczenia rozbudowanej sieci składającej się z duŜej ilości neuronów jest bardzo czasochłonny i
wymaga znacznych mocy obliczeniowych oraz zasobów pamięci do przechowywania macierzy w
trakcie obliczeń.
1
St. roz. cem. w g Blaine'a (obiekt)
0.9
St. roz. cem. w g Blaine'a (model)
0.8
Wibracja popd. 2 (model)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
500
1000
1500
2000
2500
Czas [min]
Rys. 6.18 Charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego opartego na sieci
W celu uproszczenia modelu neuronowego zredukowano ilość danych opisujących stan układu w
poprzednich chwilach czasowych. Pominięto przy tym część wartości pośrednich nie zmieniając
wielkości horyzontu czasowego. Przykładowy przebieg otrzymany dla modelu uproszczonego, w
którym podano na wejściu sieci co drugą wartość sygnału w poprzednich chwilach czasowych,
przedstawiono na rys. 6.19 i 6.20. Ze względu na awarię układu pomiaru stopnia rozdrobnienia
cementu postanowiono dodatkowo porównać charakterystyki dynamiczne modelu z wielkościami
zarejestrowanymi w trakcie pomiarów laboratoryjnych tej wielkości. Na rys. 6.19 przedstawiono
wynik działa sieci w odniesieniu do sygnału zarejestrowanego na obiekcie, a na rys. 6.20 w
porównaniu z pomiarem wykonanym w laboratorium.
Charakterystyki dynamiczne dla modelu zawierającego jedynie dane z wybranych momentów
określających stan w chwilach poprzednich oddalonych o [2 5 10 15] minut na rys. 6.21, a w
przypadku [2 5 10 15 20] minut na rys. 6.22. Redukcja danych informujących o stanie obiektu w
przeszłości pozwoliła na uwzględnienie dynamiki, jednocześnie uproszczając strukturę sieci a poprzez
to skrócenie czasu treningu.
1
1
0.9
0.9
0.8
0.8
Stopień rozdobnienia cementu g Blaine'a
St. roz. cem. wg Blaine'a (obiekt pom. lab.)
0.7
0.6
0.5
0.4
0.3
0.2
0.6
0.5
0.4
0.3
0.2
0.1
0
0.7
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
0.1
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
NARX zawierającej 45 neuronów w warstwie ukrytej–
pomiar laboratoryjny
1
1
St. roz. cem. wg Blaine'a (obiekt pom. lab.)
Wibracje podpora 1 (obiekt)
Wibracje podpora 1 (model)
0.8
0.9
0.9
0.7
0.6
0.5
0.4
0.3
0.2
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.1
0
23
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
NARX zawierającej 50 neuronów w warstwie ukrytej–
pomiar laboratoryjny
0
500
1000
1500
2000
2500
Czas [min]
Najlepsze rezultaty uzyskano dla sieci zawierających około 35 neuronów w warstwie wewnętrznej, a
zredukowanie ilości wartości linii TDL określających stan obiektu w poprzednich chwilach
oddalonych o [2 5 10 15 20] minut nie spowodowało znaczącej zmiany jakości modelu w
porównaniu z modelem zawierającym pełną informację o jego stanie w przeszłości.
Analizując otrzymane przebiegi moŜna stwierdzić, iŜ dynamiczne sieci NARX zawierające około 35
neuronów w warstwie wewnętrznej, dysponujące zredukowanymi danymi o stanie obiektu w
przeszłości, właściwie odzwierciedlają stan obiektu w danej chwili. Błąd średniokwadratowy dla sieci
zawierającej pełną informację z poprzednich chwil czasowych wynosi 0,0002623, natomiast dla sieci
zawierającej jedynie dane z chwil [2 5 10 15] 0,0003285. Wykorzystanie wybiórczej informacji
dotyczącej stanu obiektu w przeszłości pozwala ma zredukowanie rozmiaru sieci i skrócenie czasu
uczenia oraz poprawia szybkość pracy mniejszej sieci, a błąd średniokwadratowy dla obu sieci jest
tego samego rzędu.
W trakcie budowy modelu tego procesu, bazując na metodach sztucznej inteligencji przeprowadzono
szereg prób badawczych. W ich trakcie oceniono przydatność poszczególnych struktur sieci
neuronowych. Najlepsze rezultaty uzyskano dla rekurencyjnych sieci NARX, które zawierały ok. 35
neuronów w warstwie ukrytej oraz informację o stanie obiektu w poprzednich 15 minutach.
Otrzymane rezultaty potwierdzają moŜliwość wykorzystania teorii sztucznych sieci neuronowych w
procesie identyfikacji procesu przemiału.
7
PROPOZYCJA STEROWANIA NEURONOWEGO MŁYNEM CEMENTU
Modele matematyczne obiektów statycznych i dynamicznych odgrywają podstawową rolę w układach
sterowania. Istnieje dobrze opracowana teoria sterowania obiektami liniowymi, lecz problem
sterowania nieliniowego jest trudnym i wymaga poszukiwań odpowiednich rozwiązań.
W praktyce przemysłowej do sterowania procesem przemiałowym wykorzystuje się jedynie układy
dozowania wielkością strumienia wejściowego do młyna. Część zakładów podjęła próby włączenia
lokalnych pętli regulacji w celu stabilizacji wybranych wielkości procesowych. Na przykład w
jednym z zakładów uruchomiona została pętla stabilizacji całkowitego strumienia nadawy do młyna.
Pozwoliło to na unikniecie zamielenia13 młyna w przypadku zmiany własności fizycznych materiału
np. większa twardość dozowanego surowca. W tym celu wykorzystano klasyczny regulator PID
zaimplementowany w sterowniku PLC. Prowadzono równieŜ próby polegające na uzaleŜnieniu
strumienia nadawy wejściowej od informacji pochodzącej z czujnika wypełnienia młyna i
stabilizowanie ilości materiału znajdującego się w młynie. W wyŜej wymienionych pętlach regulacji
13
zamielenie - czyli nadmierne wypełnienie młyna materiałem i poprzez to utratę zdolności rozdrabniania
materiału w układzie przemiałowym
stosuje się klasyczne regulatory PID dostrajane w sposób doświadczalny na obiekcie tak, aby układ
pracował stabilnie. W literaturze proponuje się wykorzystanie adaptacyjnego systemu sterownia w
oparciu o róŜne modele odniesienia [J. Wrzuszczak, 1998]. Nie znalazły one jednak zastosowania w
warunkach przemysłowych.
Z uwagi na wiele ograniczeń i trudności związanych z syntezą układów sterowania dla obiektów i
procesów nieliniowych metodami analitycznymi wydaje się, Ŝe alternatywnym i atrakcyjnym
podejściem jest zastosowanie teorii sztucznych sieci neuronowych. Wraz z pomiarem stopnia
rozdrobnienia cementu pozwoli to na poprawę racjonalnego prowadzenia tego procesu.
