Вы находитесь на странице: 1из 443

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ

УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ


«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ПИЩЕВЫХ ПРОИЗВОДСТВ» (ФГБОУ ВО «МГУПП»)

На правах рукописи

БЛАГОВЕЩЕНСКИЙ ИВАН ГЕРМАНОВИЧ

МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СОЗДАНИЯ


ЭКСПЕРТНЫХ СИСТЕМ КОНТРОЛЯ И ПРОГНОЗИРОВАНИЯ
КАЧЕСТВА ПИЩЕВОЙ ПРОДУКЦИИ С ИСПОЛЬЗОВАНИЕМ
ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ

Специальность 05.13.06 – Автоматизация и управление


технологическими процессами и
производствами (в пищевой
промышленности)

Диссертация
на соискание ученой степени
доктора технических наук

Научный консультант:
доктор технических наук,
профессор Борзов А.Б.

Москва – 2018
2

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ………………………………………………………………………… 9
ГЛАВА 1. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ АНАЛИЗА
ПОДГОТОВЛЕННОСТИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ (ТП)
ПРОИЗВОДСТВА ПИЩЕВОЙ ПРОДУКЦИИ К ВНЕДРЕНИЮ
ИНТЕГРИРОВАННЫХ ЭКСПЕРТНЫХ СИСТЕМ. ПОСТАНОВКА
ЗАДАЧ ИССЛЕДОВАНИЯ……………………………………………………… 22
1.1. Особенности и закономерности ТП производства пищевой продукции,
выбор наиболее типичных ТП ……………………………………………………. 23
1.2. Исследование и анализ ТП кондитерского, мукомольного, молочного, и
пивобезалкогольного производства производства как объектов
автоматизации …………………………………….................................................. 27
1.2.1. Анализ ТП производства помадных конфет, муки, сливочного масла и
кваса …………………………………………………………………….................. 27
1.2.2. Классификация основных операций ТП производства пищевой
продукции и выбор факторов, определяющих эффективность этих операций.. 48
1.2.3. Функционально-структурные схемы влияния показателей исходного
сырья, промежуточных операций на качество готовой продукции в
процессе производства конфет, муки, сливочного масла и кваса………………. 50
1.2.4. Функционально-структурные схемы технологических процессов
производства пищевой продукции с указанием необходимых точек контроля
и регулирования……………………………………………………………………. 68
1.3. Обзор существующих современных методов и средств автоматизации
контроля качества сырья, полуфабрикатов и готовых изделий пищевой
промышленности…………………………………………………………………... 89
1.3.1. Вкус………………………………………………………………………….. 91
1.3.2. Цвет сырья, полуфабрикатов и готовой пищевой продукции…………... 96
1.4. Роль интеллектуальных технологий………………………………………… 98
1.5. Выводы по 1 главе……………………………………………………………. 99
3

1.6. Задачи исследования……………………………………………………….. 100


ГЛАВА 2. ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ
СИСТЕМЫ (ИИС). АНАЛИЗ ВОЗМОЖНОСТИ ИХ ИСПОЛЬЗОВАНИЯ
ДЛЯ АВТОМАТИЗАЦИИ КОНТРОЛЯ КАЧЕСТВА ПИЩЕВОЙ
ПРОДУКЦИИ…………………………………………………………………... 102
2.1. Классификация ИИС………………………………………………………… 102
2.1.1. Задачи, решаемые ИИС……………………………………………………. 102
2.1.2. Классификация ИИС по назначению……………..................................... 106
2.2. Обзор и анализ научно-технической информации о развитии
экспертных систем, нейросетевых технологий и систем компьютерного
зрения как важнейших направлений искусственного интеллекта…………….. 107
2.2.1. Экспертные системы ………………………………………………………. 107
2.2.2. Нейросетевые технологии…………………………………………………. 110
2.2.3. Системы компьютерного зрения………………………………………….. 112
2.3. Выводы по 2 главе ……………………………………………………..……... 121
ГЛАВА 3. ИДЕНТИФИКАЦИЯ НЕСТАЦИОНАРНЫХ
ДИНАМИЧЕСКИХ ПРОЦЕССОВ ПРОИЗВОДСТВА ПИЩЕВОЙ
ПРОДУКЦИИ, ИХ СТРУКТУРНО- ПАРАМЕТРИЧЕСКИЙ АНАЛИЗ
И СИТУАЦИОННОЕ МОДЕЛИРОВАНИЕ ДЛЯ СОЗДАНИЯ ИЭС………. 122
3.1. Методика выбора количественного и качественного состава экспертов.
Принцип формирования рабочей группы экспертов для проведения
тестового опроса…………………………………………………………………. 123
3.2. Идентификация ТП производства пищевой продукции с
нестационарными параметрами………………………………………………… 136
3.2.1. Оценка диапазонов изменения входных значений для обеспечения
стабилизации выходного показателя качества в заданном диапазоне………… 137
3.2.2. Параметрические модели нестационарных ТП………………………….. 143
3.2.3. Алгоритмы идентификации……………………………………………….. 148
3.2.4. Структурная схема идентификации нестационарного ТП ……………… 150
4

3.3. Структурно-параметрический анализ ТП производства пищевой


продукции………………………………………………………………………… 159
3.3.1. Структурно-параметрический анализ ТП производства ПГК………….. 159
3.3.2. Структурно-параметрический анализ ТП производства муки…………. 163
3.3.3. Структурно-параметрический анализ ТП производства сливочного
масла……………………………………………………………………………….. 166
3.3.4. Структурно-параметрический анализ ТП производства кваса…………. 169
3.4. Разработка структурно – параметрических и математических
моделей основных стадий производства пищевой продукции……………… 173
3.4.1. Методология построения структурно – параметрических моделей
(СПМ) основных стадий производства пищевой продукции………………. 173
3.4.2. Разработка структурно – параметрических и математических
моделей основных стадий производства ПГК………………………………... 175
3.4.3. Разработка структурно – параметрических и математических
моделей основных стадий производства муки ……………………………….. 187
3.4.4. Разработка структурно – параметрических и математических
моделей основных стадий производства сливочного масла………………… 194
3.4.5. Разработка структурно – параметрических и математических
моделей основных стадий производства хлебного кваса…………………… 204
3.5. Ситуационное моделирование ТП производства пищевой
продукции………..................................................................................................... 214
3.5.1. Ситуационное моделирование ТП производства ПГК………………… 215
3.5.2. Ситуационное моделирование ТП производства муки………………... 216
3.5.3. Ситуационное моделирование ТП производства масла……………….. 218
3.5.4. Ситуационное моделирование ТП производства хлебного кваса…….. 219
3.6. Выводы по 3 главе ………………………………………………………….... 221
ГЛАВА 4. АВТОМАТИЗАЦИЯ КОНТРОЛЯ ОРГАНОЛЕПТИЧЕСКИХ
ПОКАЗАТЕЛЕЙ КАЧЕСТВА ПИЩЕВОЙ ПРОДУКЦИИ…………………… 223
4.1. Методология создания модуля (программно-аппаратного комплекса)
5

автоматического контроля вкуса пищевых масс с использованием НСТ (на


примере линии производства ПГК)……………………………………………….. 224
4.1.1 Автоматизация контроля величины вкуса конфетных масс………………. 224
4.1.2. Математическая постановка задачи контроля вкуса пищевых масс (на
примере контроля величины кристаллов сахара в конфетных массах).
Основные этапы ее решения………………………………………………………. 226
4.1.3. Нейросетевая модель виртуального датчика контроля величины вкуса
пищевых масс (на примере кристаллов сахара в конфетных массах)………….. 229
4.1.4. Алгоритмы работы модуля (программно-аппаратного комплекса)
автоматического контроля и регулирования величины вкуса в процессе
приготовления конфетных масс…………………………………………………... 238
4.2. Методология создания модуля (программно-аппаратного комплекса)
автоматического контроля цвета пищевых масс с использованием СКЗ (на
примере линии производства муки)………………………………………………. 240
4.2.1. Вопросы цифровой обработки и распознавания изображений в
задачах автоматизации контроля цвета пищевых масс (на примере линии
производства муки)………………………………………………………………… 242
4.2.2. Модуль обеспечения автоматического контроля цвета 244
пищевых масс на базе систем компьютерного зрения………………………….. 249
4.2.3. Методика разработки алгоритма объективной оценки качества
изображений в СКЗ оценки цвета пищевых масс………………………………... 250
4.2.4. Блок - схема алгоритма принятия решения на соответствие цвета муки
эталонному значению……………………………………………………………… 255
4.2.5. Модель системы обработки визуальной информации……………………. 256
4.2.6.Техническое обеспечение системы компьютерного зрения……………... 259
4.3. Выводы по 4 главе……………………………………………………………. 263
ГЛАВА 5. ИССЛЕДОВАНИЕ И МОДЕРНИЗАЦИЯ АСУТП
ПОТОЧНЫХ ЛИНИЙ ПРОИЗВОДСТВА ПИЩЕВОЙ ПРОДУКЦИИ............. 265
5.1. Исследование и модернизация схем автоматизации основных ТП
6

производства ПГК………………………………………………………………… 265


5.1.1 Схема автоматизации подготовки сырья к производству (очистка и
сортировка)………………………………………………………………………... 268
5.1.2. Схема автоматизации приготовления сахарного сиропа…. ……………. 268
5.1.3. Схема автоматизации приготовления помадного сиропа……………….. 270
5.1.4. Схема автоматизации сбивания помадных масс…………………………. 271
5.1.5. Схема автоматизации пиготовления конфетных масс………………….. 271
5.1.6. Схема автоматизации формования корпусов конфет……………………. 273
5.1.7. Схема автоматизации глазирования корпусов конфет………………….. 274
5.1.8. Разработка схема автоматизации завертки и упаковки ПГК…………… 275
5.1.9. Исследование и модернизация схемы автоматизации поточной
линии производства отливных глазированных ПК…………………………….. 276
5.2. Исследование и модернизация схемы автоматизации поточной
линии производства муки……………………………………………………….... 278
5.3. Исследование и модернизация схемы автоматизации поточной
линии производства масла………………………………………………………... 281
5.4. Исследование и модернизация схемы автоматизации поточной
линии производства хлебного кваса…………………………………………….. 286
5.5. Выводы по 5 главе …………………………………………………………… 289
ГЛАВА 6. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ
ИЭС КОНТРОЛЯ ПОКАЗАТЕЛЕЙ КАЧЕСТВА ПИЩЕВОЙ
ПРОДУКЦИИ В ПРОЦЕССЕ ПРОИЗВОДСТВА……………………………… 291
6.1. Классификация существующих экспертных систем………………………... 291
6.2. Этапы разработки ИЭС и решаемые ими задачи……………………………. 292
6.3. Средства разработки различных экспертных систем……………………….. 297
6.4. Оболочки экспертных систем………………………………………………… 298
6.5. Методика разработки и отличительные особенности ИЭС контроля
показателей качества пищевой продукции в процессе производства…………. 300
6.6. Разработка баз данных ИЭС контроля в потоке показателей качества
7

пищевой продукции………………………………………………………………. 303


6.6.1. Постановка задачи на проектирование БД предметной области……….. 304
6.6.2. Построение интегрированной концептуальной модели
предметной области (КМПО)…………………………………………………… 309
6.6.3. Разработка автоматизированной системы обработки данных…………. 311
6.6.4. Создание приложения и архитектура БД………………………………… 312
6.7. Формирование базы знаний ИЭС контроля качества пищевой
продукции................................................................................................................. 314
6.7.1. Структура и функции системы баз знаний……………………………… 314
6.7.2. Уровни, способы, методы и языки представления знаний для ИЭС. 313
Требования к языкам представления знаний……………………………………. 316
6.7.3. Модели представления знаний………………………………….................. 323
6.7.4. Семантические сети………………………………………………………. 328
6.7.5. Основные показатели качества изображений передаваемого модулем
СКЗ в ИЭС…………………………………………………………………………. 333
6.8. Выводы по 6 главе…………………………………………………………….. 336
ГЛАВА 7. ИЭС КОНТРОЛЯ И ПРОГНОЗИРОВАНИЯ КАЧЕСТВА
ПИЩЕВОЙ ПРОДУКЦИИ С ВОЗМОЖНОСТЬЮ ОПЕРАТИВНОГО
УПРАВЛЕНИЯ ХОДОМ ПРОЦЕССОВ ЕЕ ПРОИЗВОДСТВА……………... 338
7.1. Основные задачи, структура и этапы разработки ИЭС контроля и
прогнозирования качества пищевой продукции в процессе производства….. 338
7.2. Построение нейросетевой ИЭС контроля в потоке и прогнозирования
показателей качества пищевой продукции……………………………………… 343
7.3. Архитектура и основная концепция ИЭС контроля и прогнозирования
качества пищевой продукции.……………………………………………………. 349
7.4. Программная реализация ИЭС контроля показателей качества
пищевой продукции в процессе производства………………………………….. 354
7.4.1. Инструментальные средства создания ИЭС контроля качества
пищевой продукции……………………………………………………………….. 354
8

7.4.2. Методика формализации экспертных знаний в ИЭС контроля и


прогнозирования качества пищевой продукции………………………………… 356
7.4.3. Поддержка принятия решений ИЭС при автоматическом контроле и
диспетчерском управлении ТП производства пищевой продукции………… 369
7.5. Подбор технических средств для реализации ИЭС контроля качества
пищевой продукции………………………………………………………………. 371
7.6. Интеграция ИЭС контроля показателей качества пищевой продукции
с АСУ ТП предприятия ………………………………………………………….. 376
7.7. Выводы по 7 главе……………………………………………………………. 381
ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ………………………….. 384
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ………………… 388
СПИСОК ЛИТЕРАТУРЫ………………………………………………………… 389
СПИСОК РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ……………………………….. 410
СПИСОК ИЛЛЮСТРАТИВНОГО МАТЕРИАЛА……………………………… 422
ПРИЛОЖЕНИЕ 1 – Акт внедрения научно технической продукции
на ОАО «Рот Фронт»….. ………………………………… 432
ПРИЛОЖЕНИЕ 2 – Акт внедрения научно технической продукции
на кондитерских фабриках ООО «Объединенные
кондитеры»….. ……………………………………………. 433
ПРИЛОЖЕНИЕ 3 – Акт внедрения научно технической продукции
на ОАО «Мелькомбинат в Сокольниках»………………. 434
ПРИЛОЖЕНИЕ 4 – Акт внедрения научно технической продукции
на ОАО «Молочный комбинат Воронежский»………… 436
ПРИЛОЖЕНИЕ 5 – Акт внедрения научно технической продукции
на ЗАО МПБК «ОЧАКОВО»…………………………….. 438
ПРИЛОЖЕНИЕ 6 – Акт внедрения научно технической продукции
на в НИИСМ МГТУ им. Н.Э. Баумана………………….. 440
ПРИЛОЖЕНИЕ 7 – Акт внедрения в учебный процесс результатов
диссертационной работы………………………………… 441
9

ВВЕДЕНИЕ
Актуальность темы
На современном этапе экономического развития Российской Федерации
на первый план выходят проблемы повышения эффективности отраслей пище-
вой промышленности. Все более возрастают требования к повышению качества
и конкурентоспособности отечественных продуктов питания.
Решение данных проблем в современных условиях возможно только на ос-
нове использования новейших научных достижений в области техники и техно-
логии, обеспечения стабильности производственных процессов, оснащения по-
точно - механизированных линий современными средствами непрерывного ав-
томатического контроля, регулирования и управления с использованием высо-
коэффективных интеллектуальных технологий.
Трудность решения этих задач обусловлена тем, что большинство приго-
тавливаемых пищевых продуктов представляют собой сложные и неоднород-
ные многокомпонентные смеси, состояние которых зависит от многих факто-
ров (состава сырья, режимов работы оборудования, физико – химических,
структурно-механических свойств и т.д.). Все это вызывает частые колебания
параметров процессов приготовления многокомпонентных пищевых масс и не
позволяет получать стабильный по качеству готовый продукт [ 9 ].
Поэтому проблемы автоматизации контроля в потоке и прогнозирования
качества получаемой пищевой продукции, оптимизация режимов работы ис-
пользуемого оборудования на основе учета изменения параметров, определяю-
щих ход протекания этих процессов, являются крупными теоретическими и
практическими задачами, требующими первоочередного решения.
Для иследования возможности решения данной проблемы были выбраны,
исследованы и проанализированы наиболее типичные технологические процес-
сы кондитерского, мукомольного, молочного и пивобезалкогольного производ-
ства пищевой продукции, которая пользуется неизменным и все более возрас-
тающим спросом у населения страны, объясняющимся их относительно невы-
10

сокой стоимостью и постоянно обновляемым ассортинметом [42, 52, 75]. Вы-


браны наиболее характерные пищевые производства твердой (помадные глази-
рованные конфеты), сыпучей (мука), высококонцентрированной пищевой
эмульсии (сливочное масло) и жидкой пищевой продукции (квас), представля-
ющие собой большие группы самых разнообразных продуктов питания, кото-
рые регулярно потребляются практически всеми группами населения различ-
ных возрастов.
На основе всесторонних теоретических исследований состояния этих про-
цессов производства, проведенных на базе разработанных функционально –
структурных схем формирования качества производимой продукции, представ-
лены разработанные методологические основы системного анализа исследуе-
мых пищевых производств. Выявлены, обобщены, систематизированы и про-
анализированы особенности и закономерности изучаемых процессов, позволя-
ющие разработать общие подходы к их исследованию и анализу с точки зрения
обеспечения стабильности качества получаемой готовой продукции. Разработа-
на обобщенная схема основных этапов подготовки анализируемых процессов к
автоматизации и внедрению интеллектуальных технологий. Проведено ком-
плексное изучение степени влияния различных факторов на состояние ТП, вы-
явлены наиболее информативные параметры этих процессов.
На сегодняшний день накоплен достаточный практический и теоретиче-
ский объем информации по автоматизации технологических процессов пище-
вых производств с использованием современных информационных технологий,
которые проводили А.Н. Австриевских, С.И. Апанасенко , В.К. Битюков, М.М.
Благовещенская, М.В. Жиров, Ю.А. Ивашкин, Е.Б. Карпин, А.Я. Красинский,
А.Е. Краснов, О.П. Красуля, В.В. Макаров, В.В. Митин, Остапчук Н.В., Пись-
менный В. В., И.К. Петров, Е.А. Прокофьев, А.В. Татаринов, В.Я. Черных, Е.Д.
Чертов, А.В. Шаверин и др. [2, 4, 5, 8, 9 - 13, 15, 46 – 48, 33, 56, 74, 100, 101 и
др.]. В настоящей работе был учтен и проработан опыт предыдущих исследова-
11

ний, использованы рекомендации, приводимые авторами перечисленных тру-


дов.
Существующие в настоящее время методы оценки качества пищевой про-
дукции далеки от совершенства, поскольку эта оценка осуществляется в лабо-
раториях предприятий и, чаще всего, органолептическим путем. Органолепти-
ческий контроль длителен по времени, обладает большим количеством недо-
статков [50, 63, 65, 90, 92, 102, 103]. За отсутствием профессиональных дегу-
статоров, а также вследствие несоблюдения на большинстве пищевых предпри-
ятиях условий проведения анализа, такая оценка может зачастую давать недо-
стоверные и необъективные показания о качестве готовой продукции [4, 5, 59,
63, 65, 88, 90, 92, 100, 103]. Назрела необходимость повышения объективности
контроля качества пищевой продукции, за счет внедрения высокоэффективных
интеллектуальных технологий в производственный процесс и создания на их
базе непрерывных автоматизированных систем контроля и управления.
Успешное решение этой задачи возможно при внедрении в производствен-
ный процесс интегрированных экспертных систем (ИЭС) контроля в потоке и
прогнозирования показателей качества пищевых продуктов с использованием
современных интеллектуальных технологий: искусственных нейронных сeтeй
(ИНС) и систем компьютерного зрения (СКЗ). Создание и использование ИЭС
является одним из концептуальных этапов развития автоматизации пищевой
промышленности. В оснoвe алгoритмa рабoты экспертной системы залoжeна
нейросетевая мoдель (НСМ), функциoнирoвaниe которой оснoвывaeтся на
рабoте aппарaта искусственных нeйрoнных сeтeй (ИНС) и СКЗ. Создание такой
системы позволит: непрерывно, в потоке контролировать и прогнозировать по-
казатели качества полуфабрикатов и готовой продукции в течение всего техно-
логического процесса; обеспечить стабильность производства пищевой про-
дукции; существенно уменьшить уровень брака, снизить потери рабочего вре-
мени, сырья и энергии, повысить качество готовых изделий.
12

Исходя из вышеизложенного, тема диссертационной работы «Методоло-


гические основы создания экспертных систем контроля и прогнозирования ка-
чества пищевой продукции с использованием интеллектуальных технологий»
является актуальным направлением развития пищевой промышленности, име-
ющим важное народнохозяйственное значение, а также актуальной научно-
технической задачей специальности 05.13.06 – Автоматизация и управление
технологическими процессами и производствами (в пищевой промышленно-
сти).
Диссертация соответствует паспорту специальности 05.13.06, а именно
пунктам: «2. Автоматизация контроля и испытаний», «9. Методы эффективной
организации и ведения специализированного информационного и программно-
го обеспечения АСУТП, АСУП и др., включая базы и банки данных и методы
их оптимизации» «12. Методы контроля, обеспечения достоверности, защиты и
резервирования информационного и программного обеспечения АСУТП, АСУП
и др.», «15. Теоретические основы, методы и алгоритмы интеллектуализации
решения прикладных задач при построении АСУ широкого назначения».
Изложенное позволяет сделать вывод об актуальности темы диссертаци-
онной работы.
Цель работы.
Целью диссертационной работы является повышение эффективности
управления технологическими процессами пищевых производств путем ис-
пользования интеллектуальных технологий и разработки на их основе типовой
интегрированной экспертной системы автоматического контроля в потоке и
прогнозирования качества пищевой продукции на всех этапах ее производства с
возможностью оперативного управления ходом этих процессов (на примере
линий по производству помадных глазированных конфет, муки, сливочного
масла и кваса).
Реализация поставленной цели требует решения следующих основных
теоретических и практических задач исследования:
13

1. Проведение системного анализа современного состояния автоматизации


контроля и прогнозирования качества пищевой продукции, существующего
инструментария контроля и управления показателями качества сырья, полу-
фабрикатов и готовых пищевых изделий. Обоснование выбора направления
исследования.
2. Разработка нового подхода, математической, информационной и программ-
но-алгоритмической платформы, обеспечивающей создание нового класса
интегрированных экспертных систем автоматического контроля в потоке и
прогнозирования качества пищевой продукции на всех этапах ее производ-
ства с возможностью оперативного управления ходом этих процессов на ос-
нове использования интеллектуальных технологий.
3. Выбор адекватного математического аппарата и разработка на его базе
структурно- параметрических, математических и ситуационных моделей,
ориентированных на поддержку ИЭС процессов контроля, прогнозирования,
принятия решений и обеспечения качества выпускаемой пищевой продук-
ции.
4. Создание теоретических основ исследования, разработка и апробация мето-
дов, способов и алгоритмов построения устройств автоматического контроля
органолептических показателей качества пищевой продукции в потоке с
применением интеллектуальных технологий.
5. Разработка теоретических основ, методов и алгоритмов построения базы
данных (БД), формирования и адаптации базы знаний (БЗ) для ИЭС кон-
троля и прогнозирования качества пищевой продукции.
6. Разработка на основе предложенного подхода архитектуры, состава техни-
ческих средств, информационного, математического, алгоритмического и
программного обеспечения нейросетевой ИЭС автоматического контроля в
потоке и прогнозирования качества пищевой продукции с возможностью
оперативного управления ходом этих процессов для различных отраслей
пищевой промышленности.
14

7. Разработка методологии, принципов, методов и алгоритмов создания и


внедрения ЭС с интегрированными модулями контроля, прогнозирования
качества выпускаемой пищевой продукции и экспертной поддержкой приня-
тия решений.
8. Экспериментальная проверка методов, моделей, способов и результатов
моделирования ТП производства пищевой продукции, а также разработан-
ных принципов и методов создания информационно- советующих эксперт-
ных систем на действующих пищевых предприятиях.
Объектом исследования является типовые поточные линии по произ-
водству пищевой продукции и процессы сбора, анализа и обработки, в том
числе экспертной информации, в задачах непрерывного контроля показателей
качества этой пищевой продукции.
Предметом исследования и разработок являются совокупность теорети-
ческих, методологических и практических задач, связанных с созданием ИЭС
контроля и прогнозирования качества пищевой продукции в потоке и соответ-
ствующее информационное, математическое, алгоритмическое и программное
обеспечение.
Методы и средства исследований. Поставленные в работе задачи решены
с использованием методологических и математических основ построения экс-
пертных систем поддержки и принятия решений, методики построения реляцион-
ных баз данных, основных положений теории автоматического управления, тео-
рии нейронных сетей, теории цифровой обработки изображений, общих прин-
ципов математического моделирования, элементов теории искусственного ин-
теллекта, методов системного анализа и математической статистики. Числен-
ная и графическая обработка результатов исследований производилась с приме-
нением MatLab и Anylogic.
Научная новизна и теоретическая значимость диссертации заключает-
ся в разработке нового научного направления в области автоматизации ТП пи-
щевых производств, связанного с созданием интеллектуальных информацион-
15

но- советующих экспертных систем автоматического контроля в потоке и про-


гнозирования качества продукции с возможностью оперативного управления
ходом этих процессов для различных отраслей пищевой промышленности.
В настояще работе:
1. Предложены теоретические основы, методы, модели и алгоритмы интеллек-
туализации решения прикладных задач проектирования экспертных систем
(ЭС) контроля и прогнозирования качества пищевой продукции, позволяющие
сформировать множество альтернативных вариантов технической реализации
ЭС с учетом полученных функционально-структурных схем влияния показате-
лей исходного сырья, промежуточных операций на формирование качества раз-
личной пищевой продукции на всех стадиях производства с указанием необхо-
димых точек контроля и регулирования.
2. Разработан комплекс структурно – параметрических, математических и ситу-
ационных моделей по оценке влияния различных параметров технологических
процессов производства конфет, муки, сливочного масла и кваса на качество
пищевой продукции на всех стадиях ее производства и на их основе представ-
лены базовые модели для реализации ЭС.
3. Разработан новый класс интеллектуальных устройств первичного сбора ин-
формации в потоке об основных показателях качества пищевых продуктов.
4. Разработаны системы положений, отражающие методологию создания вир-
туального модуля автоматического контроля вкуса пищевых масс с использо-
ванием нейросетевых технологий, а также способы интеграции данного модуля
в ИЭС автоматического контроля и прогнозирования качества пищевой про-
дукции с возможностью оперативного управления ходом процессов ее произ-
водства.
5. Разработаны системы положений, отражающие методологию создания ин-
теллектуального модуля автоматического контроля цвета пищевых масс с ис-
пользованием системы компьютерного зрения, а также способы интеграции
16

модуля в ИЭС контроля и прогнозирования качества пищевой продукции с


возможностью оперативного управления ходом процессов ее производства.
6. Созданы интегрированные концептуальные модели предметных областей
базы данных (БД) и базы знаний (БЗ) , полученные с использованием разрабо-
танных методик накопления специализированной БД и формализации полу-
ченных экспертных знаний, необходимых при проектировании ИЭС контроля,
прогнозирования, диагностики хода ТП производства пищевой продукции и
экспертной поддержки принятия решений.
7. Разработана на основе предложенного подхода концепция создания ЭС кон-
троля и прогнозирования качества пищевой продукции с использованием ин-
теллектуальных технологий, а также получены алгоритмы ее функционирова-
ния, архитектура, состав технических средств, математическое, информацион-
ное и программное обеспечение, экранные формы отчетов, обеспечивающих
выполнение запросов к БД с учетом топологии сети, конфигурации аппаратных
средств и используемой архитектуры.
Значение научных результатов для теории:
Важным научным результатом является также развитие теории и прак-
тики автоматизации промышленных пищевых производств на основе контроля
в потоке органолептических показателей качества (вкус и цвет) пищевой про-
дукции на всех этапах ее производства с возможностью оперативного управле-
ния ходом этих процессов для различных отраслей пищевой промышленности.
Созданная с использованием интеллектуальных технологий оригинальная
типовая информационно- советующая экспертная система контроля в потоке и
прогнозирования качества пищевой продукции позволяет осуществлять сбор,
передачу, статистическую обработку, графическую визуализацию и хранение
данных мониторинга качества этой продукции в процессе производства. Это
совершенствует приборную базу методов контроля органолептических пока-
зателей качества пищевых продуктов.
17

В диссертации решена важная научно-прикладная проблема, имеющая


большое народно-хозяйственное значение. Научные результаты, полученные в
диссертации, доведены до практического использования в промышленных
условиях.
Практическая значимость результатов исследования.
1. Развитие нового поколения средств автоматизации контроля в потоке
слабоформализованных органолептических показателей качества пищевых из-
делий.
2. Разработка нейросетевой информационно- советующей экспертной си-
стемы, предназначенной для автоматического контроля в потоке и прогнозиро-
вания качества пищевой продукции на всех стадиях ее производства с опреде-
лением требуемого управления, позволяющего стабилизировать процессы этого
производства.
3. Разработка и программная реализация интеллектуальных модулей кон-
троля основных органолептических показателей качества (вкуса и цвета) пище-
вой продукции в потоке.
4. Создание эффективного алгоритмического, математического, программ-
ного и методического обеспечения интегрированной информационно-
советующей экспертной системы автоматического контроля в потоке качества
пищевой продукции с интеллектуальными функциями прогнозирования, под-
держки и принятия решений.
5. Разработка специальной нейросетевой модели, используемой в качестве
интеллектуального ядра ИЭС контроля и прогнозирования качества пищевой
продукции.
6. Разработка пользовательского интерфейса, обеспечивающего диалоговый
режим работы ИЭС с оператором для выдачи рекомендаций по управлению ТП
производства пищевой продукции.
7. Разработка схемы интеграции нейросетевой экспертной системы кон-
троля и прогнозирования качества пищевой продукции с существующими на
18

пищевых предприятиях АСУ ТП на основе использования PDM-системы


SMARTEAM.
8. Разработка рекомендаций для работников предприятий пищевой про-
мышленности по использованию ИЭС в составе АСУТП производства пищевой
продукции и подбору технических средств для ее реализации.
9. Разработка рекомендаций и учебно – методических материалов по по-
строению ИЭС контроля и прогнозирования органолептических показателей
качества пищевой продукции в потоке с возможностью управления ТП произ-
водства этой продукции.
Разработанные методы, модели, алгоритмы, структуры и программы
прошли апробацию и были внедрены в конфетном цехе ОАО «Рот-Фронт»
Холдинга «Объединенные кондитеры», а также на других кондитерских фаб-
риках Холдинга ООО «Объединенные кондитеры», на ОАО «Мелькомбинат в
Сокольниках», на ОАО «Молочный комбинат Воронежский», на ЗАО МПБК
«ОЧАКОВО» и во ВНИИСМ МГТУ им. Н.Э. Баумана, что подтверждается со-
ответствующими актами внедрения научно-технической продукции (Приложе-
ния 1, 2, 3, 4, 5 и 6). Полученные в рамках настоящего исследования научные и
практические результаты диссертационной работы внедрены в учебном про-
цессе кафедры «Автоматизированные системы управления биотехнологически-
ми процессами» ФГБОУ ВО «Московский государственный университет пи-
щевых производств» для студентов направлений подготовки «Автоматизация
технологических процессов и производств» и «Управление в технических си-
стемах». Имеется соответствующий акт внедрения (Приложение 7).
Достоверность полученных в работе результатов подтверждается исполь-
зованием методов системного анализа и теории принятия решений, эксперимен-
тальными исследованиями ТП производства пищевой продукции, проведенны-
ми в производственных условиях ОАО «Рот-Фронт» Холдинга «Объединенные
кондитеры», на ОАО «Мелькомбинат в Сокольниках», на ОАО «Молочный
комбинат Воронежский», на ЗАО МПБК «ОЧАКОВО» и во ВНИИСМ МГТУ
19

им. Н.Э. Баумана, а также обеспечивается совпадением расчетных данных и ре-


зультатов эксперимента.
Положения, выносимые на защиту
1. Результаты анализа информационного обеспечения процессов производства
пищевой продукции и проблем создания экспертных систем контроля и прогно-
зирования качества пищевых изделий на примере линий производства помад-
ных конфет, муки, сливочного масла и хлебного кваса.
2. Методология разработки структурно- параметрических, математических и си-
туационных моделей основных этапов ТП производства пищевой продукции
различного агрегатного состояния (помадных конфет, муки, сливочного масла и
хлебного кваса), являющихся основой создания ИЭС, позволяющих прогнози-
ровать ход этих процессов и определять необходимые при этом режимы работы
используемого оборудования.
3. Методология создания нового поколения средств автоматизации контроля в
потоке слабоформализованных органолептических показателей качества пище-
вых продуктов; методы, алгоритмы, модели и программная реализация вирту-
альных и интеллектуальных датчиков контроля вкуса и цвета пищевой продук-
ции, основные этапы решения этих задач с использованием нейросетевых тех-
нологий и систем компьютерного зрения.
4. Систематизация и модернизация ФСА на основе внесения в эти схемы новых
решений по АК в потоке органолептических показателей качества пищевых ма-
териалов с использованием интеллектуальных технологий.
5. Методические основы проектирования специализированных БД и БЗ, позво-
ляющих в режиме реального времени формировать данные, необходимые для
функционирования ИЭС с получением интегрированных концептуальных моде-
лей БД и БЗ предметной области; архитектуры, основных фаз и этапов проекти-
рования БД и БЗ; программы обработки и передачи запросов, создание и обра-
ботки отчетов, программы управления приложениями;
20

6. Метод обучения и адаптации баз знаний для ИЭС, основанный на использо-


вании адаптивных сетевых моделей.
7. Комплекс методов, алгоритмов, моделей и программ, обеспечивающих работу
созданной нейросетевой интегрированной экспертной системы автоматического
контроля и прогнозирования качества пищевой продукции с интеллектуальны-
ми функциями прогнозирования, поддержки и принятия решений, структура
комплекса технических средств.
8. Методология разработки информационного, математического, программно-
алгоритмического, технического и диагностического обеспечения интегриро-
ванных экспертных систем автоматического контроля и прогнозирования каче-
ства пищевой продукции
Апробация работы.
Основные положения диссертационной работы были обсуждены и одоб-
рены на: международной НП конференции – выставке «Планирование и обес-
печение подготовки и переподготовки кадров для отраслей пищевой промыш-
ленности и медицины», Москва, МГУПП, 2012 г.; Х Международной НП кон-
ференции "Автоматизация и информационное обеспечение производственных
процессов в сельском хозяйстве", Углич, ГНУ ВИМ Россельхозакадемии, 2012
г.; международной конференции молодых ученых «Проблемы пищевой без-
опасности». Москва, МГУПП, 2013 г.; международной научной сессии НИЯУ
МИФИ- 2014, Секция «Интеллектуальные системы и технологии», 27 января
2014 г.; X Всероссийской конференции молодых ученых по математическому
моделированию и информационным технологиям, Кемерово, 18 – 19 сентября
2013г., СО РАН; VП-ой Всеукраинской НП конференции «Информационные
технологии и автоматизация - 2014», Украина, Одесса, 16 – 17 декабря 2014 г.;
V международной НП конференции " 21 век: фундаментальная наука и техно-
логии " (« 21 century: fundamental science and technology V») ,10-11
ря 2014 г., North Charleston, USA ; Международной НП конференции «Автома-
тизация и управление технологическими и бизнес – процессами пищевой про-
21

мышленности», 15 – 17 апреля 2015 г., МГУПП; Международной научной кон-


ференции студентов и молодых ученых «Экологически безопасные, ресурсо-
сберегающие технологии и средства переработки сельскохозяйственного сырья
и производства продуктов питания», МГУПП, 2015; П-ой Международной НП
конференции «Автоматизация и управление технологическими процессами
пищевой промышленности», 18 – 20 мая 2016 г., МГУПП; Международной
конференции «Современные биотехнологии в производстве продуктов пита-
ния», 11 – 13 октября 2016 г., МГУПП; Конференция с международным уча-
стием «Развитие пищевой и перерабатывающей промышленности России: кад-
ры и наука», 11 – 12 апреля 2017 г., МГУПП.
На различных этапах выполнения содержание отдельных разделов, ре-
зультаты исследований и диссертация в целом были доложены и получили
одобрение на расширенных заседаниях кафедры «Автоматизированные систе-
мы управления биотехнологическими процессами» ФГБОУ ВО «МГУПП». Ос-
новная часть диссертационной работы выполнялась в рамках научной темы
«Математическое, алгоритмическое и программное обеспечение автоматизации
процесса контроля качества помадных конфет с использованием систем техни-
ческого зрения и нейросетевых технологий», являющейся Победителем кон-
курса 2015 – 2017 года на получение стипендии Президента РФ молодыми уче-
ными и аспирантами по направлению «Стратегические информационные тех-
нологии».
Публикации. По материалам диссертации опубликовано 96 печатных работ.
Из них 2 монографии, 22 статьи в журналах, входящих в список ВАК, 5 – в дру-
гих изданиях, а также 67 докладов в сборниках научных докладов международ-
ных конференций.
Структура и объем работы.
Диссертационная работа состоит из введения, 7 глав, заключения и списка
используемой литературы (205 источников). Работа изложена на 418 страницах
машинописного текста, содержит 153 рисунка, 108 таблиц и 7 приложений.
22

ГЛАВА 1. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ АНАЛИЗА


ПОДГОТОВЛЕННОСТИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ (ТП)
ПРОИЗВОДСТВА ПИЩЕВОЙ ПРОДУКЦИИ К ВНЕДРЕНИЮ
ИНТЕГРИРОВАННЫХ ЭКСПЕРТНЫХ СИСТЕМ. ПОСТАНОВКА
ЗАДАЧ ИССЛЕДОВАНИЯ
Как отмечено во введении, в настоящее время все более возрастают
требования к повышению качества и конкурентоспособности отечественных
продуктов питания.
В соответствии с Федеральным законом от 2 января 2000 г. N 29-ФЗ "О
качестве и безопасности пищевых продуктов" одним из основных требований к
обеспечению качества и безопасности пищевых продуктов, материалов и изде-
лий при их изготовлении (глава 1У, статьи 15 и 17) является постоянная орга-
низация в установленном порядке и проведение экспертизы их качества в про-
цессе производства.
Существующие в настоящее время методы оценки качества пищевой про-
дукции [1, 2, 5, 6, 13, 14, 17, 18, 40, 41, 62, 78, 86, 90, 113, 116] в процессе ее
производства далеки от совершенства, поскольку, в основном, эта оценка осу-
ществляется органолептическим путем. Органолептический контроль длителен
по времени, обладает рядом недостатков [86, 90, 92, 102, 116,129, 130, 137, 138,
144, 145, 148, 149, 157, 161, 171, 174, 175]. Для получения при этом достовер-
ных результатов необходимо соблюдать условия проведения дегустационного
анализа; оценивать и изучать индивидуальные сенсорные способности дегу-
статоров; проводить специальную подготовку дегустаторов, обучать их прие-
мам сенсорного анализа и т.д. Однако, даже при выполнении всех требований и
рекомендаций, критерий субъективности в оценке качества полностью не мо-
жет быть исключен. На пищевых предприятиях зачастую отсутствуют профес-
сиональные дегустаторы. В ряде случаев на пищевых предприятиях не соблю-
даются условия проведения дегустаций. И как следствие, полученная органо-
лептическим путем оценка может зачастую давать недостоверные и необъек-
23

тивные показания о качестве готовой продукции [86, 90, 92, 102, 116,129, 130,
137, 138, 144, 145, 148, 149, 157, 161, 171, 174, 175].
Имеется настоятельная необходимость повышения объективности кон-
троля качества пищевой продукции за счет внедрения высокоэффективных ин-
теллектуальных технологий в производственный процесс и создания на их базе
системы непрерывного автоматического контроля в потоке этих показателей.
Одним из наиболее перспективных направлений решения этой задачи
является создание и внедрение интеллектуальных экспертных систем (ЭС)
непрерывного контроля в потоке и прогнозирования качества вырабатывае-
мой пищевой продукции. Работа таких ЭС основана на использовании
нейросетевых технологий и систем компьютерного зрения, осуществляющих
поддержку принятия предложенных оптимальных решений.
Для анализа подготовленности различных ТП производства пищевой
продукции к возможности эффективного внедрения интеллектуальных экс-
пертных систем с использованием современного программного обеспечения,
рассмотрим, в первую очередь, особенности и закономерности этих процессов
при производстве различных видов пищевой продукции.

1.1. Особенности и закономерности ТП производства пищевой продукции,


выбор наиболее типичных ТП
ТП приготовления пищевой продукции представляют собой различные
по характеру и сложности объекты, что определяется многообразием отраслей
пищевой промышленности, разнообразием методов обработки сырья, полуфаб-
рикатов и готовых изделий, широким ассортиментом производимых пищевых
продуктов [16, 90, 94, 113, 174, 199 и др.]. Вместе с тем этим ТП присущи и не-
которые особенности и свойства, позволяющие, несмотря на их внутренние
различия, отличающийся друг от друга характер процессов, найти общие зако-
номерности их протекания, разработать общие подходы к их исследованию.
Рассмотрим некоторые особенности и закономерности ТП приготовления
разнообразной пищевой продукции, которые определяют актуальность и эко-
24

номическую эффективность их автоматизации [2, 14 - 16, 62, 65, 77, 78, 88, 90,
94, 113, 116, 117, 129, 130, 134, 174, 199 и др.]. К таким особенностям и законо-
мерностям относятся:
- наличие большого числа различных физико-химических, физических, биохи-
мических, тепловых и др. методов воздействия на сырье, полуфабрикаты и го-
товую продукцию, требующих особой четкости ведения процессов, оптималь-
ного режима управления ими;
- необходимость строгого соблюдения рецептуры приготовления пищевых масс
и технологических режимов переработки сырья и полуфабрикатов в целях со-
хранения пищевой ценности, витаминного состава и вкусовых качеств готовых
продуктов;
- переработка скоропортящегося сырья и полуфабрикатов, вызывающая необ-
ходимость применения более совершенных технологических схем с четкой ор-
ганизацией процессов приготовления, хранения, возможной лишь при автома-
тизации производства и внедрения интеллектуальных технологий;
- исключения контакта рук человека с сырьем, полуфабрикатов и готовой про-
дукцией;
- необходимость использования только доброкачественного сырья и полуфаб-
рикатов;
- высокая стоимость отдельных видов сырья, полуфабрикатов и готовой пище-
вой продукции.
К особенностям ТП приготовления пищевой продукции, характеризую-
щим неблагоприятными условия их стабилизации и автоматизации, относятся:
- многостадийность и сложность ТП, большее число факторов, влияющих на
ход процессов приготовления пищевых масс, сложная взаимосвязь входящих в
пищевые массы компонентов, наличие возмущающих воздействий на ТП при-
готовления пищевых масс, неподдающихся контролю и изучению;
- недостаточно оперативный контроль за ходом ТП приготовления пищевых
масс и, как следствие, снижение качества готовой пищевой продукции;
25

- многообразие используемых агрегатов, машин, устройств; сложность и несо-


вершенство применяемого оборудования, нестабильность режимов на различ-
ных стадиях ТП производства пищевой продукции
- нестационарность по ассортименту и качеству перерабатываемого сырья.
Названные и другие общие и частные особенности и закономерности ТП
приготовления пищевой продукции значительно затрудняют их стабилизацию и
внедрение автоматизированных систем и интеллектуальных технологий. Поиск
оптимальных решений, с целью стабилизации свойств и качества приготавли-
ваемой пищевой продукции затруднен также следующими обстоятельствами:
- многие пищевые массы отличаются высокой вязкостью, липкостью (напри-
мер, сливочное масло, хлебопекарное тесто и др.), либо содержанием взвесей
различной дисперсности (например, шоколадные массы), либо образуют плен-
ки на поверхностях оборудования, характеризуются явлениями карамелизации,
кристаллизации и пр., осложняющими их автоматический контроль;
- определение показателей качества полуфабрикатов и готовых пищевых масс
является сложным трудоемким процессом.
Рассмотрение и анализ приведенных особенностей и закономерностей
показали важность стабилизации процессов приготовления пищевых масс,
обеспечиваемой автоматизацией и интеллектуализацией этих процессов. Одна-
ко, как было отмечено выше, многокомпонентность исследуемых масс, невоз-
можность определения их качества по одному параметру, отсутствие методов
автоматического контроля основных параметров состояния ТП в потоке и т.д.
создают большие трудности стабилизации этих процессов.
Для выявления степени подготовленности ТП производства пищевой
продукции к возможности эффективного внедрения в эти процессы интеллек-
туальных экспертных систем было проведено тщательное, всестороннее изуче-
ние и анализ конкретных типовых ТП приготовления пищевой продукции; про-
ведена оценка степени подготовленности этих процессов к стабилизации; дос-
конально изучены свойства сырья, полуфабрикатов и готовой продукции; осу-
26

ществлен выбор основных показателей состояния этих процессов на всех


участках линий приготовления различной пищевой продукции; проанализиро-
вана степень их оснащенности средствами контроля, что позволило перейти к
разработке экспертных систем непрерывного контроля и прогнозирования ка-
чества пищевой продукции с использованием интеллектуальных технологий.
Из ТП производства пищевой продукции для решения указанных задач
нами были выбраны, исследованы и проанализированы как объекты автомати-
зации:
- ТП производства кондитерских изделий (на примере типовой поточной линии
по производству глазированных помадных конфет);
- ТП продуктов мукомольного производства (на примере типовой поточной
линии по производству муки);
- ТП продуктов молочного производства (на примере типовой поточной линии
по производству сливочного масла) и
- ТП продуктов пивобезалкогольного производства (на примере типовой поточ-
ной линии по производству хлебного кваса).
Таким образом нами исследованы и проанализированы различные виды
пищевой продукции различающиеся агрегатным состоянием: твердые, сыпучие,
жидкие, высококонцентрированные пищевые эмульсии.
Выбор именно этих производств объясняется тем, что данная пищевая
продукция является наиболее потребляемой в России. ТП данных производств
являются наиболее характерными для технологической обработки пищевых
масс (на что указано в ряде фундаментальных работ по важнейшим проблемам
пищевой промышленности [14 - 16, 62, 65, 77, 78, 88, 90, 94, 113, 116, 117, 129,
130, 134, 144, 174]); во-вторых, конфетные, в том числе и шоколадные массы,
как было отмечено выше, являются одними их самых неблагоприятных с точки
зрения автоматизации. В-третьих, в настоящее время осуществляется наладка
новых производств кондитерской, мукомольной, молочной и пивобезалкоголь-
ной промышленности, т.к. продукция этих предприятий пользуется повышен-
27

ным спросом у населения. Поскольку процессы приготовления данных масс со-


ставляют основу пищевых производств, полученные результаты будут обладать
общностью и могут быть использованы при решении аналогичных задач в дру-
гих отраслях промышленности.
1.2. Исследование и анализ ТП производства кондитерских изделий,
продуктов мукомольного, молочного и пивобезалкогольного
производства как объектов автоматизации
Поскольку решение отмеченных выше задач возможно лишь на основе
системного исследования и анализа реальных ТП, кратко рассмотрим основные
схемы ТП производства помадных глазированных конфет, муки, сливочного
масла и хлебного кваса как объекты автоматизации.
1.2.1. Анализ ТП производства помадных глазированнных конфет, муки,
сливочного масла и хлебного кваса
А. Анализ ТП производства помадных глазированных конфет
Наибольший удельный вес в конфетном производстве имеет группа по-
мадных конфет, составляющая около 70% от общей выработки кондитерских
изделий. Поэтому для решения задачи автоматизации контроля показателей ка-
чества конфет (твердых масс) объектом автоматизации была выбрана техноло-
гическая линия по производству именно глазированных помадных конфет. Ос-
новным сырьем для производства помадных конфет является сахарный песок
[129, 153, 154]. При изготовлении помадных конфет в зависимости от сорта к
сахарной помадной массе добавляются фруктово-ягодные припасы, обжарен-
ные тертые орехи, какао- порошок и т.д. Такое многообразие применяемого
сырья позволяет выпускать разнообразные виды помадных конфет [88, 90, 113].
На рисунке 1.1. представлена распространенная на кондитерских предприятиях
линия производства глазированных помадных конфет [88, 153]. В состав линии
входит следующее оборудование: агрегат ускоренной выстойки, варочный ап-
парат с мешалкой, весы, виброраспределитель, глазировочная машина, дозато-
ры, заверточная машина, змеевиковый варочный аппарат непрерывного дей-
28

ствия, конвейеры, насосы, отливочная машина, охлаждающая камера, пароот-


делитель, помадосбивательная машина, расходные емкости, сборник-фильтр,
сироповарочная установка, смеситель, темперирующая машина, глазировочная
машина и упаковочная машина.

Рисунок 1.1. Машино – аппаратурная схема линии


производства глазированных помадных конфет.
Более подробно ТП производства глазированных помадных конфет и их
основные стадии рассмотрены в нашей работе [16]. Основные стадии ТП про-
изводства помадных конфет показаны на рисунке 1.2.

Подготовка сырья Приготовление


к производству сахарного сиропа

Сбивание помадной Приготовление


массы помадного сиропа

Приготовление Формование корпусов


конфетной массы конфет

Завѐртка, упаковка и Глазирование корпу-


хранение конфет сов конфет

Рисунок 1.2. Стадии ТП производства помадных глазированных конфет.


