Professional Documents
Culture Documents
„ДЖОН АТАНАСОВ”
ФЕДЕРАЦИЯ
НА НАУЧНО-ТЕХНИЧЕСКИТЕ СЪЮЗИ
УПРАВЛЕНИЕ НА ЕНЕРГИЙНИ,
ИНДУСТРИАЛНИ И ЕКОЛОГИЧНИ
СИСТЕМИ
11 – 12 ноември 2021 г.
София
УПРАВЛЕНИЕ НА ТОПЛОЕНЕРГИЙНИ
ОБЕКТИ И СИСТЕМИ (УТЕОС)
СБОРНИК ДОКЛАДИ
ХХIX Международен симпозиум
УПРАВЛЕНИЕ НА ЕНЕРГИЙНИ,
ИНДУСТРИАЛНИ И ЕКОЛОГИЧНИ
СИСТЕМИ
УПРАВЛЕНИЕ НА ТОПЛОЕНЕРГИЙНИ
ОБЕКТИ И СИСТЕМИ (УТЕОС)
СЪОРГАНИЗАТОРИ И СПОНСОРИ
ХАНИУЕЛ ЕООД
РИТБУЛ ЕООД
РИТАЛ ЕООД
САТ ЕООД
СИМЕНС ЕООД
ЕТ ТРАПЕН
ХТМУ, СОФИЯ
ПРОГРАМЕН КОМИТЕТ
М. Хаджийски – председател
ОРГАНИЗАЦИОНЕН КОМИТЕТ
К. Бошнаков – председател
В. Акиванов – зам. председател
К. Колчагов М. Николов Ю. Божков Н. Петков
С. Спасов М. Божкова Д. Гочева Н. Шакев
Е. Димитрова Д. Добруджалиев
УПРАВЛЕНИЕ НА ЕНЕРГИЙНИ,
ИНДУСТРИАЛНИ И ЕКОЛОГИЧНИ
СИСТЕМИ
УПРАВЛЕНИЕ НА ТОПЛОЕНЕРГИЙНИ
ОБЕКТИ И СИСТЕМИ (УТЕОС)
тел. 02 987 61 69
e-mail: sai.bg.office@gmail.com
www.sai.bg; www.sai-bg.com
© ISSN 1313-2237
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
СЪДЪРЖАНИЕ
ИНТЕЛИГЕНТНИ СИСТЕМИ
Интегрирана система тип умен дом
Г. Колев, Е. Колева ...................................................................................................................... 41
Бимодална система за разпонаване на емоции базирана на дълбочинни
невронни мрежи
А. Атанасов, Д. Пилев, Ф. Томова ........................................................................................... 47
Интелигентна система за управление събирането на твърди отпадъци
С. Йорданов, Г. Михалев, С. Иванов, Х. Стойчева …………................................................ 53
Rapid prediction of fat content in meat based on a short wave
near-infrared spectroscopy with chemometric techniques
G. Gergov, A. Tchorbadjieff, J. Cruz, E. Kirilova ………….........….…..................................... 57
Фина настройка на libreoffice calc nlp solver за мнокортиериална оптимизация
Д. Първанов, П. Томов, Т. Балабанов ………….........….…..................................................... 61
Моделиране на влиянието на деформация върху загубите
в оптично влакно на Брег
Ж. Жейнов, Й. Урумов ………….........…..........................…..................................................... 65
СЪВРЕМЕННИ ТЕХНОЛОГИИ
Присъединяване на криогенна батерия към конвенционална
енергопреобразуваща инсталация
С. Митева, Д. Попов ………….........….…................................................................................. 69
СЪВРЕМЕННИ ТЕХНОЛОГИИ
Развитието на технологиите – предпоставки, реалност и отговорност
към четвъртата индустриална революция „ИНДУСТРИЯ 4“
С. Къртунов …………................................................................................................................. 73
ФИРМЕНИ ПРЕДСТАВЯНИЯ
Ритал ООД: „VX Ri4Power – новото поколение главни
разпределителни табла (ГРТ) и мотор-контрол центрове (МСС)“
А. Касчиев …………..................................................................................................................... 79
М.Хаджийски
ИИКТ-БАН
Abstract
The study shows that the existence of fundamental similarities between control theory and machine
learning is a real basis for productive interpenetration and enrichment with new concepts, methods
and tools, which are mutually beneficial for overcoming a number of serious modern challenges
such as the control of complex and autonomous systems, cybersecurity, intelligent robotics,
bioautomatics. The continuous development of the control theory as a result of its own progress and
under the influence of the ideas of artificial intelligence will not allow the transformation of
automation into a routine engineering discipline. In turn, the systems based on artificial intelligence
and machine learning are enriched with well-developed methods and procedures from the control
theory in order to improve and create new algorithms and to ensure a higher speed, robust stability
and optimality of the learning process. Industrial automation systems will absorb the innovative
results of the interpenetrating development of artificial intelligence and control theory improving
both the quality and scope, safety and security of operations.
Key words: Artificial intelligence, control theory, deep learning, industrial automation, machine
learning, reinforcement learning.
1. Въведение
През 2022 г. се навършват 100 години от първото реално използване на ПИД-регулатор.
Това става почти век и половина след забележителното постижение на Джеймс Уат с неговия
П-регулатор, 50 000 разнообразни изпълнения на който са действали по време на Първата
индустриална революция в онези далечни времена. Автоматиката с тази дълга своя история е
играла активна роля в развитието на цивилизацията, а в последния век е имала изключителна
роля за инженерни решения на множество нерешими без нея проблеми както в традиционни
индустрии като енергетиката (котли, турбини, генератори), на химията (химични реактори),
металургията (нагревателни пещи), така и във всички изникващи нови области като
електротехниката (ел. двигатели), електрониката (вериги), авиацията (авионика), космоса
(ракети, ровери), роботиката и т.н.
В същото време автоматичното управление често се схваща като „скрита технология”,
която може би е с важна, но като че ли задкулисна роля в повечето важни за индустрията и
обществото проекти1]. Особено през последните две десетилетия терминът „автоматика”
изчезна от оперативните програми и други инициативи на Европейската комисия,
независимо че в центъра на общественото внимание бяха поставени понятия като
„дигитализация”, „роботизация”, „иновация”, Индустрия 4.0 2]. Този проблем периодично е
бил поставян от водещи специалисти в областта на автоматиката –
К. Острем(1999)1], Т.Самад(2011)3]. След нови 10 години отнново възниква въпросът „Ще
се вдигне ли завесата от „скритата технология”, каквато често изглежда автоматичното
управление?”3], както и неговото естествено продължение: превръща ли се автоматиката в
полезна и важна, но рутинна инженерна дисциплина, която вече да не е част от основния
поток на съвременното научно и инженерно развитие, особено в условията на големите
1
данни (Вig data, BD) и на изкуствения интелект (ИИ)4]? Отговорът на този въпрос е важен не
само във връзка със собственото развитие на автоматиката, но е тясно свързан и с
проблемите за справяне с много интердисциплинарни предизвикателства, които поставят
стремителното развитие на машинното обучение (като основна част от ИИ) и растящите
сложности със смисленото овладяване на експлозивно нарастващия поток от данни5]. От
друга страна изследователската дейност в областта на автоматичното управление
продължава да бъде все така интензивна, за което може да се съди по десетките научни
форуми на Международната Федерация по Автоматично Управление (IFAC) и нейните
водещи за областта списания и преди всичко по динамично разширяване на областите в
които автоматиката навлиза с несъмнен успех (биотехнологии, здравеопазване,
екология)6]. Създава се впечатлението, че двете общности – на специалистите по управление
и на тези по изкуствен интелект – се развиват всяка по свой собствен път, с различна
скорост, без да си взаимодействат, говорейки на различен език и базирайки се на своя
специфична парадигматична основа. От друга страна могат да се видят многобройни
признаци за продуктивни взаимодействия с двустранна полза при преодоляване на сериозни
съвременни предизвикателства (интелигентна роботика, автономни системи,
киберсигурност), които биха били невъзможни без достатъчно високо ниво на развитието на
автоматиката като теория и практически достижения, без прекарване на мостове на
сътрудничество между групи от двете общности6,7].
Целта на настоящата работа е да разгледа значителните възможности за реализация на
потенциала на изкуствения интелект чрез тясно интегриране на елементи от теорията и
практиката на управлението. Това ще позволи да се разшири кръгът от нови нетривиални
задачи, които могат да се решат ефективно при взаимното проникване на концепции, методи
и инструменти на двете области.
2
Програмируемите логически контролери (PLC) са основата за реализация както на
базовите P, PI и PID регулатори, така и на тяхното усъвършенстване в каскадните системи,
системите с компенсация на смущението, системите с две степени на свобода и т.н.
В началото на 21 век се появява усложнен вариант на PLC-контролерите под формата на
програмируеми автоматични контролери (PAC) със значително разширени комуникационни
възможности, както това е показано на Фиг. 3.
3
Той добавя към добре усвоените функционалности на PLC и PAC нови възможности,
които отговарят на съвременните изсквания на индустрията в типови ситуации: разширена
комуникация с елементи на мрежови структури за достигане на интероперабилност,
разширени в разумен размер възможности за програмиране, средства за гарантиране на
киберсигурност. EPIC имат разширена възможност за комуникация както с по-високите
йерархични нива на цялостната система за индустриална автоматизация (SCADA, DCS, MES,
ERP), така и със сървъри от облачните технологии. Като комерсиален продукт EPIC имат
висока ценова ефективност.
През последните две десетилетия за сложни технологични обекти се наложи почти
безалтернативно схемата за моделно предсказващо управление (Мodel predictive control,
MPC) обобщено показана на Фиг. 5.
5
Реализират се четири основни функции:
⎯ Следене на зададената текущо оптимална траектория от подсистемата ( S1 ) .
⎯ Ликвидиране на отклоненията, породени от външни ( S5 ) и вътрешни смущения.
⎯ Реализиране на предсказващо поддържане на техническото състояние на системата.
⎯ Гарантиране на киберсигурност на системата като цяло. Подсистемата за управление
( S2 ) е информационно обвързана с подсистемите за данни ( S4 ), състояние ( S6 ),
математично моделиране ( S7 ), вземане на решение ( S8 ) и изчислителни процедури
( S9 , S10 ) .
S 2 изпълнява основната интегрираща функция в цялостната система за
индустриална автоматика (СИА).
⎯ Данни ( S4 ) . В подсистемата се извършват следните основни операции:
• Събиране на сензорна информация от датчици, разположени в обекта ( S3 ) и
околната среда ( S5 ) .
• Реконструкция и косвено измерване на пряко неизмерими данни (софтсенсинг).
• Предварителна обработка на суровите данни (филтрация, изравняване, доказване и
отстраняване на големи отклонения).
• Структуриране на данните (маркиране, формиране на клъстери за целите на
каузалност и обяснимост на данните).
• Анализ на пространството на данните (равномерност, индуктивни измествания
(bias), зашуменост).
• Намиране на основни статистически характеристики на данните (априорно и
апостериорно разпределение, корелация, чисти закъснения).
Подсистемата за данни ( S4 ) е тясно свързана с голяма част от останалите
подсистеми: за управление ( S2 ), обекта ( S3 ), околната среда ( S5 ), оценка на
състоянието ( S6 ), математично моделиране ( S7 ), вземането на решение ( S8 ) и
специални изчислителни процедури ( S9 ) . В S 4 се формират и разнообразните
обратни връзки OBi (i = 1 ÷ 4 ), необходими на подсистемата за управлен (Фиг. 7).
⎯ Околна среда ( S5 ) . В традиционните системи на индустриалната автоматика (СИА)
влиянието на околната среда се отчита (при възможност за измерване) като
компенсация на смущенията (feed-forward control, FFC)12]. В съвременните СИА се
изгражда достатъчно представителен модел на околната среда, съизмерим по
сложност със модела на обекта. Това позволява да се генерира чрез симулация
желаният брой синтетични данни за обучение на основаващите се на данни процедури
за машинно обучение (ML), включени в голяма част от
подсистемите S 2 , S3 , S6 , S 7 , S8 . 13].
⎯ Състояние ( S6 ) . Тук се извършва оценка на различен тип състояния на обекта:
• Динамично състояние (чрез наблюдател, филтър на Калман, разширен филтър на
Калман).
• Техническо състояние на съоръженията (разстояния от ограничения, сигнални
системи, признаци за аномални състояния, безопасност, риск).
• Състояние на киберсигурността.
⎯ Математични модели ( S7 ) . В съвременните СИА математичните модели се
използват за широк кръг от цели:
• За управление ( S2 ) – моделно-предсказващо управление, робастно и стохастическо
управление, средно-квадратично управление.
• За косвено оценяване на променливи ( S4 ) – моделно-базиран софтсенсинг.
6
• За създаване на цифров „двойник“ на обекта.
• За целите на симулация и генериране на синтетични данни.
• За прогнозиране, планиране и производствено разписание.
• За оптимизация.
• За вземане на решения.
Съществува огромно количество математични модели:
⎯ Аналитични модели (FPM).
⎯ Традиционни регресионни модели (AR, ARMA, ARIMA).
⎯ Съвременни математични модели, основаващи се на данни:
• Модели на базата на невронни мрежи.
• Признакови модели.
• Байесови модели.
Подсистемата за моделиране S 7 е тясно свързана с тези за управление ( S2 ) , данни
( S4 ) , състояние ( S6 ) , вземане на решение ( S8 ) , процедури ( S9 ) , IoT ( S10 ) .
⎯ Вземане на решение ( S8 ) . В традиционните СИА тези функции се изпълняват от
човек и то в твърде ограничен обем. В съвременние СИА всяка от системите Si има
връзка с S 8 .
В подсистемата за управление ( S2 ) се избира типът на управлението за текущата
ситуация, извършва се избор на алгоритъм, реконфигурация и параметрична настройка чрез
ограничение14].