Uwzględniając jego złoŜoność postanowiono wykorzystać w propozycji ukladu regulacji wiedzę
ekspertów14. Na podstawie zarejestrowanych danych przeprowadzono próby przetworzenia tych
informacji poprzez zastosowanie metod opartych na sztucznych sieciach neuronowych
W trakcie badań oparto się na wiedzy zdobytej podczas identyfikacji procesu przemiałowego oraz
oceniono uŜyteczność poszczególnych struktur sieci neuronowych do realizacji zadania sterowania
młynem cementu wraz z separatorem.
7.1 Neuronowa realizacja decyzji eksperta
Zadanie sterowania pracą młyna sprowadza się do stabilizacji stopnia rozdrobnienia cementu w
oparciu o pomiar powierzchni właściwej, przy zachowaniu minimalizacji jednostkowego zuŜycia
energii elektrycznej i utrzymaniu wymaganej jakości produktu. Ze względu na opóźnienia
występujące w torach sterowania układów przemiałowych oraz brak moŜliwości pomiaru wielkości
jednoznacznie określających jakość produktu finalnego w sposób ciągły, stosuje się roŜne sposoby
sterowania w oparciu o róŜne wielkości pośrednie (sygnał stopnia napełnienia młyna, obciąŜenie
przenośnika elewatorowego, itp.). Biorąc pod uwagę złoŜoność procesu postanowiono wykorzystać w
proponowanym układzie regulacji wiedzę ekspertów.
Na podstawie zarejestrowanych danych przeprowadzono próby aproksymacji tych informacji poprzez
wykorzystanie metod opartych na sztucznych sieciach neuronowych z wykorzystaniem
zaproponowanej przez Jordana i Jacoba techniki ang. inverse modelling [G. W. Ng, 1997], realizując
odwrotną charakterystykę obiektu (rys. 7.1). Tak nauczona sieć pozwala na wykorzystanie
zaproksymowanej informacji pochodzącej od wielu ekspertów, którzy prowadzą proces przemiału w
róŜnych warunkach technologicznych oraz w obecności szeregu zakłóceń mierzalnych i
niemierzalnych.
Rys. 7.1. Schemat uczenia neuroregulatora z liniami opóźnień - identyfikacja inwersji
Wyniki działania opracowanego w ten sposób regulatora porównane zostały z decyzjami operatorów,
bazując na danych pomiarowych zarejestrowanych w trakcie normalnej pracy młyna kulowego w
zakładzie nr 2. Decyzje te przyjęto jako rozwiązania optymalne.
Tworząc neuronowy regulator wykorzystano doświadczenia uzyskane podczas identyfikacji układu
przemiałowego. Pominięto w trakcie syntezy zostały sieci liniowe oraz jednokierunkowe. Skupiono
się na sieciach dynamicznych takich jak TDNN, LRN i NARX, oraz metodach treningu LevenbergaMarquardta i regularyzacji Bayesa. Do uczenia i weryfikacji pracy regulatora wykorzystano dane
zarejestrowane w zakładzie cementowym nr 2 podczas produkcji cementu hutniczego marki
CEMIII A 32,5 NA (rys. 5.6). Sprawdzono pracę kilku konfiguracji regulatorów o róŜnym stopniu
złoŜoności. Rozpoczęto od regulatorów realizujących osobne funkcje sterowania poszczególnymi
wielkościami (strumieniami wejściowymi masy, granicą rozdzielania frakcji produktu gotowego), a
14
ekspertami w tym przypadku są operatorzy procesu zwani potocznie młynarzami
24
25
zakończono na złoŜonym regulatorze realizującym zadanie globalnie dla całego zestawu
przemiałowego.
Realizując zadanie sterowania jako aplikację przeznaczaną do wdroŜenia na rzeczywistym obiekcie
przemysłowym oraz uwzględniając czynniki ekonomiczne i ruchowe zakładu, w pierwszym etapie
postanowiono przygotować układ do pracy w systemie doradczym.
Neuroregulator oparty na sieci dynamicznej TDNN. Sprawdzono działanie regulatora
neuronowego opartego na dynamicznej sieci TDNN. Na rys. 7.2 przedstawiono ogólny schemat sieci
tego typu realizującej zadanie neuroregulatora przy uwzględnieniu trzech podanych w punkcie 7.1
przypadkach.
Rys. 7.2. Schemat sieci TDNN realizującej zadanie neuroregulatora
Prowadząc proces uczenia w wariancie 1 zaproponowano dwa regulatory, z których jeden realizuje
zadanie sterowania prędkością obrotową separatora, a drugi strumieniem nadawy surowej do młyna.
Oba neuroregulatory działają niezaleŜnie od siebie. Dobierając odpowiednie struktury sieci zmieniano
ilość neuronów w warstwach oraz wielkość horyzontu czasowego umoŜliwiającego zamianę dynamiki
układu. Sprawdzono sieci zawierające od 10 do 50 neuronów w warstwie ukrytej z tangensoidalną
funkcją aktywacji.
Przykładowe wyniki działania sieci realizującej zadanie sterowania prędkością obrotową wirnika
separatora dla sieci zawierających 25 neuronów w warstwie ukrytej przedstawiono na rys. 7.3.
Porównując wielkości generowane przez neuroregulator z decyzjami operatora widać pewną
rozbieŜność w działaniach. Decyzje operatora charakteryzowały się większą amplitudą zmian sygnału
sterującego. JednakŜe trend w podejmowanych decyzjach został przez sieć zachowany.
Na rys. 7.4 przedstawiono przykładowo działanie regulatora realizującego zadnie sterowania ilością
nadawy do młyna, dla sieci zawierającej 25 neuronów w warstwie wewnętrznej. Najlepsze rezultaty
pracy regulatora w przypadku sieci TDNN uzyskano dla struktury zawierającej ok. 20-25 neuronów w
warstwie ukrytej.
1.2
0.8
Obroty separatora (operator)
Obroty separatora (neuroreg)
0.7
1
Strumień nadawy do młyna
Prędkość obrotowa separatora
0.6
0.5
0.4
0.3
0.8
0.6
0.4
0.2
0.2
0.1
Nadawa do młyna (operator)
Nadawa do młyna (neuroreg)
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
Rys. 7.3. Sygnał sterujący neuroregulatora opartego
na sieci TDNN – obr. separatora, 25 neuronów w
warstwie ukrytej, linia TDL w warstwie wej. 10,
linia TDL w warstwie ukrytej 5
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
na sieci TDNN – nadawa do młyna, 25 neuronów w
warstwie ukrytej, linia TDL w warstwie wej. 10,
linia TDL w warstwie ukrytej 5
26
Następnie sprawdzono efekty pracy sieci TDNN,
która generowała sterowania strumieniem nadawy
wejściowej do młyna oraz prędkością obrotową
separatora. Przetestowano sieci zawierające od 15
do 50 neuronów w warstwie ukrytej oraz wpływ
wymiaru linii TDL na wejściach poszczególnych
warstw. Przykładowe działanie otrzymanych
regulatorów
w
odniesieniu
do
decyzji
podejmowanych przez operatora przedstawiono
na rys. 7.5, dla sieci zawierającej 25 neuronów w
warstwie ukrytej. Decyzje podejmowane przez
operatorów charakteryzowały się większą
amplitudą zmian w przypadku prędkości
obrotowej separatora oraz szybszymi i większymi
zmianami sygnału sterującego strumieniem
Rys. 7.5. Sygnał sterujący neuroregulatora
opartego na sieci TDNN – nadawa do młyna, obr.
nadawy generowanym przez neuroregulator.