29

В настоящее время одним из самых актуальных вопросов является конку-


рентоспособность отечественной кондитерской продукции. Такая продукция
должна обладать высокими органолептическими показателями качества, соот-
ветствовать вкусам потребителя и иметь долгосрочную перспективу сбыта
[62]. На органолептические показатели качесва помадных глазированных кон-
фет (ПГК) большое влияние оказывают показатели качества сырья, полуфабри-
катов, технологические режимы работы оборудования [65, 77 ]. На основании
проведенных исследований были выявлены наиболее важные показатели каче-
ства сырья, полуфабрикатов и готовой продукции, контролируемые на каждой
стадии производства помадных глазированных конфет (таблица 1.1.). В данной
таблице представлены также входные контролируемые показатели качества сы-
рья при производстве помадных глазированных конфет [78, 86, 88].
Таблица 1.1.
Входной контроль качества сырья при производстве ПГК
Наименование Нормативный Контролируемый Нормативный документ на
Сырья документ Параметр методы контроля
1 2 3 4
Крахмал куку- ГОСТ 7697 Орган. показатели ГОСТ 7698
рузный Влажность ГОСТ 7698
Молоко обезжирен- ГОСТ 10970 Орган. показатели ГОСТ 8764
ное сухое Влажность ГОСТ 8764
Кислотность ГОСТ 8764
Молоко цельное ГОСТ 4495 Орган. показатели ГОСТ 8764
сухое Влажность ГОСТ 8764
Кислотность ГОСТ 8764
Жирность ГОСТ 8764
Молоко цельное ГОСТ 2903 Орган. показатели ГОСТ 8764
сгущенное с саха- Влажность ГОСТ 8764
ром Кислотность ГОСТ 8764
Жирность ГОСТ 8764
Допускаемые размеры ГОСТ 2903 гранулометри-
кристаллов сахара ческий состав
Патока крахмальная ГОСТ Р 52060 Орган. показатели ГОСТ Р 52060
Массовая доля с.в. ГОСТ Р 52060
Массовая доля ред. в-в ГОСТ Р 52060
Кислотность ГОСТ Р 52060
Температура пробы ГОСТ Р 52060
Пюре плодовое ТУ 10.963.11-90 Орган. показатели ТУ 10.963.11-90
и ягодное Массовая доля с.в. ГОСТ 8756.2
Кислотность ГОСТ 25555.0
30

Проба на желе ГОСТ 8756.19


Массовая доля сернисто- ГОСТ 25555.5
го ангидрида
Сахар - песок ГОСТ 21 - 94 Орган. показатели ГОСТ 12576
Влажность ГОСТ 12576
Цветность ГОСТ 12576
Размеры крист. сахара ГОСТ 12576
Массовая доля ГОСТ 12576
Ферропримесей
В таблице 1.2. представлены значения содержания влаги, сахара и жира в
сырье и полуфабрикатах, контролируемые при производстве ПГК [90, 96, 116].
Содержания влаги, сахара и жира в сырье и полуфабрикатах ПГК.
Таблица 1.2.
Сырье и Влажность, Содержание Содержание
полуфабрикаты % сахара, % жира, %
Сахар – песок 0,15 99,7 -
Патока крахмальная 22,0 32,0 -
Пюре фруктово - ягодное 90,0 7,0 -

Обзор имеющихся и проведенных исследований показал, что потери,


обусловленные ухудшением качества хранящегося сырья, приводят и к коли-
чественным потерям, и к общему снижению качества готового продукта [65,
77, 78, 86, 88, 90, 96, 116]. Потеря сырьем признаков свежести (цвет, запах,
вкус) значительно ухудшает качество вырабатываемых из него кондитерских
изделий [86, 96, 113, 116].
Одним из важных этапов ТП производства ПК является приготовление
сахарного сиропа. Сироп представляет собой прозрачную, вязкую, почти бес-
цветную жидкость. Были изучены имеющиеся работы по влиянию основных
показателей качества сырья, режимов работы оборудования на процесс приго-
товления сахарного сиропа [5, 6, 14, 16, 20]. Проведенный обзор показал, что
на процесс приготовления сахарного сиропа оказывают влияние начальная
концентрация сиропа, его температура, число оборотов мешалки смесите-
ля, время перемешивания, вязкость сахарного сиропа и его состав. Вкус и
цветность помадных масс обусловлены, в основном, теми изменениями, кото-
рые происходят при тепловом воздействии на сахар-песок и сахарный сироп.
31

Вкус в значительной степени определяется изменением размеров кристаллов


сахарного песка [20]. Проведенные исследования позволили выявить наиболее
важные показатели качества, влияющие на ход процесса приготовления
сахарного сиропа. Сиропы должны быть прозрачными, без взвешенных частиц,
обязательно иметь цвет от бесцветного до светло-желтого. Температура хране-
ния - не выше 900С. Содержание сухих веществ сиропа, 78—82%. Входные па-
раметры: угол естественного откоса (для определения гранулометрического
состава сахара – песка), концентрация сахара в сиропе, влажность сахара –
песка, частота перемешивания, время перемешивания, температура сахарного
сиропа, давление греющего пара в колонке. Выходные параметры (показатели
качества готового сахарного сиропа): величина кристаллов сахара и цвет са-
харного сиропа.
Были изучены имеющиеся работы по влиянию основных показателей ка-
чества сырья, режимов работы оборудования, выходных параметров качества
сахарного сиропа на процесс приготовления помадного сиропа [62, 65, 77, 78].
Проведенный обзор показал, что на процесс приготовления помадного сиропа
оказывают влияние величина кристаллов сахарного песка, температура, частота
перемешивания, вязкость раствора, время перемешивания, цвет сахарного си-
ропа. Важными выходными показателями помадного сиропа являются вели-
чина кристаллов сахара в помадном сиропе и цветность помадного сиропа.
Анализ процесса сбивания [77, 78] показал, что на стадии приготовления
помадной массы большую роль играет температура помадного сиропа, подава-
емого на сбивание. Исследование процесса сбивания позволило выявить все
входные параметры, влияющие на ход данного процесса: температура помадно-
го сиропа, подаваемого на сбивание; вязкость; массовая доля влаги помадного
сиропа; давление пара перед началом сбивания; время сбивания; температура
процесса сбивания; температура холодной воды в помадосбивальной машине;
частота вращения сбивальных лопастей. Выходными параметрами (показате-
лями качества готовой помадной массы) являются: температура на выходе по-
32

мадной массы , величина кристаллов сахара и цвет полученной помадной мас-


сы.
Дальнейшее исследование процесса приготовления конфетных масс [5, 6,
14, 16, 17, 19 -22, 80] позволило выявить все входные параметры, влияющие
на ход данного процесса: температура помадной массы, влажность, вязкость
подаваемой помадной массы, показатели качества подаваемых на смешивание
компонентов: патоки, молока, фруктово- ягодного пюре; время смешивания,
температура процесса смешивания, частота вращения лопастей в смесительном
аппарате, соотношение рецептурных добавлений поступающих ингредиентов.
Выходные параметры (показатели качества готовых конфетных масс): вели-
чина кристаллов сахара и цвет полученных конфетных масс.
Обзор и анализ работ по процессу формования кондитерских масс [65,
77, 78 – 80, 90], а также проведенные нами экспериментальные исследования
процесса формования помадных конфет позволили выявить наиболее важные
показатели качества, влияющие на ход процесса формования конфетных масс.
Входные параметры: скорость vм выхода массы из матричного отверстия ;
реологические свойства подаваемых на формование конфетных масс; темпера-
тура конфетной массы, поступающей на формование; скорость транспортерной
ленты. Выходные показатели качества: цвет выходящей после формования
массы, величина кристаллов сахара и высота конфетного жгута на выходе по-
сле формования.
Глазирование конфет позволяет уберечь их от влияния внешней среды и
быстрого высыхания, что приводит к увеличению срока хранения. Также глази-
рование применяется для повышения пищевой ценности, улучшения вкусовых
качеств и внешнего вида конфет. Были изучены имеющиеся работы по влиянию
основных показателей качества сырья, режимов работы оборудования на про-
цесс глазирования корпусов конфет [65, 77, 78 – 80, 90, 117, 129, 130, 134, 136,
153], которые позволили выявить наиболее важные показатели качества, вли-
яющие на ход процесса глазирования корпусов конфет. Входные параметры:
33

влажность, не более 19% ; показатели качества шоколадной глазури (вязкость,


цвет, температура шоколадной глазури, вкус); скорость перемещения корпусов
конфет по конвейеру глазированной машины (влияет на качество нанесения
глазури); число оборотов мешалки в темперирующей машине перед подачей
конфет на глазирование; расход водуха при обдувании глазированной помад-
ной конфеты; время пребывания глазированных конфет в охлаждающей каме-
ре; температура внутри охлаждающей камеры (температура должна быть ниже
температуры кристаллизации глазури). Выходные параметры (показатели ка-
чества готовых глазированных помадных конфет): цвет, форма полученной
конфеты и вкус.
Органолептические показатели качества помадных конфет представлены
в таблице 1.3.
Органолептические показатели качества помадных конфет
Таблица 1.3

По физико-химическим показателям помадные конфеты должны соот-


ветствовать требованиям, указанным в таблице 1.4.
Физико-химические показатели качества помадных конфет
Таблица 1.4

Одним из важных выходных параметров качества ПГК является количе-


ство брака, полученного в результате завертки.
34

Б. Анализ ТП производства муки

Мука является важнейшим продуктом питания, полученным в результате


перемалывания зѐрен различных культур, необходимой составляющей при при-
готовлении хлеба [2, 14, 154, 174]. Основными видами хлебопекарной муки
являются пшеничная и ржаная. Пшеничной муки изготавливают больше, чем
ржаной. Это обусловлено приятными вкусовыми качествами и высокой пище-
вой ценностью изделий из пшеничной муки. Основные отличия сортов прояв-
ляются в цвете полученной муки, величине помола зерна и степенью очистки
от оболочек [13 - 16]. Устройство и принцип действия линии по производству
муки подробно описаны и проанализированы в нашей монографии [148 ]. Ос-
новные стадии технологического процесса размола зерна при производстве му-
ки представлены на рисунке 1.3.

Рисунок 1.3. Стадии технологического процесса производства муки

Каждая стадия включает в себя набор операций, способствующих изме-


нению свойств технологических материалов, которые в итоге преобразуются в
готовый продукт. Структурная схема, раскрывающая набор операций и мате-
риальные потоки ТП производства муки на мелькомбинате в Сокольниках,
представлена на рисунке 1.4.
Для решения проблемы автоматизации контроля показателей качества
муки в потоке было проведено тщательное, всестороннее изучение и анализ
наиболее важной стадии процесса производства муки – размола.
Для исследования и анализа процесса размола была выбрана технологи-
ческая линия по производству пшеничной муки на ОАО «Мелькомбинат в Со-
кольниках», представленная на рисунке 1.5.
35

зерно

Драной процесс

Мука в/с

Сортировочный
процесс

Мука 1 сорт

Ситовеечный
процесс
Мука 2 сорт

Шлифовочный
процесс
отруби

Размольный
процесс

Вымольный
процесс

Рисунок 1.4. Структурная схема, раскрывающая набор операций и


материальные потоки ТП производства муки.
Линия начинается с комплекса оборудования для подготовки зерна к по-
молу, в состав которого входят силосы, регулирующие и транспортные устрой-
ства для хранения и формирования помольных партий зерна; машины и аппара-
ты для отделения примесей, отличающихся от зерна геометрическими размера-
ми, формой, плотностью, магнитными и другими свойствами; машины и аппа-
раты для гидротермической и механической обработки поверхности зерна;
устройства для дозирования и контроля качества зерна [117, 148]. В состав ли-
нии входят 5 крупообразующих (драных) комплексов оборудования, каждый из
которых содержит магнитные сепараторы, вальцовые станки, рассева и ситове-
ечные машины. По ходу технологического процесса от первого до последнего
комплекса крупность обрабатываемых частиц уменьшается. Мелкие фракции
продуктов измельчения подвергают вымолу в бичевых и щеточных машинах.
Ведущими являются 12 размольных комплексов оборудования, включа-
ющих магнитные сепараторы, вальцовые станки, деташеры и рассева. Первый,
второй и третий комплексы по ходу технологического процесса предназначены
для получения муки высшего сорта. В комплексах с четвертого по шестой по-
лучают муку высшего и первого сорта.
36

Рисунок 1.5. Технологическая линия по производству муки на ОАО


«Мелькомбинат в Сокольниках»
Последующие комплексы размольного оборудования обеспечивают по-
лучение муки первого и второго сорта. Завершающий комплекс включает обо-
рудование для весового дозирования и смешивания групповых потоков (компо-
нентов сортов муки), емкости для хранения готовой продукции, весовыбойные
устройства и фасовочные машины.
Мелькомбинат в настоящее время обеспечивает выпуск пшеничной хле-
бопекарной муки шести сортов: экстра, высшего, крупчатка, первого, второго,
обойная, а также различных готовых смесей для хлебопечения [ 148 ]. Мука
первого сорта является наиболее распространенной. Она состоит из тонкоиз-
37

мельченных частиц (размером 40–60 мкм). Количество крахмала составляет в


среднем 75 %, относительно много (13–15 %) белка, выход сырой клейковины
30 %. В муке первого сорта несколько больше сахаров (до 2 %) и жира (1 %),
чем в муке высшего сорта, зольность ее не более 0,75 %, клетчатки содержится
в среднем 0,27–0,3 %. Цвет муки первого сорта от чисто-белого до белого с
желтоватым или сероватым оттенком. Мука первого сорта хороша для несдоб-
ной выпечки (булок, пирогов, блинов, оладий, пассерования, национальных ви-
дов лапши и др.), и для выпечки различных хлебных изделий. Готовые изделия
из нее черствеют медленнее.
Методы органолептического контроля показателей качества зерна и муки
К органолептическим свойствам зерна относятся показатели качества
зерна (цвет, запах, вкус), определяемые при помощи сенсорных систем органов
чувств. Они являются показателями свежести зерна, полноценности потреби-
тельских качеств. Органолептический свойства, характеризующие качество
зерна определяются дегустаторами в соответствии с ГОСТ 10967 - 90 «Методы
определения запаха и цвета зерна»[ 46 ]. В лаборатории комбината эта проце-
дура является очень длительной по времени с использованием колб, чашек
Петри; сит из металлической сетки, шпателя; источника тепла, обеспечивающе-
го нагрев зерна до 40°С и т.д.
Цвет зерна определяют визуально, сравнивая с описанием этого признака в
стандарте на пшеницу. Цвет определяют при рассеянном дневном свете. Пше-
ницу разделяют на типы и подтипы и поэтому соответствие качества должно
быть с учетом свойственного ей типа и класса. При сравнении пробы зерна с
одним из эталонов, другой закрывают металлическим экраном во избежание
искажения результатов проводимой экспертизы. Степень обесцвеченности
определяют в строгом соответствии с ГОСТ 10967-90.
Запах зерна в доброкачественном зерне мало ощутим. Любой посторон-
ний запах для продовольственного зерна считается недопустимым, а при нали-
38

чии порчи зерно переводят в категорию дефектного. В лабораторных условиях


также исследунтся запах и вкус зерна.
Определение органолептических показателей муки (цвет, запах, вкус и
хруст) осуществляют согласно «ГОСТ 27558-88. МУКА И ОТРУБИ. Методы
определения цвета, запаха, вкуса и хруста» » [49]. При определении органолеп-
тических показателей испытываемую муку специалисты лаборатории сравни-
вают с установленными образцами или характеристиками, приведенными в
ГОСТах. ГОСТ 27668 устанавливает методы определения и отбора этих пока-
зателей. При определении цвета, запаха, вкуса и хруста используется следую-
щая аппаратура: весы лабораторные, термометр по ГОСТ 28498, стакан хими-
ческий по ГОСТ 25336, пластинки стеклянные размером 80 х 150 мм, лопаточ-
ка, шпатель. Цвет муки определяют лабораторным методом по сухой пробе,
сравнивая испытуемую муку с мукой установленного образца. Цвет муки уста-
навливается путем сравнения испытуемого образца с установленным образцом
или с характеристикой цвета, указанной в соответствующих стандартах на
продукцию. Свежая мука обладает слабым, свойственным еѐ запахом. Затхлый
и кислый запах муки указывают на то, что она испорчена или получена из не-
свежего зерна. Вкус и наличие хруста определяют путем разжевывания 1 – 2
навесок муки массой около 1 г каждая. Мука нормального качества имеет при
разжевывании слабо сладковатый, почти пресный вкус. Слабокислый привкус
указывает уже на несвежесть муки, а явно кислый или горький вкус – на то, что
мука испорчена. Разжевыванием щепотки муки устанавливают отсутствие хру-
ста на зубах из-за наличия песка, земли и тому подобных минеральных приме-
сей. Запах, вкус и хруст устанавливают в соответствии с характеристиками,
указанными в стандартах на муку.
Контроль цвета, вкуса и крупности помола в настоящее время определя-
ются только лабораторными методами [148].
39

Крупность помола. Проверяют крупность муки путем просеивания образ-


ца (50 г.) через набор сит, указанных для каждого сорта в технических условиях
на муку.
Контролируемые показатели при производстве муки. Согласно СТБ 1666-
2006 мука пшеничная хлебопекарная должна соответствовать по органолепти-
ческим и физико-химическим показателям качества требованиям и нормам,
указанным в таблице 1.5.
Органолептические и физико-химические показатели качества муки
пшеничной хлебопекарной по СТБ 1666-2006.
Таблица 1.5.
Наименование Характеристика и норма качества муки
Показателей высшего первого второго
сорта сорта сорта
1 2
Цвет Белый или белый с Белый или с Белый или с
кремовым оттен- жѐлтым оттен- жѐлтым оттенком
ком ком
Запах Свойственный муке пшеничной, без посторонних запа-
хов, не затхлый, не плесневый
Вкус Свойственный муке пшеничной, без посторонних при-
вкусов, не кислый, не горький
Содержание минеральной при- При разжевывании муки не должно ощущаться хруста
меси
Влажность, % 15,не более 15,не более 15, не более
Белизна, условных единиц при- 54, не менее 12,не менее
бора РЗ-БПЛ
Клейковина сырая: - количество, 28,не менее 30,не менее 28, не менее
% - качество
не ниже второй группы
Зольность в пересчете на сухое 0,55, не более 0,75,не более 1,25
вещество, %
Металломагнитная примесь, 3,не более
мг/1кг муки размером отдельных
частиц в наибольшем линейном
измерении не более 0,3 мм и
(или) массой не более 0,4 мг
Зараженность и загрязненность Не допускается
вредителями хлебных запасов

Результаты анализов записывают в лабораторных книгах или документах о


качестве произведенной продукции. Общие технические требования, которым
должна соответствовать пшеничная мука по органолептическим показателям в
соответствии с ГОСТ Р 52189-2003 «Мука пшеничная. Общие технические
40

условия» приведены в таблицах [49]. Методы определения этих показателей


качества муки приведены в монографии [148].
В. Анализ ТП производства сливочного масла
Сливочное масло – высококалорийный молочный продукт, состоящий из
жировой части (72 – 82%) и плазмы (16 – 25%) [15, 16]. Прекрасный вкус, аро-
мат, сбалансированное количество летучих жирных кислот, большое содержа-
ние жирорастворимых витаминов, высокая усвояемость и питательность дела-
ют масло незаменимым продуктом питания. В настоящее время в соответствии
с требованиями ГОСТа сливочное масло вырабатывается соленым и несоле-
ным, любительским, крестьянским, вологодским и т.д.. По структуре сливочное
масло представляет собой непрерывную жировую среду. В соответствии с
ГОСТом 37-87 по показателям масло должно удовлетворять следующим требо-
ваниям: влага, %, не более 16,0%; жир, %, не менее 82,5% »[ 60 ].
Выработка сливочного масла - сложный физико-химический процесс, ос-
новой которого является выделение жира из сливок в виде жирового концентр-
ата (промежуточный продукт), равномерное распределение его компонентов и
пластификация. В зависимости от метода концентрации на промежуточных
стадиях процесса соответственно получают масляное зерно или высокожирные
сливки. При получении высокожирных сливок все технологические операции,
вплоть до маслообразования, осуществляются при температуре 60—95 °С и
только на конечной стадии процесса продукт охлаждается до температуры мас-
совой кристаллизации глицеридов (12—15°С). Температура свежевыработанно-
го масла составляет 12—15 °С. Схема технологического процесса производства
сливочного масла сбиванием в маслоизготовителях непрерывного действия
представлена на рисунке 1.6. на примере отечественной поточной линии произ-
водительностью 1000 кг/ч А1 – ОЛО.
Процесс производства масла методом непрерывного сбивания условно
можно разделить на следующие стадии: тепловая обработка исходного сырья
(сливок) (пастеризация); низкотемпературная подготовка сливок к сбиванию
41

(физическое созревание); сбивание сливок (получение масла); фасовка, упа-


ковка, маркировка и хранение масла на заводе.

Рисунок 1.6. Схема технологического процесса производства сливочного масла


сбиванием.
а) – периодического действия (показано пунктирной линией); б) - непре-
рывного действия (показано прямой линией); 1 – резервуар для молока; 2 –
насос; 3 – уравнительный бачок; 4 – пластинчатые аппараты; 5 – сепаратор; 6 –
промежуточный бачок; 7 – дезодоратор; 8 – резервуар для созревания сливок; 9
– маслоизготовитель периодического действия; 10 – гомогенизатор масла; 11 –
машина для фасования масла в короба; 12 – весы; 13 – рольганг; 14 - маслоиз-
готовитель непрерывного действия; 15 – конвейер; 16 – автомат для фасования
масла; 17 – автомат для укладки брикетов масла в короба; 18 – устройство для
заклеивания коробов с маслом.

Основные показатели качества готового сливочного масла: консистенция,


вкус, запах масла и его цвет. Качественные показатели масла во многом харак-
теризуют его внешний вид (структура, цвет, оформление). Вкус и запах, цвет
как показатели качества сливочного масла практически предопределяются, в
первую очередь, качеством исходного сырья. Во многом, качество и свойства
масла зависит от методов переработки сливок, применяемого сырья, вкусовых
и ароматических добавок. Применяемое сырьѐ и материалы должны соответ-
ствовать требованиям действующих стандартов и технических условий. При
производстве сливочного масла необходимо максимально полно использовать
молочное сырье.
Приемка молока заключается в проведении контроля его качества и сор-
тировки. Контролю подвергают каждую партию молока одного сорта, посту-
42

пившего на производство, оформленное одним сопроводительным документом.


После перемешивания молока определяют органолептические показатели: вкус,
запах, цвет, консистенцию [62,86]. Оценку вкуса молока следует производить
выборочно после кипячения пробы. Сепарирование молока ведут при темпера-
туре 35-40 °С и кислотности не более 20 ед. РН. Подогрев молока до 35-40 °С
перед сепарированием осуществляется проточным трубчатым подогревателем
(ИПКС-012).
На производство масла направляются сливки одинаковой жирности, так
как иначе потребуются разные условия подготовки их к сбиванию. Для произ-
водства сладкосливочного и кисломолочного масла требуется жирность сливок
- 32-37%, вологодского - 25-28%. Сливки нормализуют по жиру цельным моло-
ком. Процесс нормализации осуществляется в ванне длительной пастеризации.
Для пастеризации сливок применяют пастеризационно – охладительные уста-
новки. Температура пастеризации не должна быть ниже 85С. При выборе ре-
жимов пастеризации сливок учитывают вид вырабатываемого масла, а также
качество сливок. Основными показателями качества сливочного масла являют-
ся вкус и запах, которые в значительной степени зависят от тепловой обработ-
ки. Также качество масла зависит от правильно выбранного режима созревания
сливок, от температуры и продолжительности сбивания.
Сбивание сливок в масло — сложный процесс, который зависит от мно-
гих факторов. Основными из которых являются: частота вращения рабочего ор-
гана маслоизготовителя, начальная температура сбивания сливок, жирность
сливок. При сбивании сливок в маслоизготовителях важное значение имеют та-
кие факторы, как степень заполнения маслоизготовителя сливками, частота
вращения маслоизготовителя, начальная температура сбивания сливок. Степень
заполнения маслоизготовитля сливками влияет на продолжительность сбивания
сливок. Оптимальной считают степень заполнения маслоизготовителя 40 - 50%.
При степени заполнения маслоизготовителя более 50 % нарушается нормаль-
ный процесс сбивания сливок, что приводит к повышению содержания жира в
43

пахте. Минимальная степень заполнения маслоизготовителя составляет 25 %


общего объема. При степени заполнения маслоизготовителя менее 25% центро-
бежная сила прижимает сливки к стенке маслоизготовителя тонким слоем.
Прекращается перемешивание сливок, и в результате сбивания сливок не про-
исходит. К важнейшим технологическим параметрам, влияющим на качество
готового сливочного масла относится температура сбивания. При заниженной
температуре удлиняется продолжительность сбивания, что ведѐт к выработке
масла с невыработанной влагой и засаленной консистенцией. Завышение тем-
пературы сбивания приводит к повышению жирности и получению масла с
мягкой мажущейся консистенцией. Содержание влаги в масле регулируют из-
менением: частоты вращения мешалки сбивателя и шнеков обработника; тем-
пературы сбивания сливок; количеством подаваемых в сбиватель сливок. Из-
лишне мягкое, как и излишне твѐрдое масло, нарушает нормальную работу
расфасовочных машин.
Начальную температуру сбивания сливок выбирают с таким расчетом,
чтобы независимо от формы рабочей емкости маслоизготовителя продолжи-
тельность сбивания составляла 50 - 60 мин. Сокращение продолжительности
сбивания приводит к ухудшению качества масляного зерна и значительному
отходу жира с пахтой. При увеличении продолжительности сбивания масляное
зерно получается слишком твердое, упругое, оно плохо обрабатывается, а по-
лученное масло может иметь грубую,засаленную консистенцию.
Вода. Применяемая для мойки маслоизготовителей и промывки масляно-
го зерна, используемая вода должна удовлетворять требованиям действующего
ГОСТа на питьевую воду. Вода должна быть прозрачной, светлой, без мути и
осадка, а также без посторонних запахов и привкусов. На заводах, обеспечива-
ющих доброкачественной водопроводной водой с температурой ниже 8 0С.
Масло сливочное, выработанное способом сбивания сливок, расфасовы-
вают в ящики согласно действующим ГОСТам массой по 20 и 25,4 кг и брике-
тами по 10, 15, 20, 30, 100, 200, 250 и 500 г. Мелко фасованное масло можно
44

хранить на заводе при 0 - 5 0С не более трѐх дней. При минусовых температу-


рах – не более 5 суток.
Г. Анализ ТП производства кваса
В наше время российский рынок представлен множеством безалкоголь-
ных напитков. Одним из лучших безалкогольных натуральных напитков на
отечественном рынке, бесспорно, является хлебный квас. Он является нашим
национальным продуктом, обладает особенным вкусом и полезными свойства-
ми и не имеет аналогов среди других безалкогольных напитков. Истории кваса
более 1000 лет, но и сейчас его популярность среди большого разнообразия
безалкогольной продукции только возрастает.
Хлебный квас [14 – 16, 113,117] – продукт незавершенного спиртового и
молочнокислого брожения сусла с добавлением сахара, дрожжей и молочно-
кислых бактерий. Брожение квасного сусла — сложный биохимический про-
цесс, обогащающий хлебный квас ценными витаминными компонентами.
Производство кваса состоит из этапов, показанных на рисунке 1.7

Приготовление хлебного (квасного) сусла

Брожение

Купажирование и осветление кваса

Выдержка кваса и розлив готового напитка

Рисунок 1.7. Технология производства кваса.


Изучение имеющихся на российских предприятиях различных линий
производства кваса показало, что работа большинства этих линий основана на
методе разбавления квасного сусла. Концентрат квасного сусла (ГОСТ 28538-
90) — продукт, получаемый путем затирания с водой ржаного или ячменного
солода с последующим осветлением, сгущением полученного сусла в вакуум-
аппарате и тепловой обработкой полученного продукта [16,137]. По внешнему
виду — это вязкая густая жидкость темно-коричневого цвета, кисло-сладкого
45

вкуса, с незначительно выраженной горечью, с ароматом ржаного хлеба. Кон-


центрат квасного сусла – это натуральный и безвредный продукт, служащий
для более простого и совершенного способа приготовления кваса. При получе-
нии сусла из концентрата практически нет потерь экстрактивных веществ. В
этом заключается еще одно существенное преимущество концентрата. Благода-
ря этому разработана технология получения различных видов кваса (с различ-
ным временем брожения, пастеризованных и не пастеризованных, разливаемых
в бутылки различной емкостью со сроком годности до 2 месяцев). Эта техноло-
гия ликвидирует сезонность его производства, позволяет более четко опреде-
лять показатели его качества. Потребителю удобнее употреблять квас, разли-
тый в бутылки. Типовая технологическая схема производства хлебного кваса
представлена на рисунке 1.8. [16, 117].

Рисунок 1.8. Технологическая схема производства хлебного кваса


Ржаной солод – 1(измельченные в дробилке – 2), передается транспорте-
ром – 3 и на тележке – 5 на весы – 4 и далее в бункер– 6. Для приготовления
сусла данное сырье поступает в чан – 9 . Туда же поступает вода с помощью
насоса – 8. Готовое сусло насосом – 10 через теплообменники – 11 перемеща-
ется в бродильный чан – 12. После брожения и охлаждения перекачиванием
насоса – 13 поступает в купажный чан – 14. После купажирования насос – 15
подает хлебный квас для охлаждения в теплообменник – 16 и тару–17 (напри-
мер, автотермоцистерну). Из сироповарки – 19 с помощью дозатора – 20 сахар-
46

ный сироп поступает в бродильный 12 и купажный 14 чаны. Квасные дрожжи


поступают из сборника – 21 в бродильный чан – 12 через смеситель – 22. Рас-
сол для охлаждения из холодильной установки – 26 насосом –27 подается в
бродильный чан – 12, затем в теплообменник – 16 и затем полученная смесь
охлаждается и из аппаратов – 9, 12 перекачивается в сборник – 18 насосом – 25.
Алгоритм технология производства кваса (рисунок 1.9) заключается в
следующем:

Рисунок 1.9. Алгоритм работы линии приготовления хлебного кваса.

В последнее время большинство цехов и заводов по приготовлению кваса


используют концентрат квасного сусла (ККС), который получают из ржаного
не ферментированного солода. Для улучшения физико-химических и органо-
лептических показателей, придания полученному при упаривании концентрату
ярко выраженного хлебного аромата и специфического вкуса, а также в целях
стерилизации его подвергают термообработке. Основные органолептические
показатели концентрата квасного сусла по ГОСТ31494-2012 [51]: внешний вид
47

- непрозрачная вязкая густая жидкость, цвет - темно-коричневый, вкус - кисло-


сладкий, хлебный, с незначительно выраженной горечью и аромат - ржаного
хлеба.

Продолжение рисунка 1.9. Алгоритм работы линии приготовления кваса.

При производстве кваса используют только воду питьевого назначения


[16,117]. Для приготовления квасного сусла берутся квасные брикеты,
состоящие из ржаной муки, которые заливаются горячей водой. В бродильном
аппарате, смешивают концентрат квасного сусла и сахар, заливают водой.
Когда температура квасного сусла опустится до 20°С, в него добавляют
подготовленные квасные дрожжи, сусло тщательно перемешивают. Затем
начинается процесс брожения. При t = 20 — 25°С продолжительность
брожения 37 — 48 часов. При t=26 — 30 °С продолжительность брожения 25-
30 часов. Процедура осветления не обязательная, но она увеличивает срок
хранения продукта на несколько дней. Герметично закупоренные емкости с
квасом оставляют для дображивания при температуре 18-24 0С на 8-10 часов
для насыщения углекислотой, затем помещают в охлаждаемое помещение с
температурой 5-10 0С на 10-14 часов. После всех этих ТП квас готов к реализа-
ции. Одной из важнейших задач обеспечения высокого качества производимого
48

кваса является стабилизация технологических процессов(ТП) приготовления


кваса и оптимизация режимов работы оборудования на основе учета изменения
параметров, определяющих ход протекания этих процессов.
Производство кваса является ТП повышенной сложности, поскольку вхо-
дящие в приготовление кваса этапы определяются: многостадийностью и зна-
чительной сложностью; нестационарностью по ассортименту и качеству пере-
рабатываемого сырья; многообразием и нестабильностью режимов на разных
стадиях технологического процесса производства. Обзор и анализ производства
кваса показали, что важнейшими показателями качества на всех этапах произ-
водства кваса являются вкус и цвет.

1.2.2. Классификация основных операций ТП производства пищевой


продукции и выбор факторов, определяющих эффективность этих
операций

Проведенные исследования позволили провести классификацию


основных операций процессов производства пищевой продукции и выбрать
факторы, определяющие эффективность этих операций (таблица 1.6). При со-
ставлении таблицы 1.6. были использованы также данные исследований , по-
священных: расчету, конструированию и методам исследования машин и аппа-
ратов пищевых производств [14, 117]; технологии производства пищевой про-
дукции, характеристике свойств этих масс [1, 2, 5, 6, 13 – 22, 62, 65, 77 - 80, 88,
90, 94 – 96, 113]; исследованиям влияния технологических факторов, режимов
работы оборудования, конструктивных параметров используемого оборудова-
ния на качество готовых изделий [117, 134]; вопросам автоматизации процессов
производства различных пищевых производств [2, 5, 6, 13 – 22, 62, 79 – 83, 93
– 96, 125, 126, 128, 134, 136, 142, 148, 171, 172].
Основные типовые операции ТП производства пищевой продукции и
факторы, определяющие эффективность этих операций
Таблица 1.6.
49

№ Наименова- Определяющие факторы, зависящие от: Наличие операций в схе-


п/п ние типовой работы технологическо- свойств сырья и мах производства по-
го оборудования перерабатываемого мадных конфет/ показа-
операции
продукта тели материала после
обработки
1 2 3 4 5
1 Очистка Производительность, ки- Влажность, со- +
(просеива- нематические и конструк- держание приме- Влажность, содержание
ние) и сор- тивные параметры обору- сей, примесей, грануломет-
тировка дования/скорость, интен- гранулометриче- рический состав, темпе-
сыпучего сивность, размеры отвер- ский состав, ско- ратура
сырья стий сит, степень извле- рости витания
чения примесей, скорость компонентов сме-
воздуха си
2 Очистка Производительность, Физические и +
(фильтра- кинематические и кон- структурно- ме- Физические и структур-
ция) жид- структивные параметры ханические свой- но-механические свой-
кого сырья оборудования/скорость, ства (влажность,
ства (влажность, вяз-
(коллоид- интенсивность, матери- вязкость, конси-
ный рас- ал фильтрующей по- стенция, проч- кость, консистенция,
творов, верхности, размер отвер- ностные свойства прочностные свойства и
суспензий, стий в фильтрах, степень и т.д.), содержа- т.д.), содержание приме-
эмульсий) извлечения примесей ние примесей сей, температура
3 Размол, Производительность, Физические и +
измельче- кинематические и кон- структурно- меха- Гранулометрический со-
ние, дроб- структивные параметры нические свойства став, массовая доля су-
ление сы- оборудования/скорость, (влажность, вяз- хих веществ, массовая
рья, полу- интенсивность, грануло- кость, консистен- доля жира, температура,
фабриката метрический состав, дроб- ция, плотность, количество примесей
ление, истирание, удар, прочностные свой-
раскалывание), определяе- ства и т.д.), время
мый типом применяемого воздействия, тем-
оборудования пература, насып-
ная масса
4 Взвешива- Производительность, Масса, влажность, +
ние и дози- кинематические и кон- вязкость, грануло- масса, гранулометриче-
рование структивные параметры метрический со- ский состав
оборудования/скорость, став, консистен-
интенсивность, класс ция, плотность,
точности прочность и т.д.
5 Тепловая Производительность, Начальная и ко- +
обработка: кинематические и кон- нечная темпера- вязкость, масса, плот-
разогревание, структивные параметры тура, влажность, ность, прочность
уваривание, оборудования/скорость, вязкость, грану-
сбивание, интенсивность, продол- лометрический
нагрев,охлаж жительность обработки, состав
дение, сушка температура обработки, насыпная масса,
(сахара- % влажности, количе- плотность, проч-
песка) ство зон нагрева или ность
охлаждения, характер
50

относительного движе-
ния теплоносителя и
продукта
6 Перемеши- Производительность, ки- Температура, ре- +
вание нематические и конструк- цептурный состав, Однородность, темпера-
тивные параметры обору- реологические тура,рецептурный со-
дования/скорость, интен- свойства став, реологические
сивность, эффективность свойства, плотность,
перемешивания (одно- Масса
родность получаемой
массы), продолжитель-
ность перемешивания
7 Формова- Производительность, Начальная влаж- +
ние Рабочее давление, про- ность, начальная Влажность, температура,
должительность цикла температура, дис-
дисперсность, реологи-
формования, кинемати- персность,
ческие и конструктивные начальные реоло- ческие свойства, состав,
параметры гические свойства плотность

Полученная таблица является основой разработки функционально -


структурной схемы (ФСС) влияния показателей сырья, промежуточных опера-
ций на качество получаемых пищевых изделий, поскольку позволяет выявить
факторы, влияющие на состояние полуфабрикатов и готовых изделий при вы-
полнении различных операций.
1.2.3. Функционально-структурные схемы (ФСС) влияния факторов
исходного сырья, промежуточных операций на качество готовой продукции
в процессе производства конфет, муки, сливочного масла и кваса

А. ФСС влияния факторов исходного сырья, промежуточных операций на


качество готовой продукции в процессе производства ПГК

Прежде чем решать комплекс задач, обеспечивающих автоматизацию


контроля показателей качества помадных глазированных конфет (ПГК) в про-
цессе производства, необходимо четко представить себе сущность процесса
приготовления этих конфет, всех совершаемых операций, формирующих каче-
ство получаемых конфет в их взаимосвязи. Такой анализ удобно проводить на
базе функционально-структурной схемы (ФСС) влияния исходного сырья, про-
межуточных операций на качество производимых ПГК. Данная схема будет
отражать последовательность выполнения основных операций данного произ-
51

водства с указанием обобщенных показателей качества Yi реализации соответ-


ствующих операций ТП и позволит выявить основные параметры контроля ка-
чества как исходного сырья, так и получаемых в ходе проведения ТП, влияю-
щих на качество конечного продукта. В дальнейшем это дает возможность изу-
чить информативность всех указанных в схеме параметров, выбрать наиболее
значимые из них и с учетом полученных результатов распределить необходи-
мые точки контроля и регулирования хода исследуемого ТП производства ПГК.
Для выполнения указанной задачи использовались полученные ранее в
пп. I.1. и 1.2.1. данные об основных контролируемых показателях качества сы-
рья, полуфабрикатов, готовых помадных конфет; функциональные зависимо-
сти выходных или промежуточных параметров хода ТП производства глазиро-
ванных помадных конфет (ПК) от входных переменных (таблицы 1.1 и 1.2.).
На рисунке 1.10 представлена ФСС влияния факторов исходного сырья,
промежуточных операций на качество готовых помадных глазированных кон-
фет (ПГК) на всех стадиях процесса производства. Практически на всех этапах
ТП приготовления ПГК сырье ( сахарный песок, патока, молоко, фруктово -
ягодное пюре ) и получаемые в ходе ТП полуфабрикаты (сахарный сироп, по-
мадный сироп, помадные и конфетные массы, шоколадная глазурь) подверга-
ются интенсивной механической обработке, которая и обуславливает протека-
ние сложных физико - химических процессов, вызывая при этом существенные
изменения свойств перерабатываемых масс. Исходным сырьем для получения
помадных конфет служит сахарный песок, основными показателями качества
которого являются влажность (W1), цвет (Цсп), массовая доля ферропримесей
(МДфп), крупность кристаллов сахара (Sсп), органолептические показатели
(ОПсп).
В процессе дробления сахарного песка (1) на показатели его качества
оказывают влияние такие режимные параметры, как продолжительность
дробления (τ1), температура (tос), влажность окружающей среды (Wос), число
52

оборотов рабочего органа (n1). Качество сахарного песка после процесса дроб-
ления Y1 оценивается по крупности помола (КП2), цвету (Ц2) и влажности (W2).

Рисунок 1.10. ФСС влияния факторов исходного сырья и промежуточных


операций на качество продукта на всех стадиях процесса производства ПГК.
После дробления измельченный сахарный песок поступает на очистку
(просеивание) его от ферропримесей (П). При этом на процесс очистки оказы-
вают влияние такие режимные параметры, как расход подаваемого воздуха (Q
в), частота колебания (n2), амплитуда колебаний (А1), толщина слоя просеивае-
мого материала (h1), масса сахарного песка, подаваемого на очистку (mсп); мас-
са примесей (mп). На процесс очистки оказывают также влияние массовая доля
ферропримесей (МДфп1) и влажность полученного после дробления сахарного
песка (W2). Качество сахарного песка после процесса просеивания Y2 оценива-
53

ется по массовой доле полученных ферропримесей (МДфп2), гранулометриче-


скому составу (ГС2) и цвету (Ц2) (или чистоте сырья (Чсп)).
Затем очищенное от ферроприсесей сырье поступает на процесс дозиро-
вания (Ш). Дозирование может осуществляться по объему, например, с помо-
щью многокомпонентного насоса - дозатора, либо по массе с помощью весовых
устройств. В рассматриваемом случае эффективность процесса дозирования
по массе зависит от таких показателей качества сахарного песка, как влажность
(Wсп), гланулометрического состава (ГС2), температуры (t2), а также режимных
параметрв – количества массы (Gсп) и точности дозирования (Δ3).
Кроме сахарного песка важными компонентами при производстве сахар-
ных помадных глазированных конфет являются: вода, патока, молоко, фрук-
торо- ягодное пюре и шоколадная глазурь.
Вода, поступающая на приготовление сахарного сиропа, характеризуется
определенным расходом (Q в4) и характеризуется определенной заданной тем-
пературой (tв4), получаемой при смешивании холодной воды с температурой (t
х.в.) и горячей воды с температурой (t г.в.).
Основными показателями качества патоки являются: влажность (Wп),
цвет (Цп), кислотность (Кт), вязкость (μп) и массовая доля редуцирующих ве-
ществ (МД р.в). В процессе Х1 нагревания патоки на показатели ее качества
оказывают влияние такие режимные параметры, как продолжительность нагре-
вания (τ11), температура (t11) и число оборотов мешалки (n11), находящейся
внутри емкости для нагревания. После нагревания патока проходит процесс
фильтрации ХП, затем дозирования ХШ и далее поступает в смеситель ХХ.
Показателями качества молока являются: кислотность (Км), цвет (Цм),
органолептические показатели (ОПм), влажность (Wм), % содержания жира
(Жм). В процессе Х1У нагревания молока на показатели его качества оказыва-
ют влияние такие режимные параметры, как продолжительность нагревания
(τ14), температура (t14) и число оборотов мешалки (n14), находящейся внутри
54

емкости для нагревания. После нагревания молоко проходит процесс фильтра-


ции ХУ, затем дозирования ХУ1 и далее поступает в смеситель ХХ.
Показателями качества фруктово- ягодного пюре являются: кислот-
ность (Кфяп), органолептические показатели (ОПфяп), влажность (Wфяп) и массо-
вая доля сернистого ангидрида (МДса). В процессе ХУП нагревания фруктово-
ягодного пюре на показатели его качества оказывают влияние такие режимные
параметры, как продолжительность нагревания (τ17), температура (t17) и число
оборотов мешалки (n17), находящейся внутри емкости для нагревания. После
нагревания фруктово- ягодного пюре проходит процесс фильтрации ХУШ, за-
тем дозирования Х1Х и далее поступает в смеситель ХХ.
ТП приготовления помадных конфет, кроме отмеченных выше процессов
дробления, очистки и дозирования сахарного песка; темперирования воды;
нагревания, фильтрации и дозирования других компонентов этих кондитерских
изделий (патоки, молока и фруктово- ягодного пюре), включает в себя также
следующие основные операции, показанные на схеме рисунка 1.2:
- смешивание (У) сахарного песка и воды для получения сахарного сиро-
па. Эффективность проведения данного процесса и получение сахарного сиропа
с оптимальными показателями качества зависит от количества поступающей
массы (Gсп) и (Gв), а также от точности дозирования сахарного песка (Δ3) и от
расхода воды (Q в), поступающих на смешивание; от показателей качества са-
харного песка, которые были перечислены выше, а также от режимных пара-
метров процесса смешивания: продолжительность смешивания (τ5), температу-
ры (t5) и числа оборотов мешалки (n5), находящейся внутри смесителя. Каче-
ство полученного сахарного сиропа (Y5) оценивается по следующим показате-
лям: цвет (Цсс), кислотность (Ксс), велиина кристаллов сахара (ВКСсс), вязкость
(μсс) и влажность (Wсс);
- уваривание УП сахарного сиропа для полученияпомадного сиропа. Эф-
фективность данного процесса зависит от показателей качества готового сахар-
ного сиропа Y5 (цвет Цсс, кислотность Ксс, вязкость μсс и влажность Wсс), а так-
55

же от режимных параметров процесса уваривания (время увариванияτ7, темпе-


ратура уваривания t7 и давление греющего пара внутри змеевика варочного ап-
парата Р7). Качество полученного помадного сиропа Y7 оценивается по следу-
ющим показателям: цвет (Цпс), велиина кристаллов сахара (ВКСпс), вязкость
(μпс) и влажность (Wпс);
- сбивание УШ помадного сиропа. Эффективность проведения данного
процесса и получение помадной массы с оптимальными показателями качества
зависит от показателей качества помадного сиропа, которые были перечисле-
ны выше, а также от режимных параметров процесса сбивания (время сбивания
τ8, температура помадного сиропа при сбивании t8-1, температуры холодной
воды, подаваемой при сбивании в полый шнек внутри аппарата t8-2, Р8 – дав-
ление пара перед началом сбивания и частота вращения вращающих лопастей
при сбивании n8). Качество полученной помадной массы после сбивания Y8
оценивается по следующим показателям: цвет (Цпс), величина кристаллов са-
хара помадной массы (ВКСпм), вязкость (μпс) и влажность (Wпс);
- дозирование 1Х помадной массы. Эффективность процесса зависит от
количества G9 и точности дозирования Δ9 помадной массы, а также от показа-
телей качества помадной массы, которые были перечислены выше;
- темперирование Х помадной массы. Эффективность процесса зависит
от показателей качества помадной массы (Цпс, ВКСпм, μпс и Wпс), от началь-
ной температуры помадной массы (tпм) и от режимных параметров процесса
(t10, τ10);
- смешивание ХХ помадной массы, патоки, молока и фруктово- ягодного
пюре для получения конфетной массы. Эффективность проведения данного
процесса и получение конфетной массы с оптимальными показателями каче-
ства зависит от количества (G9 , G13 , G16, G19) точности дозирования (Δ9 ,
Δ13 , Δ16 , Δ19 ) основных компонентов, поступающих на смешивание (помад-
ная масса, патока, молоко и фруктово- ягодное пюре); от показателей качества
помадной массы, которые были перечислены выше, а также от режимных па-
56

раметров процесса смешивание: продолжительность смешивания (τ20), темпе-


ратура (t20) и число оборотов мешалки (n20), находящейся внутри смесителя.
Качество полученной конфетной массы Y20 оценивается по следующим пока-
зателям: цвет (Цкм), величина кристаллов сахара конфетной массы (ВКСкм),
консистенция (Ккм) и вязкость (μкм);
- формование ХХ1 конфетной массы. Показатель качества проведения
этого процесса Y21 характеризуется формой выходящей конфетной массы (Ф
21), цветом (Ц 21), реологическими свойствами конфетной массы (РСМ) и за-
висит от режимных параметров этого процесса: скорости выхода массы из
матричного отверстия (Vm), температуры помадной массы, поступающей на
формование, (Тф), скорости транспортерной ленты (Vтл);
- глазирование ХХП помадных конфет. Показатель качества проведения
этих процессов Y22 характеризуется формой помадных нлазированных конфет
(Ф 22), цветом полученного изделия (Ц 22) и толщиной покрытия ПК шоколад-
ной глазурью (δ22). Эффективность процесса зависит от количества G24 и точ-
ности дозирования Δ24 шоколадной глазури, показателей качества шоколад-
ной глазури (вязкости μшг , температуры t24 ), а также от показателей качества
помадных неглазированных конфет, которые были перечислены выше.
- охлаждение ХХ1У (необходимо для застывания шоколадной глазури).
Процесс зависит от начальной температуры глазированных помадных конфет
(tпк1), и от режимных параметров процесса: температуры в охлаждающей ка-
мере (t24) и времени охлаждения ( τ24).

Б. ФСС влияния состояния исходного сырья, факторов промежуточных


операций на качество готовой муки в процессе ее производства

Составление структурных моделей влияния факторов промежуточных


операций, состояния исходного сырья на качество муки в процессе переработки
зерна является одним из основных этапов стабилизации и автоматизации ис-
следуемых ТП, поскольку позволяет выявить параметры как исходного сырья,
так и получаемых в ходе проведения ТП полуфабрикатов, влияющих на каче-
57

ство приготавливаемого конечного продукта. В дальнейшем это дает возмож-


ность изучить информативность всех указанных в схеме параметров, выбрать
наиболее значимые из них и с учетом полученных результатов распределить
необходимые точки контроля и регулирования состояния исследуемого ТП
производства муки.
Для выполнения указанной задачи использовались, полученные ранее в
пп. I.1. и 1.2.1. данные об основных контролируемых показателях качества
зерна, промежуточных параметрах переработки зерна в муку, режимах работы
машин и оборудования, используемого в линии производства муки; а также
функциональные зависимости выходных или промежуточных параметров хода
ТП производства муки от входных переменных. Построение ФСС влияния со-
стояния исходного сырья, факторов промежуточных операций на качество го-
товой муки в процессе ее производства рассматривали на примере ТП произ-
водства пшеничной муки высшего сорта. На рис. 1.11. представлена полученная
ФСС формирования потока качества муки в процессе ее приготовления. Схема
составлена на основании обзора и анализа работ различных авторов, посвящен-
ных изучению изменения свойств муки в процессе ее приготовления [62, 116,
117, 130, 136, 138, 145, 157, 174, 175], а также на основе собственных исследо-
ваний в этой области [ 17, 21, 22, 148].
Исходным сырьем для получения муки служит зерно, основными показа-
телями качества которой Кз являются (п.1.1. – 1.2.1.): органолептические свой-
ства зерна: цвет и вешний вид, запах, вкус, определяемые при помощи сенсор-
ных систем органов чувств, а также температура , влажность , крупность, %
примесей в зерновой массе, клейковина, зольность,стекловидность, натура зер-
на, плотность и реологические свойства зерна. В процессе хранения зерна на
показатели ее качества оказывают влияние такие режимные параметры, как
продолжительность хранения (τ1), температура (t1), относительная влажность
воздуха (υв).
58

Рисунок 1.11. ФСС влияния факторов промежуточных операций на качество


готовой муки
Состояние зерна в процессе хранения зависит также от количества хра-
нимого продукта (Qм). На схеме 1.11. представлены основные показатели, ха-
рактеризующие ход процесса зерноочистки, а также драного, сортировочного,
ситовеечного, щлифовочного, размольного и вымольного процессов. Показано,
что на данные процессы оказывют влияние не только показатели качества зер-
на, но и режимные параметры (пролжительность хранения (τ2), температура (t
2), число оборотов оборудования (n1) и др.). На качество зерна в процессе раз-
мола влияют также конструктивные параметры КонП, режимные параметры
машин и аппаратов РП и др.
ТП производства муки, кроме отмеченных выше процессов хранения и
дозирования зерна, включает в себя также драной процесс. Эффективность
проведения данного процесса и получение зерна с оптимальными показателями
качества зависит от качества поступающего зерна, которые были перечислены
59

выше, количества и точности дозирования зерна, поступающего на этот про-


цесс, а также от режимных параметров драного процесса.
На схеме 1.11. представлены также основные показатели качества полу-
чаемой муки в процессе проведения следующих этапов ее производства: из-
мельчения, сортирования по крупности, сортирования по качеству с использо-
ванием ситовеечного процесса, обработке крупок с использованием шлифо-
вочного процесса, а также размольного и вымольного процессов. Показано, что
на данные процессы оказывют влияние не только показатели качества исполь-
зуемого сырья, но и такие режимные параметры, как продолжительность про-
водимой операции (τ2), температура окружающей среды (t 2), относительная
влажность воздуха (υв), число оборотов оборудования (n1), амплитуда колеба-
ний сита (А), радиус колебаний (r) и др.
ТП размола в процессе производства муки включает в себя также такие
операции, как:
- измельчение зерна на вальцевых станках. Эффективность проведения данного
процесса (U изм.) определяется качеством поступающего зерна (Кз ) (основные
показатели качества зерна были перечислены выше) и зависит от влажности
зерна (W), времени проведения операции (τ), относительной влажности воздуха
( ), температуры окружающей среды (t), а также от режимных (РП) и кон-
структивных (КинП) параметров оборудования для проведения данной опера-
ции;
- сортировочный по крупности процесс. Эффективность проведения данного
процесса и получение полуфабриката с оптимальными показателями качества U
сор. зависит от эффективности проведения предыдущей операции U изм, качества
поступающего на данный процесс полуфабриката,а также от режимных пара-
метров сортировочного процесса (расход воздуха Qв, амплитура А, радиус ко-
лебаний r и др.);
- ситовеечный процесс. Эффективность проведения данного процесса и полу-
чение полупродукта с оптимальными показателями качества U сит. зависит от
60

эффективности проведения предыдущей операции U сор, качества поступающе-


го на данный процесс массы , а также от режимных параметров (РП) ситовееч-
ного процесса ;
- шлифовочный процесс. Эффективность проведения данного процесса и полу-
чение полуфабриката с оптимальными показателями качества U шл. зависит от
эффективности проведения предыдущей операции U сит., качества поступающе-
го на данный процесс массы, а также от режимных параметров шлифовочного
процесса (РП);
- размольный процесс. Эффективность проведения данного процесса и получе-
ние муки с оптимальными показателями качества U раз. зависит от эффективно-
сти проведения предыдущей операции U шл., качества поступающего на данный
процесс полученного полуфабриката, а также от режимных параметров (РП)
оборудования размольного процесса;
- вымольный процесс Эффективность проведения данного процесса и получе-
ние муки с оптимальными показателями качества U вым. зависит от эффективно-
сти проведения предыдущей операции U раз., качества поступающего на данный
процесс муки, а также от режимных параметров (РП) оборудования вымольно-
го процесса.
Показателями качества муки являются влажность, цвет муки, вкус, запах,
сила муки, зольность, крупность помола, кислотность, содержание минераль-
ной примеси, газообразуюшая способность, структурно- механические свой-
ства муки.

В. ФСС влияния состояния исходного сырья, факторов промежуточных


операций на качество сливочного масла в процессе его производств
В практике молочной промышленности используются различные схемы
приготовления сливочного масла. На рисунке 1.12 представлена ФСС влияния
показателей сырья, факторов промежуточных операций на качество сливочного
масла, полученного методом сбивания.
61

Практически на всех этапах ТП приготовления сливочного масла сырье


(молоко) и получаемые в ходе ТП полуфабрикаты (обезжиренное молоко, слив-
ки, сбивная масса масла) подвергаются интенсивной тепловой и механической
обработке, которая и обуславливает протекание сложных физико - химических
процессов, вызывая при этом существенные изменения свойств перерабатывае-
мых масс. Исходным сырьем для получения сливочного масла служит молоко,
основными показателями качества которого являются кислотность (Км), цвет
(Цсп), запах (Зм), вкус (Вм), являющиеся органолептическими показателями
(ОПсп), определяемыми дегустаторами в лаборатории предприятия.
В процессе очистки молока (2) на показатели его качества оказывают
влияние такой режимный параметр, как температура молока (tсм). Качество
молока после процесса сепарирования Y2 оценивается по массовой доли жира
(МДЖ), цвету (Ц2) кислотности (К2) и плотности (ρ2).

Рисунок 1.12. ФСС влияния показателей сырья, факторов промежуточных


операций на качество сливочного масла, полученного методом сбивания.
62

После очистки молоко поступает на охлаждение. При этом молоко


должно быть охлаждено и обеспечены такие условия, чтобы температура моло-
ка не поднималась выше 10°С, срок хранения при температуре 8°С не более 6
часов. После охлажления молоко направляют на резервирование, где его тем-
пературу уменьшают до 4°С, при этом срок хранения увеличивается до 24 ча-
сов.
После резервирования перед сепарированием молоко отправляют на по-
догрев до 35-40 °С, что является важной стадией тепловой обработки исходного
сырья для получения сливок. В процессе нагревания молока (Y4) на показате-
ли его качества оказывают влияние такие режимные параметры, как продолжи-
тельность нагревания (τ4), температура (t4) и число оборотов мешалки (n4),
находящейся внутри емкости для нагревания. Перед подогревом оценивается
качество молока по таким показателям, как цвет (Ц4) и вкус (В4).
После нагревания молоко направляется на процесс сепарирования. Ос-
новными режимными параметрами, оказывающими влияние на процесс сепа-
рирования являются: частота колебания (n5), амплитуда колебаний (А5), тол-
щина слоя просеиваемого материала (h5), масса молока, подаваемого на очистку
(mм5).
Качество полученных в процессе сепарирования сливок Y5 оценивается
по массовой доле жира (МДж5), гранулометрическому составу (ГС5) и цвету по-
лученных сливок (Ц5).
Затем полученные сливки поступают на процесс пастеризации (Y6), где
сливки нормализуют по жиру цельным молоком. Процесс нормализации осу-
ществляется в емкости длительной пастеризации. Допускается нормализация
обезжиренным пастеризованным молоком, пахтой и сливками с более высокой
массовой долей жира. Жс - массовая доля жира в этих сливках до % Жс - 30,3%.
Важным режимным параметром в этом процессе является температура
пастеризации, которая не должна быть ниже 85С. При выборе режимов пасте-
ризации сливок учитывают вид вырабатываемого масла, а также качество сли-
63

вок. При выработке сладкосливочного масла (содержание влаги 16%) сливки


1сорта в летний период пастеризуют при температуре 85…90С, а в зимний -
при температуре 92…95С. Пастеризация сливок в пластинчатом теплообменни-
ке способствует увеличению среднего диаметра жировых шариков. После па-
стеризации в лабораториях предприятия дегустаторами оценивается (З 5 ) цвет,
запах и вкус (В5) полученного полуфабриката.
Следующей важной операцией процесса производства сливочного масла
является процесс дезодорации сливок (Y6), который вызывает появление более
крупных жировых шариков средних размеров (2 - 8мкм) и уменьшается число
мелких (1 - 2мкм). В результате такого перераспределения жировых шариков
средний их диаметр увеличивается. С повышением степени разрежения (Р6) до
0,02; 0,04 и 0,06 МПа повышается средний диаметр жировых шариков с 2,87 до
3,22 и 3,42 мкм, соответственно.
Далее полученный полуфабрикат направляется на процесс сепарирова-
ния (Y7) полученных сливок водой. При этом поступающая вода, характеризу-
ется определенным расходом (Q в7) и характеризуется определенной заданной
температурой (tв7), получаемой при смешивании холодной воды с температурой
(t х.в.) и горячей воды с температурой (t г.в.), а также должна отвечать всем опре-
деленным ГОСТ на питьевую воду показателям качества.
После этого сливки подогревают водой (температура не выше 27 0С) до
температуры сбивания (t8). При этом в процессе их тепловой обработки – про-
цесса нормализации (Y8) происходит дальнейшее формирование цвета, вкуса
и запаха сливок. Важными режимными параметрами в этом процессе являются
регулируемая температура (t8), скорость подогрева (V8) , время подогрева (τ8),
квалифицированная сортировка и раздельная переработка сливок, применение
технологических приемов их обработки с учетом качества, профессиональный
выбор ассортимента масла и метода его производств. Рекомендуемая скорость
подогрева сливок 6 – 8 0С/ч. При выборе режима процесса нормализации необ-
ходимо учитывать повышение температуры (на 1 – 2 0С) сливок за счѐт выделе-
64

ния скрытой теплоты кристаллизации. Правильно выбранный режим созрева-


ния сливок улучшает степень консистенции масла.
Одним из наиболее важных процессов производства сливочного масла
является процесс сбивания сливок (Y9). Температуру сбивания (t9) устанавли-
вают с учѐтом жирности сливок, режимов созревания их и сезона года (в весен-
не-летний период года в интервале 7 - 12 0С, в осенне-зимний период года в ин-
тервале 8 – 14 0С), а также используемой конструкции сбивателя. Важными ре-
жимными параметрами процесса сбивания сливок являются: начальная темпе-
ратура поступающих на сбивание сливок (t9), продолжительность сбивания (τ9).
Эти параметры влияют на жирность (Ж9 )и консистенцию получаемого масла.
Завышение температуры сбивания приводит к повышению жирности и получе-
нию масла с мягкой мажущейся консистенцией. Содержание влаги в масле ре-
гулируют изменением: частоты вращения мешалки сбивателя (nм9) и шнеков
обработника (nш9); начальная температура сбивания сливок (t9) и количеством
сливок, подаваемых в сбиватель (V 9). Оптимальной считают степень заполне-
ния маслоизготовителя 40 - 50%.
Полученное после сбивания масло далее поступает на упаковку (Y9). Из-
лишне мягкое, как и излишне твѐрдое масло, нарушает нормальную работу
расфасовочных машин. Поэтому важным режимным параметром является тем-
пература обработки масла (на выходе из маслоизготовителю) (t10), которую
следует поддерживать в пределах 12-15 0С в весенне-летний период и в осенне-
зимний период 13-16 0С.
Расфасованная и упакованная готовая продукция далее поступает на хра-
нение с термостатированием в специально предназначенных для этой цели
помещениях. При этом важными режимными параметрами являются темпера-
тура хранения (t10), которая не должна быть выше 5 0С и время хранение ящи-
ков с маслом (τ10). В камерах с плюсовой температурой допускается хранение
сливочного масла не более трѐх дней. В камерах с минусовой температурой до-
пускается хранение масла, как правило, не более 10 дней.
65

Готовые изделия сливочного масла проверяют в дегустационных лабора-


ториях предприятий по следующим показателям: цвет, вкус, жирность, %;
влажность, %; запах.

