Мониторинг и предсказание температурного режима произведенной установки

В любом технологическом процессе, как правило, контролируется несколько различных параметров, например, температура в разных частях установки, давление, концентрации примесей, содержание определенных химических веществ и т. д.

Для контроля управляемости процесса в классическом подходе применяется контроль выхода за границы допуска и критерий серий. Однако такой подход основан на использовании эмпирических критериев вне зависимости от процесса. Необходимое построение чувствительных к особенностям конкретного процесса моделей в режиме, близком к реальному времени, приводит к нейросетевым моделям производственного процесса.

Нейросети могут использоваться для управления производственными процессами в режиме реального времени. Схема управления с обратной связью представлена на рисунке ниже.

Рис. 1. Схема управления с обратной связью

Структура данных

Рассмотрим производственный процесс, в котором контролируются температуры в двух различных точках. Процесс налажен таким образом, что температура в одной из этих точек соответствует минимальной, а в другой – максимальной температуре.

Исходный файл данных (см. рис. 2) содержит результаты измерений температур, а также идентификатор выборки (для каждого образца показания снимаются три раза).

Рис. 2. Исходный файл данных

Построение модели

Шаг 1. Построим линейный график для переменных.

Рис. 3. График изменения температур

Шаг 2. Усредним по выборкам значения температур. График усредненных значений температур показана на рис. 4.

Рис. 4. График усредненных значений температур

При подготовке примера большое внимание было уделено рассмотрению этих рядов: сглаживание 4253Н-фильтром, построение кореллограмм, спектральный анализ.

Шаг 3. Задание нейросетевого анализа.

Построим модель нейронной сети для усредненного по образцам ряда. Заходим в модуль Автоматизированные Нейронные Сети, выбираем тип задачи Временные ряды (регрессия) (см. рис. 5).

Рис. 5. Стартовое окно Нейронных сетей

Нажимаем OK. Будем строить сети для каждой переменной по отдельности, т. е., в нашем случае проведем весь анализ два раза, для переменной [Max. Temperature (F)] и для переменной [Min. Temperature (F)].

Поэтому в диалоге выбора переменных задаем целевую переменную [Max. Temperature (F)], далее задаем подвыборки и выбираем стратегию Автоматизированная Нейронная Сеть (АНС).

Шаг 4. Анализ результатов. Окно результатов показано на рис. 6.

Рис. 6. Окно результатов

Анализируя ошибки и производительности на выборках для полученного набора сетей, делаем вывод, что лучшей сетью из набора является сеть с номером 2.

Нажмем кнопку Выбрать модели и укажем вторую сеть (рис. 7).

Рис. 7. Диалог выбора сети

Построим график проекции временного ряда и, одновременно, наблюдаемые значения.

Рис. 8. График прогноза температурного ряда [Max. Temperature (F)]

Аналогично, строим нейронные сети для ряда [Min. Temperature (F)]. Определяем наилучшую модель:

Рис. 9. График прогноза температурного ряда [Min. Temperature (F)]

Теперь для удобства можно разместить полученные прогнозы на одном графике и оценить качество.

Рис. 10. График прогноза температурных рядов

Построенную модель можно использовать для мониторинга контролируемости процесса и предсказывать выход за границы допуска.

Отметим, что нейронные сети могут использоваться для управления производственным процессом в режиме реального времени.

В начало