Ogólny trend pracy regulatorów zawierających separatora, 25 neuronów w warstwie ukrytej, linia
TDL w warst. wej. 10, linia TDL w warst. ukrytej 5
ok. 25 neuronów w warstwie ukrytej jest zgodny
decyzjami podejmowanymi przez operatorów będących ekspertami w prowadzeniu procesu przemiału
1.2
1
0.8
0.6
0.4
0.2
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
Neuroregulator oparty na sieci rekurencyjnej LRN. Po badaniach opartych na sieci
jednokierunkowej TDNN postanowiono sprawdzić moŜliwości wykorzystania sieci rekurencyjnych.
Sprawdzono sieć LRN posiadającą wewnętrzne sprzęŜenie łączące wyjście warstwy 1 z warstwą
wejściową. W pierwszej kolejności sprawdzona została praca dwu niezaleŜnych regulatorów
realizujących cząstkowe zadania sterowania pracą układu przemiałowego. Przykładowe wyniki ich
działania w zaleŜności od ilości neuronów w warstwie wewnętrznej przedstawiono na rys. 7.6 dla
prędkości obrotowej separatora oraz na rys. 7.7 dla nadawy surowej do młyna.
1.2
0.8
0.7
1
0.6
0.5
0.4
0.3
0.8
0.6
0.4
0.2
0.2
0.1
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
na sieci LRN – obr. separatora, 35 neuronów w
warstwie ukrytej
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
na sieci LRN – nadawa do młyna, 35 neuronów w
warstwie ukrytej
Analizując wartości sygnałów sterujących generowanych przez powyŜsze regulatory widać bardzo
duŜe zmiany sygnału zarówno dla prędkości obrotowej separatora jak i strumienia nadawy do młyna.
Sprawdzono równieŜ jakość pracy regulatora neuronowego generującego oba sygnały sterujące w
przypadku sieci zawierających od 15 do 50 neuronów warstwy wewnętrznej. Występują znaczne
rozbieŜności pomiędzy wielkościami obliczonymi przez regulator neuronowy a decyzjami
podejmowanymi przez operatora
Generowane przez te sieci sygnały sterujące charakteryzują się zbyt duŜymi i szybkimi zmianami.
RównieŜ trend zmian nie zawsze zgodny jest z decyzjami podejmowanymi przez ekspertów jakimi są
27
operatorzy. W związku z powyŜszym sieci tego typu nie nadają się do realizacji zadania sterowania
procesem przemiału w młynie kulowym.
Neuroregulator oparty na sieci NARX powinien najlepiej realizować postawione zadanie gdyŜ sieć
posiada zarówno sprzęŜenie zwrotne jak i linie opóźnień TDL, które pozwalają na uwzględnienie
stanu obiektu w przeszłości. Ogólny schemat regulatora bazującego na takiej strukturze sieci
przedstawiono na rys. 7.8.
Sprawdzono pracę neuroregulatorów zawierających w swej strukturze od 10 do 50 neuronów w
warstwie ukrytej oraz dobierając horyzont czasowy linii TDL od 5 do 20 minut. W początkowym
etapie przetestowano pracę sieci realizujących sterowanie ilością nadawy do młyna. Przykładowe
wielkości sterujące wygenerowane przez sieć zawierającą 20 neuronów w warstwie wewnętrznej
przedstawiono odpowiednio na rys. 7.9. Na wejściu sieci zastosowano linię TDL zawierającą sygnały
opóźnione z 9 poprzednich chwil czasowych oraz 10 w sprzęŜeniu zwrotnym. Po analizie
otrzymanych w trakcie badań wielkości moŜna stwierdzić, iŜ rozbudowa sieci nie prowadzi do
większej zgodności pracy regulatora z decyzjami podejmowanymi przez operatora. Sieć zawierająca
około 20 neuronów w warstwie wewnętrznej generuje sterowania, których trend jest zgodny z
decyzjami operatora (rys. 7.9).
Następnie sprawdzono pracę regulatora realizującego zadanie sterowania prędkością obrotową
separatora powietrznego Przebadano regulatory zawierające w swej strukturze od 10 do 50 neuronów
w warstwie ukrytej. Przykładowe sygnały sterujące, generowane przez sieć NARX zawierającą 20
neuronów w warstwie wewnętrznej, przedstawiono odpowiednio na rys. 7.10. Porównując otrzymane
wyniki z decyzjami operatorów widać, iŜ sieci zawierające mniejszą ilość neuronów wypracowują
sterowania (rys. 7.10) o zgodne z trendami realizowanymi przez operatorów. Nadmierna rozbudowa
sieci generuje sygnały o zbyt duŜych wahaniach wartości.
Rys. 7.8. Schemat sieci NARX realizującej zadanie neuroregulatora
1.2
0.8
Obroty separatora (obiekt)
0.7
1
0.6
0.8
0.6
0.4
0.5
0.4
0.3
0.2
0.2
0.1
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
na sieci NARX – nadawa do młyna, 20 neuronów w
warstwie ukrytej
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
opartego na sieci NARX – obr. separatora, 20
neuronów w warstwie ukrytej
28
Sprawdzono takŜe jakość pracy regulatora
neuronowego generującego oba sygnały
sterujące.
Przykładowe
charakterystyki
dynamiczne generowane przez sieć zawierającą
25 neuronów w warstwie ukrytej w odniesieniu
do decyzji operatora przedstawiono na rys. 7.11.
Trendy
proponowanych
sterowań
neuroregulatora są zgodne z decyzjami
operatora. Rozbudowa sieci ponad 35 neuronów
warstwy wewnętrznej oraz zwiększenie zakresu
wykorzystywanego horyzontu czasowego dla
wybranych opóźnień nie spowodowały większej
zbieŜności sterowań generowanych przez
regulator
w
porównaniu
z decyzjami
podejmowanymi przez operatorów.
opartego na sieci NARX – nadawa do młyna, obr.
Regulator neuronowy oparty na sieci TDNN
separatora, 25 neuronów w warstwie ukrytej
lepiej realizował zadanie sterowania odrębnie
dla poszczególnych wielkości sterujących. Natomiast w przypadku neuroregulatora opartego na
sieciach typu NARX w sterowaniu młynem cementu z separatorem powietrznym, lepsze rezultaty
uzyskujemy wykorzystując jeden regulator zapewniający kompleksowe zadanie sterowania zarówno
strumieniem nadawy do młyna jak i prędkością obrotową separatora. Sieć tego typu zawierająca około
20-25 neuronów w warstwie ukrytej i wykorzystująca informacje o stanie obiektu w poprzednich 10
minutach, generuje sterowania zgodne z decyzjami podejmowanymi przez ekspertów jakimi są
operatorzy. Sterowania generowane przez zaproponowane sieci neuronowe posiadają skoki
impulsowe sygnału, co przy przyjętym w pracy załoŜeniu, iŜ regulator wykorzystany będzie jako
system doradczy nie ma większego znaczenia. Skoki te występowały równieŜ w danych
zarejestrowanych na obiekcie rzeczywistym.