Г. ФСС влияния состояния исходного сырья, факторов промежуточных опера-


ций на качество хлебного кваса в процессе его производства
На рисунке 1.13 представлена ФСС влияния показателей сырья, факторов
промежуточных операций на качество полученного хлебного кваса. Практиче-
ски на всех этапах ТП производства хлебного кваса сырье (ржаной сухой солод,
сахарный песок, дрожжи, вода питьевая) и получаемые в ходе ТП полуфабрика-
ты (концентрат квасного сусла, осветвленный квас и др.) подвергаются интен-
сивной тепловой и механической обработке, которая и обуславливает протека-
ние сложных физико - химических процессов, вызывая при этом существенные
изменения свойств перерабатываемых масс. Исходным сырьем для получения
хлебного кваса служит ржаной сухой солод, основными показателями качества
которого являются кислотность (Кс), влажность (Wс),продолжительность осаха-
ривания (ПО), цвет (Цс), запах (Зс), вкус (Вс), являющиеся органолептическими
показателями (ОПс), определяемыми дегустаторами в лаборатории предприятия.

Рисунок 1.13. ФСС влияния показателей сырья, факторов промежуточных


операций на качество хлебного кваса
66

Очищенное от ферроприсесей сырье поступает на процесс дозирования.


Дозирование может осуществляться по объему, например, с помощью много-
компонентного насоса - дозатора, либо по массе с помощью весовых устройств.
В рассматриваемом случае эффективность процесса дозирования по массе за-
висит от таких показателей качества сахарного песка, как влажность (Wсп), гла-
нулометрического состава (ГС2), температуры (t2), а также режимных пара-
метрв – количества массы (Gсп) и точности дозирования (Δ3).
На процесс дозирования ржаного сухого солода (2) на показатели его ка-
чества оказывают влияние такие параметры, как влажность (W) и грануло-
метрический состав сухого солода (ГС).
После дозирования ржаной солод поступает в смеситель. При этом в
смеситель также подается отдозированная порция подогретой питьевой воды.
Питьевая вода, поступающая на приготовление концентрата квасного
сусла, характеризуется определенным расходом (Q в), показателями качества по
ГОСТ и характеризуется определенной заданной температурой (tв), получаемой
при смешивании холодной воды с температурой (t х.в.) и горячей воды с темпе-
ратурой (t г.в.).
Эффективность процесса смешивания ржаного солода и воды для полу-
чения концентрата квасного сусла с оптимальными показателями качества за-
висит от количества поступающей массы солода (Gс) и воды (Gв), а также от
точности дозирования сухого солода (Δ3) и от расхода воды (Q в), поступающих
на смешивание; от показателей качества сухого ржаного солода, которые были
перечислены выше, а также от режимных параметров процесса смешивания:
продолжительность смешивания (τ), температуры (t) и числа оборотов мешал-
ки (n), находящейся внутри смесителя. Качество полученного концентрата
квасного сусла (Yкс) оценивается по следующим показателям: цвет (Цс), кис-
лотность (Кс), вкус (Вс), вязкость (μс) и влажность (Wс).
Далее полученный квасной концентрат поступает в бродильный аппа-
рат, куда также подаются определенные порции квасных дрожжей и сахарно-
67

го песка. Основными показателями качества квасных дрожжей являются:


кислотность (рН), температура (t5) и средний размер клетор дрожжей.
Основными показателями качества сахарного песка являются: влаж-
ность (Wсп), цвет (Цсп) и гранулометрический состав (ГС сп).
В процессе брожения этой смеси на показатели ее качества оказывают
влияние такие режимные параметры, как продолжительность процесса (τ), тем-
пература смеси (t) и число оборотов мешалки (n), находящейся внутри емкости
для брожения. После брожения проходит процесс осветления кваса с помощью
раствора осветлителя. Затем полученный полуфабрикат далее поступает в
дображивания.
В процессе дображивания полученного полуфабриката на показатели его
качества оказывают влияние такие режимные параметры, как продолжитель-
ность дображивания (τ) и температура (t) .
После дображивания квас проходит процесс охлаждения и затем посту-
пает на розлив и далее на упаковку. В процессе охлаждения на показатели ка-
чества кваса оказывают влияние такие режимные параметры, как продолжи-
тельность охлаждения (τ) и температура (t) . Эффективность процесса зависит
также и от показателей качества кваса, подаваемого на охлаждение, в первую
очередь от органолептических показателей полученного кваса. Процесс розлива
хлебного кваса зависит от режимных параметров этого процесса: скорости
выхода массы из кваса из отверстия (Vm), температуры поступающего на
розлив хлебного кваса (Тк), скорости транспортерной ленты (Vтл). При этом
проверяют внешний вид бутылок на наличие бракованной продукции.
Полученный после розлива квас далее поступает на упаковку. На эффек-
тивность работы упаковочных машин влияет качество поступающей пленки.
Запрещено упаковывать мокрые бутылки, а также бутылки, находящиеся под
давлением. Готовый квас перед отправкой на реализаацию проверяют в дегу-
стационных лабораториях предприятий по следующим показателям: %; влаж-
ность, %; внешний вид; вкус и цвет.
68

1.2.4. ФСС ТП производства пищевой продукции с указанием необходимых


точек контроля и регулирования.
А. ФСС ТП производства помадных глазированных конфет (ПГК) с указанием
необходимых точек контроля и регулирования
Как видно из рисунка 1.10, на состояние перерабатываемого сырья и по-
луфабрикатов (сахарного сиропа, помадного сиропа, помадных масс, конфет-
ных масс, шоколадной глазури) оказывают влияние множество самых различ-
ных факторов (например, показатели качества сырья, режимные параметры и
т.д.). Учесть все эти характеристики практически невозможно, так как это свя-
зано с большими затратами труда, финансовых средств и времени на осу-
ществление такой комплексной оценки. Кроме того, среди показанных на схеме
параметров, вероятно, имеются такие, которые тесно связаны между собой и
перекрывают друг друга. Очевидно, имеются также и параметры, не оказыва-
ющие существенное влияние на течение ТП производства ПГК. Для обеспече-
ния стабильности протекания процессов приготовления ПГК, оптимизации ре-
жимов работы технологического оборудования линий производства этих кон-
фет необходима полная, всесторонняя, достоверная, своевременная и в то же
время не избыточная информация об основных параметрах, оказывающих
наибольшее влияние на качество приготавливаемых кондитерских изделий.
Таким образом, важнейшей задачей является оценка информативности
параметров, показанных на функционально – структурной схеме, и выбор из
них контролируемых и управляемых. Для решения этой задачи наиболее широ-
ко используются методы структурно-параметрического анализа и моделирова-
ния систем [81 - 83]. Наиболее простым методом для решения указанных выше
задач является метод лидера к матрице смежности [ 14 ], применяемый при
сравнительно небольшом числе операций и малом количестве факторов (менее
100), влияющих на выходные параметры приготавливаемых ПГК. Используя
данный метод, были выявлены наиболее информативные характеристики ТП
производства ПГК. На рисунке 1.14 представлена полученная ФСС исследуе-
69

мого процесса производства ГПК с указанием необходимых точек контроля и


регулирования.

Рисунок 1.14. ФСС формирования качества ПГК с указанием информативных


параметров контроля и регулирования.
В соответствии с ФСС формирования качества ПГК с указанием необхо-
димых точек контроля и автоматического регулирования процессов составлено
общее структурно-параметрическое описание технологической системы произ-
водства ПГК (таблица 1.7) с параметрами контроля состояния процесса,
измеряемых приборами контроля в АСУТП кондитерского предприятия.
Таблица 1.7
Параметрическое описание ТП производства ПГК
Стадия процесса Наименование Наименование Единица
производства ПК объекта автомати- контролируемого Измерения
зации технол. Параметра
0
1.Подготов ка сырья Помещение для Температура воздуха Tв. С
к производ ству хранения сырья
1.Подготов ка сырья Помещение для Влажность воздуха Mв %
к производ ству хранения сырья
0
1.Подготов ка сырья Сушильная Температура воздуха в су- С
к производ ству Камера шильной камере Tс.к.
70

1.Подготов ка сырья Сушильная Влажность воздуха Mв. %


к производ ству Камера
Па
1.Подготов ка сырья Воздуходувное Давление воздуха Pв.
к производ ству устройство
Па
1.Подготов ка сырья Компрессор Давление воздуха Pв.
к производ ству
1.Подготов ка сырья Ситовой агрегат Число колебаний сита n об/мин
к производ ству
1.Подготов ка сырья Шнековый Количество сахарного пес- Кг
к производ ству дозатор сах. Песка ка Wс.п.
0
1.Подготов ка сырья Промежуточная Температура воды Tв. С
к производ ству емкость
1.Подготов ка сырья Объемный Количество воды Wв. Л
к производ ству дозатор воды
2.Приго товление Смеситель Число оборотов об/мин
сахарного сиропа мешалки смесителя Sм
0
2.Приго товление Смеситель Температура воды в темпе- С
сахарного сиропа рирующей рубашке Tв.
2.Приго товление Смеситель Время перемешивания τ с
сахарного сиропа
0
2.Приго товление Смеситель Температура кашицы на С
сахарного сиропа выходе из смесителя Tк.
0
2.Приго товление Калорифер Температура воздуха на С
сахарного сиропа выходе из калорифера Tв.
2.Приго товление Колонка Давление греющего пара Р МПа
сахарного сиропа
2.Приго товление Сироповарочный Число оборотов об/мин
сахарного сиропа агрегат с мешалкой мешалки Sм
0
2.Приго товление Сироповарочный Температура пара в грею- С
сахарного сиропа агрегат с мешалкой щем змеевике Tг.з.
2.Приго товление Сироповарочный Продолжительность с
сахарного сиропа агрегат с мешалкой перемешивания τ
0
2.Приго товление Сироповарочный Температура готового са- С
сахарного сиропа агрегат с мешалкой харного сиропа на выходе из
агрегата Tс.с.
0
2.Приго товление Приемный Температура сахарного си- С
сахарного сиропа Промежут. Сбор- ропа Tс.с.
ник
3. Приготовление Расходная Количество сахарного си- Кг
помадного сиропа Емкость ропа Wс.с.
3. Приготовление Смеситель Число оборотов об/мин
помадного сиропа мешалки Sс
0
3. Приготовление Смеситель Температура пара в С
помадного сиропа паровой рубашке Tг.з.
3. Приготовление Смеситель Продолжительность с
помадного сиропа перемешивания τ
0
3. Приготовление Смеситель Температура сахаропаточно- С
помадного сиропа го раствора на выходе из
смесителя Tс.р.
71

3. Приготовление Помадоварочная Продолжительность с


помадного сиропа станция уваривания τ
0
3. Приготовление Помадоварочная Температура пара в грею- С
помадного сиропа станция щем змеевике Tг.з.
3. Приготовление Помадоварочная Давление греющего пара Р МПа
помадного сиропа станция
3. Приготовление Пароотделитель Количество помадного си- Кг
помадного сиропа ропа Wп.с.
0
3. Приготовление Охлаждающий ба- Температура воды С
помадного сиропа рабан внутри охлаждающего ба-
рабана Tв.б.
0
3. Приготовление Охлаждающий ба- Температура помадного си- С
помадного сиропа рабан ропа на выходе из
барабана Tп.с.б.
0
4. Сбивание помад- Помадосбивальная Температура воды С
ной массы машина внутри помадосбивальной
машины Tв.п.м.
4. Сбивание помад- Помадосбивальная Продолжительность с
ной массы машина сбивания τ
0
4. Сбивание помад- Помадосбивальная Температура помадной С
ной массы машина массы при сбивании
4. Сбивание помад- Помадосбивальная Число оборотов четырехло- об/мин
ной массы машина пастной крыльчатки пома-
досбивальной машины Sк
0
5. Приготовление Темперирующая Температура воды С
конфетной массы машина внутри рубашки темпери-
рующей машины Tв.т.м.
5. Приготовление Темперирующая Количество патоки Wп Кг
конфетной массы машина
5. Приготовление Темперирующая Количество молока Wм Л
конфетной массы машина
5. Приготовление Темперирующая Количество фруктово- Кг
конфетной массы машина ягодных заготовок Wфяз
5. Приготовление Темперирующая Число об. мешалки в тем- об/мин
конфетной массы машина перир. машине Sт.м.
5. Приготовление Темперирующая Продолжительность с
конфетной массы машина перемешивания τ
5. Приготовление Темперирующая Уровень массы Н м
конфетной массы машина
0
6. Формование кор- Отливочная Температура конфетной С
пусов конфет Машина массы, поступающей на
формование Tк.м.
0
7. Глазирование Глазировочная ма- Температура шоколадной С
корпусов конфет шина глазури Tш.г.
7. Глазирование Глазировочная ма- Расход массы шоколадной м3/с
корпусов конфет шина глазури Gш.г.
7. Глазирование Сетчатый Число оборотов об/мин
корпусов конфет Конвейер валика Sв.
0
7. Глазирование Охлаждающая ка- Температура внутри С
корпусов конфет мера камеры Tк.
72

7. Глазирование Охлаждающая ка- Время пребывания с


корпусов конфет мера конфет в камере τ

Органолептический и технохимический контроль сырья, полуфабрикатов


и готовой продукции проводятся в лабораториях кондитерских предприятий на
основании стандартов на методы контроля, действующих инструкций, утвер-
жденных в установленном порядке, и в соответствии с требованиями ГОСТ или
ТУ [ 40 - 45]. Параметры ̅ , характеризующие исходные показатели качества
сырья и полуфабрикатов, определяемые в процессе входного контроля и полу-
ченные в результате анализов в лабораториях предприятия , представлены в
п.1.1 (таблицы 1.1 – 1.2). Параметры, определяемые как лабораторно, так и ав-
томатически оказывают влияние на качество готового изделия. Их можно отне-
сти к группе основных информационных параметров.
Проведенный системный анализ ТП производства ПГК с выявлением
объективных показателей качества сырья, полуфабрикатов и готовой конди-
терской продукции; выбор основных режимных параметров, характеризую-
щих ход всех этапов этого процесса, необходимых точек контроля и регулиро-
вания, позволяет сделать обоснованный выбор инструментальных методов и
средств контроля основных параметров состояния технологической системы на
всех этапах производства ПГК.

Б. ФСС ТП производства муки с указанием необходимых точек контроля и


регулирования
Как видно из рис. 1.11, на состояние перерабатываемого зерна и полу-
фабрикатов оказывают влияние множество самых различных факторов (напри-
мер, показатели качества зерна, режимные параметры используемого оборудо-
вания и.т.д.). Для обеспечения стабильности протекания процессов размола, оп-
тимизации режимов работы оборудования данной технологической линии
необходима полная, всесторонняя, достоверная, своевременная и в то же время
не избыточная информация именно об основных параметрах, оказывающих
наибольшее влияние на качество готового продукта. Таким образом, важней-
73

шей задачей является оценка информативности параметров, показанных на


структурных моделях, и выбор из них контролируемых и управляемых. Приме-
няя метод лидера к матрице смежности для оценки информативности парамет-
ров качества муки в процессе размола, а также режимных параметров всех
входящих в процесс размола этапов получим граф связей, представленный на
рисунке 1.15. Важность контроля влажности (W), вкуса и цвета (Ц) в процессе
реализации операций очевидна; кроме того, знание цвета муки необходимо
при определении ее сорта, а знание влажности необходимо при выборе режим-
ных параметров работы оборудования. Таким образом, для операций измель-
чения зерна в качестве основных контролируемых параметров муки были вы-
браны: качество зерна Кз , влажность W, температура t , длительность операции
τ , гранулометрический состав ГС, относительная влажность в производствен-
ном помещении .

Кз τ t
W
Ц ГС
Uсит
.

Ц
Кииз.
Uсор
.

Uшл
измельчение Сортирование Размол и вымол
и шлифование

Рис. 1.15. Граф связей между режимными параметрами и параметрами


качества муки в процессе размола

В качестве регулируемых параметров, в зависимости от проводимой опе-


рации, выбраны: расход воздуха Qв , режимные параметры (РП) используемого
оборудования и др. Режимные параметры в реальных используемых машинах,
как правило, являются постоянными и изменение кинематического режима
осуществляется варьируемым параметром n. На последующих стадиях ТП раз-
мола: сортирование по крупности, сортирование по качеству на ситовеечных
74

машинах и т.д. (рис. 1.15.) наиболее информативные параметры определены


аналогично и по полученным данным были выбраны контролируемые и регу-
лируемые параметры.
На рис 1.16. представлена ФСС исследуемого процесса производства му-
ки с указанием необходимых точек контроля и регулирования.
Всесторонний анализ ТП размола, выбор основных параметров, характе-
ризующих эффективность проведения всех операций этого процесса, определе-
ние необходимых точек контроля и регулирования, позволили нам определить
наиболее информативные параметры, необходимые для автоматизации кон-
троля качества муки: вкус и цвет.

Рисунок 1.16. ФСС ТП производства муки с указанием точек контроля и


регулирования

Отсутствие на мелькомбинатах общих требований к методам и показате-


лям качества сырья, полуфабрикатов и готовой муки обуславливает примене-
ние в общей сложности около трех десятков методов, которые не заменяют, а
дополняют друг друга [ 45 – 49, 148 ]. Учитывая обилие методов оценки, у каж-
дого из которых может быть несколько методик с разными модификациями,
практически невозможно использовать все их в ходе оценки потребительских
качеств зерна. Целесообразно выбрать необходимые [53 - 59].
75

В соответствии с разработанной ФСС ТП производства муки с указанием


необходимых точек контроля и автоматического регулирования составлено
общее структурно-параметрическое описание технологической системы произ-
водства муки с множеством контролируемых параметров состояния про-
цесса, измеряемых приборами автоматического контроля в АСУТП, имеющих-
ся на мелькомбинатах. Результаты работ по этим этапам с указанием парамет-
ров, измеряемых во время протекания ТП производства муки, представлены в
таблице 1.8. и таблице 1.9.
Таблица 1.8
Параметрическое описание ТП производства муки
Стадия ТП Оборудо- Объект Параметр контроля Тип из-
произ-ва муки вание контроля мерений
Температура зерна Авто
Температура воздуха Авто
Хранение Относительная влажность воздуха Авто
Силосы Зерно
зерна Температура вентиляции Авто
Расход воздуха (вентиляция +
Авто
транспортировка)
Температура воздуха Авто
Частота колебаний сит Авто
Зерноочи-
Расход зерна Авто
стительно-
Зерноочистка Зерно Скорость воздушного потока Авто
сушильные
Влажность воздуха Авто
комплексы
Диаметр отверстий сит Авто
Амплитуда колебаний сит Авто
Дозирование Рецептур- зерно или
Вес Авто
зерна и муки ные весы мука
Величина окружной скорости
быстровращающегося Авто
Мука
Вальца
Размол зерна в Вальцевый Величина межвальцевого зазора Авто
муку станок Величина окружной скорости
Мука Авто
медленновращающегося вальца
Отношение окружных скоростей
Мука Авто
вальцов

Технологические показатели качества, получаемые в результате входного


контроля сырья, полуфабрикатов и готового продукта при производстве муки
Таблица 1.9.
Объект Норматив-
кон- ная доку- Параметр контроля Тип измерений
троля ментация
76

Органолептика, в соответствии с
Вкус
ГОСТ 10967-64
Органолептика, в соответствии с
Запах
ГОСТ 10967-64
Органолептика, в соответствии с
Цвет
ГОСТ 10967-64
Лабораторными методами в соот-
Крупность
ветствии с ГОСТ 11091-64
Лабораторными методами в соот-
Стекловидность
ветствии с ГОСТ 10987-64
ГОСТ 3040 - 55

Количество белка, крахмала, Инфраматик 9500 работающий в


натура ближнем инфракрасном диапазоне
Зерно

Содержание минеральной при- Лабораторными методами в соот-


меси ветствии с ГОСТ 10939-64
Лабораторными методами в соот-
Клейковина
ветствии с ГОСТ 10966-64
Белизна Лабораторными методами
По болтушке в соответствии с
Кислотность
ГОСТ 10844-64
Лабораторными методами в соот-
Зольность
ветствии с ГОСТ 10967-64
Лабораторными методами в соот-
Засоренность
ветствии с ГОСТ 10841-64
Температура хранения Дистанционно
Вкус Органолептика
Запах Органолептика
ГОСТ Р 52809 - 2007

Цвет Органолептика
Белизна Рефрактометр
Мука

Лабораторными методами в соот-


Зольность
ветствии с ГОСТ 10967-64
Крупность помола В соответствии с ГОСТ 28467-90
Количество и качество клейковины В соответствии с ГОСТ 26181-84
Массовая доля минеральных
В соответствии с ГОСТ 25555.3-82
примесей

Органолептический и технохимический контроль сырья, полуфабрикатов


и готовой продукции проводятся в лабораториях мукомольных предприятий на
основании стандартов на методы контроля, действующих инструкций, утвер-
жденных в установленном порядке, и в соответствии с требованиями ГОСТ или
ТУ [44 – 49, 53 - 59]. Параметры ̅ , характеризующие исходные показатели
качества сырья и полуфабрикатов, определянмые в процессе входного кон-
троля и полученные в результате анализов в лабораториях предприятия , пред-
77

ставлены в таблице 1.10. Параметры, определяемые как лабораторно, так и ав-


томатически оказывают влияние на качество готовой муки, их можно отнести к
группе основных информационных параметров.
Системный анализ ТП производства муки с определением объективных
показателей качества сырья, полуфабрикатов и готовой мукомольной продук-
ции; выбором основных режимных параметров, характеризующих ход всех
этапов этого процесса с необходимыми точками контроля и регулирования,
позволяет сделать обоснованный выбор инструментальных методов и средств
контроля основных параметров состояния технологической системы на всех
этапах производства муки.

В. ФСС ТП производства сливочного масла с указанием необходимых точек


контроля и регулирования
Как видно из рисунка 1.12, на состояние перерабатываемого сырья (моло-
ка) и полуфабрикатов (обезжиренное молоко, сливки и т.д.) оказывают влияние
множество самых различных факторов (например, показатели качества сырья,
режимные параметры оборудования и т.д.). Для обеспечения стабильности про-
текания процессов производства сливочного масла, оптимизации режимов ра-
боты технологического оборудования линий производства этого продукта
необходима полная, всесторонняя, достоверная, своевременная и в то же время
не избыточная информация именно об основных параметрах, оказывающих
наибольшее влияние на качество приготавливаемого. Таким образом, важней-
шей задачей является оценка информативности параметров, показанных на
ФСС влияния показателей сырья, факторов промежуточных операций на каче-
ство сливочного масла (рисунок 1.12), и выбор из них контролируемых и
управляемых. Для решения этой задачи были использованы методы структур-
но-параметрического анализа и моделирования систем [81 - 83] с построением
матричных моделей взаимосвязей между параметрами состояния и критериями
достижения цели. На рисунке 1.17 представлена полученная ФСС исследуемого
процесса производства сливочного масла с указанием необходимых точек кон-
78

троля и регулирования. В соответствии с полученной функционально- струк-


турной схемой формирования качества сливочного масла с указанием необхо-
димых точек контроля и автоматического регулирования процессов составлено
общее структурно-параметрическое описание технологической системы произ-
водства сливочного масла (таблица 1.10) с множеством контролируемых пара-
метров состояния процесса, измеряемых приборами автоматического кон-
троля в АСУТП молочных предприятий.

t
4Р2 Сепарирование 6Р1 τ
Подогрев сливок и
К5
τ молока обезжиренного
4Р1 6Р2 n
τ t молока
В Ц В
К4 Ц
2Р1 2Р2 В К6 Ж
Ц З Кя Ж Кть
Ц

Приемка Очистка Охлаждение Резервирование Пастеризация 7Р1 τ


К1 молока К2 молока К3 молока 7Р3 сливок
молока 7Р2 t
Ц Степень разряжения
В Кть Пть tn К7 З
τ 3Р1
τ Степень Ц
заполнения 11Р
11Р 11Р 11Р 8Р1
камеры 1 τ t Дезодорирование
M 13Р
1 Ж сливок
n τ
Термомеханическая 8Р2
Брак К13 Упаковка обработка
К12 К11
, высокожирных 10Р Ж К8
сливок (сбивание) 1

Термостатир Кя Нормализация 10Р τ


13Р t 10Р Сепарирование 1
τ 13Р ование 1
t 1 высокожирных К10 (пахта)
1
Скорость 10Р сливок 10Р n
Готовое подогрева 1
Ж К14 сливочное 9Р1
Qв Вода для мойки З
масло К9
В зерна сливок
З tв 9Р1 Ц
Ц В

Рис. 1.18. ФСС исследуемого процесса производства сливочного масла с указанием необходимых точек контроля и регулирования
Рисунок 1.17. ФСС процесса производства сливочного масла с указанием
необходимых точек кнтроля и регулирования.

Таблица 1.10
Параметрическое описание ТП производства сливочного масла
79

Стадия процесса Наименование Наименование Единица


производства сли- объекта автомати- контролируемого Измерения
вочного масла зации технол. Параметра
0
1.Приемка молока Помещение для Температура воздуха Tв. С
хранения сырья
1.Приемка молока Помещение для Влажность воздуха Mв %
хранения сырья
0
1.Приемка молока Помещение для Температура молока Tм С
хранения сырья
Па
2.Подготовка молока Воздуходувное Давление воздуха Pв.
к производ ству устройство
Па
2.Подготовка моло- Компрессор Давление воздуха Pв.
ка к производ ству
0
2.Подготовка моло- Помещение для Температура хранения С
ка к производству производства масла молока Tмх
3.Очистка молока Сепараторы- моло- Число оборотов сепаратора об/мин
коочистители n
0
3.Очистка молока Сепараторы- моло- Температура очистки С
коочистители молока (35 - 450С ) Tом
0
4.Охлаждение моло- Трубчатые охлади- Температура молока после С
ка тели охлаждения (80С ) Tмо
4.Охлаждение молока Трубчатые охлади- Время охлаждения τ
тели с
0
5.Резервировние мо- Промежуточная Температура молока при С
лока емкость резервировании (4 - 50С) Tм
0
6.Подогрев молока Расходная Температура молока при С
Емкость подогреве (35 - 400С) Tмп
6.Подогрев молока Расходная емкость Время подогрева τ с

7. Сепарирование Сепаратор Число оборотов об/мин


сливок и обезжи- сепаратора n
ренного молока
0
7. Сепарирование Сепаратор Температура сливок при С
сливок и обезжи- сепарировании Tсс
ренного молока
7. Сепарирование Сепаратор Время сепарирования τ
сливок и обезжирен- с
ного молока
8.Пастеризация сли- Пастеризатор Время пастеризации τ с
вок
0
8.Пастеризация сли- Пастеризатор Температура сливок при С
вок пастеризации (85 - 900С) Tсп
0
9.Дезодорация сли- Вакуум- дезодора- Температура пара в вакуум- С
вок ционная установка дезодорационной установке
Tв.
9.Дезодорация сли- Вакуум- дезодора- Давление греющего пара МПа
вок ционная установка (0,02 – 0,06) Рп
9.Дезодорация сли- Вакуум- дезодораци- Время дезодорации τ с
вок онная установка
0
9.Дезодорация сли- Вакуум- дезодора- Температура сливок в уста- С
вок ционная установка новке Tв.
80
0
10.Подготовка воды Промежуточная Температура воды Tв. С
к производству емкость
10.Подготовка воды Объемный Количество воды Gв. л
к производству дозатор воды
11.Сепарирование Сепаратор- Продолжительность с
пахты (вторичного сливкоотделитель сепарирования τ
обезжиренного мо-
лока)
0
11.Сепарирование Сепаратор- Температура сливок на вы- С
пахты (вторичного сливкоотделитель ходе из агрегата Tс.с.
обезжиренного мо-
лока)
11.Сепарирование Сепаратор- Производительность сепа- л/час
пахты (вторичного сливкоотделитель ратора Gс.
обезжиренного мо-
лока)
0
12. Нормализация Ванна длительной Температура сливок в про- С
высокожирных сли- пастеризации цессе нормализации
вок Tс н
12. Нормализация Ванна длительной Время нормализации τ с
высокожирных сли- пастеризации
вок
12. Нормализация Ванна длительной Скорость подогрева υ м/с
высокожирных сли- пастеризации
вок
13. Термомеханиче- Маслообразова- Число оборотов мешалки об/мин
ская обработка вы- тельная машина маслообразовательной ма-
сокожирных сливок шины n
(сбивание)
13. Термомеханиче- Маслообразова- Объем перерабатываемого
ская обработка вы- тельная машина продукта V
сокожирных сливок
(сбивание)
0
13. Термомеханиче- Маслообразова- Температура сливок С
ская обработка вы- тельная машина на входе в маслообразова-
сокожирных сливок тельную машину
(сбивание) (700С ) Tс.1.
0
13. Термомеханиче- Маслообразова- Температура сливок С
ская обработка вы- тельная машина на выходе из маслообразо-
сокожирных сливок вательной машины
(сбивание) (16,5 - 180С ) Tс.2
13. Термомеханиче- Маслообразова- Продолжительность с
ская обработка вы- тельная машина сбивания τ
сокожирных сливок
(сбивание)
13. Термомеханиче- Маслообразова- Рабочее давление продукта МПа
ская обработка вы- тельная машина в аппарате (0.4 Мпа) Р
сокожирных сливок
(сбивание)
0
14. Предварительная Маслокамера Температура внутри масло- С
выдержка масла камеры ( до 50С) Tмм
81

14. Предварительная Маслокамера Время пребывания с


выдержка масла масла в маслокамере (не
более 24 часов) τ
15. Фасование и Наливные ящики Время предварительного с
упаковка масла пребывания масла в ящиках
(2 – 3 мин.)τ
15. Фасование и Наливные ящики Объем поступающей пор-
упаковка масла ции масла V

Технологические показатели качества, получаемые в результате входного


контроля сырья, полуфабрикатов и готового продукта при производстве
сливочного масла
Таблица 1.11.
Объект Норматив-
кон- ная доку- Параметр контроля Тип измерений
троля ментация
Вкус (привкус, свойственный Органолептика, в соответствии с
ГОСТ Р ИСО 22935-2-2011 МОЛОКО И МОЛОЧНЫЕ

МЕНДУЕМЫЕ МЕТОДЫ ОРГАНОЛЕПТИЧЕСКОЙ ОЦЕН-


ПРОДУКТЫ. ОРГАНОЛЕПТИЧЕСКИЙ АНАЛИЗ. РЕКО-

свежему молоку) ГОСТ 28283-89


Запах (чистый, без посторонних Органолептика, в соответствии с
запахов) ГОСТ 28283-89
Цвет (белый, со слегка желто- Органолептика, в соответствии с
ватым оттенком) ГОСТ 10967-64
Внешний вид (однородная Органолептика, в соответствии с
Молоко

жидкость, без осадка) ГОСТ 10967-64


КИ

Лабораторными методами в соответ-


Плотность
ствии с ГОСТ 3625-84
Лабораторными методами в соответ-
Жирность
ствии с ГОСТ 5867-90
Лабораторными методами в соответ-
Кислотность
ствии с ГОСТ 32892-2014
Температура хранения Дистанционно
Органолептика, в соответствии с
Вкус
ГОСТ 28283-89
Органолептика, в соответствии с
Запах
ГОСТ 28283-89
Молока после очистки

Органолептика, в соответствии с
Цвет
ГОСТ 10967-64
ГОСТ Р ИСО 2446-2011 МОЛОКО.

Лабораторными методами с помощью


Белизна
рефрактометра
Лабораторными методами в соответ-
Кислотность
ствии с ГОСТ 10967-64
Лабораторными методами в соответ-
Плотность
ствии с ГОСТ 28467-90
Лабораторными методами в соответ-
Жирность
ствии с ГОСТ 5867-90
Массовая доля минеральных
В соответствии с ГОСТ 25555.3-82
примесей
82

Органолептика, в соответствии с
Вода пи- Вкус

ГОСТ Р ИСО
22935-2-2011.
ГОСТ 10967-64
тьевая
Органолептика, в соответствии с
Запах
ГОСТ 10967-64

Молоко
Органолептика, в соответствии с
Цвет
ГОСТ 10967-64
Органолептика, в соответствии с
Вкус
26809.1-

ГОСТ 10967-64
ГОСТ
Пахта

Лабораторными методами в со-


2014

Жирность
ответствии с ГОСТ 4011-72
Органолептика, в соответствии с
низации и методам контроля ка-

Вкус
ГОСТ Р 51232-98. Вода питье-
вая. Общие требования к орга-

ГОСТ 28283-89
Органолептика, в соответствии с
Вода питьевая

Запах
ГОСТ 28283-89
Органолептика, в соответствии с
Цветность
ГОСТ 10967-64
Органолептика, в соответствии с
Мутность
ГОСТ 10967-64
Лабораторными методами в со-
Концентрация железа
ответствии с ГОСТ 3625-84
чества

Лабораторными методами в со-


Жесткость
ответствии с ГОСТ 5867-90
Органолептика, в соответствии с
Вкус
Масло сливочное

ГОСТ 32899-2014 Масло

ГОСТ 28283-89
Органолептика, в соответствии с
Запах
ГОСТ 28283-89
Органолептика, в соответствии с
Цветность
ГОСТ 28283-89
Лабораторными методами в со-
сливочное

Жирность
ответствии с ГОСТ 5867-90
Лабораторными методами в со-
Влажность
ответствии с ГОСТ 32899-14

Органолептический и технохимический контроль сырья, полуфабрикатов и


готовой продукции проводятся в лабораториях молочных предприятий на осно-
вании стандартов на методы контроля, действующих инструкций, утвержден-
ных в установленном порядке, и в соответствии с требованиями ГОСТ или ТУ [
41, 45]. Параметры ̅ , характеризующие исходные показатели качества сырья
и полуфабрикатов, определянмые в процессе входного контроля и полученные в
результате анализов заносятся в специальные лабораторные журналы предприя-
тия. Параметры, определяемые как лабораторно, так и автоматически оказывают
влияние на качество сливочного масла, их можно отнести к группе основных
информационных параметров.
83

Проведенный системный анализ ТП производства сливочного масла с


определением объективных показателей качества сырья, полуфабрикатов и го-
товых изделий; выбор основных режимных параметров, характеризующих ход
всех этапов этого процесса с необходимыми точками контроля и регулирова-
ния, позволяет сделать обоснованный выбор инструментальных методов и
средств контроля основных параметров состояния технологической системы на
всех этапах производства сливочного масла.
Г. ФСС ТП производства хлебного кваса с указанием необходимых точек
контроля и регулирования
Как видно из рисунка 1.14, на состояние перерабатываемого сырья (ржа-
ной солод, вода питьевая, квасные дрожжи, сахарный песок, раствор осветлите-
ля) и полуфабрикатов (концентрат квасного сусла, напиток кваса после пред-
варительного брожения, напиток кваса после осветления и т.д.) оказывают вли-
яние множество самых различных факторов (например, показатели качества
сырья, режимные параметры и т.д.). Для обеспечения стабильности протекания
процессов производства хлебного кваса, оптимизации режимов работы техно-
логического оборудования линий производства этого напитка необходима
полная, всесторонняя, достоверная, своевременная и в то же время не избыточ-
ная информация именно об основных параметрах, оказывающих наибольшее
влияние на качество производимого напитка. Таким образом, важнейшей зада-
чей является оценка информативности параметров, показанных на функцио-
нально – структурной схеме 1.13, и выбор из них контролируемых и управляе-
мых. Используя метод лидера к матрице смежности [ 14 ], были выявлены
наиболее информативные характеристики ТП производства данного напитка.
На рисунке 1.18 представлена полученная ФСС исследуемого процесса
производства хлебного кваса с указанием необходимых точек контроля и регу-
лирования.
84

Рисунок 1.18. ФСС процесса производства хлебного кваса с указанием


необходимых точек контроля и регулирования

В соответствии с ФСС формирования качества хлебного кваса с указа-


нием необходимых точек контроля и автоматического регулирования процес-
сов составлено общее структурно-параметрическое описание технологической
системы производства данного напитка (таблица 1.12) с множеством контро-
лируемых параметров состояния процесса, измеряемых приборами автома-
тического контроля АСУТП предприятия.
Таблица 1.12
Параметрическое описание ТП производства хлебного кваса (АСУТП)
Стадия процесса про- Наименование Наименование Единица
изводства ПК объекта автомати- контролируемого Измерения
зации технол. Параметра
0
1.Подготовка ржаного Помещение для Температура воздуха Tв. С
солода к производству хранения сырья

1.Подготовка ржаного Помещение для Влажность воздуха Mв %


солода к производству хранения сырья
85

2. Дозирование ржано- Шнековый Количество ржаного со- Кг


го солода дозатор сыпучих лоды Qр.с.
масс
0
3. Подготовка питьевой Промежуточная Температура воды Tв. С
воды к производству емкость
(поогрев)
4. Дозирование воды Объемный Количество воды Gв. Л
дозатор воды
5. Приготовление кон- Смеситель Число оборотов об/мин
центрата квасного сус- мешалки смесителя n
ла
0
5. Приготовление кон- Смеситель Температура воды в С
центрата квасного сусла темперирующей
рубашке смесителя Tв.
5. Приготовление кон- Смеситель Время перемешивания τ с
центрата квасного сусла
0
6.Подготов ка квасных Помещение для Температура воздуха Tв. С
дрожжей к производ- хранения сырья
ству
6.Подготов ка квасных Помещение для Влажность воздуха Mв %
дрожжей к производ- хранения сырья
ству
7. Дозирование квас- Весовой дозатор Вес, G кг
ных дрожжей сыпучих масс
0
8.Подготовка сахарно- Помещение для Температура воздуха Tв. С
го песка к производ- хранения сахарного
ству песка
8.Подготовка сахарно- Помещение для Влажность воздуха Mв %
го песка к производ- хранения сахарного
ству песка
9. Дозирование сахар- Шнековый Количество сахарного кг
ного песка дозатор сах. песка песка Gс.п.
10. Брожение смеси Бродильный аппа- Число оборотов об/мин
квасного напитка рат мешалки аппарата n
0
10. Брожение смеси Бродильный аппа- Температура воды в ру- С
квасного напитка рат башке бродильного ап-
парата Tв.
10. Брожение смеси Бродильный аппа- Время брожения τ с
квасного напитка рат
0
11.Подготовка раство- Помещение для Температура воздуха Tв. С
ра осветлителя к про- хранения сырья
изводству
11.Подготовка раство- Помещение для Влажность воздуха Mв %
ра осветлителя к про- хранения сырья
изводству
12. Процесс осветления Смеситель Число оборотов об/мин
мешалки смесителя n
0
12. Процесс осветления Смеситель Температура воды в ру- С
башке смесителя Tв.
12. Процесс осветления Смеситель Время перемешивания τ с
86
0
13. Дображивание ква- Бродильный аппа- Температура воды в С
са рат темперирующей рубашке
бродильного аппарата Tв.
13. Дображивание ква- Бродильный аппа- Время брожения τ с
са рат
0
14. Охлаждение кваса Темперирующая Температура кваса, посту- С
машина пающего на охлаждение
14. Охлаждение кваса Темперирующая Продолжительность с
машина охлаждения τ
0
14. Охлаждение кваса Темперирующая Температура воды внутри С
машина рубашки темперирующей
машины Tв.т.м.
0
14. Охлаждение кваса Темперирующая Температура кваса, вы- С
машина ходящего из темпериру-
ющей машины
15. Розлив кваса Дозатор Уровень кваса в емкости Н м

16. Упаковка Упаковочный Время упаковки кваса с


Агрегат Τ
В таблице 1.13 представлены показатели качества сырья, полуфабрикатов
и готового продукта, определяемые органолептическим путем или лаборатор-
ными методами.
Технологические показатели качества, получаемые в результате входного кон-
троля сырья, полуфабрикатов и готового напитка при производстве кваса.
Таблица 1.13.
Объект Нормативная
кон- документа- Параметр контроля Тип измерений
троля ция
Органолептика, в соответствии с
ГОСТ Р 52061-2003 Солод ржаной

Вкус
ГОСТ 29294-92
сухой. Технические условия

Органолептика, в соответствии с
Запах
ГОСТ 29294-92
Органолептика, в соответствии с
Ржаной солод

Цвет
ГОСТ 29294-92
Лабораторными методами в со-
Влажность,%
ответствии с ГОСТ 10840-64
Продолжительность осаха- Лабораторными методами в со-
ривания, мин. ответствии с ГОСТ 10987-64
По болтушке в соответствии с
Кислотность
ГОСТ 10844-64
Температура хранения Дистанционно
Органолептика, в соответствии с
Вкус
Вода пи-

Вода пи-

требова-

ГОСТ 29294-92
Общие
тьевая.
тьевая

Органолептика, в соответствии с
Запах
ния

ГОСТ 29294-92
87

Органолептика, в соответствии с
Цветность
ГОСТ 29294-92
Лабораторными методами в со-
Мутность
ответствии с ГОСТ 10987-64
По болтушке в соответствии с
Концентрация железа
ГОСТ 10844-64
Лабораторными методами в со-
Жесткость
ответствии с ГОСТ 10987-64
Вкус (кисловато-сладкий, Органолептика, в соответствии с
сусла, концентраты и экстракты квасов.

хлебный) ГОСТ 28283-89


Концентрат квасного сусла

ГОСТ 28538-90 Концентрат квасного

Органолептика, в соответствии с
Аромат (ржаного хлеба)
ГОСТ 28283-89
Органолептика, в соответствии с
Цвет (темно-коричневый)
ГОСТ 10967-64
Внешний вид (непрозрач- Органолептика, в соответствии с
ная вязкая густая жидкость) ГОСТ 10967-64
Технические условия

Растворимость в воде (хо- Лабораторными методами в со-


рошая) ответствии с ГОСТ 3625-84
Лабораторными методами в со-
Влажность
ответствии с ГОСТ 5867-90
Лабораторными методами в со-
Кислотность
ответствии с ГОСТ 32892-2014
Температура хранения Дистанционно
Органолептика, в соответствии с
ГОСТ 31494-2012 Квасы. Общие техниче-

Вкус
ГОСТ 28283-89
Органолептика, в соответствии с
Запах
ГОСТ 28283-89
Органолептика, в соответствии с
Цвет
Квасные дрожжи

ГОСТ 28283-89
Органолептика, в соответствии с
Внешний вид
ГОСТ 10967-64
Лабораторными методами в со-
Кислотность, рН
ответствии с ГОСТ 10967-64
Лабораторными методами в со-
Влажность, %
ответствии с ГОСТ 28467-90
ские условия

Лабораторными методами в со-


Стойкость,мин.
ответствии с ГОСТ 5867-90
Лабораторными методами в со-
Поъемная сила, мин.
ответствии с ГОСТ 5867-90
Органолептика, в соответствии с
ГОСТ 21-94 Сахар -

Вкус
песок. Технические

ГОСТ 28283-89
Сахарный песок

Органолептика, в соответствии с
Запах
ГОСТ 28283-89
Органолептика, в соответствии с
Внешний вид
ГОСТ 28283-89
условия

Органолептика, в соответствии с
Чистота раствора
ГОСТ 28283-89 о
88

Органолептика, в соответствии с
Цвет
ГОСТ 29294-92
Лабораторными методами в соот-
Гранулометрический состав
ветствии с ГОСТ 10987-64
Органолептика, в соответствии с

ческие условия
Раствор освет-

Цвет
ГОСТ 31 494 –

Общие техни-
ГОСТ 29294-92
2012 Квасы.
Органолептика, в соответствии с
Запах
ГОСТ 29294-92
лителя

Лабораторными методами в соот-


Кислотность
ветствии с ГОСТ 10987-90
Органолептика, в соответствии с
Вкус
ГОСТ 6687.5-86
Хлебный осветленный квас

Органолептика, в соответствии с
Аромат
ГОСТ 6687.5-86
Органолептика, в соответствии с
Цвет
ГОСТ 6687.5-86
Органолептика, в соответствии с
Внешний вид
ГОСТ 6687.5-86
Лабораторными методами в соот-
Влажность, % (не менее 3,5)
ветствии с ГОСТ 10987-90
Лабораторными методами в соот-
Кислотность, ед. рН (1,5 – 7)
ветствии с ГОСТ 10987-90
Лабораторными методами в соот-
Объемная доля спирта,% (1,2)
ветствии с ГОСТ 10987-90
Органолептический и технохимический контроль сырья, полуфабрикатов
и готового хлебного кваса проводится в лабораториях пивобезалкогольных
предприятий на основании стандартов на методы контроля, действующих ин-
струкций, утвержденных в установленном порядке, и в соответствии с требова-
ниями ГОСТ или ТУ [ 50 - 52]. Параметры ̅ , характеризующие исходные по-
казатели качества сырья и полуфабрикатов, определянмые в процессе входного
контроля и полученные в результате анализов записываются в лабораторных
журналах и базах данных пивобезалкогольных предприятий.Параметры, опре-
деляемые как лабораторно (таблица 1.13), так и автоматически (таблица 1.12)
оказывают влияние на качество произведенных напитков, их можно отнести к
группе основных информационных параметров.
Проведенный системный анализ ТП производства хлебного кваса с определе-
нием объективных показателей качества сырья, полуфабрикатов и готовых
напитков; выбор основных режимных параметров, характеризующих ход всех
этапов этого процесса с необходимыми точками контроля и регулирования,
89

позволяет сделать обоснованный выбор инструментальных методов и средств


контроля основных параметров состояния технологической системы на всех
этапах производства хлебного кваса.
1.3. Обзор существующих современных методов и средств автоматизации
контроля качества сырья, полуфабрикатов и готовых изделий пищевой
промышленности
Всесторонний анализ конкретных ТП производства различной пищевой
продукции (твердой, сыпучей, жидкой, высококонцентрированной пищевой
эмульсии), выбор основных параметров, характеризующих ход этих
процессов, определение необходимых точек контроля и регулирования,
показали важность внедрения современных средств контроля, регулирования
и управления этими процессами и первоочередную необходимость разработки
для этого методов и средств непрерывного автоматического контроля
показателей качества сырья, полуфабрикатов и готовой пищевой продукции
на всех стадиях производства.
Рассмотрение и анализ полученных ФСС процессов производства
помадных глазированных конфет (твердые пищевые изделия), муки (сыпучие
пищевые материалы), сливочного масла (высококонцентрированная пищевая
эмульсия) и хлебного кваса (жидкие пищевые продукты) с указанием
необходимых точек контроля и регулирования (рисунки 1.15, 1.17, 1.18 и 1.19)
показал, что наиболее сложными для автоматизации непрерывного контроля
являются именно органолептические показатели качества сырья,
полуфабрикатов и готовой пищевой продукции: вкус, цвет, внешний вид,
форма готовой пищевой продукции, размер, прозрачность, однородность и др.
[ 14 - 22].
Первоочередными из этих органолептических показателей качества
сырья, полуфабрикатов и готовой пищевой продукции были выбраны для
дальнейшего исследования два основных, наиболее характерных для всех
процессов производства пищевой продукции и наиболее сложных для
90

реализации непрерывного контроля в режиме реального времени


органолептических показателя: вкус и цвет, имеющих наибольшее влияние
на уровень общего качества производимой пищевой продукции, что
подтверждается проведенными исследованиями с использованием метода ли-
дера к матрице смежности [ 14, 16, 17, 148], а также методов факторного и ре-
грессионного анализа [ 5, 6, 14 - 20].
Органолептический контроль в пищевой промышленности занимает
важнейшее место при определении результирующего показателя качества гото-
вой продукции. Но как отмечалось выше, организация мероприятий по подго-
товке и проведению органолептической оценки изделий требует хорошо орга-
низованной и слаженной работы специально обученного персонала, нарушение
которых может привести к получению необъективных результатов [86, 90, 101,
116, 138, 145]. Кроме того, оценка качества изделия органолептическими мето-
дами может приводить к субъективным ошибкам из-за так называемых «чело-
веческих факторов». Также, по регламенту на большинстве пищевых предприя-
тий органолептический контроль проводится один раз в смену, что может по-
влечь пропуск изделий с испорченными вкусовыми показателями, вследствие
различных отклонений протекания ТП от установленных норм. Существующие
методы органолептическкого анализа субъективны. Применяемые в насто-
ящее время методы контроля вкуса и цвета сырья, полуфабрикатов и го-
товых изделий лишают технологов возможности прогнозирования каче-
ства готовой пищевой продукции. За отсутствием профессиональных экс-
пертов, а также вследствие большого количества времени, необходимого для
проведения этих анализов, такая оценка может зачастую давать необъектив-
ные показания о качестве пищевой продукции [76].
С целью выбора подхода к решению задачи автоматизации контроля пока-
зателей вкуса и цвета пищевой продукции в диссертационной работе проведен
обзор и анализ методов, используемых при решении аналогичных задач в раз-
личных отраслях промышленности.
91

1.3.1. Вкус

Как показали проведенные выше исследования (п.п. 1.1 – 1.2) , одним из


важнейших органолептических показателей качества сырья, полуфабрикатов, и
готовой пищевой продукции является вкус. В производстве помадных
глазированных конфет – это вкус сахарного песка, помадных, конфетных масс
и готовых конфет. В производстве муки – это вкус зерна при приеме на
мельницу; вкус полуфабрикатов после драного, сортировочного, ситовеечного,
шлифовочного, размольного и вымольного процессов; а также вкус готовых
партий муки разных сортов. В производстве сливочного масла – это вкус
молока при приеме на производство; вкус молока после очистки, охлаждения,
резервирования и подогрева; вкус обезжиренного молока после сепарирования;
вкус сливок после сепарирования, пастеризации, дезодорирования,
нормализации и термомеханической обработки и вкус готового сливочного
масла. В производстве хлебного кваса – это вкус ржаного солода, сахарного
песка, квасных дрожжей, вкус полученного концентрата квасного сусла; вкус
смеси квасного полуфабриката после брожения, осветления, дображивания и
охлаждения; вкус готового хлебного кваса. В настоящее время вкус
отмеченных выше полуфабрикатов, сырья и готовой продукции определяется
органолептическими методами оценки качества продукции, отмеченными в со-
ответствующих таблицах 1.1, 1.10, 1.12 и 1.14.
В кондитерской промышленности в лабораторных условиях определяют
величину кристаллов сахара, содержащихся в твердой фазе конфетной массы,
поскольку от этого показателя зависит важное органолептическое свойство
конфет – вкус, способность вызывать приятное тающее ощущение во рту. Чем
меньше размер кристаллов сахара в помаде, тем выше ее качество [42, 75, 92]. В
настоящее время на кондитерских предприятиях величину кристаллов сахара в
помаде определяют в лаборатории обычно по методу выборочного подсчета
дисперсных частиц при микроскопическом анализе с использованием особой
окулярной сетки Глаголева [65, 77, 78, 88, 90]. Основным заключающим факто-
92

ром о вкусе готового кондитерского изделия (который в значительной степени


зависит от величины кристаллов сахара в конфетной массе) является оценка
экспертов. При этом контроль на приемлемость вкуса должен проводиться экс-
пертами во время ТП на протяжении всей смены производства, но так как это
является невыполнимой задачей, то контроль проводят лишь выборочно, отби-
рая из партии отдельные образцы изделий. Результатом такой оценки является
заключение о вкусовых качествах изготовленного продукта. В случае положи-
тельного результата анализа изделие поступает на реализацию, а в случае отри-
цательного – бракуется [90, 153].
В разных отраслях промышленност (горной, строительной, металлурги-
ческой и др.) существуют кварцевые датчики определения кристаллов исследу-
емых материалов с использованием метода кварцевого микровзвешивания. Для
контроля исследуемого показателя качества предлагаются пьезорезонансные
датчики, селективные сорбционные детекторы, измерительные преобразова-
тели на основе акусточувствительных и гирочувствительных методов, пьезо-
электрические виброгироскопы. Однако анализ существующих современных
инструментальных методов и средств контроля размера кристаллов в
различных материалах показал неприемлемость использования данных мето-
дов для автоматизации контроля в потоке величины кристаллов сахара в пище-
вых массах и необходимость использования интеллектуальных технологий и, в
частности нейросетевых технологий,позволяющих в режиме обучения с орга-
нолептическими экспертными оценками установить связь между величиной
кристаллов сахара и вкусовыми качествами помадных конфет.
Попытки воспроизведения органов определения вкуса и обоняния чело-
века с применением физико-химических методов и электронных устройств
предпринимались многими исследователями. Основными ограничениями в
действии предложенных моделей являются низкая селективность и сложность
аппаратурного решения. Из множества решений описанных в различных источ-
никах[5, 6, 14 -22, 62, 65, 77 - 80, 88, 90, 94 – 96, 113, 116, 128, 142, 145, 148,
93

149, 171, 172, 174], наиболее объективными являются методы газо-жидкостной


хроматографии, методы, основанные на действии пьезорезонансных и потен-
циометрических сенсоров. Однако, работающих в потоке первичных преобра-
зователей, основанных на методах газо-жидкостной хроматографии, нет.
Большинство инструментальных методов анализа вкуса основаны на ис-
пользовании различных химических сенсоров, принцип действия которых за-
ключается в превращении аналитического сигнала, возникающего в результате
химической реакции аналитической пробы с реагентами в околосенсорном про-
странстве или на его поверхности, в физический сигнал в реальном масштабе
времени.
Оценка качества многих вкусо- ароматических веществ (в частности
эфирных масел) может быть выполнена с помощью инструментального опреде-
ления их физических характеристик. Информация о качестве эфирных масел
может быть получена на основе сведений об их плотности, коэффициенте пре-
ломления, направлении поляризации и растворимости в разбавленном этиловом
спирте. В течение многих лет эти данные тщательно регистрировались. Однако
качество вкусо- ароматических веществ должно быть непосредственно связано
с видом их применения, и, хотя такие данные могут быть полезны, решение об
их пригодности должно, в конечном счете, основываться на органолептической
оценке.
В последнее время мощным инструментом исследователей и специали-
стов по контролю качества стали методы испытаний на основе сочетания га-
зожидкостной хроматографии и масс-спектрометрии с компьютерной обработ-
кой результатов. Но получаемые результаты и здесь требуют подкрепления ор-
ганолептической оценкой.
Химики-исследователи могут идентифицировать определенный компо-
нент. Но его вкус, цвет и аромат должны определяться органолептическими ме-
тодами. Специалист по контролю качества также должен подтвердить данные
этих инструментальных методов результатом органолептического испытания,
94

выполненного в определенных условиях. Окончательное суждение о любом


вкусе и цвете вещества базируется на данных эксперта-дегустатора или дегу-
стационной комиссии.
Инструментальные методы играют очень важную роль в понимании хи-
мии вкуса и цвета веществ, но многие из них могут применяться лишь после
тщательной органолептической оценки.
Использование пьезорезонансных сенсоров
Приборы на базе пьезорезонансных сенсоров, разработанные на кафедре
аналитической химии Воронежского государственного университета инженер-
ных технологий [142, 175] используются для определения ароматобразующих
веществ в некоторых пищевых продуктах, таких как кофе, коньяк, хлебобулоч-
ные изделия и др.
Основу пьезорезонатора [144, 148, 154] составляет механический вибра-
тор из кристаллического или поликристаллического пьезоэлектрического мате-
риала, выполняемый обычно в виде элемента правильной формы. На вибратор
(пьезоэлемент) наносится система из двух или более электродов, используемых
для возбуждения в нем механических колебаний. Для соединения с источником
электрической энергии пьезорезонатор снабжается токоподводами, а для фик-
сации в присоединенной конструкции – элементами крепления. В основе рабо-
ты пьезоэлектрического резонатора лежит пьезоэффект, обеспечивающий пре-
образование входного электрического напряжения, подводимого к электродам,
в механическое напряжение в теле вибратора (обратный пьезоэффект), и ответ-
ную реакцию по выходу в виде зарядов на электродах, возникающих в резуль-
тате деформаций вибратора под действием механических напряжений (прямой
пьезоэффект). Обратимость пьезоэлектрических преобразователей позволяет
выполнять элемент в виде двухполюсника, объединяющего системы электриче-
ского возбуждения механических колебаний и съема электрического сигнала,
пропорционального их амплитуде.
95

Работа прибора заключается в следующем: анализируемая проба через


входной патрубок поступает в отделение с установленной в нем матрицей пье-
зокварцевых резонаторов. Сенсоры экспонируются в парах веществ, обуслов-
ливающих аромат, при этом пары воздействуют на поверхность сенсора, либо
проникают в объем пленочного покрытия сенсора, в результате формируется
суммарный отклик системы. В течение измерительного интервала времени от-
клик сенсорной матрицы анализируется и передается на процессорный модуль.
Для перехода к следующему измерительному циклу через систему пропускают
промывочный агент (например, пары этилового спирта) с целью удаления па-
хучего вещества с поверхности или из объема активной части материала сенсо-
ра.
Электронный язык
Группой ученых: Легиным А.В., Рудницкой А.М. и другими из лаборато-
рии химических сенсоров Санкт-Петербургского государственного университе-
та был разработан прибор для оценки вкуса, получивший название «электрон-
ный язык»[148, 171]. Принцип действия прибора основан на использовании
потенциометрических химических сенсоров, ионоселективных электродов.
Сенсоры измеряют потенциалы, возникающие при погружении их чувстви-
тельных элементов в исследуемую среду. Полученные отклики поступают на
многоканальное электронное измерительное устройство, которое представляет
собой прибор, состоящий из блока высокоомных вольтметров, АЦП и платы-
контроллера для передачи данных в компьютер.
Для обработки принятой компьютером информации используются раз-
личные математические методы, позволяющие интерпретировать многомерный
отклик массива сенсоров. Одним из таких методов является аппарат искус-
ственных НС. На выходе получается количественная или качественная инфор-
мация о вкусе исследуемого образца. Описанное устройство позволяет изме-
рять значения вкуса только жидких образцов, поэтому во многих случаях для
использования «электронного языка» необходимо подготавливать пробу для
96

анализа. Подготовка пробы занимает определенное время и делает затрудни-


тельным использование представленного метода в поточной автоматизирован-
ной линии. Также применение большого количества потенциометрических хи-
мических сенсоров делает прибор достаточно дорогостоящим.
До настоящего времени отечественная промышленность не выпускает се-
рийных промышленных приборов контроля вкуса пищевых масс и изделий,
отвечающих требованиям пищевой промышленности и работающих в потоке.

