УДК 65.01.85.664
К.Ю Марченко, А.С. Генералов, А.А. Цымбаларь
Российский биотехнологический университет
Аннотация. Исследование посвящено рассмотрению модернизации вальцового станка путем создания автоматизированной системы регулирования рабочего межвальцового зазора на базе технологий СНС. Приводится информация о вальцовых станках, методах нейросетевого анализа изображений. Разработана автоматизированная система регулирования рабочего зазора вальцового станка путем использования фотоизображений продуктов измельчения, полученных с помощью видеокамеры. Для анализа полученных изображений и определения среднего размера частиц по фотографии продукта использован метод классификации изображений на базе глубоких нейронных сетей сверочного типа. Предложенная система обеспечит автоматическое регулирование величины рабочего зазора, что приведет к повышению качественных показателей процесса измельчения.
Ключевые слова: контроль измельчения, вальцовый станок, сверточные нейронные сети, компьютерное зрение, Matlab.
SYSTEM FOR CONTROLLING THE WORKING CLEARANCE OF A ROLLER MACHINE BASED ON SNN TECHNOLOGIES
Abstract. The study is devoted to considering the modernization of a roller machine by creating an automated system for regulating the working inter-roller gap based on SNN technologies. Information is provided on roller machines, methods of neural network image analysis. An automated system for regulating the working gap of a roller machine has been developed using photographic images of grinding products obtained with a video camera. To analyze the obtained images and determine the average particle size from a photograph of the product, a method of image classification based on deep neural networks of the verification type was used. The proposed system will provide automatic regulation of the working gap, which will lead to an increase in the quality indicators of the grinding process.
Keywords: grinding control, roller machine, convolutional neural networks, computer vision, Matlab.
Самым эффективным средством устранения потерь от морального износа оборудования является его модернизация и автоматизация. В результате внесения в конструкцию вальцового станка инновационных изменений повышаются его эксплуатационные показатели. Одним из резервов повышения эффективности измельчающего оборудования является повышение стабильности процесса измельчения путем стабилизации и оперативного регулирования величины рабочего зазора.
Для оптимизации работы вальцового станка необходимо проанализировать процесс измельчения в настоящие время и описать процесс внедрение ИНС в систему размольного блока. Необходимо создать модель, включающую взаимодействие искусственного интеллекта с регулированием рабочего зазора, необходимого для продуктивной работы производственного пространства.
Качество конечного продукта, сортность муки, напрямую зависит от стабильности величины межвальцового зазора. Для математического описания зависимости общего извлечения от величины межвальцового зазора А.В. Панченко предложил эмпирическую зависимость [1]:
U=m*e^-nb,
где, m и n – опытные коэффициенты для данной системы; e – основание натуральных логарифмов; b – величина межвальцового зазора.
Практические исследования выявили общую проблему традиционной процедуры контроля крупности измельчения для зерноперерабатывающего предприятия – отсутствие автоматизированного контроля крупности продуктов измельчения. В настоящее время, на мукомольных заводах для оценки крупности продуктов размола используется метод ситового анализа. Данный способ достаточно трудоемкий и требует значительного времени.
Одной из перспективных интеллектуальных информационных систем управления качеством продукта являются нейросетевые технологии. Их главное преимущество, перед традиционными алгоритмами – возможность их обучения [2, 3, 6]. В процессе обучения нейронная сеть способна выявить сложные зависимости между входными и выходными данными. Глубокие нейронные сети сверочного типа способны работать с изображениями [4-6]. Используя фотографии промежуточных продуктов размола после вальцового станка, можно решать задачу классификации продукта по размеру. Предлагается использовать подобную технологию для автоматизированного определения размера частиц как составную часть системы автоматического регулирования рабочего зазора вальцового станка.
На этапе ОКР проведены исследования по определению эффективности процесса определения размера частиц по изображениям. Для исследований в модуле Deep Network Designer системы Matlab создана и обучена сверточная нейронная сеть. Исследования проведены для шести классов продуктов. Для каждого класса было получено по 150 цветных изображений с разрешением 480х480 рх. После предварительного обучения СНС показала достоверность распознавания изображений по шести классам продукта с точностью 80%. Дальнейшие исследования были связаны с улучшением качества изображений путем настройки режимов освещения.
Проведенные эксперименты показали достаточно высокую эффективность классификации продукта измельчения после межвальцового зазора по изображениям с цифровой видеокамеры.
Для улучшения настройки станка и оперативного регулирования рабочего зазора, была рассмотрена схема системы регулирования рабочего зазора, на основе которой построена и проанализирована функциональная схема системы автоматического регулирования с использованием цифровой видеокамеры в контуре управления [8].
Функциональная схема системы автоматического регулирования рабочего зазора с использованием технологии машинного зрения и методов СНС представлена на рис. 1. Процесс автоматического изменения зазора, проходит поэтапно. Продукт после измельчения на паре мукомольных валов, проходит и контролируется в системе, состоящей из видеокамеры, вращающегося валка, светофильтра, и стекла. Измельченный материал просачивается между вращающимся валком и стеклом. В момент прохода материала в данной системе, установленная за стеклом камера фиксирует размер частиц помола. Установленный светофильтр позволяет камере более точно зафиксировать изображение частиц. Данные с камеры идут на обработку и с помощью программы MATLAB Image Processing Toolbox определяется средний размер частиц. На основе полученной информации вычислитель рассчитывает величину корректировки рабочего зазора и формируется управляющая программа для исполнительного механизма. Для регулировки используется небольшой шаговый электродвигатель, который при вращении винта изменяет зазор, то есть сдвигает либо отодвигает измельчающие валы. Информация с управляющей программы переходит на регулировку зазоров.
