MESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A SZÁRÍTÁSI FOLYAMATOK MODELLEZÉSÉBEN FARKAS I. Szent István Egyetem Fizika és Folyamatirányítási Tanszék 2103 Gödöllő, Páter K. u. 1. Tel: (06-28) 522055, Fax: (06-28) 410804 E-mail:
[email protected] Összefoglaló A dolgozat a mesterséges intelligencia módszerek, és azokon belül is a neurális hálók, szárítási problémák modellezési feladatainak megoldására történő alkalmazási lehetőségeit vizsgálja. Elemzi a neurális hálókkal történő modellezés lépéseit: az optimális struktúrájú háló megtervezését, a háló tanítását, paramétereinek identifikálásait és végül a modell validálását. Példaként szemestermény szárítás vizsgálatát mutatjuk be. Bevezetés A szárítási folyamatok modellezéssel történő vizsgálata ma is az egyik legelterjedtebben alkalmazott módszer. Fontosságát a szárítási folyamatok egyre bonyolultabb vizsgálatának szükségessége, a rendelkezésre álló mérési módszerek pontossági korlátai és egyben magas költségei is indokolják. Ugyanakkor a modellezési feladatok megoldási módszereit az ismert és újabban megjelenő számítógépes szoftverek is egyre nagyobb mértékben támogatják. Ez egyúttal felveti olyan módszerek bevezetését, amelyek eddig még nem, vagy csak nagyon korlátozottan voltak alkalmazhatók. Napjainkban egyik leginkább terjedő megközelítés a mesterséges intelligencia módszerek alkalmazásának számbavétele. Modellezési célokra azok közül is elsősorban a neurális hálók alkalmazása kezd terjedni. Óriási előny, hogy ma már az alapvető szimulációs szoftverek toolbox-ként tartalmazzák a neurális hálók számítási lehetőségét, vagyis nem kell megvásárolni speciális programokat. A neurális hálók alkalmazásának előfeltétele azonban, hogy megfelelő mennyiségű konzisztens mérési eredménysorozattal kell rendelkeznünk az adott szárítási folyamatról. Ez azt jelenti, hogy a rendszer bemeneti és kimeneti jellemzőinek teljes működési tartományát tartalmazó adatokkal kell rendelkeznünk. Ennek hiányában a neurális hálók sikeres alkalmazása nem lehetséges. Amennyiben bizonyos részfeladatokra vonatkozó, jól identifikált fizikai alapú modelljeink már rendelkezésre állnak, akkor esetleg azok szimulációs futtatási eredményei is felhasználhatók a neurális hálók bemeneti adatrendszerének generálásához. Az adott szárítási probléma neurális hálóval történő modellezésének első és legfontosabb lépése az optimális struktúrájú neurális háló megtervezése, kialakítása. Ezt követi a feltételezett neurális háló tanítása és paramétereinek azonosítása. Végül az
identifikált neurális hálót validálni kell egy meghatározó mérési adatrendszer segítségével. Ha a validálás nem sikeres, akkor az egész eljárást iteratív úton újból el kell végezni. Jelen dolgozatban szemestermények szárítási modellezésének példáján bemutatásra kerülnek a neurális háló alkalmazási lehetőségei, beleértve a modell kialakításának, tanításának és validálásának lépéseit. Értékelésre kerülnek a neurális háló modellezési célra történő alkalmazásának lehetőségei, korlátai. Mesterséges intelligencia módszerek alkalmazása A mesterséges intelligencia módszerek – a szárítási problémák modellezésére, irányítására is szóbajövő – fő típusai a következők: - neurális hálók, - fuzzy logika, - genetikai algoritmusok, - hibrid módszerek. Az említett megoldások közül a mesterséges intelligencia módszerek alkalmazása a legelterjedtebb, tekintettel, hogy a szokásos modellezési és irányítási célok mellett általános feladatmegoldásra egyaránt szóba jöhet. Menshutina and Poutchkov (2000) a szárítási folyamatok komplex kezelésére kifejlesztett szakértői rendszer részeként javasolja alkalmazni a neurális hálókat, Stefanovic and Stakic (2000) pedig ugyanerre a célra a fuzzy logikát javasolja, alkalmazza. De Baerdemaeker and Hashimoto (1994) mesterséges neurális háló alkalmazását javasolja nemlineáris biológiai rendszerek modellezésére, Lin and Lee (1995) pedig a technológiai hibák detektálására. A