Введение. В предыдущей части статьи, посвященной созданию устройства для контроля характера поведения (перемещений) шихты внутри корпуса технологического агрегата на примере барабанного окомкователя, обсуждался способ апробации метода распознавания режимов работы агрегата. Было предложено провести моделирование перемещения шихты в барабанном окомкователе при помощи метода дискретных элементов (МДЭ, DEM). Моделирование 20 численных экспериментов позволило получить 10981 траекторий различного типа, которые можно отнести к разным режимам работы агрегата [1-4, 21].

Общая же концепция контроля характера перемещения шихты в технологическом агрегате представлена коллективом авторов в [5] и заключается в оценке режимов движения сыпучих материалов в агрегате с использованием капсул, повторяющих и регистрирующих движение материала в агрегате (рис 1).

В данной статье предлагается конкретная реализации способа преобразования извлеченных данных (траекторий) в распознанные режимы работы агрегата. Задача по определению режима окомкования (движения шихты) по ускорениям материала, являющимися косвенными параметрами, относится к задачам классификации [6]. Для решения данного класса задач целесообразно применять методы машинного обучения, такие как нейросетевые классификаторы, уже успешно применяющиеся для распознавания аудиозаписей, физической активности человека, изображений и т.п. [7-8]. Обучение нейронной сети требует большого количества данных, образующих dataset. Как правило, dataset формируется на основе реальных наблюдений и измерений, накопленных за довольно большой промежуток времени. Так как в рассматриваемом случае речь идет лишь о концепции устройства, то для апробации предлагаемого решения можно использовать выборку, полученную на цифровой модели технологического процесса.

Извлеченные в ходе моделирования данные представляют собой массив траекторий частиц и их скоростей (частицы используются как аналог капсул). Однако траектории невозможно получить в чистом виде на реальном объекте, вследствие чего, а также в соответствии с концептом, представленном в [5], существовала необходимость в переводе траекторий в показания акселерометра, входящего в состав инерциального измерительного модуля.

Методология. 

Преобразование траекторий в показания датчика. Инерциальный измерительный модуль, являющийся основным компонентом капсул, представляет собой электронное устройство, размещаемое на плате. IMU состоит из набора сенсоров (акселерометров, гироскопов и магнитомеров), каждый из которых передает информацию о передвижениях платформы [9]. Показания инерциального измерительного модуля не являются эквивалентными данным, полученными при использовании DEM-моделирования, вследствие чего необходимо было реализовать перевод численных значений траекторий движения частиц в ускорения. Для преобразования траекторий в показания датчика было использовано специальное программное обеспечение Matlab Sensor Fusion and Tracking Toolbox [10]. Этот программный пакет включает в себя алгоритмы и инструменты для создания, симуляции и анализа различных навигационных систем и приборов, в том числе инерциального измерительного модуля. Моделирование поведения инерциального измерительного модуля или IMU (Inertial Motion Unit) производилось при помощи инструмента Inertial Sensor Fusion. В Sensor Fusion and Tracking Toolbox на основании траекторий были получены ускорения, которые использовались в дальнейшем для распознавания режимов движения сыпучих сред в окомкователе.

Алгоритм обработки полученных данных для выявления режимов движения сыпучего материала. Одним из возможных вариантов реализации алгоритма обработки данных было использование метода восстановления элементов траекторий, который построен на базе инерциальной навигационной системы [11]. Инерциальная навигация заключается в определении положения объекта в пространстве. В основе инерциальной навигации лежит механика Ньютона, согласно которой перемещение определяется как двойной интеграл от ускорения [12], где ускорения являются исходными данными, получаемыми с датчика.

Однако, последовательное интегрирование ускорений приводит к накоплению ошибки, что в конечном счете выражается в возрастании погрешности определения координаты тела пропорционально времени работы системы [13].

В настоящее время существует множество различных методов уменьшения ошибки, одним из них является ZUPT (Zero Velocity UPdaTe algorithm). Он заключается в определении полной остановки объекта или моментов, когда его скорость близка к нулю, и в последующем сбросе начальных условий (точки отсчета) [14].

Несмотря на то, что данный метод в значительной мере позволяет снизить ошибку определения координаты объекта в пространстве, он практически не применим в промышленных агрегатах, так как перемещение сыпучей среды в барабанных окомкователях имеет непрерывный характер. То есть материал практически не останавливается, а лишь незначительно снижает скорость перемещения.

