Intelligent Control Systems for Dynamic Mixing Processes in Seed Processing Machines with Highly Elastic Working Bodies

Full Text

Введение

Разработка интеллектуальных систем управления с помощью различных производственных и технологических процессов является весьма актуальной проблемой. Обработка семян перед посевом – важный сельскохозяйственный технологический процесс, без которого невозможно обойтись при подготовке семян к посеву для получения запланированного урожая высокого качества. Основной вид обработки семян перед посевом – химическая обработка (протравливание).

Используемые системы управления технологическими процессами в сельском хозяйстве не обладают способностью мгновенно реагировать на неопределенности, которые воздействуют на систему «человек – технологическая машина». Создание адаптированной системы управления динамическими процессами в сельскохозяйственных машинах приводит к излишнему усложнению алгоритмов и их реализации. В области знаний, посвященных интеллектуальным системам управления, имеется фундаментальная теоретическая база, основанная на исследованиях зарубежных и российских ученых: Л. Заде, Е. Мамдани, Д. А. Поспелова, В. М. Лохина, Д. М. Ерёмина, В. Н. Вагина, С. М. Ковалева, В. М. Лохина, Г. С. Осипова, И. М. Макарова, Р. Г. Фараджева и многих других. Применяя современные технологии и методы обработки знаний, необходимо использовать преимущества интеллектуальных систем управления динамическими процессами. Основными преимуществами интеллектуальных систем управления являются относительная простота построения и возможность реализации программного продукта при обработке ограниченного количества информации и знаний в применяемой сфере. Классическая теория управления не может адекватно и быстро реагировать на неопределенности, возникающие в процессе эксплуатации современной сельскохозяйственной техники. В работе рассматривается возможность создания интеллектуальной киберфизической системы управления на исполнительном уровне функционирования биотехнической системы в качестве интеллектуального привода рабочих органов и интеллектуальной системы управления работоспособностью высокоэластичного рабочего органа машины для смешивания и обработки семян перед посевом. Цель создания такой системы – контролировать процесс смешивания в режиме реального времени, корректировать кинематические параметры рабочих органов привода смесителя и своевременно предупреждать о вероятности повреждения высокоэластичного рабочего органа.

Интеллектуальная система управления динамическими процессами смешивания должна отвечать следующим требованиям:

– способность автоматически реагировать на изменения параметров системы, в том числе и аномальные;

– гибкость и адаптируемость к изменениям режимов работы и кинематических параметров машины;

– способность прогнозировать оптимальный режим смешивания при изменении внешних воздействий;

– способность к самообучению на основе анализа происходящих событий и результатов работы киберфизической системы;

– удобный интерфейс, обеспечивающий бесперебойное взаимодействие программных средств и оператора.

Обзор литературы

Основные принципы создания интеллектуальных систем управления были разработаны около полувека назад [1]. Математическим моделированием динамических процессов занимались зарубежные ученые Л. Заде, У. Эшби, Дж. Аридис, Д. Йонг, Е. Динг, Я. Кёхлер [2–4]. Разработкой и внедрением технологий искусственного интеллекта в сельскохозяйственное производство занимались российские ученые А. В. Акимов, А. Н. Важенин, А. А. Гришин, Л. П. Кормановский, Ю. Ф. Лачуга, Н. М. Морозов, Е. А. Скворцов, П. А. Суровцев, Е. А. Тяпугин, В. К. Углин, Р. Р. Хисамов, Ю. А. Цой, С. В. Шаныгин, Е. И. Юревич и другие.

Дж. Аридис (США) предложил принцип Increasing Precision with Decreasing Intelligence (IPDI), заключающийся в объединении цели и задачи управления в виде сложного динамического объекта, зависящего от требуемой степени интеллектуализации [5]. Г .С. Осипов продолжил исследования интеллектуальных систем управления сложными динамическими объектами¹ [6; 7].

Основные принципы ситуационного управления изложены в фундаментальной работе Д. А. Поспелова². Разработкой принципов ситуационного управления применительно к агроинженерному направлению развития науки на конкретных примерах создания интеллектуальных систем управления занимались Б. А. Арютов, А. Н. Важенин, Б. И. Горбунов, В. М. Лохин, И. М. Макаров³ [8–10].