neurális hálók könnyen alkalmazhatók a legkülönbözőbb típusú, konstrukciós kialakítású szárítók vizsgálatára. Palancar et al. (2001) olajbogyó feldolgozás melléktermékeként kapott hulladékanyagok szárítását vizsgálja neurális hálóval. Farkas et al. (1998-2000) lucerna ill. szemestermény szárítását vizsgálja neurális háló alkalmazásával. Ciesielski and Zbicinski (2000) hibrid neurális háló alkalmazását mutatja be gél halmazállapotú anyagok szárításának modellezésére. Huang and Mujumdar (1993) neurális hálók alkalmazását mutatja be ipari papírszárítók teljesítményviszonyainak elemzésére. Trelea et al. (1997) vékonyrétegű (5 cm) szemestermény szárítás modellezésére dolgozott ki neurális hálós modellt. Thyagarajan et al. (1997, 1998) részletes áttekintést ad a neurális hálóknak a szárítási folyamatok szabályozására történő alkalmazásaira mind a hagyományos visszacsatolt, mind pedig a modell-alapú rendszereket illetően. Elemzi a neurális hálók fuzzy logikával és genetikai algoritmussal kombinált hibrid megoldásának lehetőségét is. A Jay and Oliver (1996) által kifejlesztett neurális modellt elsősorban szárítók prediktív irányítására alkalmazták. Megemlíthető, hogy nagyon elterjedt megoldás a fuzzy logika szabályozási célokra történő alkalmazása. Perrot et al. (1998) rizs ill. kukoricaszárítás, Valdovinos et al. (2000) pedig különböző élelmiszerek szárítási problémáinak irányítását elemzi fuzzy
szabályozóval. Korobova et al. (2000) bonyolult reológiájú bio-termékek szárításának optimalizálását mutatja be fuzzy logika ill. neurális háló segítségével. A szárítási folyamatok vizsgálatának egyik kiemelt részfeladata a szárítandó termék szorpciós izotermáinak meghatározása. Érdekes tendencia, hogy a neurális hálók e téren történő alkalmazása is megjelent. Hernández et al. (2000) joghurt, Myhara et al. (1998, 2000) pedig gyümölcsök szorpciós izotermáit elemzi neurális hálóval. Sreekanth et al. (1998) a szárító levegő jellemző paraméterét (nedves hőmérséklet, száraz hőmérséklet, relatív nedvességtartalom) vizsgálja hasonló eszközökkel. Neurális hálók alkalmazása szemestermény szárítási problémák modellezésére Ebben a pontban egy esettanulmány keretében bemutatjuk a nyugvóágyas szemestermények neurális hálók segítségével történő modellezését a korábbi munkák (Reményi és tsai, 1997; Farkas et al., 1998-2000) alapján. A megfelelő struktúrájú neurális háló kiválasztása az egyik legkritikusabb kérdés, tekintettel az elérhető pontosságra és a modell egyszerűségére. Ugyanakkor a neurális háló tanítása történhet mérési eredmények, vagy annak hiányában identifikált fizikai modell segítségével generált adatokkal. A bemutatott esettanulmány során a mérések mellett az O’Callaghan et al. (1971) által árpaszárításra kidolgozott modellekre támaszkodtunk. A modell sémája az 1. ábrán látható. m&
m&
1.ábra. A nyugvóágyas szárító strukturális felépítése. Az ábrán alkalmazott jelölésekben a t szárító levegő hőmérsékletére, a T a szárítandó anyag hőmérsékletére, τ az időre, m& pedig a levegő tömegáramára utal. Az idézett modell megoldásának egyik legfontosabb előfeltétele a megfelelően kiválasztott rétegvastagság alkalmazása. Ennek becslésére célszerű szimulációs futtatásokat végezni. Elvben az alkalmazott réteg számának növelése együtt jár a pontosság növekedésével. Ugyanakkor egy bizonyos határon túl a finomítást nem érdemes folytatni,
mert nem hoz további növekedést a pontosságban. A konkrét példával végzett kísérletek 9 réteg alkalmazását optimalizálták 0,5 m-es ágymagasság esetére. Neurális háló struktúrájának kiválasztása A legalkalmasabb neurális háló kialakítása érdekében − a korábban elmondottak alapján − számos szóbajöhető struktúrát tanulmányoztunk. A legfontosabb szempont a fizikai modell (1. ábra) ki- ill. bemeneti adatainak megfelelő kiválasztása beleértve az egyes rétegek viselkedését leíró jellemzőket is. Példaként néhány lehetséges topológiát mutatunk be a 2-4. ábrákon.
