Принципы оценки информации

Описание технологического процесса напуска бумаги

По конструкции бумагоделательная машина относится к плоскосеточным, с одним напорным ящиком. Она работает на скорости 650 м/мин. Обрезная ширина : 6300 мм.

Машина оборудована напорным ящиком, сеточным столом, тремя прессами, сушильной частью, каландром.

Сеточный стол машины - консольного типа. Он состоит из грудного вала, регистровой части с гидропланками, 2-х мокрых отсасывающих ящиков, отсасывающего гауч-вала и сетковедущих валов.

Формующий ящик покрыт планками из синтетического материала. Он установлен с целью замедления обезвоживания в начале сеточного стола и лучшего формования бумажного полотна .

В регистровой части машины установлено 10 пакетов гидропланок : два первых имеют 4 гидропланки, и 8 пакетов по 5 гидропланок.

Гауч -вал - отсасывающий , однокамерный . Диаметр вала - 1372 мм.

Сеточная часть - одна из важнейших деталей бумагоделательной машины, на которой происходит формование бумажного полотна из разбавленной водной волокнистой суспензии .

Качество бумаги в сильной степени зависит как от условий поступления массы на сетку, так и от условий обезвоживания на ней. Поступление массы на сетку обеспечивают массонапускные устройства , а формование бумажного полотна - конструкция сеточного стола машины и условия его работы .

Массонапускные устройства служат для равномерного распределения потока бумажной массы, подаваемой на сетку машины. Они должны обеспечить не только расширение потока массы до ширины сетки , но и сделать его однородным по концентрации , устранить флокуляцию волокон и завихрения в потоке , придав струе массы определенный угол и заданную скорость по отношению к скорости сетки , исключив при этом возможность образования поперечных струй в потоке .

Эти задачи решаются системой подвода массы к сеточному столу и конструкцией напорных ящиков. Важную роль в этом процессе играет конструкция напускной губы.

Например, наблюдениями установлено, что колебания массы 1 м2 бумаги по ширине бумажного полотна зависят от профиля напускной щели.

Поэтому выпускная насадка должна иметь достаточно жесткую конструкцию и обеспечить возможность плавного регулирования открытия щели по всей ширине машины. Масса должна поступать на сетку спокойным потоком , направленным по возможности параллельно ходу сетки без ясно видимых струй и разбрызгивания.

Профиль выпускной щели напорного устройства регулируется с помощью регулировочных винтов, расположенных на одинаковом расстоянии друг от друга по всей ширине машины. Каждый из винтов имеет свой номер, которому соответствует такой же номер, отмеченный на поперечной траверсе над каландром и у наката (рис.1.1). Таким образом , по данным от датчиков качества , находящихся в конце машины , по всей ее ширине, можно установить какой из винтов напускного устройства требует регулирования .

Обоснование применения нейронных сетей

Существующие системы управления формованием бумажного полотна достаточно сложны и не всегда эффективно справляются с некоторыми возмущениями, действующими на процесс, например знакопеременными, распределенными по всей ширине машины, а также с эффектами, возникающими по краям бумажного полотна. Модели объекта, обычно используемые в таких системах управления, являются упрощенными и учитывают только основные законы гидродинамики, что существенно сказывается на степени их адекватности реальному объекту

В тоже время современные компьютерные технологии и методы искусственного интеллекта позволяют достичь существенного эффекта при совершенствовании моделей и систем управления.

Система управления, разработанная на основе нейронных технологий, обладает рядом преимуществ: во-первых, нейронная технология позволяет строить модели сложных объектов управления по принципу черного ящика; во-вторых, нейронные модели легко адаптируются при изменении параметров моделируемого объекта; в третьих, они позволяют реализовать модели для многомерных объектов.

Нейрон - это составная часть нейронной сети. Он состоит из элементов трех типов. Элементы нейрона - это умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи, - вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Эта функция называется "функция активации" или "передаточная функция" нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента.

Математическая модель нейрона:

где - вес синапса (weight), (i=1,2...N);

b - значение смещения (bias); - результат суммирования (sum); - компонента входного вектора (входной сигнал), (i=1,2,...N); - выходной сигнал нейрона; - число входов нейрона; - нелинейное преобразование (функция активации).

Нейронной сетью будем называть структуру, состоящую из связанных между собой нейронов.

Нейронные сети могут иметь различные архитектуры. Можно выделить три основных типа нейронных сетей:

1. полносвязные сети (рис. 2.1-а),
2. многослойные сети (рис. 2.1-б),
3. слабосвязные сети (нейронные сети с локальными связями) (рис. 2.1-в).

В многослойных сетях нейроны объединяются в слои. Слой - это совокупность нейронов c единым входным сигналом. Внешние входные сигналы подаются на входы нейронов первого слоя, а выходами сети являются выходные сигналы последнего слоя. Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько промежуточных (скрытых) слоев. Вход нейронной сети можно рассматривать как выход "нулевого слоя" вырожденных нейронов. Связи от выходов нейронов некоторого слоя m к входам нейронов следующего слоя (m+1) называются последовательными.