В подсистемата за ситуации ( S6 ) се извършва оценка на всички компоненти на
ситуацията, техническото състояние (изправност), текущите технологични възможности
(разполагаеми суровини, енергия), наличие на кибер-атака, проблеми с логистиката (налични
съдове, транспорт, синхронност).
Определя се състоянието на математичните модели, настройвани чрез машинно
обучение, характеристиките на данните, обема на извършваното симулиране.
⎯ Подсистемата за процедури ( S9 ) включва всички сложни алгоритми, предвидени за
СИА: оптимизация, синтез, апроксимация, регуларизация, машинно обучение,
статистически изчисления, съвременна аналитика (advanced analytics)10,11,14,15].
Съвременните системи за индустриална автоматика се разширяват и по отношение на
типа на функционирането. На Фиг. 8 е показано, че се формират две нива:
⎯ Функционално ниво на автоматизация (Фиг. 7).
⎯ Ниво на поддържане на техническите съоражения и на софтуера.
8
2.2.3. Проблеми на традиционните системи на индустриалната
автоматика в условията на големи данни (Big data) и изкуствения интелект (AI)
9
Големите данни (BD) са резултат на интензивното развитие на комуникациите,
глобализацията и дигитализацията в почти всички критично важни области на обществения
живот (медии, бизнес, държавни структури, социални мрежи).
Компютърната мощност нараства с паралелното развитие на хардуера и софтуера.
Изкуственият интелект привлича все повече общественото внимание поради
несъмнените си достижения в области като автоматичния превод, анализа и интерпретацията
на текст, разпознаването на образи, процесите на естествен език4]. Схематично като
диаграма на Вен той може да бъде представен с основните си компоненти, както е показано
на Фиг. 11.
10
популярност през последните години придоби поощряващото обучение (reinforcement
learning, RL)21,22]. На Фиг. 13 е показана принципната схема на поощряващо обучение без
математичен модел. Алтернативен вариант на поощряващото обучение с включен
математичен модел е приведен на Фиг. 14.
11
2. Разполагаемите данни са толкова многорaзмерни и сложни, че поведението на
проектираната система е трудно да се предвиди предварително (например по оценки на
експерти в третираната област).
3. Изискваното поведение на системата може да включва сравнение с определени човешки
качества, които са трудни за количествено дефиниране, определяне и измерване.
Подобна проблематичност налага за разлика от традиционните системи за управление да
се предвидят недетерминистични оптимални политики за обучение и управление, например
при вероятностни ограничения в оптимизационната задача или дори самоорганизиращи се
ограничения23].
12
• Непълнота,
• Изместеност,
• Необходимостта от деперсонализация.
⎯ Отбелязват се сериозни затруднения породени от несъвместимостта със
съществуващата част на традиционната автоматика:
• Платформи, интерфейси;
• Възможен конфликт между традиционната част и нововъвеждани компоненти на
базата на изкуствен интелект, които не са обучени за същия тип данни;
⎯ В много от случаите се налага „ръчна” намеса.
13
4.2. Нови подходи в машинното обучение и изкуствения
интелект под влиянието на теорията за управление
15
7. Основни тенденции в практическото внедряване на
индустриална автоматика, базирана на изкуствения интелект
Само по себе си взаимното проникване на машинното обучение и тероията на
управлението не може да обезпечи бизнес успех на индустриалната автоматика от новото
поколение. Понастоящем се очертава ситуация, в която областите за изследване и развитие
чрез интегриране на машинното обучение и теорията на управлението от една страна и
индустриалната автоматика, базирана на ИИ от друга, се развиват до голяма степен
независимо. Основното предизвикателство се състои в намирането на пътища за пресичане
на тези области чрез иновации, както това е показано на Фиг. 18
Аспен
№ Приложение ABB Сименс Рокуел Хитачи Интел IBM
Тех
1 Обработка на D D D D D D D
данни
2 Анализ на
данни D D D
3 Моделиране на
базата на ML D D D D
4 Диагностика D D D
5 Предсказващо D D D
поддържане
6 Планиране и
разписание D D
7 Киберсигурност D D
8 Симулиране и D
„цифрови
близнаци”
9 Динамично
управление D D D
10 ИИ-базирани
платформи D D D D D D D
16
Основната функционалност – динамичното управление с елементи на ИИ – е слабо
развито дори в такива фирми като ABB, АспенТех и Рокуел. Може да се очаква, че,
следвайки тенденцията за бързо развитие на ИИ през близките години, таблицата ще бъде
все повече запълвана. Очертава се и корпоративна насоченост в следните направления:
⎯ Създаване и разпространение на развойни платформи за системи с елементи на ИИ;
⎯ Изграждане на системи за управление, които се характеризират с широка модулност,
преносимост и мащабируемост, за да се удовлетворят конкретните изисквания, нужди
и предпочитания на клиентите;
⎯ Създаване на модулни системи от инструменти, облекчаващи процесите на
проектирането, настройките и въвеждането на системите;
⎯ Реализиране на различни типове хибридни решения:
• Въвеждане на хибридни математични модели като комбинация от аналитични
(физико-химически) модели и модели на базата на поток от данни,
• Хибридизация на off-line и on-line процедури при оптимизация и обучение,
• Комбиниране на отворени и затворени контури за управление;
⎯ Изграждане на симулационни системи от тип „близнак”, на които се генерират
различни операционни ситуации и се оценяват нови алгоритми за обучение (Фиг.17).
Основна цел на доставчиците на системи за управление и съответния софтуер е да
създадат условия за реализирането на съвременни системи с елементи на ИИ, без да е
необходимо използването на голям брой висококвалифицирани специалисти. За целта се
предлагат:
⎯ Опростен софтуер за потребителя (citizen software),
⎯ Разработване на системи на базата на опростени математични модели,
⎯ Използване на развойни платформи с опростено боравене.
На настоящия етап включването на елементи на ИИ се реализира чрез вграждането им в
съществуващите структури на традиционната автоматика (SCADA, DCS). Съвременното
схващане за вграждане е не като еднократна, а като двукратна процедура:
⎯ На първия етап се разширява функционално съществуващата традиционна част с
гъвкав преходен софтуерен модул;
⎯ На втория етап разширената вече традиционна система се разширява повторно с
елементи на ИИ.
8. Заключение
1. Машинното обучение и теорията на управлението имат фундаментални сходства и
взаимното им проникване и обогатяване ще бъде един все по-ускоряващ се процес през
близките години.
2. Навлизането на нови идеи, методи и инструменти от изкуствения интелект в теорията на
управлението ще позволява да се решават редица нерешими до сега сложни задачи.
3. Непрекъснатото развитие на теорията на управлението в резултат на собствения прогрес
и под въздействието на идеите на изкуствения интелект няма да допусне превръщането
на автоматиката в рутинна инженерна дисциплина.
4. Системите на базата на изкуствения интелект и машинното обучение от своя страна се
обогатяват с добре разработени методи и процедури от теорията на управлението с цел
подобряването и създаването на нови алгоритми и гарантирането на устойчивост,
оптималност и робастност на процеса на обучението.
5. Системите на индустриалната автоматика ще абсорбират иновативните резултати на
взаимно проникващото развитие на изкуствения интелект и теорията на управлението,
подобрявайки както качеството, така и обхвата, безопасността и сигурността на своето
функциониране.
17
Литреатура
2. Isaksson A.J., I. Harjunkoski, G. Sand, The impact of digitalization on the future of control and
operations, Computers and Chemical Engineering, 114, 122–129, 2018.
3. Samad T., A. M. Annaswamy, “The impact of control technology,” IEEE Control Systems
Society, vol. 1, p. 246, 2011.
4. M. Negnevitsky M., Artificial Intelligence: A Guide to Intelligent Systems, third edition, Pearson
Education Canada, 2014.
5. Kordon A.K., Applying Data Science: How to Create Value with Artificial Intelligence,
Springer, 2020.
8. Rawlings J.B, D. Q. Mayne and M. M. Diehl: ”Model Predictive Control: Theory, Computation,
and Design”, 2nd Ed., Nob Hill Publishing, 2017.
9. Jamshidi, M.(ed), System of Systems – Principles and Applications. Boca Raton, FL: Taylor &
Francis, 2008.
10. Aström K.J., P.R.Kumar, Control: A perspective, survey paper, Automatica, Volume 50, Issue 1, Jan 3-
43, 2014.
11. Baillieul, J.,T. Samad,(Eds.). The encyclopedia of systems & control, 2-nd edition, Springer, 2021.
12. Aström, K. J., & Murray, R. M. Feedback systems: An introduction for scientists and engineers.
Princeton University Press, 2008.
13. Piga D., M. Forgione, S. Formentin, A. Bemporad, Performance-oriented model learning for
data-driven MPC design, arXiv:1904.10839v1 math.OC., Apr. 2019.
14. Kochenderfer M., Decision Making Under Uncertainty, MIT Press, 2015.
15. Geering H.P., Optimal Control with Engineering Applications, Springer, 2007.
16. Piga D., S. Formentin, A. Bemporad, “Direct data-driven control of constrained systems,” IEEE
Transactions on Control Systems Technology, vol. 26, no. 4, 1422–1429, 2018.
18
17. Liu Y.Y., A.L. Barabasi, Control principles of complex systems, Reviews of Modern Physics 88
(3), 035006, 2016.
18. Jordan M.I. and T. M. Mitchell. Machine learning: Trends, perspectives, and prospects. Science,
349(6245):255 LP -260, Jul 2015.
19. LeCun Y.,Y. Bengio, G. Hinton, Deep learning, Nature 521 (7553), 436–444, 2015.
20. Sutton R.S., A. G. Barto, and R. J. Williams, “Reinforcement learning is direct adaptive optimal
control,” IEEE Control Systems, vol. 12, no. 2, 19–22, 1992.
21. Lewis F.L. and D. Vrabie, “Reinforcement learning and adaptive dynamic programming for
feedback control,” IEEE circuits and systems magazine, vol. 9, no. 3, 32–50, 2009.
22. Recht B. A Tour of Reinforcement Learning: The View from Continuous Control. Annual
Review of Control, Robotics, and Autonomous Systems, 2(1):253– 279, 2019.
23. Mesbah A., “Stochastic model predictive control: An overview and perspectives for future
research,” IEEE Control Systems Magazine, vol. 36, no. 6, 30–44, 2016.
24. Liu G-H., E. A. Theodorou, Deep Learning Theory Review: An Optimal Control and
Dynamical Systems Perspective, arXiv:1908.10920v2 cs.LG., 2019.
25. Wang S., W. Liu, J. Wu, L. Cao, Q. Meng, and P. J. Kennedy, “Training deep neural networks
on imbalanced data sets,” in 2016 International joint conference on neural networks (IJCNN). IEEE,
2016, 4368– 4374, 2016.
26. Allen-Zhu Z., Y. Li, and Y. Liang, “Learning and generalization in over-parameterized neural
networks, going beyond two layers,” arXiv preprint arXiv:1811.04918, 2018.
27. Schmidt L., S. Santurkar, D. Tsipras, K. Talwar, and A. Madry, “Adversarially robust
generalization requires more data,” in Advances in Neural Information Processing Systems, 5014–
5026, 2018.
28. E. Haber E., L. Ruthotto. Stable architectures for deep neural networks. Inverse Problems,
34(1):014004, 2017.
29. Das I.. Robustness optimization for constrained nonlinear programming problems. Engineering
Optimization, 32(5):585–618, 2000.
30. Ma W.E., L.Wu. Machine Learning from a Continuous Viewpoint. arXiv:1912.12777, 2019.
31. Li Q., S. Hao, “An optimal control approach to deep learning and applications to discrete-
weight neural networks,” arXiv preprint arXiv:1803.01299, 2018.
32. Benning M., Deep learning as optimal control problems: Models and numerical methods.
Journal of Computational Dynamics, 6:171, 2019.
33. Caldas R.D., A. Rodrigues, EB. Gil, G. Rodrigues, T. Vogel, P. Pelliccione, A Hybrid Approach
Combining Control Theory and AI for Engineering Self-Adaptive Systems SEAMS ’20, October 7–
8, 2020, Seoul, Korea.
19
34. Jin Y., B. Sendhof, Trade-off between Optimality and Robustness: An Evolutionary
Multiobjective Approach, Proceedings of the Second Int. Conf. on Evolutionary Multi-criterion
Optimization, C.M. Fonseca et al (Eds.), LNCS 2632, 237-251, Springer, 2003.
35. Gerth D., A new interpretation of (Tikhonov) regularization, Inverse Problems 37, 064002, IOP
Publishing Ltd, 2021.
36. Recht B.. A Tour of Reinforcement Learning: The View from Continuous Control. Annual
Review of Control, Robotics, and Autonomous Systems, 2(1):253– 279, 2019.
37. Annaswamy A.M., A.L. Fradkov, A Historical Perspective of Adaptive Control and Learning,
arXiv:2108.11336v1 math.OC., Aug 2021.
38. Aggarwal, C. C. and Yu, P. S. Outlier detection for high dimensional data. In ACM Sigmod
Record, vol. 30, 37–46, ACM, 2011
39. Colla V.,C. Pietrosanti (Еds), Impact and Opportunities of Artificial Intelligence Techniques in
the Steel Industry,Springer, 2021.
