Применение нечеткой и четкой математических моделей в гибридном управлении процессом одностадийного измельчения замороженного мясного сырья
Аннотация
Введение. При одностадийном измельчении замороженного мясного сырья методом фрезерования возникает изменение температуры пограничного слоя, что приводит к пластичным деформациям сырья и увеличению размеров мясной стружки. Задача регулирования режимных параметров процесса резания сырья в зависимости от его температуры может быть решена путем компьютерного расчета прогноза температуры пограничного слоя мяса на несколько временных интервалов с использованием нечеткой логики.
Цель статьи. Разработка алгоритма гибридного управления одностадийным измельчением замороженного мясного сырья с использованием нечеткой и четкой математических моделей управления.
Материалы и методы. Объектом исследования является процесс измельчения замороженного блочного мяса (говядины) на лабораторной установке одностадийного измельчителя производительностью 400 кг/час. Для разработки нечеткой математической модели управления использовали алгоритм Э. Мамдани. Математическое моделирование осуществляли в среде MATLAB (пакет Fuzzy Logic Toolbox).
Результаты исследования. Разработана модель нечеткого управления работы интеллектуальной системы управления (ИСУ) при формировании задания на установление режимных параметров процесса измельчения сырья с применением адаптивного прогнозирования его температуры. Для этой модели сформировали функции принадлежности входной и выходной переменных, а также базу правил. Предложена функциональная схема температурного контроля, которая отражает структуру нечеткой модели управления одностадийным измельчением. К преимуществам такого контроля можно отнести то, что системе придается функция непрерывного автоматизированного контроля температурного режима измельчения сырья под управлением промышленного компьютера.
Обсуждение и заключение. Полученные результаты температурного контроля можно использовать для дальнейшей технологической обработки мяса. Используя информацию о температуре сырья, его химическом составе, система может реализовать оптимальное смешивание ингредиентов мясного фарша. Все указанные характеристики сырья искусственный интеллект рассчитывает без участия человека-оператора, что позволяет полностью автоматизировать технологическую обработку мяса с целью производства готовой продукции высокого качества.
Литература
2. Кузнецов П. М., Белоусов Н. А., Ягопольский А. Г. Управление точностью траектории движения рабочего органа станка с ЧПУ // СТИН. 2021. № 7. С. 2–4. EDN: YREUTE
3. Mathematical Simulation of One-Stage Grinding of Products Frozen in Blocks / V. I. Ivashov [et al.] // News of the Academy of sciences of the republic of Kazakhstan. Series of geology and technical sciences. 2018. Vol. 5, Issue 431. P. 48–65. https://doi.org/10.32014/2018.2518-170X.9
4. Статистический анализ размеров мясной стружки / В. И. Ивашов [и др.] // Все о мясе. 2015. № 4. С. 28–29. EDN: UFENMF
5. Методы входного контроля блочного мяса на технологических линиях / Б. Р. Каповский [и др.] // Мясная индустрия. 2017. № 5. С. 28–31. EDN: YNWHFD
6. Zadeh L. A. Fuzzy Sets // Information and Control. 1965. Vol. 8, Issue 3. P. 338–353. https://doi.org/10.1016/s0019-9958(65)90241-x
7. Birle S., Hussein M. A., Becker T. Fuzzy Logic Control and Soft Sensing Applications in Food and Beverage Processes // Food Control. 2013. Vol. 29, Issue 1. P. 254–269. https://doi.org/10.1016/j.foodcont.2012.06.011
8. Perrot N., Baudrit C. Intelligent Guality Control Systems in Food Processing Based on Fuzzy Logic // Robotics and Automation in the Food Industry. 2013. P. 200–225. https://doi.org/10.1533/9780857095763.1.200
9. Алексеев Г. В., Аксенова О. А., Дерканосова А. А. Оптимизация рецептуры кормов непродуктивных животных с помощью математического моделирования // Вестник Воронежского государственного университета инженерных технологий. 2015. № 1. С. 28–35. https://doi.org/10.20914/2310-1202-2015-1-28-35
10. Application of Fuzzy Logic in Sensory Evaluation of Food Products: a Comprehensive Study / K. Vivek [et al.] // Food and Bioprocess Technology. 2020. Vol. 13. P. 1–29. https://doi.org/10.1007/s11947-019-02337-4
11. Канторович Г. Г. Анализ временных рядов // Экономический журнал. 2002. № 1. С. 87–110. EDN: QDFPSH
12. Сунчалин А. М., Сунчалина А. Л. Обзор методов и моделей прогнозирования финансовых временных рядов // Хроноэкономика. 2020. № 1 (22). С. 26–30. EDN: ATTSEI
13. Mamdani E. H. Application of Fuzzy Algorithms for Control of Simple Dynamic Plant // Proceedings of the Institution of Electrical Engineers. 1974. Vol. 121, Issue 12. P. 1585–1588. https://doi.org/10.1049/piee.1974.0328
14. Pislaru C., Ford D. G., Holroyd G. Hybrid Modelling and Simulation of a Computer Numerical Control Machine tool feed drive // Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering. 2004. Vol. 218, Issue 2. P. 111–120. https://doi.org/10.1177/095965180421800205
15. Quantitative Technology Forecasting: A Review of Trend Extrapolation Methods / P.-H. Tsai [et al.] // International Journal of Innovation and Technology Management. 2023. Vol. 20, Issue 4. Article no. 2330002. https://doi.org/10.1142/S0219877023300021
16. Armstrong, J. S. Extrapolation for Time-Series and Cross-Sectional Data // International Series in Operations Research & Management Science. 2001. Vol. 30. P. 217–243. https://doi.org/10.1007/978-0-306-47630-3_11