Neurális háló
2.ábra. Visszavezetés nélküli neurális háló.
Neurális háló
m& 3.ábra. Visszavezetéses neurális háló.
Neurális háló
& m
4.ábra. Időkésleltetést tartalmazó neurális háló.
A 2. ábra egy nagyon egyszerű megoldást mutat, ahol a legjellegzetesebb tulajdonság, hogy a rendszerben nincs visszavezetés. A kimeneti változók a szárító alján, közepén ill a tetején mért anyagnedvességek. A 3. ábrán bemutatott megoldásnál mind a 3 kimenő jellemzőről van visszavezetés, de a bemeneti jellemzőket közvetlenül csatoltuk a háló bemenetére. A 4. ábrán alkalmazott háló az előzőeken túlmenően több bemeneti változót tartalmaz, és ugyanakkor a bemeneteken időkésleltetett tagokat is figyelembe vettünk. Az alkalmazott neurális háló egyéb tulajdonságai A korábban már elmondottak alapján az alkalmazandó neurális hálónak egyéb fontos jellemzőit is számba kell venni, és meg kell vizsgálni, hogy egy adott feladatra sikeresen validálhassuk (Farkas et al., 2000). Ezek magukban foglalják a következő jellemzőket: - a mintavételezési idő, - az alkalmazott adatrendszer véletlenszerűsége, - az alkalmazott tanítási algoritmus, - a rejtett neuronok száma. Általánosságban kimondható, hogy a mintavételezési idő csökkentése, azaz a mérési adatpárok számának növelése kedvezően hat a neurális hálók identifikálása során. Ugyanakkor nagyon fontos megjegyezni, hogy nagyszámú adatpár esetén mindig célszerű véletlenszerűen kevert (randomizált) adatrendszert alkalmazni a tanítási folyamat során. Az irodalmi forrásokból ismert tanítási algoritmusok közül leggyakrabban az ún. backpropagation eljárást, vagy annak módosított verzióit alkalmazzák. Ez egyes verziók alkalmazása általában nem vezet szignifikáns eredményekhez. A szárítás modellezésére célszerűen háromrétegű (bemeneti, rejtett ill. a kimeneti rétegek) neurális hálókat alkalmazunk. A rejtett rétegekben elhelyezkedő neuronok száma egy adott feladat esetében optimalizálható. Ez egyáltalán nem jelenti a neuronok számának magas voltát. A neurális háló tanítására és validálására alkalmazott adatok Az alkalmazni kívánt neurális hálók dinamikai tulajdonságainak tesztelésére különböző bemeneti adatrendszert alkalmaztunk, nevezetesen konstans, lassan ill. gyorsan változó bemeneti jeleket generáltunk a szárító levegő fizikai jellemzőire (tömegáram, hőmérséklet és relatív nedvességtartalom). A lassan változó jelek időlépéseként 30, a gyorsan változó jelek estében pedig 3 percet alkalmaztunk. A egyes jellemzők aktuális értékeit a következő intervallumokból véletlenszerűen generáltuk: - levegő tömegárama: {0,10; 0,15; 0,20} kg/m2s, - belépő levegő hőmérséklete: {50; 65; 80} oC, - belépő levegő relatív nedvességtartalma: {0,01; 0,01; 0.01} kg/kg. A fentiek alapján látható, hogy a levegő relatív nedvességtartalmát állandó értéken tartottuk. A ténylegesen alkalmazott időtartomány 5 óra volt 1 perces időlépéssel, ami 300 adatot jelentett változónként. Az első tanítási és validálási kísérletek alapján ezeket az 5 órás intervallumokat véletlenszerűen kiválasztva 9-szer egymás után fűztük, így lényegében 45 órás tartományban vizsgáltuk a szárítási folyamatot. Az 5. ábra példaként egy lassan változó bemeneti adatrendszert mutat.