40. Rokohl l., Expanding the Application of Industrial AI, Helping Customers Achieve Profitability
and Sustainability Goals with aspenONE V12.1, May 11, 2021,
www.aspentech.com/en/resources/blog/expanding-the-application-of-industrial-ai
41. Ito T., Z.Iao, K.Maegava, N.Eimaeda et al, Use of AI to Enhance Steel Production Value Chain,
Industry Solutions in the New Normal Era : vol.70 No.2, 2021.
www.hitachi.com/rev/archive/2021/r2021_02/02b07/index.html
20
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Н. Делийски, Д. Ангелски
Abstract. An approach for computation of the processing medium temperature and the heat fluxes required for warming up of
non-frozen wooden prism for veneer production during their autoclave steaming at limited heat power of the steam generator,
depending on the dimensions of the prisms cross section, wood moisture content, and loading level of the autoclave has been
suggested. The approach is based on the use of two personal mathematical models: 2D non-linear model of the temperature
distribution in subjected to steaming non-frozen wooden prisms and model of the non-stationary heat balance of autoclaves for
steaming wood materials. For numerical solving of the models and practical application of the suggested approach, a software
package was prepared in the calculation environment of Visual FORTRAN Professional developed by Microsoft. Using this
package computations and research of the non-stationary change of the processing medium temperature in an autoclave with a
diameter of 2.4 m, length of its cylindrical part of 9.0 m and loading level of 50% at a limited heat power of the steam generator,
equal to 500 kW during the initial part of the steaming process in it of beech prisms with cross-section dimensions of 0.4 × 0.4 m,
initial temperature of 0 °C, basic density of 560 kg·m-3, moisture content of 0.4, 0.6, and 0.8 kg·kg-1 have been carried out.
Simultaneously with this the heat fluxes required for warming up of the prisms themselves and for the whole steaming process in
the autoclave have been calculated, graphically presented and analyzed.
Кey words: wooden prisms, autoclave steaming, 2D model, processing medium temperature, heat flux, loading level of
autoclave, moisture content of prisms
21
където сw е специфичният топлинен капацитет на използване на вече изчисленото 2D разпределение на
дървесината по време на пропарването, J·kg-1·K-1; λw-cr температурата в напречното сечение на призмите:
– коефициент на топлопроводност на дървесината в
напречно на влакната й направление, W·m-1·K-1; ρw – n ρw
Qhw = ⋅
плътност на дървесината, kg·m-3; x – координата на 3.6 ⋅10 6 S w
отделните точки на изчислителната мрежа за числено ⎧ [T ( x, y, n.Δτ) − T ( x, y,0)]
∫∫
⎫
решаване на модела по дебелината на призмата: 0 ≤ x ≤ ⎪ ⎪, (5)
d, m; d – дебелина на призмата, m; y – координата по ⎪S w ⎪
⎨ ⎬
широчината на призмата на отделните точки на ⎪ c w ( x, y, n.Δτ) + c w ( x, y,0) ⎪
изчислителната мрежа: 0 ≤ y ≤ b, m; b – широчина на ⎪⋅ dS w ⎪
⎩ 2 ⎭
призмата, m; τ – време, s; T – температура, K; Tw0 –
където
начална средномасова температура на подложените на
пропарване призми, K; Tm – температура на d ⋅b
Sw = (6)
обработващата (пропарващата) среда по време на 4
топлинното обработване на призмите, K; T(x,y,0) –
е площта на ¼ от напречното сечение на призмата, в
температура на всички точки от обема на призмите в
което поради наличие на симетрия спрямо останалите
началото на процеса на пропарване, K; T(x,0,τ) – ¾ от сечението, се изчислява 2D температурното поле
температура на всички точки върху повърхността на по време на пропарването, m2; d – дебелина на
призмите, която е паралелна на тяхната дебелина, K; призмата, m; b – широчина на призмата, m.
T(0,y,τ) – температура на всички точки върху n
повърхността на призмите, която е паралелна на n dQha
Топлинният поток q ha = , осигуряващ енергията
тяхната широчина, K. dτ
Матeмaтични описания на специфичния топлинен n
Qhw , необходима за нагряване на 1 m3 дървесина във
капцитет сw и на коефициента на топлопроводност на
дървесината λw в различните й анатомични всеки момент n·Δτ oт пропарването, се изчислява (в
направления е направено в [2, 3] въз основа на kW·m-3) по уравнението
експериментално установени в [1, 10] зависимости на n n
сw и λw на дървесината като функции на температурата n dQhw 3600 ΔQhw
q hw = ≈ . (7)
t и съдържанието на вода в дървесината u. dτ Δτ
n
n dQha
3. МОДЕЛИРАНЕ НА ТОПЛИННИЯ БАЛАНС НА Топлинният поток q ha = , осигуряващ енергията
dτ
АВТОКЛАВИТЕ ЗА ПРОПАРВАНЕ НА
n
ДЪРВЕСИНА Qhа , която се консумира от автоклава при нагряването
на 1 m3 дървесина във всеки момент n·Δτ oт
Топлинната енергия Qha, която се съдържа във пропарването, е равна на
въвежданата в автоклавите водна пара, се разходва за
следното [4]: n n
n dQha 3600 ΔQha
• нагряване на дървените материали, подложени на q ha = ≈ . (8)
dτ Δτ
пропарване (Qhw);
• нагряване на корпуса на автоклава и на металните
колички, използвани за разполагане на дървените 4. ИЗЧИСЛЯВАНЕ НА Tm В АВТОКЛАВА ПРИ
материали (Qhf); ОГРАНИЧЕНА МОЩНОСТ НА ПОДАВАНА ПАРА
• нагряване на топлоизолационния слой на автоклава
(Qhil); При реализирането на автоматично управление на
• покриване на топлинната емисия от автоклава към автоклавното пропарване на дървени материали при
околното пространство (Qhe); наличие на ограничена топлинна мощност на
• запълване с водна пара на свободното (незаета от пароизточника възниква следният проблем: в
дървените материали) част от работния обем на зависимост от разполагаемата мощност е необходимо
автоклава (Qhfv); да се изчисли реалната крива на повишаване на
• акумулиране на топлина в събираната в долния край температурата в автоклава Tm в началото на процеса на
на автоклава кондензна вода (Qhcw). топлинно обработване (ПТО) на материалите, когато
Нестационарният топлинен баланс на автоклава за енергоконсумацията е най-голяма.
всеки момент n·Δτ от пропарването се описва от Известо е, че в началото на ПТО е налице
следния математичен модел [2]: криволинейна зависимост на повишаването
температурата Tm в автоклава от времето. Отделните
n
Qha n
= Qhw n
+ Qhf n
+ Qhil n
+ Qhe n
+ Qhfv n
+ Qhcw , (4) участъци от тази зависимост могат да се апроксимират
чрез части от експонента със съответните
където Δτ е стъпката по времевата координата, с която времеконстанти τe за всяка стъпка Δτ при решаването
се решават числено математичните модели (1) ÷ (4), s; на математичните модели. Това дава възможност
n – текущ брой на стъпката по времевата координата повишаването на Tm в началото на ПТО да се опише
Δτ, с която се решават моделите: n = 0, 1, 2, 3, … чрез следното уравнение:
В [2, 5] са дадени математични описания на всички ⎛ τ ⎞
компоненти в дясната част на уравнение (4) в n
Тm = Т m1 − (Т m1 − Т m0 )exp⎜⎜ − ⎟
⎟ (9)
зависимост от влияещите им фактори. Например, ⎝ τe ⎠
разходът на топлинна енергия за нагряване на 1 m3 n
дървени призми по време на автоклавното им където Т m е текущата стойност на температурата на
пропарване се изчислява по следното уравнение с обработващата среда в автоклава във всеки момент
22
n·Δτ oт ПТО, K; Tm0 – температура в автоклава в При решаването на моделите са използвани
началото на ПТО, K; Tm1 – максимално допустима топлофизичните свойства на букова дървесина с
технологично температура по време на ПТО, K; τ – начална температура tw0 = 0 oC, базисна плътност ρb =
текуща стойност на времето на ПТО, равна на n·Δτ, s; 560 kg·m−3 и граница на насищане с вода на
τe – времеконстанта на отделните изчислявани по дървесните влакна ufsp = 0.31 kg·kg-1 [2, 3, 5].
уравнение (9) участъци на Tm по време на Началната и максимална стойност на температурата на
повишаването й от Tm0 до Tm1, s. обработващата среда в началния етап на пропарването
n във всеки
За определяне на τe и изчисляване на Т m са приети равни съответно на tm0 = 0 oC и tm1 = 130 oC.
При симулациите са използвани различни комбинации
момент n·Δτ в началото на ПТО е приложен методът с между следните стойности на факторите, оказващи
променлива възвратна стъпка [15] с използване на влияние върху продължителността τ1 на повишаване
следния оптимизационен критерий: на Tm в началния етап на ПТО и на изменението на
qsource q енергоконсумациите Qa и Qw и на топлинните потоци
− ∂ h ≤ q an ≤ source + ∂ h , (10) qa и qw по време на този етап:
γ ⋅ Va γ ⋅ Va
• Размери на напречното сечение на буковите призми
с дебелина d и широчина b: 0.4 × 0.4 m;
⎛ Qn ⎞
⎜ ⎟ • Съдържание на вода u на подложените на
d ⎜ ha ⎟⎟
⎜ γ ⋅ Va пропарване призми: 0.4 kg·kg-1, 0.6 kg·kg-1 и 0.8 kg·kg-1;
където q аn = ⎝ ⎠ е специфичният топлинен поток
• Степен на запълване γ на автоклава с призми за
dτ
пропарване: 0.5 m3·m−3 (т.е. γ = 50%).
на въвежданата в автоклава водна пара, kW·m-3; qsource
– топлинна мощност на пароизточника, захранващ
автоклава, kW; Va – вътрешен обем на автоклава, m3; γ 6. ИЗМЕНЕНИЕ НА 2D РАЗПРЕДЕЛЕНИЕТО НА
– степен на запълване на автоклава с дървени ТЕМПЕРАТУРАТА В ПОДЛОЖЕНИТЕ НА
ПРОПАРВАНЕ БУКОВИ ПРИЗМИ
материали за пропарване, m3·m-3; ∂ h – граница на
локализация на потока qan , kW·m-3. На фиг. 1 в качеството на пример е показано
Удовлетворяването на (10) означава, че по време на изчисленото изменение на tm, tavg, и t в 2
представителни точки (t1 в т. 1 и t4 в т. 4) на букови
всяка следваща стъпка Δτ of ПТО енергията Δτ ⋅ qan , призми с d × b = 0.4 × 0.4 m, съдържание на вода u =
която се изчислява с текущо определената по (9) 0.4, 0.6, 0.8 kg·kg-1 и степен на запълване на автоклава
n
реална стойност на Т m , ще бъде равна на енергията γ = 50% по време на тяхното автоклавно пропарване и
последващо кондициониране във въздушна реда с цел
q
Δτ ⋅ source . хомогенизиране на температурното поле в тях.
γ ⋅ Va
140 Букови призми: u=0.4 kg/kg: tm
5. РЕШАВАНЕ НА МОДЕЛИТЕ (1) ÷ (10) 120
0.4 x 0.4 m, u=0.6 kg/kg: tm
t w0 = 0 oC, u=0.8 kg/kg: tm
γ = 50% u=0.4: t1
Tемпература t , o C
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
опростявания на уравненията в моделите [2, 5].
Врем е τ, h
С помощта на софтуерния пакет е изчислено
изменението на Тm и на двумерното изменениe на Фиг. 1. Изменение на tm, tavg, и t в точките t1 and t4 на
температурата в 4 представителни точки на ¼ от призми с d x b = 0.4 x 0.4 m и γ = 50% по време на
напречното сечение на букови призми с дебелина d и пропарването и кондиционирането, в зависимост от u
широчина b по време на пропарването им в автоклав с
вътрешен диаметър D = 2.4 m, дължина на
На тази фигура са показани също минималната и
цилиндричната част L = 9.0 m, имащ вътрешен обем Va
максималната граници на оптималната температура,
= 48 m3 [2, 14].
съответно topt-min = 62 °C и topt-max = 90 °C, в които
Координатите на представителните точки на призмите,
трябва да се намира преди последващото им
в които е регистрирано изменението на температурата,
механично обработване.
имат следните координати: т.1: d/8, b/8; т.2: d/4, b/4;
За получаване на качествен фурнир от
т.3: d/2, b/4 и т.4: d/2, b/2 (център на призмите).
пластифицираните призми е необходимо
Едновременно с това е изчислявано изменението на
температурното поле в пропарените призми да се
средномасовата температура Tavg на призмите,
намира изцяло в тези граници [2, 5, 13].
енергията Qa и топлинният поток qa, въвеждани във
От фиг. 1 се вижда, че такова състояние настъпва след
автоклава, а също енергоконсумацията и Qw и
продължителност на кондиционирането на нагретите и
топлинният поток qw, които са необходими за
пластифицирани букови призми, приблизително равно
нагряване на призмите [4]. По време на симулациите е
на около 1.5 h.
заложена ограничена мощност на захранващия
автоклава пароизточник, равна на qsource = 500 kW.
23
7. ИЗМЕНЕНИЕ НА ТЕМПЕРАТУРАТА Tm В 70
АВТОКЛАВА В НАЧАЛОТО НА РЕЖИМИТЕ ЗА Qa: u = 0,4
-3
ПРОПАРВАНЕ НА ДЪРВЕНИТЕ ПРИЗМИ 60 Qa: u = 0,6
100 o
o
γ = 50%, t m1 = 130 C
0
80
0 0,5 1 1,5 2 2,5 3
60 Време τ , h
u = 0,4
40 Фиг. 3. Изменение на Qa и Qw в началото на режимите
o
Бук: 0.4 x 0.4 m, t w 0 = 0 C
u = 0,6 за пропарване на призми с d x b = 0.4 x 0.4 m и γ = 50%
20 o в зависимост от u
γ = 50%, t m1 = 130 C u = 0,8 kg/kg
0 22
0 0,5 1 1,5 2 2,5 3 -3 20
Време τ , h
Топлинен поток q a , q w , kW.m
18
24
максимални стойности, равни на 13.13 kW·m-3 при u = БЛАГОДАРНОСТИ
0.4 kg·kg-1, 14.11 kW·m-3 при u = 0.6 kg·kg-1 и 14.84
kW·m-3 при u = 0.8 kg·kg-1. До изтичането на времето Настоящата работа е подпомогната от НИС при ЛТУ,
τ1 и достигане на tm1 = 130 oC потоците qw съвсем София, договор № 1079/2020.
плавно намаляват, а след това те, а и потоците qa се
понижават плавно, но значително – повече от 2 пъти. ЛИТЕРАТУРА
Следва да се отбележи, че разликите между
енергоконсумациите Qa и Qw на фиг. 3 и между 1. Chudinov, B. S. Theoretical Research of Thermo-
потиците qa и qw на фиг. 4 са равни на сумата Physical Properties and Thermal Treatment of Wood,
съответно на енергиите и топлинните потоци, които Dissertation for DSc., SibLTI, Krasnoyarsk, 1966 (in
осигуряват енергоконсумациите на последните 5 члена Russian).
в дясната част на уравнение (4). 2. Deliiski, N. Modelling and Technologies for
Steaming Wood Materials in Autoclaves. Dissertation
for DSc., University of Forestry, Sofia, 358 p. 2003
ЗАКЛЮЧЕНИЕ (in Bulgarian).
3. Deliiski, N. Transient Heat Conduction in Capillary
В настоящия труд е представен метод за изчисляване Porous Bodies. In Ahsan A. (ed) Convection and
на температурата на обработващата среда tm, а също на Conduction Heat Transfer. InTech Publishing House,
топлинните потоци и енергоконсумацията при Rieka, pp. 149-176, 2011.
автоклавно пропарване на несъдържащи лед дървени 4. Deliiski, N. Modelling of the Energy Needed for
Heating of Capillary Porous Bodies in Frozen and
призми за фурнирното производство при ограничена Non-frozen States, Scholars’ Press, Saarbrücken,
мощност на пароизточника в зависимост от размерите Germany, 116 p., 2013, http://www.scholars-
на напречното сечение на призмите d x b, press.com//system/.
съдържанието на вода в дървесината u и степента на 5. Deliiski, N. and L. Dzurenda. Modeling of the
запълване на автоклава с призми γ. Thermal Treatment in the Technologies for Wood
Методът се базира на използването на два Processing. University of Forestry, Sofia, 299 p.,
2010 (in Bulgarian).
математични модела: 2D нелинеен модел на 6. Hadjiski, M. and N. Deliiski. Advanced Control of
разпределението на температурата в призмите и модел the Wood Thermal Treatment Processing.
на нестационарния топлинен баланс на автоклавите за Cybernetics and Information Technologies, vol. 16,
пропарване на дървени материали. № 2, pp. 179-197, 2016.
Представени и анализирани са диаграми с изчисленото 7. Hadjiski, M. and N. Deliiski. Inteligent Control of the
нестационарно изменение на tm в използван в Wood Thermal Treatment Process under Variable
практиката автоклав с диаметър 2.4 m, дължина 9.0 m Scheduling. Proc. of the 28-th Int. Symposium
“Control of Energy, Industrial, and Ecological
и степен на запълване с призми γ = 50% при Systems”, 12-13 November, Bankya, Bulgaria, рр.
ограничена мощност на парозахранването 500 kW по 35-46, 2020.
време на пропарване в него на букови призми с 8. Hadjiski, M. and N. Deliiski. Advanced Process
размери на напречното сечение d x b = 0.4 × 0.4 m, Control of Distributed Parameter Plants by
начална температура 0 °C и съдържание на вода u = Integration First Principle Modeling and Case-Based
0.4, 0.6 и 0.8 kg·kg-1. Представени и анализирани са и Reasoning. Part 2: Case-Based Reasoning Control of
диаграми на изменението на енергоконсумациите на DPP. Proc. of the Int. Conf. of Automatics and
Informatics “D. Atanassov”, 1-3 October, Varna, 6 р.,
призмите Qw и на целия автоклав Qa, а също на 2020.
осигуряващите ги топлинни потоци qa и qw в 9. Hadjiski, M., N. Deliiski and N. Tumbarkova.
зависимост от посочените фактори. Всички диаграми Intelligent Hybrid of Thermal Treatment Processes of
са построени по софтуерно изчислени резултати. Wood, Proc. of the 16-th Int. Conf. Intelligent
Установено е, че увеличаването на u при дадени Systems, IS 2020, Varna, pp. 482-489, 2020.
стойности на d x b и γ поражда практически линейно 10. Kanter. K. R. Investigation of the Thermal Properties
of Wood. PhD. Thesis, MLTI, Moscow, 1955 (in
нарастване на времето τ1, за което температурата tm се Russian).
повишава от начална стойност tm0 до максималната 11. Pervan S. Technology for Treatment of Wood with
режимна стойност tm1. Water Steam. University in Zagreb, Zagreb, 2009 (in
Установено е също, че в интервала 0 – τ1 в началото Croatian).
на пропарването енергоконсумациите Qw и Qa 12. Riehl, T., J. Welling and A. Frühwald. Druckdämpfen
нарастват линейно. След достигане на максималната von Schnittholz, Arbeitsbericht 2002/01: Institut für
температура tm1 повишаването на Qw и Qa се забавя и Holzphysik, Hamburg: Bundesforschungsanstalt für
Forst- und Holzwirtschaft, 2002.
преминава в криволинейно. 13. Shubin, G. S. Drying and Thermal Treatment of
В първите 0.1 h = 6 min от ПТО при константен Wood. Lesnaya Promyshlennost, Moscow, 337 p.,
топлинен поток qa, обусловен от ограничената 1990 (in Russian).
мощност на пароизточника qsource, потоците qw рязко 14. Sokolovski, S., N. Deliiski and L. Dzurenda.
нарастват, а с последващото им плавно повишаване Constructive Dimensioning of Autoclaves for
достигат максимални стойности при τ = 0.6 h. Treatment of Wood Materials under Pressure. Proc.
След изтичането на времето τ1 и достигане на of the 2nd Int. Sc. Conf. “Woodworking techniques”,
Zalesina, Croatia, pp. 117−126, 2007.
температурата tm1 потоците qw и qa се понижават 15. Stoyanov, S. Optimization of Technological Objects.
плавно, но значително – повече от 2 пъти. Technika, Sofia, 412 p., 1983 (in Bulgarian).
Предложеният метод и получените резултати могат да 16. Trebula, P and I. Klement. Drying and Hydrothermal
се използват за изчисляване и моделно базирано Treatment of Wood. TU in Zvolen, Slovakia, 449 p.,
автоматично реализиране на енергийно ефективни 2002 (in Slovak).
оптимизирани режими за автоклавно пропарване на 17. Videlov, H. Drying and Thermal Treatment of Wood.
University of Forestry, Sofia, 255 p., 2003 (in
дървени материали с различно предназначение при Bulgarian).
ограничена мощност на пароизточника [7, 8, 9].
25
26
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Abstract: The aim of this paper is to design predictive algorithm for control of time-delayed systems with the possibility of measurable
disturbance compensation. Аn approach to reduce the calculations in the General Predictive Control algorithm has been successfully
applied. Simulation examples are presented to show results of the design.
Key words: Generalized predictive controller, Disturbance compensation, Time-delay, Diophantine equation
27
върху обекта. Полиномът D q −1 представя характера на( ) ρ d = d − dν е относителната разлика межу закъснението,
измеримото смущение, а полиномът C q −1 – на шума. ( ) между входа и изхода на процеса, и закъснението, между
смущението и изхода на процеса.
Моделът, описан в уравнението (2), се преобразува в Предсказаната изходна величина y(k + j ) може да се
ARMAX по отношение не на самите сигнали, а на техните представи с две компоненти
първи разлики: y (k + j ) = ŷ (k + j | k )+ ~
y (k + j ) .
( ) ( )
A q −1 Δy (k )= B q −1 q − d Δu (k −1) + Първата компонента, т.нар. възстановим изход,
+ D (q −1 )q − dv v(k ) + C (q −1 )ξ (k ) .
(3)
( )
( ) ( )Δu(k + ne )+ F j (q −1) y(k )+
B q −1 E j q −1
C (q −1 ) C (q −1 )
ŷ k + j k =
За да бъде решена оптимизационната задача е необходимо
D (q −1 )E j (q −1 )
да се определят предсказаните стойности на изходната (7)
променлива y (k + j ) , за N1 ≤ j ≤ N2 , където N1 = d +1+ ne1 ,
Δν (k + 1 + ne + ρ d )
C (q −1 )
+
N 2 = d +1 + ne2 , ne1 и ne2 са съответно минимален и
максимален хоризонт на грешката на управлението [3]. може да се предскаже въз основа на входно-изходните
Предсказването на изхода y изисква да се решат три данни до k-тия момент посредством синтезирания
Диофантови уравнения. Нека (3) се запише във вида оптимален управляващ сигнал след k-тия момент.
y (k ) = ~
( )
B q −1 D q −1
Δu (k − d −1)+ ~
( )
Δv(k − dv )+ ~
C q −1 ( )
ξ (k ) , (4)
Втората компонента, т.нар. невъзстановим изход,
( )
y (k + j ) = E q −1 ξ (k + j )
~
Aq( )
−1
Aq −1 ( ) A q −1 ( ) j
не зависи от данните, т.е. на нея не можеда се повлияе
където чрез оптималния управляващ сигнал.
~
( ) ( )
A q −1 = A q −1 Δ =1 − (1 − a1 )q −1 − (a1 − a2 )q −2 −… −
.
Окончателният вид на възстановимия изход (7) се
получава след като се извършат следните полагания:
− a q − (na +1) =1 − a~ q −1 − a~ q − 2 −… − a~ q −(na +1)
na 1
Полиномите пред ξ (k ) в (4) се представят с
2 na +1
( ) ( ) ( ) ( ) ( ) ( )
df + dp −1
H jf + p q −1 = B q −1 E j q −1 , , H j q = D q −1 E j q −1 ,
(q )= H f (q −1 )+ q − j+d H jp−d (q −1 ) ,
( ) ( ) (( ))
f + p −1
−1 Hj
C q −1 −1 F j q
C (q −1 ) C (q −1 )
q − j , j = d +1+ ne ,
~
( )
A q −1
= E j q + ~
A q −1
(5) j −d
( ) ( )( ) ( ) C (q −1 ) C (q −1 )
~ j −d + ρ d
C q − 1 = E j q − 1 A q −1 + F j q − 1 q − j , (6)
deg E j (q −1 )= j −1 = d + ne , deg F j (q −1 )= na .
от където в методиката за проектиране на регулатора се
извеждат
Нерекурсивно изчисление на Диофантовото уравнение Второто Диофантово уравнение
Коефициентите на полиномите E j (q −1 ) и F j (q − 1 ) от ( ) ( )( ) ( )
H jf + p q −1 = H jf− d q −1 C q −1 + q − j + d H jp− d q −1 ,
F j (q −1 ) H j (q −1 )
k =0 dp
y (k )+ H j (q −1 )Δν (k + ne + ρ d +1)+ Δν (k )
j −1 df
C (q −1 ) C (q −1 )
+
f j ,i = c j + i − ∑ e j ,k a~ j + i − k , i = 0,1,…, na .
k = i +1 Предсказаният възстановим изход ŷ (k + j |k ) , също може
Така, след заместване на k с k + j и на (5) в (4), се да се представи като сума от две компоненти
достига до предсказващия модел ŷ (k + j | k ) = ŷ пр (k + j | k )+ ŷ непр (k + j | k ) . (9)
y (k + j )=
( ) ( )Δu(k + ne )+ F j (q−1) y(k )+
B q −1 E j q −1 Първата компонента, т. нар. принудена компонента
C (q −1 ) C (q −1 ) ( )
ŷпр (k + j | k )= H jf q −1 Δu (k + ne )
.D (q −1 )E j (q −1 )
,
Δν (k + 1 + ne + ρ d )+ E j (q )ξ (k + j )
−1
зависи от изменението на управляващия сигнал в k-тия и
C (q −1 )
+ след k-тия момент. Бъдещите стойности на управляващия
сигнал са:
където
28
( )
H jf q −1 Δu (k + ne )= ⎡ hne
⎢ 1
hne −1 … hne − N u + 2 hne − Nu +1 ⎤
1 1 1 ⎥
.
⎢hne1 +1 hne1 … hn − N + 3 hn − N + 2 ⎥
= h jf,0 Δu (k + ne )+ h jf,1Δu (k + ne −1)+ … + h jf,n Δu (k ) ⎢
e1 u e1 u
⎥
e
Втората компонента, т. нар. непринудена компонента H f =⎢ ⎥.
⎢ hNu −1 hN u − 2 … h1 h0 ⎥
( )
ŷнепр (k + j | k ) = H df
j q Δν (k + ne + ρ d + 1)+
−1
, (10)
⎢
⎢
⎥
⎥
+ H jp (q −1 )Δu F (k −1)+ F j (q −1 )y F (k )+ H dp ( −1 ) F ⎢ hn h … hn − N + 2 hn − N +1 ⎥
j q Δν (k ) ⎣ e2 ne2 −1 e2 u e2 u ⎦
1 Когато бъдещите стойности на смущението са известни
дефинирана с филтрираните сигнали Δν F (k )=
( )Δν (k )
C q −1 или могат да бъдат предсказани H df може да се изчисли.
Ако бъдещите стойности са постоянни и равни на
1 1
y F (k )= y (k ) , Δu F
(k −1)=
Δu (k −1) , последната измерена стойност, тогава ν (k + j )= 0 и
C (q )
−1
C q −1 ( ) вторият член в ŷнепр ще бъде нула. Матрицата H df
представлява предсказаната стойност на възстановимия
изход ŷ (k + j |k ) на САУ при отсъствие на управляващо и може да има три различни структури в зависимост от ρ d
смущаващо въздействие върху обекта (Δu (k + j ) = 0 , [4]. Елементите й представляват стойности на дискретната
Δν (k + j )= 0 ) , зависи от изменението на измеримото преходна функция на модела на измеримото смущение
смущение след k-тия момент, изменението на ( ) ( )
~
(
D q −1 A q −1 , тя е с размерност ne2 − ne1 +1 × Nν , )
управляващия сигнал до k −1 -вия момент, от изходния
H df =
сигнал и от смущаващото въздействие до k-тия момент,
включително. В (10) бъдещите стойности на измеримото ⎡ hne + ρ d hne + ρ d −1 … hne − Nν + ρ d + 2 hne − Nν + ρ d +1 ⎤
⎢ 1 1 1 1 ⎥
смущение, миналите стойности на управляващия сигнал и
⎢hne1 + ρ d +1 hne1 + ρ d … hne − Nν + ρ d +3 hne − Nν + ρ d + 2 ⎥
1 1
на измеримото смущение съответно са: ⎢ ⎥
( )
j q Δν (k + ne + ρ d +1)= h j ,0 Δν (k + ne + ρ d +1)+
H df −1 df ⎢
⎢ hNν −1 hNν − 2 … h1 h0
⎥.
⎥
, ⎢ ⎥
j ,1Δν (k + ne + ρ d )+ … + h j ,ne + ρ d Δν (k +1)
+ h df df
⎢ ⎥
⎢ hn + ρ hne + ρ d −1 … hne − Nν + ρ d + 2 hne − Nν + ρ d +1 ⎥
⎣ e2 d
( )
2 2 2 ⎦
H jp q −1 Δu F (k −1)= h jp,0Δu F (k −1)+ h jp,1Δu F (k − 2)+
Ако индекс на h, в матриците H f и H df , е по-малък от
,
нула, то на мястото на h със съответния индекс се записва
+…+ h jp,d + n −1Δu F (k − (d + nb ))
b нула.
( )
H j q −1 Δν F (k )= h j ,0νΔF (k )+ h j ,1 Δν F (k −1)+…+
dp dp d_p Матриците H p , F и H dp имат съответно размерности
( ) ( )
ne2 − ne1 +1 ×(d + nb ) , ne2 − ne1 +1 ×(na +1) ,
.
+ h j ,d + n −1Δν F (k − (dν + nd −1))
dp
ν d
(ne2 − ne1 +1)×(dν + nd ) .
За дефинираните в (11) величини се извежда следния
ЦЕЛЕВА ФУНКЦИЯ И ЗАКОН ЗА УПРАВЛЕНИЕ матричен еквивалент на квадратичния показател (1)
J = ( ŷ − r )T ( ŷ − r )+ uT Qλ u ,
Нека се формират следните величини:
[( )( ) (
r = r k + d +1+ ne1 , r k + d + 2 + ne1 ,…, r k + d +1+ ne2 T , )] { }
където Qλ = diag λ0 , λ1 ,…, λNu −1 е диагонална матрица,
Qλ = λI , I - единична матрица,.
[( )( ) (
ŷ = ŷ k + d +1+ ne1 k , ŷ k + d + 2 + ne1 k ,…, ŷ k + d +1+ ne2 k )]T , Ако се отчете (12), това описание може да се представи
като
[ ( ) ( ) (
u = Δu k k , Δu k +1 k ,…, Δu k + Nu −1 k )]T , ( T
)(
J = H f u + ŷ непр − r H f u + ŷ непр − r + λu T u )
ν = [Δν (k +1 k ), Δν (k + 2 k ),…, Δν (k + Nν )k ] ,
T
или
[ ] J = u T Hu + b T u + f 0 ,
p = Δu (k −1), Δu (k − 2 ),…, Δu (k − d − nb ) ,
uF T (13)
p = [ y (k ), y (k −1),…, Δu (k − na )] ,
yF T с елементи
T
H =H f H f +λ , ( )
b T = 2 ŷ непр − r T H f ,
29
Многостъпковото предсказване на изхода (регулируемата И за двата случая на фиг. 2 (случай 1) и фиг. 3 (случай 2)
величина) се осъществява като непрекъснато повторение се представят резултатите от симулациите за:
на така описаната процедура на проектирането на всеки
следващ такт на времето, което означава многократно да
- Стандартен GPC – Q q −1 = 0 ; ( )
- Компенсатор, с включени бъдещи стойности на
се решава (15) с обновяване само на векторите r и ŷнепр . смущението към GPC;
N2 N2
( )
F q −1
N2
( )
H p q −1 - Компенсатор, без включени бъдещи стойности на
Δu (k )= ∑k j r (k + j )− ∑ k j Cj(q−1) y(k )− ∑ k j Cj(q−1) Δu(k −1)
j=N j=N j=N
смущението към GPC, Q f q −1 = 0 ; ( )
1 1 1
- Класически компенсатор – реализируем само за случай 1.
N2
( )
N2
( )
H dp
j q
−1
− ∑ j q Δν (k +1)−
k j H df −1
∑ k j C (q−1) Δν (k ) . Случай 1. τ u =1 s, τν = 3 s, d = 4 s, dν =12 s, ρ d = −8 .
j = N1 j=N 1
Като се отчете, че заданието остава постоянно в рамките
на хоризонта на управление, може да се изведе в линеен
вид следния обобщен предсказващ регулатор, който е
u(t)
( ) ( ) ( ) ( ( ) ( )
R q − 1 Δ u ( k ) = T q − 1 r ( k ) − S q − 1 y ( k ) − Q f q − 1 + Q p q − 1 Δν ( k )
R (q −1 )= C (q −1 )+ ∑ k j H jp (q −1 )q −1 , S (q −1 )= ∑ k j F j (q −1 ) ,
N 2 N 2
j = N1 j = N1
(а) (б)
( )=C (q ) ∑ k j , Q f (q )= C (q ) ∑ ( )
N2 N2
−1 −1 −1 −1 −1 1 Фигура 2. Сигнали в системата за управление
Tq k j H df
j q q
,
j = N1 j = N1
Случай 2. τ u = 5 s, τν = 2 s, d = 20 s, dν = 8 s, ρ d =12 .
( )= ( ), ( ) ( ) ( ).
N2
Qp q −1
∑ k j H dp
j q
−1 Q q −1 = Q f q −1 + Q p q −1 1.5 3
j = N1 1
2.5
Задание r(t)
20 25 30 35 40 45 50
0
0 5 10 15
GPC
20 25 30 35 40 45 50
t, s t, s
(а) (б)
Фигура 3. Сигнали в системата за управление
ЗАКЛЮЧЕНИЕ
30
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Key words: Neural classifiers, state of river waters, Struma river, presence of inadmissible pollution
32
3.3.Анализ на измерванията от гледна точка на Таблица 4 Резултати от обучение на невронните мрежи
изискванията на Наредба 4. Подробният анализ на
данните за река Струма в периода 2010-2019г. по No Структура на k R
отношение на изискванията на Наредба 4 [1] за невронната
мрежа
характеризиране на повърхностните води за
1 7-7-1 64 0.970
полупланински типове реки (R4 и R5) (Таблица 3)
2 7-5-1 46 0.962
показва следното. Различните анализи във времето
3 7-3-1 28 0.957
попадат в различни групи постулирани в наредбата
„отлично“, „добро“ и „умерено“. Наблюдават се някои В Таблица 4 първата цифра в структурата на невронната
особености в качеството на речните води на Река Струма мрежа е броя на входните неврони, втората – броя на
в изследваното течение. Концентрацията на разтворения невроните в скрития слой и третата е броя на изходните
кислород DO попада преимуществено в първите две неврони. С k е означен броя на параметрите в невронната
категории „отлично“ и „добро“. Електропроводността EC мрежа. Коефициентът на множествена корелация (R) се
попада изцяло в категорията „отлично“. В наредбата за отнася за всички данни, в които са включени данните въз
pH са зададени гранични стойности само за категорията основа на които е направено обучението, данните за
„добро“. Направена е експертна категоризация на верификация и тестовите данни
разполагаемите 70 комплекта измервания/анализи,
От таблицата се вижда, че директното включване на
съответстваща на изискванията на Наредба 4.
изследваните променливи като входове на невронната
В трите категории попадат както следва – в „отлично“ –
мрежа води до нарастване на броя на оценяваните
15 комплекта данни, в „добро“ – 26 данни и в „умерено“
параметри в мрежата, което от своя страна изисква
– 29 данни.
значително по-голям брой данни от измервания/анализи.
Таблица 3 Категоризация
на физикохимичнитепоказатели съгласно Наредба 4 5.ПРИЛОЖЕНИЕ НА МЕТОДА НА ГЛАВНИТЕ
КОМПОНЕНТИ ЗА РАЗРАБОТВАНЕ НА НЕВРОННИ
DO pH EC NH4-N КЛАСИФИКАТОРИ
mg/l - μS/sm mg/l
За преобразуване на корелираните променливи в
Отлично 10.5-8.0 - 700 <0.04
независими или несвързани променливи и редуциране на
Добро 8.0-6.0 6.5-8.5 750 0.04-0.4
размерността на задачата, в резултата на което да се
Умерено <6.0 - >750 >0.4
включи по-малък брой променливи, следващите
NO3-N NO2-N TN PO4-P
изследвания включват прилагане на метода на главните
mg/l mg/l mg/l mg/l
компоненти (Principal Component Analysis (PCA).
Отлично <0.5 <0.01 <0.5 <0.02
Схемата, по която се прави преобразуването е показана
Добро 0.5-1.5 0.01- 0.5-1.5 0.02-0.04
на Фиг.1
0.03
Умерено >1.5 >0.03 >1.5 >0.04
TP BOD5
mg/l mg/l
Отлично <0.025 <1.2
Добро 0.025- 1.2-3
0.075
Умерено >0.075 >3
От анализите на проведените измервания/анализи може
да бъде направен извода, че при попадане в категорията
„умерено“ е необходимо да бъде проведено детайлно Фиг.1 Схема с включване на метода на главните
изследване на физикохимичните параметри от компоненти
конкретното измерване
На Фиг.1 с X1 , X 2 ,..., X m са означени физикохимичните
4.РАЗРАБОТВАНЕ НА НЕВРОННИ променливи, а с PC1 , PC 2 ,..., PC a главните компоненти. С
КЛАСИФИКАТОРИ PCA е означен методът на главните компоненти, с NN –
Първоначално е разработен класификатор за невронна мрежа и с Y – изходната променлива на
категоризиране на постъпващи измервания/анализи с невронната мрежа, която в случая е категорията към
участие на следните физикохимичните показатели NH4- която се отнася конкретното измерване.
N, NO3-N, NO2-N, BOD, TN, TP, PO4-P, за които при 5.1.Разработване на невронни класификатори за
различните измервания се наблюдава принадлежност и широк спектър от измервания
към трите категории. Разработен е класификатор,
построен на базата на невронни мрежи с право Анализът на главните компоненти е направен за всички
разпространение на сигнала. За целите на класификатора физикохимични показатели за качеството на речните
на категорията „отлично“ е присвоена числена стойност води, като в допълнение е включена и температурата (T),
1, на категорията „добро“ – 2 и за „умерено“ – 3. която е влияещ фактор главно върху концентрацията на
Обучението се извършва на базата на 70 комплекта разтворения кислород (DO). По този начин предмет на
данни. Получени са следните резултати от обучението на разглеждане са следните променливи NH4-N, NO3-N,
невронните мрежи: NO2-N, pH, BOD, EC, TN, TP, PO4-P, DO, T.
33
Стойностите на тези променливи се разполагат по редове Таблица 4 се извършва с различни инструменти и методи
на матрицата Х, (в термините на PCA), която е с и са с различна продължителност, като има някои, които
размерност (n,m), като n съответства на броя на са особено бавни, като анализа на BOD, което се прави в
измерванията, а m на броя на променливите. За продължение на 5 дни (BOD5). По тази причина е
конкретния случай n=70, а m=11. изследвана възможността да се организира процедура въз
основа на променливите, които в световен мащаб се
Получените са следните собствени стойности на
измерват непрекъснато с помощта на сензори монтирани
ковариационната матрица
на място. Такива променливи са pH, EC, DO и T.
λ1 = 4,332 λ 2 = 1,565, λ 3 = 1,315, λ 4 = 0,9599 , λ 5 = 0,7732 ,
5.2.Разработване на невронни класификатори за
λ 6 = 0,6921, λ 7 = 0,5453, λ 8 = 0,4751, λ 9 = 0,1908, λ10 = 0,1229 променливи, подлежащи на непрекъснато измерване
За тази цел от разполагаемите 70 данни, които са
Получените три главни компонента са показани в класифицирани в категориите “отлично“, „добро“ и
Таблица 3 „умерено“ и съответстващата числова информация за
категория - 1, 2, и 3 се създава нов комплект данни, който
Таблица 5 Стойности на главните компоненти
включва pH, EC, DO, T и Y. И при това изследване се
PC1, PC2 и PC3
прилага подходът за преобразуване на стойностите на
Промен PC1 PC2 PC3 физическите променливи в главни компоненти.
лива Стойностите на първите три главни компонента са
NH4-N 0,228 0,025 0,484 представени в Таблица 5.