Если нейроны каждого слоя сети имеют единую функцию активации, то такую нейронную сеть будем называть однородной.

Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд "интеллектуальных" задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д.

Нейрокомпьютеры отличаются от ЭВМ предыдущих поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Обучение - корректировка весов связей, в результате которой каждое входное воздействие приводит к формированию соответствующего выходного сигнала. После обучения сеть может применять полученные навыки к новым входным сигналам. При переходе от программирования к обучению повышается эффективность решения "интеллектуальных" задач.

Отличия нейрокомпьютеров от вычислительных устройств предыдущих поколений:

.Параллельная работа очень большого числа простых вычислительных устройств обеспечивает огромное быстродействие.

.Нейронная сеть способна к обучению, которое осуществляется путем настройки параметров сети.

.Высокая помехо- и отказоустойчивость нейронных сетей.

.Простое строение отдельных нейронов позволяет использовать новые физические принципы обработки информации для аппаратных реализаций нейронных сетей.

Нейронные сети находят свое применение в системах распознавания образов, обработки сигналов, предсказания и диагностики, в робототехнических и бортовых системах.

Нейрокомпьютеры обладают целым рядом свойств, привлекательных с точки зрения их практического использования :

1. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;
2. толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;
3. способность к обучению; программирование вычислительной системы заменяется обучением;
4. способность к распознаванию образов в условиях сильных помех и искажений.

Эти свойства позволяют с высокой эффективностью решать задачи распознавания визуальных, акустических и искусственно синтезированных образов, обработки сигналов, адаптивного управления, задачи оптимизации и линейной алгебры большой размерности, задачи обучения, робототехнические задачи, задачи прогнозирования и диагностики.

Сравнительный анализ. Моделирование двух структур нейронных сетей

Для построения нейронной сети использовалось задание преподавателя, в котором находится три нейронных ряда, которые составляют нейронную сеть. В нижнем, а соответственно и входном ряде находится 116 нейронов (58 значений идут с предыдущего такта). Во втором ряду находится три ряда, в каждом из которых по 20 нейронов. В третьем, а соответственно и выходном ряду, содержится 58 нейронов, поскольку объект имеет 58. Нейроны имеют полную связь , для ускорения решения задачи. Входной и выходной ряд обусловлены обучающими выборками.

ЗАДАНИЕ:

Файл выборки: 2

Сеть: 2

нейронный сеть напуск бумага

Разработка в программе Neural Works Professional ll/PLUS:

Создаем 5 слоев нейронов (рис.3.1.) и связываем их полной связью:

Рис. 3.1. Представление связей нейронов

Для того чтобы построить ряд необходимо все его параметры прописать в меню настроек ряда (Layer Parametrs). Наглядно меню настроек приведено на рисунке 3.2.

Рис. 3.2 Параметры верхнего слоя

Задаем параметры I/O, здесь же выбирается выборка (рис. 3.3.):

Рис.3.3

Так же прописываются скорость (momentum) и момент обучения (learning rate) нейронной сети. Эти настройки производятся в утилитах. Скорость устанавливается равной 0.03500 (определена методом подбора). А момент равен 0,001. Наглядно меню настроек приведено на рисунке 3.4.

Рис. 3.4 Настройка параметров обучения сети.

Строим график и получаем (рис. 3.5.)

Рис.3.5 График представления данных простой модели.

Из графика видно, что присутствуют помехи, которые влияют на качество процесса. Эти помехи обусловлены асцилляцией (высокой скоростью обучения сети).

Для сравнения обучаем вторую сеть (отличающуюся от первой) поэтому же файлу выборки. Настройки, так же отличаются от настроек первой сети.

Схематическое изображение сети приведено на рисунке.

Рис.3.6 Схематическое изображение сети.

Представление связей нейронов изображено на рисунке.

Рис.3.7.Представление связей нейронов

Параметры, прописанные в меню настроек ряда (Layer Parametrs). Наглядно меню настроек приведено на рисунке.

Рис.3.8.Параметры второго ряда.

Так же прописуются скорость и момент обучения нейронной сети. Эти настройки производятся в утилитах. Наглядно меню настроек приведено на рисунке.

Рис.3.9. Настройка параметров обучения сети.

По полученным данным строится график. Его вид приведен на рисунке.

Рис.4 График представления данных.

Из данного графика видно, что помехи при обучении второй модели не существенны, при полученном уровне ошибки.

Основные выводы и результаты работы

1.Построены две модели с простой и сложной структурой.

2.Модель со сложной структурой, в которой введены априорная информация об объекте имеет более устойчивый процесс обучения.

Больше работ по теме: