Материалы в свободном доступе

Представлены результаты исследования, целью которого являлось построение программной модели многостадийной комплексной системы переработки мелкодисперсного рудного сырья. В роли такого сырья могут выступать отходы переработки на горно-обогатительных комбинатах апатит-нефелиновых и других видов руд, в больших объемах скапливающиеся в хвостохранилищах. Они создают значительную экологическую угрозу на прилегающих к комбинатам территориях за счет выветривания, пылеобразования, проникновения в почву и водоносные горизонты опасных для здоровья человека химических соединений и веществ. Поэтому совершенствование существующих производственных процессов, разработка новых технологических систем для горно-обогатительных комбинатов, включая применение принципов экономики замкнутого цикла, вторичной переработки отходов, обосновывает актуальность выбранного направления исследований. В основе предложенной программной модели лежит применение обучаемых деревьев систем (блоков) нечеткого вывода первого и второго типов. Такой подход позволил избежать излишнего усложнения баз правил нечеткого вывода при использовании только одного нечеткого блока при построении многопараметрической модели всей многостадийной комплексной системы. Применение нескольких блоков нечеткого вывода, описывающих поведение отдельных агрегатов системы и их конфигурирование в соответствии с физической структурой системы, позволяет использовать относительно простые наборы правил отдельных блоков. Совместный подбор их параметров при обучении дерева нечетких блоков позволяет достигать высокой точности получаемых решений. Новизну результатов исследования составляет предложенная программная нечеткологическая модель комплексной системы переработки мелкодисперсного рудного сырья. Представлены результаты имитационного эксперимента, проведенного в среде MatLab с использованием сгенерированного в Simulink синтетического набора данных. Результаты показали, что обученная нечеткологическая модель обеспечивает хорошую точность воспроизведения параметров и переменных из тестовой части синтетического набора. Научная новизна предлагаемого алгоритма заключается в расширении перцептивного поля для каждой из сетей за счет взаимного преобразования изображений и временных последовательностей друг в друга. За счет этого каждая из сетей обучается на большем объеме данных и выявляет больше закономерностей. Это в конечном итоге приводит к повышению качества классификации, что подтверждается результатами апробирования предложенного алгоритма с использованием разработанного в среде MatLab программного приложения.