NO3-N 0,393 -0,130 -0,151 Таблица 7 Главни компоненти за измерими променливи
NO2-N 0,171 0,352 0,275
pH 0,045 0,165 -0,764 No PC1 PC2 PC3
BOD 0,254 -0,373 -0,035 pH 0,131 0,882 0,257
EC 0,253 0,312 0,046 EC 0,436 0,044 -0,830
TN 0,372 -0,328 0,009 DO 0,691 0,150 0,137
TP 0,373 0,389 -0,001 T -0,539 0,444 -0,475
PO4-P 0,391 0,319 0,002
DO 0,335 -0,024 -0,274 Таблица 8 Структура на невронните мрежи
T -0,302 0,483 -0,071
No Структура на k R
Изразът за изчисляване на един от главните компоненти невронната
е следния: мрежа
PC1 = 0.228 * NH 4 − N + 0.393 * NO3 − N + 0.171 * NO 2 − N + 1 3-7-1 36 0,842
+ 0.045 * pH + 0.254 * BOD + 0.253 * EC + 0.373 * TP + 2 3-5-1 26 0.851
+ 0.391 * PO 4 − P + 0.335 * DO − 0.302 * T Резултатите от Таблица 8 показват, че избрания подхода
за класификация на базата на потенциално непрекъснато
измервани променливи (pH, EC, DO, T ) е приложим.
(1)
6.ИЗВОДИ И ЗАКЛЮЧЕНИЕ
Разработен е класификатор с невронна мрежа с право
разпространение, в която PC1, PC2 и PC3 са независими В настоящата работа са представени изследвания,
променливи, а Y, който съдържа числено съответствие на необходим етап от разработване на мониторингова
категориите „отлично“, „добро“ и „умерено“ система за качеството на речните води на река Струма.
Таблица 6 Невронен класификатор Изследванията са подчинени на ограничените
възможности за измерване/анализ на характеризиращите
No Структура на k R променливи за качеството на водите. Направен е анализ
невронната на проведените измервания в шест мониторингови
мрежа станции по течението на реката в периода 2010-
1 3-5-1 26 0.879 2019г.Извършена е проверка на съвместимостта на
2 3-3-1 16 0.845 данните от отделните мониторингови пунктове.
Проведените изследвания са съобразени с Наредба 4 за
Разработените до момента класификатори с невронни
характеризиране на повърхностните води. Разработени са
мрежи включват променливи, които по принцип могат да
и изследвани невронни класификатори за седем и
бъдат измервани непрекъснато (pH, EC, DO и T) и
единадесет измервани променливи. Специално внимание
такива, които се измерват в резултат на лабораторни
е отделено на възможностите за характеризиране на
анализи, някои от тях отнемащи време, измерващо се в
качеството на водите посредством възможни за
дни. Както беше споменато по-горе пълният комплект
непрекъснато измервани променливи
измервания/анализи се извършва по един път на сезон за
всеки един от мониторинговите пунктове (МП). 7.БЛАГОДАРНОСТ
За да се разполага с актуална информация за състоянието Настоящите изследвания са направени в рамките на
на речните води е необходимо да се осъществяват Националната научна програма „Опазване на околната
непрекъснати измервания. среда и намаляване на рискове от неблагоприятни
събития и природни бедствия“, одобрена с решение на
Измерванията на стойностите на променливите,
Министерски съвет № 577/17.08.2018 г. и подкрепена от
характеризиращи състоянието на водата, като пример -
34
Министерство на образованието и науката (МОН) на 7.Azhar, S.C., A.Z.Aris, M. K. Yusoff,M. F.Ramli, H.Juahir,
България (Споразумение № Д01-363/17.12.2020г.) Classification of river water quality using multivariate
analysis, Procedia Environmental Sciences 30 ( 2015 )
8.ЛИТЕРАТУРА 79 – 84
1.НАРЕДБА № Н-4 от 14.09.2012 г. за характеризиране 8.Wechmongkhonkon, S, N. Poomtong, S. Areerachakul,
на повърхностните води, издадена от министъра на Application of Artificial Neural Network to Classification
околната среда и водите, обн., ДВ, бр. 22 от 5.03.2013 г., Surface Water Quality, International Journal of
в сила от 5.03.2013 г., изм. и доп., бр. 79 от 23.09.2014 г., Environmental and Ecological Engineering, Vol:6, No:9,
в сила от 23.09.2014 г. 2012, pp.574-578
2.Западнобеломорски район за басейново управление 9. Nasir, M.F., M. S.Samsudin, I.Mohamad, M. R. A.
https://wabd.bg/content/%D0%BF%D1%83%D1%80%D0% Awaluddin, M.A.Mansor, H.Juahir, N. Ramli, River Water
B1/%D0%BF%D1%83%D1%80%D0%B1-2010-2015- Quality Modeling Using Combined Principle Component
%D0%B3/ Analysis (PCA) and Multiple Linear Regressions (MLR): A
3.Мониторинг на водите в басейна на река Струма Case Study at Klang River, Malaysia, World Applied
Sciences Journal 14 (Exploring Pathways to Sustainable
https://wabd.bg/docs/plans/ST/RBMP_STIV.pdf
Living in Malaysia: Solving the Current Environmental
4.План за управление на речните басейни на Issues): 73-82, 2011
западнобеломорски район (2016-2021г.), приет с решение
10.Isiyaka,H.A, A.Mustapha, H. Juahir & P. Phil-Eze, Water
№1108/29.12.2016г. на Министерски съвет
quality modelling using artificial neural network and
https://wabd.bg/content/%D0%BF%D1%83%D1%80%D0% multivariate statistical techniques, Model. Earth Syst.
B1/%D0%BF%D1%83%D1%80%D0%B1-2016-2021/ Environ. (2019) 5:583-593
5.Boshnakov, K., B. Koumanova, M. Varbanov, E. Mihailov, 11.Бошнаков, К., Fan, L., Мониторинг на процесите при
S. Lavrova-Popova, Evaluation of Key Indicators Based on пречистване на отпадъчни води, International Conference
Automatically Measured Variables and Forecasting the Automatics and Informatics'10, Sofia, Bulgaria, 3-7 October
Spread of Pollutants, Science, Engineering & Education, 6 2010, pp.III-455-459
(1) 2021, 1-10 (under print)
12.Jolliffe, I.T., Principal Component Analysis, Second
6.Than, N.H., C. D. Ly a, P.V.Tat, The performance of Edition, http://www.ru.ac.bd/stat/wp-
classification and forecasting Dong Nai River water quality content/uploads/sites/25/2019/03/503_08_Jolliffe_Principal-
for sustainable water resources management using neural Component-Analysis.pdf
network techniques, Journal of Hydrology 596 (2021),
pp.1-19
35
36
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
П. Василев, В. Синдраковска
P. Vasilev, V. Sindrakovska
Department of Industrial Automation, University of Chemical Technologies and Metallurgy, Kl. Ochridski Blvd.,
8, plamen.vasilev@uctm.edu, vsindarovska@gmail.com
Abstract: The Reference Architectural Model for Industry 4.0 tends to unify the efforts for rapid development of new technologies of
the ICT sector. The standard RAMI 4.0 extends the Equipment hierarchy model of another standard – IEC/EN 62264, which is well
known and applied as an architectural framework within software integration projects of various information systems. The aim of the
article is to discuss the importance and the assumption of non-implicit relations between the two standards.
Key Words: RAMI 4.0, IEC/EN62264, Asset, CP Capabilities, Activity, Scheduling, Model, Web Services, B2MML
37
определена система по време на неговия жизнен цикъл. гледна точка активите могат да бъдат: Непредставени -
Активът може да е част от физическия или нямат описание в информационната система;
информационен свят, да е осезаем (сензор, двигател, Анонимно представени - представянето им се свежда
устройство, инсталация и т.н.) или не (идея, услуга, до общо описание на характеристиките и броя (без да е
софтуерна програма). В зависимост от ролята си в задължително) на активите от един и същ тип;
организацията, активът може да изпълнява определена Индивидуално представен - всяка единична бройка от
функция от „Архитектурната ос“ - Актив (самият даден тип актив е описана и администрирана в
артефакт, представен във физическия свят); информационната система; Администриран като обект
Интеграционна функция (средствата, чрез които - е всеки актив, за който се пази информация, както за
физическият свят си сътрудничи с информационния характеристиките му, така и за текущото състояние,
свят); Комуникационна функция (представлява производствена възможност, натоварване, капацитет.
информация кой-къде-кога, чрез която активът е От гледна точка на комуникационните способности на
представен в информационния свят); Информационна активите, те могат да бъдат: Няма комуникационни
функция (представлява обработка на данни, способности; Пасивни - баркод или RFID, които дават
модифицирана от събитие / модел и проверка на информация за актива само при изчитане; Активни -
информация); Функционалност (описва функцията на такива са активите, които взимат активна роля в
даден актив по отношение на неговата роля в системата предаването на комуникация и информация; I4.0
4.0); Бизнес функция (описва търговската перспектива съвместими - или още автономни I4.0 компоненти.
на актива). Активите от този тип притежават административна
Оста „Жизнен цикъл и стойностен поток “представя обвивка, в която се съдържа “манифест” - описващ
времето на живот на актива и процеса на добавена достъпните данни и функции под формата на мета-
стойност, базиран на стандарта IEC 62890. По тази ос информация за I4.0 компонента и “компонентен
активът се характеризира със своето състояние в мениджър” - представлява разширена услуга (сървис),
определен момент на определено място. [2] изграден на принципа на SOA (Service Oriented
Нивата на ос „Йерархия“ в Референтния архитектурен Architecture). Чрез административната обвивка,
модел Индустрия 4.0 (Фиг. 2.) представлява съпътстваща актива, информационната система може
модификация на модела на йерархия на оборудването да достъпва и заявява информация за различни
от стандарт IEC / EN 62264 (ANSI / ISA-95), като по функции и състояния на I4.0 компонента (Фиг. 4.).[8]
този начин го прави подходящ за дефинирането на
активи, съвместими с I4.0. [3]
38
или складови наличности), Производствената На Фиг. 7 е представен моделът на производствените
възможност, Планиране и Изпълнение. Събирането на дейности и как моделът на материалите участва във
информация чрез използването на рамката от моделите всяка една производствена дейност като частен случай
и обектите от IEC/EN 62264 дава възможност за на всички ресурси.
проследяване и отчитане на жизнения цикъл на
оперативните дейности, което е предпоставка за ОБЛАСТИ НА ПРИПОКРИВАНЕ МЕЖДУ
успешното внедряване на принципите на Лийн СТАНДАРТИТЕ IEC/EN 62264 И RAMI 4.0
производство, Тотално управление на качеството и 6
Сигма. [9,11] От гледна точка на стандартът RAMI 4.0, материалният
Фигури 5. и 6. илюстрират по какъв начин моделът на актив, разглеждан като I4.0 компонент съдържа
материалите участва в останалите модели, като е описание на своите характеристики и поведение, както
показан моделът на планирането. [4] и способност за активно или пасивно предаване и
приемане на информация.
От друга страна, в представеният модел на
производствените дейности, на Фиг. 7. е показана каква
информация относно ресурсите се обменя, както между
самите дейности в модела, така и между различните
йерархични нива [5]. В конкретният случай, като
пример за ресурс са използвани материалите, чието
описние и начини на използване в останалите модели е
разгледано в предходните модели. Между дейностите
„Управление на производствените ресурси“ и
„Детайлно планиране на производството“ се обменя
Фиг. 5. Модел на материалите [4] информация за достъпните материали, като в случая се
взимат предвид ресурсите, които могат да бъдат
резервирани/ангажирани в планираните дейности.
Дейността „Разпределяне на производстовто“ получава
информация за описанието на ресурсите, необходимите
(планирани) ресурси, както и за наличните (свободни)
такива. Дейността по „Разпределяне“
резервира/ангажира съответните ресурси за следващата
дейност „Управление на изпълнението на
производството“. „Събирането на данни за
изпълнението“ се състои в отчитането на действително
използваните/участвалите ресурси, условията и
режимите на изпълнение и може да се осъществява
чрез интеграция със системи с функции от 1 и 2 ниво.
Събраната информация за използваните ресурси се
използва за „Отчитане и анализ на производството“,
чрез която впоследствие могат да бъдат изчислени
ключови показатели за ефективност (KPI), да бъдат
коригирани планове и др [12]. Проследяването на
Фиг. 6. Модел на планирането [4] дейностите и информацията, която се обменя между
тях представлява описание на поведението повреме на
жизнения цикъл на ресурсите в производствените
операции, което от своя страна представлява
манифестът на административната обвивка на активите
според дефиницията в RAMI 4.0.
Методите за предаване на информацията между
системи от различни йерархични нива може да се
осъществява чрез използването на комуникационни
протоколи, напр. OPC UA [7], или чрез уеб услуги,
които използват еднаква схема за предаване на
информацията. Такава е B2MML (Business To
Manufacturing Markup Language) XML схемата, която е
неразделна част от стандарта IEC/EN 62264 и
представлява набор от XSD документи, служещи за
описание на обектите и моделите от стандарта [13].
Друг подобен формат е AutomationML (AML), който
служи за обмен на данни между хетерогенни системи
за управление и технически средства [6]. По такъв
Фиг. 7. Модел на производствените дейности [5] начин, уеб услуги, обменящи информация по
39
предварително известна комуникационна схема, enterprise-control systems integration, CENELEC,
независимо дали B2MML, AML или OPC UA [10] може Brussels, 2013
да се разглеждат като “компонентен мениджър” на 5. IEC/EN 62264-3:2008 Enterprise-control systems
информационно и комуникационно ниво от integration – Part 3: Activity models of manufacturing
референтния архитектурен модел на RAMI 4.0 (Фиг. operations management, CENELEC, Brussels, 2008
8.). 6. International Electrotechnical Commission (2018)
Engineering data exchange format for use in industrial
automation systems engineering—automation markup
language—part 1: Architecture and general
requirements (IEC 62714-1)
7. International Electrotechnical Commission (2016)
OPC unified architecture—part 1: Overview and
concepts (IEC 62541-1)
8. Minchev, Zl., Krastev, E., Hristov, Y., Tagarev, N.,
Boyanov, L., Gaydarski, I., Toshkov, T., Shalamanov,
V., (2019). Future Digital Society Resilience in the
Informational Age, SoftTrade Ltd, September 2019,
ISBN: 978-954-334-221-1
Фиг. 8. Взаимовръзка между IEC/EN 62264 и RAMI 4.0 9. Lonnie Wilson. How To Implement Lean
на функционално ниво Manufacturing, The McGraw-Hill Companies, Inc,
2010
ЗАКЛЮЧЕНИЕ 10. Trunzer, E., Calà, A., Leitão, P. et al. System
architectures for Industrie 4.0 applications. Prod. Eng.