Na podstawie przeprowadzonych badań moŜna stwierdzić, iŜ wykorzystanie sztucznych sieci
neuronowych do sterowania procesem przemiału cementu w układzie technologicznym zamkniętym z
separatorem powietrznym - przy wykorzystaniu wiedzy ekspertów - jest moŜliwe do zrealizowania.
Wykorzystanie cennej wiedzy jaką posiadają operatorzy i uŜycie jej do budowy regulatora
neuronowego pozwoli na „naśladowanie” ich decyzji. Po odpowiednim nastrojeniu regulatorów - na
podstawie informacji pochodzącej od wybranych ekspertów - moŜliwe będzie wyeliminowanie
błędów popełnianych przez tych mało doświadczonych, przyniesie oszczędności szacowane15 na
poziomie ok. 10%. RównieŜ sterowanie procesem przemiału będzie przebiegało w sposób mniej
zróŜnicowany.
1.2
1
0.8
0.6
0.4
0.2
0
0
500
1000
1500
2000
Czas [min]
2500
3000
3500
4000
7.2 Adaptacja układu sterowania w przypadku produkcji róŜnych marek cementu
W praktyce przemysłowej często ma miejsce sytuacja, w której zachodzi potrzeba produkowania
kilku marek cementu w jednym układzie przemiałowym. Wymaga to przygotowania szeregu
regulatorów, pracujących optymalnie podczas sterowania układem przemiałowym w trakcie produkcji
danego asortymentu.
Podjęto zatem próby przygotowania systemu sterowania który moŜe sterować pracą układu
przemiałowego z uwzględnieniem produkowanej marki cementu. W tym celu przygotowano szereg
nowych wzorców uczących na podstawie danych zarejestrowanych podczas produkcji róŜnych marek
cementu w jednym układzie przemiałowym. Przeprowadzono kolejny proces uczenia sieci, bazując na
wcześniej nabytych doświadczeniach. W wyniku przeprowadzonych prób zmodyfikowano rozmiary
istniejących sieci tak, aby mogły one zachować dodatkowe informacje dotyczące wymaganej
powierzchni właściwej oraz udziałów procentowych poszczególnych składników nadawy dla
szerszego asotymentu produkowanego w danym układzie przemiałowym.
15
wynika to z analizy zuŜycia energii w zakładzie podczas produkcji z rozdziałem na poszczególnych
operatorów.
29
Produkcja kilku marek cementu. Dotychczasowe badania przeprowadzono w oparciu o dane
zarejestrowane w trakcie produkcji jednej marki cementu CEM III A 32.5NA. Aby umoŜliwić
prowadzenie procesu przemiału podczas produkcji kilku marek cementu, przygotowano dodatkowe
ciągi uczące i testujące, które zawierają dane zarejestrowane w trakcie produkcji dwóch marek
cementu, wykorzystanego wcześniej CEM III A 32.5NA oraz CEM II SB 32.5R. Do realizacji
regulatora neuronowego wykorzystano sieci neuronowe typu NARX (rys. 7.8) zawierające w swej
strukturze od 15 do 50 neuronów w warstwie ukrytej oraz informację o stanie obiektu z poprzednich
chwil czasowych obejmujących okres od 10 do 20 minut.
1
1
0.8
0.8
0.7
0.7
0.6
0.5
0.4
0.3
0.6
0.5
0.4
0.3
0.2
0.2
0.1
0.1
0
0
200
400
600
800
1000
Czas [min]
1200
1400
0
1600
0.9
0.9
0
200
400
600
800
1000
Czas [min]
1200
1400
1600
separatora, 45 neuronów w warstwie ukrytej,
Mimo szeregu prób nie udało się zaproponować regulatora bazującego na sieci neuronowej który,
poprawnie sterowałby procesem przemiału dla dwóch marek cementu. Przykładowe sygnały sterujące
generowane przez część z testowanych sieci w odniesieniu do decyzji podejmowanych przez
operatora przedstawiono na rys. od 7.12 i 7.13. Wynika z nich, iŜ sieć poprawnie realizowała zadanie
sterownia dla jednej marki cementu. Wynikało to z niesymetryczności zbioru uczącego, który
zawierał róŜną ilość informacji pochodzących z produkcji wybranych marek cementu. Przygotowanie
wzorców zawierających równomierne ilości danych dla poszczególnych marek produkowanego
cementu spowoduje problemy podczas dodatkowego douczania otrzymanego regulatora. Stwarza to w
momencie douczania sieci problemy z przygotowaniem odpowiednich ciągów uczących w warunkach
przemysłowych.
1
Nadawa do mlyna (neuroreg)
0.9
0.8
Realizacja neuroregulatora w przypadku
cementu CEMII B-S 32.5R.W zawiązku z
negatywną
próbą
realizacji
regulatora
realizującego zadanie sterowania procesem
przemiału do produkcji kilku marek cementu,
postanowiono sprawdzić moŜliwość budowy
odrębnych regulatorów przystosowanych do
produkcji wybranej marki cementu. Pozwoliło to
równieŜ
na
dodatkowe
zweryfikowanie
wcześniejszych badań. W pierwszym etapie
sprawdzono regulator podczas produkcji
cementu
CEM II BS 32.5R.
Przebadano
regulatory oparte na sieci typu NARX (rys. 7.8),
która zawiera w swej strukturze od 15 do 45
neuronów w warstwie ukrytej i informację o
stanie obiektu w poprzednich chwilach czasu.
Wykorzystano zredukowane ciągi zawierające
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
100
200
300
400
500
600
Czas [min]
700
800
900
1000
30
informację z przeszłości obejmujące: opóźnienie o 12, 15 i 20 minut. Sprawdzono pracę
neuroregulatorów realizujących zadanie sterowania strumieniem nadawy do młyna i prędkością
obrotową separatora (rys. 7.14) oraz realizujących odrębnie zadania sterowania wsadu masy materiału
do młyna i prędkości obrotowej separatora. Porównując generowanie przez sieci wartości sygnałów
sterujących z decyzjami podejmowanymi przez operatorów istnieje duŜą ich zgodność. Zarówno trend
przebiegów jak i wartości są zbliŜone (przykładowy przebiegi przedstawione zostały na rys. 7.14.
Oznacza to moŜliwość uŜycia neuroregulatorów do produkcji róŜnych marek cementu.
Realizacja neuroregulatora w przypadku
cementu CEMII B-S 42.5R. Aby potwierdzić
moŜliwość
wykorzystania
regulatorów
neuronowych, opartych na sieci NARX
zawierających ok. 30 neuronów w warstwie
ukrytej, do sterownia pracą młyna kulowego
przeprowadzono
dodatkowe
badania.
Przeprowadzono proces uczenia dla sieci o
strukturze NARX, sprawdzonej podczas
wcześniejszych badań zawierającej 25 i 35
neuronów w warstwie ukrytej.