В качестве базового принципа построения систем автоматического управления динамическими процессами У. Р. Эшби предложил принцип необходимости разнообразия⁴. Базовым принципом проектирования систем автоматического управления динамическими объектами является разработанный В. В. Солодовниковым принцип минимальной сложности. Этот принцип гласит: «Чем выше точность разработки управления динамическими объектами, тем может быть ниже уровень интеллектуальности, и, наоборот, с повышением требуемого уровня интеллектуальности понижаются требования к точности управления» [6]. В. В. Васильевым и С. С. Валеевым разработана теория создания интеллектуальных систем управления сложными техническими объектами⁵ [11; 12]. На примере газотурбинного двигателя учеными рассмотрена возможность обеспечения достижения цели управления с помощью принципа минимальной сложности, а также адаптация характеристик системы при перемене обстановки управления на основе самообучения и самоорганизации интеллектуальной системы управления [11].

Новые разрабатываемые сельскохозяйственные машины и орудия, являющиеся сложными динамическими объектами, нуждаются в автоматизации системы управления для обеспечения безопасности и бесперебойности работы и снижения нагрузки на оператора [13–15].

Материалы и методы

Наиболее развитыми технологиями искусственного интеллекта в сельском хозяйстве в настоящее время являются: нечеткая логика, экспертные системы, нейронные сети, ассоциативная память [16; 17]. Основная отличительная черта интеллектуальной системы управления динамическими процессами заключается в том, что входные воздействия на систему имеют слабоформализованную природу «при случайном характере внешних воздействий на систему» [17].

При создании интеллектуальной системы управления динамическими процессами смешивания в машинах для обработки семян с высокоэластичными рабочими органами необходимо руководствоваться основными базовыми принципами ситуационного управления, обоснованного использования наиболее развитых технологий искусственного интеллекта, соблюдения соответствия степени интеллектуализации фактора неопределенности. Эти принципы влияют на киберфизическую систему управления процессами смешивания в машинах для предпосевной обработки семян.

Несмотря на несомненные положительные качества, устройство с высокоэластичными рабочими органами имеет свои специфические особенности эксплуатации⁶ [15; 18; 19]. Прочность эластомера ниже прочности стали. Именно благодаря меньшей прочности высокоэластичный материал не создает угрозы разрушения для частиц сыпучего тела. Но при этом ресурс материала рабочего органа не должен быть меньше срока его эксплуатации. Обработка семян – сезонный процесс, в течение которого все механизмы и машины, участвующие в технологическом процессе предпосевной обработки, должны находиться в работоспособном состоянии. Поэтому необходимо создать интеллектуальную систему упреждения появления аномального события (повреждения материала рабочего органа).

Результаты исследования

Рассмотрим, как можно использовать существующие подходы к решению задач интеллектуального управления динамическими системами при разработке интеллектуальной системы управления динамическими процессами смешивания в машинах для обработки семян с высокоэластичными рабочими органами.

В Комплексной программе развития биотехнологий в России на период до 2020 г. отмечается, что с помощью биотехнологии созданы новые средства защиты растений, не уступающие по воздействию на вредных насекомых и болезни химикатам, но безопасные для человека и окружающей среды⁷. В последние десятилетия тенденция на биологизацию земледелия наблюдается во всех странах мира с развитым сельскохозяйственным производством.

Использование биопрепаратов для защиты растений от вредителей и болезней при предпосевной обработке должно основываться на новых более эффективных технологиях и специализированной технике. Предварительные исследования показывают, что использование металлических шнеков и других недеформируемых рабочих органов в машинах для предпосевной обработки приводит к разрушению и травмированию семян, а применяемые кинематические режимы работы машин негативно воздействуют на живые бактерии, грибы и вирусы, составляющие основу биопрепаратов [20; 21]. Ранее нами была предложена и обоснована научная гипотеза о том, что высокоэластичные рабочие органы не повреждают семена и не оказывают вредного воздействия на живые микроорганизмы, входящие в биопрепараты [19].

Технологический процесс предпосевной обработки семян можно представить в виде многоуровневой биотехнической системы. В состав этой системы входят биологическая система, представленная семенным материалом и обслуживающим персоналом, и техническая система, представленная машиной для обработки семян перед посевом с высокоэластичными рабочими органами.

В процессе предпосевной обработки семян между объектами биотехнической системы существует взаимосвязь, которую можно представить в виде блок-схемы (рис. 1).

 

 

 

Рис. 1. Биотехническая система протравливания семян

Fig. 1. Biotechnical seed treatment system

 

 

Процесс обработки семян перед посевом осуществляется с помошью технической системы, алгоритм работы которой зависит от векторов входных воздействий: X_п – воздействия со стороны препарата; X_c – воздействия со стороны семян; X_упр – управляющие воздействия оператора.