Взаимовръзката между стандартите IEC/EN 62264 и Res. Devel. 13, 247–257 (2019).
RAMI 4.0 не се състои само в това, че архитектурната https://doi.org/10.1007/s11740-019-00902-6
рамка за Индустрия 4.0 е изградена въз основа на 11. Henao, Rafael & Sarache, William & Gomez Jimenez,
Йерархичния модел на оборудването от IEC/EN 62264. Ivan. (2016). Lean Manufacturing and Sustainable
Двата стандарта дефинират административната обвивка Performance: trends and future challenges, 5th World
на активите, разглеждайки ги от различна перспектива. Production and Operations Management Conference -
RAMI 4.0 разглежда комуникационната и P&OM 2016, September 2016, Havana, Cuba
презентационна способност на активите и 12. Kondev, G., Stefanov., St., „Organizing maintenance
възможността им да да бъдат част от една кибер- management activities in the industrial company”,
физическа система. От своя страна, стандартът IEC/EN Journal of Science, Engineering & Education, 1, (1),
62264 дава обектно-ориентиран подход при 2016, Volume 1, Issue 1, ISSN: 2534-8507, p. 125-
функционалното описание на структурата и 131.
поведението на ресурсите (активите), като също така и 13. Manufacturing Enterprise Solutions Association
описва техния жизнен цикъл, от дефинирането им, (MESA), B2MML v.0700 - Business To
планирането, резервирането, използването им по време Manufacturing Markup Language
на изпълнение и събирането и анализирането на
получената информация.
ЛИТЕРАТУРА
40
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Г. Колев1, Е. Колева1,2
1
Химикотехнологичен и металургичен университет, София 1756, бул. „Климент Охридски” 8, e-mail:
georgi.i.kolev@abv.bg,
2
Институт по Електроника – Българска Академия на Науките, София1784, бул. „Цариградско
шосе” 72, e-mail: eligeorg@uctm.edu
Абстракт: Разработена e интегрирана система от тип умен дом за мониторинг и управление на елементи от работната среда
или в дома на платформа Home Assistant и е интегрирана с гласов асистент (Google Assistant). Структурата на системата
тип умен дом се базира на концепцията за Интернет на нещата (IoT – Internet of Things), която включва свързаност на
устройства и изпълнителни механизми, както и наличието на сензорна безжична мрежа (WSN – Wireless Sensor Network),
позволяваща проследяването на различни параметри на средата, определяне на геолокация, проследяване на състоянието на
свързаните устройства, осигурява установяване на условия или ограничения при изпълнението на логически алгоритми или
действия и др. Разработената интелигентна система решава проблема от използването на различни интерфейсни приложения,
комуникационни протоколи и стандарти, като в същото време разширява обхвата си чрез интеграция с гласов асистент (Google
Assistant).
Ключови думи: Интернет на нещата, безжична сензорна мрежа, умен дом, интеграция, гласов асистент
41
и е интегрирана гласов асистент (Google Assistant). Модулът за обработка - Този модул отговаря за
Структурата на системата тип умен дом се базира на извършването на необходимите изчисления, обработка на
концепцията за Интернет на нещата (IoT – Internet of получаваните данни или подаване на управляващи
Things), която включва свързаност на устройства и сигнали към изпълнителни механизми, след като
изпълнителни механизми, както и наличието на сензорна генерираните от сензорите сигнали и импулси бъдат
безжична мрежа (WSN – Wireless Sensor Network), получени от сензорния блок. Основният блок може да
позволяваща проследяването на различни параметри на бъде микроконтролер (Raspberry Pi), който координира
средата, определяне на гео-локация, проследяване на всички дейности на системата.
състоянието на свързаните устройства, осигурява Модул за визуализация – За визуализация може да се
установяване на условия или ограничения при използва всяко устройство, поддържащо уеб-браузър или
изпълнението на логически алгоритми или конкретни смарт мобилен телефон с мобилно приложение, но целта
действия и др. Разработената интелигентна система на представената разработка е визуализация чрез мобилен
решава проблема от използването на различни телефон на интерфейс, едновременно осигуряващ достъп
интерфейсни приложения, комуникационни протоколи и до сигналите, възможности за настройване на алгоритмите
стандарти, като в същото време разширява обхвата си чрез за управление и директен достъп до изпълнителните
интеграция с гласов асистент (Google Assistant). В механизми, с цел извършване на конкретни действия.
разработената интегрирана система са реализирани са Комуникационен модул (гласова комуникация) –
решения с предварително зададени функции, функции по Гласовата комуникация в този проект се реализира чрез
подразбиране и функции по избор на потребителите. приложение за Android – Google Assistant, което е
Използвани са също така и специално проектирани от свързано с Google Home. Достъпът може да бъде
автора (Г. Колев), изработени и тествани IoT платки за осъществен чрез смарт мобилен телефон или компютър.
управление на стъпков мотор, RGB лед лента, а също и От друга страна, разработеното на локалния сървър
IoT платка за контрол на реле със малки размери за скрит (Raspberry Pi) приложение Home Assistant, което e с
монтаж. отворен код, се синхронизира чрез API с Google Home.
Така, чрез приложението за гласово управление се
СТРУКТУРА НА ИНТЕГРИРАНАТА СИСТЕМА осъществява гласов контрол на разработената
интелигентна система за мониторинг и контрол.
В днешно време умните домове, както и работните
пространства и сгради, са повече ориентирани към За осигуряване на свързаността на елементите в
сигурността, енергийната ефективност и комфорта. Те интегрираната система и свързаните приложения се
предупреждават за натрапници (независимо дали използва MQTT (Message Queue Telemetry Transport)
обитателите на дома са в него или не) и за изразходване на протокол, на който са налични много имплементации.
излишна енергия, също така и позволяват да се управлява Това е двупосочен комуникационен протокол, чрез който
всеки един електроуред от всяка точка на света свързаните устройства могат да публикуват данни от
посредством интернет връзка. Умният дом позволява да се сензори и същевременно да получават информация за
включват и изключват различни електроуреди и конфигурацията или команди за управление. Чрез него
осветление през мобилно приложение, но позволява и могат да се осъществяват връзки от типа „едно към
действия спрямо локацията на телефона, на който се много“ (например, данните от сензора за температура,
намира мобилното приложение, както и управление с могат да се използват от много свързани устройства),
таймери или с логически алгоритми, свързани с данни от „много към едно“ (например, когато данните от
различни сензори. множество сензори се използват за включването или
изключването на електроуред), „едно към едно“ и „много
При наличие на гласов контролен блок неговата основна към много“.
функция е свързана с получаване на команди от
потребителя и подаване на командите към ЕЛЕМЕНТИ НА ИНТЕГРИРАНАТА СИСТЕМА
микроконтролера или мобилно устройство. Този модул
използва Google-speech-to-text, чрез който гласовите Елементи, осигуряващи свързаност
команди се преобразуват в текст и текста се подава към За осигуряване на свързаност на различните елементи на
микроконтролера за обработка и изпълнение на интегрираната система тип Умен дом са необходими
конткретни предварително зададени алгоритми. елементи осигуряващи дистанционна Wi-Fi комуникация
(NodeMCU ESP8266, точка за отдалечен достъп, хъбове за
Разработената интегрирана система тип Умен Дом се различни комуникационни протоколи и др.),
състои от следните основни модули: изпълнителни механизми (IoT платки за дистанционно
• Свързани устройства; управление на мотори, IoT релета, и др.), универсално
• Измервателен (сензорен) модул; инфрачервено (IR) смарт дистанционно управление за
• Модул за обработка; всички уреди, които се управляват чрез инфрачервено
• Модул за визуализация (интерфейс); дистанционно управление (Сет топ бокс / TV бокс,
• Комуникационен модул (гласова комуникация). телевизори, климатици, DVD, проектори, аудио уредби и
Модулът свързани устройства включва всички свързани др.).
устройства в системата, които от своя страна може да са
смарт устройства или електроуреди и осветление.
Сензорният модул се състои главно от различни сензори
(включително и микрофон), които взаимодействат с
околната среда, като приемат и измерват околните
а)
сигнали и се обработват от микроконтролера Raspberry Pi. б)
Сензорните компоненти са свързани към
микроконтролера директно или дистанционно, като това
позволява изпълнение на задачите в реално време, при
отчитане на стойностите от сензорите в зависимост от
околната среда.
42
Сензори
Сензорите могат да се разделят най-общо на два вида –
сензори, които са част от безжичната сензорна мрежа
(WSN – Wireless sensor network) и сензори, които са
вградени в мобилните телефони. От своя страна,
в) г) сензорите, които са част от WSN са:
Фиг. 2. IoT елементи, осигуряващи свързаност • Сензори, за които е необходимо да се осигури
връзка с Wi-Fi мрежата. Това може да стане чрез ESP8266
На Фиг. 2 са представени NodeMCU ESP8266 (Фиг. 2а), (Фиг. 2а). Такива сензори са сензорите за измерване на:
Shelly 1PM (Фиг. 2б) - 16A Wi-Fi релеен превключвател с температура, влажност, налягане (BME280/DHT11 – Фиг.
мониторинг на мощността, Homematic IP Access Point 5), осветеност (Sharp GA1A1S202), съдържание на
(Фиг. 2в) – хъб за свързване на устройство с Homematic СО2/TVOC (Total Volatile Organic Compounds) (Adafruit
комуникационен протокол и Broadlink RM4 Mini WiFi IR CCS811).
универсално дистанционно управление (Фиг. 2г).
43
Фиг. 10. Управляващи въздействия (термостат
Homematic).
44
функционалности към вече изградената система според
нуждите на обитателите на дома.
БЛАГОДАРНОСТИ
ЛИТЕРАТУРА
45
46
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Abstract: Current study presents development of bimodal system for facial emotion recognition (FER) and body gestures
emotion recognition (BER). The system is based on two deep learning neural networks (DNN) each one responsible for the
recognition of the emotion of the face or the body. The use of the combination of two neural networks has an amplifying
synergistic effect, which increases by about 10% the accuracy of the results (recognized emotionс) compared to those of the
individual DNN. The selection of pre-trained DNN models for facial and body emotions recognition is based on two
authors’ papers, in which detailed analysis of the DNN for FER and BER has been done. Therefore in current study a brief
information about selected DNN models is provided, as well information about specific dataset used for training selected
DNNs. Verification of the bimodal system is done using our private dataset.
Keywords: Online Learning, Deep Neural Networks, Face Recognition, Facial Emotions Recognition, Python
47
Дясната, лявата или двете ръце се движат към главата; лица от неетикирани немаркирани снимки. За да
преместване на дясната, лявата ръка или и двете ръце разпознават лицеви емоции, DNN допълнително се
нагоре; двете ръце докосват главата, лицето или устата; обучават със специфични набори от данни за FER като
двете ръце са над главата; самодокосване на двете ръце, FER-2013, CK+ RaFD, KAD, MUG и др., коментирани в
покриващи бузите; самодокосване на двете ръце, [3]. Целият процес или конвейер на FER включва
покриващи устата; клатене на главата; изместване на следните стъпки: откриване и изрязване на лица,
тялото назад. предварителна обработка на изрязано изображение,
дълбочинно изучаване на характеристики и дълбочинна
класификация [10-13], обяснени подробно в [3].
48
Някои от системите за разпознаване на емоции в максимално обединяване (Max pooling). Следващите две
жестовете на тялото използват два DNN модела: - един за групи имат 2 конволюционни слоя, последвани от един
класификация на емоциите на тялото и втори за средно обединяващ (average pooling) слой. Входният слой
класификация на сцената или фона, на който е открито осигурява BW изображения с размер 48x48 пиксела.
изображението на тялото. Резултатът от работата на Изходните слоеве са 4 напълно свързани слоя с 2
първия DNN модел осигурява разпознаване на 26 отпадащи слоя между тях. Последният изходен слой
дискретни емоции, а изходът на втория DNN модел е връща като резултат 7 емоции. Този модел е по-опростен
свързан с трите стойности на непрекъснатите от първия и броят на тегловните му параметрите е
емоционални измерения (валентност, възбуда и 1.485000. И двата модела са обучени и тествани с
доминиране) на VAD модела [15], предложен от Ръсел помощта на набора от данни FER-2013. Точността на
през 2003 г. Валентността (Valence) категоризира първия модел е почти 70%, а на втория модел е 57% (фиг.
емоциите като положителни или отрицателни. Възбудата 6). Допълнителна проверка на разглежданите модели
(Arousal) ги категоризира като неутрални, пасивни и беше направена с набор от данни CK + . Точността (фиг.
активни, а доминирането (Dominance) като неутрално, 6.) и на двата модела е 56%. От двата модела беше избран
ниско и високо доминиране. На Фиг. 5 са представени първия модел, да бъде използван в настоящата бимодална
основните шест емоции чрез 3D VAD модела. система, защото има по-голяма точност от втория.