W trakcie procesu treningu sieci wykorzystano
cześć danych zarejestrowanych w trakcie
produkcji cementu CEM II BS 42.5R. Tak
zbudowany regulator został przetestowany, a
wartości sterowań generowanych przez niego
separatora, 35 neuronów w warstwie ukryte
porównane z decyzjami podjętymi przez
operatora. Na rys.7.15 przedstawiono przykładowe charakterystyki dynamiczne wartości sygnału
sterującego generowanego przez sieć zawierającą 35 neuronów w równaniu z decyzjami podjętymi
przez operatorów. Z przeprowadzonych badań wynika, iŜ regulator zbudowany w oparciu o sztuczne
sieci neuronowe typu NARX potrafi właściwie sterować procesem przemiału wybranej marki
cementu. Do produkcji w jednym układzie przemiałowym kilku marek cementu wymagane jest
przygotowanie odrębnych neuroregulatorów realizujących zadanie sterowania dla danej marki
cementu. Wybór konkretnego regulatora moŜe następować podczas wyboru marki produkowanego
cementu w skomputeryzowanym systemie wizualizacyjnym.
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
7.3
0
100
200
300
Czas [min]
400
500
600
MoŜliwości wykorzystania sterowania neuronowego w przypadku innych
układów przemiałowych
Ze względu na róŜnorodność istniejących rozwiązań układów przemiałowych w polskim przemyśle
cementowym, przeprowadzono próbę dostosowania sieci neuronowej NARX do sterowania
podobnym obiektem pracującym w innej cementowni. Ze względu na duŜe róŜnice konstrukcyjne oraz
rozbieŜności w opomiarowaniu, postanowiono na bazie nabytych doświadczeń przeprowadzić jeszcze
raz proces uczenia sieci neuronowej. Zachowano niezmienną strukturę sieci, dopasowując jej rozmiar
do nowego zadania. Wykorzystano takŜe te same metody uczenia.
Przeprowadzono badania na podstawie danych zarejestrowanych dla młyna pracującego w układzie
technologicznym zamkniętym w zakładzie nr 1 (rys. 5.2). Do budowy neuroregulatora wykorzystano
sieci typu NARX, które uczono w oparciu o metodę Levenberga-Marquardta. Przetestowano sieci
zawierające od 15 do 45 neuronów w warstwie ukrytej i informację o stanie obiektu w poprzednich 15
chwilach czasowych. Przykładowe wielkości generowane przez sieci pełniące funkcje regulatorów
przedstawiono na rys. od 7.16 do 7.17, odpowiednio dla sieci zawierających 15 i 25 neuronów w
warstwie wewnętrznej.
31
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.4
0.3
0.2
0.4
0.3
0.2
0.1
0
0.5
0
0.1
500
1000
1500
Czas [min]
0
0
500
1000
1500
Czas [min]
separatora, 25 neuronów w warstwie ukryte
Porównując sygnał sterujący wypracowany przez sieć realizującą funkcję regulatora neuronowego z
decyzjami podejmowanymi przez operatora moŜna stwierdzić, iŜ dla sieci zawierających 25 neuronów
(rys. 7.17) w strukturze wewnętrznej występuje największa ich zbieŜność. W przypadku układu
opartego na sieci zawierającej 15 neuronów (rys. 7.16) nie został odzwierciedlony trend w
podejmowaniu decyzji przez operatora dla sygnału prędkości obrotowej separatora.
NaleŜy zatem stwierdzić, iŜ prowadzenie procesu przemiału w oparciu o sztuczne sieci neuronowe
jest moŜliwe. Najlepsze rezultaty uzyskano dla sieci typu NARX zawierającej około 30 neuronów w
warstwie ukrytej i linie opóźnień TDL z informacjami o stanie obiektu z wcześniejszych 15 minut.
NiezaleŜnie od wykorzystywanego układu przemiałowego wyposaŜonego w młyn kulowy pracujący w
układzie technologicznym zamkniętym wraz z separatorem, po przeprowadzeniu procesu uczenia w/w
sieci uzyskano pozytywne rezultaty. Zaproponowane podejście jest zatem prawidłowe i moŜe być
zastosowane podczas produkcji w dowolnym układzie przemiałowym po uprzednio przeprowadzonym
procesie treningu sieci.
8
PODSUMOWANIE
W pracy przedstawiono moŜliwości zastosowania algorytmów neuronowych do rozwiązywania zadań
identyfikacji i sterowania procesem przemiału cementu.
Celem pracy było przedstawienie propozycji racjonalnego sterowania procesem przemiału cementu w
zamkniętym układzie przemiałowym, przy uwzględnieniu róŜnych uwarunkowań związanych z
niepewnością modelu procesu, nieliniowościami, fluktuacjami jego parametrów (zwłaszcza
opóźnienia) oraz niestacjonarnym charakterem zakłóceń oddziałujących na proces.
W większości krajowych cementowni powszechnie stosowane są wielokomorowe młyny kuloworurowe pracujące w układzie otwartym lub zamkniętym. Młyny te są urządzeniami energochłonnymi
charakteryzującymi się niską sprawnością. W warunkach duŜej konkurencyjności narzucającej ostre
wymagania jakościowe oraz ekonomiczne produkcji cementu, zaczęto szukać nowych rozwiązań
warunkujących dotrzymanie ścisłych rygorów produkcyjnych. MoŜliwe jest to poprzez zapewnienie
właściwego sterowania procesem mielenia. Zadaniem sterowania pracą młyna jest stabilizacja stopnia
rozdrobnienia cementu w oparciu o pomiar powierzchni właściwej przy minimalizacji jednostkowego
zuŜycia energii elektrycznej i zachowaniu wymaganej jakości produktu finalnego.
W rozprawie zastosowano metodę sterowania układem przemiałowym, w oparciu o algorytmy
bazujące na teorii sztucznych sieci neuronowych. Atrakcyjność ich zastosowania wynika z
moŜliwości aproksymacji dowolnych nieliniowości oraz dostrojenia struktury sieci na podstawie
rzeczywistych danych zarejestrowanych w trakcie eksperymentu pomiarowego i rzeczywistej pracy
tego układu. W trakcie badań wykorzystano quasi-ciagły pomiar stopnia rozdrobnienia realizowany w
oparciu o prototypowy miernik pomiaru gęstości usypowej (wyskalowany w jednostkach powierzchni
właściwej wg Blaine’a).