1.3.2. Цвет сырья, полуфабрикатов и готовой пищевой продукции

Еще одним из важнейших органолептических показателей качества


сырья, полуфабрикатов и готовой пищевой продукции является цвет. В
производстве помадных глазированных конфет – это цвет сахарного песка,
помадных, конфетных масс и готовых конфет. В производстве муки – это цвет
зерна при приеме на мельницу; цвет полуфабрикатов после драного,
сортировочного, ситовеечного, шлифовочного, размольного и вымольного
процессов; а также цвет готовых партий муки разных сортов. В производстве
сливочного масла – это цвет молока при приеме на производство; цвет молока
после очистки, охлаждения, резервирования и подогрева; цвет обезжиренного
молока после сепарирования; цвет сливок после сепарирования, пастеризации,
дезодорирования, нормализации и термомеханической обработки и цвет
готового сливочного масла. В производстве хлебного кваса – это цвет ржаного
солода, сахарного песка, квасных дрожжей, цвет полученного концентрата
квасного сусла; цвет смеси квасного полуфабриката после брожения,
осветления, дображивания и охлаждения; цвет готового хлебного кваса.
Цвет характеризует общее зрительное впечатление об изделии, оказывает
наиболее существенное влияние на формирование и сохранение качества гото-
вой пищевой продукции, определяет способы и условия его производства [76].
В настоящее время цвет отмеченных выше полуфабрикатов, сырья и
готовой продукции определяется органолептическими методами оценки каче-
ства продукции, отмеченными в соответствующих таблицах 1.1, 1.10, 1.12 и
97

1.14. В соответствии с существующей классификацией органолептических по-


казателей [86, 116, 145, 171] цвет оценивается с помощью зрения человека, т.е.
на основании исследований, осуществляемых с помощью органов чувств спе-
циалиста - эксперта без применения измерительных приборов. При определе-
нии цвета экспертная комиссия устанавливает различные отклонения от цвета,
специфического для данного вида продукта.
Цвет (окраску) продукта определяют по эталонам или по цветовой шкале.
В настоящее время на пищевых предприятиях цвет сырья, полуфабрикатов и
готовых пищевых изделий определяют органолептическим и лабораторным
методами. Так, цвет сахара - песка кроме экспертной комиссии определяют
также фотометрическим методом в лаборатории в соответствии с ГОСТ 12572-
93 «Сахар-песок и сахар-рафинад. Методы определения цветности» [52], а цвет
помадных и конфетных масс, а также готовых кондитерских изделий опреде-
ляют в соответствии с ГОСТ 5897-90 «Изделия кондитерские. Методы опре-
деления органолептических показателей качества» [44].
Для определения цвета различного пищевого сырья, полуфабрикатов, а
также готовых пищевых изделий все чаще применяют различные объективные
методы (химические, физические, биохимические), которые проводят на осно-
вании физико- химических методов анализа: рефрактометрический, спектро-
фотометрический и др., позволяющих с помощью приборов отслеживать изме-
нение свойств перерабатываемых кондитерских масс и косвенно по получен-
ным данным судить об их цветности [5, 13, 14, 17,148, 172].
Существуют также методы косвенного контроля цветности: люминес-
центный,анализ, микроскопические методы газовая хроматография, жидкост-
ная хроматография, атомно-абсорбционная спектрометрия, фотометрия, лю-
минесценция, капиллярный электрофорез, инфракрасная спектроскопия, элек-
трохимия, классические методы анализа (титриметрия, гравиметрия), реологи-
ческие методы исследования.
98

Однако анализ существующих методов и приборов контроля цвета, раз-


работанных в последние годы, показал, что имеющиеся в настоящее время
приборы для контроля цветности являются, в основном, лабораторными ав-
томатическими приборами, требующими значительных затрат времени
на подготовку пробы и проведение анализов. До настоящего времени отечес-
твенная промышленность не выпускает серийных промышленных приборов
контроля цвета пищевых масс и изделий, отвечающих требованиям пищевой
промышленности и работающих в потоке.
Контроль показателей качества должен отвечать следующим основным
требованиям: способствовать обеспечению соответствия качества продукции
потребностям народного хозяйства и населения; быть стабильным и своевре-
менным; способствовать повышению эффективности производства; учитывать
современные достижения науки и техники и основные направления техниче-
ского прогресса в отраслях народного хозяйства; характеризовать свойства
продукции, обуславливающие ее пригодность удовлетворять определенные по-
требности в соответствии с ее назначением.
В связи с этим возникает необходимость в разработке формализованной
оценки вкуса и цвета сырья, полуфабрикатов и готовой пищевой продукции с
использованием интеллектуальных нейросетевых технологий и технологий
компьютерного зрения.

1.4. Роль интеллектуальных технологий

Использование интеллектуальных технологий в разработке интегриро-


ванных экспертных систем непрерывного контроля и прогнозирования качества
пищевой продукции в потоке является стратегическим направлением развития
нового поколения средств автоматизации контроля слабоформализованных ор-
ганолептических параметров качества пищевых изделий. Внедрение таких си-
стем,, как системы компьютерного зрения и нейросетевые технологии позволит
в режиме реального времени проводить мониторинг, диагностику и прогнози-
рование качества сырья, полуфабрикатов и готовых,пищевых изделий. По-
99

скольку всем этим требованиям отвечают такие интеллектуальные технологии,


как интегрированные экспертные системы с использованием системы компью-
терного зрения и нейросетевых технологий нами проведен во П главе обзор и
анализ научно- технической информации о развитии этих важнейших направ-
лений искусственного интеллекта.

1.5. Выводы по 1 главе


Первая глава посвящена методологическим основам анализа подготов-
ленности технологических процессов производства пищевой продукции к
внедрению интеллектуальных экспертных систем, постановке задач исследо-
вания.
В рамках этой главы:
1. Выявлены, обобщены , систематизированы и проанализированы осо-
бенности и закономерности технологических процессов (ТП) производства
разной (твердой, сыпучей, жидкой, высококонцентрированной пищевой эмуль-
сии) пищевой продукции. Обоснован выбор наиболее типичных ТП.
2. Проведены исследования и анализ ТП кондитерского (помадных глази-
рованных конфет) , мукомольного (производства муки) , молочного (производ-
ства сливочного масла) и пивобезалкогольного производства ( хлебного кваса)
как объектов автоматизации, дана характеристика основных стадий и матери-
альных потоков при производстве различной пищевой продукции.
3. Проведена классификация основных операций ТП производства
пищевой продукции и выбраны факторы, определяющие эффективность этих
операций.
4. Проведен всесторонний анализ параметров, оказывающих влияние на
качество сырья, полуфабрикатов и готовой пищевой продукции. Проанализи-
ровано их влияние на ход каждой стадии исследуемых производств. На осно-
вании полученных результатов разработаны функционально-структурные
схемы (ФСС) влияния факторов исходного сырья, промежуточных операций
100

на качество готовой продукции в процессе производства конфет, муки, сли-


вочного масла и кваса на всех стадиях соответствующих производств.
5. Разработаны ФСС формирования потока качества в исследуемых ТП
приготовления различной пищевой продукции (помадные глазированные кон-
феты, мука, сливочное масло и хлебный квас) на всех этапах их производства
с указанием необходимых точек контроля и регулирования.
6. Выбраны и обоснованы наиболее информативные органолептические
показатели контроля качества: вкус и цвет сырья, полуфабрикатов и готовой
пищевой продукции, которые необходимо определять непрерывно в ходе ТП.
7. Показано, что существующие в настоящее время методы оценки этих
показателей качества субъективны и определяются только путем лабораторных
измерений. Рассмотрены существующие инструментальные методы и средства
автоматического контроля этих показателей. Показана роль интеллектуальных
технологий в решении задач автоматизации контроля качества пищевой про-
дукции.
8. Поставлена задача создания экспертных систем непрерывного контроля
и прогнозирования качества пищевой продукции с использованием интеллек-
туальных технологий: нейросетевых систем (НС) и систем компьютерного зре-
ния (СКЗ).
1.6. Задачи исследования
Проведенный методологический анализ подготовленности технологиче-
ских процессов производства пищевой продукции к внедрению интеллектуаль-
ных экспертных систем позволили поставить следующие задачи исследований:
1. Системный анализ состояния проблемы автоматизации контроля и прогнози-
рования качества пищевой продукции. Анализ инструментария систем кон-
троля и управления показателями качества пищевой продукции в современных
условиях. Обоснование направления исследования.
2. Разработка концепции построения экспертных систем автоматического кон-
троля в потоке и прогнозирования качества пищевой продукции на всех этапах
101

ее производства с возможностью оперативного управления ходом этих процес-


сов путем использования интеллектуальных технологий.
3. Разработка принципов и подходов к структурно- параметрическому, матема-
тическому и ситуационному моделированию влияния различных параметров
технологических процессов производства пищевой продукции на поведение
показателей ее качества в слабоструктурированной и плохо формализуемой
среде на всех стадиях производства.
4. Создание теоретических основ исследования, разработка и апробация мето-
дов, способов и алгоритмов построения датчиков автоматического контроля ор-
ганолептических показателей качества пищевой продукции в потоке с приме-
нением интеллектуальных технологий.
5. Разработка теоретических основ, методов и алгоритмов построения базы
данных (БД) и базы знаний (БЗ) экспертной системы контроля качества пище-
вой продукции.
6. Разработка методологии, принципов, методов и алгоритмов создания
нейросетевой информационно- советующей экспертной системы автоматиче-
ского контроля в потоке и прогнозирования качества пищевой продукции с
возможностью оперативного управления ходом этих процессов для различных
отраслей пищевой промышленности.
7. Построение нейросетевой информационно- советующей экспертной системы
автоматического контроля в потоке и прогнозирования качества пищевой про-
дукции с учетом разработанного математического, алгоритмического, про-
граммного и информационного обеспечения этих систем.
8. Экспериментальная проверка методов, моделей, способов и результатов мо-
делирования ТП производства пищевой продукции, а также разработанных
принципов и методов создания информационно- советующих экспертных си-
стем на действующих пищевых предприятиях.
102

ГЛАВА 2. ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ


СИСТЕМЫ (ИИС). АНАЛИЗ ВОЗМОЖНОСТИ ИХ
ИСПОЛЬЗОВАНИЯ ДЛЯ АВТОМАТИЗАЦИИ КОНТРОЛЯ
КАЧЕСТВА ПИЩЕВОЙ ПРОДУКЦИИ

Для выполнения поставленных задач необходимо в первую очередь про-


вести обзор и анализ научно- технической информации о развитии важнейших
направлений искусственного интеллекта: экспертных систем, нейросетевых
технологий и систем компьютерного зрения, а также анализ возможности их
использования для автоматизации контроля в потоке качества различной
(твердой, сыпучей, жидкой, высококонцентрированной пищевой эмульсии)
пищевой продукции.

2.1. Классификация ИИС


Интеллектуальных информационных систем (ИИС) существует большое
количество [4, 11, 12, 24, 27, 33, 38, 39, 61, 63, 69 – 71, 84, 85, 97]. Классифика-
ция ИИС по классам представлена на рисунке 2.1.

Рисунок 2.1. Классификация ИИС


Как видно из рисунка, интеллектуальные информационные системы (ИИС)
охватывают 3 основных класса с соответствующими направлениями.
103

2.1.1. Задачи, решаемые ИИС


ИИС можно рассматривать и с точки зрения решаемой задачи. В этом
случае можно выделить системы управления, системы компьютерной лингви-
стики, справочные системы, системы распознавания и системы создания ИИС.

Классификация ИИС с точки зрения решаемой задачи, составленная на


основе анализа научно- технической литературы [12, 24, 27, 33, 38, 39, 61, 63,
69 – 71, 84] представлена в таблице 1.1.
Таблица 2.1.
Система Подсистема Описание
Управление и Система поддержки Автоматизированная система, которая ис-
справочные си- принятия решений пользует правила принятия заключений и
стемы соответствующие модели, а также компью-
терный процесс моделирования. Является
диалоговой системой.
Экспертные системы Изучение области искусственного интел-
лекта по разработке программно- вычисли-
тельных систем, умеющих принимать реше-
ние, схожие с решениями специалистов в
определенной предметной области.
Вопросно- ответные Тип информационных систем, отличный от
интеллектуальные других. Является гибридом систем поиска,
системы интеллектуальных и справочных систем.
Данные системы должны быть способны
принимать вопросы на естественном языке,
т.е. это системы с естественно- языковом
интерфейсом. Предоставление документов
основывается на сети Интернет или локаль-
ном хранилище.
Автоматизированные Комплекс аппаратных и программных
системы управления средств, а также персонала, предназначенный
для управления различными процессами в
рамках ТП, производства, предприятия. Су-
ществуют автоматизированные системы
управления технологическими процессами
(АСУТП) и автоматизированные системы
управления предприятием (АСУП).
Обучающие системы Это совокупность программно- технических
(тестеры, имитаторы) комплексов, использующих методическую,
учебную и организационную поддержку
процесса обучения, которое проводится на
основе информационных технологий.
Компьютерная Системы машинного Включают в себя двуязычные словари,
лингвистика перевода снабженные необходимой грамматической
информацией (морфологической, синтакси-
104

ческой и семантической) для обеспечения


передачи эквивалентных, вариантных и
трансформационных переводимых соответ-
ствий, а также алгоритмические средства
грамматического анализа, реализующие ка-
кую-либо из принятых для автоматической
переработки текста формальных грамматик.
Системы распознава- Элемент процесса обработки речи, назначе-
ния речи ние которого – обеспечить удобный диалог
между пользователем и машиной, например,
декодирование речевого акустического сиг-
нала при произношении речевых сообщений
свободным стилем, произвольным дикто-
ром, без учета проблемной ориентации и
ограничений на объем словаря.
Системы синтеза Классификация систем синтеза речи произ-
речи водится по способу генерации (распознава-
нию) речевого сигнала. Есть два основных
направления: конкатенативный и парамет-
рический синтез. Основной набор правил в
системах параметрического синтеза, делит-
ся на два подхода. Первый подход основан
на разработке речепроизводящей модели
системы человека, который именуется арти-
кулярным синтезом. Второй подход счита-
ется более разработанным и популярным в
наше время. Он называется форматным син-
тезом.
Системы реферирова- Формируют краткое изложение исходного
ния текстов материала и работают с широким диапазо-
ном источников информации, в том числе
мультимедиа.
Естественно- языко- Разновидность пользовательского интер-
вые интерфейсы фейса, который принимает запросы на есте-
ственном языке, а также используется для
вывода информации.
Распознавание Системы распознава- Назначение системы состоит в исследова-
образов ния образов ( зрения, нии данных и присвоении фрагменту опре-
печатного, рукопис- деленного символа. Сохранить форматиро-
ного) вание исходных документов необходимо
после завершения процесса распознавания,
присваивая в нужном месте абзац, и сохра-
нять таблицы. Современное программное
обеспечение распознавания поддерживает
все текстовые, графические, и форматы
электронных таблиц. Некоторые опознают
форматы такие, как НТМL и PDF.
Системы идентифика- Автоматическая идентификация человека и
ции (по голосу, сет- подтверждение его личности, основанные
чатке) на физиологических или поведенческих ха-
рактеристиках.
105

Системы поиска Компьютерная система, предназначенная


для поиска информации.
Системы разра- Языки искусственного Программная среда, языки программирова-
ботки интеллек- интеллекта ния для написания интеллектуальных про-
туальных систем грамм, например, для экспертных систем
Аппаратно- про- Уровень, образованный микроархитектурой,
граммные платформы микропрограммой, управляемым ядром
микропроцессора и архитектурой набора
команд на аппаратной базе конкретных
микросхем процессора, чипсета, других фи-
зических компонентов, которые в совокуп-
ности составляют аппаратную модель вы-
числительной системы.
Среды разработки ин- Программы, с помощью которых разраба-
теллектуальных си- тываются интеллектуальные системы.
стем
Если классифицировать ИИС по критерию «используемые методы» (ри-
сунок 2.2.), то можно выделить гибридные, мягкие и жесткие [19, 97 – 99, 107 –
109, 123, 124, 131, 155].

Интеллектуальные информационные
системы

Жесткие

Мягкие Гибридные

Экспертные системы

Нейронные сети
Эвристическое
программирование

Нечеткая логика и не-


четкие множества
Модели представления
знаний (сетевая, про-
дукционная, логиче-
ская, фреймовая)

Другие

Рисунок 2.2. Классификация методов ИИС


106

Мягкие вычисления – это компьютерная методология, построенная на нечеткой


логике, вероятностных вычислениях, генетических вычислениях.
Жесткие вычисления - это классические вычисления ЭВМ.
Комбинированные вычисления – это системы, применяющие более чем одну
технологию ЭВМ.

2.1.2. Классификация ИИС по назначению

По назначению ИИС возможно классифицировать на специализирован-


ные системы и на системы общего назначения [10 - 12] (рисунок 2.3.).
ИИС общего назначения – это системы, в основе которых заложены про-
цедуры поиска, генерирующие и исполняющие процедуры выполнения опре-
деленных задач, а также исполняющие данные процедуры.
Специализированные ИИС решают фиксированный набор задач при про-
ектировании новой системы [97 – 99, 107 – 109, 123, 124].

Рисунок 2.3. Классификация интеллектуальных систем по назначению

С целью построения ИИС или систем, которые основаны на главном


направлении искусственного интеллекта – на готовых знаниях, выявляются и
107

применяются знания высококвалифицированных специалистов для решения


сложных задач, появляющихся в практике. При проектировании систем, опи-
рающихся на знаниях (СОЗ), используются данные, накопленные специалиста-
ми в виде определенных правил решения тех или иных задач. Данное направ-
ление преследует задачу имитации человеческих возможностей проверки слабо
структурированных проблем [32]. В представленной сфере изучения выполня-
ется разработка моделей представления, исследуются проблемы создания баз
знаний (БЗ), которые образуют ядро СОЗ, а также структурирования и извлече-
ния знаний. Экспертные системы (ЭС) являются частным случаем СОЗ [35].
Таким образом, на основе анализа научно – технической литературы были рас-
смотрены и классифицированы интеллектуальные информационные системы
по направлениям, методам и решаемым задачам.

2.2.Обзор и анализ научно-технической информации о развитии


экспертных систем, нейросетевых технологий и систем компьютерного
зрения как важнейших направлений искусственного интеллекта

2.2.1. Экспертные системы


В начале восьмидесятых годов в исследованиях по искусственному ин-
теллекту сформировалось самостоятельное направление, получившее назва-
ние "экспертные системы" (ЭС). ЭС выступает в роли «компетентного партне-
ра» – эксперта-консультанта в какой-либо конкретной предметной области.
ЭС аккумулирует в себе опыт и знания высококвалифицированных специали-
стов, позволяют пользоваться этими знаниями «не специалистам» в данной
предметной области. Способности ЭС решать поставленные задачи не ослабе-
вают со временем и не забываются при отсутствии практики, легко распро-
страняются, так как являются компьютерной программой, прекрасно докумен-
тированы, а значит и аргументированы [107, 123, 124,156, 158, 181]. При мно-
гократном решении одной и той же задачи ЭС выдает одно и тоже решение в
отличие от человека, который подвержен эмоциональным факторам. Плюс ко
всему эксплуатация ЭС значительно дешевле, чем оплата труда человека-
108

эксперта. Главное достоинство ЭС- возможность накапливать знания, сохра-


нять их длительное время, обновлять и тем самым обеспечивать относитель-
ную независимость конкретной организации от наличия в ней квалифициро-
ванных специалистов. Накопление знаний позволяет повышать квалификацию
специалистов, работающих на предприятии, используя наилучшие, проверен-
ные решения.
Актуальность развития и создания экспертных систем в настоящее время
несомненна. Разработанная ЭС может стать серьѐзной и значимой частью пи-
щевого производства, рационализируя управление процессами этого произ-
водства, минимизируя расходы на организацию и проведение регистрации по-
казателей качества сырья и полуфабрикатов на всех возможных стадиях про-
изводства с последующим анализом полученных результатов, прогнозирова-
нием качества готовых изделий с возможностью оперативного управления
ходом производства.
Области применения экспертных систем
Области применения ЭС, основанных на знаниях, могут быть сгруппиро-
ваны в несколько основных классов: медицинская диагностика, контроль и
управление, диагностика неисправностей в механических и электрических
устройствах, обучение.
а) Медицинская диагностика. Диагностические системы используются для
установления связи между нарушениями деятельности организма и их возмож-
ными причинами. Наиболее известна диагностическая система MYCIN, которая
предназначена для диагностики и наблюдения за состоянием больного при ме-
нингите и бактериальных инфекциях. В настоящее время эта система ставит
диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний,
благодаря чему может применяться и в других областях медицины.
б) Прогнозирование. Прогнозирующие системы предсказывают возмож-
ные результаты или события на основе данных о текущем состоянии объекта.
Программная система «Завоевание Уолл-стрита» может проанализировать
109

конъюнктуру рынка и с помощью статистических методов, алгоритмов разра-


ботать план капиталовложений на перспективу. Она не относится к числу си-
стем, основанных на знаниях, поскольку использует процедуры и алгоритмы
традиционного программирования.
Практическое применение искусственного интеллекта на машинострои-
тельных предприятиях и в экономике основано на ЭС, позволяющих повысить
качество и сократить время принятия решений, а также способствующих росту
эффективности работы и повышению квалификации специалистов.
в) Планирование. Планирующие системы предназначены для достижения
конкретных целей при решении задач с большим числом переменных. Компа-
ния Boeing применяет ЭС для проектирования космических станций, а также
для выявления причин отказов самолетных двигателей и ремонта вертолетов.
Экспертная система XCON, созданная фирмой DEC, служит для изменения
конфигурации компьютерных систем типа VAX и в соответствии с требовани-
ями покупателя. Фирма DEC разрабатывает более мощную систему XSEL,
включающую базу знаний системы XCON, с целью оказания помощи покупа-
телям при выборе вычислительных систем с нужной конфигурацией. В отличие
от XCON система XSEL является интерактивной. Имеются и другие разработки
в этой области [107, 123, 124,156, 158, 181].
г) Интерпретация. Интерпретирующие системы обладают способностью
получать определенные заключения на основе результатов наблюдения. Систе-
ма PROSPECTOR, одна из наиболее известных систем интерпретирующего ти-
па, объединяет знания девяти экспертов [156]. Используя сочетания девяти ме-
тодов экспертизы, системе удалось обнаружить залежи руды стоимостью в
миллион долларов, причем наличие этих залежей не предполагал ни один из
девяти экспертов. Другая интерпретирующая система- HASP/SIAP определяла
местоположение и типы судов в тихом океане по данным акустических систем
слежения.
110

д) Контроль и управление. Системы, основанные на знаниях, могут приме-


няться в качестве интеллектуальных систем контроля и принимать решения,
анализируя данные, поступающие от нескольких источников. Такие системы
уже работают на атомных электростанциях, управляют воздушным движением
и осуществляют медицинский контроль. Они могут быть также полезны при
регулировании финансовой деятельности предприятия и оказывать помощь
при выработке решений в критических ситуациях [123, 158, 181].
е) Диагностика неисправностей в механических и электрических устрой-
ствах. В этой сфере системы, основанные на знаниях, незаменимы как при ре-
монте механических и электрических машин (оборудования, автомобилей, ди-
зельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в
аппаратном и программном обеспечении компьютеров.
ж) Обучение. Системы, основанные на знаниях, могут входить составной
частью в компьютерные системы обучения. Система получает информацию о
деятельности некоторого объекта (например, студента) и анализирует его пове-
дение. База знаний (БЗ) изменяется в соответствии с поведением объекта. Обу-
чающая система может также обладать знаниями, позволяющими выполнять
диагностику и планирование. Она определяет способности обучаемого по ос-
новным направлениям курса, а затем с учетом полученных данных составляет
учебный план. Управляющая система может применяться для целей контроля,
диагностики, прогнозирования и планирования [13, 107, 181].
Существует ряд прикладных задач, которые решаются с помощью экс-
пертных систем, основанных на знаниях, более успешно, чем любыми другими
средствами [19, 124,156].

2.2.2. Нейросетевые технологии

Нейросетевые технологии являются одним из наиболее перспективных


направлений развития искусственного интеллекта [5, 6, 10, 12, 17, 18, 24, 27, 32,
34]. Они представляют собой математический аппарат, позволяющий воспроиз-
водить достаточно сложные зависимости. Их применение целесообразно для
111

решения сложно формализуемых задач, в которых входные данные слабо кор-


релируют с выходными.
Важным свойством НС при решении прикладных задач является способ-
ность к обучению и к обобщению полученных знаний [ 38, 39, 61]. Натрениро-
ванная на ограниченном множестве обучающих выборок, нейронная сеть
обобщает накопленную информацию и вырабатывает ожидаемую реакцию
применительно к данным, не обрабатывавшимся в процессе обучения. На сего-
дняшний день аппараты искусственных НС и методы их применения активно
развиваются и совершенствуются [38, 39, 61, 69 – 71, 75, 84, 85, 97 - 99].
Области применения
Примерами применения искусственных нейронных сетей (ИНС) являют-
ся: оценка параметров, идентификация систем, распознавание образов, анализ
временных рядов и сжатие и т.д. [75, 84, 85]. Любая ИНС используется в каче-
стве самостоятельной системы представления знаний, которая в практических
приложениях выступает, как правило, в качестве одного из компонентов систе-
мы управления, либо модуля принятия решений, передающих результирующий
сигнал на другие элементы, не связанные непосредственно с искусственной НС.
Для обработки принятой компьютером информации используются раз-
личные математические методы, позволяющие интерпретировать многомерный
отклик массива выполненных измерений. Одним из таких методов является ап-
парат искусственных НС. На выходе получается количественная или каче-
ственная информация об исследуемом параметре. Для классификации и распо-
знавания образов сеть обучается важнейшим их признакам. В процессе обуче-
ния выделяются признаки, отличающие образы друг от друга, которые и со-
ставляют базу для принятия решений об отнесении образов к соответствующим
классам. При решении задач прогнозирования роль НС состоит в предсказании
будущей реакции системы по ее предшествующему поведению.
При решении задач идентификации и управления динамическими про-
цессами нейросеть, как правило, выполняет несколько функций. Она представ-
112

ляет собой нелинейную модель этого процесса, обеспечивающую выработку


соответствующего управляющего воздействия. Сеть также выступает в роли
следящей системы, адаптирующейся к изменяющимся условиям окружающей
среды. Очень большое значение имеет функция классификации, реализуемая
при выработке решения о дальнейшем развитии процесса.
ИНС применяются в тех сферах, где человеческий интеллект малоэффек-
тивен, а традиционные вычисления физически неадекватны или трудоемки,
плохо отражают или не отражают реальные физические объекты и процессы.
Типовые задачи, решаемые с помощью нейрокомпьютеров и ИНС: автоматиза-
ция процессов контроля и прогнозирования, классификации, предсказания,
принятия решений; кодирование и декодирование информации; управление;
аппроксимация зависимостей.
Достоинства нейросетевых методов: появляется возможность отказаться от до-
рогостоящих и редких сенсоров; существенно сокращается продолжительность
измерений. Уменьшаются временные затраты на регистрацию и на этапы под-
готовки и обработки измерений; повышается объективность исследований.
Недостатками нейросетевого подхода можно назвать - необходимость предва-
рительной настройки, сбор и выявление основных входных и выходных ин-
формационных массивов данных [75, 84, 85].
Из проведенного рассмотрения видно, что применение нейросетевых тех-
нологий является перспективным направлением использования высокоэффек-
тивных интеллектуальных технологий для контроля и прогнозирования показа-
телей качества пищевой продукции.

2.2.3. Системы компьютерного зрения

Важную часть в области искусственного интеллекта занимают системы


компьютерного зрения (СКЗ) [ 3, 23, 29, 30, 37, 66 ]. На данном этапе развития
СКЗ по праву могут считаться одними из самых передовых и перспективных.
Существует масса методов для решения различных строго определѐнных задач
113

компьютерного зрения, где методы часто зависят от конкретных задач и редко


могут быть обобщены для широкого круга применения.
Системы компьютерного зрения (СКЗ) - это применение компьютерного
зрения для промышленности и производства. Компьютерное зрение имеет пре-
имущества перед зрением человека. Соответственно, актуально развивать это
интеллектуальное направление науки [ 3, 23, 29, 30, 37, 72]. При этом уже сей-
час становится ясно, что от успешного решения ряда сложных и неоднозначных
задач компьютерного зрения зависит автоматизация множества процессов и
операций самых различных отраслей промышленности, которые до этого
управлялись и контролировались только человеком [89, 95, 102].
Области применения
Системы СКЗ, позволяют решать множество задач, которые условно
можно разделить на четыре группы (рисунок 2.4): распознавание положения,
измерение, идентификация и инспекция.
• Распознавание положения. Цель компьютерного зрения в данном применении
- определение пространственного местоположения или статического положе-
ния объекта и передача информации о положении и ориентации объекта в си-
стему управления или контроллер.
• Измерение. В приложениях данного типа основная задача цифровой видеока-
меры заключается в измерении различных физических параметров объекта.
• Инспекция. В приложениях, связанных с инспекцией, цель компьютерного
зрения - подтвердить определенные свойства, например, наличие или отсут-
ствие этикетки на бутылке, болтов для проведения операции сборки, наличия в
полном объеме шоколадных конфет в коробке или наличие различных дефек-
тов в изделии.
• Идентификация.В задачах идентификации основное назначение видеокамеры
- считывание различных кодов (штрих-кодов, 2D-кодов и т. п.) с целью их рас-
познавания средствами камеры или системным контроллером, а также опреде-
ление различных буквенно-цифровых обозначений. Кроме того, к задачам дан-
114

ной группы можно отнести системы, выполняющие задачи безопасности, такие


как идентификация личности и техники, детекторы движения.

Рисунок 2.4 Основные задачи компьютерного зрения

В СКЗ для решения перечисленных задач используются различные тех-


нологии и методы обработки изображения. Ниже перечислены основные мето-
ды обработки изображения:
· Счетчик пикселей: подсчитывает количество светлых или темных пикселей и
на основе результата делает необходимые выводы об изображении.
· Выделение связанных областей: связная область изображения – это, с одной
стороны, тип объекта, все еще очень близко связанный с растровым изображе-
нием (представление изображения в виде двумерного массива точек, упорядо-
ченных в ряды и столбцы), и в то же время – это уже некая самостоятельная
единица, позволяющая вести дальнейший геометрический, логический, тополо-
гический и любой другой анализ изображения.
· Бинаризация: преобразует изображение в серых тонах в бинарное (белые и
черные пиксели).
· Гистограмма и гистограммная обработка: гистограмма характеризует часто-
ту встречаемости на изображении пикселей одинаковой яркости.
· Сегментация: используется для поиска и/или подсчета деталей. Сегментацией
изображения называется разбиение изображения на непохожие по некоторому
115

признаку области. Предполагается, что области соответствуют реальным объ-


ектам, или их частям, а границы областей соответствуют границам объектов.
· Чтение штрих-кодов: декодирование 1D и 2D кодов, разработанных для счи-
тывая или сканирования машинами.
· Оптическое распознавание символов: автоматизированное чтение текста,
например, серийных номеров.
· Измерение: измерение размеров объектов в дюймах или миллиметрах.
· Сопоставление шаблонов: поиск, подбор, и/или подсчет конкретных моделей.
· Инвариантные алгоритмы: обнаружение и сопоставление точечных особен-
ностей на изображениях.
· Различные методы восстановления формы объекта по изображениям. И т.д.
В большинстве случаев, СКЗ используют последовательное сочетание
этих методов обработки для выполнения полного инспектирования. Важной за-
дачей СКЗ при этом является получение цифрового изображения, обработка
изображения с целью выделения значимой информации на изображении и ма-
тематический анализ полученных данных для решения поставленных задач.
Хотя большинство СКЗ полагается на «черно-белые» камеры, использо-
вание цветных камер становится все более распространенным явлением. Кроме
того, все чаще СКЗ используют цифровые камеры прямого подключения, а не
камеры с отдельным захватчиком кадров, что сокращает расходы и упрощает
систему. В большинстве практических применений СКЗ компьютеры предвари-
тельно запрограммированы для решения отдельных задач, но методы, основан-
ные на знаниях, становятся все более общими. В настоящее время СКЗ востре-
бованы и используются в области контроля качества и инспекции качества раз-
личных изделий машиностроения, а также в горной, строительной и текстиль-
ной отраслях промышленности.
Создание новых методов оценки качества текстильных материалов, в том
числе и нетканых полотен, основанных на обработке изображений этих матери-
алов, получило широкое распространение в результате бурного развития ин-
116

формационных технологий, ориентированных на обработку цифровых изобра-


жений [91, 100, 126, 127]. Для решения задачи автоматизации поиска пороков в
движущемся по полотну потоке продукции используются механические, ин-
фракрасные и рентгеновские способы регистрации различных видов пороков.
Эти способы хорошо описаны в работе Петелина Д.П. [91]. Графическим мето-
дам обработки цифровых изображений иделий на полотне посвящена работа
[126, 127]. В работе [168] Ясинским И.Ф. представлена разработка нейросете-
вой системы для обнаружения и классификации дефектов ткани на мерильно-
браковочном оборудовании. Методы математической морфологии для выделе-
ния порока по цифровому изображению описаны в работе [37] Гонсалеса Р., где
показано, что многие современные фабрики по выпуску нетканых полотен ис-
пользуют оборудование, на некоторых технологических переходах которого
полотно может двигаться со скоростью несколько сотен метров в минуту. В
этом случае ручной контроль качества просто неприемлем. Решение проблемы
– внедрение систем оптического контроля качества выпускаемой продукции,
работающих в режиме реального времени. Практически речь идет о системах
реального времени с жесткими ограничениями на временные характеристики
функционирования. Нарушение этих ограничений считается отказом системы
[37]. Совершенствование волоконно-оптических датчиков физических величин
позволяет использовать их для приема изображений. Подобные датчики можно
использовать для создания информационно-измерительных сетей для решения
задач, где необходимо получение комплексных сведений об исследуемом объ-
екте [67]. Преимущества волоконно-оптических датчиков: низкая стоимость,
малые размеры, устойчивость к агрессивным средам окружающей среды, ди-
станционность использования, возможность агрегировать отдельные датчики в
сложные измерительные системы.
Большую популярность приобретают автоволновые методы обработки
информации. В работе [67] описана возможность использования автоволновой
среды для распознавания образов. Исследованы автоволновые режимы клеточ-
117

ных нейронных сетей с целью их использования для обнаружения сорных при-


месей и структурных пороков в полотнах нетканых материалов на основе ана-
лиза автоволновой динамики клеточной нейронной сети[126, 127].
Нейросетевая система для обнаружения и классификации дефектов ткани
на мерильно-браковочном оборудовании предложена Ясицким И.Ф. в работе
[181]. Задача контроля качества ткани на заключительном этапе отделочного
производства описана в работе Сергиенко А.Б. [150]. Простейшее устройство
для обнаружения, например, дыр в ткани представляет из себя устройство, со-
стоящее из осветителя и ряда фотоприемников, находящихся по разные сторо-
ны ткани. Делается вывод, что оптико-электронные способы получения инфор-
мации являются наиболее перспективными при разработке современных техно-
логий контроля качества текстильных материалов.
Зарубежные исследования вопросов анализа качества различных изделий
показывают, что одним из перспективных направлений является компьютери-
зация контроля пороков исследуемых деталей непосредственно на движущемся
полотне [66, 126, 127]. В работе [91] предложен и программно реализован ме-
тод компьютерного определения геометрических характеристик петлеобразо-
вания трикотажного полотна по его изображению, позволяющий существенно
ускорить процесс контроля качества полотна. В работе [92] рассматривается
компьютерный метод определения плотности прошивки многослойных тек-
стильных полотен по их изображениям. В основу метода положено понятие ав-
токорреляционной функции входного сигнала яркости изображения.
Особое внимание уделено математическому аппарату, поскольку набор
технических устройств для получения изображений и их обработки довольно
стандартный. Использованию вейвлетов [118,127] для определения местных
пороков тканей посвящена работа Агафонова В.И. В работе [128] предлагается
система технического зрения для контроля качества ткани в реальном времени
на ткацком станке. Актуальность применения вейвлетов в задачах контроля ка-
чества текстильных полотен отмечается в работе [127].
118

Все чаще при анализе качества различных деталей используются методы


компьютерного моделирования. Именно компьютерным моделям в механике
волокнистых масс и моделированию технологических систем и процессов, ме-
тодам и средствам исследования механико-технологических процессов тек-
стильной промышленности посвящены труды проф. Севостьянова П.А. и проф.
Севостьянова А.Г. [150]. Подобное моделирование помогает оценивать и про-
гнозировать свойства текстильных материалов и выявлять факторы, влияющие
на их качество.
В работе [159] построены компьютерные 3D-модели многокомпонентных
масс и поверхности главного барабана строителной смесительной машины.
Разработанный программный графический модуль позволяет в 3D-формате
отобразить и провести анализ неровностей волокнистого материала и рабочей
поверхности барабана.
Автоматизировать процесс сортировки цифровых изображений эскизов
тканей можно с помощью формализации характеристик текстильных компози-
ций. Этому вопросу посвящена работа [162] авторов Фирсова А.В., Фисенко
В.Т., Каршакова Е.В., Каршаковой Л.Б. В работе [7] Анисимова Б.В. рассмот-
рен автоматизированный анализ композиций различных изображений. Описана
математическая модель алгоритма поиска изображений в базах данных путем
создания матриц смежности. Затрагивается вопрос использования возможно-
стей облачных вычислений.
Разработке системы технического зрения для контроля качества ткани в
реальном времени на ткацком станке посвящены работы [126, 127]. Предлага-
ются алгоритмы работы системы на базе аппарата нечеткой логики.
В работе Визильтера Ю.В. [30] приводится описание методов обработки
цифровых изображений в современных авиационных системах.
Использование СКЗ для автоматизации контроля качества
пищевых продуктов
119

В пищевой промышленности СКЗ только начинают применяться. Работ,


посвященных определению качества пищевой продукции по ее цвету пока еще
очень мало. Так, в системах автоматического контроля качества хлебобулочных
изделий предлагается использование не СКЗ, а методов спектральной квали-
метрии [13, 19, 21, 22, 79, 80]. Например, работа Ребрикова Д.И. посвящена
контролю цветовых показателей качества хлебобулочных изделий с примене-
нием спектральной квалиметрии [175]. При этом качество выпеченного хлеба
оценивается по интенсивности окраски корки готовой продукции. Шторх Л.В.
[175] предложила автоматизированную систему контроля цвета хлебобулочных
изделий, позволяющую осуществить поддержку принятия технологом решения
по управлению технологическим процессом выпечки с учетом цветности хле-
бобулочных изделий с использованием фотокамеры. Но данная разработка
может быть использована лишь в лаборатории предприятия. В работах Битюко-
ва В.К., Хвостова А.А. [13] отмечается, что существенное влияние на физико-
механические свойства пищевой продукции оказывает такой показатель, как
неровность поверхности и формы готовых изделий. Этот показатель является
наиболее значимым при оценке качества пищевой продукции.Метод оценки не-
ровности поверхности и формы изделия основан на измерении массы проб и
вычислении некоторых статистических характеристик, например коэффициента
вариации по длине, ширине и площади готовых пищевых изделий.
На физико-механические свойства и внешний вид изделий оказывает вли-
яние степень перемешивания разнородного сырья в смеси. Существует много
методов оценки распределения компонентов в поперечных сечениях получае-
мых полуфабрикатов. Некоторым методам посвящена работа [29] Визильтера
Ю.В. Главное требование к этим методам – простота обработки изображений
поперечных сечений и вычисления соответствующих показателей.
Испытательная лаборатория пищевого предприятия является одним из
главных звеньев в обеспечении качества используемого сырья и выпускаемой
120

продукции. Работа [139] Потапова А.А. посвящена разработке информационно-


справочной системы испытательной лаборатории, использующей возможности
современной компьютерной техники. Данная система позволяет оперативно
обеспечивать методическое сопровождение по задачам, решаемым лаборатори-
ей в процессе контроля качества сырья, полуфабрикатов и готовых пищевых
масс и изделий.
На современных предприятиях пищевой промышленности в настоящее
время одной из актуальных и важных проблем является автоматизация кон-
троля цвета сырья, получаемых в процессе производства полуфабрикатов, а
также готовой пищевой продукции. Серьезной проблемой является также обна-
ружение дефектов готовых пищевых изделий.
В настоящее время СКЗ востребованы и используются в области кон-
троля качества и инспекции качества бисквитов на кондитерской линии, осу-
ществляемое со скоростью 60 пирожных в секунду [19]. Использованием СКЗ
для контроля различных показателей качества пищевой продукции занимались
Роденков Е.В. (в пивоваренной промышленности) [14], Давыдова Г.Р. (в мо-
лочной промышленности) [14], Савостиным С.Д. (в мукомольной промышлен-
ности ) [148] и Благовещенский И.Г. и Иванов Я.В. (в кондитерской промыш-
ленности) [19, 79].
Обзор и анализ полученной информации показал, что эффективное ис-
пользование СКЗ в системах автоматизации производства, прежде всего,
наблюдается на наиболее развитых производствах с общей высокой культурой
и технологией. На менее низком уровне на цифровые видеосистемы возлагается
роль дополнения, расширяющего возможности и повышающего эффективность
человеческого зрения, при ведущей роли человека-оператора технологического
оборудования.
Нами были начаты работы по автоматизации контроля цвета сырья, по-
луфабрикатов и готовой пищевой продукции [19, 148] с использованием СКЗ,
поскольку актуальной задачей любого пищевого производства является авто-
121

матический контроль в режиме оеального времени цвета сырья, полуфабрика-


тов и готовых пищевых изделий, выявления брака в готовой продукции.
2.3. Выводы по 2 главе
Вторая глава посвящена интеллектуальным информационным систе-
мам и анализу возможности их использования для автоматизации контроля в
потоке показателей качества пищевой продукции. В рамках этой главы:
1. Проведена классификация интеллектуальных информационных систем
(ИИС). Показаны задачи, решаемые этими системами. Дана классификация
ИИС по назначению.
2. Проведен обзор и анализ научно-технической информации о развитии
экспертных систем (ЭС), нейросетевых технологий и систем компьютерного
зрения (СКЗ) как важнейших направлений искусственного интеллекта. Показа-
на актуальность развития и создания ЭС в настоящее время. Представлены об-
ласти применения ЭС, нейросетевых технологий и СКЗ.
3. Представлен аналитический обзор основных задач, решаемых ЭС в
различных отраслях промышленности.
4. Показано, что нейросетевые технологии являются одним из наиболее
перспективных направлений развития искусственного интеллекта. Представ-
лены направления развития и области применения нейросетевых технологий.
Представлены области применения нейронных сетей.
5. Показано, что компьютерное зрение – это одна из самых востребован-
ных областей на современном этапе развития информационных технологий.
Представлены основные задачи, решаемые СКЗ. Даны основные методы обра-
ботки и анализа изображений в СКЗ. Рассмотрены возможности использова-
ния СКЗ в пищевых отраслях промышленности.
122

ГЛАВА 3. ИДЕНТИФИКАЦИЯ НЕСТАЦИОНАРНЫХ


ДИНАМИЧЕСКИХ ПРОЦЕССОВ ПРОИЗВОДСТВА ПИЩЕВОЙ
ПРОДУКЦИИ, ИХ СТРУКТУРНО- ПАРАМЕТРИЧЕСКИЙ АНАЛИЗ
И СИТУАЦИОННОЕ МОДЕЛИРОВАНИЕ ДЛЯ СОЗДАНИЯ ИЭС.

Решение задачи автоматизации контроля качества сырья, полуфабрикатов


и готовой пищевой продукции возможно лишь при наличии математических
моделей ТП их производства, что позволит наглядно изучить влияние входных
контролируемых и регулируемых параметров, возмущающих воздействий на
исследуемые показатели качества на всех стадиях производства, а также даст
возможность прогнозировать ход этих ТП и определять необходимые при этом
режимы работы используемого оборудования.
Для разработки таких математических моделей были проведены теоре-
тические исследования идентификации нестационарных ТП пищевых произ-
водств, что позволило предложить адаптивный подход , отражающий специ-
фику прикладной области исследований [75]. Также были проведены экспери-
ментальные исследования технологических систем и по методологии структур-
но-параметрического моделирования, изложенной в работах Ю.А. Ивашкина
[81 - 83], разработаны структурно- параметрические модели (СПМ) связей
между параметрами состояния и исследуемыми показателями качества на всех
стадиях ТП производства пищевой продукции различного агрегатного состоя-
ния (помадных конфет, муки, сливочного масла и кваса) с выделением наибо-
лее важных факторов.
Для проведения структурно- параметрического анализа ТП производства
пищевой продукции необходим опрос опытных специалистов – экспертов. По-
этому, в первую очередь, была разработана методика выбора количественного
и качественного состава экспертов, а также выработан принцип формирования
рабочей группы экспертов для проведения тестового опроса.
123

3.1. Методика выбора количественного и качественного состава экспертов.


Принцип формирования рабочей группы экспертов для проведение
тестового опроса.

Одной из наиболее сложных в теории и практике экспертных исследова-


ний была и остается проблема подбора экспертов, являющихся источниками
информации. От эффективности решения этой задачи в значительной степени
зависит качество разрабатываемой ЭС. Был проведен сравнительный анализ
существующих подходов к выбору количественного и качественного состава
экспертов рабочей группы для выработки общего подхода к выбору экспертов.
Полученные нами результаты показали, что выбор состава экспертной группы
следует рассматривать как многоэтапный процесс.
На эффективность сбора, способы получения и подготовки информации
для ЭС в значительной степени влияет подбор состава экспертов рабочей груп-
пы, для осуществления которого предлагается выполнение следующие пяти ос-
новных этапов:
Этап 1. Определение предметной области и цели экспертного исследования.
Этап 2. Выбор количества экспертов в составе рабочей группы.
Этап 3. Формирование списка возможных кандидатов в эксперты.
Этап 4 Формирование предварительного списка экспертов рабочей группы и
оценка уровня их компетентности.
Этап 5 Формирование окончательного списка экспертов рабочей группы и
оценка уровня ее компетентности.
Рассмотрим эти этапы и решаемые в них задачи более подробно.
Этап 1. Определение предметной области и цели экспертного исследования.
- Предметная область и цель экспертного исследования: контроль показателей
качества пищевой продукции в процессе ее производства для создания ИЭС.
- Формирование набора исходных факторов, влияющих на ход ТП производства
пищевой продукции (ПП). Проведение их ранжирования, выбор среди них
124

наиболее значимых факторов, оказывающих существенное влияние на итого-


вый показатель эффективности работы призводства ПП.
- Проведение выбора значимых параметров, характеризующих работу сервис-
ных служб, обслуживающих компьютерное оборудование ЭС.
На этом этапе четко определяется количество исходных факторов (или
вариантов) и задача их экспертного исследования. Количество факторов, под-
лежащих анализу и ранжированию, согласно принципу Гештальта [86, 116],
рекомендуется брать не более 9-10. Дальнейшее увеличение числа факторов,
как правило, ведет к сложности их ранжирования с учетом обеспечения согла-
сованной оценки экспертов.
Этап 2. Выбор количества экспертов в составе рабочей группы
Существуют различные подходы к выбору количества экспертов (m) в со-
ставе рабочей группе: 1) количество экспертов согласно [86, 116] должно быть
не меньше числа факторов (n) или вариантов, которые подлежат ранжирова-
нию ( m ≥ n ); 2) количество экспертов в [116] рекомендуется определять по
следующей формуле m ≥ 0,5 (0,33/b + 5), где b - ошибка результата экспертно-
го анализа 0 < b < 1.
Так при допустимой ошибке экспертного анализа в 5 % (b = 0,05) в со-
став рабочей группы должно входить не менее 6 экспертов.
3) количество экспертов согласно принципу Гештальта должно быть не
более 10 человек. При большом числе экспертов, во-первых, достаточно слож-
но согласовать их мнения, если эксперты принадлежат к различным научным
школам и направлениям. А во-вторых, возникают определенные сложности ор-
ганизации экспертного опроса.
4) на основании результатов практической деятельности количество экспертов
в [86, 116] рекомендуется брать не менее 7 и не более 20 человек, а в [ 157 ] не
менее 10 и не более 30, поскольку слишком малое их число приводит к недо-
стоверности групповой оценки, а слишком большое – к сложности организа-
ции экспертного опроса.
125

5) количество экспертов в [ 161 ] рекомендуется определять по следующей

формуле

где - количество экспертов в предварительно сформированной группе

- компетентность i-го эксперта, которая оценивается в баллах,


например, рекомендуется от 1 до 5 баллов.