.
Levegő tömegáram (m, kg/m2 s)
Levegő hőmérséklet (t, °C)
Levegő relatív nedvességtartalom (x, kg/kg)
bemenet kimenet
bemenet kimenet
Idő, óra 5.ábra. Tipikus bemeneti adatrendszer lassan változó jelek esetén.
A neurális háló tanítási és validálási eredményei A nyugvóágyas szemestermény szárítók modellezésére kiválasztott neurális hálók tanításával nincs különösebb probléma. Még az egyszerűbb topológiájú hálók is viszonylag jól megtanulták a bemeneti adatrendszer utánzását. A komolyabb problémák − természetszerűleg − a hálók validálásánál, az előre nem ismert körülmények közötti viselkedésben, azok lemodellezésében jelentkezik. Ekkor az alkalmazni kívánt háló struktúrájának − más jellemzők mellett, mint a mintavételezési idő, a randomizált adatrendszer alkalmazása, az alkalmazott tanítási algoritmus valamint a rejtett neuronok száma − igen fontos szerepe van. Az elvégzett vizsgálatokból megállapítható, hogy a 4. ábrán bemutatott időkésleltetést és visszacsatolást is tartalmazó neurális háló mind a három működési dinamika (konstans, lassú ill. gyors) mellett is kedvező eredményeket mutatott (6-8. ábrák).
Nedvességtartalom (X, kg/kg) eredeti adat neurális háló
középső réteg felső réteg
alsó réteg
Idő, óra 6.ábra. Validálási eredmények konstans bemenő jellemzők esetén.
Nedvességtartalom (X, kg/kg) eredeti adat neurális háló
felső réteg középső réteg
alsó réteg
Idő, óra
7.ábra. Validálási eredmények lassan változó bemenő jellemzők esetén.
Nedvességtartalom (X, kg/kg) eredeti adat neurális háló
középső réteg felső réteg
alsó réteg
Idő, óra 8.ábra. Validálási eredmények gyorsan változó bemenő jellemzők esetén. Eredmények értékelése, következtetések Az elvégzett irodalmi áttekintés és saját kísérleti eredmények alapján megállapítható, hogy a mesterséges neurális hálók sikerrel alkalmazhatók a nyugvóágyas szemestermény szárítókban lezajló hő- és anyagtranszport folyamatok leírására. Ilymódon a neurális hálók a modellezési feladaton túlmenően sikerrel alkalmazhatók a szárítók irányítási problémáinak megoldásában is. A sikeres alkalmazás előfeltétele a megfelelően kiválasztott neurális háló struktúra. Megállapítható, hogy a − terményágy alján, közepén és a felső rétegben lévő anyag nedvességtartalmáról vett − visszavezetést ill. a bemeneti adatok késleltetését is tartalmazó topológia megfelelő pontosságot biztosít még gyorsan változó dinamikájú körülmények esetén is. Az alkalmazandó neurális háló identifikálása során különös gondot kell fordítani a bemeneti adatrendszer nagyságára, az adatok randomizálására, a tanítási algoritmusra ill. a rejtett neuronok számára. Köszönetnyilvánítás A szerző köszönetet mond a jelen tanulmány elkészítéséhez nyújtott segítségekért. Ezek közül is külön kiemelendők az OTKA T-029300 valamint a TET D-17/1998 projektek által biztosított támogatások.