Zdaniem autora do istotnych oryginalnych osiągnięć, uzyskanych w pracy naleŜy zaliczyć:
− przeprowadzenie analizy metrologicznej układu przemiałowego cementu pracującego w
układzie technologicznym otwartym i zamkniętym dla celów sterowania w warunkach
rzeczywistej jego pracy,
− opracowanie zestawu programów autorskich wspomagających proces rejestracji danych
na obiekcie w oparciu komputerowy system rejestracji danych i aplikacje przygotowane
w środowiskach Visual Basic oraz Delphi,
− opracowanie i przeprowadzenie autorskiej koncepcji eksperymentu pomiarowoidentyfikacyjnego układu przemiałowego z wykorzystaniem quasi-ciagłego pomiaru
stopnia rozdrobnienia i neuronowych algorytmów identyfikacyjnych młyna kulowego
cementu wraz z separatorem powietrznym,
− opracowanie i przetestowanie metodą symulacji komputerowej neuronowego algorytmu
sterowania opartego na nieliniowej sieci neuronowej ze sprzęŜeniem zwrotnym (NARX),
który daje moŜliwość uwzględnienia róŜnych przypadków pracy układu przemiałowego,
w tym produkcji kilku marek cementu w jednym układzie przemiałowym,
− ocena moŜliwości przenoszenia opracowanych algorytmów identyfikacji i sterowania,
rozwiązań struktur neuronowych na inne układy przemiałowe spotykane w pracujących
cementowniach.
Wykorzystanie wiedzy najlepszych operatorów procesu w trakcie identyfikacji oraz budowy
neuroregulatora pozwoliło na zaproponowanie układu neuronowego realizującego zadanie sterowania
poprzez naśladowanie ich decyzji. Dzięki temu moŜliwe było wyeliminowanie błędów operatorskich
co prowadzi to do poprawy jakości produktu finalnego jakim jest cement oraz pozwala na
oszczędność energii elektrycznej na poziomie ok. 10%.
Oszacowanie to przeprowadzono w oparciu o dane układu przemiałowego w warunkach eksploatacji
młyna w trakcie badań eksperymentalnych.
Przeprowadzone badania symulacyjne potwierdzają moŜliwość wykorzystania teorii sztucznych
sieci neuronowych do realizacji zadań identyfikacji i sterowania złoŜonym układem
nieliniowym, niestacjonarnym, z opóźnieniami w torach sterowania. Dodatkowo dzięki
wykorzystaniu informacji pochodzących od operatorów procesu powaliło to na stabilizację
jakości produktu i racjonalizację prowadzenia procesu przemiału.
Rezultaty przeprowadzonych badań oraz uzyskane osiągnięcia potwierdziły - zdaniem autora tezę pracy. Wskazano jednocześnie na moŜliwość wykorzystania nabytych doświadczeń w
identyfikacji i sterowaniu złoŜonymi wielowymiarowymi obiektami takŜe w tych gałęziach
przemysłu, w których występują procesy i obiekty podobnej klasy.
Innym znaczącym aspektem pracy jest wskazanie na moŜliwości zastosowania nowoczesnych
pakietów słuŜących do obliczeń numerycznych w dziedzinie identyfikacji układów dynamicznych
oraz badania i projektowania układów sterowania tymi obiektami.
Wszystkie przeprowadzone w ramach pracy analizy oraz symulacje komputerowe zostały
zrealizowane z wykorzystaniem pakietu programowego MatLab 7.5 (R2007b) wraz z przybornikiem
Neural Network 5.1, będącego na wyposaŜeniu Wydziału Elektrotechniki, Automatyki i Informatyki
Politechniki Opolskiej. Zagadnienia związane z rejestracją danych na obiekcie, ich przygotowaniem
oraz prezentacją otrzymanych wyników zaimplementowano w postaci programów komputerowych
przygotowanych w środowiskach Delphi, Visual Basic oraz zaadoptowano istniejące na obiekcie
układy pomiarowo-monitorujące.
Wszystkie wymienione czynniki sprawiają, Ŝe poruszona w pracy problematyka jest w pewnym
zakresie zbieŜna z aktualnymi tendencjami, zmierzającymi do zastąpienia człowieka w wykonywaniu
powtarzających się czynności i podejmowania decyzji przez układy tzw. sztucznej inteligencji.
32
33
LITERATURA
1
Auer A. (1978): Model i identyfikacja procesów klasyfikacji i mielenia, Zeszyty Naukowe WyŜszej Szkoły Auer 1978
InŜynierskiej w Opolu, nr 26 elektryka z. 4, Opole
2
Austin L., Rogers R.,Bramek K., Stubican J. (1988): A rapid computational procedure for unsteaedy-state ball mill Austin 1988
circuit simulations. Powder Technology, 56 str. 1-11
3
“Best Available Techniques” for the cement industry, CEMBUREAU November 1997
BAT 2000
4
Biernacki J., Pietrzak J. (2003): Produkcja ŜuŜla mielonego w młynie do cementu, Cement-Wapno-Beton 2/2003
Biernacki 2003
5
BREF - Reference Document on Best Available Techniques in Cement and Lime Manufacturing Industrues. March BREF 2000
2000. Word Trade Center, Isla de la Cartuja s/n E-41092 Seville-Spain
6
Cieśliński W., Ahrends J. (1955): Technologia cementu, Wydawnictwo Budownictwa i Architektury, Warszawa
Ceiśliński 1955
7
Cichosz P. (2007): Systemy uczące się, Wydawnictwo Naukowo Techniczne, Warszawa
Cichosz 2007
8
Cybenko G. (1990): Complextity theory of neural networks and classification problems; w Neural Networks Cybenko 1990
EURASIP Workshop Proc. (Sesimbra, Portugal), Febr., 24-44
9
DARPA Neural Network Study, Lexington, MA: M.I.T. Lincoln Laboratory, 1988.
DARPA 1988
10
Demuth H., Beale M., Hagan M. (2007): Neural Network Toolbox 5 User’s Guide MatLab, The MathWorks Inc.
Demuth 2007
12
Domański P., Gabor J., Pakulski D., Świrski K.: (2000) Closed Loop NOx Control and Optimisation Using Neural Domański 2000
Networks, IFAC Symposium on Power Plants & Power Systems Control, Brussels, Belgum, Preprints, str. 188-193,
IFAC 2000
11
Domański P., Strzelczyk M. (2001): Global Optimization Based Learning for Recurrent Neural Networks, Materiały Domański 2001
V Krajowej Konferencji Algorytmy Ewakuacyjne i Optymalizacja Globalna. 31.05-01.06 2001, Jastrzębia Góra, str.
223-230
12
Dyda W. (1979): Przegląd technik i technologii w światowym cementownictwie. Zakład Poligrafii Centralnego Duda 1979
Ośrodka Informacji Budownictwa, Warszawa.
13
Duda W. H. (1985): Cement-data-book, Bauverlag GmbH Wiesbaden-Berlin.
