Методы построения интеллектуальных систем управления биотехнологическими объектами

• Алла Дудник
• автоматизація
• 26.11.21

Аграрный сектор производства в мире и Украине наполнен современными высокотехнологическими предприятиями, характерным признаком которых является наличие биологической составляющей. К таким предприятиям относятся, в первую очередь, птицефабрики, сооружения закрытого грунта, грибные комплексы. Доля энергетики в себестоимости продукции для таких предприятий достигает иногда 70 % (сооружения закрытого грунта). В условиях высокой стоимости энергетики и ее дефицита актуальными становятся меры, уменьшающие затраты энергии.

Несмотря на имеющееся современное технологическое оборудование, в птичниках и теплицах реализуют простейшие алгоритмы управления электротехническими комплексами, которые сопровождают технологию производства соответствующей продукции. Это, как правило, алгоритмы стабилизации, предложенные для поддержания технологических параметров, которые максимизируют производительность птицы и растений (определяются биологами по результатам исследований в зоотронах и фитотронах). Такие алгоритмы не являются энергоефективными, поскольку не учитывают состояний биологической составляющей, от чего зависит ее производительность, и характер природных возмущений [1-3].

Кроме того, часто, как это показано на примере птичника, мощностей типичных исполнительных механизмов не хватает для содержания биологического объекта (птицы) при температуре, которая обеспечивает его максимальную производительность (рис.1).

Рис. 1.Статическая характеристика типического птичника

На состояния растений, выращиваемых в сооружениях закрытого грунта, влияет в том числе и солнечная радиация. Таким образом, возникает потребность в анализе и прогнозировании таких факторов как температура и солнечная радиация для использования результатов прогноза в формировании стратегий управления электротехническими комплексами с целью уменьшения энергетических затрат при производстве сельскохозяйственной продукции.

Решение указанной проблемы возможно по двум вариантам: идентификация на основе теории случайных процессов образов (участков) природных возмущений, характеризующие реализацию температуры; нейронные сети.

По первому варианту, используя теорию случайных процессов, математическую модель участков временных рядов температуры представлено как:

,                                   (1)

где ε_i– случайная составляющая; u_i – трэнд; W_i – регулярные колебания; S_i – периодические колебания.

При этом каждую из годовых реализаций подавали в виде 45 – 75 стационарных или квазистационарных участков (сами участки были разбиты на 5 классов) [2]. Для прогнозирования природных возмущений важно разработать метод их воспроизведения. С этой целью использовали метод формирующих фильтров, в основе которого находится стохастическое уравнение Ито:

                                     (2)

где Х(t) – стационарный случайный процесс с нулевым математическим ожиданием; V(t) – белый шум с единичной интенсивностью; α, β, γ, ξ, А, В – постоянные коефициенты, которые определяются из статистических характеристик классов образов.

Указанное дает возможность построить алгоритм распознавания (прогнозирование) температурных возмущений [2].

Недостатком первого варианта решения поставленной задачи являются значительные вычислительные усилия.

Второй вариант предусматривает использование нейронных сетей. При этом положительные результаты показала нейросеть со структурой многослойный персептрон со скрытыми слоями нейронов, которая обеспечила достаточно высокую точность прогноза временных рядов температуры в 0,5-4,2 %. Однако точность прогноза интенсивности солнечной радиации, что очень важно для сооружений закрытого грунта, составила всего 22,3 % (объясняется наличием шумов). С целью выделения полезного сигнала использовали алгоритм Гильберта-Хуанга, что в совокупности с генетическим алгоритмом настройки нейросети позволило получить результат, пригодный для формирования стратегий управления электротехническими комплексами [5].

Результаты анализа зависимостей, показаны на рис.2, позволяют сделать следующие выводы: на участках с меньшей динамикой природных возмущений (а) результаты использования нейросети и теории случайных процессов достаточно похожи, среднеквадратичная погрешность системы случайных процессов составляет 3,5 % против 4,9 % в нейронной сети. В случае же флуктуационных колебаний (б) нейронная сеть демонстрирует высокое качество – ее среднеквадратичная погрешность составляет 3,8 % против 5,8 % когда применяется теория случайных процессов.

а)

б)

Рис. 2.Сравнение качества прогнозирования температурных возмущений методами математической статистики и нейронных сетей

Для формирования стратегий управления электротехническими комплексами в птичниках использовались теория игр и статистических решений по результатам анализа платежной матрицы на основе критерия Гурвица:

          (3)

где χ – коефициент оптимизма, который может иметь значение от 0 до 1.

В предлагаемой системе управления принято значение χ = 0,75. Эффективность такого решения подтверждается экспериментальными исследованиями системы управления в производственных условиях [4].

Для сооружений закрытого грунта реализована система управления на основе использования функции желательности Харрингтона, что позволило минимизировать энергетические затраты [5].

С целью исследования эффективности разработанной системы управления проведен сравнительный анализ существующей системы управления, которая работает по алгоритму стабилизации технологических параметров микроклимата (кривая 1 рис. 3), системы управления с нейросетевым прогнозированием внешних возмущений (кривая 2 рис.3) и системы управления, содержащий блок нейросетевого прогнозирования и блок оптимизации прироста овощной продукции (кривая 3 рис.3).

Синтез математической модели системы управления, функционирующей в исследуемом биотехническом объекте (ОАО «Комбинат« Тепличный ») осуществлен с использованием статистических данных о зависимости расхода природного газа на отопление теплицы от следующих параметров: внешней и внутренней температуры воздуха и интенсивности солнечной радиации, то есть статической характеристики объекта.

Рис.3. Зависимость расхода природного газа от внешней температуры воздуха

На основе проведенных исследований разработана схема системы управления процессом выращивания растений в теплице.

Выводы

Результаты исследования интеллектуальных систем управления электротехническими комплексами для биотехнологических объектов приведены в этой статье. Исследование системы показало повышение производительности системы на 20 %, и снижение потребления природного газа на отопление на 13 % по сравнению с системой управления, которая основана на алгоритме стабилизации технологических параметров.

Литература

1. Lysenko V., Golovinskiy B., Reshetiuk V., Shtepa V., Rudenskiy A., Golub B., Shcherbatiuk V. “Technical means of computer-integrated control system of energy resources in poultry farm”. Life and Environmental Sciences, vol. 2. pp. 111-118. 2010.
2.  Lysenko V., Shtepa V., Zayets N., Dudnyk A. “Neural network forecasting of outside temperature time series”, Biological Resources and Nature Management, vol. 3 - 4, pp. 102 – 108, 2011.
3. Lysenko V., Golub B., Shcherbatiuk V, “The total energy saving architecture computer integrated automatic control system living conditions of laying hens” Scientific Herald of National University of Life and Environmental Sciences of Ukraine, vol. 139, pp. 27–31, 2009.
4. Lysenko V. Intelligent effective management system of biotechnical objects based on natural disturbances prediction / V. Reshetyuk, V. Shtepa V. Shcherbatyuk // International Scientific Electronic Journal “Earth Bioresources and Life Quality”. ISSN 2221-1713.
5. Lysenko, V. Greenhouse Environment Control System With Neural Network Predictions of External Disturbances / V. Lysenko, V. Reshetyuk, V. Shtepa, A. Dudnyk // Contemporary aspects of production engineering : XXII International students scientific conference, 22–25 May 2013 : abstract. – Warsaw, 2013. – P. 40–52.