Irodalom Ciesielski, K. and Zbicinski, I. (2000) Hybrid neural modelling of fluidized bed drying process, Proceedings of the 12th International Drying Symposium IDS2000, Noordwuijkerhout, The Netherlands, August 28-31, 2000, CD-ROM, Paper No. 126, pp. 10. De Baerdemaeker, J. and Hashimoto, Y. (1994) Speaking fruit approach to the intelligent control of the storage system, Proceedings of 12th CIGR World Congress on Agricultural Engineering, Milano, Italy, August 29-September 1, 1994, Vol. 2, p. 1493-1500. Farkas,I. (1999) Neural network modelling of post-harvest processes, 14th IFAC World Congress, Workshop No. 8, Intelligfence and Automation for Agricultural Industry, Beijing, China, July 5-9, 1999. Farkas,I., Reményi,P. and Biró,A. (1998) Modelling of a fixed bed dryer using neural network, Preprints of IFAC/ISHS/CIGR/EURAGENG Second International Workshop on Control Applications in Post-harvest and Processing Technology, June 3-5, 1998, Budapest, Hungary, p. 7-12. Farkas,I., Reményi,P. and Biró,A. (1998) Modelling of alfalfa drying using neural network, Drying'98, Proceedings of the 11th International Drying Symposium (IDS'98), Halkidiki, Greece, August 19-22, 1998, Vol. A, /ed. by C.B. Akritidis, D. Marinos-Kouris and G.D. Saravacos/, p. 168-175. Farkas,I., Reményi,P. and Biró,A. (1998) Modelling of thin-layer drying using neural network, Preprints of the 3rd IFAC/CIGR Workshop on Artificial Intelligence in Agriculture, Makuhari, Chiba, Japan, April 24-26, 1998, /ed by T. Kozai, H. Murase and T. Hoshi /, p. 100-103. Farkas, I., Reményi, P. and Biró, A. (1999) Estimating moisture content in a fixed bed grain dryer, Proceedings of the 14th IFAC World Congress, Beijing, China, July 5-9. 1999, Vol. K, p. 395-400. Farkas,I., Reményi,P. and Biró,A. (1999) Modelling of a small scale agricultural grain dryer by the use of neural network method, Proceedings of IMACS/IFAC Second International Symposium on Mathematical Modelling and Simulation in Agriculture and Bio-Industries, June 7-9, 1999, Uppsala, Sweden, p. 59-64. Farkas,I., Reményi,P. and Biró,A. (2000) A neural network topology for modelling grain drying, Computers and Electronics in Agriculture, Vol. 26, 2000, p. 147-158. Farkas, I., Reményi, P. and Biró, A. (2000) Modelling aspects of the grain drying process by the neural network method, Computers and Electronics in Agriculture, Vol. 29, p. 99-113. Hernández-Pérez, J., A. Ramírez-Figueroa, E., Rodriguez-Jimenes, G. and Heyd, B. (2000) Spray dried yogurt water sorption isotherms prediction using artifical neural network, Proceedings of the 12th International Drying Symposium IDS2000, Noordwuijkerhout, The Netherlands, August 28-31, 2000, CD-ROM, Paper No. 121, pp. 4. Huang, B. and Mujumdar, A.S. (1993) Use of neural network to predict industrial dryer performance, Drying Technology, 11 (3), p. 525-541. Jay, S. and Oliver, T.N. (1996) Modelling and control of drying processes using neural networks, Proceedings of the 10th International Drying Symposium (IDS’96), Kraków, Poland, 30 July - 2 August, 1996, Vol B, p. 1393-1400. Kaminski, W. and Tomczak, E., (1999) An integrated neural model for drying and thermal degradation of selected products, Drying Technology, Vol. 17, No. 7-8, p. 1291-1302.