14
Duda J., Kalinowski W., Sładeczek F. (2000): Audyt technologiczny i energetyczny zakładu cementowego, Raporty Duda 2000
IMMB 0/743/P, Opole
15
Herbst J., Fuerstenau D. (1992): Model-based control of mineral processing operations. Power Technology 69, str. Herbst 1992
21-32
16
Janczak A. (1995): Zastosowanie sztucznych sieci neuronowych do identyfikacji systemów dynamicznych. Przegląd Janczak 1995
metod i technik, Raport WyŜszej Szkoły InŜynierskiej w Zielonej Górze, Zielona Góra
17
Polska Akademia Nauk. Biocybernetyka i InŜynieria Biomedyczna 2000, Tom 6 Sieci Neuronowe (redaktorzy tomu: Janczak 2000
W. Druch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz), Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
Duda 1985
Janczak A. (2000): Sieci neuronowe w identyfikacji systemów Wienera i Hammersteina, ss. 419-454
18
Janczak A. (2005): Identification of Nonlinear Systems Using Neural Networks and Polynomial Models. A Block- Janczak 2005
Oriented Approach, Springer-Verlag, Berlin, Heidelberg
19
Jurgensen S. W. (2004): Młyn misow -rolkowy do mielenia cementu i ŜuŜla. Doświadczenia ze stosowania młyna Jurgensen 2004
misowo-rolkowego w Ameryce Środkowej i Południowej, Cement-Wapno-Beton 4/2004
20
Kalinowski W. (2001): Wykorzystanie energooszczędnych technik przemiałowych w krajowym przemyśle Kalinowski 2001
cementowym, Międzynarodowa Konferencja Naukowa – Ekologiczno-energetyczne kierunki rozwoju przemysłu
materiałów budowlanych, Lądek Zdrój 25.04.2001.
21
Kalinowski W. (2005): Energochłonność procesów przemiałowych w świetle wymagań najlepszych dostępnych Kalinowski 2005
technik (BAT), XII Sympozjum Naukowo-Techniczne CEMENT – KRUSZYWA, Bydgoszcz 08-10.11.2005.
22
Kalinowski W. (2006): Modernizacja procesów przemiałowych w przemyśle cementowym, BMP Surowce i Maszyny Kalinowski 2006
Budowlane 1/2006, str. 12-15
23
Korbicz J., Obuchowicz A., Uciński D. (1994): Sztuczne sieci neuronowe Podstawy i zastosowania, Akademicja Korbicz 1994
Oficyna Wydawnicza PLJ, Warszawa
24
Korbicz J., Witczak M. .(2001): MMAR 2001, Robustifying an extended unknown input observer with genetic Korbicz 2001
programming, 6th IEEE International Conference on Methods and Models in Automation and Robotics, 28-31
sierpnia 2001, vol. 2, Miedzyzdroje, str. 1061-1066
25
Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (2002): Diagnostyka Procesów. Modele. Metody sztucznej Korbicz 2002
inteligencji. Zastosowania, Wydawnictwa Naukowo-Techniczne, Warszawa
26
Kosiński R. A. (2007): Sztuczne sieci neuronowe, dynamika nieliniowa i chaos, Wydawnictwo Naukowo- Kosiński 2007
Techniczne, Warszawa
34
27
Kurdowski W. (2007): 150 lat przemysłu cementowego na ziemiach polskich, Budownictwo, technologie, Kurdowski 2007
architektura 3/2007
28
Kurnicki A., Stańczyk B., śak E. (2001): Optimum in the sense of minimum variaqnce output stabilisation of the Kurnicki 2001
coal mill, MMAR 2001, 7th IEEE International Conference on Methods and Models in Automation and Robotics,
28-31 August 2001, pp. 901-906
29
Masters T. (1996): Sieci neuronowe w praktyce. Programowanie w języku C++, Wydawnictwa Naukowo- Masters 1996
Techniczne, Warszawa.
30
Mazurek J., Vogt H., śydanowicz W. (1996): Podstawy automatyki, Oficyna Wydawnicza Politechniki Mazurek i inni 19
Warszawskiej, Warszawa.
31
Miller W.T., Sutton R.S., Werbos P.J. (1990): Neural Networks for Control, The MIT Press, Cambridge MA.
32
Mokrzycki E., Uliasz-Bocheńczyk A. (2006): Wybrane problemy zuŜycia energii w przemyśle cementowym. Polityka Mokrzycki i inni
Energetyczna, Warszawa Tom 9, Zeszyt1, ss 61-71
33
Ng G. W. (1997): Application of Neural Networks to Adaptive Control of nonlinear Systems, Control Systems Center Ng 1997
UMIST, UK
34
Niemi A., Ylinen R., Räsänen V. (1992): Control of grinding circuit using phenomenological models. Power Niemi 1992
technology 69, str. 47-52
35
Nowak E., Pałka E., Płocica M., Stanoch W., Szeliga A. (2000): Procesy przemielania i młyny w przemyśle Nowak. 2000
cementowym Tom II Młynownie, Prace IMMB nr 27, Opole
36
Obuchowicz A., (2003): Evolutionary Algorithms for Global Optimization and Dynamic System Diagnosis, Lubuskie
Towarzystwo Naukowee
37
Osowski S. (1996): Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa.
38
Polednia E., Werszler A. (1997): Radiometryczna metoda pomiaru dyspersji ciała stałego, Rozprawa doktorska, Polednia 1997
Instytut Techniki Cieplnej i Mechaniki Płynów Politechniki Wrocławskiej, Wrocław.
39
Rojek R. (1976): Model matematyczny procesu mielenia ciągłego w młynach bębnowych dla celów sterowania, Rojek 1976
Praca doktorska, Instytut Cybernetyki Technicznej Politechniki Wrocławskiej, Wrocław
40
Rojek R. (1987): Problemy modelowania wybranej klasy procesów o parametrach rozłoŜonych dla celów Rojek 1987
sterowania, Studia i Monografie z. 11, WyŜsza Szkoła InŜynierska w Opolu, Opole
41
Rutkowska D., Piliński M., Rutkowski L. (1997): Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Rutkowska i inni
Wydawnictwo Naukowe PWN, Warszawa-Łódź
42
Rutkowski L. (2006): Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa
43
Saerens M., Soquet A. (1991): Neural controller based on back-propagation algorithm, Proc. IEE, F, 138, nr 1, str. Saerens 1991
55-62.