Воздействия со стороны препарата включают:

X_п = {x_п1; x_п2; x_п3;…; x_пn},

где x_п1 – вид препарата; x_п2 – объемная или весовая подача; x_п3 – прилипаемость и другие воздействия.

Входные воздействия в техническую систему от обрабатываемого семенного материала включают:

X_с = {x_с1; x_с2; x_с3; x_с4; x_с5;…; x_сn},

где x_с1 – обрабатываемая культура; x_с2 – физико-механические характеристики материала; x_с3 – степень засоренности; x_с4 – влажность семян; x_с5 – способы взаимодействия семян и защитно-стимулирующих компонентов (химических и биологических) и другие свойства.

Оператор, управляющий технологическим процессом, оказывает влияние на техническую систему, изменяя кинематические и технологические воздействия, которые можно рассматривать как входные:

X_упр ={x_упр1; x_упр2; x_упр3;…; x_упрn},

где x_упр1 – управляющие воздействия подачей препарата; x_упр2 – управляющие воздействия подачей семян; x_упр3 – управляющие воздействия на кинематические параметры рабочих органов технической системы; x_упр4 – управляющие воздействия на технологические параметры технической системы и др.

Кроме входных техническая система (ТС) подвержена влиянию внешних воздействий Z_ТС, имеющих в основном случайный характер. Эти воздействия можно представить в виде вектора:

Z_ТС = {z_ТС1; z_ТС2; z_ТС3;…; z_ТСn},

где z_ТС1 – воздействия, вызванные непостоянством кинематических параметров; z_ТС2 – воздействия, вызванные нарушением технологических характеристик; z_ТС3 – воздействия, вызванные колебаниями ТС, и др.

В процессе протравливания семян ТС оказывает влияние на биологическую систему. Эти воздействия могут быть представлены в виде векторов U_c – воздействия технической системы на семена и U_о – воздействия технической системы на оператора.

Выходная функция технической системы f(X_п, X_c, X_упр, Z_ТС) в зависимости от используемых параметров и целей процесса может характеризовать: равномерность покрытия семян обрабатываемым препаратом; степень повреждения семян в процессе обработки; накопленную семенами в процессе обработки потенциальную энергию. Кроме указанных выходных характеристик могут быть приняты и другие показатели, вызванные требованиями потребителя.

Биологическая система включает обрабатываемый материал (семена) и оператора, осуществляющего функции управления и контроля.

Оператор осуществляет управляющие воздействия на препарат Q_п и на обрабатываемый материал (семена) Q_c.

Управляющие воздействия оператора на препарат Q_п включают: выбор типа препарата; дозирование препарата; контроль и управление процессом обработки семян препаратом.

В свою очередь препарат оказывает внешние воздействия Z₁ на оператора и окружающую среду:

Z₁ = {z_1.1; z_1.2; z_1.3;…; z_1.n},

где z_1.1 – воздействие препарата.

Управляющие воздействия оператора на обрабатываемый материал (семена) Q_с включают: выбор обрабатываемой культуры; выбор сорта семян; установление подачи семян; регулировку подачи препарата-протравителя (биопрепарата); контроль и управление процессом обработки семян препаратом.

В настоящее время использование искусственного интеллекта стало весьма актуальным направлением развития технических систем сельскохозяйственного производства. Интеллектуальная система управления процессами смешивания позволит автоматически отследить и скорректировать технологический процесс обработки семян перед посевом в режиме реального времени благодаря способности к обучению и саморегулированию, что значительно облегчит работу оператора и обеспечит безопасность работы при выполнении технологических операций. Основной целью внедряемых интеллектуальных систем является получение искусственных устройств-посредников между технологической машиной и оператором с целенаправленным поведением и разумными вычислениями, схожими с мышлением.

Компонентами интеллектуальной системы управления динамическими процессами смешивания будут: рабочая память M, множество нечетких правил R, описывающих выполнение операций перемешивания, и стратегия выбора правил в зависимости от состояния системы S. Таким образом, интеллектуальная система I представлена в виде тройки:

I = <M, R, S>.

Пример правила:

ЕСЛИ x однородное И y одинаково,
И z > 0,03 мм, ТО y хорошо,

где x₁ – степень окрашивания семян; x₂ – распределение смеси по объему камеры; x₃ – содержание капель воды в рабочей поверхности камеры; y – качество приготовленной смеси.