Korobova, I.L., Gatapov, V.I. and Kudra, T. (2000) Opportunities for using Fuzzy systems and neural networks to optimize quality of dried materials with complex rheology, Proceedings of the 12th International Drying Symposium IDS2000, Noordwuijkerhout, The Netherlands, August 28-31, 2000, CD-ROM, Paper No. 400, pp. 10. Lin, C.-T. and Lee, C.S.G. (1995) Neural fuzzy systems, Prentice Hall Inc. Menshutina, N.V. and Poutchkov, M.N., Principles of integration artificial intelligence and human experience to make drying easy (2000) Proceedings of the 12th International Drying Symposium IDS2000, Noordwuijkerhout, The Netherlands, August 28-31, 2000, CD-ROM, Paper No. 263, pp. 8. Myhara, R.M. and Sablani, S. (2000) Unification of fruit water sorption isotherms using artificial neural networks, Proceedings of the 12th International Drying Symposium IDS2000, Noordwuijkerhout, The Netherlands, August 28-31, 2000, CD-ROM, Paper No. 201, pp. 9. Myhara, R.M., Sablani, S.S., Al-Alawi, S.M. and Tayor, M.S. (1998) A neural network approach for modelling moisture sorption isotherms of Omani dates, Drying'98 Proceedings of the 11th international Drying Symposium (IDS'98), Halkidiki, Greece, August 19-22, 1998, Vol. B, p. 1335-1342. O’Callaghan, J.R., Menzies, D.J. and Bailey, P.H., (1971) Digital simulation of agricultural dryer performance, Journal of Agricultural Engineering Research, 16 (3), p. 223-244. Palancar, M.C., Aragón, J.M., and Castellanos, J.A., (2001) Neural network model for fluidized bed dryers, Drying Technology, Vol. 16, No. 6, p. 1023-1044. Perrot, N., Bonazzi, C. and Trystram, G. (1998) Application of Fuzzy rules-based models to prediction of quality degradation od rice and maize during hot air drying, Drying Technology, Vol. 16, No. 8, p. 1533-1566. Reményi P., Farkas I. és Biró A. (1997) Nyugvóágyas szárítás modellezése neurális hálóval, 2. Magyar Szárítási Szimpózium, Gödöllő, 1997. dec. 5, 22. o. Sreekanth,S., Ramaswamy, H.S., and Sablani, S., (1998) Prediction of psychrometric parameters using neural, Drying Technology, Vol. 16, No. 3-5, p. 825-838. Stefanovic, M.M. and Stakic, M.B., Fuzzy expert system for drying process control (2000) Proceedings of the 12th International Drying Symposium IDS2000, Noordwuijkerhout, The Netherlands, August 28-31, 2000, CD-ROM, Paper No. 275, pp. 8. Thyagarajan, T., Panda, R.C., Shanmugam, J., Rao, P.G. and Ponnavaikko, M. (1997) Development of ANN model for non-linear drying process, Drying Technology, 15 (10), p. 2527-2540. Thyagarajan, T., Shanmugam, J., Panda, R.C., Ponnavaikko, M., and Rao, P.G. (1998) Artificial neural networks: Principle and application to model based control of drying systems-a review. Drying Technology, Vol. 16, No. 6, p. 931-966. Trelea, I.C., Courtois, F. and Trystram, G. (1997) Dynamic models for drying and wetmilling quality degradation of corn using neural networks, Drying Technology, 15 (3&4), p. 1905-1102. Valdovinos, B., Salgano, M.A., García, M.A., Morales, C. and Rodríguez, G.C. (2000) Fuzzy logic control for a drum dryer of foodstuff, Proceedings of the 12th International Drying Symposium IDS2000, Noordwuijkerhout, The Netherlands, August 28-31, 2000, CD-ROM, Paper No. 61, pp. 10.
APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS IN MODELLING OF DRYING PROCESSES FARKAS, I. Department of Physics and Process Control Szent István University Gödöllő, Páter K. u. 1. H-2103 Hungary Tel.: + 36 28 522055, Fax: +36 28 410804 E-mail:
[email protected]
Summary This study deals with the application possibilities of the artificial intelligence methods and specifically the use of neural networks for the modelling of drying problems. The steps of the neural network modelling are analysed as the planning of the optimal structure, the training of the network, the identification of the parameters and the validation of the model. Grain drying is considered as an example.