Таким образом, предлагается вместо непосредственного восстановления траекторий материала реализация классификации элементов траекторий из заранее известного набора, включающего в себя: свободное падение, стационарное движение по окружности, залипание и т.д. Данный подход позволяет избежать накопление ошибки за счет распознавания элементов траектории и последующего формирования новой точки отсчета. Аналогичный подход используется в большинстве современных трекеров физической активности (фитнес – браслеты) [15-16].

В данном случае нейронная сеть необходима для классификации фрагментов временных рядов. Предполагается, что на вход нейронной сети будут последовательно подаваться фрагменты записей показаний инерциального измерительного модуля, встроенного в капсулу. Путём обработки поступающих измерений обученная нейронная сеть сможет в режиме реального времени определять (распознавать) режим окомкования шихты. Далее, сопоставив режим окомкования с текущими технологическими параметрами процесса: частота вращения барабана, расход подаваемой шихты и воды для смачивания, можно будет сделать выводы как о текущем состоянии футеровки окомкователя, так и ходе всего технологического процесса в целом. Для реализации нейросетевой модели использовалась открытая библиотека TensorFlow от компании Google, в связке с фреймворком Keras.

Изначально была опробована модель глубокой нейронной сети (DNN) [17], представленной на рисунке 2. Входными данными для нейронной сети являлись записи показаний акселерометров MEMS датчика. Входной слой нейронной сети представлял собой вектор из 300 элементов: по 100 измерений с каждого из трех акселерометров. Далее в нейросети располагались 3 скрытых слоя. Слои были полностью соединены между собой. Перед скрытыми слоями располагался дополнительный слой, преобразующий вектор входных данных в матрицу 100х3. Перед выходным слоем располагался полностью соединенный слой с функцией активации SoftMax. Выходной слой состоял из 5 нейронов, в каждый из которых нейронная сеть возвращала вероятность принадлежности вектора входных данных к одному из классов (фрагментов траектории).

В качестве альтернативного метода была рассмотрена архитектура на основе LSTM (Long short term memory). Особенность данной архитектуры заключается в невосприимчивости к длительности временных разрывов в последовательности входных данных, то есть способности нейронной сети запоминать измерения на короткие промежутки времени, благодаря чему данные, полученные ранее, не оказывали существенного влияния на дальнейшие результаты работы нейросети [18-19].

Топология нейронной сети на основе LSTM (рис. 3) была идентична рассмотренной ранее, она так же имела входной слой из 600 нейронов, а перед выходным слоем расположен слой с функцией активации SoftMax. Основное отличие реализовывалось в скрытых слоях. 

Для принятия решения о пригодности нейросетевой модели к использованию в реальной информационной системе необходимо провести ее оценку. Существуют весьма обширное многообразие метрик оценки качества обучения нейросетевых моделей. В задачах классификации основными метриками являются: доля правильных ответов алгоритма (accuracy) и  точность (precision) [20].

Простейшей метрикой является доля записей, по которой алгоритм (нейронная сеть) корректно распознал режим окомкования к общему числу записей в тестовой выборке. Данная метрика рассчитывается по формуле (1):

$$Accuracy=\frac{P}{N} (1),$$

где P - число записей, по которым режим окомкования был опознан корректно, N – общее число записей в выборке.

Точность алгоритма в пределах одного класса (precision) – это метрика, характеризующая число всех записей, действительно принадлежащих к определённому классу, к сумме всех экземпляров, которые были отнесены к данному классу алгоритмом. Метрика рассчитывается по следующей формуле (2):

$$Precission=\frac{TP}{TP+FP} (2),$$

где TP – количество истинно положительных ответов, FP - количество ложно положительных ответов.

Результаты и обсуждение. Пример работы алгоритма приведен на рисунке 4. На нем приведено преобразование из траектории конкретной частицы при моделировании процесса окомкования в показания датчика (ускорения по каждой из оси). Красным цветом обозначены характерные точки траектории движения сыпучего материала, которые в свою очередь были выделены черным.

Затем полученные ускорения были обработаны при помощи нейросетевой модели, которая на выходе дала вероятности принадлежности к одному из режимов. Так, в данном случае с вероятностью 83% режимом окомкования является Перекатывание.

В целом, 20 численных экспериментов дали 10981 траекторий различного типа. Среди них наиболее часто встречающимся режимом является челночный – 30,7% от всего количества. Кроме того, использовался вспомогательный класс для прекращения анализа потока, если трекер покинул аппарат или ещё не попал в него (Скачек). Полные данные приведены в таблице 1.

Таблица 1 – Распределение режимов среди всех траекторий