Для правила представляем интерпретацию в виде множества конкретных значений предметной области:

$\begin{array}{l}\forall P(x,y\mathrm{,...,}z)\in C\cup A\cup D,\\ \exists R(P)\subseteq M^n,\end{array}$

где R(P) – интерпретирующее отображение; M – множество конкретных значений предметной области.

Интерпретатор предназначен для организации процесса вывода заключения путем исполнения стратегии управления. Интерпретация действий интеллектуальной динамической системы может быть представлена последовательностью выполнения следующих операций (рис. 1):

1. Выбирается правило (однородное состояние смеси при минимальном времени смешивания).
2. Проверяется выполнимость правила в текущем состоянии рабочей памяти.
3. Если условие правила выполнено, правило помещается в конфликтное множество.
4. Если множество применимых правил исчерпано, выбирается какое-либо правило из конфликтного множества и применяется.
5. Переход к шагу 1.

Критерием остановки алгоритма является достижение однородного состояния.

При построении интеллектуальной системы управления процессами смешивания реализуется стратегия с возвращениями (рис. 2). Разрабатывая стратегию с возвращениями, принимаем в качестве способа выбора правил из конфликтного множества меру близости целевого и полученного состояний.

 

 

 

Рис. 2. Стратегия интеллектуальной системы управления динамическими процессами
смешивания в машинах для обработки семян с высокоэластичными рабочими органами

 

Fig. 2. Strategy of the intelligent control system for dynamic mixing processes in seed processing
machines with highly fl exible working elements

 

 

Кроме выполнения операций управления процессом смешивания машины для обработки семян с высокоэластичными рабочими органами должны регулярно подвергаться диагностике работоспособного безотказного состояния рабочей поверхности смесительной камеры. На рисунке 3 представлена общая структура системы управления работоспособностью высокоэластичной смесительной камеры.

 

 

 

Рис. 3. Нечеткая система управления работоспособностью высокоэластичной смесительной
камеры EcoMix: АС – адаптационная система; СНК – система нечеткого контроля;
БРП – база рабочих правил; УЛВ – устройство логического вывода;

СПЛ – система перевода входных воздействий в лингвистические переменные;

СЛР – система перевода лингвистических переменных в регулирующие воздействия;

СИМ – система исполнительных механизмов;СИД – система датчиков контролируемых параметров

 

Fig. 3. Fuzzy performance control system for the high elastic mixing chamber EcoMix:
AS – adaptive system; FCS – fuzzy control system; CP – code of practice;
LOD – logic output device; LITS – linguistic input translation system;
LVTS – language variable translation system; ActS – actuation system; PSS – parameter sensor system

 

 

Блок нечеткого управления включает в себя систему нечеткого контроля (СНК), выполняющую управление базой рабочих правил (БРП). БРП устанавливает и контролирует взаимосвязь между системой перевода входных воздействий в лингвистические переменные (СПЛ) и системой перевода лингвистических переменных в регулирующие воздействия (СЛР) посредством устройства логического вывода (УЛВ). СЛР осуществляет контроль и управление системой исполнительных механизмов (СИМ) смесителя для предпосевной обработки семян (EcoMix). Для регистрации входных сигналов (деформация рабочей емкости, состояние смеси) используется система исполнительных датчиков (СИД), закрепляемых внутри смесительной камеры машины для обработки семян.

Обсуждение и заключение

Для предупреждения вероятности наступления повреждения высокоэластичного материала рабочей емкости можно преобразовать реальный процесс в марковский с помощью нечеткой адаптивной системы, используя методологию обнаружения аномалий, основанную на анализе динамики развития вероятностных значений аномалии, разработанную С. М. Ковалевым [22]. Для решения проблемы выявления и предупреждения нештатных ситуаций, которые могут стать причиной возникновения необратимых процессов, разработана «методология упреждения нештатных ситуаций на основе детектирования паттернов – предвестников аномалий», рассмотренная в другой работе [23]. Приведенная методология в своей основе содержит стохастическую марковскую доходную модель, в которую внедряют правила, содержащие темпоральные нечеткие отношения. Это приводит к росту эффективности представления реальных процессов и к возможности использования экспертных знаний. Гибридный метод обучения можно использовать в качестве теоретической базы систем управления динамическими процессами смешивания в машинах для обработки семян и упреждения повреждения эластичных рабочих органов. Создание интеллектуальной системы управления биотехничекой системой позволит контролировать процесс смешивания в режиме реального времени, корректировать кинематические параметры смесителя и своевременно предупреждать о вероятности повреждения высокоэластичного рабочего органа. Искусственная интеллектуальная система управления будет являться цифровым двойником естественного интеллекта специалиста и позволит упростить взаимодействие типа «человек – сельскохозяйственная машина». Цифровой двойник должен стать виртуальной копией контролируемого технологического процесса и оптимизировать ход процесса смешивания и обработки семян перед посевом на этапе планирования, спрогнозировать ошибки, связанные с человеческим фактором, а также выявить и упредить отказы технических средств. По предварительным экспертным оценкам и лабораторным испытаниям, использование интеллектуальной системы позволяет улучшить качество принимаемых решений, уменьшить время управления процессом смешивания более чем в 2 раза по сравнению с существующими методами управления, на 50 % снизить физическую нагрузку на оператора и до 20 % увеличить производительность процесса смешивания.