- максимально возможная компетентность i-го эксперта, напри-


мер, 5 баллов

Тогда, например, если в качестве исходных данных имеем =10 и все


эксперты одного наивысшего уровня квалификации

и , то получаем
В [ 86 ] для определения количества экспертов в составе рабочей группы
предложено использовать теорию вероятности и элементы математической ста-
тистики. Это достаточно трудоемкий, но в то же время корректный подход. По-
этому в настоящей работе для расчета количества экспертов рабочей группы
предлагается использовать упрощенный, модифицированный вариант этого
подхода. За основу подхода берем аналогию между выборочными наблюдени-
ями (выборками), имеющими место в статистических исследованиях, и оценка-
ми (баллами или рангами), которые дают эксперты определенному фактору при
проведении экспертного анализа. Из курса статистики [ 2 ] известно, что сред-
няя ошибка выборки (ϻ) – это среднее квадратическое отклонение всех воз-
можных значений выборочной средней от своего математического ожидания.
Тогда ( ) – это дисперсия возможных значений выборочной средней. В кур-
се математической статистики показано, что величина ( ) в n раз
ше дисперсии ( ) в генеральной совокупности, где n - объем выборки. Сле-
дует иметь в виду, что все это справедливо в условиях нормально распределен-
ной генеральной совокупности. Поэтому при большом объеме выборки спра-
ведливо следующее выражение:
126

(3.1)

При малом объеме выборки, когда , выражение (3.1), согласно


теории математической статистики, заменяется на выражение (3.2)

(3.2)
После преобразований выражений (3.1) и (3.2) и замены объема выборки
( n ) на количество экспертов (m) в рабочей группе соответственно имеем

, если количество экспертов (3.3)

, если количество экспертов (3.4)


Рекомендуемые численные значения количества экспертов в составе рабо-
чей группы, полученные из выражений (3.3) и (3.4) для ряда типовых значений
отношения ( ϻ2/σ2 ), используемого на практике, приведены в таблице 3.1.
Таблица 3.1.
Рекомендуемый количественный состав экспертов рабочей группы
0,05 0,06 0,07 0,075 0,08 0,09 0,10 0,15 0,20 0,25
( )
21 18 16 15 14 12 11 8 6 5

Поскольку наиболее широко в практической деятельности при проведе-


нии расчетов используется следующее выражение (0,05 ( ϻ2/σ2 ) 0,10), то
получаем, что наиболее приемлемое количество экспертов в составе группы
должно быть в пределах 9 – 11 человек, в зависимости от допустимой вели-
чины ( ϻ2/σ2 ). Полученные теоретически и рекомендуемые к использованию
граничные значения для определения количественного состава экспертов рабо-
чей группы практически совпадают с теми результатами, которые получены на
основе практической деятельности и приведены в целом ряде работ [2, 14, 17,
86, 101, 110, 116]. Таким образом, можно считать, что предложенный подход к
127

оценке граничных значений состава экспертов рабочей группы является доста-


точно корректным.
Этап 3. Формирование списка возможных кандидатов в состав экспертной
группы. Формирование этого базового списка экспертов возможно различными
способами проведения творческих совещаний [101, 110]. Рекомендуется ис-
пользовать классический метод, когда создаются полные базовые списки экс-
пертов по всем основным направлениям предметной области, например, в про-
изводственной деятельности любого пищевого предприятия. Кстати, этот ме-
тод наиболее часто используется на практике.
Этап 4. Формирование предварительного списка экспертов группы и оценка
уровня их компетентности. Предварительный список экспертов формируется на
основе базового списка с учетом возможностей экспертов принять участие в
работе группы в определенный период времени. Затем оценивается уровень
компетентности экспертов, входящих в состав этого предварительного списка.
Рекомендуется использовать более полную оценку уровня компетентности экс-
пертов по сравнению с той, которая приведена в работах [2, 86, 101, 110,
116]. Поэтому для оценки уровня компетентности ( Кi ) каждого i-го эксперта
предлагается использовать следующее выражение:
КI = ∑ (3.5)

В выражение (3.5) включены следующие пять обобщенных показателей: Кij -


коэффициент, отражающий уровень профессиональной подготовки и информи-
рованности i-го эксперта; Кi2 - коэффициент, отражающий уровень базовой ар-
гументации i-го эксперта при принятии им решения; Кi3 - коэффициент, отра-
жающий личные качества i-го эксперта, и вычисляемый на основе самооценки;
Кi4 - коэффициент, отражающий личные качества i-го эксперта, и вычисляе-
мый коллегами экспертами; Кi5 - коэффициент, отражающий уровень согласо-
ванности действий i-го эксперта с членами рабочей группы при проведении те-
стовой оценки уровня важности указанного фактора или варианта при заданном
128

их наборе. Коэффициент Кi1 предлагается определять на основании данных


приведенных в таблице 3.2.
Таблица 3.2
Определение уровня профессиональной подготовки и
информированности экспертов
Квалификация эксперта Значение коэффициента Кi1 (балл)
Доктор технических наук 1,0
Кандидат технических наук 0,9
Инженер со стажем более 20 лет 0,8
Инженер со стажем от 15 до 20 лет 0,7
Инженер со стажем от 10 до 15 лет 0,6
Инженер со стажем от 5 до 10 лет 0,5

Для определения значения коэффициента используются данные, которые


приведены в таблице 3.3 и взяты из [101]:
Таблица 3.3
Определение степени аргументированности экспертов
Источник аргументации Степень влияния источника на мнение
эксперта (балл)
Высокая Средняя Низкая
Проведенный теоретический анализ 0,3 0,2 0,1
Производственный опыт 0,5 0,4 0,2
Обобщение работ отечественных авторов 0,05 0,05 0,05
Обобщение работ зарубежных авторов 0,05 0,05 0,05
Личное знакомство с состоянием дел за рубежом 0,05 0,05 0,05
Интуиция 0,05 0,05 0,05
Итого 1,0 0,8 0,5

Эксперт получает таблицу 3.3 без цифр и отмечает в ней символом (*)
степень влияния каждого источника на его мнение. После наложения на эту
таблицу эталонной таблицы с цифрами подсчитывается сумма баллов по
всем источникам, отмеченным экспертом, Получается оценка, которая соот-
ветствует коэффициенту . На основе анализа работ [2, 14, 17, 86, 101, 110,
116] выделены следующие пять основных личных качеств экспер-
тов:стремление к профессиональному росту и постоянному повышению квали-
фикации как в своей области, так и в смежных областях; способность опера-
тивно оценивать ситуацию и принимать эффективные решения; способность
своевременно реализовывать принятые решения; умение создавать в рабочем
129

коллективе нормальный психологический климат; дисциплинированность и ор-


ганизованность. Для оценки личных качеств экспертов предлагается использо-
вать вербально - цифровую шкалу, приведенную в таблице 3.4.
Таблица 3.4
Вербально-цифровая шкала оценки личных качеств эксперта
Оценка проявления качества Балл Оценка проявления качества Балл
Всегда 1,0 Реже средней 0,4
Почти всегда 0,9 Редко 0,3
Очень часто 0,8 Очень редко 0,2
Часто 0,7 Иногда 0,1
Чаще средней 0,6 Никогда 0,0
Средняя 0,5 - -

Коэффициенты Кi3 и Кi4 , которые соответственно отражают личные качества


экспертов на основе самооценки и оценки коллег, вычисляются с использова-
нием данных, приведенных в таблице 3.5, по следующим формулам

(3.6)

(3.7)

где - коэффициент, отражающий самооценку i-го эксперта по


наличию и проявлению у него j-го личного качества

- коэффициент, данный l-ым экспертом о наличии и проявлении j-


го личного качества у i-го эксперта
i - количество экспертов, участвующих в оценке личных качеств i-го экс-
перта.
Для оценки значения коэффициента Кi5 предлагается использовать следу-
ющее выражение:

(3.8)
где - ранг, присвоенный i-ым экспертом выделенному фактору в про-
цессе проведения тестового опроса;
130

r - средний ранг выделенного фактора, полученный в результате проведе-


ния тестового опроса всеми экспертами рабочей группы.
В [101] после проведения тестового опроса экспертов предложена следу-
ющая процедура аттестации экспертов. Если ранг, присвоенный i-ым экспер-
том выделенному фактору в процессе проведения тестового опроса, не оказы-
вается крайним (наибольшим или наименьшим) в полученном ряду оценок, то
квалификационный уровень этого эксперта следует считать соответствующим
уровню группы. В противном случае оценку данную этим экспертом следу-
ет считать противоречащей мнению группы и необходимо далее провести
оценку на предмет возможности включения (или не включения) этого эксперта
в состав рабочей группы. Если , то эксперта включают в
состав рабочей группы, иначе не включают. Где r- среднее арифметическое
значение оценки факторов всеми экспертами, σ- среднее квадратичное откло-
нение индивидуальных оценок в группе.
Значение коэффициента β при α = 0,05 выбирают согласно [110] из табли-
цы 3.5 в зависимости от количества экспертов (m) в рабочей группе.
Таблица 3.5
Значения коэффициента β
M 3 4 5 7 8 9 1
6 0
1,15 1,46 1,67 1,82 1,94 2,03 2,11 2,18
Коэфф

Этап 5 Формирование окончательного списка экспертов рабочей группы и


оценка уровня ее компетентности. Всех экспертов, прошедших аттестацию,
ранжируют согласно уровню их компетентности, который отражает коэффици-
ент Кi, вычисляемый по выражению (3.5). Далее, используя таблицу 3.2 выби-
рают требуемое количество экспертов в составе рабочей группы. Экспертов по-
следовательно выбирают из ранжированного ряда, начиная с наибольшего
уровня компетентности. Коэффициент представительности или компетентности
(M) экспертной группы вычисляется согласно [ 8 ] по следующей формуле:
131

, (3.9)
где Кi - коэффициент компетентности i-го эксперта вычисляется по выра-
жению (3.3)
m- количество экспертов в составе рабочей группы.
Сформированная рабочая группа экспертов является компетентной и спо-
собной корректно решать поставленные перед ней задачи, если уровень ее ком-
петентности отвечает следующему условию [110]:
0,67 (3.10)
При формировании рабочих групп экспертов рекомендуется учитывать
следующие правила:
1) для принятия экспертами согласованных решений желательно, чтобы
эксперты в полной мере обладали следующими качествами:
- профессиональная подготовка и информированность;
- умение создавать в рабочем коллективе нормальный психологический климат;
- дисциплинированность и организованность.
2) для принятия экспертами технически грамотных решений
но, чтобы эксперты в полной мере обладали такими качествами, как информи-
рованность о проблемной ситуации, активное использование теоретического
анализа при принятии аргументированного решения;
3) для принятия экспертами эффективных решений необходимо, чтобы
они могли оперативно оценивать ситуацию и принимать в условиях дефицита
времени эффективные решения.
Приведенные рекомендации по организации экспертных групп направлены
на принятие экспертами согласованных, технически совершенных и экономи-
чески эффективных решений. Таким образом, предложено рассматривать про-
цесс выбора количественного и качественного состава экспертов рабочей груп-
пы как многоэтапный процесс. На основе анализа работ по принятию управ-
ленческих решений выявлены подходы к оценке граничных значений (верхнего
и нижнего) количественного состава экспертов рабочей группы. Предложено
132

простое аналитическое выражение для оценки количественного состава экспер-


тов рабочей группы Корректность этого выражения подтверждается результа-
тами практической деятельности [110]. Применение групповой экспертизы поз-
воляет не только рассмотреть множество аспектов и факторов, но и объединить
различные подходы, с помощью которых руководитель находит оптимальное
решение. Определен набор качеств экспертов, которые следует учитывать при
оценке уровня их компетентности. Предложена вербально-цифровая шкала и
аналитические выражения для оценки уровня компетентности экспертов.
Методы получения информации от экспертов
Методы получения информации от экспертов могут быть разными [2, 14,
17, 86, 101, 110, 116]: по почте (опросные листы, анкеты, дневники наблюдений
и т. п.); интервью; ответы на вопросы собирают и представляют на обработку
специально назначенные работники; возможна на разных этапах комбинация
трех предыдущих методов.
Опрос – главный этап совместной работы группы управления и экспертов.
Основным содержанием опроса является: постановка задачи и предъявление
вопросов экспертам; информационное обеспечение работы экспертов; выработ-
ка экспертами суждений, оценок, предложений; сбор результатов работы экс-
пертов. Можно назвать три типа задач, которые решаются в процессе опроса:
оценка качественная или количественная заданных объектов; построение но-
вых объектов; построение и оценка новых объектов. При коллективной экспер-
тизе используются следующие основные виды опроса: дискуссия, анкетирова-
ние и интервьюирование, метод коллективной генерации идей, или мозговой
штурм. Анкетирование может проводиться с обратной связью или без нее. При
анкетировании с обратной связью опрос экспертов производится в несколько
этапов с доведением до сведения экспертов некоторых результатов опроса на
предыдущем этапе, включая оценки отдельных экспертов и их аргументацию.
Главным в организации опроса является обеспечение максимума инфор-
мации и максимума творческой активности, самостоятельности эксперта. Од-
133

нако возможности эксперта по переработке информации ограниченны. В ре-


зультате эксперт может принять решение, не используя всей информации,
имеющейся в его распоряжении. Кроме того, новая информация воспринимает-
ся человеком с определенным внутренним сопротивлением и не сразу влияет на
уже сложившиеся субъективные оценки. Отношение к новой информации бла-
гожелательное, а восприятие и использование ее полнее, если она пред-
ставляется в доходчивой, яркой и компактной форме.
Из этих психологических особенностей следует необходимость предостав-
ления экспертам возможностей для фиксации поступающей информации путем
ведения записей, использования технических средств, а также необходимость
предварительной обработки информации и представления ее экспертам в
наиболее воспринимаемой форме. Анкетирование является наиболее эффек-
тивным и самым распространенным видом опроса, ибо позволяет наилучшим
образом сочетать информационное обеспечение экспертов с их самостоятель-
ным творчеством.
Сравнительный анализ различных методов сбора и способов обработки
данных, полученных от экспертов

Для создания ЭС в работе был выбран метод сбора информации у экс-


пертов и способ получения и обработки этой информации для введения в со-
здаваемую ИЭСК качества пищевой продукции [110]. Проведен опрос специ-
алистов, являющихся экспертами в конкретной предметной области пищевой
промышленности (кондитерской, мукомольной, молочной и пивобезалкоголь-
ной), а затем систематизироны полученные данные, организованы эти знания
указателями, чтобы впоследствии их можно было легко извлечь из базы знаний
ИЭСК. Для этого проведен анализ существующих методов представления и
обработки оценок экспертов, а именно:
1. Порядковый метод ранжирования. Метод состоит в том, что эксперт распо-
лагает объекты (факторы, альтернативы) в порядке, который представляется
ему наиболее рациональным и приписывает каждому из них порядковый номер
134

— ранг, который определяется на основе отношений «больше, чем»; «более


предпочтителен»; «сильнее» и т. д. При этом ранг М получает наиболее пред-
почтительная альтернатива, а ранг N — наименее предпочтительная (следова-
тельно, число n объектов должно быть равно N). Когда в экспертизе участвует
несколько экспертов (э), которые оценивают объект по нескольким факторам
(п), обычно стремятся получить усредненную оценку (вес) для каждого объек-
та. Это особенно актуально, когда каждый эксперт использует свою шкалу оце-
нок. Для этого была рекомендована следующая методика: 1) составляется мат-
рица «эксперты-факторы», в которой проставляются полученные от каждого
эксперта оценки факторов по шкале от 1 до 10. Например, при проектировании
ИЭС контроля качества ПГК было выделено 7 основных показателей качества
готовых кондитерских изделий: а) цвет сырья; б) цвет сахарного сиропа; в) цвет
помадного сиропа; г) цвет не глазированных конфет; д) величина кристалов са-
хара в помадной массе; ж) величина кристалов сахара в конфетной массе; з)
форма конфет.
Число факторов = 7, а число шкальных оценок = 10. Рассчитывается от-
носительная значимость (Wij) всех факторов в отдельности для каждого экс-
перта. Вычисляется усредненная оценка, данная всеми экспертами каждому
фактору. На основе этих оценок получаются ранги факторов.
П. Метод последовательных сравнений. Недостаток показателей, получаемых
на основе суммирования оценок, состоит в том, что малое значение одного из
факторов можно компенсировать за счет другого большего, получая один и тот
же результат при различной значимости факторов. Поэтому для повышения
надежности подобных оценок весьма большое значение имеет выявление свя-
зей и установление зависимостей (по возможности количественных) между
всеми значимыми факторами. Для разрешения таких проблем был разработан
метод последовательных сравнений [101] и он состоит в следующем. Эксперту
предоставляется перечень факторов, которые необходимо оценить по их отно-
сительной важности и ранжировать. При этом подходы к сравнительной оценке
135

предлагаются разные. Наиболее важному фактору придается оценка v1 = 1, а


остальным факторам — оценки Vi между 0 и 1 в порядке их относительной
важности. Затем эксперт определяет, является ли фактор с оценкой 1 более
важным, чем комбинация остальных факторов в совокупности. Если это так, то
он увеличивает оценку V1, чтобы она была больше, чем сумма всех остальных,
иначе он корректирует V1 так, чтобы она была меньше суммы всех остальных.
Далее для V2 повторяется та же процедура — определяется, является ли второй
фактор наиболее важным, чем все остальные факторы, получившие более низ-
кие оценки. Процедура последовательных сравнений продолжается вплоть до
(n-1)-го фактора. Таким образом, используемая здесь процедура состоит в си-
стематической проверке оценок на базе их последовательного сравнения.
Ш. Метод парных сравнений. Трудности использования ранжирования, непо-
средственной оценки и метода последовательных сравнений при выявлении
предпочтений для большого числа факторов можно в определенной степени
уменьшить, если предложить экспертам произвести сравнение факторов попар-
но, с тем чтобы установить в каждой паре наиболее важный. В общем случае
эксперт может установить равенство объектов или указать свои предпочтения
на некоторой шкале. Производить парное сравнение удобно не только тогда,
когда число факторов велико, но и в тех случаях, когда различия между объек-
тами по разным факторам настолько мало, что непосредственное ранжирование
не обеспечивает разумного упорядочивания. Таким образом, метод парных
сравнений имеет некоторое преимущество перед другими методами упорядоче-
ния в случаях, когда факторов много или они трудно различимы. Существует
два основных подхода определения предпочтений по этому методу. Первый со-
стоит в том, что эксперт ограничивается простой констатацией того, что один
фактор предпочтительнее другого - без указания на степень предпочтения. То-
гда в матрице парных сравнений в ячейках записываются 0 или 1- такая матри-
ца известна как «турнирная таблица». Матрица парных сравнений всегда об-
ратно симметрична относительно главной диагонали, потому что если А1 пред-
136

почтительнее, чем А3, т. е. элемент А13 = 1, то А3 менее предпочтителен, чем


А1, и А31 = 0. Фактически эксперту нужно заполнять только половину матрицы.
Сумма оценок каждого фактора может трактоваться как его ранг. Так что в
примере ранги факторов записаны в последнем столбце. Сначала каждый экс-
перт заполняет такую матрицу, определяются индивидуальные ранги, а затем
они усредняются с учетом мнений всех экспертов (матрица А). На основе этого
строится вторая матрица Р, показывающая процентное отношение случаев, ко-
гда фактор i оказывался более значимым, нежели фактор j, в общем числе по-
лученных оценок.
Определение согласованности мнений экспертов. Групповая оценка может счи-
таться достаточно надежной лишь при условии хорошей согласованности отве-
тов опрашиваемых специалистов. Поэтому статистическая обработка информа-
ции, полученной от экспертов, должна включать в себя оценку степени со-
гласованности мнений. Оценки, полученные от экспертов, могут рассматри-
ваться как случайные переменные, распределение которых отражает мнения
экспертов о вероятности того или иного исхода события (фактора). Поэтому
для анализа разброса и согласованности оценок экспертов применяются обоб-
щенные статистические характеристики — средние и меры разброса [14, 110].
Анализ различных методов сбора, способов обработки и представления
информации, поступающей в ИЭСК качества пищевых продуктов от экспертов
показал, что достаточную точность при ограниченном количестве факторов (до
100) обеспечивает метод последовательных сравнений.

3.2. Идентификация ТП производства пищевой продукции с


нестационарными параметрами
ТП пищевых производств – это многозвенные инерционные системы, для
которых характерна нестационарность параметров. В свою очередь, нестацио-
нарность моделей ТП вызвана изменением свойств как самого ТП, так и много-
номенклатурностью производства пищевой продукции [75].
137

Изменение во времени параметров ТП производства различной пищевой


продукции связано прежде всего с изменением свойств поступающиго сырья,
а также с износом, старением и выходом из строя используемого технологиче-
ского оборудования и его воздействием на датчики, аппараты, агрегаты, трубо-
проводы и исполнительные механизмы.
Многономенклатурность пищевого производства приводит к тому, что
для контроля и управления ТП необходимо иметь либо большое количество
моделей объектов автоматизации, либо строить эти модели непосредственно по
экспериментальным данным в ходе самого ТП. Последний подход хорошо за-
рекомендовал себя во многих практических приложениях, хотя и не лишѐн не-
которых недостатков [75]. Основная проблема заключается в том, что при по-
строении модели объекта возможен уход контролируемых входных параметров
за границы допусков. Следовательно, выпуск пищевой продукции не будет со-
ответствовать техническим требованиям производства.
3.2.1. Оценка диапазонов изменения входных значений для обеспечения
стабилизации выходного показателя качества в заданном диапазоне
В любом производстве пищевой продукции возникает задача оценки диапа-
зонов изменения входных измеряемых значений для получения оптимального
диапазона изменения выходной величины. В практической реализации – это за-
дачи, когда на входе объекта имеется многокомпонентная пищевая масса, а на
выходе имеется один измеряемый (интегральный) показатель качества готового
продукта .
Задача: определить, в каких пределах могут изменяться входные параметры
ТП производства пищевой продукции x1 , x2 ,, xn для того, чтобы выходной
показатель качества лежал в заданных пределах y  y Верхн  у Нижн , т.е. необходи-
мо обеспечить стабилизацию выходного показателя качества в заданном диапа-
зоне. В работе ограничимся рассмотрением линейных регрессионных моделей:
для модели множественной регрессии рассматриваем задачу оценки допусков
138

вариации входных параметров в зависимости от заданного допуска вариации


функции регрессии (отклика).
Для промышленного объекта:
y = f(x) + , (3.11)
где  - ошибка измерения.
После проведения активного эксперимента получена следующая линейная ре-
грессионная зависимость y от n входных параметров x1 ,, xn :

y  a0  a1 x1  a2 x2  ...  an xn , (3.12)

где y- прогноз выходной величины объекта, ai - коэффициенты, значения ко-
торых получены в процессе идентификации.
Задача состоит в отыскании для желаемого диапазона изменения y, т.е. для
y  yВ  yН , где yВ и yH - границы интересующего диапазона (для определенно-

сти будем считать yВ > yH), допустимых областей вариации входных величин
x1 ,, xn . Таким образом, необходимо решить обратную задачу для множе-

ственной линейной регрессии.


Решение любой количественной задачи состоит в определении некоторого
элемента y по исходным данным x и может быть записано в виде:
y = f(x) (3.13)
При этом обычно предполагается, что исходные данные х являются элемен-
тами некоторого метрического пространства  : x , а решение y ищется в
метрическом пространстве , т.е. y .
Задача (3.13) называется корректно поставленной на паре пространств  и
 , если выполняются следующие условия:
1) для любого x  решение задачи существует,
2) для любого x  решение задачи единственно,
3) решение задачи y непрерывно зависит от исходных данных.
Задачи, не удовлетворяющие этим условиям, называются некорректно по-
ставленными.
139

Подход к решению задачи (3.12) для удобства поясним рассмотрением объ-


екта с одним наблюдаемым выходом y и одним наблюдаемым входом х.

y  a0  a1 x (3.14)
Решение обратной задачи в данном случае корректно. По данным наблюде-
ний строится обратная регрессия, и на ее основе получается искомый диапазон
изменения входного параметра (рисунок 3.1).
 1
x  ( y  a0 ) , (3.15)
a1

где x - оценка входа.


Для производства любого пищевого продукта задача формулируется сле-
дующим образом: в каком диапазоне может изменяться измеряемое входное
возмущение xН  xВ , если требуется, чтобы выходной критерий качества y (вы-
ход объекта) лежал в диапазоне y H  y В . Имеется допустимая по технологии об-
ласть вариации входных измеряемых параметров объекта (производства):
ДОП
xmin ДОП
, xmax ДОП
, y min ДОП
, y max . При этом границы допустимого диапазона и вид модели
играют существенную роль при решении поставленной задачи.
Простейшая ситуация, когда задание по выходу y H  y В полностью укла-
дывается в y min
ДОП
 y max
ДОП
- допустимый диапазон изменения y.


Рисунок 3.1 Простая линейная регрессия y  a0  a1x для объекта (3.11),
ДОП
ymax ДОП
, ymin ДОП
, xmax ДОП
, xmin - область идентификации объекта, yВ , y Н - желаемый
диапазон изменения показателя качества, xВ , xН - полученный диапазон
изменения входов.
140

Более строго этот случай можно записать так:


ДОП
y min  y Н  y max
ДОП ДОП
, ymin  y В  ymax
ДОП
и yН  yВ . (3.16)
В этом случае диапазон изменения входов xH  xВ также укладывается в
допустимый диапазон xmin
ДОП
 xmax
ДОП
. Для модели (3.14) это можно записать так:
ДОП
xmin  x Н  xmax
ДОП ДОП
, xmin  x В  xmax
ДОП
, x Н  xВ .
В итоге имеем: y H  y В  xH  xВ . На практике возможны и другие ситу-
ации, когда задание по выходу превышает в ту или иную сторону допустимый
диапазон:
ДОП
ymin  y Н , ymin
ДОП
 y В  ymax
ДОП
, тогда y H  y В  xmin
ДОП
 xВ и
ДОП
y min  y Н  y max
ДОП
, y В  y max
ДОП
, тогда y H  y В  x Н  xmax
ДОП
,
т.е. не должно произойти превышение по входу для данного типа системы.
Рассмотрим объект с двумя входами. Пусть связь между входами и вы-
ходом описывает адекватная модель множественной линейной регрессии:

y  a0  a1 x1  a2 x2 , (3.17)

или y  AT X . Трехмерная графическая интерпретация линейной регрессии вто-
рого порядка с желаемым диапазоном изменения выхода показаана на рисунке
3.2. Проекция пересечения плоскостей y  yВ , y  yН (ограничения типа ра-

венств) и целевой плоскости y  f ( x1 , x2 ) (3.17) на плоскость x1 0x2 даѐт нам ис-
комое решение обратной задачи для линейной регрессии второго порядка.
Необходимо обратить внимание на то, что на полученной проекции (об-
ласть изменения x1 и x2 в форме четырехугольника) x1 и x2 функционально свя-
заны. Если в допустимой плоскости произвольно выбирается один из входов,
например, x1=const, то этому значению соответствует некоторое ограниченное
множество x2 вдоль прямой x1=const от нижней до верхней границы допустимой

области, гарантирующее y { yН ,..., yВ }.
141

Рисунок 3.2. Линейная регрессия



y  a0  a1 x1  a2 x2 для объекта, ymax
ДОП ДОП
, ymin ДОП
, xmax ДОП
, xmin - область идентифика-
ции объекта (допустимая область проведения эксперимента), yВ , y Н - жела-
емый диапазон изменения показателя качества, xВ , xН - полученный диапа-
зон изменения входных величин.

Рассмотрим другую интерпретацию этой задачи. На плоскости x1 0x2 от-


метим ограничения в форме прямоугольной области: min  x1  x1 max
x1ДОП ДОП
и

min  x2  x2 max
x2ДОП ДОП
(рисунок 3.3). Задавая значения y требуемого диапазона y В  y Н ,
построим целевые ограничения области изменения входов как функции
x2   ( x1 ) . На рисунке 3.3 показано измеренное значение входа x2 и допустимая

область изменения для x1: от x1ДОП до x1* (вдоль линии 1-2). Если рассматривать
один из входов, например x1, как управляемый вход: x1=u, то мы решаем задачу
выбора управления, компенсирующего возмущение x2 в допустимом (требуе-
мом) диапазоне стабилизации y выхода.
Аналогично мы можем исследовать область измеримых возмущений для
объекта с тремя входами. В данном случае область допустимых ограничений
min  x1  x1 max , x2 min  x2  x2 max , x3 min  x3  x3 max
x1ДОП ДОП ДОП ДОП ДОП ДОП
будет представлять собой парал-
лелепипед, в котором целевыми плоскостями y Н  a0  a1 x1  a2 x2  a3 x3 и
y В  a0  a1 x1  a2 x2  a3 x3 вырезается выпуклый шестигранник (параллелепипед).

В многомерном случае для объекта с n входами будем рассматривать гиперпа-


142

ралеллепипед (n-мерный многогранник) допустимых ограничений, рассечен-


ный двумя гиперплоскостями целевых ограничений.

Рисунок 3.3. Допустимая область изменения входов x1 и x2 для желаемого


диапазона качества yВ  y Н для регрессии второго порядка (3.17).

Таким образом, рассмотрен подход к решению задач оценки диапазонов


изменения входных значений для обеспечения стабилизации выходного показа-
теля качества в заданном диапазоне, возникающих на на промышленных пред-
приятиях при производстве пищевой продукции. Благодаря наличию линейных
ограничений на допустимые области изменения входов, получаемая область все-
гда выпуклая. Задачу поиска допустимых входов (управляемых и неуправляе-
мых) можно привести к задаче линейного программирования с поиском не экс-
тремального, а заданного значения в гиперпараллелепипеде ограничений. Целе-
вой функцией становится выражение для объекта управления, описывающее ги-
перплоскость для верхнего и нижнего диапазонов стабилизации. При этом ста-
вится задача нахождения значений входов в гиперпараллелепипеде (в простран-
стве управляемых и неуправляемых входов объекта) при прохождении на
наибольшем y В и наименьшем y Н значении отклика объекта – гиперплоскости,
описывающей объект управления. (В поиске решения целевая функция должна
достигнуть заданного значения). В этом диапазоне можно строить оптимальное
управление.
143

3.2.2. Параметрические модели нестационарных ТП

Поскольку неотъемлемой частью моделирования любого ТП является


решение задач идентификации, в данной главе рассмотрим подход к иденти-
фикации нестационарных ТП пищевых производств на примере ТП производ-
ства ПГК с нестационарными параметрами поступающего сырья. Решение дан-
ной задачи основано на применении локальной идентификации [75] в задачах
построения моделей ТП пищевых производств в реальном масштабе времени и
использования этих моделей для создания ИЭС автоматического контроля и
прогнозирования качества пищевой продукции на всех этапах ее производства с
возможностью оперативного управления ходом этих процессов.
В общем случае ТП практически любого пищевого производства
(например, производства ПГК, муки, сливочного масла или кваса) можно пред-
ставить в виде многомерного многосвязного объекта управления с p входами
и q выходами (рисунок 3.4).

..
.
.
.
.

..
.

Рисунок 3.4. Многомерный многосвязный объект управления.


На входе объекта имеются два принципиально различных типа входных
каналов. Канал возмущений образуется из n наблюдаемых входов:
X T ( N )  ( x1 ( N ),..., x n ( N )), X  R1n , где R1n - множество допустимых входов c нена-
___
блюдаемыми неизвестными параметрами b j ( N ), j  1, n . Канал управления

также наблюдаем: U T ( N )  (u1 ( N ),..., ur ( N )), U  R2r , где R2r - множество допусти-
144

мых управлений, но в отличие от канала возмущений все его параметры из-


_____
вестны: ck , k  1, r , при этом: p = n + r.
В общем случае, выход объекта представляет собой также наблюдае-
мый вектор: Y T ( N )  ( y1 ( N ),..., yq ( N )), Y  R3q , где R3q - множество допустимых

выходов. Предполагаем, что известна структура объекта. В нашем случае это


означает, что известен порядок m  2 дифференциального или эквивалентного
ему разностного уравнения, описывающего объект.
Для случая односвязного объекта или после декомпозиции многомерно-
го многосвязного объекта, его структура может быть представлена в следую-
щем виде (рисунок 3.5). Таких моделей объектов управления должно быть q,
где q – размерность выхода объекта.

x1(N)
b1(N)

Канал возмущений
.. ..
. .. (N)
Производство ПГК

x (N) .
n
.
bn(N) a1(N)
yk(N)
..
u1(N)
c1 .
Канал
.. .. am(N)
управления . .
ur(N)
cr

Рисунок 3.5. Измеряемые входы xj(N), uk(N), выходы yk(N) и неизвестные


ненаблюдаемые коэффициенты bj(N), ai(N) объекта.

Коэффициенты разностного уравнения y(N) описывающего объект неиз-


_____
вестны: ai ( N ), b j ( N ), i  1, m , j  1, n
Для описания технологических объектов управления, наибольшее рас-
пространение в практике идентификации и управления ТП получили разност-
ные стохастические уравнения линейные относительно коэффициентов:
145

m n r
y ( N )   ai ( N ) y ( N  i )   b j ( N )x j ( N )   ck uk ( N  k )   ( N ), (3.18)
i 1 j 1 k 1

t
где N   0,1,... - дискретное время, t – текущее непрерывное время, Т –
T

интервал дискретизации,  (N ) - приведѐнный шум, действующий на объект.


Таким образом, ТП производства пищевой продукции, как объект
управления, можно охарактеризовать как:
 нестационарные, что означает изменение коэффициентов разностного урав-
нения (3.18) во времени;
_____
- линейный – оцениваемые коэффициенты ai ( N ), b j ( N ), i  1, m , j  1, n вхо-

дят в разностное уравнение (3.18) линейно.


В реальных ТП на объект управления действует множество шумов.
Предполагаем, что шумы порождены различными факторами ТП и окружаю-
щей среды. Следовательно, они взаимно независимы. Как правило, информация
о характере этого множества шумов, такая как закон распределения, функция
распределения, отсутствует. В результате аддитивного наложения множества
шумов результирующий шум, приведѐнный к выходу объекта y(N), можно рас-
сматривать как гауссовый с нулевым средним M  { ( N )}  0 и дисперсией

D { ( N )}    :  (N ) Ν(0,  2 ). Данное предположение о характере шума неприн-


2

ципиально, однако существенно упрощает расчѐты.


В адаптивных системах управления нестационарными объектами выде-
ляются два принципиально разных этапа работы – обучение и управление. В
зависимости от принятой идеологии в системе управления эти этапы могут
быть разделены или совмещены во времени.
После построения модели объекта начинается управление, которое
рассчитывается на основе информации полученной на этапе обучения и теку-
щей информации по наблюдениям за входом и выходом объекта :
U ( N )  ( X ( N ), y ( N ), yˆ ( N )) , (3.19)
где ( . ) – закон управления.
146

В тех случаях, когда априорные оценки слишком грубы, наличие этапа


обучения позволяет произвести их предварительную корректировку. Для ТП
производства, например, ПГК такой подход позволяет удерживать выходные
характеристики качества продукта в более жѐстких границах и тем самым по-
высить качество выпускаемой продукции.
Разделение во времени обучения и управления необходимо для оптими-
зации в реальном масштабе времени системы управления, однако при этом не
гарантируется оптимальность на всѐм протяжении процесса (т.е. оценки коэф-
фициентов модели являются локально оптимальными).
Таким образом, в общем виде адаптивную систему управления ТП
производства ПГК, для многомерного односвязного объекта управления, мо-
жем представить в виде схемы и в аналитической форме:
y ( N )  L1 ( A( N ), B( N ), X ( N ), Y ( N  1)),
yˆ ( N )  L ( Aˆ ( N ), Bˆ ( N ), X ( N ), Yˆ ( N  1)),
2

a i ( N )  F 1( a i ( N  1),  ai ,  ai ( N )),
bi ( N )  F 2 (bi ( N  1),  bi ,  bi ( N )), (3.20)
aˆ i ( N )  G1 ( aˆ i ( N  1), y ( N ), yˆ ( N ), X ( N )),
bˆ ( N )  G (bˆ ( N  1), y ( N ), yˆ ( N ), X ( N )),
i 2 i

U ( N )   ( X ( N ), y ( N ), yˆ ( N )),

где
Y ( N  1)  ( y ( N  1), y ( N  2),..., y ( N  m)),
Yˆ ( N  1)  ( yˆ ( N  1), yˆ ( N  2),..., yˆ ( N  m)),
A( N )  ( a1 ( N ), a 2 ( N ),..., a m ( N )),
B( N )  (b1 ( N ), b2 ( N ),..., bn ( N )),
Aˆ ( N )  ( aˆ ( N ), aˆ ( N ),..., aˆ ( N )),
1 2 m

Bˆ ( N )  (bˆ1 ( N ), bˆ2 ( N ),..., bˆn ( N )).

В дальнейшем, такую адаптивную систему управления ТП будем назы-


вать адаптивной системой с идентификатором (АСИ).
Для нестационарных объектов типа производства ПГК, обучение систе-
мы (АСИ) происходит многократно в процессе функционирования ТП. Начало
этапа обучения точно известно и определяется началом поступления новой пар-
тии исходного сырья (какао бобов). Для каждой новой партии сырья (какао бо-
147

бов) коэффициенты ai (N ), b j (N ) изменяются скачком, но случайным образом,


то есть амплитуда изменения неизвестных ненаблюдаемых коэффициентов
случайна:
b j ( N  1)  b j ( N )   j ( N ) ; (3.21)
a i ( N  1)  a i ( N )   i ( N ) ;  j ( N ),  i ( N ) ~ N (0,1) . (3.22)
Значение амплитуды коэффициентов остаѐтся постоянным в течение
всего времени обработки партии сырья (какао бобов) Ts , где s = 1, S .
Такой характер изменения коэффициентов описывает следующая мо-
дель марковских параметров:
H (T )  H (T  1)   (T ), (3.23)
где компоненты шума  (T ) являются стохастическим гауссовым процессом и
не коррелированны между собой:
 R (T ), N  S
M  { ( N ) T ( S )}   1 (3.24)
0, N  S

где R1(T) – дисперсия ζ (Т).


В выражении (3.24) мы предполагаем, что дисперсия коэффициентов
может изменяться при переходе от одной партии какао бобов к другой – это
общая модель. В условиях реального производства, когда существует жѐсткий
контроль входных характеристик сырья согласно требованиям стандарта
(ГОСТ, ОСТ, ТУ и т.д.), возможно предположить стационарность дисперсии
коэффициентов:
 2 , N  S
M  { ( N ) T ( S )}    (3.25)
0, N  S

Предполагаем, что коэффициенты объекта a i (T ), b j (T ) изменяются несу-


щественно при переходе от одной партии виноматериала к другой:
b j (T  1)  b j (T )  b j (T ) ; (3.26)

ai (T  1)  a i (T )  a i (T ). (3.27)
148

Данное предположение позволяет в известные моменты времени размы-


кать контур управления и переводить ТП в кратковременный режим подстрой-
ки коэффициентов модели (в режим идентификации).
Уравнение объекта для этого этапа принимает вид:
m n
y ( N )   ai ( N ) y ( N  i )   b j ( N )x j ( N )   ( N ) (3.28)
i 1 j 1

или в векторной форме:


y ( N )  H T ( N ) ( N ) , (3.29)
где: T(N) =(a1(N),…,am(N), b1(N),…,bn(N)) – оцениваемый вектор коэф-
фициентов объекта; T(N)=(y1(N-1),…,ym(N-m), x1(N),…,xn(N) – обобщенный
вектор входа объекта.
Для идентификации ТП в условиях неопределѐнности (когда неизвестны
изменяющиеся во времени коэффициенты модели) целесообразно применять
адаптивные прогнозирующие модели с обобщенным входом:
ˆ (N ) ,
yˆ ( N )  K T ( N  1) (3.30)
где yˆ ( N ) - оценка выхода объекта (выход модели);
K ( N  1)  (aˆ1 ( N  1),..., aˆ m ( N  1), bˆ1 ( N  1),..., bˆn ( N  1)) - вектор коэффициентов мо-
T

дели; ˆ T ( N )  ( yˆ 1 ( N  1),..., yˆ m ( N  m), x1 ( N ),..., xn ( N )) - обобщѐнный вектор входа


модели. Следует подчеркнуть, что модель (3.30) объекта (3.28) также является
динамической.
При переходе от одной партии сырья (какао бобов) к другой, характер
выходов объекта управления y(N) и прогнозирующей модели y(N) можно оце-
нить аналитически с использованием уравнений: (3.28) и (3.30), или получить с
помощью имитационного моделирования. Неизвестные коэффициенты оцени-
ваются с помощью выбранного алгоритма идентификации.
3.2.3. Алгоритмы идентификации
Алгоритмы идентификации предназначены для определения коэффици-
ентов моделей ТП производства пищевой продукции.
149

Неоспоримыми достоинствами для аналитического и численного иссле-


дований систем управления, в смысле простоты реализации и скорости сходи-
мости, обладают проекционные алгоритмы, которые на каждом шаге миними-
зируют текущее значение ошибки идентифицируемого вектора коэффициентов.
Наиболее часто используемым из них является алгоритм Качмажа [75], иссле-
довавший как статические, так и динамические объекты.
В нашем случае, этот алгоритм имеет следующий вид:
y ( N )  K T ( N  1) ( N )
K ( N )  K ( N  1)   ( N ). (3.31)
 T ( N ) ( N )

Наличие помех измерений приводит к тому, что оценки порождаемые


алгоритмом (3.31) сходятся только в среднем - по математическому ожиданию.
Для обеспечения сходимости, например, в среднем квадратичном, необходимо
дополнительное сглаживание этих оценок.
Алгоритм идентификации на базе фильтра Калмана-Бъюси является оп-
тимальным для нестационарных объектов [75] в том смысле, что оценки K ( N )
порождаемые алгоритмом :
K ( N )  K ( N  1)  L( N ) ( N ), K (0)  K 0 , (3.32)
минимизируют средний квадрат ошибки слежения за неизвестными нестацио-
нарными коэффициентами модели объекта:
M {( N )T ( N )}  M {( K ( N )  H ( N )( K ( N )  H ( N )) T } .

Основной недостаток алгоритма идентификации (3.32), построенного на


базе фильтра Калмана-Бьюси, состоит в том, что его параметры весьма редко
известны пользователям. Это является препятствием получения оптимального
решения. В общем случае использование фильтра Калмана-Бьюси позволяет
получить оптимальные оценки вектора коэффициентов модели объекта, однако
в силу существенной нелинейности общий анализ системы управления в целом
осуществить сложно.
Априорно известный характер изменения нестационарных коэффициен-
тов уравнения объекта (3.18), позволяет использовать метод "замороженных"
150

коэффициентов. Этот метод обычно применяют для нестационарных объектов с


очень низкой частотой изменения коэффициентов. Коэффициенты "заморожен-
ного" объекта равны коэффициентам исходного нестационарного объекта, взя-
тым при некотором фиксированном значении (в нашем случае N=Ts).
Свойства исходной нестационарной системы при таком подходе иссле-
дуются путѐм изучения свойств последовательности "замороженных" в момен-
ты Ts стационарных моделей [75]. Введенные предположения о свойствах объ-
екта управления и характере изменения его коэффициентов позволяют сделать
некоторые оценки системы при разомкнутом контуре управления:
D{ y ( N )}  M {H T ( N )( N ) H T ( N )( N )}  M 2 {H T ( N )( N )} . (3.33)

С учѐтом независимости расширенного вектора входов Ф(N) от вектора


коэффициентов объекта H(N) получим:
D{ y ( N )}  M {H T ( N ) H ( N )}M { T ( N )( N )}  ( M {H T ( N )}) 2 ( M {( N )}) 2 . . (3.34)

Оценки дисперсии выхода объекта и модели можно получить аналити-


чески с использованием уравнений (3.29), (3.30), (3.33), (3.34), либо путем
имитационного моделирования.
3.2.3. Структурная схема идентификации нестационарного ТП
Критерий качества J(N) на выходе y(N) ТП, используемый в адаптивной
системе с идентификатором, не учитывает всех особенностей выходного про-
дукта ТП производства ПГК. Для повышения качества производимого продук-
та, к контуру адаптации необходимо добавить внешний контур управления,
включающий группу экспертов (ЛПР – лицо, принимающее решение), выраба-
тывающих усреднѐнное решение о качестве производимого продукта (рисунок
3.6). Это решение включает в себя вербальную модель процесса (Модель2), на
основе которой в функционирование регулятора вносятся изменения. Тогда
управляющее воздействие примет вид:
1 L
U ( N )  F ( X ( N ), y ( N ), yˆ ( N ))  ( y ( N ),  ЛПР ) ,
L  1
(3.35)
151

где:  (...) - приращение управления, устанавливаемое технологом на ба-


1 L
зе решения экспертов;  ЛПР - усреднѐнное решение L экспертов о качестве
L  1

продукта.
Корректирующее управление, вносимое технологом, состоит в измене-
нии: диапазонов регулирования технологических параметров; режимов обра-
ботки сырья и полуфабрикатов; уставок параметров качества поставляемых ин-
гредиентов, состава шоколадной массы и т.д. (см. рисунок 1.10 ФСС влияния
факторов исходного сырья и промежуточных операций на качество продукта на
всех стадиях процесса производства ПГК).

X N  
y N 
u N  Т
Регулятор П
ЛПР1

ЛПР2
ŷ N 
Модель1 .
.
.
ЛПРL

Идентификатор

Модель2

Рисунок 3.6. Структура адаптивной системы управления ТП (для многомерного


односвязного объекта управления) на основе адаптивной системы с
идентификатором (АСИ) и внешнего контура управления.

Учитывая, что, в общем случае, рассматриваемые ТП производства ПГК


является многомерным, многосвязным объектом управления (рисунок 3.4) с p –
входами (где p = n+r), q-выходами и r-управляющими воздействиями, его
можно представить в виде структуры (рисунок 3.7) адаптивной системы управ-
ления ТП (для многомерного многосвязного объекта управления) на основе q
адаптивных систем с идентификатором (АСИ) и внешнего контура управления.
152

Рисунок 3.7. Структура адаптивной системы управления ТП (для многомерного


многосвязного объекта управления) на основе q адаптивных систем с иденти-
фикатором (АСИ) и внешнего контура управления.

В ТП производства ПГК непрерывный характер процесса производства


конфет связан с дискретным поступлением исходного сырья - партий какао бо-
бов, сахарного песка и др. компонентов, при этом их показатели качества в
каждой партии могут быть различны.
153

Государственный стандарт накладывает определенные ограничения на


показатели качества сырья. В ТП производства ПГК входные измеряемые па-
раметры качества сырья (какао бобов, сахарного песка и др.0 представлены на
рисунке 1.10.
Согласно ГОСТ 12572-93 «Сахар-песок и сахар-рафинад. Методы опре-
деления цветности», ГОСТ 4570 – 2014 «Конфеты. Общие технические усло-
вия», ГОСТ 5897-90 «Изделия кондитерские. Методы определения органолеп-
тических показателей качества» и ГОСТ 21-94 «Сахар-песок. Технические
условия» допускаются определенные (небольшие) отклонения указанных пара-
метров качества. Изменение этих параметров сырья во времени существенно
влияет на точность измерений технологических параметров с использованием
традиционных (одноканальных) промышленных датчиков применяемых в
АСУ ТП.
В тоже время, изменение во времени параметров качества сырья при
производстве ПГК влияет на изменения переходных характеристик (переход-
ных и передаточных функций объектов управления), что приводит к неопти-
мальности настроек регуляторов и снижению качества регулирования отдель-
ных ТП (обжарка, дробление, размол, гомогенизация и т.д.). В свою очередь это
снижает качество управления ТП производства ПГК в целом.
В связи с вышеизложенным, для ТП производства ПГК, характеризую-
щихся нестационарностью параметров поступающего сырья, целесообразно
применение адаптивных систем управления. В таких адаптивных системах
управления предлагается традиционно измеряемые входные характеристики ТП
производства ПГК (таблица 1.1), с целью повышения точности прогнозирую-
щих моделей, дополнить измеряемыми входными переменными, представлен-
ными в таблице 1.2. Анализ таблицы 1.2 показывает, что в общем случае стати-
стические функции
f j (где j  1, n , n  7 ) - нелинейны. Конкретный вид нелинейности не

принципиален, так же как и статистическая значимость аргументов  d , d  1,9


154

и функции z(w) для каждой f j , где z(w) - функция зависящая от молекулярных

связей существующих в сырье и полуфабрикатах при производстве ПГК.


Входные воздействия для каждой партии сырья в общем случае случай-
ные функции с низкочастотной и высокочастотной компонентами можно пред-
ставить в виде фильтра первого порядка:
x j ( N )  (1   ) x j ( N  1)   ( N ),

где 0    1, - параметр, определяющий скорость изменения процесса,  (N ) -


случайная величина со средним M  { ( N )}  0 и дисперсией M  { (i) ( j )}   2 .
В силу того, что параметры какао бобов могут существенно отличаться
от партии к партии, на первой стадии ТП производится смешение различных
партий какао бобов. Эту смесь будем называть новой партией материала посту-
___
пающего на вход ТП производства ПГК. Усреднение параметров; b j ( N ), j  1, n ,
_____
ai ( N ), i  1, m , осуществляемое на первой стадии ТП, позволяет практически
использовать гипотезу о несущественном изменении параметров сырья от пар-
тии к партии (3.26). Это означает, что подстройка коэффициентов уравнения,
описывающего ТП, для любой новой партии какао бобов осуществляется до-
статочно быстро.
В приложении к ТП производства ПГК уравнение (3.28) принимает сле-
дующий вид:
n
yˆ ( N )  aˆ1 ( N ) yˆ ( N  1)  aˆ 2 ( N ) yˆ ( N  2)   bˆ j ( N )x j ( N ) , (3.36)
j 1

или, учитывая данные в таблице 1.2, уравнение может быть представлено в ви-
де:
n
yˆ ( N )  aˆ1 ( N ) yˆ ( N  1)  aˆ 2 ( N ) yˆ ( N  2)   bˆ j ( N ) f j (1 ( N ),..., 9 ( N ), z ( w)) .(3.37)
j 1

Для решения уравнения (3.37) и анализа статистических характеристик


выхода y(N) представим его в матричной форме:
155

Yˆ ( N |T j  N T j 1 )  Aˆ (T )Yˆ ( N  1)  F ( N ), (3.38)

где
Yˆ ( N )  { yˆ ( N  1),  yˆ ( N  2)},

F ( N )  { Bˆ T (T ) X ( N ),0},

 aˆ (T )aˆ 2 (T ) 
Aˆ (T )   1  .
1..........0 

Для этого уравнения можно записать следующее решение:


N 1
Yˆ ( N |T j  N T j 1 )  Aˆ N (T )Yˆ (0)   Aˆ N i 1 (T ) F ( N ), (3.39)
i 0

где Y ( N T  N T ) - прогноз выхода объекта на интервале Ts-1  N  Ts


j j 1

стационарности коэффициентов.
При создании адаптивных систем управления ТП производства ПГК с
нестационарными параметрами сырья, с использованием прогнозирующей мо-
дели объекта управления, необходимо иметь в виду следующие особенности.
Априори ТП является устойчивым, что объясняется самой природой реального
производственного процесса. Но прогнозирующая модель ТП, с помощью ко-
торой осуществляется управление технологическим объектом, в произвольные
случайные моменты времени может выйти за границы устойчивости [75]. По-
этому для обеспечения устойчивости всей системы автоматического регулиро-
вания (САР: технологический объект, модель, регулятор), необходимо контро-
лировать устойчивость прогнозирующей модели на каждом шаге идентифика-
ции. В этом случае необходимо использовать следующую схему идентифика-
ции нестационарного технологического объекта управления (рисунок 3.8).
Итак, пусть на вход ТП производства ПГК, последовательно во времени,
поступает на обработку s партий какао бобов (T1, T2,…, TS), их при этом пока-
затели качества в каждой партии могут быть различны.
В ходе обработки s-партий какао бобов получим s-уравнений, описыва-
ющих ТП для каждой партии:
156

Рисунок 3.8.Структурная схема идентификации нестационарного ОУ.


n r
yˆ ( N |T1 )  aˆ1 (T1 ) yˆ ( N  1)  aˆ 2 (T1 ) yˆ ( N  2)   bˆ j (T1 )x j ( N )   c k u k ( N )
j 1 k 1

n r
yˆ ( N |T2 )  aˆ1 (T2 ) yˆ ( N  1)  aˆ 2 (T2 ) yˆ ( N  2)   bˆ j (T2 )x j ( N )   c k u k ( N )
j 1 k 1

. . . . (3.40)
157

n r
yˆ ( N |Ts )  aˆ1 (Tk ) yˆ ( N  1)  aˆ 2 (Tk ) yˆ ( N  2)   bˆ j (Tk )x j ( N )   c k u k ( N )
j 1 k 1

Эти модели порождают локально-оптимальные управляющие воздей-


ствия на каждом из рассматриваемых интервалов Ts , которые находим из усло-

вия минимума оценки дисперсии выхода объекта:


ui ( N |Ti )  arg min D{ yˆ ( N |Ti } . (3.41)
ui


D{ yˆ ( N |Ti }  0 .
ui

Анализ s-стратегий управления ui ( N |T ) позволяет выбрать номиналь- i

ный режим управления U ( N )  {u1 ( N ),..., u s ( N )}, соответствующий модели объек-


та со средними значениями коэффициентов:
n r
(17) ui ( N )  arg min D{a1 yˆ ( N  1)  a 2 yˆ ( N  2)   b j (Tk )x j ( N )   c k u k ( N } , (3.42)
ui
j 1 k 1

N /T N /T N /T
T T T
где a1 
N
 a1 (i ) , a 2 
i 1 N
 a 2 (i ) , b j 
i 1 N
 b (i )
i 1
j - средние значения коэф-

фициентов a1 , a2 , b1, b2 ,……b7 для k-партий какао бобов, j  1, n , n  7, k  1, r ,


r  5 , s  1, S .