Рисунок 1 – Функциональная схема системы автоматического регулирования рабочего зазора с использованием технологии машинного зрения и методов СНС: 1 — быстровращающийся валец; 2 — неподвижный подшипниковый узел быстровращающегося вальца; 3- опорный брус; 4 — медленновращающейся валец; 5 — подвижный подшипниковый узел медленновращающегося вальца; 6 — ось крепления подшипникого узла; 7 — штурвал механизма регулирования межвальцового зазора с механизмом индикации часового типа; 8 — кронштейн крепления; 9 — винтовая ось механизма регулирования межвальцового зазора; 10 — рычаг; 11 — опора эксцентриковой втулки; 12 — пневмоцилиндр; 13 — тяга; 14 — рычаг пневмоцилиндра; 15 — пакет предохранительных пружин; 16 — пружина; 17 — винтовая пара М20; 18 — винтовая пара М12; 19 — электродвигатель; 20 — шаговый двигатель; 21 — шестерня z= 38; 22 — шестерня z = 48; 23 — прибор оптического контроля крупности продукта в потоке; 24 — электронный блок управления (ЭБУ); 25 — эксцентриковая втулка системы регулирования зазора; 26 — эксцентриковая втулка системы привала-отвала
Результаты вычислений среднего размера частиц передаются в АСРЗ (автоматичесую систему регулирования зазора) где формируется управляющий сигнал на шаговый электродвигатель, который посредством зубчатой передачи передает вращение на винт механизма регулирования рабочего зазора.
На рис. 2. Представлены типичные изображения продуктов размола разной крупности, разбитые по шести классам. Изображения получены путем использования цифрового микроскопа. Освещение продукта – боковое светодиодное белого свечения. Использование бокового освещения повысило контрастность контуров продукта, что позволило улучшить качество изображений и соответственно повысить качество классификации.
Рисунок 2 – Типичные изображения продуктов размола разной крупности (классов): а) Класс 1; б) Класс 2; в) Класс 3; г) Класс 4; д) Класс 5; е) Класс 6.
Рисунок 3 – График обучения СНС для шести классов состояний
С помощью программы Deep Network Designer в системе Matlab создана и обучена СНС для классификации, полученных с помощью цифрового микроскопа, макроснимков продукта. Нейросетевой анализ данных осуществлялся в пакете Matlab. Происходит загрузка данных выборки цифр в качестве хранилища данных изображений imageDatastore, функция автоматически помечает изображения на основе имен папок. В исследованиях использовался сформированный датасет из 900 изображений (по 150 для каждого из 6 проб продукта). Из них случайным образом выбиралось 80% для обучения. архитектура сверточной нейронной сети. Архитектура СНС в процессе экспериментов совершенствовалась. Оптимальные параметры СНС приводятся в источнике [9 –11].
Результаты обучения и тестовых проверок созданной СНС показали достоверность распознавания изображений продукта из шести классов разной крупности с точностью 92,8%.
Список литературы:
- Глебов Л.А., Демский А.Б., Веденьев, В.Ф., Яблоков А.Е. Технологическое оборудование и поточные линии предприятий по переработке зерна / Л.А. Глебов. — М.: ДеЛи Принт, 2010. — 696 c
- Благовещенский В.Г. Интеллектуальная автоматизированная система управления качеством халвы с использованием гибридных методов и технологий: дис. кандидата технических наук наук: 05.13.06. — Москва, 2021. — 219 с.
- Никитина М.А. Интеграция цифровых технологий в процесс принятия решений при разработке пищевых продуктов заданного состава и свойств: дис. кандидата технических наук наук: 05.13.06/ 05.18.04. — Москва, 2021. — 265 с.
- Яблоков А.Е. Научно-практические основы создания автоматизированных систем технического мониторинга и диагностики оборудования зерноперерабатывающих предприятий на базе нейросетевых методов анализа данных: Монография / Яблоков А.Е., Благовещенский И.Г. – М., МГУПП 2022. –221 с.
- Головенкин С.Е., Шульман В.А., Горбань А.Н., Россиев А.А. Применение нейросетевой экспертной системы для прогнозирования осложнений инфаркта миокарда // Известия высших учебных заведений. Приборостроение. – 2005. – Т. 48. № 5. – 19-22.
- Каллан Р. Основные концепции нейронных сетей: перевод с англ. – М.: Вильямс. – 2003. – 287 с.
- Коноваленко Л.Ю., Мишуров Н.П., Голубев И.Г., Никитина М.А., Бредихин С.А. Цифровая трансформация пищевой и перерабатывающей промышленности: аналит. обзор. – М.: ФГБНУ «Росинформагротех», 2020. – 80 с.
- Савостин С.Д. и др. Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического регулирования процесса формования гранулированных комбикормов / Благовещенская 213 М.М., Семина Н.А., Савостин С.Д.// «Вестник Воронежского государственного университета инженерных технологий», №2, 2014. – с. 48 — 56.
- Яблоков А. Е., Жила Т. М. Применение СНС в вибродиагностике по спектрограммам и вейвлет-скалограммам сигнала // Известия Тульского государственного университета. Технические науки. 2021. (12). C. 452–456.
- Яблоков А.Е. Научно-практические основы создания автоматизированных систем технического мониторинга и диагностики оборудования зерноперерабатывающих предприятий на базе нейросетевых методов анализа данных: Монография / Яблоков А.Е., Благовещенский И.Г. – М., МГУПП 2022. –221 с.
- Яблоков А.Е.., Марченко К.Ю. Исследование эффективности применения СНС в задаче определения крупности продуктов размола зерна // Цифровые технологии живых систем в сельском хозяйстве: сборник статей Международной научно-практической конференции. Том II. — Пензенский ГАУ. – Пенза: ПГАУ, 2022. — С. 216 с