Разработка цифрового двойника для прогнозирования качества готовой продукции с применением интеллектуальных технологий в молочной промышленности
ВВЕДЕНИЕ.
В настоящее время в молочной промышленности существует необходимость в повышении качества продукции и уменьшении количества отбраковки. Одним из способов достижения этой цели является использование цифровых технологий, таких как цифровые двойники, для прогнозирования качества готовой продукции.
Цифровой двойник — это виртуальная копия реального объекта или процесса, созданная с помощью сенсоров и других устройств, которые собирают данные о его работе. Цифровой двойник может быть использован для моделирования и прогнозирования поведения объекта в реальном времени.
В молочной промышленности цифровой двойник может быть использован для прогнозирования качества готовой продукции на основе данных о производственном процессе, собранных в реальном времени. Использование цифрового двойника позволяет улучшить контроль качества и снизить количество отбраковки.
В данной работе будет рассмотрена разработка цифрового двойника для прогнозирования качества готовой продукции в молочно
Содержание
ВВЕДЕНИЕ. 8
1. ЛИТЕРАТУРНЫЙ ОБЗОР. 11
1.1. Разработка цифровых двойников. 11
1.2. Прогнозирование качества готовой продукции в молочной промышленности. 14
1.3. Интеллектуальные технологии в молочной промышленности. 20
1.4. Анализ существующих методов и подходов к решению задачи. 23
1.5. Описание методов исследования. 29
1.5.1 Бустреп. 29
1.5.2 Radom Forest 32
1.6. Заключение по главе. 35
2. Разработка математической модели и программная реализация цифрового двойника. 38
2.1. Концептуальная модель 38
2.2. Разработка и тестирование нейросетевых моделей 41
2.2.1 Выбор типа нейронной сети. 41
2.2.2 Определение архитектуры нейронной сети. 41
2.2.3 Обучение нейросетей. 41
2.2.4 Тестирование и оценка качества нейросети. 42
2.2.5 Кросс-валидация. 44
2.2.6 Интерпретация результатов. 44
2.2.7 Применение модели в реальных условиях. 44
2.3. Программная реализация разработанного машинного обучения 45
2.3.1 Выбор программных инструментов 45
2.3.2 Разработка программного кода 45
2.3.3 Интеграция модели в систему управления производством 46
2.3.4. Мониторинг и оптимизация процесса производства 50
2.3.5. Обновление и адаптация модели 50
2.3.6 Обучение персонала и внедрение цифрового двойника в процесс управления 51
2.4. Математическая и дискретно-событийная и модель. 52
2.4.1 Дискретно-событийное моделирование 52
2.4.2 Сравнение математического и дискретно-событийного моделирования 53
2.4.3 Интеграция математического и дискретно-событийного моделирования 54
2.5 Программная реализация разработанного цифрового двойника 56
2.5.1 Этапы разработки мультиагентной модели производства молочных изделии. 56
2.5.2 Входные данные. Приём внешних данных в модель. 58
2.5.3 Танк приёма. Описание и функции. 60
2.5.4 Пастеризационно-охладительная установка (нагрев). Описание и функции. 62
2.5.5 Сепаратор. Описание и функции. 66
2.5.6 Гомогенизатор. Описание и функции. 69
2.5.7 Пастеризационно-охладительная установка (охлаждеие). Описание и функции. 72
2.5.8 Танк с мешалкой. Описание и функции. 75
2.5.9 Фасовка и упаковка. Описание и функции. 78
2.5.10 Агент ИИ. Описание и функции 80
3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ. 82
3.1 Оценка практической применимости и эффективности разработанного цифрового двойника 85
3.2 Результаты 87
ВЫВОД. 90
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ. 92
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ.
Бакулин Л.Н., Королев А.А. Цифровые двойники промышленных объектов: концепция, принципы построения, применение. - М.: Энергоатомиздат, 2018. - 256 с.
Гаврилов А.В. Интеллектуальные системы прогнозирования и оптимизации процессов в промышленности. - СПб.: БХВ-Петербург, 2019. - 320 с.
Давыдов В.А., Петров В.П. Применение искусственного интеллекта в промышленности. - М.: Машиностроение, 2020. - 384 с.
Иванов Д.Ю., Лаптев С.А. Интеграция цифровых двойников в системы управления производством. - М.: Финансы и статистика, 2017. - 192 с.
Кириллов А.В., Макарова Е.В. Молочная промышленность: технологии и оборудование. - М.: Агропромиздат, 2019. - 432 с.
Кравченко В.Г., Маслов А.П. Автоматизированные системы управления технологическими процессами в молочной промышленности. - М.: Молодая гвардия, 2018. - 320 с.
Леонов С.В. Моделирование и оптимизация процессов в молочной промышленности. - СПб.: Наука, 2020. - 288 с.
Мельников А.Б., Семенов А.С. Промышленный интернет вещей и цифровые двойники в промышленности. - М.: Дело, 2019. - 376 с.
Никифоров В.А. Применение методов машинного обучения в молочной промышленности. - М.: Радио и связь, 2018. - 240 с.
Новиков Д.А. Интеллектуальные технологии в промышленности: теория и практика. - М.: Физматлит, 2020. - 448 с.
Петров И.С. Цифровая трансформация молочной промышленности. - М.: Инфра-М, 2017. - 168 с.
Раков В.Н., Федоров В.А. Инновационные технологии в производстве молочных продуктов. - М.: Колос, 2018. - 352 с.
Смирнов А.И., Волков С.Н. Применение искусственных нейронных сетей для прогнозирования качества продукции в молочной промышленности. - М.: Издательство МГТУ, 2019. - 224 с.
Ткаченко В.В., Зайцев Д.А. Разработка системы управления производством на основе цифровых двойников. - М.: Инфра-М, 2020. - 312 с.
Филиппов С.В., Черных А.И. Автоматизация технологических процессов в молочной промышленности с использованием цифровых технологий. - М.: Техносфера, 2
Одним из подходов, которые используются для повышения эффективности обучения, являются комбинированные методы, которые объединяют в себе преимущества обоих подходов.
Комбинированные методы математического и машинного обучения могут быть реализованы различными способами, в зависимости от конкретной задачи и данных, на которых они должны работать. Например, одним из подходов может быть использование методов машинного обучения для предварительной обработки данных, а затем использование математических методов для их дальнейшей обработки.
Другим подходом является использование ансамблевых методов, которые комбинируют в себе несколько моделей машинного обучения и/или математических методов для получения лучшего результата, чем при использовании отдельной модели. Например, метод случайного леса, который является ансамблевым методом