Номинальный режим управления U (N ) даѐт возможность управлять ТП


производства ПГК без обучения (без реализации схемы оценок коэффициентов
объекта и построения его модели) в среднем с минимальной дисперсией.
Получив номинальное управление, мы также можем оценить значения
управляющего воздействия в наихудших условиях идентификации, то есть то-
гда, когда вектор входных возмущений X(N) либо не изменяется, либо изменя-
ется несущественно: X(N-1)  X(N)  X(N+1).
Это дает верхнюю границу оценок дисперсии коэффициентов объекта
при наихудших условиях идентификации:
n r
yˆ ( N )  aˆ1В ( N ) yˆ ( N  1)  aˆ 2В ( N ) yˆ ( N  2)   bˆ Bj ( N ) X j   ck uk ( N ) , (3.43)
j 1 k 1
158

где aˆ1B , aˆ 2B , bˆ Bj - оценки коэффициентов модели в наихудших условиях идентифи-


кации. При xj=const управляющее воздействие в наихудших условиях иденти-
фикации будет иметь следующий вид:
uiB ( N T )  arg min D{( yˆ ( N T )} или (3.44)
j ui j

n r
u ( N )  arg min D{a yˆ ( N  1)  a 2B yˆ ( N  2)   b Bj ( N ) x j   ck uk ( N )} .
i
B B
1 (3.45)
ui
j 1 k 1

Нижняя граница оценок дисперсии коэффициентов объекта, которая


обеспечивает наилучшие условия идентификации, может быть получена для
случая взаимно-независимых входов (статистически ортогональные входы).
Для этого случая управляющее воздействие может быть рассчитано по следу-
ющей формуле:
uiH ( N T )  arg min D{ yˆ ( N T )} или (3.46)
j ui j

n r
u ( N )  arg min D{a yˆ ( N  1)  a 2H yˆ ( N  2)   b Hj ( N ) x j ( N )   ck uk ( N )} .
i
H H
1 (3.47)
ui
j 1 k 1

Для рассмотренных условий идентификации: наихудшего и наилучшего,


управляющие воздействия могут быть получены аналитически с помощью
уравнений (3.44), (3.45.), и (3.46), (3.47), соответственно, а также путем имита-
ционного моделирования. Результаты имитационного моделирования для ска-
лярного управляющего воздействия (3.47), при k=1, приведены на рисунке 3.9.

Рисунок 3.9. Стабилизация выхода объекта управления y(N) и прогнозирую-


щей модели Y(N) с помощью управляющего воздействия u(N).
159

В этом случае, локально-оптимальное управляющее воздействие (uл) с


регулятора на ТП должно находиться в следующих границах uiH ( N T )  u л
j

 uiB ( N T ) , что позволяет сформулировать практические требования к выбору


j

режимов управления производством ПГК.

3.3. Структурно-параметрический анализ ТП производства пищевой


продукции
3.3.1. Структурно-параметрический анализ ТП производства ПГК

В результате анализа приведенных в 1 главе исследований (п.1.2.3, рису-


нок 1.11), а также с учетом разработанной методики выбора количественного и
качественного состава экспертов и принципа формирования рабочей группы
экспертов для проведение тестового опроса (п.3.1), был проведен опрос опыт-
ных специалистов – экспертов. По итогам данного опроса были отобраны
наиболее информативные параметры состояния ТП производства пищевой про-
дукции и составлены матрицы взаимосвязей между ними для каждой стадии
этого производства.
В таблицах 3.6 - 3.11 в виде матриц экспертных оценок представлены ре-
зультаты опроса экспертов на информативность параметров, оказывающих
наибольшее влияние на показатели качества сырья, полуфабрикатов и готовой
продукции на всех стадиях ТП производства ПГК. Символом () обозначено
наличие по мнению экспертов функциональной связи между входными и вы-
ходными переменными и параметрами состояния конкретного технологическо-
го процесса.
Таблица 3.6
Матрица экспертных оценок наличия связей между параметрами
на стадии подготовки сырья к производству
160

Где: X1 ( f ) – влажность сахарного песка (с.п.) (13,5-14,5%)


X2 ( t ) – температура сахарного песка (25-40°C)
X3 (ГС) – гранулометрический состав с.п. (20-90 мк)
X4 (υ ) – относительная влажность воздуха (20-90%)
X5 ( P) – расход воздуха (при сепарировании с.п.) (1200-1500 м3/т)
X6 (п) – частота колебаний сита при сепарировании с.п. (2,5-5 об/мин)
Y1псп (X7) – выходной параметр, характеризует качества основного сырья - сахарного
песка, поступающего на производство ПК: вкус - величина кристаллов сахара (от 80
до 110 мкм).
Y2псп (X8) – цвет сахарного песка.
Таблица 3.7
Матрица экспертных оценок связей между параметрами
на стадии приготовления сахарного сиропа

где: X9– угол естественного откоса (для определения гранулометрического состава


сахара – песка), град. 40 – 50;
X10 – рН от 6,0 до 7,5;
Х11 – концентрация сахара в сиропе, С 80 до 75%;
X12 – влажность сахара – песка, W 0,14 – 0,15 %;
Х13 – частота перемешивания, п 28 – 35 об/мин;
Х14 – время перемешивания, τ 20 – 25 мин.;
Х15 – температура сахарного сиропа, 90—95°С;
Х16 – давление греющего пара в колонке, Р 0,34—0,4 Мпа;
Y1сс (Х17 ) – цвет сахарного сиропа ;
Y2сс (Х18 ) – качество готового сахарного сиропа (величина кристаллов сахара
161

в сахарном сиропе) (от 50 до 90 мкм);


Y3сс (Х19 ) – массовая доля сухих веществ, W от 78 до 80 %.
Таблица 3.8
Матрица экспертных оценок связей между параметрами
на стадии приготовления помадного сиропа

где: Х20 – массовая доля сухих веществ, W от 78 до 80 %;


Х21 – температура сахарного сиропа Т от 90—95°С;
Х22 – массовая доля сухих веществ (контролируется рефрактометром) С от 74 до 80%;
Х23 – вязкость сахарного сиропа,ϻ от 13 до 20 Пас;
Х24 – давление греющего пара в рубашке помадоварочной станции Р1 от 392 до 499 кПа;
Х25 – давление внутри помадоварочной станции Р2 от 98 до 105 кПа;
Х26 – время уваривания, τ 30—40 мин.;
Y2пс (Х27) – цвет помадного сиропа;
Y1пс (Х28 ) – качество готового помадного сиропа: величина кристаллов сахара в помадном
сиропе (от 40 до 80 мкм).
Таблица 3.9
Матрица экспертных оценок связей между параметрами
на стадии сбивания помадной массы

где: X29 – температура помадного сиропа (п.с.), подаваемого на сбивание Тп.с.


162

от 105 до 109 °С;


X30 – вязкость подаваемого на сбивание п.с., ɳ (от 9,0 Пас до 16 Пас);
X31 – массовая доля влаги подаваемого на сбивание п.с. W ( от 15% до 19%);
X32 – плотность п.с. ρ (от 730 до 770 кг/ );
X33 – давление пара перед началом сбивания Р (от 98 кПа до 117 кПа);
X34 – время сбивания τ ( от 7 до 10 минут)
X35 – температура процесса сбивания Тсб. от 90°С до 100 °С;
X36 – температура воды в помадосбивальной машине Тх.в от 8°С до 12°С;
X37 – частота вращения сбивальных лопастей п (от 0,35 1/с до 0,65 1/с);
Y1сб ( X38) – влажность готовой помадной массы, W от 14 до 16 %; ;
Y2сб ( X39) – температура на выходе помадной помады, Т от 90—95°С;
Y3сб ( X40) – вязкость полученной помадной массы, ϻ от 12 до 16 Пас;
Y4сб ( X41) – цвет помадной массы после сбивания
Y5сб ( X42) – величина кристаллов сахара в помадной массе (от 30 до 70 мкм).

Таблица 3.10
Матрица экспертных оценок связей между параметрами
на стадии приготовления конфетной массы

где: X43 - объем поступающей помадной массы 7,5-8 т/час


Х44 - температура поступающей помадной массы 75-80 оС
Х45 - количество оборотов мешалки в темперирующей машине 50-60 в минуту
Х46 - температура воды в рубашке темперирующей машины 40-50 оС
Х47 - влажность поступающей взбитой помады 60-70 %
Y1км ( X48) – температура конфетной массы, Т от 90—95°С;
Y2км ( X49) – доля сухих веществ в конфетной массе, 16 – 18 %;
Y3км ( X50) – цвет помадной массы после сбивания;
Y4км ( X51) – величина кристаллов сахара в помадной массе (от 30 до 70 мкм).
Таблица 3.11
Матрица экспертных оценок связей между параметрами
на стадии формования помадных конфет
163

где: X52- скорость выхода массы из матричного отверстия, Vm (от 9 до 15 мм/с);


X53–реологические свойства помадных масс, РСМ (от 4х10-2 Пас до 32х10-2Пас);
X54–температура помадной массы, поступающей на формование, (от 32 С0до 42 С0);
X55- скорость транспортерной ленты при проведении эксперимента эксперимент была
постоянной, Vтл - 22,7 мм/с, (может меняться от 20 до 24,5 мм/с).
Yфм (X56)- высота конфетного жгута на выходе, h (от 0,8 до 1,2 мм);
Y2фм (X57) – изменение размеров кристаллов сахара в конфетных массах, S от 30 до 70 мкм;
Y1фм (X58 ) – цвет полученных конфет, М.

После нахождения количественных сопоставимых характеристик связей,


представленные в таблицах 3.5- 3.11 матрицы экспертных оценок наличия свя-
зей между параметрами на отдельных участках производства, ТП объединяют-
ся как диагональные миноры в структурно-параметрическую матричную мо-
дель всей технологической системы производства [81 - 83].
Проведенные экспериментальные исследования и полученные на кондитер-
ском предприятии «Рот Фронт» статистические данные, позволили выявить ос-
новные входные параметры, параметры состояния и возмущающие факторы,
влияющие на ход исследуемых ТП производства и качество ПГК.
3.3.2. Структурно-параметрический анализ ТП производства муки
В результате анализа исследований, приведенных в 1 главе (п.1.1 – 1.2,
рисунок 1.12), а также по итогам опроса опытных специалистов – экспертов
мелькомбинатов, были отобраны наиболее информативные параметры состоя-
ния ТП производства муки (см. таблицы 1.9 и 1.10) и составлены матрицы вза-
имосвязей между ними для каждой стадии этого производства.
В таблицах 3.12 - 3.14 в виде матриц экспертных оценок представлены
результаты опроса экспертов на информативность параметров, оказывающих
наибольшее влияние на показатели качества сырья, полуфабрикатов и готовой
164

продукции на всех стадиях ТП производства муки. Символом () обозначено


наличие по мнению экспертов функциональной связи между входными и вы-
ходными переменными конкретного этапа ТП производства муки.
Таблица 3.12
Матрица экспертных оценок наличия связей между параметрами
на стадии подготовки зерна к производству
X1 X2 X3 X4 X5 X6 X7 X8 X9
X1 1  
X2 1 
X3   1 
X4 1
X5  1
X6  1
X7 1
X8        1
X9   1

Где: X1 ( w ) – влажность зерна (з.) (не более 19%)


X2 ( t ) – температура хранения зерна (20-40°C)
X3 (ГС) – гранулометрический состав (крупность) з. (20-90 мк)
X4 (υ ) – относительная влажность воздуха (20-90%)
X5 ( рН) – стекловидность (не менее 60%)
X6 (К) – массовая доля клейковины з. (32 – 36%)
X7 (З) – засоренность (процент примесей) з. (не более 5%)
Y1вз (X8) – выходной параметр, характеризует качества зерна, поступающего на произ-
водство ПЗ: вкус зерна (нормальный, свойственный здоровому зерну пшеницы).
Y2цввз (X9) – цвет и внешний вид зерна (нормальный, свойственный здоровому зерну
данного типа).
Таблица 3.13
Матрица экспертных оценок связей между параметрами
на стадии зерноочистки
X10 X11 X12 X13 X14 X15 X16 X17 X18 X19
X10 1   
X11 1 
X12   1   
X13  1
X14    1  
X15    1
X16 1
X17        1
X18    1
X19   1

Где: X10 ( w) – влажность зерна (з.) ( не более 19%)


165

X11 ( t ) – температура воздуха (20-40°C)


X12 (ГС) – гранулометрический состав (крупность) з. (20-90 мк)
X13 (υ ) – относительная влажность воздуха (20-90%)
X14 ( n) – частота колебаний сита при сепарировании зерна (2,5-5 об/мин)
X15 (Q) – расход воздуха (при сепарировании зерна) (4200-8500 м3/ч)
X16 (до) – диаметр отверстий (отверстия круглые) сит 2,2 х 20 мм
X17 (эо) – эффективность очистки зерна (75 – 80%)
Y3пз (X18) – выходной параметр, характеризует качества зерна, поступающего на про-
изводство ПЗ: вкус зерна (нормальный, свойственный здоровому зерну пшеницы).
Y4псп (X19) – цвет и внешний вид зерна (нормальный, свойственный здоровому зерну
данного типа).
Таблица 3.14
Матрица экспертных оценок связей между параметрами
на стадии размола зерна в муку
X20 X21 X22 X23 X24 X25 X26 X27 X28 X29 X30
X20 1   
X21 1 
X22   1    
X23  1
X24  1    
X25   1
X26     1  
X27     1 
X28     1
X29        1
X30       1
Где: X20 ( f ) – влажность муки (м.) ( не более 19%)
X21 ( t ) – температура воздуха (25-40°C)
X22 (ГС) – гранулометрический состав (крупность) муки (20-90 мк)
X23 (υ ) – относительная влажность воздуха (20-90%)
X24 (Б ) – белизна муки (не менее 60%)
X25 (К) – кислотность муки. (32 – 36%)
X26 (Кл) – количество и качество клейковины муки (не более 5%)
X27 (Кл) – величина межвальцевого зазора (не более 5%)
X28 (осв) – отношение окружных скоростей вальцов (не более 5%)
Y5пз (X29) – выходной параметр, характеризует качества муки, полученного после размола:
вкус муки (нормальный, свойственный здоровому зерну пшеницы).
Y6псп (X30) – цвет и внешний вид муки (нормальный, свойственный здоровому зерну дан-
ного типа).

После нахождения количественных характеристик связей, представленные в


таблицах 3.12 - 3.14 матрицы экспертных оценок наличия связей между пара-
метрами на отдельных участках производства муки объединяются как диаго-
нальные миноры в структурно-параметрическую матричную модель всей тех-
нологической системы производства [81 – 83, 148].
166

Проведенные экспериментальные исследования и полученные на мельком-


бинате ОАО «Мелькомбинат в Сокольниках» статистические данные, позволи-
ли выявить основные входные параметры, параметры состояния и возмущаю-
щие факторы, влияющие на ход исследуемых технологических процессов про-
изводства муки и получаемого качества.

3.3.3. Структурно-параметрический анализ ТП производства сливочного


масла
В результате анализа исследований, приведенных в 1 главе (п.1.1 – 1.2, ри-
сунок 1.13), а также по итогам опроса опытных специалистов – экспертов мо-
лочных комбинатов, были отобраны наиболее информативные параметры со-
стояния ТП производства сливочного масла (см. таблицы 1.11 и 1.12) и состав-
лены матрицы взаимосвязей между ними для каждой стадии этого производ-
ства. В таблицах 3.15 - 3.19 в виде матриц экспертных оценок представлены
результаты опроса экспертов на информативность параметров, оказывающих
наибольшее влияние на показатели качества сырья, полуфабрикатов и готовой
продукции на всех стадиях ТП производства сливочного масла.
Таблица 3.15
Матрица экспертных оценок наличия связей между параметрами
на стадии приемки и подготовки молока к производству
X1 X2 X3 X4 X5 X6 X7 X8
X1 1   
X2 1  
X3   1  
X4 1
X5   1
X6  1
X7      1
X8       1
Где: X1 ( ж ) – жирность (м.) (2,5 – 3,2%)
X2 ( t ) – температура хранения молока (2-25°C)
X3 (ГС) – плотность молока кг/ (1024 - 1030)
X4 (υ ) – относительная влажность воздуха (20-90%)
X5 ( рН) – кислотность молока (16 - 18°Т, но не выше 20°Т)
X6 ( t ) – температура воздуха (20-40°C)
Y1вз (X7) – выходной параметр, характеризует качества зерна, поступающего на произ-
водство ПЗ: вкус молока (приятный, слегка сладковатый).
Y2цввз (X8) – цвет и внешний вид молока (белый, со слегка желтоватым оттенком).
167

Таблица 3.16
Матрица экспертных оценок связей между параметрами
на стадии очистки молока, охлаждении и резервировании
X9 X10 X11 X12 X13 X14 X15 X16 X17 X18
X9 1      
X10 1
X11   1    
X12   1
X13    1
X14 1 
X15   1
X16  1
X17       1
X18       1
Где: X9 ( ж ) – жирность молока после очистки (м.) (2,5 – 3,2%)
X10 ( t ) – температура молока при очистке (35 - 450С ) Tом
X11 (ρ) – плотность молока кг/ (1024 - 1030)
X12 ( рН) – кислотность молока (16 - 18°Т, но не выше 20°Т)
X13 ( n) – число оборотов сепаратора n (2,5-5 об/мин)
X14 (T) – температура молока после охлаждения (8 0С ) Tмо
X15 (τ) – время охлаждения τ (2 – 2,5 часа)
X16 (T) – температура молока при резервировании (4 - 500С) Tмр
Y3вм (X17) – выходной параметр, характеризует качества молока, поступающего на се-
парирование: вкус молока
Y4цм (X18) – цвет молока.
Таблица 3.17
Матрица экспертных оценок наличия связей между параметрами
на стадии подогрева молока и сепарирования сливок
X19 X20 X21 X22 X23 X24 X25 X26 X27
X19 1 
X20  1
X21   1 
X22    1
X23     1  
X24      1 
X25 1
X26        1
X27        1

Где: X19 ( t ) – температура молока при подогреве (35 - 400С) Tмп


X20 (τ) – время подогрева молока τ (1,5 – 2,0 часа)
X21 (τ) – время сепарирования сливок τ (1,0 – 1,5 часа)
X22 ( n) – число оборотов сепаратора n (2,5-5 об/мин)
X23 ( ж) – жирность сливок (от 36,0 до 45%)
X24 (ρ) – плотность сливок кг/ (1020 - 1008)
X25 ( t ) – температура сливок ( не выше 10°C)
168

Y1вс (X26) – выходной параметр, характеризует качества сливок-сырья, поступающего


на пастеризацию: вкус сливок-сырья (выраженный сливочный, чистый, сладковатый).
Y2цс (X27) – цвет и внешний вид сливок-сырья (белый, с кремовым оттенком, одно-
родный по всей массе).
Таблица 3.18
Матрица экспертных оценок связей между параметрами
на стадии пастеризации и дезодорации сливок
X28 X29 X30 X31 X32 X33 X34 X35
X28 1 
X29  1
X30 1 
X31   1
X32  1 
X33     1
X34     1
X35     1

Где: X28 ( t ) – температура сливок при пастеризации (85 - 900С) Tсп


X29 (τ) – время пастеризации τ (не менее 5 часов)
X30 (τ) – температура пара в вакуум-дезодорационной установке Тп (90 - 950С)
X31 ( n) – давление греющего пара Рп (0,02 – 0,06 МПа)
X32 (τ) – время дезодорации (не менее 3 часов)
X33 ( t ) – температура сливок в дезодорационной установке Tсд ( 13 - 15°C)
Y3пз (X34) – выходной параметр, характеризует качества сливок, поступающих на тер-
момеханическую обработку сливок: вкус сливок (нормальный, свойственный здоро-
вому зерну пшеницы).
Y4псп (X35) – цвет и внешний вид сливок (нормальный, с привкусом пастеризации).
Таблица 3.19
Матрица экспертных оценок связей между параметрами
на стадии термомеханической обработке сливок
X36 X37 X38 X39 X40 X41 X42 X43 X44 X45 X46
X36 1
X37  1 
X38 1 
X39    1
X40    1 
X41 1
X42 1
X43        1
X44     1
X45         1
X46         1
Где: X36 ( t ) - температура сливок на входе в маслообразовательную машину (700С ) Tс1.
X37 ( n) - число оборотов мешалки маслообразовательной машины n (2,5-5 об/мин)
X38 (v) - объем перерабатываемого продукта V
X39 (τ) – продолжительность сбивания τ (1,5 – 2,0 часа)
X40 ( t ) - температура сливок при сбивании (7 - 120С ) Tсс
169

X41 (Р) - рабочее давление продукта в маслообразовательной машине (0.4 Мпа) Р МПа
X42 ( t ) - температура воды в термостатической рубашке (не более 270С ) Tсс
X43 ( t ) - температура сливок на выходе из маслообразовательной машины (16,5 - 180С ) Tс2
X44 ( ж ) – жирность сливочного масла (от 9,0 до 20%))
Y1см (X45) – выходной параметр, характеризует качества полученного масла, поступающего
на предварительную выдержку: вкус сливочного масла (10 баллов) (выраженный сливочный
и привкус пастеризации, без посторонних привкусов и запахов).
Y2цсм (X46) – цвет и внешний вид сливочного масла (5 баллов) (поверхность на срезе бле-
стящая, от белого до желтого,).

После нахождения количественных характеристик связей, представленные в


таблицах 3.15- 3.19 матрицы экспертных оценок наличия связей между пара-
метрами на отдельных участках производства сливочного масла, объединяют-
ся как диагональные миноры в структурно-параметрическую матричную мо-
дель всей технологической системы производства [81 - 83].
Проведенные экспериментальные исследования и полученные на ОАО «Мо-
лочный комбинат Воронежский» статистические данные, позволили выявить
основные входные параметры, параметры состояния и возмущающие факторы,
влияющие на ход исследуемых ТП производства сливочного масла и на каче-
ство готового продукта.

3.3.4. Структурно-параметрический анализ ТП производства кваса


В результате анализа исследований, приведенных в 1 главе (п.1.1 – 1.2, ри-
сунок 1.14), а также по итогам опроса опытных специалистов – экспертов Мос-
ковского пивобезалкогольного комбината (МПБК) «ОЧАКОВО», были отобра-
ны наиболее информативные параметры состояния ТП производства кваса (см.
таблицы 1.13 и 1.14) и составлены матрицы взаимосвязей между ними для каж-
дой стадии этого производства.
В таблицах 3.20 - 3.29 в виде матриц экспертных оценок представлены
результаты опроса экспертов на информативность параметров, оказывающих
наибольшее влияние на показатели качества сырья, полуфабрикатов и готовой
продукции на всех стадиях ТП производства хлебного кваса.
Таблица 3.20
Матрица экспертных оценок наличия связей между параметрами
на стадии подготовки сырья к производству
X1 X2 X3 X4 X5 X6 X7 X8 X9
170

X1 1 
X2  1
X3   1 
X4 1
X5    1
X6   1
X7 1
X8        1
X9     1

Где: X1 ( t ) – температура воздуха (10-30°C)


X2 (υ ) – относительная влажность воздуха (20-70%)
X3 ( w ) – влажность солода (5,0 – 8,0%)
X4 ( рН) – кислотность солода, к.ед. (41 - 65)
X5 ( t ) – температура солода (2-25°C)
X6 (t) – температура воды (10-40°C)
X7 (ГС) – гранулометрический состав солода ( 120-250 мк)
Y1вс (X8) – выходной параметр, характеризует качество ржаного солода, поступающе-
го на процесс приготовления концентрата квасноого сусла: вкус (вкус определяется по
вытяжке и должен быть свойственным солоду, кисло – сладкий вкус)
Y2цввз (X9) – цвет солода (2,5 – 3,0 балла ЕБС) (высокий показатель цвета при пра-
вильной технологии приготовления солода обычно соответствует высокому содержа-
нию в нем ароматических веществ).

Таблица 3.21
Матрица экспертных оценок связей между параметрами
на стадии приготовления квасного сусла
X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20 X21
X10 1 
X11  1
X12   1  
X13   1    
X14  1  
X15  1
X16     1  
X17 1
X18 1
X19   1
X20           1
X21          1
0
Где: X10 ( t ) – температура смеси при приготовлении квасного сусла Tв., С (26-30°C)
X11 (υ ) – относительная влажность воздуха Mв, % (20-90%)
X12 ( w) – влажность солода (с.) (5,0 – 8,0%)
X13 ( n) – число оборотов мешалки смесителя (2,5-5 об/мин)
X14 (Tв) – температура воды в темперирующей рубашке смесителя Tв. (35 – 45 0С)
X15 (ГС) – гранулометрический состав (крупность) солода (120-250 мк)
X16 (τ) – время перемешивания τ (1,0 – 1,5 часа)
X17 (G) – масса солода (Gc кг)
X18 (G) – количество воды (Gв кг)
171

X19 (рН) – кислотность солода, к.ед. (41 - 65)


Y3вкс (X20) – выходной параметр, характеризует качество концентрата квасного сусла, по-
ступающего на процесс приготовления кваса и его брожение: вкус (кисло – сладкий хлеб-
ный с незначительно выраженной горечью)
Y4цкс (X21) – цвет концентрата квасного сусла (темно- коричневый)
Таблица 3.22
Матрица экспертных оценок связей между параметрами
на стадии брожения квасного сусла
X22 X23 X24 X25 X26 X27 X28 X29 X30 X31 X32
X22 1
X23 1
X24 1 
X25  1
X26   1
X27   1  
X28    1
X29       1 
X30        1
X31         1
X32          1
Где: X22 (рН) – кислотность квасных дрожжей, к.ед. (41 - 65)
X23 ( t ) – температура квасных дрожжей (20-40°C)
X24 (ГС) – гранулометрический состав сахарного песка (20-90 мк)
X25 ( w) – влажность сахарного песка (сп) (13,5 – 14,5%)
X26 (ц) – цвет сахарного песка (белый)
X27 ( n) – число оборотов мешалки смесителя (3,5-6 об/мин)
X28 (Tв) – температура воды в темперирующей рубашке смесителя Tв. (30 – 32 0С)
X29 (τ) – время брожения τ (14 – 16 часов)
X30 ( t ) – температура смеси в бродильном аппарате Tс, 0С (25-28°C)
Y5вс (X31) – выходной параметр, характеризует качества смеси кваса, поступающего на про-
цесс осветления: вкус (кисловатый и освежающий с ароматом ржаного хлеба)
Y6цс (X32) – цвет и внешний вид смеси кваса после брожения (имеет коричневый цвет с
красноватым оттенком).
Таблица 3.23
Матрица экспертных оценок связей между параметрами
на стадии осветления
X33 X34 X35 X36 X37 X38 X39 X40
X33 1 
X34 1
X35  1  
X36   1 
X37    1
X38  1
X39       1
X40        1
Где: X33 (рН) – кислотность кваса после брожения, к.ед. (41 - 65)
X34 ( t ) – температура кваса после брожения (20-40°C)
X35 ( n) – число оборотов мешалки в аппарате для осветления n (3,5-6 об/мин)
172

X36 (Tв) – температура воды в темперирующей рубашке аппарата для осветления Tв (35 – 45
0
С)
X37 (τ) – время перемешивания τ (3,0 – 3,5 часа)
X38 ( G ) – количество осветлителя Gо, (3% от объема поступившего после брожения полу-
фабриката)
Y7во (X39) – выходной параметр, характеризует качества смеси кваса, поступающего на про-
цесс дображивания и охлаждения: вкус (кисловатый и освежающий с ароматом ржаного
хлеба)
Y8цо (X40) – цвет и внешний вид смеси кваса после брожения (цвет - от слабо- коричнево-
го до темно-коричневого).
Таблица 3.24
Матрица экспертных оценок связей между параметрами
на стадии дображивания и охлаждения
X40 X41 X42 X43 X44 X45 X46 X47 X48 X49 X50 X51
X40 1
X41 1
X42   1
X43   1
X44    1
X45    1  
X46   1
X47    1
X48   1
X49         1
X50           1
X51       1
Где: X40 ( t ) – температура кваса, поступающего на дображивание в бродильном аппарате
Tс, 0С (25-28°C)
X41 (Tв)– температура воды в темперирующей рубашке бродильного аппарата Tв (35– 45 0С)
X42 (τ) – время дображивания τ (14 – 16 часов)
X43 ( t ) – температура кваса, поступающего на охлаждение (20-40°C)
X44 ( t ) - продолжительность охлаждения τ (3,5 – 4,5 часов)
X45 (Tв) – температура воды внутри рубашки темперирующей машины Tвтм (35 – 45 0С)
X46 (к) - кислотность кваса 2,0-6,0 мл 1 моль/дм3 раствора NaOH на 100 мл кваса
X47 ( t ) – температура кваса, выходящего из темперирующей машины (20-40°C)
X48 (δ ) точность дозирования кваса
X49 (τ ) - стойкость осветленного кваса, сут не менее 20
Y5вс (X50) – выходной параметр, характеризует качества смеси кваса, поступающего на про-
цесс осветления: вкус (кисловатый и освежающий с ароматом ржаного хлеба)
Y6цс (X51) – цвет и внешний вид смеси кваса после брожения (имеет коричневый цвет с
красноватым оттенком).
После нахождения количественных характеристик связей, представленные в
таблицах 3.20- 3.24 матрицы экспертных оценок наличия связей между пара-
метрами на отдельных участках производства хлебного кваса, объединяются
173

как диагональные миноры в структурно-параметрическую матричную модель


всей технологической системы производства [81 - 83].
Проведенные экспериментальные исследования и полученные на ОАО Мос-
ковском пивобезалкогольном комбинате (МПБК) «ОЧАКОВО» статистические
данные, позволили выявить основные входные параметры, параметры состоя-
ния и возмущающие факторы, влияющие на ход исследуемых технологических
процессов производства хлебного кваса и на качество готового напитка.

3.4. Разработка структурно – параметрических и математических моде-


лей основных стадий производства пищевой продукции

3.4.1. Методология построения структурно – параметрических моделей


(СПМ) основных стадий производства пищевой продукции

В соответствии с информационной технологией, изложенной в работах [81


- 83], разработка структурно – параметрических моделей выделенных стадий
по каждому производству пищевой продукции велась в несколько этапов.
На первом этапе наличие связей между параметрами устанавливалось с
помощью коэффициентов корреляции по формуле (3.48) и формировалась таб-
лица корреляционных связей, которая отражает глубину статистической связи
между параметрами на всех стадиях ТП производства ПГК.
∑ (̅ )(̅̅̅ )
, (3.48)
√ √

где: – коэффициент корреляции между i-ым и j-ым параметром;


̅ ̅ – среднее значение i-ого и j-ого параметров;
- дисперсия i-го и j-го параметров.

Проверка значимости коэффициентов производилась по формуле


(3.49) (критерий Стьюдента) так, что при коэффициент принимался зна-
чимым,

(3.49)

174

в противном случае коэффициент приравнивался к 0.


Алгоритм формирования корреляционной матрицы rij включает создание
файла результатов наблюдений n параметров x i в k опытах и последователь-
ную обработку каждой пары столбцов. Полученная в результате симметричная
матрица дополняется единичной главной диагональю и корректируется с уче-
том экспертных оценок фактически существующих связей в системе, выявлен-
ных в п.3.1 для всех этапов исследуемых производств пищевой продукции.
На втором этапе методом регрессионного анализа определялся характер
связи между параметрами. Построчно выделяя в корреляционной матрице
группы сильно связанных параметров ( ) рассчитываются коэффициен-
ты линейной множественной регрессии для приращений :
mi
xi   pij x j ; i  1, m i (3.50)
j 1

где число факторов , имеющих достаточно сильную корреляционную


связь с i-м отклонением . – коэффициенты связи j-го параметра
( ̅̅̅̅̅̅) с i-м.
Коэффициенты регрессии рассчитываются [81 - 83] на основании стати-
стических данных наблюдений контролируемых параметров в n опытах
( ̅̅̅̅̅) по методу наименьших квадратов так, чтобы сумма квадратов откло-
нений расчетных значений (3.51) исследуемого показателя от его эксперимен-
тальных значений xi была минимальна, т.е.
n mi

 ( p
k 1 j 1
ij  xkj  xki ) 2  min (3.51)

Для сопоставимой оценки регрессионных связей коэффициенты регрессии


приводятся к безразмерным характеристикам связей относительно средне-
квадратичных отклонений ,

̅̅̅̅̅ (3.52)
175

Изложенная методика разработки структурно–параметрических моделей


(СПМ) легла в основу построения СПМ для каждого технологического участка
и системы производства каждой пищевой продукции в целом для последующе-
го ситуационного моделирования и идентификации состояния и прогнозирова-
ния получаемого качества этих продуктов.
3.4.2. Разработка структурно – параметрических и математических
моделей (СПММ) основных стадий производства ПГК
СПММ подготовки сырья к производству
Учитывая проведенные выше исследования и выявленные наиболее ин-
формативные параметры, влияющие на качество сырья, полуфарикатов и гото-
вой продукции, параметрическая модель подготовки сырья к производству ПГК
схематично показана на рисунке 3.10.
X4
X1

X2 Y1пп

X3 Y2пп

X5 X6

Рис. 3.10. Параметрическая модель подготовки сырья к производству ПГК


Структурно-параметрическое моделирование процесса подготовки сырья
к производству сводилось к построению матриц взаимосвязей между сгруппи-
рованными параметрами [81 - 83]. При этом главной задачей являлось отыска-
ние сопоставимых характеристик связей между параметрами состояния техно-
логической системы с последующим построением ситуационной модели состо-
яния системы (состояния процесса) с алгоритмизацией процедур его идентифи-
кации и прогнозирования [83].
Разработанные по описанной выше методологии на основе статистиче-
ских данных и наблюдений состояния процесса на кондитерском предприятии
ОАО «РотФронт» структурно-параметрические модели корреляционных, ре-
грессионных и безразмерных сопоставимых оценок параметрических связей
176

основных участков производства помадных конфет представлены в таблицах


3.25 – 3.42.
Таблица 3.25
Преобразованная матрица коэффициентов корреляции.
X1 X2 X3 X4 X5 X6 Y1 всп (X7) Y2 цсп (X8)
X1 1 0 0 -0,643 0 0 0 0
X2 0 1 0 0,733 0,530 0 -0,756 0
X3 0 0 1 0 0 0,863 0 0,557
X4 -0,643 0,733 0 1 0 0,684 0 0
X5 0 0,530 0 0 1 0 0,602 0
X6 0 0 0,863 0,684 0 1 0 0
Y1 всп (X7) 0 -0,756 0 0 0,602 0 1 0
Y2 цсп (X8) 0 0 0,557 0 0 0 0 1
Таблица 3.26
Регрессионная матрица связей
X1 X2 X3 X4 X5 X6 Y1 всп (X7) Y2 цсп (X8)
X1 1 0 0 -0,53 0 0 0 0
X2 0 1 0 0,6 0,27 0 -0,25 0
X3 0 0 1 0 0 0,33 0 0,48
X4 -0,27 0,45 0 1 0 0,46 0 0
X5 0 0,23 0 0 1 0 0,3 0
X6 0 0 0,59 0,24 0 1 0 0
Y1 всп (X7) 0 -0,64 0 0 0,44 0 1 0
Y2 цсп (X8) 0 0 0,38 0 0 0 0 1

Таблица 3.27
Матрица безразмерных характеристик связей
X1 X2 X3 X4 X5 X6 Y1 всп (X7) Y2 цсп (X8)
X1 1 0 0 -0,43 0 0 0 0
X2 0 1 0 0,47 0,22 0 -0,1 0
X3 0 0 1 0 0 0,48 0 0,56
X4 -0,16 0,32 0 1 0 0,53 0 0
X5 0 0,38 0 0 1 0 0,23 0
X6 0 0 0,48 0,18 0 1 0 0
Y1 всп (X7) 0 -0,43 0 0 0,13 0 1 0
Y2 цсп (X8) 0 0 0,16 0 0 0 0 1
На основании проведенных расчетов получены математические модели
процесса подготовки сырья к производству ПГК:
Y1 всп (X7) = - 0,43 X2 + 0,13 X5 (3.53)
Y2 цсп (X8) = 0,16 X3 (3.54)
177

Адекватность полученных уравнений была проверена по таким величи-


нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9641857), критерий Стьюдента (tr=274,367>>2), критерий
Фишера (значение критерия Фишера расчетное больше критерия Фишера тео-
ретического в 10 раз, т.е. FP  FT ). Был сделан вывод об адекватности выше-
приведѐнной математической модели, что позволило определить влияние
входных параметров на величину кристаллов сахара (на вкус) при его под-
готовке к производству ПГК. Пример полученного при этом графика представ-
лен на рисунке 3.2. Подробные расчеты и все полученные графики приведены в
нашей статье [ 20 ].

Рисунок 3.11. Пример полученных графиков зависимостей выходного


параметра от разных входных параметров
Аналогично по описанной выше методике сотавлены СПММ парамет-
рических связей остальных выделенных участков производства ПГК.

СПММ приготовления сахарного сиропа


Параметрическая модель процесса приготовления сахарного сиропа схе-
матично представлена на рисунке 3.12.
Х15 Х16

X9 Y3цсс

X10 Y4всс
X11 Y5влсс
X12
Х13 X14
Рисунок 3.12 Параметрическая модель приготовления сахарного сиропа
178

Таблица 3.28
Преобразованная матрица коэффициентов корреляции.
X9 X10 X11 X12 X13 X14 X15 X16 Y3 цсс Y4 всс Y5 влсс
(X17) (X18) (X19)
X9 1 0 0 0 0 0 -0,541 0 0 0 0
X10 0 1 0 0 0,666 0 0 0 0 0 0
X11 0 0 1 0 0,632 0 0 0,945 0,565 0 0
X12 0 0 0 1 0 0 0 0,710 0 0 0,824
X13 0 0,666 0,632 0 1 0,542 0 0 0 0,669 0
X14 0 0 0 0 0,542 1 0 0 -0,765 0 0
X15 -0,541 0 0 0 0 0 1 0 0 0,700 0,836
X16 0 0 0,945 0,710 0 0 0 1 0 0,691 0
Y3цсс 0 0 0,565 0 0 -0,765 0 0 1 0 0
(X17)
Y4всс 0 0 0 0 0,669 0 0,700 0,691 0 1 0
(X18)
Y3влсс 0 0 0 0,824 0 0 0,836 0 0 0 1
(X19)

Таблица 3.29
Регрессионная матрица связей.
X9 X10 X11 X12 X13 X14 X15 X16 Y3цсс Y4всс Y5влсс
(X17) (X18) (X19)
X9 1 0 0 0 0 0 0,54 0 0 0 0
X10 0 1 0 0 0,63 0 0 0 0 0 0
X11 0 0 1 0 0,35 0 0 0,88 0,67 0 0
X12 0 0 0 1 0 0 0 0,69 0 0 0,79
X13 0 0,42 0,74 0 1 0,47 0 0 0 0,3 0
X14 0 0 0 0 0,65 1 0 0 0,28 0 0
X15 0,33 0 0 0 0 0 1 0 0 0,74 0,38
X16 0 0 0,65 0,68 0 0 0 1 0 0,31 0
Y3цсс 0 0 0,29 0 0 0,41 0 0 1 0 0
(X17)
Y4всс 0 0 0 0 0,14 0 0,51 0,63 0 1 0
(X18)
Y5влсс 0 0 0 0,76 0 0 0,81 0 0 0 1
(X19)

Таблица 3.30
Матрица безразмерных характеристик связей.
X9 X10 X11 X12 X13 X14 X15 X16 Y3цсс Y4всс Y5влсс
(X17) (X18) (X19)
X9 1 0 0 0 0 0 0,31 0 0 0 0
X10 0 1 0 0 0,57 0 0 0 0 0 0
X11 0 0 1 0 0,31 0 0 0,83 0,62 0 0
X12 0 0 0 1 0 0 0 -0,63 0 0 0,74
X13 0 0,24 0,63 0 1 0,43 0 0 0 0,25 0
X14 0 0 0 0 0,56 1 0 0 0,23 0 0
X15 0,12 0 0 0 0 0 1 0 0 0,69 0,42
179

X16 0 0 0,57 0,68 0 0 0 1 0 0,36 0


Y3цсс 0 0 0,2 0 0 0,36 0 0 1 0 0
(X17)
Y4всс 0 0 0 0 0,09 0 -0,46 -0,53 0 1 0
(X18)
Y5влсс 0 0 0 0,61 0 0 0,75 0 0 0 1
(X19)

На основании проведенных расчетов получена математическая модель


процесса приготовления сахарного сиропа:
Y3цсс =0,2 X13+0,36 X14 (3.55)
Y4всс =0,09 X13 - 0,46 X15 - 0,53 X16 (3.56)
Y5влсс =0,61 X12 + 0,75 X15 (3.57)
Адекватность полученных уравнений была проверена по таким величинам, как
относительная погрешность (δ=1,0384), коэффициент множественной корреля-
ции (R=0,9641857), критерий Стьюдента (tr=274,367>>2), критерий Фишера
(значение критерия Фишера расчетное больше критерия Фишера теоретическо-
го в 10 раз, т.е. FP  FT ). С учѐтом вышеизложенного был сделан вывод об
адекватности вышеприведѐнной математической модели.
Полученные результаты зависимости между выходным параметром Y4всс
и входными переменными представлены в виде наглядных графиков для их
анализа ( часть полученных данных приведена на рисунке 3.13 ).
f(X9, X15); X7= const f(X9, X7); X15= const

Рисунок 3.13 Пример полученных графиков зависимости выходного параметра


при меняющихся X9, X7 , X15 и постоянном либо X7, либо X15

СПММ приготовления помадного сиропа


180

Проведенные теоретические и экспериментальные исследования (п.1.2) и


(п. 3.3.1) позволили спроектировать параметрическую модель процесса приго-
товления помадного сиропа (рисунок 3.14).
Х26

X20 Y1пс

.....

X23 Y2пс

X24 X25

Рисунок 3.14 Параметрическая модель процесса приготовления помадного


сиропа
Таблица 3.31
Преобразованная матрица коэффициентов корреляции
X20 X21 X22 X23 X24 X25 X26 Y6 впс Y7цпс
(X27) (X28)
X20 1 0 0 0 0,321 0,958 0 0 0
X21 0 1 0 0 0,669 0,552 0,871 0 0
X22 0 0 1 0 0 0 0 0,985 0
X23 0 0 0 1 0 0 0 0,671 0
X24 0 0,669 0 0 1 0 0,998 0 0
X25 0,958 0,552 0 0 0 1 0 0 0,866
X26 0,587 0,871 0 0 0,998 0 1 0,744 0,902
Y6впс 0 0 0,985 0,671 0 0 0,744 1 0
(X27)
Y7цпс 0 0 0 0 0 0,866 0,902 0 1
(X28)
Таблица 3.32
Регрессионная матрица связей
X20 X21 X22 X23 X24 X25 X26 Y6впс (X27) Y7цпс (X28)
X20 1 0 0 0 0,71 0,64 0 0 0
X21 0 1 0 0 0,49 0,31 0,78 0 0
X22 0 0 1 0 0 0 0 0,42 0
X23 0 0 0 1 0 0 0 0,52 0
X24 0 0,57 0 0 1 0 0,9 0 0
X25 0,86 0,46 0 0 0 1 0 0 0,67
X26 0,59 0,81 0 0 0,89 0 1 0,55 0,71
Y6впс 0 0 0,91 0,62 0 0 0,65 1 0
(X27)
Y2цпс 0 0 0 0 0 0,8 0,81 0 1
(X28)

Таблица 3.33
Матрица безразмерных характеристик связей
181

X20 X21 X22 X23 X24 X25 X26 Y6впс (X27) Y7цпс (X28)
X20 1 0 0 0 0,44 0,59 0 0 0
X21 0 1 0 0 0,38 0,26 0,37 0 0
X22 0 0 1 0 0 0 0 0,18 0
X23 0 0 0 1 0 0 0 0,51 0
X24 0 0,52 0 0 1 0 0,66 0 0
X25 0,34 0,41 0 0 0 1 0 0 0,61
X26 0,52 0,76 0 0 0,5 0 1 0,22 0,48
Y6впс 0 0 0,36 0,57 0 0 0,51 1 0
(X27)
Y7цпс 0 0 0 0 0 0,75 0,39 0 1
(X28)
На основании проведенных расчетов получены математические модели
показателей качества процесса приготовления помадного сиропа:
Y6впс = 0,36 X22+0,57 X23+0,51 X26 (3.58)
Y7цпс = 0,75 X25 +0,39 X26 (3.59)
Адекватность полученных уравнений была проверена по таким величи-
нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9641857), критерий Стьюдента (tr=274,367>>2), критерий
Фишера (значение критерия Фишера расчетное больше критерия Фишера тео-
ретического в 10 раз, т.е. FP  FT ). С учѐтом вышеизложенного был сделан
вывод об адекватности полученной математической модели.
Таким образом, предложенный метод СПМ позволяет определить влия-
ние входных параметров на величину кристаллов сахара (вкус) и цвет помадно-
го сиропа. Пример полученных при этом наглядных графиков для их анализа
представлены на рисунке 3.15. Подробные расчеты и все полученные графики
приведены в нашей статье [ 19 ].
f(X20,X23); X25= const f(X20, X25); X23= const

Рисунок 3.15. Графики зависимости выходного параметра Y6впс при


меняющихся X20, X23 ,X25 и постоянном либо X23, либо X25
182

СПММ сбивания помадных масс


Параметрическая модель сбивания помадных масс представлена на ри-
сунке 3.16.
X29 Y8 wпм
X30 Процесс сбивания Y9tпм
X31 помадных масс Y10ϻпм
Y11цпм
Y12впм

X32 Х33 X34 X35 X36 X37


Рисунок 3.16 Параметрическая модель процесса сбивания помадных масс
Таблица 3.34
Преобразованная матрица коэффициентов корреляции
X29 X30 X31 X32 X33 X34 X35 X36 X37 Y8wпм Y9tпм Y10ϻпм Y11цпмY12впм
(X38) (X39) (X40) (X41) (X42)
X29 1 0 0 0 0,632 0,856 0 0 0 0,620 0 0 0 0
X30 0 1 0 0,632 0,887 0 0 0 0 0 0 0,716 0 0
X31 0 0 1 0,633 0 0 0 0 0,567 0 0 0 0,831 0
X32 0 0,632 0,633 1 0,772 0 0 0 0,612 0 0 0 0 0,869
X33 0,632 0,887 0 0,772 1 0 0,736 0 0 0,820 0,631 0 0 0
X34 0,856 0 0 0 0 1 0,555 0 0,963 0 0 0,622 0 0,551
X35 0 0 0 0 0,736 0,555 1 0 0,612 0 0,607 0 0 0
X36 0 0 0 0 0 0 0 1 0 0 0,885 0,741 0 0
X37 0 0 0,567 0,612 0 0,963 0,612 0 1 0 0 0 0,936 0
Y8wпм 0,620 0 0 0 0,820 0 0 0 0 1 0 0 0 0
(X38)
Y9tпм 0 0 0 0 0,631 0 0,607 0,885 0 0 1 0 0 0
(X39)
Y10ϻпм 0 0,716 0 0 0 0,622 0 0,741 0 0 0 1 0 0
(X40)
Y11цпм 0 0 0,831 0 0 0 0 0 0,936 0 0 0 1 0
(X41)
Y12впм 0 0 0 0,869 0 0,551 0 0 0 0 0 0 0 1
(X42)

Таблица 3.35
Регрессионная матрица связей
X29 X30 X31 X32 X33 X34 X35 X36 X37 Y8wпм Y9tпм Y10ϻпм Y11цпмY12впм
(X38) (X39) (X40) (X41) (X42)
X29 1 0 0 0 0,78 0,55 0 0 0 0,81 0 0 0 0
X30 0 1 0 0,32 0,18 0 0 0 0 0 0 0,58 0 0
X31 0 0 1 0,72 0 0 0 0 0,16 0 0 0 0,13 0
X32 0 0,38 0,56 1 0,21 0 0 0 0,67 0 0 0 0 0,15
X33 0,14 0,71 0 0,86 1 0 0,71 0 0 0,66 0,81 0 0 0
X34 0,56 0 0 0 0 1 0,51 0 0,39 0 0 0,52 0 0,71
X35 0 0 0 0 0,8 0,59 1 0 0,85 0 0,45 0 0 0
X36 0 0 0 0 0 0 0 1 0 0 0,31 0,31 0 0
X37 0 0 0,83 0,41 0 0,26 0,607 0 1 0 0 0 0,27 0
183

Y8wпм 0,58 0 0 0 0,61 0 0 0 0 1 0 0 0 0


(X38)
Y9tпм 0 0 0 0 0,85 0 0,78 0,52 0 0 1 0 0 0
(X39)
Y10ϻпм 0 0,63 0 0 0 0,51 0 0,69 0 0 0 1 0 0
(X40)
Y11цпм 0 0 0,63 0 0 0 0 0 0,936 0 0 0 1 0
(X41)
Y12впм 0 0 0 0,62 0 0,36 0 0 0 0 0 0 0 1
(X42)

Таблица 3.36
Матрица безразмерных характеристик связей
X29 X30 X31 X32 X33 X34 X35 X36 X37 Y8wпм Y9tпм Y10ϻпм Y11цпмY12впм
(X38) (X39) (X40) (X41) (X42)
X29 1 0 0 0 0,60 0,73 0 0 0 0,81 0 0 0 0
X30 0 1 0 0,22 0,12 0 0 0 0 0 0 0,58 0 0
X31 0 0 1 0,54 0 0 0 0 0,16 0 0 0 0,13 0
X32 0 0,65 0,19 1 0,37 0 0 0 0,67 0 0 0 0 0,15
X33 0,54 0,35 0 0,39 1 0 0,71 0 0 0,66 0,81 0 0 0
X34 0,23 0 0 0 0 1 0,51 0 0,39 0 0 0,52 0 0,71
X35 0 0 0 0 0,76 0,59 1 0 0,85 0 0,45 0 0 0
X36 0 0 0 0 0 0 0 1 0 0 0,31 0,31 0 0
X37 0 0 0,28 0,86 0 0,26 0,607 0 1 0 0 0 0,27 0
Y8wпм 0,33 0 0 0 0,83 0 0 0 0 1 0 0 0 0
(X38)
Y9tпм 0 0 0 0 0,29 0 0,78 0,52 0 0 1 0 0 0
(X39)
Y10ϻпм 0 0,43 0 0 0 0,51 0 0,69 0 0 0 1 0 0
(X40)
Y11цпм 0 0 0,84 0 0 0 0 0 0,42 0 0 0 1 0
(X41)
Y12впм 0 0 0 0,41 0 0,36 0 0 0 0 0 0 0 1
(X42)

Полученные математические модели показателей качества процесса сбивания


помадной массы имеют следующий вид:
Y8wпм (X38) = 0,33 X29 + 0,83 X33 (3.60)
Y9tпм (X39) = 0,29 X33 + 0,78 X35 +0,52 X36 (3.61)
Y10ϻпм (X40) = 0,43 X30+0,51 X34+0,69 X36 (3.62)
Y11цпм (X41) = 0,84 X31+0,42 X37 (3.63)
Y12впм (X42) =0,41 X32 + 0,36 X34 (3.64)
Полученные результаты зависимости между выходным параметром Y12впм и пе-
ременными входными параметрами были представлены в виде наглядных гра-
фиков для их анализа (часть полученных данных приведена на рисунке 3.17).
184

Рисунок 3.17. Графики зависимости выходного параметра Y12впм при двух


меняющихся входных параметрах Xi и одном постоянном параметре Xin.

СПММ приготовления помадной конфетной массы


Параметрическая модель приготовления помадной конфетной массы
представлена на рисунке 3.18.
X43 Процесс приготовления Y13tкм
X44 помадной конфетной Y14wкм
X45 массы Y15цкм
Y16вкм
X46 X47
Рисунок 3.18.Параметрическая модель ТП приготовления конфетной массы
Таблица 3.37
Преобразованная матрица коэффициентов корреляции
X43 X44 X45 X46 Х47 Y13tкм Y14wкм Y15цкм Y16вкм
(Х48) (Х49) (Х50) (Х51)
X43 1 0 0 0 0 0 0,652 0,744 0
X44 0 1 0 0,663 0,742 0,821 0 0 0
X45 0 0 1 0,661 0 0 0 0 0,694
X46 0 0,663 0,661 1 0,855 0,871 0 0 0,747
Х47 0 0,742 0 0,855 1 0 0,636 0,521 0
Y13tкм (Х48) 0 0,821 0 0,871 0 1 0 0 0
Y14wкм (Х49) 0,652 0 0 0 0,636 0 1 0 0
Y15цкм (Х50) 0,744 0 0 0 0,521 0 0 1 0
Y16вкм (Х51) 0 0 0,694 0,747 0 0 0 0 1

Таблица 3.38
Регрессионная матрица связей
X43 X44 X45 X46 Х47 Y13tкм Y14wкм Y15цкм Y16вкм
(Х48) (Х49) (Х50) (Х51)
X43 1 0 0 0 0 0 0,49 0,25 0
X44 0 1 0 0,23 0,26 0,21 0 0 0
X45 0 0 1 0,57 0 0 0 0 0,36
185

X46 0 0,72 0,46 1 0,63 0,52 0 0 0,43


Х47 0 0,81 0 0,38 1 0 0,44 0,64 0
Y13tкм (Х48) 0 0,66 0 0,17 0 1 0 0 0
Y14wкм (Х49) 0,75 0 0 0 0,52 0 1 0 0
Y15цкм (Х50) 0,64 0 0 0 0,28 0 0 1 0
Y16вкм (Х51) 0 0 0,14 0,36 0 0 0 0 1

Таблица 3.39
Матрица безразмерных характеристик связей
X43 X44 X45 X46 Х47 Y13tкм Y14wкм Y15цкм Y16вкм
(Х48) (Х49) (Х50) (Х51)
X43 1 0 0 0 0 0 0,44 0,20 0
X44 0 1 0 0,18 0,21 0,26 0 0 0
X45 0 0 1 0,52 0 0 0 0 0,31
X46 0 0,67 0,41 1 0,58 0,47 0 0 0,38
Х47 0 0,76 0 0,33 1 0 0,39 0,59 0
Y13tкм (Х48) 0 0,61 0 0,12 0 1 0 0 0
Y14wкм (Х49) 0,69 0 0 0 0,42 0 1 0 0
Y15цкм (Х50) 0,58 0 0 0 0,23 0 0 1 0
Y16вкм (Х51) 0 0 0,19 0,31 0 0 0 0 1

На основании проведенных расчетов получены математические модели


показателей качества процесса приготовления конфетной массы:
Y13tкм (Х48)=0,61 Х44+0,12 Х46 (3.65)
Y14wкм (Х49)=0,69 Х43+0,42 Х47 (3.66)
Y15цкм (Х50)=0,58 Х43+0,23 Х47 (3.67)
Y16вкм (Х51)=0,19 Х45+0,31 Х46 (3.68)
Часть полученных при этом наглядных графиков для их анализа пред-
ставлены на рисунке 3.19.

