НЕЙРОМЕРЕЖЕВИЙ SOFT-SENSOR ДЛЯ КОМП’ЮТЕРНОЇ ДІАГНОСТИКИ ВОЛОГОСТІ
DOI:
https://doi.org/10.35546/kntu2078-4481.2026.1.32Ключові слова:
сушіння утфелю, комп’ютерна діагностика, нейронна мережа, soft-sensor, автоматичне керуванняАнотація
У статті розглянуто задачу комп’ютерної діагностики процесу сушіння утфелю в барабанній сушарці цукрового виробництва. Однією з основних проблем автоматизації даного процесу є відсутність можливості безперервного прямого вимірювання вихідної вологості утфелю в реальному часі, що ускладнює підтримання оптимального режиму сушіння та негативно впливає на якість кінцевого продукту. Запропоновано нейромережевий soft-sensor, призначений для непрямого оцінювання прихованої вологості утфелю на основі вимірюваних технологічних параметрів процесу сушіння. Особливістю запропонованого підходу є поєднання регресійної оцінки вологості з класифікацією технологічних станів процесу сушіння в межах єдиної нейромережевої моделі. Це дозволяє не лише визначати кількісні показники якості продукту, але й здійснювати діагностику режимів роботи сушильної установки. Нейромережевий soft-sensor побудовано на основі багатошарового перцептрона, який реалізує нелінійну апроксимацію залежності між вектором вимірюваних технологічних параметрів та прихованими станами процесу сушіння. Для врахування інерційних властивостей об’єкта формується розширений вектор ознак із використанням ковзного діагностичного вікна. Класифікаційний вихід моделі реалізовано із застосуванням Softmax-нормалізації, що забезпечує інтерпретацію результатів у вигляді ймовірностей технологічних станів. Показано концепцію інтеграції нейромережевого soft-sensor’а в систему автоматичного керування барабанною сушаркою з PID-регулятором шляхом адаптації температурної уставки сушіння. Запропонований підхід створює передумови для підвищення стабільності технологічного процесу, зменшення енергетичних витрат і зниження впливу людського фактора.
Посилання
Григорчук Г. В. Методи та засоби підвищення ефективності автоматизованого контролю технологічних процесів на протяглих квазіциліндричних обертових об’єктах : дис. … канд. техн. наук : 151. Івано-Франківськ, 2021. 162 с.
Григорчук Г. В., Олійник А. П., Григорчук Л. І. Барабанна сушарка : пат. № 127513 C2 Україна, МПК F26B 11/04 (2006.01). № a202105416; заявл. 24.09.2021; опубл. 14.09.2023, Бюл. № 37.
Григорчук Г. В., Григорчук Л. І. Визначення напруженого стану барабанної труби та бандажу при роботі сушильних агрегатів. Вісник ІФНТУНГ. 2023. № 2. С. 47–53.
Григорчук Г. В., Григорчук Л. І., Храбатин Р. І. Моделювання процесу сушіння утфелю. Технічні науки та технології. 2025. № 2 (52). С. 63–70.
Petryk M., Lebovka N., Myhalyk D., Vorobiev E. Mechanical dewatering of wet compacts containing binary systems of microporous particles. Separation and Purification Technology. 2025. Vol. 353. Article 135775. DOI 10.1016/j.seppur.2024.135775
Петрик М., Лебовка М. Моделювання тепломасообмінних процесів у пористих матеріалах при механічному зневодненні. Вісник ТНТУ. 2023. № 1. С. 55–62.
Petryk M., Myhalyk D. Modelling of structural transformations in wet granular materials during drying and compression. Chemical and Biochemical Engineering Quarterly. 2024. Vol. 38, No. 4. P. 421–430. DOI 10.15255/CABEQ.2023.2164
Mujumdar A. S. Handbook of Industrial Drying. 4th ed. Boca Raton : CRC Press, 2014. 1348 p.
Zuo W., Liang S., Huang Y. Artificial neural network model for real-time moisture prediction during rice drying. Processes. 2025. Vol. 13, No. 4. Article 512. DOI 10.3390/pr13040512
Zhang Y., Li J., Chen H. Deep learning predictive model for multi-stage rice drying based on LSTM networks. Sensors. 2023. Vol. 23, No. 7. Article 3512. DOI 10.3390/s23073512
Lu Z. Data-driven modelling of industrial drying processes: A review. Heat and Mass Transfer. 2025. Vol. 61. P. 223–240. DOI 10.1007/s00231-024-03659-4
Záhonyi P., Fekete D., Szabó E., Nagy Z. K., Nagy B. Explainable artificial neural network as a soft sensor to predict the moisture content in a continuous granulation line. European Journal of Pharmaceutical Sciences. 2025. Vol. 212. Article 107173. DOI 10.1016/j.ejps.2025.107173
Cristea V., Zarnescu S., Ionescu C. Neural-network-based nonlinear model predictive control of industrial drying processes. Control Engineering Practice. 2003. Vol. 11. P. 801–809. DOI 10.1016/S0967-0661(03)00069-4
Chen X., Wang Q. Hybrid modelling of convective drying processes using physical and data-driven approaches. Chemical Engineering Science. 2022. Vol. 247. Article 117052. DOI 10.1016/j.ces.2021.117052
Ротштейн О. П. Інтелектуальні технології ідентифікації: нечіткі множини, генетичні алгоритми, нейронні мережі. Вінниця : УНІВЕРСУМ, 2019. 320.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