44
Schafer H.-U. (2001): Młyny firmy LOESCHE do mielenia klinkieru i granulowanego ŜuŜla wielkopiecowego i do Schafer 2001
produkcji cementów z dodatkami, Cement-Wapno-Beton 6/2001
45
Szabó L., Hidalgo I., Cisar J. C., Soria A., Russ P. (2003): Energy consumption and CO2 emissions from the world Szabó I inni 2003
cement industry. European Commission Joint Research Centre. Raport EUR 20769, June 2003
46
Tadeusiewicz R. (1993): Sieci neuronowe, Akademicka Oficyna Wydawnicza RW, Warszawa
47
Wrzuszczak J. (1998): Badania identyfikacyjne i ocena efektywności algorytmów sterowania adaptacyjnego Wrzuszczak 1998
obiektem z opóźnieniem na przykładzie młyna kulowego cementu, Rozprawa doktorska, Politechnika Wrocławska I20, raport serii preprinty nr 43/1998 Wrocław
48
Wrzuszczak J.: (1999) Układ sterowania adaptacyjnego młynem cementu, Materiały XIII Krajowej Konferencji Wrzuszczak 1999
Automatyki, Opole 21-24 IX 1999, Oficyna Wydawnicza Politechniki Opolskiej, tom 2 ss. 339-344
49
Zachęta L.: (2004): Historia przemysłu cementowego w Polsce 1857-2000, Polski Cement, Kraków
Zachuta 2004
50
śurada J., Barski M., Jedrych W. (1996): Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa
śurada 1996
Miller 1990
Osowski 1996
Rutkowski 2006
Tadeusiewicz 199
WYKAZ STRON INTERNETOWYCH
1
Polski Cement, Charakterystyka przemysłu cementowego, http://www.polskicement.com.pl
Polski Cement ww
2
Polski Cement, ZuŜycie energii przez przemysł cementowy, http://www.polskicement.com.pl
Polski Cement ww
WYKAZ NORM
1
PN-EN 197-1: 2002 „Cement. Część 1: Skład, wymagania i kryteria zgodności dotyczące cementów powszechnego PN-EN 197-1 20
uŜytku”
2
PN-EN 197-1: 2002/A1 2005 „Cement. Cześć 1: Skład, wymagania i kryteria zgodności dotyczące cementów PN-EN 197-1 2
powszechnego uŜytku” (zmiana uwzględniająca cementy o niskim cieple hydratacji)
2005
35
3
PN-B-19707: 2003 „Cement. Cement specjalny. Skład, wymagania i kryteria zgodności”
PN-N-19707 200
4
PN-EN 413-1: 2005 „Cement murarski – Część 1: Skład, wymagania i kryteria zgodności”
PN-EN 413-1 200
5
PN-EN 14216: 2005 „Cement – skład, wymagania i kryteria zgodności dotyczące cementów specjalnych o bardzo PN-EN 14216 20
niskim cieple hydratacji”
6
PN-EN 197-4: 2005 „Cement. Cześć 4: Skład, wymagania i kryteria zgodności dotyczące cementów hutniczych o PN-EN 197-4 200
niskiej wytrzymałości wczesnej”
WYKAZ PRAC Z UDZIAŁEM AUTORA
1 Bursy G. (1996): Wykorzystanie mikroprocesorowych sterowników programowalnych w sterowaniu
elektrofiltrami, Prace Instytutu Mineralnych Materiałów Budowlanych nr 18-19, Opole, str. 61-68
Bursy 1996 00
2 Bursy G. (1997): Identyfikacja młyna cementu z uŜyciem sztucznych sieci neuronowych, cz. 1, Prace
IMMB nr 21, Opole, ss. 49-78
Bursy 1997 00
3 Bursy G., Siemiątkowski G. (1997): Identyfikacja procesu przemiału z wykorzystaniem teorii sztucznych Bursy 1997 11
sieci neuronowych w środowisku MATLAB-Simulink, Materiały I Krajowej Konferencji „Metody i
Systemy Komputerowe w Badaniach Naukowych i Projektowaniu InŜynierskim”, Kraków 25-26 XI 1997,
ss. 27-34
4 Bursy G., Rojek R. (1998): Nowoczesne układy sterowania procesami przemiałowymi oparte na teorii
sztucznych sieci neuronowych, Materiały Konferencji Naukowo-Technicznej AUTOMATION ’98
„Autoamtyzacja – Nowości i Perspektywy”, Warszawa 11-12 III 1998, ss. 53-60
Bursy 1998 03
5 Bursy G. (1999): Identyfikacja młyna cementu z uŜyciem sztucznych sieci neuronowych, cz. 2, Prace
IMMB nr 24, Opole 1999, ss. 61-74
Bursy 1999 00
6 Bursy G., Rojek R. (1999): Badania identyfikacyjne młyna cementu z wykorzystaniem modelu
neuronowego, Materiały XIII Krajowej Konferencji Automatyki, Opole 21-24 IX 1999, tom 2 ss. 333338
Bursy 1999 09
7 Bursy G. (2002): Neurosterowanie młynem cementu, Prace Instytutu Mineralnych Materiałów
Budowlanych nr 33-34, Opole, str. 112-119
Bursy 2002 00
8 Bursy G. (2002): Sterowanie młynem cementu z wykorzystaniem sztucznych sieci neuronowych, Surowce
i Maszyny Budowlane nr 2/2002, str. 32-35
Bursy 2002 02
9 Bursy G., Rojek R. (2002): Sterowanie neuronowe młynem cementu, Materiały XIV Krajowej
Konferencji Automatyki, Zielona Góra 14-17.06.2002r, str. 831-834
Bursy 2002 06
10 Bursy G. (2007): Sterowanie neuronowe przemiałem przemiału cementu – identyfikacja młyna, Elektryka Bursy 2007 05
z 59 nr 322/2007, I Środowiskowe Warsztaty Doktorantów Politechniki Opolskiej, Jarnołtówek 14-16 V
2007, str. 53-55
11 Bursy G., Rojek R. (2007): Diagnostyka młyna cementu dla potrzeb sterowania; Problemy Współczesnej
Nauki Teoria i Zastosowania, Automatyka i Robotyka, Diagnostyka Procesów i Systemów, pod red.
Korbicz J., Patan K., Kowala M., Akademicka Oficyna Wydawnicza EXIT, Warszawa, str. 339-346
Bursy 2007 09
12 Bursy G., Rojek R. (2008): Neurosterowanie procesem przemiału cementu w oparciu o quasi-ciągły
pomiar stopień rozdrobnienia, PAR Pomiary Automatyka Robotyka nr 2/2008; Materiały XII
Konferencja Naukowo-Techniczna Automatyzacja – Nowości i Perspektywy Automation 2008
Bursy 2008 04
13 Bursy G. (2007): Sterowanie neuronowe procesem przemiału cementu, Elektryka z 61 nr 326/2008, II
Środowiskowe Warsztaty Doktorantów Politechniki Opolskiej, Jarnołtówek 19-21 V 2008, str. 19-20
Bursy 2008 05
14 Bursy G., Rojek R. (2008): Neuroidentyfikacja procesu przemiału cementu, XVI Krajowej Konferencji
Automatyki, Szczyrk, 11-15 maja 2008r. Akademicka Oficyna Wydawnicza EXIT, Komitet Automatyki i
Robotyki PAN, Polskie Towarzystwo Sieci Neuronowych, (Red. Krzysztof Malinowski, Leszek
Rutkowski), str. 643-651
Bursy 2008 05
15 Bursy G. (2008): Ograniczenie zuŜycia energii elektrycznej układów przemiałowych poprzez
zastosowanie nowoczesnych układów sterowania, IV Międzynarodowa Konferencja Naukowa Energia i
Środowisko w Technologiach Materiałów Budowlanych, Ceramicznych, Szklarskich i Ogniotrwałych
Karpacz 17 - 19 wrzesień 2008, str. 183-197
Bursy 2008 09
Autor uczestniczył takŜe w licznych pacach badawczych statutowych własnych i zleconych z przemysłu oraz
przygotowaniach projektów i ofert w ramach prac realizowanych w oddziale Opolskim Instytutu Szkła, Ceramiki,
Materiałów Ogniotrwałych i Budowlanych w Warszawie.

Sterowanie neuronowe procesem przemiału cementu

Transkrypt

Podobne dokumenty

OPIS KOMPAKTOWEJ INSTALACJI MIELĄCEJ DO CUKRU PUDRU

Młyny dyskowe wraz z podajnikami ślimakowymi dozującymi