Рисунок 3.19. Графики зависимости выходного параметра Y16вкм (Х51) при двух
меняющихся входных параметрах Xi и постоянном одном входном параметре

СПММ формования конфет


186

Параметрическую модель процесса формования корпусов конфет пред-


ставлена на рисунке 3.20.

X52 Y17hфм
X53 Процесс формования
X54 конфет Y18вфм
Y19цфм

X55
Рисунок 3.20 Структурно - параметрическая модель процесса
формования конфет
Таблица 3.40
Преобразованная матрица коэффициентов корреляции
X52 X53 X54 X55 Y17hфм Y18вфм Y19цфм
(X56) (X57) (X58)
X52 1 0 0 0,570 0 0 0
X53 0 1 0 0 0 0 0,588
X54 0 0 1 0 0 0,813 0
X55 0,570 0 0 1 0,758 0 0
Y17hфм (X56) 0 0 0 0,758 1 0 0
Y18вфм (X57) 0 0 0,813 0 0 1 0
Y19цфм (X58) 0 0,588 0 0 0 0 1

Таблица 3.41
Регрессионная матрица связей

X52 X53 X54 X55 Y17hфм Y18вфм Y19цфм


(X56) (X57) (X58)
X52 1 0 0 0,11 0 0 0
X53 0 1 0 0 0 0 0,63
X54 0 0 1 0 0 0,19 0
X55 0,23 0 0 1 0,62 0 0
Y17hфм (X56) 0 0 0 0,37 1 0 0
Y18вфм (X57) 0 0 0,78 0 0 1 0
Y19цфм (X58) 0 0,51 0 0 0 0 1
Таблица 3.42
Матрица безразмерных характеристик связей
X52 X53 X54 X55 Y17hфм Y18вфм Y19цфм
(X56) (X57) (X58)
X52 1 0 0 0,27 0 0 0
X53 0 1 0 0 0 0 0,59
X54 0 0 1 0 0 0,37 0
X55 0,54 0 0 1 0,28 0 0
Y17hфм (X56) 0 0 0 0,29 1 0 0
Y18вфм (X57) 0 0 0,45 0 0 1 0
187

Y19цфм (X58) 0 0,28 0 0 0 0 1


На основании проведенных расчетов получены математические модели
процесса формования конфет:
Y17hфм (X56) = 0,29 X55 (3.69)
Y18вфм (X57) = 0,45 X54 (3.70)
Y19цфм (X58) = 0,28 X53 (3.71)
Проведенные исследования позволили определить влияние входных па-
раметров на вкус (величину кристаллов сахара) и цвет конфетных масс после
формования. Часть полученных при этом наглядных графиков для их анализа
представлены на рисунке 3.21.

Рисунок 3.21 Графики зависимости выходного параметра Y18вфм при одном


постоянном входном параметре Xin и меняющихся остальных
входных параметрах Xi.
3.4.3. Разработка структурно – параметрических и математических
моделей основных стадий производства муки
СПММ подготовки сырья к производству
Учитывая выявленные наиболее информативные параметры, влияющие
на качество сырья, полуфарикатов и готовой муки, параметрическая модель
подготовки сырья к производству муки показана на рисунке 3.22.
X4
X1

X2 Y1вз

X3 Y2цз

X5 X6

Рис. 3.22. Параметрическая модель подготовки сырья к производству муки


188

Разработанные по описанной выше методологии на основе статистиче-


ских данных и наблюдений состояния процесса на ОАО «Мелькомбинат в Со-
кольниках» структурно-параметрические модели корреляционных, регрессион-
ных и безразмерных сопоставимых оценок параметрических связей основных
участков производства муки представлены в таблицах 3.43 – 3.51.
Таблица 3.43
Преобразованная матрица коэффициентов корреляции.

X1 X2 X3 X4 X5 X6 X7 Y1 вз (X7) Y2 цз (X8)
X1 1 0 0 -0,652 0 0 0 0 0
X2 0 1 0 0,747 0,551 0 0, 132 -0,748 0
X3 0 0 1 0 0 0,863 0,798 0 0,557
X4 -0,643 0,733 0 1 0 0,684 0 0 0
X5 0 0,530 0 0 1 0 0 0,602 0
X6 0 0 0,863 0,684 0 1 0 0 0
X7 0 0 0, 723 0 0,324 0 1 -0,857 -0, 621
Y1 вз (X7) 0 -0,756 0 0 0,602 0 -0,756 1 0
Y2 цз (X8) 0 0 0,557 0 0 0 -0,687 0 1
Таблица 3.44
Регрессионная матрица связей
X1 X2 X3 X4 X5 X6 X7 Y1 вз (X7) Y2 цз (X8)
X1 1 0 0 -0,53 0 0 0 0 0
X2 0 1 0 0,6 0,27 0 0,82 -0,25 0
X3 0 0 1 0 0 0,33 0,62 0 0,48
X4 -0,27 0,45 0 1 0 0,46 0 0 0
X5 0 0,23 0 0 1 0 0 0,3 0
X6 0 0 0,59 0,24 0 1 0 0 0
X7 0 0 0, 54 0 0,22 0 1 -0,58 -0,23
Y1 вз (X7) 0 -0,64 0 0 0,44 0 -0,57 1 0
Y2 цз (X8) 0 0 0,38 0 0 0 -0,24 0 1

Таблица 3.45
Матрица безразмерных характеристик связей
X1 X2 X3 X4 X5 X6 X7 Y1 пвз (X7) Y2 цз (X8)
X1 1 0 0 -0,43 0 0 0 0 0
X2 0 1 0 0,47 0,22 0 0,18 -0,15 0
X3 0 0 1 0 0 0,48 0,38 0 0,56
X4 -0,16 0,32 0 1 0 0,53 0 0 0
X5 0 0,38 0 0 1 0 0 0,23 0
X6 0 0 0,48 0,18 0 1 0 0 0
X7 0 0 0,46 0 0,78 0 1 -0,42 -0,77
Y1 вз (X7) 0 -0,43 0 0 0,13 0 -0,43 1 0
Y2 цз (X8) 0 0 0,16 0 0 0 -0,76 0 1
189

На основании проведенных расчетов получены математические модели


процесса подготовки сырья к производству зерна:
Y1 вз (X7) = - 0,56 X2 - 0,42 X7 (3.72)
Y2 цз (X8) = 0,18 X3 - 0,15 X7 (3.73)
Адекватность полученных уравнений была проверена по таким величи-
нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9641857), критерий Стьюдента (tr=274,367>>2), критерий
Фишера (значение критерия Фишера расчетное больше критерия Фишера тео-
ретического в 10 раз, т.е. FP  FT ). С учѐтом вышеизложенного был сделан
вывод об адекватности вышеприведѐнной математической модели. Таким обра-
зом, полученные результаты структурно-параметрического моделирования поз-
волили определить влияние входных параметров на вкус и цвет зерна при
его подготовке к производству муки. Пример полученного при этом графика
представлен на рисунке 3.23. Подробные расчеты и все полученные графики
приведены в нашей статье [ 16 ].

Рисунок 3.23. Пример полученного графика зависимости выходного


параметра Y1 вз (X7) от разных входных параметров

Аналогично по описанной выше методике сотавлены СПММ парамет-


рических связей остальных выделенных участков производства муки пред-
ставленные в последующих таблицах.
СПММ стадии зерноочистки
Параметрическая модель стадии зерноочистки представлена на рисунке 3.24.
190

Х15 Х16

X9 Y3взо

X10
X11 Y4цзо
X12
Х13 X14
Рисунок 3.24. Параметрическая модель процесса стадии зерноочистки
Таблица 3.46
Преобразованная матрица коэффициентов корреляции.
X9 X10 X11 X12 X13 X14 X15 X16 Y3 взо Y4 цзо
(X17) (X18)
X9 1 0, 587 0 0,865 0 0 0 0 0 0
X10 0 1 0 0,632 0 0 0 0 0 0
X11 0 0 1 0 0 0 0 0 0 0
X12 0,724 0,823 0 1 0 0 0 0 0 0
X13 0, 627 0 0,658 0,322 1 0 0,486 0 0 0
X14 0,535 0 0, 768 0 0,452 1 0,375 0,648 0 0
X15 0, 231 0 0,812 0 0 0 1 0 0 0
X16 0,778 0,324 0,568 0,243 -0,737 0,670 0,784 1 0 0
Y3 взо 0, 642 0 0,759 0,124 0 0 0 0,842 1 0
(X17)
Y4 цзо 0, 346 0 0,354 0,136 0 0 0 0,697 0 1
(X18)

Таблица 3.47
Регрессионная матрица связей.
X9 X10 X11 X12 X13 X14 X15 X16 Y3 взо Y4 цзо
(X17) (X18)
X9 1 0,412 0 0,135 0 0 0 0 0 0
X10 0 1 0 0,356 0 0 0 0 0 0
X11 0 0 1 0 0 0 0 0 0 0
X12 0,276 0,182 0 1 0 0 0 0 0 0
X13 0,373 0 0,342 0,678 1 0 0,514 0 0 0
X14 0,465 0 0,232 0 0,548 1 0,625 0,352 0 0
X15 0,769 0 0,188 0 0 0 1 0 0 0
X16 0,222 0,676 0,432 0,766 - 0,263 0,33 0,216 1 0 0
Y3 взо 0,358 0 0,241 0,876 0 0 0 0,158 1 0
(X17)
Y4 цзо 0,654 0 0,766 0,864 0 0 0 0,303 0 1
(X18)
Таблица 3.48
Матрица безразмерных характеристик связей
191

X9 X10 X11 X12 X13 X14 X15 X16 Y2 взо Y3 цзо


(X17) (X18)
X9 1 0 0 0,46 0 0 0 0 0 0
X10 0 1 0 0,28 0 0 0,78 0,59 0 0
X11 0 0 1 0 0 0 -0,58 0 0 0,68
X12 0,226 0,38 0 1 0,43 0 0 0 0,24 0
X13 0 0 0 0,56 1 0 0 0,23 0 0
X14 0 0 0 0 0 1 0 0 0,62 0,38
X15 0 0,49 0,58 0 0 0 1 0 0,34 0
X16 0 0,16 0 0 0,32 0 0 1 0 0
Y3 взо 0,298 0 0,236 0,322 0 0 0 0,546 1 0
(X17)
Y4 цзо 0, 322 0 0,358 0,534 0 0 0 0,486 0 1
(X18)
На основании проведенных расчетов получена математическая модель
процесса приготовления сахарного сиропа:
Y3 взо (X17)=0,3 X10+0,24 X12 +0,32 X13+0,55 X17 (3.74)
Y4 цзо (X18) = 0,32 X10 + 0,36 X12 + 0,53 X13 +0,48 X17 (3.75)
Адекватность полученных уравнений была проверена по таким величи-
нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9641857), критерий Стьюдента (tr=274,367>>2), критерий
Фишера ( FP  FT ). С учѐтом вышеизложенного был сделан вывод об адекват-
ности вышеприведѐнной математической модели.
Часть полученных данных зависимости между выходными параметрами
и входными переменными представлены в виде наглядных графиков для их
анализа на рисунке 3.25.
f(X10, X12); X13= const f(X10, X13); X12= const

Рисунок 3.25 Пример полученных графиков зависимости выходного параметра


Y3 взо при меняющихся X10, X12 , X13 и постоянном либо X12 , либо X13.

СПММ стадии размола зерна в муку


192

Проведенные теоретические и экспериментальные исследования (п.1.2.1)


и (п. 3.2.2) позволили спроектировать параметрическую модель процесса раз-
мола зерна в муку (рисунок 3.26).
Х26
X20 Y5рз

.....

X23 Y6рз

X24 X25

Рисунок 3.26. Параметрическая модель процесса размола зерна в муку.


Таблица 3.49
Преобразованная матрица коэффициентов корреляции
X20 X21 X22 X23 X24 X25 X26 X27 X28 Y5врз Y6црз
(X29) (X30)
X20 1 0,58 0 0 0 0 0 0 0 0 0
X21 0 1 0 0,22 0 0 0 0 0 0 0
X22 0,32 0,46 1 0,54 0 0 0 0 0 0 0
X23 0 0,65 0 1 0 0 0 0 0 0 0
X24 0,34 0,31 0,16 0,39 1 0 0 0 0 0 0
X25 0,26 0,28 0 0 0 1 0 0 0 0 0
X26 0,38 0,37 0 0 0 0 1 0 0 0 0
X27 0,42 0,21 0, 0,56 0 0,36 0 1 0,58 0 0
X28 0,36 0,22 0,28 0,78 0 0,26 0 0,47 1 0 0
Y5врз 0,46 0,24 0 0,84 0,63 0,72 0,56 0,78 0,66 1 0
(X29)
Y6црз 0,32 0,14 0 0,38 0,80 0,42 0,48 0 0 0 1
(X30)
Таблица 3.50
Регрессионная матрица связей
X20 X21 X22 X23 X24 X25 X26 X27 X28 Y5врз (X29) Y6црз (X30)
X20 1 0,42 0 0 0 0 0 0 0 0 0
X21 0 1 0 0,78 0 0 0 0 0 0 0
X22 0,68 0,54 1 0,46 0 0 0 0 0 0 0
X23 0 0,35 0 1 0 0 0 0 0 0 0
X24 0,66 0,69 0,84 0,71 1 0 0 0 0 0 0
X25 0,74 0,72 0 0 0 1 0 0 0 0 0
X26 0,62 0,63 0 0 0 0 1 0 0 0 0
X27 0,58 0,79 0, 0,44 0 0,64 0 1 0,42 0 0
X28 0,64 0,78 0,72 0,22 0 0,74 0 0,53 1 0 0
Y5врз 0,54 0,76 0 0,16 0,37 0,72 0,56 0,78 0,66 1 0
(X29)
Y6црз 0,68 0,86 0 0,62 0,2 0,58 0 0 0 0 1
(X30)
193

Таблица 3.51
Матрица безразмерных характеристик связей

X20 X21 X22 X23 X24 X25 X26 X27 X28 Y5врз Y6црз
(X29) (X30)
X20 1 0,42 0 0 0 0 0 0 0 0 0
X21 0 1 0 0,78 0 0 0 0 0 0 0
X22 0,68 0,54 1 0,46 0 0 0 0 0 0 0
X23 0 0,35 0 1 0 0 0 0 0 0 0
X24 0,66 0,69 0,84 0,71 1 0 0 0 0 0 0
X25 0,74 0,72 0 0 0 1 0 0 0 0 0
X26 0,62 0,63 0 0 0 0 1 0 0 0 0
X27 0,58 0,79 0, 0,44 0 0,64 0 1 0,42 0 0
X28 0,64 0,78 0,72 0,22 0 0,74 0 0,53 1 0 0
Y5врз 0,35 0,26 0,54 0 0 0,72 0,64 0,28 0,26 1 0
(X29)
Y6црз 0,28 0,22 0,32 0,22 0,80 0 0 0 0 0 1
(X30)

На основании проведенных расчетов получены математические модели


показателей качества процесса размола зерна в муку:
Y5 врз(X28)=0,35X20+0,26 X21 +0,54 X22 +0,72 X25+0,64 X26 +0,28 X27 +0,26 X28 (3.76)
Y6 црз (X29)=0,28 X20+0,22 X21 +0,32 X22 +0,22 X23+0,80 X24 (3.77)
Адекватность полученных уравнений была проверена по таким величи-
нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9641857), критерий Стьюдента (tr=274,367>>2), критерий
Фишера (. FP  FT ). С учѐтом вышеизложенного был сделан вывод об адекват-
ности вышеприведѐнных математических моделей.
Полученные результаты позволили определить влияние входных пара-
метров на вкус и цвет полученной в процессе размола муки. Примеры получен-
ных при этом наглядных графиков представлены на рисунке 3.27. [ 17 ].
f(X20, X21); X25= const f(X20, X25); X21= const

Рисунок 3.27. Графики зависимости выходного параметра при меняющихся


X20, X21 , X25 и постоянных либо X25 , либо X21
194

3.4.4. Разработка структурно – параметрических и математических


моделей основных стадий производства сливочного масла
СПММ приемки и подготовки молока к производству
Учитывая проведенные выше исследования (п.1.2.1) и выявленные
наиболее информативные параметры, влияющие на качество сырья (молока),
полуфарикатов и готовой продукции – сливочного масла (п.3.3.3), параметри-
ческая модель подготовки сырья к производству сливочного масла показана на
рисунке 3.28.
X4
X1

X2 Y1пп

X3 Y2пп

X5 X6

Рис. 3.28. Параметрическая модель подготовки сырья к производству


сливочного масла
Разработанные на основе статистических данных и наблюдений состоя-
ния процесса производства сливочного масла на ОАО «Молочный комбинат
Воронежский» структурно-параметрические модели корреляционных, регрес-
сионных и безразмерных сопоставимых оценок параметрических связей основ-
ных участков производства данного продукта показаны в таблицах 3.52 – 3.66.
Таблица 3.52
Преобразованная матрица коэффициентов корреляции.
X1 X2 X3 X4 X5 X6 Y1 вм (X7) Y2 цм (X8)
X1 1 0 0,645 0,241 0 0,358 0 0
X2 0 1 0 0,644 0 0,548 0 0
X3 0,478 0,324 1 0,254 0 0,663 0 0
X4 0 0 0 1 0 0,645 0 0
X5 0,243 0 0 0 1 0 0 0
X6 0 0 0 0,452 0 1 0 0
Y1 вм (X7) 0,824 0,486 0,756 0 0,624 0 1 0
Y2 цм (X8) 0,784 0, 265 0,552 0 0,426 0 0 1

Таблица 3.53
195

Регрессионная матрица связей


X1 X2 X3 X4 X5 X6 Y1 вм (X7) Y2 цм (X8)
X1 1 0 0,355 0,759 0 0,642 0 0
X2 0 1 0 0,356 0 0,452 0 0
X3 0,522 0,676 1 0,746 0 0,337 0 0
X4 0 0 0 1 0 0,355 0 0
X5 0,757 0 0 0 1 0 0 0
X6 0 0 0 0,452 0 1 0 0
Y1 вм (X7) 0,176 0,514 0,244 0 0,376 0 1 0
Y2 цм (X8) 0,216 0, 735 0,448 0 0,574 0 0 1

Таблица 3.54
Матрица безразмерных характеристик связей
X1 X2 X3 X4 X5 X6 Y1 вм (X7) Y2 цм (X8)
X1 1 0 0,645 0,241 0 0,358 0 0
X2 0 1 0 0,644 0 0,548 0 0
X3 0,478 0,324 1 0,254 0 0,663 0 0
X4 0 0 0 1 0 0,645 0 0
X5 0,243 0 0 0 1 0 0 0
X6 0 0 0 0,452 0 1 0 0
Y1 вм (X7) 0,818 0,262 0,756 0 0,564 0 1 0
Y2 цм (X8) 0,482 0,142 0,452 0 0,346 0 0 1
На основании проведенных расчетов получены математические модели
процесса подготовки сырья к производству сливочного масла:
Y1 вм (X8)=0,82 X1+0,26 X2 +0,76 X3+0,56 X5 (3.78)
Y2 цм (X9)==0,48 X1 + 0,14 X2 + 0,45 X3 +0,35 X5 (3.79)
Адекватность полученных уравнений была проверена по таким величи-
нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9611857), критерий Стьюдента (tr=274,367>>2), критерий
Фишера ( FP  FT ). С учѐтом вышеизложенного был сделан вывод об адекват-
ности вышеприведѐнных математических моделей.
Таким образом, полученные результаты моделирования позволили опре-
делить влияние входных параметров на вкус и цвет молока при его подго-
товке к производству сливочного масла. Пример полученных при этом нагляд-
ных графиков для их анализа представлен на рисунке 3.29. Подробные расчеты
и все полученные графики приведены в нашей статье [ 19 ].
196

Рисунок 3.29. Пример полученных графиков зависимостей выходного


параметра Y1 вм от разных входных параметров

Аналогично по описанной выше методике сотавлены СПММ парамет-


рических связей остальных выделенных участков производства сливочного
масла (см. рисунок 1.17), представленные в таблицах 3.55 - 3.66.

СПММ стадии очистки, охлаждении и резервировании молока

Параметрическая модель процесса очистки, охлаждения и резервирова-


ния молока схематично представлена на рисунке 3.30.
Х15 Х16

X9 (X17)Y3вмо

X10
X11 (X18) Y4цзо

X12
Х13 X14
Рисунок 3.30. Параметрическая модель процесса очистки, охлаждения и
резервирования молока
Таблица 3.55
Преобразованная матрица коэффициентов корреляции.
X9 X10 X11 X12 X13 X14 X15 X16 Y3 вмо Y4 цмо
(X17) (X18)
X9 1 0, 488 0,528 0 0,364 0,412 0,246 0 0 0
X10 0 1 0 0 0 0 0 0 0 0
X11 0,624 0,542 1 0 0,322 0,388 0, 312 0 0 0
X12 0 0,322 0 1 0 0 0 0 0 0
X13 0, 527 0,324 0,658 0 1 0 0 0 0 0
X14 0 0 0 0 0 1 0,375 0 0 0
X15 0, 231 0 0,242 0 0 0,368 1 0 0 0
X16 0 0 0 0 0 0 0 1 0 0
Y3 вмо 0,764 0,458 0,759 0,524 0 0,568 0 0,442 1 0
197

(X17)
Y4 цмо 0, 346 0 0,354 0,412 0 0 0 0 0 1
(X18)

Таблица 3.56
Регрессионная матрица связей
X9 X10 X11 X12 X13 X14 X15 X16 Y3 вмо Y4 цмо
(X17) (X18)
X9 1 0, 512 0,472 0 0,636 0,588 0,754 0 0 0
X10 0 1 0 0 0 0 0 0 0 0
X11 0,376 0,458 1 0 0,678 0,612 0, 688 0 0 0
X12 0 0,678 0 1 0 0 0 0 0 0
X13 0, 473 0,676 0,342 0 1 0 0 0 0 0
X14 0 0 0 0 0 1 0,625 0 0 0
X15 0, 769 0 0,758 0 0 0,632 1 0 0 0
X16 0 0 0 0 0 0 0 1 0 0
Y3 вмо 0,236 0,552 0,241 0,476 0 0,432 0 0,558 1 0
(X17)
Y4 цмо 0, 654 0 0,646 0,588 0 0 0 0 0 1
(X18)
Таблица 3.57
Матрица безразмерных характеристик связей
X9 X10 X11 X12 X13 X14 X15 X16 Y3 вмо Y4 цмо
(X17) (X18)
X9 1 0, 488 0,528 0 0,364 0,412 0,246 0 0 0
X10 0 1 0 0 0 0 0 0 0 0
X11 0,624 0,542 1 0 0,322 0,388 0, 312 0 0 0
X12 0 0,322 0 1 0 0 0 0 0 0
X13 0, 527 0,324 0,658 0 1 0 0 0 0 0
X14 0 0 0 0 0 1 0,375 0 0 0
X15 0, 231 0 0,242 0 0 0,368 1 0 0 0
X16 0 0 0 0 0 0 0 1 0 0
Y3 вмо 0,752 0,228 0,759 0,524 0 0,568 0 0,442 1 0
(X17)
Y4 цмо 0, 346 0 0,354 0,412 0 0 0 0 0 1
(X18)
На основании проведенных расчетов получена математическая модель
процесса очистки, охлаждения и резервирования молока:
Y3 вмо (X17)=0,75 X9+0,23 X10 +0,76 X11+0,52 X12 +0,57 X14 +0,44 X16 (3.80)
Y4 цмо (X18)==0,34 X10 + 0,35 X12 + 0,41 X13 (3.81)
Адекватность полученных уравнений была проверена по таким величи-
нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9641857), критерий Стьюдента (tr=274,367>>2), значение кри-
198

терия Фишера FP  FT . С учѐтом вышеизложенного был сделан вывод об адек-


ватности вышеприведѐнных математических моделей. Часть полученных дан-
ных представлены на рисунке 3.31 в виде наглядных графиков для их анализа.
f(X9, X11); X13= const f(X9, X13); X11= const

Рисунок 3.31. Пример полученных графиков зависимости выходного параметра


Y3 вмо при меняющихся X9, X11 , X13 и постоянном либо X11 , либо X13.

СПММ стадии подогрева молока и сепарирования сливок


Проведенные теоретические и экспериментальные исследования (п.1.2.1)
и (п. 3.3.3) позволили спроектировать параметрическую модель процесса подо-
грева молока и сепарирования сливок (рисунок 3.32).
Х26
X20 Y5вс

.....

X23 Y6цс

X24 X25

Рисунок 3.32. Параметрическая модель процесса подогрева молока и


сепарирования сливок.
Таблица 3.58
Преобразованная матрица коэффициентов корреляции
X19 X20 X21 X22 X23 X24 X25 Y5вс Y6цс
(X26) (X27)
X19 1 0,686 0 0 0 0 0 0 0
X20 0, 425 1 0 0 0 0 0 0 0
X21 0, 524 0 1 0,548 0,514 0 0 0 0
X22 0,385 0 0 1 0,382 0,422 0 0 0
X23 0,724 0,634 0,588 0,367 1 0, 355 0,578 0 0
X24 0, 686 0,712 0,642 0,428 0,824 1 0,624 0 0
X25 0,316 0 0 0 0 0 1 0 0
Y5вс 0,427 0 0,462 0,312 0,826 0,758 0,426 1 0
199

(X26)
Y6цс 0,134 0 0,243 0 0,424 0,326 0 0 1
(X27)

Таблица 3.59
Регрессионная матрица связей
X19 X20 X21 X22 X23 X24 X25 Y5вс Y6цс
(X26) (X27)
X19 1 0,314 0 0 0 0 0 0 0
X20 0, 575 1 0 0 0 0 0 0 0
X21 0, 476 0 1 0,452 0,486 0 0 0 0
X22 0,615 0 0 1 0,618 0,578 0 0 0
X23 0,276 0,366 0,412 0,633 1 0, 645 0,422 0 0
X24 0, 314 0,288 0,358 0,572 0,176 1 0,376 0 0
X25 0,684 0 0 0 0 0 1 0 0
Y5вс 0,573 0 0,538 0,688 0,174 0,242 0,574 1 0
(X26)
Y6цс 0,866 0 0,757 0 0,576 0,674 0 0 1
(X27)
Таблица 3.60
Матрица безразмерных характеристик связей
X19 X20 X21 X22 X23 X24 X25 Y5вс Y6цс
(X26) (X27)
X19 1 0,546 0 0 0 0 0 0 0
X20 0, 382 1 0 0 0 0 0 0 0
X21 0, 464 0 1 0,488 0,404 0 0 0 0
X22 0,362 0 0 1 0,354 0,382 0 0 0
X23 0,656 0,582 0,484 0,342 1 0, 324 0,524 0 0
X24 0, 662 0,680 0,624 0,402 0,788 1 0,592 0 0
X25 0,264 0 0 0 0 0 1 0 0
Y5вс 0,427 0 0,462 0,312 0,826 0,758 0,426 1 0
(X26)
Y6цс 0,134 0 0,243 0 0,424 0,326 0 0 1
(X27)
На основании проведенных расчетов получены математические модели
показателей качества процесса подогрева молока и сепарирования сливок:
Y5 вс(X26)=0,43X19+0,46 X21 +0,31 X22 +0,83 X23+0,76 X24 +0,43 X25 (3.82)
Y6 цс (X27)=0,13 X19+0,24 X21 +0,42 X23 +0,33 X24 (3.83)
Была проведена адекватность полученных уравнений и с учѐтом полу-
ченных результатов был сделан вывод об адекватности вышеприведѐнных ма-
тематических моделей. Таким образом, предложенный метод позволяет опре-
делить влияние входных параметров на вкус и цвет полученных в процессе се-
парирования сливок. Пример полученных при этом наглядных графиков для их
200

анализа представлены на рисунке 3.33. Подробные расчеты и все полученные


графики приведены в нашей статье [ 17 ].
f(X20, X21); X25= const f(X20, X25); X21= const

Рисунок 3.33. Графики зависимости выходного параметра Y5 вс при


меняющихся X20, X21 , X25 и постоянных либо X25 , либо X21
СПММ стадии пастеризации и дезодорации сливок

Параметрическая модель процесса пастеризации и дезодорации сливок


схематично представлена на рисунке 3.34.
X28 Y7всп (X34)

X29
X30 Y8цсп (X35)
X31
Х32 X33
Рисунок 3.34. Параметрическая модель процесса пастеризации и дезодорации
сливок
Таблица 3.61
Преобразованная матрица коэффициентов корреляции.
X28 X29 X30 X31 X32 X33 Y7всп (X34) Y8цсп (X35)
X28 1 0,764 0 0 0 0 0 0
X29 0,625 1 0 0 0 0 0 0
X30 0 0 1 0,649 0 0 0 0
X31 0,354 0 0,578 1 0 0 0 0
X32 0 0 0,698 0 1 0,679 0 0
X33 0 0 0,745 0,586 0,782 1 0 0
Y7всп 0,462 0,613 0 0 0,524 0,640 1 0
(X34)
Y8цсп 0,364 0,420 0 0 0,450 0,468 0 1
(X35)

Таблица 3.62
Регрессионная матрица связей
201

X28 X29 X30 X31 X32 X33 Y7всп (X34) Y8цсп (X35)
X28 1 0,236 0 0 0 0 0 0
X29 0,375 1 0 0 0 0 0 0
X30 0 0 1 0,351 0 0 0 0
X31 0,646 0 0,422 1 0 0 0 0
X32 0 0 0,312 0 1 0,321 0 0
X33 0 0 0,255 0,414 0,218 1 0 0
Y7всп 0,538 0,387 0 0 0,476 0,360 1 0
(X34)
Y8цсп 0,646 0,580 0 0 0,550 0,532 0 1
(X35)

Таблица 3.63
Матрица безразмерных характеристик связей

X28 X29 X30 X31 X32 X33 Y7всп (X34) Y8цсп (X35)
X28 1 0,624 0 0 0 0 0 0
X29 0,518 1 0 0 0 0 0 0
X30 0 0 1 0,615 0 0 0 0
X31 0,327 0 0,543 1 0 0 0 0
X32 0 0 0,652 0 1 0,625 0 0
X33 0 0 0,708 0,551 0,740 1 0 0
Y7всп 0,440 0,584 0 0 0,507 0,610 1 0
(X34)
Y8цсп 0,364 0,420 0 0 0,410 0,428 0 1
(X35)

На основании проведенных расчетов получена математическая модель


процесса пастеризации и дезодорации сливок:
Y7 всп (X34)=0,44 X28+0,58 X29 +0,51 X32+0,61 X33 (3.84)
Y8 цсп (X35)==0,36 X28 + 0,42 X29 + 0,41 X32 + 0,43 X33 (3.85)
Адекватность полученных уравнений была проверена по таким величи-
нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9431857), критерий Стьюдента (tr=274,367>>2), значение кри-
терия Фишера расчетное больше критерия Фишера теоретического FP  FT . С
учѐтом вышеизложенного был сделан вывод об адекватности вышеприведѐн-
ных математических моделей. Часть полученных данных зависимости между
выходными параметрами и входными переменными представлены в виде
наглядных графиков для их анализа на рисунке 3.35.
f(X28, X30); X33= const f(X28, X33); X30= const
202

Рисунок 3.35. Пример полученных графиков зависимости выходного параметра


при меняющихся X28, X30 , X33 и постоянном либо X30 , либо X33.

СПММ стадии термомеханической обработке сливок


Проведенные теоретические и экспериментальные исследования (п.1.2.1)
и (п. 3.3.3) позволили спроектировать параметрическую модель процесса тер-
момеханической обработке сливок (рисунок 3.36).
Х42 Х43 Х44

X36 Y9всм (X45)

X37
X38 Y10цсм(X46)
X39
Х40 Х41
Рисунок 3.36. Параметрическая модель процесса термомеханической
обработке сливок
Таблица 3.64
Преобразованная матрица коэффициентов корреляции
X36 X37 X38 X39 X40 X41 X42 X43 X44 Y9всм Y10цсм
(X45) (X46)
X36 1 0 0 0 0 0 0 0 0 0 0
X37 0,686 1 0,428 0 0 0 0 0 0 0 0
X38 0 0 1 0,540 0 0 0 0 0 0 0
X39 0,724 0,684 0,641 1 0 0 0 0 0 0 0
X40 0 0,368 0,340 0,146 1 0 0,642 0 0 0 0
X41 0 0 0 0 0 1 0 0 0 0 0
X42 0 0 0 0 0 0 1 0 0 0 0
X43 0 0,214 0,472 0,362 0,846 0,324 0,784 1 0 0 0
X44 0 0 0 0,426 0,754 0 0 0,546 1 0 0
Y9всм 0,352 0,524 0,284 0,742 0,524 0,214 0 0,624 0,847 1 0
(X45)
203

Y10цсм 0,214 0,342 0,226 0,543 0,357 0 0 0,320 0,524 0 1


(X46)

Таблица 3.65
Регрессионная матрица связей
X36 X37 X38 X39 X40 X41 X42 X43 X44 Y9всм Y10цсм
(X45) (X46)
X36 1 0 0 0 0 0 0 0 0 0 0
X37 0,314 1 0,572 0 0 0 0 0 0 0 0
X38 0 0 1 0,460 0 0 0 0 0 0 0
X39 0,276 0,316 0,359 1 0 0 0 0 0 0 0
X40 0 0,632 0,660 0,854 1 0 0,358 0 0 0 0
X41 0 0 0 0 0 1 0 0 0 0 0
X42 0 0 0 0 0 0 1 0 0 0 0
X43 0 0,786 0,528 0,638 0,154 0,676 0,216 1 0 0 0
X44 0 0 0 0,574 0,246 0 0 0,454 1 0 0
Y9всм 0,648 0,476 0,716 0,258 0,476 0,786 0 0,376 0,153 1 0
(X45)
Y10цсм 0,786 0,658 0,774 0,458 0,643 0 0 0,680 0,476 0 1
(X46)

Таблица 3.66
Матрица безразмерных характеристик связей
X36 X37 X38 X39 X40 X41 X42 X43 X44 Y9всм Y10цсм
(X45) (X46)
X36 1 0 0 0 0 0 0 0 0 0 0
X37 0,654 1 0,392 0 0 0 0 0 0 0 0
X38 0 0 1 0,524 0 0 0 0 0 0 0
X39 0,712 0,645 0,615 1 0 0 0 0 0 0 0
X40 0 0,368 0,316 0,146 1 0 0,642 0 0 0 0
X41 0 0 0 0 0 1 0 0 0 0 0
X42 0 0 0 0 0 0 1 0 0 0 0
X43 0 0,214 0,472 0,362 0,846 0,324 0,784 1 0 0 0
X44 0 0 0 0,426 0,754 0 0 0,546 1 0 0
Y9всм 0,242 0,524 0,284 0,682 0,564 0 0 0,624 0,847 1 0
(X45)
Y10цсм 0,214 0,342 0,226 0,543 0,357 0 0 0,320 0,524 0 1
(X46)

На основании проведенных расчетов получены математические модели


показателей качества процесса подогрева молока и сепарирования сливок:
Y9 всм(X45)=0,24X36+0,52 X37+0,28 X38 +0,68 X39+0,56 X40 +0,62X43+0,85 X44 (3.86)
Y10 цсм(X46)=0,21 X36+0,34 X37+0,23 X38+0,54 X39+0,36 X40+0,32X43+0,52 X44 (3.87)
204

Адекватность полученных уравнений была проверена по таким величи-


нам, как относительная погрешность (δ=1,0384), коэффициент множественной
корреляции (R=0,9231857), критерий Стьюдента (tr=274,367>>2). Значение кри-
терия Фишера расчетное больше критерия Фишера теоретического в 10 раз,
т.е. FP  FT . С учѐтом вышеизложенного был сделан вывод об адекватности
полученных математических моделей. Таким образом, было определено влия-
ние входных параметров на вкус и цвет полученных в процессе сепарирования
сливок. Пример полученных при этом наглядных графиков для их анализа
представлены на рисунке 3.37. Подробные расчеты и все полученные графики
приведены в нашей статье [ 19 ].
f(X38, X39); X40= const f(X38, X40); X39= const

Рисунок 3.37. Графики зависимости выходного параметра Y9 всм при


меняющихся X38, X39 , X40 и постоянных либо X39 , либо X40
3.4.5. Разработка структурно – параметрических и математических
моделей основных стадий производства хлебного кваса
СПММ процесса подготовки сырья к производству кваса
Учитывая проведенные выше исследования (п.1.2.1) и (3.3.4), параметри-
ческая модель подготовки сырья к производству кваса показана на рисунке 3.38.
X4
X1

X2 Y1вс

X3 Y2цс

X5 X6

Рис. 3.38. Параметрическая модель процесса подготовки сырья к производству


205

Разработанные по описанной выше методологии на основе статистиче-


ских данных и наблюдений состояния процесса на ЗАО МПБК «ОЧАКОВО»
структурно-параметрические модели корреляционных, регрессионных и без-
размерных сопоставимых оценок параметрических связей основных участков
производства хлебного кваса показаны в таблицах 3.67 – 3.81.
Таблица 3.67
Преобразованная матрица коэффициентов корреляции.

X1 X2 X3 X4 X5 X6 X7 Y1 вс (X8) Y2 цс (X9)
X1 1 0,486 0 0 0 0 0 0 0
X2 0,534 1 0 0 0 0 0 0 0
X3 0,641 0,546 1 0 0,342 0 0 0 0
X4 0 0 0 1 0 0 0 0 0
X5 0,725 0,450 0,348 0 1 0 0 0 0
X6 0,655 0,421 0 0 0 1 0 0 0
X7 0 0 0 0 0 0 1 0 0
Y1 вс (X8) 0,422 -0,356 0,368 0,524 0,324 0,287 -0,636 1 0
Y2 цс (X9) 0,128 0,346 0,322 0 0,226 0 0 0 1

Таблица 3.68
Регрессионная матрица связей
X1 X2 X3 X4 X5 X6 X7 Y1 вс (X8) Y2 цс (X9)
X1 1 0,514 0 0 0 0 0 0 0
X2 0,466 1 0 0 0 0 0 0 0
X3 0,359 0,454 1 0 0,342 0 0 0 0
X4 0 0 0 1 0 0 0 0 0
X5 0,275 0,550 0,652 0 1 0 0 0 0
X6 0,345 0,579 0 0 0 1 0 0 0
X7 0 0 0 0 0 0 1 0 0
Y1 вз (X8) 0,578 -0,654 0,632 0,476 0,676 0,713 -0,364 1 0
Y2 цз (X9) 0,872 0,654 0,678 0 0,774 0 0 0 1
Таблица 3.69
Матрица безразмерных характеристик связей
X1 X2 X3 X4 X5 X6 X7 Y1 вс (X8) Y2 цс (X9)
X1 1 0,395 0 0 0 0 0 0 0
X2 0,518 1 0 0 0 0 0 0 0
X3 0,626 0,515 1 0 0,320 0 0 0 0
X4 0 0 0 1 0 0 0 0 0
X5 0,684 0,424 0,316 0 1 0 0 0 0
X6 0,637 0,376 0 0 0 1 0 0 0
X7 0 0 0 0 0 0 1 0 0
Y1 вс (X8) 0,422 -0,322 0,354 0,506 0,351 0,263 -0,613 1 0
206

Y2 цс (X9) 0,122 0,332 0,302 0 0,211 0 0 0 1


На основании проведенных расчетов получены математические модели
процесса подготовки сырья к производству хлебного кваса:
Y1 вс(X8)=0,42X1-0,32 X2+0,35 X3 +0,51 X4+0,35 X5 +0,26X6- 0,61 X44 (3.88)
Y2 цс(X9)=0,12 X1+0,33 X2+0,3 X3+0,21 X5 (3.89)
Была проведена адекватность полученных уравнений (δ=1,0384),
(R=0,8841857), критерий Стьюдента (tr=274,367>>2), FP  FT . С учѐтом выше-
изложенного был сделан вывод об адекватности вышеприведѐнных математи-
ческих моделей. Пример полученного при этом графика представлен на рисун-
ке 3.39. [ 14 ].

Рисунок 3.39. Пример полученных графиков зависимостей выходного


параметра от разных входных параметров
Аналогично сотавлены СПММ параметрических связей остальных вы-
деленных участков производства хлебного кваса.
СПММ процесса приготовления квасного сусла
Параметрическая модель процесса приготовления квасного сусла схема-
тично представлена на рисунке 3.40.
Х18 Х19

X10 Y3вкс (X20)

X11
X12 Y4цкс (X21)
X13
Х14 X15 X16 X17
Рисунок 3.40.Параметрическая модель процесса приготовления квасного сусла
207

Таблица 3.70
Преобразованная матрица коэффициентов корреляции.
X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 Y3вкс Y4цкс
(X20) (X21)
X10 1 0,234 0 0 0 0 0 0 0 0 0 0
X11 0,320 1 0 0 0 0 0 0 0 0 0 0
X12 0,241 0 1 0 0 0 0 0 0,896 0 0 0
X13 0,312 0 0,342 1 0,262 0,420 0,431 0 -0,688 0 0 0
X14 0 0 0 0 1 0 0 0 0 0 0 0
X15 0 0 0,216 0 0 1 0 0 0 0 0 0
X16 0 0 0,324 0,475 0,421 0,341 1 0,684 -0,784 0 0 0
X17 0 0 0 0 0 0 0 1 0 0 0 0
X18 0 0 0 0 0 0 0 0,364 1 0 0 0
X19 0 0,284 0,244 0 0 0 0 0 0 1 0 0
Y3вкс 0,352 0,263 0,364 0,371 0 0,564 0,437 0,463 0,350 0,35 1 0
(X20)
Y4цкс 0,264 0,124 0,342 0,214 0 0,340 0,242 0 0,132 0 0 1
(X21)

Таблица 3.71
Регрессионная матрица связей
X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 Y3вкс Y4цкс
(X20) (X21)
X10 1 0,766 0 0 0 0 0 0 0 0 0 0
X11 0,680 1 0 0 0 0 0 0 0 0 0 0
X12 0,759 0 1 0 0 0 0 0 0,114 0 0 0
X13 0,688 0 0,658 1 0,262 0,580 0,431 0 -0,312 0 0 0
X14 0 0 0 0 1 0 0 0 0 0 0 0
X15 0 0 0,784 0 0 1 0 0 0 0 0 0
X16 0 0 0,676 0,475 0,579 0,659 1 0,684 -0,216 0 0 0
X17 0 0 0 0 0 0 0 1 0 0 0 0
X18 0 0 0 0 0 0 0 0,636 1 0 0 0
X19 0 0,716 0,756 0 0 0 0 0 0 1 0 0
Y3вкс 0,648 0,737 0,636 0,629 0 0,436 0,563 0,537 0,650 0,65 1 0
(X20)
Y4цкс 0,736 0,876 0,638 0,786 0 0,660 0,738 0 0,868 0 0 1
(X21)

Таблица 3.72
Матрица безразмерных характеристик связей
X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 Y3вкс Y4цкс
(X20) (X21)
X10 1 0,234 0 0 0 0 0 0 0 0 0 0
X11 0,320 1 0 0 0 0 0 0 0 0 0 0
X12 0,241 0 1 0 0 0 0 0 0,873 0 0 0
X13 0,312 0 0,342 1 0,262 0,420 0,431 0 -0,655 0 0 0
X14 0 0 0 0 1 0 0 0 0 0 0 0
X15 0 0 0,216 0 0 1 0 0 0 0 0 0
208

X16 0 0 0,324 0,475 0,421 0,341 1 0,684 -0,762 0 0 0


X17 0 0 0 0 0 0 0 1 0 0 0 0
X18 0 0 0 0 0 0 0 0,364 1 0 0 0
X19 0 0,284 0,244 0 0 0 0 0 0 1 0 0
Y3вкс 0,352 0,263 0,364 0,371 0 0,564 0,437 0,463 0,350 0,35 1 0
(X20)
Y4цкс 0,264 0,124 0,342 0,214 0 0,340 0,242 0 0,132 0 0 1
(X21)
На основании проведенных расчетов получена математическая модель
процесса приготовления квасного сусла:
Y3 вкс(X20)=0,35X10+0,26 X11+0,36 X12 +0,36 X13+0,56 X15 +0,44X16+0,46 X17
+0,35X18+0,35 X19 (3.90)
Y4 цсм(X21)=0,26 X10+0,12 X11+0,34 X12+0,34 X15+0,24 X16+0,13X18 (3.91)
Была проверена адекватность полученных уравнений (δ=1,0384),
(R=0,8741857), критерий Стьюдента (tr=274,367>>2), критерий Фишера FP  FT
. Был сделан вывод об адекватности полученных математических моделей.
Часть полученных данных представлены в виде наглядных графиков для их
анализа на рисунке 3.41.
f(X10, X12); X13= const f(X10, X13); X12= const

Рисунок 3.41 Пример полученных графиков зависимости выходного параметра


Y3 вкс при меняющихся X10, X12 , X13 и постоянном либо X12 , либо X13.

СПММ процесса брожения квасного сусла


Проведенные теоретические и экспериментальные исследования (п.1.2.1)
и (п. 3.3.4) позволили спроектировать параметрическую модель процесса бро-
жения квасного сусла (рисунок 3.42).
209

Х30

X22 Y5вксб (X31)

X23
X24 Y6цксб (X32)
X25
X26 X27 X28 X29

Рисунок 3.42. Параметрическая модель процесса брожения квасного сусла


Таблица 3.73
Преобразованная матрица коэффициентов корреляции
X22 X23 X24 X25 X26 X27 X28 X29 X30 Y5вксб Y6цксб
(X31) (X32)
X22 1 0 0 0 0 0 0 0 0 0 0
X23 0 1 0 0 0 0 0 0 0 0 0
X24 0 0 1 0,252 0 0 0 0 0 0 0
X25 0 0 0 1 0 0 0 0 0 0 0
X26 0 0 0 0 1 0 0 0 0 0 0
X27 0 0,230 0,366 0,341 0 1 0,312 0,451 0,520 0 0
X28 0 0 0 0 0 0 1 0 0 0 0
X29 0,523 0,644 0,420 0,268 0 0,678 -0,642 1 0,643 0 0
X30 0,126 0,252 0,214 0 0 0,432 0,855 0 1 0 0
Y5вксб 0,531 0 -0,484 -0,276 0 0,562 0,433 0,744 0,514 1 0
(X31)
Y6цксб 0,348 0 0 0 0,542 0,322 0 0,562 0,341 0 1
(X32)
Таблица 3.74
Регрессионная матрица связей
X22 X23 X24 X25 X26 X27 X28 X29 X30 Y5вксб Y6цксб
(X31) (X32)
X22 1 0 0 0 0 0 0 0 0 0 0
X23 0 1 0 0 0 0 0 0 0 0 0
X24 0 0 1 0,748 0 0 0 0 0 0 0
X25 0 0 0 1 0 0 0 0 0 0 0
X26 0 0 0 0 1 0 0 0 0 0 0
X27 0 0,770 0,634 0,659 0 1 0,688 0,549 0,480 0 0
X28 0 0 0 0 0 0 1 0 0 0 0
X29 0,477 0,356 0,580 0,732 0 0,322 -0,358 1 0,357 0 0
X30 0,874 0,748 0,786 0 0 0,568 0,145 0 1 0 0

Y5вксб 0,469 0 -0,516 -0,724 0 0,438 0,567 0,256 0,486 1 0


(X31)
Y6цксб 0,652 0 0 0 0,458 0,678 0 0,438 0,659 0 1
210

(X32)

Таблица 3.75
Матрица безразмерных характеристик связей
X22 X23 X24 X25 X26 X27 X28 X29 X30 Y5вксб Y6цксб
(X31) (X32)
X22 1 0 0 0 0 0 0 0 0 0 0
X23 0 1 0 0 0 0 0 0 0 0 0
X24 0 0 1 0,231 0 0 0 0 0 0 0
X25 0 0 0 1 0 0 0 0 0 0 0
X26 0 0 0 0 1 0 0 0 0 0 0
X27 0 0,210 0,346 0,326 0 1 0,282 0,425 0,505 0 0
X28 0 0 0 0 0 0 1 0 0 0 0
X29 0,515 0,622 0,420 0,256 0 0,665 -0,622 1 0,623 0 0
X30 0,106 0,222 0,197 0 0 0,414 0,824 0 1 0 0
Y5вксб 0,522 0 -0,472 -0,261 0 0,562 0,433 0,744 0,514 1 0
(X31)
Y6цксб 0,326 0 0 0 0,534 0,312 0 0,543 0,324 0 1
(X32)

На основании проведенных расчетов получены математические модели


показателей качества процесса брожения квасного сусла:
Y5 вксб(X31)=0,52X22 - 0,47 X24 -0,26 X25+0,56 X27+0,43 X28+0,74 X29 +0,51 X30 (3.92)
Y6 цксб (X32)=0,33 X22+0,53 X26 +0,31 X27 +0,54 X29+0,32 X30 (3.93)
Была проверена адекватность полученных уравнений по относительной
погрешности (δ=1,0384), (R=0,9221857), критерию Стьюдента (tr=274,367>>2),
критерию Фишера FP  FT и сделан вывод об адекватности вышеприведѐнной
математической модели. Пример полученного при этом наглядного графика
представлен на рисунке 3.43. Подробные расчеты и все полученные графики
приведены в нашей статье [ 19 ].
f(X22, X25); X29= const

Рисунок 3.43. График зависимости выходного параметра Y5 вксб при


меняющихся X22, X25 и постоянном X29
СПММ процесса осветления кваса
211

Параметрическая модель процесса осветления кваса схематично пред-


ставлена на рисунке 3.44.
Х36 Х37 Х38

X33 Y7вко (X39)


X34 Y8цко (X40)
X35
Рисунок 3.44.Параметрическая модель процесса осветления кваса
Таблица 3.76
Преобразованная матрица коэффициентов корреляции.
X X34 X35 X36 X37 X38 Y7вко Y8цко
33 (X39) (X40)
X33 1 0,464 0 0 0 0 0 0
X34 0 1 0 0 0 0 0 0
X35 0 0,322 1 0,214 0,234 0 0 0
X36 0 0 0 1 0 0 0 0
X37 0 0,432 0,421 0,450 1 0 0 0
X38 0,672 0 0 0 0 1 0 0
Y7вко 0,544 0,524 0 0 0,452 0,472 1 0
(X39)
Y8цко 0,422 0 0 0 0,341 0,724 0 1
(X40)

Таблица 3.77
Регрессионная матрица связей
X33 X34 X35 X36 X37 X38 Y7вко Y8цко
(X39) (X40)
X33 1 0,536 0 0 0 0 0 0
X34 0 1 0 0 0 0 0 0
X35 0 0,678 1 0,786 0,766 0 0 0
X36 0 0 0 1 0 0 0 0
X37 0 0,568 0,579 0,550 1 0 0 0
X38 0,328 0 0 0 0 1 0 0
Y7вко (X39) 0,456 0,476 0 0 0,548 0,528 1 0
Y8цко (X40) 0,578 0 0 0 0,659 0,276 0 1

Таблица 3.78
Матрица безразмерных характеристик связей

X33 X34 X35 X36 X37 X38 Y7вко Y8цко


(X39) (X40)
X33 1 0,432 0 0 0 0 0 0
X34 0 1 0 0 0 0 0 0
212

X35 0 0,305 1 0,187 0,215 0 0 0


X36 0 0 0 1 0 0 0 0
X37 0 0,416 0,406 0,428 1 0 0 0
X38 0,645 0 0 0 0 1 0 0
Y7вко (X39) 0,521 0,504 0 0 0,426 0,442 1 0
Y8цко (X40) 0,416 0 0 0 0,323 0,702 0 1

На основании проведенных расчетов получена математическая модель


процесса осветления кваса:
Y7 вко (X39)=0,52X33+0,5 X34+0,43 X37 +0,44 X38 (3.94)
Y8 цко(X40)=0,42 X33 + 0,32 X37 + 0,7 X38 (3.95)
Была проверена адекватность полученных уравнений: (δ=1,0384),
(R=0,8671857), (tr=274,367>>2), критерию Фишера. Был сделан вывод об адек-
ватности вышеприведѐнной математической модели. Часть полученных данных
представлена в виде наглядного графика для их анализа на рисунке 3.45.