 

 

¹           Best Agricultural Drones 2020 – Reviews and Specs [Электронный ресур]. URL: https://www.dronethusiast.com/agricultural-drones/ (дата обращения: 24.07.2020).

²           Поспелов Д. А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1981. 232 с.

³           Интеллектуальные системы автоматического управления / под ред. И. М. Макарова, В. М. Лохина. М.: Физматлит, 2001. 506 с.; Уровни прогнозируемых параметров зонального использования техники в весенний период / А. Н. Важенин [и др.] // Совершенствование методов организации использования машинно-тракторного парка: Сб. науч. тр. Горький: ГСХИ, 1985. С. 16–31; Важенин А. Н., Арютов Б. А. Статистическая оценка надежности машинно-тракторных агрегатов // Совершенствование методов организации и использования машинно-тракторного парка: Сб. науч. тр. Н. Новгород: НСХИ, 1992. С. 19–29; Важенин А. Н., Арютов Б. А. Модель роста растения в основе проектирования производственных процессов растениеводства // Совершенствование ситуационного использования сельскохозяйственной техники: Сб. науч. тр. Н. Новгород: НГСХА, 1998. С. 7–13.

⁴           Best Agricultural Drones 2020...

⁵           Васильев В. И., Шаймарданов Ф. А. Синтез многосвязных автоматических систем методом порядкового отображения. М.: Наука, 1983. 126 с.; Валеев С. С. Алгоритмический метод решения полной проблемы собственных значений для однородной вектор-функции // Теория и проектирование систем автоматического управления и их элементов: Межвуз. научн. сб. Уфа: УАИ, 1989. С. 70–72.

⁶           Суханова М. В., Бондарев А. В., Войнаш С. А. Преимущества использования устройств с высокоэластичными рабочими органами в сельскохозяйственных машинах и механизмах // Перспективы внедрения инновационных технологий в АПК: сборник статей II Российской (Национальной) научно-практической конференции (20 декабря 2019 г.). Барнаул: РИО Алтайского ГАУ, 2019. С. 86–88.

⁷           Комплексная программа развития биотехнологий в Российской Федерации на период до 2020 года (утв. Правительством РФ от 24 апреля 2012 г. № 1853п-П8) [Электронный ресурс]. URL: https://www.garant.ru/products/ipo/prime/doc/70068244 (дата обращения: 24.07.2020).

 

About the authors

Maya V. Sukhanova

Azov-Black Sea Engineering Institute of Don State Agrarian University

Author for correspondence.
Email: m_suhanova@list.ru
ORCID iD: 0000-0003-2747-3863
ResearcherId: P-3013- 2018

Associate Professor of Chair of Technical Mechanics and Physics, Ph.D. (Engineering)

Russian Federation, 21 Lenin St., Zernograd 347740

Andrey V. Sukhanov

Rostov-on-Don Branch of Research and Design Institute of Informatization, Automation and Communication in Railway Transport; Novosibirsk State Agrarian University

Email: sukharudze@gmail.com
ORCID iD: 0000-0001-6161-4709
Scopus Author ID: 57052339600
ResearcherId: Y-4776-2019

Senior Researcher, Associate Professor of Chair of Computer Science and Automated Control Systems, Ph.D. (Engineering)

Russian Federation, 44/13 Lenin St., Rostov-on-Don 344038; 2 Ploshchad Rostovskogo Strelkovogo Polka Narodnogo Opolcheniya, Rostov-on-Don 344038

Sergey A. Voinash

Novosibirsk State Agrarian University

Email: sergey_voi@mail.ru
ORCID iD: 0000-0001-5239-9883

Researcher of Engineering Department

Russian Federation, 160 Dobrolyubov St., Novosibirsk 630039

References

Supplementary files