Рисунок 3.45. Пример полученного графика зависимости выходного параметра


Y7 вко при меняющихся X33, X34 и постоянном X38 .
СПММ процесса дображивания и охлаждения кваса
Проведенные теоретические и экспериментальные исследования (п.1.2.1)
и (п. 3.3.4) позволили спроектировать параметрическую модель процесса доб-
раживания и охлаждения кваса (рисунок 3.46).
Х44 Х45 Х46

X41 Y9вкд (X51)

X42 Y10цкд (X52)


X43
Х47 Х48 Х49 Х50
Рисунок 3.46. Параметрическая модель процесса дображивания и
охлаждения кваса
Таблица 3.79
213

Преобразованная матрица коэффициентов корреляции


X41 X42 X43 X44 X45 X46 X47 X48 X49 X50 Y9вкд Y10цкд
(X51) (X52)
X41 1 0 0 0 0 0 0 0 0 0 0 0
X42 0 1 0 0 0 0 0 0 0 0 0 0
X43 0,586 0,475 1 0 0 0 0 0 0 0 0 0
X44 0 0 0,754 1 0 0 0 0 0 0 0 0
X45 0 0,521 0,576 0,762 1 0 0 0 0 0 0 0
X46 0 0 0,473 0,241 0, 261 1 0 0 0 0 0 0
X47 0,354 0 0,534 0 0 0 1 0 0 0 0 0
X48 0 0 0 0, 562 0 0, 763 0 1 0 0 0 0
X49 0 0 0 0 0 0, 874 0 0,122 1 0 0 0
X50 0,453 0 0,652 0,426 0,364 0,314 0,624 0,451 0,24 1 0 0
Y9вкд 0,266 0 0,524 0,342 0,631 0 0,647 0,583 0 0,581 1 0
(X51)
Y10цкд 0 0 0,420 0 0,231 0 0 0 0 0,362 0 1
(X52)

Таблица 3.80
Регрессионная матрица связей
X41 X42 X43 X44 X45 X46 X47 X48 X49 X50 Y9вкд Y10цкд
(X51) (X52)
X41 1 0 0 0 0 0 0 0 0 0 0 0
X42 0 1 0 0 0 0 0 0 0 0 0 0
X43 0,414 0,525 1 0 0 0 0 0 0 0 0 0
X44 0 0 0,246 1 0 0 0 0 0 0 0 0
X45 0 0,479 0,424 0,238 1 0 0 0 0 0 0 0
X46 0 0 0,527 0,759 0, 739 1 0 0 0 0 0 0
X47 0,646 0 0,466 0 0 0 1 0 0 0 0 0
X48 0 0 0 0, 438 0 0, 237 0 1 0 0 0 0
X49 0 0 0 0 0 0, 126 0 0,878 1 0 0 0
X50 0,547 0 0,348 0,574 0,636 0,686 0,376 0,549 0,76 1 0 0
Y9вкд 0,734 0 0,476 0,658 0,369 0 0,353 0,417 0 0,419 1 0
(X51)
Y10цкд 0 0 0,580 0 0,769 0 0 0 0 0,638 0 1
(X52)

Таблица 3.81
Матрица безразмерных характеристик связей
X41 X42 X43 X44 X45 X46 X47 X48 X49 X50 Y9вкд Y10цкд
(X51) (X52)
X41 1 0 0 0 0 0 0 0 0 0 0 0
X42 0 1 0 0 0 0 0 0 0 0 0 0
X43 0,563 0,452 1 0 0 0 0 0 0 0 0 0
X44 0 0 0,721 1 0 0 0 0 0 0 0 0
X45 0 0,497 0,554 0,741 1 0 0 0 0 0 0 0
X46 0 0 0,452 0,220 0, 241 1 0 0 0 0 0 0
X47 0,332 0 0,511 0 0 0 1 0 0 0 0 0
214

X48 0 0 0 0, 543 0 0, 733 0 1 0 0 0 0


X49 0 0 0 0 0 0, 852 0 0,102 1 0 0 0
X50 0,421 0 0,633 0,412 0,342 0,284 0,612 0,431 0,221 1 0 0
Y9вкдо 0,244 0 0,514 0,322 0,611 0 0,625 0,561 0 0,572 1 0
(X51)
Y10цкдо 0 0 0,414 0 0,211 0 0 0 0 0,342 0 1
(X52)

На основании проведенных расчетов получены математические модели


показателей качества кваса в процессе его дображивания и охлаждения:
Y9 вкдо(X51)=0,24X40 +0,51 X42+0,32 X43+0,61 X44+0,63X46+0,56 X47 +0,57X49 (3.96)
Y10 цкдо (X52)=0,41 X42+0,21 X44 +0,34 X49 (3.97)
Была проверена адекватность полученных уравнений по относительной
погрешности (δ=1,0384), коэффициенту множественной корреляции
(R=0,7981857), критерию Стьюдента (tr=274,367>>2) и критерию Фишера
FP  FT . С учѐтом вышеизложенного был сделан вывод об адекватности выше-
приведѐнных математических моделей. Пример полученного при этом графика
для их анализа представлен на рисунке 3.47. Подробные расчеты и все полу-
ченные графики приведены в нашей статье [ 17 ].
f(X42, X44); X49= const
W
16
12
8
4
0 nм
0, 0, 1,0
0, 0, 1,
tв 0,2 0,4 0,6
Рисунок 3.47. График зависимости выходного параметра Y9 вкдо при
меняющихся X42, X44 и постоянном X49

3.5. Ситуационное моделирование ТП производства пищевой продукции


Проведенные исследования и структурно- параметрический анализ ТП
производства пищевой продукции (раздел 3.3, п.п. 3.3.1 - 3.3.4), а также
разработка на основе экспериментальных данных структурно – параметри-
ческих и математических моделей основных стадий производства пищевой
продукции (раздел 3.4, п.п. 3.4.2 – 3.4.5) позволили получить ситуационные
модели всех стадий ТП производства пищевой продукции с указанием нали-
чия связи между исследуемыми показателями качества в текущей ситуации.
215

Ситуационная матричная модель дает возможность проследить причино-


следственные влияния параметров друг на друга и на показатели качества
продукта [81-83].
На основе структурно-параметрических матриц сопоставимых взаимосвя-
зей Ci,j , где i,j=1,n , и вектора контролируемых отклонений показателей состо-
яния xi формируется ситуационная модель [81] технологического процесса
(ситуационная матрица):
x1 , c12x2 , ..., c1n xn
c21x1 , x2 , ..., c2 n xn
..., ..., ..., ... (3.61)
cn1x1 , cn 2 x2 , ..., x4

x i  x i0
где x i  – вектор текущих относительных отклонений;
x i0

xi, xj0 – фактическое и эталонное значение i-го параметра;


xi0 – предельно допустимое отклонение от нормы.
Предлагаемая процедура диагноза сводится к нахождению причин, по-
влекших за собой отклонение состояния технологической системы от нормаль-
ного состояния, путем анализа и сравнения элементов строк ситуационной
матрицы с выбором максимального элемента. Алгоритм прогнозирования за-
ключается в определении аномального состояния системы при изменении како-
го-либо параметра или группы параметров процесса.
3.5.1. Ситуационное моделирование ТП производства ПГК
Полученные данные экспериментального исследования ТП производства
ПГК (3 глава, раздел 3.4, п. 3.4.2) были сравнены с данными, полученными в
результате опроса экспертов (п.3.3.1). В таблице 3.82 представлена разрабо-
танная обобщенная матрица функциональных связей показателей качества
ПГК в форме квадратной матрицы взаимосвязей (ситуационная модель ТП
производства ПГК), где числовые значения, записанные обычным курсивом
216

показывают характер связей (подчеркнутым показывают нахождение новых


связей, а символ () означает опровержение оценок эксперта).
Таблица 3.82
Структурно-параметрическая матрица функциональных связей
показателей качества ПГК на основных стадиях ТП

Элементы главной диагонали матрицы (таблицы 3.6 – 3.11, 3.25 – 3.42 и


итоговая таблица 3.82) отображают текущее отклонение наблюдаемых факто-
ров от заданных значений, а недиагональные – составляющие их отклонения с
упорядочиванием по строкам всех причин отклонения, а по столбцам возмож-
ные следственные влияния на другие параметры. Полученная СП матричная
модель производства ПГК дает возможность проследить причинно -
следственное влияние параметров друг на друга и на показатели качества
продукта с формализацией алгоритмов диагностики и прогнозирования состоя-
ний ТП, а также качества готовой продукции и полуфабрикатов на каждой ста-
дии ТП производства ПГК.
3.5.2. Ситуационное моделирование ТП производства муки
217

Полученные данные экспериментального исследования ТП производства


муки (3 глава, раздел 3.4, п. 3.4.3) были сравнены с данными, полученными в
результате опроса экспертов (п.3.3.2). В таблице 3.83 представлена разрабо-
танная обобщенная СП матрица функциональных связей показателей качества
муки в форме матрицы взаимосвязей (ситуационная модель ТП производства
муки). Подчеркнутым показывают нахождение новых связей, а символ ()
означает опровержение оценок эксперта.
Таблица 3.83
Структурно-параметрическая матрица функциональных связей
показателей качества муки на основных стадиях ТП
Основные стадии ТП произ- Подготовка сырья Зерноочистка Размол зерна в
водства муки к производству муку
Выходные Y1 пвз Y2 цз Y3 взо Y4 цзо Y5 врз Y6 црз
параметры (X8) (X9) (X18) (X19) (X29) (X30)
1. Подготов- Y1пвз (X8) 1
ка сырья к вкус зерна
производству Y2 цз (X9) 1
цвет зерна
Y3 взо (X18)
П. вкус зерна по- 1
сле ЗО
Зерноочистка Y4 цзо (X19)
(ЗО) цвет зерна 1
после ЗО
Ш. Y5врз (X29)
Размол зерна вкус муки 1
в муку после размо-
ла
Y6црз (X30) цвет
муки после 1
размола
Элементы главной диагонали матрицы (таблицы 3.12- 3.14, 3.43 – 3.51 и
итоговая таблица 3.83) отображают текущее отклонение наблюдаемых факто-
ров от заданных значений, а недиагональные – составляющие их отклонения с
упорядочиванием по строкам всех причин отклонения, а по столбцам возмож-
ные следственные влияния на другие параметры.
Структурно-параметрическая матричная модель ТП производства муки
дает возможность проследить причинно - следственные влияния параметров
друг на друга и на показатели качества продукта с формализацией алгоритмов
218

диагностики и прогнозирования состояний ТП и качества готовой продукции,


полуфабрикатов и сырья на каждой стадии ТП производства муки.
3.5.3. Ситуационное моделирование ТП производства масла
Полученные данные экспериментального исследования ТП производства
сливочного масла (3 глава, раздел 3.4, п. 3.4.4) были сравнены с данными, по-
лученными в результате опроса экспертов (п.3.3.3). В таблице 3.84 представ-
лена разработанная обобщенная матрица функциональных связей показателей
качества сливочного масла в форме квадратной матрицы взаимосвязей (ситуа-
ционная модель ТП производства сливочного масла).
Таблица 3.84
Структурно-параметрическая матрица функциональных связей
показателей качества сливочного масла на основных стадиях ТП
Основные стадии ТП про- 1 П Ш 1У У
изводства сливочного масла
Выходные Y1 вм Y2 цм Y3 вмо Y4 цмо Y5 врз Y6 црз Y7 всп Y8 цсп Y9 всм Y10 цсм
параметры (X7) (X8) (X17) (X18) (X26) (X27) (X29) (X30) (X29) (X30)
1. Приемка и Y1 вм (X7) 1
подготовка вкус молока
молока к Y2 цм (X8) 1
производству цвет молока
Y3 вмо (X17)
П вкус молока 1
после очист-
Очистка мо- ки и охла-
лока, его ждения
охлаждение и Y4 цмо (X18)
резервирова- цвет молока 1
ние после очист-
ки и охла-
ждения
Ш. Подогрев Y5вс (X26)
молока и се- вкус сливок 1
парирование Y6црз (X27)
сливок цвет сливок 1
1У Y7всп (X34)
Пастеризация вкус сливок 1
и дезодорация после пасте-
сливок ризации
219

Y8цсп (X35)
цвет сливок 1
после пасте-
ризации
У Y9всм (X45)
Термомеха- вкус сливоч- 1
ническая ного масла
обработке Y10цсм (X46)
сливок цвет сливоч- 1
ного масла

Элементы главной диагонали матрицы (таблицы 3.15 – 3.19, 3.52 – 3.66 и


итоговая таблица 3.84) отображают текущее отклонение наблюдаемых факто-
ров от заданных значений, а недиагональные – составляющие их отклонения с
упорядочиванием по строкам всех причин отклонения, а по столбцам возмож-
ные следственные влияния на другие параметры.
Структурно-параметрическая матричная модель дает возможность
проследить причинно - следственные влияния параметров друг на друга и на
показатели качества продукта с возможностью прогнозирования состояний ТП
и качества готовой продукции, полуфабрикатов и сырья на каждой стадии ТП
производства сливочного масла.
3.5.4. Ситуационное моделирование ТП производства хлебного кваса

Полученные данные экспериментального исследования ТП производства


хлебного кваса (3 глава, раздел 3.4, п. 3.4.5) были сравнены с данными, полу-
ченными в результате опроса экспертов (п.3.3.4). В таблице 3.85 представлена
разработанная обобщенная структурно-параметрическая матрица функцио-
нальных связей показателей качества хлебного кваса в форме квадратной мат-
рицы взаимосвязей (ситуационная модель ТП производства хлебного кваса).
Таблица 3.85
Структурно-параметрическая матрица функциональных связей
показателей качества хлебного кваса на основных стадиях ТП
Основные стадии ТП про- 1 П Ш 1У У
изводства хлебного кваса
Выходные Y1 вс Y2 цс Y3 вкс Y4 цкс Y5 вксб Y6 цксб Y7 вко Y8 цко Y9 вкд Y10 цкд
220

параметры (X8) (X9) (X20) (X21) (X31) (X32) (X39) (X40) (X50) (X51)
1. Подготовка Y1 вс (X8) 1
сырья к про- вкус солода
изводству Y2 цс (X9) 1
кваса цвет солода
Y3 вкс (X20)
П вкус квасно- 1
Приготовле- го сусла
ния квасного Y4 цкс (X21)
сусла цвет квасно- 1
го сусла
Ш. Y5вксб (X31)
Брожение вкус квасно- 1
квасного го сусла по-
сусла сле брожения
Y6цксб (X32)
цвет квасно- 1
го сусла по-
сле брожения
1У Y7вко (X39)
Осветление вкус кваса 1
кваса после освет-
ления
Y8цко (X40)
цвет кваса 1
после освет-
ления
У Y9вкд (X50)
Дображива- вкус кваса 1
ние и охла- после Д и О
ждение кваса Y10цкд (X51)
(Д и О) цвет кваса 1
после Д и О

Элементы главной диагонали матрицы (таблицы 3.20 – 3.24, 3.67 – 3.81 и


итоговая таблица 3.85) отображают текущее отклонение наблюдаемых факто-
ров от заданных значений, а недиагональные – составляющие их отклонения с
упорядочиванием по строкам всех причин отклонения, а по столбцам возмож-
ные следственные влияния на другие параметры.
Полученная ситуационная модель дает возможность проследить
причинно - следственные влияния параметров друг на друга и на показатели
качества кваса с прогнозированием состояний ТП и качества готовой продук-
ции, полуфабрикатов и сырья на каждой стадии производства хлебного кваса.
221

Разработанные модели и алгоритмы показали свою эффективность и


обоснованность, что позволяет перейти к разработке функциональных схем ав-
томатизации и управления исследуемыми ТП производства пищевой продук-
ции с использованием интеллектуальных технологий и на их основе к ИЭС.

3.6. Выводы по 3 главе

1. Разработана методика выбора количественного и качественного соста-


ва экспертов, а также принцип формирования рабочей группы экспертов для
проведение тестового опроса.
2. Проанализированы особенности ТП производства пищевой продукции,
характеризующихся нестационарностью параметров поступающего сырья, и
предложен адаптивный подход к идентификации этих ТП с марковскими пара-
метрами, основанный на применении локальной идентификации в задачах сто-
хастического управления. Проведена оценка диапазонов изменения входных
значений для обеспечения стабилизации выходного показателя качества в за-
данном диапазоне.
3. На базе кондитерского предприятия «Рот Фронт» проведены экспери-
ментальные исследования основных этапов ТП производства ПГК, позволив-
шие выявить основные параметры, влияющие на ход исследуемых технологи-
ческих процессов производства и качество ПГК, а также осуществить выбор
параметров, оказывающих наибольшее влияние на качество готовых помадных
конфет.
4. На базе ОАО «Мелькомбинат в Сокольниках» проведены эксперимен-
тальные исследования производства муки, позволившие выявить основные па-
раметры, влияющие на ход исследуемых технологических процессов производ-
ства муки и получаемого качества, а также осуществить выбор параметров,
оказывающих наибольшее влияние на качество готовой муки.
5. На базе ОАО «Молочный комбинат Воронежский» проведены экспе-
риментальные исследования ТП производства сливочного масла, позволившие
выявить основные входные параметры, влияющие на ход исследуемых техно-
222

логических процессов производства сливочного масла и получаемого качества,


а также осуществить выбор параметров, оказывающих наибольшее влияние на
качество готовой продукции.
6. На базе ЗАО Московского пивобезалкогольного комбината (МПБК)
«ОЧАКОВО» проведены экспериментальные исследования производства хлеб-
ного кваса, позволившие выявить основные параметры, влияющие на ход ис-
следуемых технологических процессов производства хлебного кваса и получа-
емого качества, а также осуществить выбор параметров, оказывающих
наибольшее влияние на качество готовой продукции.
7. Выполнен структурно-параметрический анализ ТП производства пи-
щевой продукции различного агрегатного состояния: помадных глазированных
конфет, муки, сливочного масла и хлебного кваса.
8. На базе разработанной методологии получены структурно – парамет-
рические и математические модели основных этапов ТП производства пищевой
продукции различного агрегатного состояния: помадных глазированных кон-
фет, муки, сливочного масла и хлебного кваса.
9. Разработаны ситуационные модели ТП производства пищевой про-
дукции различного агрегатного состояния: помадных глазированных конфет,
муки, сливочного масла и хлебного кваса.
10. Определены и обоснованы основные параметры (режимные и техно-
логические), оказывающие наибольшее влияние на ТП исследуемых производ-
ства пищевой продукции. Разработанные в данной главе модели являются ос-
новой создания интегрированной экспертной системы контроля и прогнозиро-
вания качества пищевой продукции.
223

ГЛАВА 4. АВТОМАТИЗАЦИЯ КОНТРОЛЯ ОРГАНОЛЕПТИЧЕСКИХ


ПОКАЗАТЕЛЕЙ КАЧЕСТВА ПИЩЕВОЙ ПРОДУКЦИИ

Проведенный в 1 – Ш главах анализ ТП производства пищевой


продукции различного агрегатного состояния как объектов автоматизации,
характеристика стадий и материальных потоков этих производств, анализ
влияния схем формирования исследуемых процессов, а также состояния сырья
на качество получаемых пищевых изделий показал, что эти исследования охва-
тывают важные процессы пищевых производств и составляют их значимую ос-
нову. Поэтому полученные результаты будут обладать общностью и могут быть
использованы при решении аналогичных задач на другие отрасли пищевой
промышленности.
В настоящем исследовании были рассмотрены существующие в настоя-
щее время в соответствии с ГОСТом основные контролируемые показатели ка-
чества сырья, полуфабрикатов и готовой пищевой продукции. Было показано,
что за последние годы предложены новые и усовершенствованы имеющиеся
технические средства для реализации традиционных технологических операций
при производстве различных пищевых изделий. Показано, что на предприятиях
внедряются современные машины и аппараты, новые линии, использование ко-
торых пoзвoляет осуществлять лишь локальную автоматизацию. Основным
тормозом дальнейшего развития пищевых производств является отсутствие
возможности автоматического контроля в потоке основных показателей каче-
ства пищевой продукции.
Анализ контролируемых показателей качества на всех этапах производ-
ства различных видов пищевой продукции показал, что наибольшую роль при
оценке качества играют органолептические показатели (вкус, цвет, форма,
внешний вид, размер, запах и др.). Оценку этих свойств осуществляют в насто-
ящее время эксперты органолептическим путем в лабораториях. В 1 главе бы-
ли рассмотрены применяемые в настоящее время различные методы органолеп-
224

тического контроля показателей качества пищевой продукции и имеющиеся


при этом сложности и недостатки этого контроля.
Из контролируемых в настоящее время в обязательном порядке
органолептических показателей качества сырья, полуфабрикатов и готовой
пищевой продукции нами для дальнейшего углубленного исследовния с
использованием метода лидера к матрице смежности (глава 1, п. 1.2.4) были
выбраны два основных, наиболее важных и значимых для контроля и
управления процессами производства пищевой продукции органолептических
показателя: вкус и цвет.
Данные органолептические показатели имеют огромное влияние на
уровень общего качества производимой пищевой продукции и являются
наиболее сложными для реализации их непрерывного контроля в режиме
реального времени. Кроме того, именно вкус и цвет играют решающую роль
при формировании спроса населения на готовую пищевую продукцию, тогда
как пищевая ценность и химический состав большинством потребителей при-
нимаются во внимание лишь во вторую очередь.
4.1. Методология создания модуля (программного комплекса)
автоматического контроля вкуса пищевых масс с использованием НСТ
(на примере линии производства ПГК)
Одним из важнейших этапов создания экспертной системы автоматиче-
ского контроля и прогнозирования качества пищевой продукции является авто-
матизация контроля в потоке вкуса пищевых масс с использованием нейросе-
тевых технологий (НСТ). Методология создания такой системы рассмотрена на
примере линии производства помадных глазированных конфет (ПГК).

4.1.1 Автоматизация контроля величины вкуса конфетных масс


Наиболее перспективный способ решения данной проблемы связан с
построением и интеграцией в разрабатываемую ИЭС виртуального датчика,
осуществляющего автоматический расчет искомого органолептиеского
показателя на основе функционально связанных с ним контролируемых
225

параметров ТП.
Процесс производства ПГК представляет собой сложную систему
множества взаимодействующих факторов, корреляцию непрерывной
функциональной связи между которыми зачастую в режиме реального времени
нельзя адекватно оценить на всех стадиях производства с достаточной
точностью в усредненных статистических оценках. Поэтому при
слабоформализованных связях контролируемых параметров хода процесса
производства с показателями вкуса выпускаемой пищевой продукции создание
виртуального датчика контроля вкуса возможно на основе использования
искусственной нейронной сети (ИНС).
Работа нейронной сети (НС) заключается в преобразовании входных
величин в выходную посредством вычисления заданных функций активации и
подстройки весовых коэффициентов. Формирование значений весовых
коэффициентов происходит благодаря адаптации НС под конкретную задачу.
Этот процесс называется обучением. Обучение может осуществляться
различными способами в зависимости от используемой структуры НС.
Применение метода основанного на работе нейросетевой модели (НСМ)
позволяет работать с наборами входных параметров любого уровня декомпози-
ции и учитывать влияние каждого параметра на итоговую оценку величины
вкуса конфетных масс с помощью значений весовых коэффициентов.
Полученные значения сравниваются с контрольными показателями путем
статистической обработки данных, в результате чего рассчитывается отклоне-
ние вкуса (величины кристаллов сахара в конфетных массах) от эталонного и
выдается результат о соответствии вкуса конфетных масс для выполнения
дальнейших операций по производству помадных глазированных конфет.
Достоинства нейросетевых методов: появляется возможность отказаться
от дорогостоящих и сложных приборов; существенно сокращается продолжи-
тельность измерений, уменьшаются временные затраты на регистрацию и на
этапы подготовки и обработки измерений; повышается объективность исследо-
226

ваний; возможность измерения показателя в режиме реального времени, в по-


токе [ 10, 17].
При разработке виртуального датчика автоматического контроля вкуса -
величины кристаллов сахара в конфетных массах были использованы получен-
ные структурно - параметрические модели зависимости величины кристаллов
сахара от входных параметров на всех этапах производства ПК (Ш глава п.3.2. -
– 3.3) . Однако, для решения этой задачи также необходимо дополнить разрабо-
танные модели зависимостями, которые могли бы по косвенным параметрам
процесса приготовления ПГК рассчитывать значение величины кристаллов са-
хара в конфетных массах в каждый момент времени с заданной дискретностью.
Для получения количественной величины кристаллов сахара в конфетных мас-
сах необходимо рассчитать значения влияния каждого из наиболее информа-
тивных параметров, участвующих в процессе приготовления ПГК.
4.1.2. Математическая постановка задачи контроля вкуса пищевых масс
(на примере контроля величины кристаллов сахара в конфетных массах).
Основные этапы ее решения.
Общая параметрическая модель системы автоматического контроля вели-
чины кристаллов сахара в конфетных массах представлена на рисунке 4.1.

Рисунок 4.1 Параметрическая модель системы автоматического контроля


величины кристаллов сахара в конфетных массах
Математическую постановку задачи определения величины кристаллов
сахара в конфетных массах Sк можно сформулировать следующим образом:
Sк = (̅ ̅ ) (4.1)
где – (automation measurement) входной вектор, характеризующий
параметры ТП, полученные в результате автоматических измерений,
227

производимых существующей на производстве АСУ;


̅ – (laboratory measurement) входной вектор, характеризующий исход-
ные показатели качества сырья и полуфабрикатов, которые определялись в
процессе входного контроля и получены в результате лабораторного контроля.
Для данного ТП приготовления конфетных масс возможно использовать
два управляющих воздействия – изменение конечной температуры уварива-
ния конфетной массы и изменение времени уваривания. Однако изменение ко-
нечной температуры уваривания не может обеспечить регулирование парамет-
ра величины кристаллов сахара в конфетных массах с требуемой точностью,
тогда как продление, или наоборот, сокращение продолжительности уварива-
ния может обеспечить качественное регулирование протекания процесса.
Таким образом, основной задачей системы регулирования будет расчет
такого времени процесса уваривания, которое не выходило бы за рамки, обо-
значенные оператором как нижний и верхний пределы продолжительности. На
остальные параметры протекания процесса действуют ограничения, преду-
смотренные технологической инструкцией.
При постановке задачи в виде формулы (4.1) на модель ложится проблема
определения единственного параметра технологического процесса: вкуса (для
данного производства: величины кристаллов сахара). Основой для определения
искомого показателя служат разнообразные статистические данные о ходе ТП
и органолептические параметры сырья и полуфабрикатов, корреляция которых
с определяемым параметром выражена не явно. Таким образом, в случае ис-
пользования для построения модели аппарата ИНС, задача нейронной сети в
данной системе сводится к задаче прогнозирования результата.
При правильном формировании обучающей выборки, значения парамет-
ров которой будут охватывать весь допустимый диапазон изменения их значе-
ний, задача прогнозирования искомого показателя представляет собой задачу
интерполяции результатов. Это означает, что данный виртуальный датчик бу-
дет стабильно работать с заданной погрешностью в данном диапазоне значений
228

технологических параметров. Таким образом, нейросетевая модель, обученная


по выборке, в которой проводилось соответствие величины кристаллов сахара в
конфетных массах и характерных для данного значения параметров ТП, имеет
вид:
̅ (̅ ̅ ) .
И производит интерполяцию значения величины кристаллов сахара в
конфетных массах, основываясь на имеющихся данных о процессе:
̅ (̅ ̅ )

Решение задачи построения виртуального датчика автоматического кон-


троля величины кристаллов сахара в конфетных массах на основе НСТ и инте-
грации его в ИЭС контроля качества пищевой продукции в общем случае со-
стоит из 3 основных этапов, представленных на рисунке 4.2:
 Анализ существующей на предприятии АСУ ТП и выявление парамет-
ров, характеризующих ход ТП производства ПГК.
 Разработка нейросетевой модели.
 Техническое решение, которое заключается в практической реализации
виртуального датчика на доступных средствах автоматизации и интергации
его в ИЭСКК ПП в существующую на предприятии АСУТП.
При производстве ПГК сырье, полуфабрикаты и готовые изделия кон-
тролируются по качеству на всех стадиях процесса, как автоматически, так и
лабораторно (главы 1 и 3). Для реализации задачи автоматического контроля
величины кристаллов сахара в конфетных массах необходимы БД параметров:
, полученных в результате автоматических измерений, производимых су-
ществующей на производстве АСУ; а также ̅ , характеризующих исходные
показатели качества сырья и полуфабрикатов, определяемые в процессе вход-
ного контроля и полученные в результате лабораторных измерений.
229

Рисунок 4.2. Этапы построения виртуального датчика автоматического


контроля величины кристаллов сахара в конфетных массах на основе НСТ
В 1 главе в таблице 1.8 приведены контролируемые технологические па-
раметры , характеризующие состояние процесса производства ПГК, изме-
ряемые автоматически. Параметры ̅ , характеризующие исходные показатели
качества сырья и полуфабрикатов, определяемые в процессе входного кон-
троля и полученные в результате анализов в лабораториях предприятия , пред-
ставлены в таблицах 1.1 - 1.3.

4.1.3. Нейросетевая модель виртуального датчика контроля величины


вкуса пищевых масс (на примере кристаллов сахара в конфетных массах)

Для построения виртуального интеллектуального датчика автоматического


контроля (АК) величины кристаллов сахара в конфетных массах предлагаются
НС типа многослойного персептрона с одним скрытым слоем с архитектурой
сети, обеспечивающей значительно лучший результат обучения, чем сети одно-
слойного типа. Экспериментальная проверка однослойных НС показала непри-
годность их для решения поставленной задачи ввиду их низкой вычислитель-
230

ной способности. Дальнейшая экспериментальная часть работы проводилась с


применением многослойных НС прямого распространения, типа многослойный
персептрон. Сеть, такого типа имеет структуру, показанную на рисунке 4.3, и
является наиболее перспективной для решения поставленных задач.

Рисунок 4.3 Структура сети типа многослойный персептрон

После проведения подбора архитектуры сети следующим этапом явля-


лось определение количества скрытых слоев и количества нейронов каждо-
го слоя, способствующее получению наименьшей ошибки во время функцио-
нирования ИНС. Количество скрытых слоев для сети типа многослойный пер-
септрон во множестве практических случаях выбирается экспериментальным
путем при проведении обучения.
Теоретическое обоснование выбора количества скрытых слоев в сети
определяет теорема Колмогорова [6, 10, 17, 18] , в которой говорится что любая
непрерывная функция , определенная на n-мерном единичном кубе, может
быть представлена в виде суммы 2n+1 суперпозиций непрерывных и монотон-
ных отображений единичных отрезков:
( ) ∑ (∑ ( )) (4.2)
( ) (4.3)
В свете этой теоремы задача построения архитектуры сети ставится на
строго математическую основу. В своих работах Р. Хечт- Нильсен [18, 24] по-
казал, что достаточно трех, но констатировал, что в реальной сети использова-
231

ние большего количества слоев приводит к уменьшению суммарного количе-


ства элементов в скрытых слоях. Анализ опубликованных результатов, однако,
указывает на то, что для решения большинства практических задач достаточно
одного, иногда двух скрытых слоев. Количество скрытых слоев НС определя-
лось экспериментальным путем в среде «Matlab» [ 32, 33, 63 ] с учетом теоре-
тического обоснования. В процессе экспериментов были рассмотрены разные
структуры НС. Представленные структуры НС подвергались обучению соглас-
но алгоритма обратного распространения ошибки [ 32 ]. На вход НС подавалась
одинаковая обучающая выборка. Для реализуемой сети выходой сигнал i-го
нейрона скрытого слоя в общем виде будет иметь вид:
( )
(∑ ) (4.4)

Тогда для выходного слоя, где формируется значение величины кристал-


лов сахара будет справедливо следующее:
( ) ( ) ( )
(∑ ) (∑ (∑ )) (4.5)

Из (4.5) следует, что на значение выходного сигнала влияют веса обоих


слоев, тогда как сигналы, вырабатываемые в скрытом слое, не зависят от весов
выходного слоя. Поскольку в качестве функции активации нейронов для дан-
ной сети была выбрана сигмоидальная униполярная форма:
( ) ( 4.6)

то ( 4.4) примет следующий конечный вид:

( ) ( 4.7)

а значение величины кристаллов сахара в конфетных массах будет выражено


конечной формулой:

( ) ( 4.8)

( )
∑ ( )
( )

На рисунке 4.4 представлена структура разработанной нейронной сети,


типа многослойный персептрон с одним скрытым слоем, реализованная в
232

разрабатываемой системе. Входной вектор сети состоит из элементов таблиц


1.1.и 1.2., а также данных таблицы 1.8 автоматических измерений, характери-
зующих состояние ТП в определенный момент времени. Количество использу-
емых параметров оказалось равным 30. На выходе НС формирует выходной
сигнал величины вкуса (величины кристаллов сахара в конфетных массах).
Параметры,
Входной слой Скрытый слой НС. Выходной слой Те-
НС. Принимает НС. Формиру- ку-
подаваемые на
вектор входных ет выходное щее
вход НС. Ав-
параметров – значение вели- зна
томатические
автоматических чины кристал- че-
измерения и
данные вход-
измерений и 1 лов в конфет- ние
данных входного ных массах ве-
ного контроля
контроля ли-
чи-

Автома-
ти-
2
ческие
измере-
ния

F
Входной
контроль
качества
сырья

k-2
Входной
кон-
троль.
РП
k-1
Входной
контроль
физ.-хим.
параметры k

Рисунок 4.4 Структура разработанной нейронной сети, типа многослойный


персептрон с одним скрытым слоем
Далее проводилось обучение ИНС, под которым понимается процесс
настройки структуры связей между нейронами и весовыми коэффициентами
синаптических связей, влияющих на сигналы коэффициентов для эффективного
решения поставленной задачи [32, 63]. При формировании обучающей выборки
НС для автоматизации измерения вкуса (величины кристаллов сахара в кон-
фетных массах) использовались только информативные параметры.
233

Обучение НС проводилось с учителем. В качестве алгоритма обучения


сети был выбран градиентный метод обратного распространения ошибки, кото-
рый является одним из наиболее эффективных методов обучения многослой-
ных нейронных сетей [32, 69]. Суть данного алгоритма состоит в том, что после
предъявления НС каждой обучающей выборки происходит уточнение весовых
коэффициентов сети.

Цель обучения состоит в подборе таких значений весов и для


всех слоев сети, чтобы при заданном входном векторе параметров [х1, х2,..., х31]
получить на выходе значение величины кристаллов сахара в конфетных массах
у, которые с требуемой точностью будут совпадать с ожидаемым значением
данного показателя.
Основу метода обратного распространения ошибки составляет целевая
функции в виде квадратичной суммы разностей между фактическими и ожида-
емыми значениями выходных сигналов. В общем виде целевая функция может
быть записана следующим образом:

, ( 4.9 )
где р – количество обучающих выборок, для решения данной задачи вы-
брано равным 150;

- ожидаемое значение величины кристаллов сахара в конфетной мас-


се при заданном векторе входных параметров.
Согласно градиентным методам уточнение весовых коэффициентов (обу-
чение) производится по формуле:

( 4.10 )
Таким образом, в случае реализуемой в рамках данной работы НС целе-
вая функция будет иметь вид:

( 4.11 )
234

Рассчитывается ошибка сети для выходного слоя по формуле:

( 4.12 )

Рассчитываются изменения весов выходного слоя :

( 4.13 )
Производим аналогичные операции для скрытого слоя, и в итоге получа-
ем корректирующее значение для соответствующих весов:

( 4.14 )
Если ошибка сети существенна, корректировка весовых коэффициентов
продолжается, в противном случае – сеть можно считать обученной.
Формализовать алгоритм обратного распространения ошибки можно в
следующем виде. Согласно методу наименьших квадратов, минимизируемой
целевой функцией ошибки НС является величина:
( )
( ) ∑ ( ) ( 4.15 )
( )
где: – реальное выходное состояние нейрона j выходного слоя N НС
при подаче на ее входы p-го образа, т.е. реальное значение величины кристал-
лов сахара в конфетных массах на выходе;
– ожидаемое значение величины кристаллов сахара в конфетных мас-
сах при заданном векторе входных параметров.
Суммирование ведется по всем нейронам выходного слоя и по всем обра-
батываемым сетью образам. Минимизация происходит методом градиентного
спуска, что означает подстройку весовых коэффициентов следующим образом:
( )
( 4.16 )

Здесь – весовой коэффициент синаптической связи, соединяющей i-


ый нейрон слоя n-1 с j-ым нейроном слоя n;
– коэффициент скорости обучения, 0 < <1.
235

(4.17 )

В этом случае под , как и ранее, подразумевается выход нейрона j, а под


– взвешенная сумма его входных сигналов, то есть аргумент активационной

функции. Так как множитель является производной этой функции по ее ар-

гументу, из этого следует, что производная функция должна быть определена


на всей оси абсцисс. В связи с этим функция единичного скачка и прочие акти-
вационные функции с неоднородностями не подходят для рассматриваемых
НС. В них применяются такие гладкие функции, как гиперболический тангенс
или классический сигмоид с экспонентой. В случае гиперболического тангенса

( 4.18 )

Третий множитель , очевидно, равен выходу нейрона предыдущего

слоя (n-1). Что касается первого множителя в уравнении ( 4.18 ), он легко


раскладывается следующим образом :
( )
∑ ∑ ( 4.19 )

В этом случае суммирование по k выполняется среди нейронов слоя n+1.


Вводя новую переменную:
( )
( 4.20 )

получится рекурсивная формула для расчетов величин ( )


слоя n из вели-
( )
чин более старшего слоя n+1.
( ) ( ) ( )
*∑ + ( 4.21 )

Для выходного же слоя:


( ) ( )
( ) ( 4.22 )

Отсюда можно описать уравнение ( 4.18 ) в раскрытом виде:


( ) ( ) ( )
(4.23 )
236

Таким образом, полный алгоритм обучения НС с помощью процедуры


обратного распространения был построен следующим образом:
1. Подается на вход сети один из возможных образов и в режиме обычно-
го функционирования НС, когда сигналы распространяются от входов к выхо-
дам, рассчитываются значения последних. Зная, что
( ) ( ) ( )
∑ ( 4.24 )
( ) ( )
где M – число нейронов в слое n-1; – i-ый вход нейрона j слоя n.
( ) ( )
( ), ( 4.25 )
где – функция сигмоидального вида.
( )

где – q-ая компонента вектора входного образа.


( )
2. Рассчитать для выходного слоя по формуле ( 4.22 ).
( )
Рассчитать по формуле ( 4.23 ) изменения весов слоя N.
( ) ( )
3. Рассчитать по формулам ( 4.21 ) и ( 4.23 ) и для всех
остальных слоев, n=N-1,...1.
4. Скорректировать все веса в НС
( ) ( ) ( )
( ) ( ) ( ) ( 4.26 )
5. Если ошибка сети существенна, вернуться к шагу 1.
В противном случае, сеть можно считать обученной.
Алгоритм работы нейросетевой модели представлена на рисунке 4.5.
Обученную сеть перед началом функционирования с рабочими технологиче-
скими параметрами необходимо проанализировать на качество обучения и спо-
собность к обобщению полученных знаний. Под обобщением подразумевается
следующее: укладываются ли результаты выдаваемые сетью на выходах в пре-
дел допустимой погрешности при подаче на вход сети выборки с заранее из-
вестными значениями выходных параметров, но отличной от обучающей вы-
борки.
237

Рисунок 4.5 Алгоритм работы нейросетевой модели

Для данной системы минимальная ошибка обучения составила 1,04%, что


укладывается в предел допустимой погрешности, определенный 1,5%. Предел
допустимой погрешности был выбран и согласован с технологами, отвечающи-
ми за качество продукции линии по производству помадных конфет.
Таким образом, применение метода, основанного на работе НСМ позво-
ляет работать с наборами входных параметров любого уровня декомпозиции и
учитывать влияние каждого параметра на итоговую оценку вкуса конфетных
масс с помощью значений весовых коэффициентов. Полученные значения
сравниваются с контрольными показателями путем статистической обработки
данных, в результате чего рассчитывается отклонение величины кристаллов са-
хара от эталонного и выдается результат о соответствия этого показателя за-
данному значению для выполнения дальнейших операций по производству по-
мадных конфет.
238

4.1.4. Алгоритмы работы модуля (программного комплекса)


автоматического контроля и регулирования величины вкуса в процессе
приготовления конфетных масс
Алгоритм работы модуля ИЭС контроля величины вкуса (кристаллов са-
ахара в конфетных массах) представлен на рисунке 4.6.

Рисунок 4.6 Алгоритм работы модуля АЭС контроля величины кристаллов


сахара в конфетных массах
Данные о ходе ТП производства помадных конфет (ПК) собираются с
датчиков (данные получают автоматически с существующего на предприятии
АСУТП) и от сотрудников лаборатории (данные получают вручную по резуль-
239

татам лабораторных тестов). Данные, получаемые лабораторией, включают в


себя органолептические, физико- химические и реологические показатели сы-
рья, полуфабрикатов и готовых кондитерских изделий на всех стадиях ТП, из-
меряемые с заданной дискретностью (перечень данных параметров представлен
в таблицах 1.1 – 1.3
Автоматически измеряются технологические параметры всех этапов произ-
водства помадных глазированных конфет (температура, давление, уровень,
скорость работы линии и т.д.), а также параметры тепло- и энергоносителей,
которые подведены к оборудованию в соответствии с технологическими требо-
ваниями. Данные, полученные в результате автоматических измерений (табли-
ца 1.8), непосредственно задействованы в управлении исследуемым процессом
с помощью существующей на предприятии АСУТП. На основании проведен-
ных исследований и полученных результатов был построен алгоритм работы
системы регулирования величины кристаллов сахара в процессе приготовления
конфетных масс (рисунок 4.7). От сотрудников лаборатории и напрямую с кон-
троллера существующей АСУТП данные поступают в СУБД ИЭСКК, где они
будут храниться в структурированном виде. Далее на основе разработаной
нейросетевой модели при помощи Matlab, в состав пакета которого входит ин-
струмент для синтеза, обучения и анализа НС (Neural Network Toolbox), произ-
водится автоматический расчет величины кристаллов сахара в исследуемых
конфетных массах.Задачей разработанной НСМ является получение с опреде-
ленной дискретностью данных из СУБД и преобразование в среде Matlab полу-
ченного вектора данных в величину кристаллов сахара в конфетных массах
приготовленного продукта. В результате работы системы на экран монитора
будет выводиться информация о величине кристаллов сахара в конфетных мас-
сах, а так же рекомендации по изменению хода технологического процесса в
случае отклонения этого показателя от оптимального значения.
240

Рисунок 4.7 Алгоритм работы системы регулирования величины кристаллов


сахара в процессе приготовления конфетных масс
4.2. Методология создания модуля (программного комплекса)
автоматического контроля цвета пищевых масс с использованием СКЗ (на
примере линии производства муки)
Методологию построения модуля автоматического контроля цвета пище-
вых масс в процессе производства пищевой продукции с использованием СКЗ
рассмотрим на примере ТП производства муки.
Как было показано выше (1 глава п.п. 1.2.1), одним из важнейших кон-
тролируемых органолептических показателей качества муки согласно требова-
241

ниям и нормам СТБ 1666-2006 является ее цвет. В настоящее время на пред-


приятиях, производящих муку, контроль цвета муки осуществляется эксперта-
ми в лабораториях. Результаты анализов цвета муки записывают в лаборатор-
ных книгах мелькомбинатов или в документах о качестве произведенной про-
дукции. Недостатками существующего метода контроля цветности являются
его субъективность, невозможность быстрой оценки цвета сырья, полуфабрика-
тов и готовой продукции, поскольку, например, для определения цвета муки
пластинку со спрессованными пробами муки в наклонном положении (30 - 45 º)
погружают в сосуд с водой комнатной температуры на 1 – 2 мин., после пре-
кращения выделения пузырьков воздуха пластинку с пробами извлекают из во-
ды. Затем пластину держат в наклонном положении, пока не стечет лишняя во-
да. После этого приступают к определению цвета муки. Цвет муки определяет-
ся путѐм сравнения испытуемой муки с известным образцом муки (эталоном).
При этом важное значение имеет температура наружного воздуха и хорошие
санитарные условия. Не должно быть сквозняков, ветра, резких и неприятных
шумов. Затрачивается много времени на отбор и анализ образцов, на их подго-
товку к экспертизе, так, чтобы исключить элементы случайности, небрежности,
непродуманности и бессистемности проведения анализов для оценки цвета зер-
на и муки [101, 110].
Как отмечалось ранее (1 глава, п. 1.3.2), в современной измерительной
технике одним из перспективных научных направлений развития является ис-
пользование системы компьютерного зрения (СКЗ) для контроля и прогнози-
рования показателей качества сырья, полуфабрикатов и готовой продукции в
различных отраслях пищевой промышленности, позволяющая в процессе про-
изводства в потоке оценить интересующий показатель.
Компьютерное зрение может быть представлено как статическим изобра-
жением (кадром), так и последовательностью кадров (видеозаписью). Результа-
том компьютерного зрения может являться видоизмененное изображение или
список значений некоторых параметров изображения (размер объекта, его цвет,
242

ориентация по отношению к камере, скорость и т.п.) Можно выделить три ос-


новных направления исследований и разработок в сфере компьютерного зре-
ния: обработка изображения, распознавание образов и анализ изображения [7].

4.2.1. Вопросы цифровой обработки и распознавания изображений в


задачах автоматизации контроля цвета пищевых масс (на примере линии
производства муки)
Изучение вопросов цифровой обработки и распознавания изображений
показало широкое использование для этих целей математических методов ана-
лиза и преобразования изображений [7]. Кроме дискретной математики, явля-
ющейся основой для компьютерного моделирования и обработки данных, ши-
роко используются: аффинная и проективная геометрии для восстановления 3-
мерных геометрических характеристик объекта; вариационное исчисление для
выделения контура объекта, разделения объектов (сегментация), анализа фор-
мы объекта, повышения чѐткости изображения, получения стереоизображения
и др.; статистические методы и теория дифференциальных уравнений в част-
ных производных для исправления погрешностей и дорисовывания отсутству-
ющих элементов изображения; теория кодирования и вейвлет-анализ для мак-
симально возможного сжатия размера файла, в котором хранится цифровой
аналог изображения, без существенного снижения качества этого изображения.
Под влиянием потребностей обработки изображений расширяется круг
математических методов, привлекаемых или даже разрабатываемых для этих
целей. Так, математическая обработка изображений включена в такие мощные
системы компьютерной математики, как MATLAB [7] и Mathematica [29], кото-
рые используются в компьютерных программах обработки изображений, полу-
чаемых после сканирования или после видео- или фотосъемки. Система
MATLAB используется чаще всего для математической обработки изображе-
ний не только из-за появляющихся новых инструментов для этой обработки, но
и потому, что она может взаимодействовать в режиме реального времени с AN-
SI C, Visual C++, Visual BASIC и Java [7].
243

Анализ работ в области математических методов обработки и анализа


изображений показал, что наиболее перспективным является метод распознава-
ния объектов при сравнении с эталоном [67], который и был использован для
решения задачи автоматизации контроля цвета пищевых масс (на примере му-
ки) в потоке. При использовании цифровой видеокамеры в качестве интеллек-
туального датчика в производственных условиях мукомольной промышленно-
сти существует возможность применения малогабаритных видеокамер с опти-
ческими насадками [ 29 ], увеличивающими изображение анализируемой обла-
сти ТП. Поэтому можно считать, что изображение анализируемой области бу-
дет во много раз больше размера пикселя изображения, а геометрическими
ошибками можно пренебречь.
В проведенных нами исследованиях рассматривались основы формирова-
ния и преобразования изображения на ПЗС-матрице в цифровой код, передава-
емый на видеоплату компьютера [19, 21, 22]. Исходя из полученных данных,
можно считать, что изображение, передаваемое с ПЗС-матрицы, поступает в
компьютер в виде матрицы уровней освещѐнности поверхности наблюдаемого
объекта. Каждый элемент этой матрицы называется элементом изображения
или пикселем. Далее будут употребляться термины изображение и пиксель для
указания на цифровое изображение и его элементы.
В математических исследованиях и прикладных математических ком-
пьютерных программах используют традиционную матричную запись [7, 29]:
 a0 , 0 a0,1 ... a0, N 1 
 a a1, 0 ... a1, N 1 
 1, 0
 . . . . 
A   ai , j .
. . . . (4.27)
 
 . . . . 
a M 1, 0 a M 1,1 ... a M 1, N 1 

Для выполнения процесса оцифровки изображения необходимо принять


решения относительно значений М и N, а также числа уровней (градаций) ярко-
сти L, разрешенных для каждого пикселя. Для М и N не существует специаль-
244

ных требований помимо того, что они должны быть положительными целочис-
ленными значениями. Как правило, M = N, но при вырезании локального эле-
мента изображения эти величины могут отличаться. Значение L, по соображе-
ниям удобства построения системы для обработки, хранения и дискретизации
изображения, обычно выбирают равным целочисленной степени двойки:
L = 2k. Общее количество битов b, необходимое для хранения цифрового изоб-
ражения, определяется по формуле b = M×N×k.
При использовании цветной видеокамеры изображение можно предста-
вить в виде объѐмной матрицы ai,j,k , где индекс, соответствующий цветовому
фильтру, может иметь значения k=1,2,3. Видеоизображение, представляющее
некоторое количество n последовательно снятых с интервалом времени T изоб-
ражений (кадров), с математической точки зрения можно представить в виде
многомерной матрицы ai,j,k,n, если оно цветное.
Один из возможных методов оценки динамики изображения объекта за-
ключается в выделении элемента кадра υi,j (пикселя или их группы) и рассмот-
рение изменения его цвета по всей последовательности кадров. Тогда этот ма-
тематический объект можно рассматривать как матрицу решѐтчатых функций
υi,j[n], отражающих динамику изменения отражения света от элементов по-
верхности снимаемого объекта. Именно на основе анализа этой матрицы можно
судить о динамике видеообъекта, за которым ведѐтся наблюдение.
Для анализа динамики поведения наблюдаемого объекта на основе сня-
того цифрового видеофильма одним из возможных способов может быть ана-
лиз решѐтчатых функций υi,j[n] с помощью составления системы разностных
уравнений, учитывающей как сами решѐтчатые функции всех пикселей, так и
разности этих функций υi,j[n] - υi,j[n-1] от кадра к кадру. Для пикселей, отража-
ющих неподвижный фон, эти разности будут равны нулю.
При проектировании системы автоматического регулирования на осно-
ве использования цифровой видеокамеры в качестве интеллектуального датчи-
ка возможны два случая: 1) постоянная времени переходного процесса регули-
245

руемого объекта во много раз больше периода T решѐтчатой функции и 2) эта


постоянная времени сравнима или меньше периода T (интервала между прихо-
дящими с видеокамеры кадрами изображений). В первом случае решѐтчатые
функции можно представлять в виде непрерывных функций от времени и про-
водить анализ и синтез системы регулирования без учѐта влияния задержки
информации. Во втором случае необходимо учитывать импульсные свойства
поступающей от пикселей информации. В этом случае можно воспользоваться
дискретными преобразованиями, которые применимы к решѐтчатым функциям.
Тогда к видеофильму можно будет применить дискретное преобразование
Лапласа или  - преобразование, определяемое по формуле [ 67 ]:

*i , j ( q )   i , j [ n]  exp(  qn) , (4.28)
n0

где комплексная переменная q = σ + j·ω.


Наряду с  - преобразованием к матрице видеофильма применимо ис-
пользуемое в теории автоматического регулирования так называемое  - преоб-
разование, в котором вводится переменная z = exp(q). В этом случае вместо
-n
exp(-qn) используют z . Для частотного анализа динамики поведения ви-
деообъекта можно использовать частный случай  - преобразования, которое
называется дискретным преобразованием Фурье [ 7 ]. В этом случае в составе
комплексной переменной q переменная σ, отражающая процессы затухания,
принимается равной нулю, и остаѐтся только переменная ω, учитывающая ко-
лебательные процессы.
Изучение динамики видеообъекта возможно только после съѐмки ви-
деофильма. При использовании цифровой видеокамеры в качестве интеллекту-
ального датчика визуальных параметров технологического процесса, после
анализа динамики этих процессов, выбирают зоны, в которых происходят
наиболее сильные визуальные изменения после изменения режима технологи-
ческого процесса.
246

Цель визуального управления с помощью цифровой видеокамеры -


обеспечение постоянства визуального изображения объекта, отражающего сорт
и качество ТП производства муки.
При этом в процессе размола при производстве муки необходимо найти
такие визуальные зоны, в которых наиболее сильно отображается изменение
цвета муки в ходе технологического процесса. Если основная цель системы ав-
томатического регулирования технологического процесса – обеспечение посто-
янства режимов протекания ТП, то основная цель системы регулирования, ис-
пользующей интеллектуальный видеодатчик, - обеспечение визуального посто-
янства отображаемой зоны слежения. При этом, используя метод вычитания
изображений, возможны два режима слежения: 1) сравнение текущего изобра-
жения с визуальным эталоном и 2) сравнение изображения текущего кадра с
изображением предыдущего кадра с использованием базы данных цветных
изображений разных сортов муки.
В любом из этих случаев для сравнения необходимо производить вы-
читание изображений и по разностному изображению определять степень визу-
ального изменения в контролируемой зоне изображения.
Как было показано выше, в одном видеокадре содержится большое ко-
личество информации, а для управления исполнительным механизмом при ав-
томатическом регулировании необходимо выбрать одно из трѐх действий: уве-
личить воздействие или оставить без изменения или уменьшить воздействие,
т.е. u(t) = {(+U) V 0 V (-U)}. Следовательно, из полученной в момент времени t
матрицы изображения кадра Mijn(t) с помощью функционалов необходимо по-
лучить управляющий сигнал

, (4.29)
где Ф – векторный функционал, обеспечивающий одностороннее отображение
множества (матрицы) Ма в другое множество (матрицу) Мв действительных чи-
сел. Для решения задачи сведения трехмерной матрицы изображения к числен-
247

ному значению определяемого параметра необходимо найти последователь-


ность Ф1…Фn отображений.
Пусть имеется эталонное изображение наблюдаемого объекта при нор-
мально протекающем ТП, полученное с помощью используемого интеллекту-
ального видеодатчика (ЦВК) и содержащее некоторую совокупность эталонных
объектов и локальную зону, за которой ведѐтся наблюдение. Без потери общ-
ности можно считать, что изображение бинарное, то есть значения элементов
матрицы изображения, соответствующие объектам, равны единице, а соответ-
ствующие фону – равны нулю. Цветное изображение всегда можно привести к
полутоновому изображению, а полутоновое изображение всегда может быть
приведено к бинарному в результате пороговой обработки матрицы изображе-
ния [7, 29, 67]. Именно эти преобразования будут первыми функционалами,
позволяющими снизить n = 3 до n = 1 и 256 уровней серого до 0 и 1 (черного и
белого). Положение локальной зоны заранее известно, поэтому математиче-
скими методами можно ввести следующий функционал, с помощью которого
из эталонной матрицы всего изображения выделить подматрицу Ieij, в которой
расположено изображение локальной зоны, используемое для математического
анализа.
Изображение кадра, поступающее с видеодатчика в процессе наблюде-
ния, подвергается действию этих же функционалов и также выделяется подмат-
рица Ikij, содержащая анализируемую локальную зону. После применения
функционала, содержащего вычитание подматрицы эталонного изображения из
подматрицы поступившего текущего изображения видеокадра, получаем раз-
ностное изображение локальной зоны в виде разностной матрицы Rij = Ikij - Ieij.
Так к