Тъй като много автори и учени твърдят, че има силна
корелация между емоциите на лицето и тялото и
заобикалящата сцена, използването на втория DNN модел
подобрява точността на разпознатите емоции. Емоциите
на тялото, разпознати от BER DNN модела, варират от
добре познати основни 6 и 7 емоции (с неутралната) до 26
емоции (привързаност, гняв, досада, очакване,
отвращение, увереност, неодобрение, нежелание,
безпокойство, съмнение/объркване, смущение,
ангажираност, уважение, вълнение, умора, страх, щастие,
болка, спокойствие, удоволствие, тъга, чувствителност,
страдание, изненада, съчувствие, копнеж). Фиг. 6. Матрици на объркване на първия модел (вляво) и
втория модел (вдясно) при набор от данни FER-2013
3. ИЗБОР НА DNN МОДЕЛИ ЗА FER И BER
Изборът на DNN модели за разпознаване на лицеви
емоции е направен в доклад [3], представен на
конференцията ICAI 2020, а на модел за разпознаване на
жестовете и емоциите на тялото в доклад [4], представен
на конференцията ICAI 2021. В първия доклад обстойно
са анализирани предварително обучени DNN модели,
архитектурно-базирани на VGG16, VGG19, VGG-Face,
Google FaceNet, OpenFace, Facebook DeepFace DeepID,
както и на авторски модели. След анализа бяха избрани
два модела за разпознаване на лицеви емоции, които са Фиг. 7. Матрици на объркване на първия модел (вляво) и
дискутирани по-долу. От тях е избран един и той е втория модел (вдясно) при набор от данни CK+
използван в настоящата бимодална система. Изборът на
втория DNN модел за разпознаване на жестове на тялото е Избраният, предварително обучен DNN модел за
направен във втория документ след анализ на модели [18- разпознаване на емоции с жестове на тялото е базиран на
20] базирани на ResNet18, ResNet50 и подобни на тях адаптирана версия на ResNet18 [20], предшественик на
DNN архитектури. Тези модели се различават един от ResNet 50. Той съдържа един входен слой, осигуряващ
друг по различния брой конволюционни групи и 112x112 пиксела RGB изображения, 21 конволюционни
различния тип пулинг (POOL) слоеве в тези групи (Max групи, съставени от 2D CONV слоеве с пакетно
pooling или Average pooling). нормализиране и ReLU слоеве. Последният слой е
Adaptive Average Pooling. Само първата конволюционна
Първият предварително обучен DNN модел за FER е група включва в края си допълнителен слой за
архитектурно базиран на VGG. Той има 5 групи обединяване (Max pooling). Резултатът от FC слоя е 26
конволюционни слоеве със слоеве за партидно емоции и 3 VAD стойности. Тегловните параметрите на
нормализиране между вътрешните конволюционни модела са 11.363757. Той е обучен и верифициран с
слоеве. Всяка група завършва с Max pooling слой и наборите от данни EMOTIC и FABO, описани в [4].
отпадащ (Dropout) слой. Броят на конволюционните Чрез комбинация на DNN модела за разпознаване на
слоеве в първата група е 2, във втората група е 3 и в емоциите на тялото с DNN модела за разпознаване на
последните три групи е 4. Входният слой предоставя BW лицеви емоции, е изградена текущата бимодална
изображения с размер 48x48 пиксела, като последните два хибридна система за разпознаване на емоции (фиг. 8).
слоя са напълно свързани и изходът им е разпознати 7 Резултатите от изходите на двата модела се сравняват в
основни емоции. Броят на тегловните коефициенти на модул за вземане на решения и когато са сходни или
този модел е повече от 13 милиона. Вторият модел равни с повече увереност, може да се потвърди тяхната
използва платформата DeepFace [10], базирана на група от коректност. Използваният FER модел класифицира като
5 предварително обучени модела (VGG-Face, Facenet, резултат 7 емоции, но избраният модел BER произвежда
OpenFace, DeepFace, DeepIdI От изходния код на този 26 емоции, както и VAD стойности. Модулът за взимане
модел е извлечен предварително обучения модел на CNN на решение търси съвпадение между седемте FER емоции
с функционалности, предназначени само за FER. и 26-те BER емоции или близост/подобие между тях.
Архитектурата на този модел има 3 конволюционни групи Например на емоцията щастие (от FER модела)
с по 5 конволюционни слоя. Първата група е проста и има съответстват емоциите щастие, удоволствие или
само един конволюционен слой, последван от слой за
49
спокойствие (от BER модела), а на емоцията отвращение
съответстват досада, неодобрение и т.н.
Фиг. 8. Архитектура на бимодалната система Тъй като има съвпадение между BER и FER резултатите,
то крайният резултат е разпозната емоция щастие (Happy).
4. РЕЗУЛТАТИ НА БИМОДАЛНАТА СИСТЕМА
Проверката на моделите и респективно на бимодалната
система се извършва с нашия набор от данни с повече от
1000 снимки. Снимките са направени по време на научни
форуми в университета (ХТМУ-София) през последните
две години с участието на студенти и докторанти.
Първоначално наборът от данни включваше колекция от
500 снимки, само на лицата им, а сега е разширен с още
500 снимки в цял ръст. Към набора от данни са добавени и
снимки с висока разделителна способност (300 dpi, 24 бита Affection, Disquietment, Esteem, Happiness, Peace, Pleasure
дълбочина), взети от частната колекция (от над 50 000 Valence: 6.2850; Arousal: 4.6953;Dominance: 6.6589
снимки) на един от авторите. Следващата фигура 9 показва Фиг. 12. BER резултати (6 емоции и 3 VAD стойности)
снимки от колекцията.
Annoyance, Confidence, Disquietment, Doubt/Confusion, Тук има съвпадение между BER и FER резултатите и
Happiness, Pleasure крайният резултат е разпознатата емоция изненада
Valence: 5.7345; Arousal: 4.6143; Dominance 6.2905 (Surprise).
Фиг. 10. BER резултати (6 емоции и 3 VAD стойности)
50
Anger, Annoyance, Aversion, Disapproval, Disconnection,
Fatigue, Fear, Pain, Sadness, Suffering S Фиг. 21. FER резултати (3 емоции) за същата снимка
Valence: 3.7680; Arousal: 4.7523; Dominance: 4.3812 В този случай няма съвпадение между резултатите от
Фиг. 16. BER резултати (10 емоции и 3 VAD стойности) двата модела. Както се вижда на Фиг. 20 разположението
на ръцете не съответства на емоцията щастие (виж Фиг.
10 и Фиг. 12). В този случай крайният резултат се
определя от доминиращата емоцията щастие (Happy),
разпозната от FER модела.
8. ЛИТЕРАТУРА
1. R. Raynova, A. Aleksieva-Petrova, M. Lazarova, Multi-
agent Multimodal Human Emotion Recognition Architecture,
Proc. 28-th National Conference with International
Participation "Telecom 2020", October 29 - 30, 2020, Sofia,
Disquietment Doubt/Confusion
Valence: 5.6013; Arousal: 4.8914; Dominance: 5.9747 Bulgaria
2. H. Gunes, M. Piccardi, Bi-modal emotion recognition
Фиг. 20. BER резултати (2 емоции и 3 VAD стойности)
from expressive face and body gestures, Journal of Network
and Computer Applications 30 (2007), pp. 1334–1345
51
3. A. Atanassov and D. Pilev, "Pre-trained Deep Learning 20. Arriaga, O., Valdenegro-Toro, M., & Plöger, P.
Models for Facial Emotions Recognition," 2020 International (2017). Real-time convolutional neural networks for emotion
Conference Automatics and Informatics (ICAI), Varna, and gender classification. arXiv preprint arXiv:1710.07557.
Bulgaria, 2020, pp. 1-6
4. A. Atanssov, D. Pilev, F. Tomova, V. Kuzmanova,
Hybrid System for Emotion Recognition Based on Facial
Expressions and Body Gesture Recognition, ,"`2021
International Conference Automatics and Informatics (ICAI),
Varna, Bulgaria, 2021, in press
5. P. Ekman and W. Friesen, “Facial action coding
system: a technique for the measurement of facial movement”.
Palo Alto, Calif: Consulting Psychologists Press.,1978
6. P. Ekman, “Facial action coding system (facs),” A
human face, 2002
7. B. Farnsworth, “Facial action coding system (facs) –
a visual guidebook,” August 18th, 2019,
https://imotions.com/blog/facial-action-coding-system/#main-
action-units
8. F. Noroozi, C. A. Corneanu, D. Kaminska, T.
Sapinski, S. Escalera and G. Anbarjafari "Survey on
Emotional Body Gesture Recognition," Journal of IEEE
transactions on affective computing,
arxiv.org/pdf/1801.07481.pdf , 2018 pp. 1-20
9. https://www.123rf.com/stock-photo/
10. S. Serengil, “Face recognition with facenet in
keras,” Sep. 2018 https://sefiks.com/2018/09/03/face-
recognition-with-facenet-in-keras/
11. S. Li and W. Deng, “Deep facial expression
recognition: a survey,” IEEE Transactions on Affective
Computing 2020, in arXiv preprint arXiv:1804.08348v2, Oct.
2018
12. C. Wu and L. Chen, “Facial emotion recognition
using deep learning,” arXiv, preprint arXiv:1910.11113v1,
Oct. 2019
13. A. Ravi, “Pre-trained convolutional neural network
features for facial expression recognition,” arXiv preprint
arXiv:1812.06387v1, Dec. 2018
14. J. A. Russell, "Core affect and the psychological
construction of emotion,". Psychological Review. 110 (1),
2003 pp. 145–172.
15. R. Kosti, J. M. Alvarez, A. Recasens, A. Lapedriza,
“Context Based Emotion Recognition using EMOTIC
Dataset,” IEEE Transactions On Pattern Analysis And
Machine Intelligence, arXiv:2003.13401v1 cs.CV. 30 Mar
2020, pp.1-12.
16. A. Fathallah, L. Abdi and A. Douik, “Facial
expression recognition via deep learning,” IEEE/ACS 14th
International Conference on Computer Systems and
Applications, Tunisia, Nov. 2017 pp.745-750
17. H. Gunes, C. Shan, S. Chen, Y. Tian, Bodily
expression for automatic affect recognition, Emotion
recognition: A pattern analysis approach 2015, pp.343-377
18. P. P. Filntisis, N. Efthymiou, P. Koutras, G.
Potamianos, P. Maragos, Fusing Body Posture with Facial
Expressions for Joint Recognition of Affect in Child-Robot
Interaction, IEEE Robotics and automation letters. preprint
version. Accepted July, 2019
19. A. R. V. Nunes, “Deep Emotion Recognition
through Upper Body Movements and Facial Expression,”
Master’s Thesis,Aalborg University 2019, pp. 23-55
52
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Abstract. The paper presents the structure of an intelligent integrated system for managing the collection of solid waste in urban and
suburban environments. The system can automatically maintain the box level and send information to the waste collection truck. The
technologies used in the proposed system are good needed to provide real monitoring and management of waste collection processes
and to obtain a green environment.
Key Words: Waste Collection, Smart City, Internet of Things (IoT), Intelligent Transportation Systems, Surveillance systems
53
Архитектурата на системата има за цел да отговори на човек до съответният отвор се задейства „сензор за
четири основни цели. движение“. Информацията от сензора постъпва в
Първата цел е представяне на информация в реално контролер. В зависимост от това пред кой отвор е
време на фирмите отговорни за събиране, депониране и задействан сензора контролера издава гласово съобщение.
преработване на отпадъци при наличието на такъв за Интелигентна клетка
Система за уведомяване
Модул
Акуму-
Захранваща система
Зарядно
Соларен
извозване. за събиране на
Говорител MicroSD
Catd
Дисплей
латор
устрой-
ство
панел
твърди отпадъци
Втората цел е представяне на информация в реално време Ултразвуко
Автоматична противопожарна система
Усилвател
на градската и общинска администрация за количеството в сензор Температурен
сензор
Пожарогасител
54
кошовете във WEB базираната информационна система и Bluetooth v4.2 (EDR и BLE). Връзката с контролера може
за целеуказване на водача на транспортното средство за да се осъществи през интерфейсите SPI, I2C,I2S, UART, IR,
събиране на отпадъци. CAN 2.0 и др.
При събиране на отпадъците служителя отключва вратата
за изваждане на коша с RFID карта. Когато RFID четеца
открие наличието на активна карта контролера:
1. Включва вентилатора на максимална скорост.
2. Отключва блокировката на вратата
3. Издава съобщение от вида „Вратата е отворена. Моля
извадете коша.“
4. Започва следене на сензора за отворена врата в
продължение на 30s. Ако за този период вратата не се
отвори блокировката се включва.
5. При отворена врата се отчита времето за което е в
отворено състояние. При изричане на 5 минути през
който период вратата не е затваряна се генерира
звуков сигнал и се изпраща сигнал до сървъра.
6. Когато се затвори вратата контролера : Фиг.2. Контролер за управление на интелигентна клетка
- Изчаква 10s за събиране на твърди отпадъци
- Проверява нивото на отпадъците в коша; Комуникационна система. Тази система е предназначена
- Изпраща информация до сървъра за нивото на за осъществяване на връзка със сървъра и базата с данни.
отпадъка в коша и информация за часа и на RFID Връзката може да се осъществи през два комуникационни
картата с която е отворена клетката. интерфейса WiFi и GSM мрежа. Комуникация изградена
- Записва данните в SD картата на SMS през GSM мрежата е опционална и се прилага
- Изтичат още 20 секунди и изключва вентилатора. само в случаите когато контролера няма достъп до WiFi.
7. Софтуера на сървъра проверява дали номера на чипа Информацията до базата с данни се изпраща в пакетиран
съвпада с активен номер на чип предоставен на кола за вид и съдържа ID на клетката, показания на сензора за
събиране на отпадъци. Ако номера съвпадне и ниво, състояние на вратите, заряд на акумулатора,
показанията на сензора за ниво на запълване отчита показания на сензорите от метеорологичната станция.
„Празен кош“ в базата данни се отбелязва времето за
събиране на отпадък и неговото количество. Ако не Система за следене нивото на отпадъците в кошовете.
съвпада не се отбелязва отчитане. Подсистема за следене нивото на отпадъците в кошовете е
8. Софтуера на сървъра автоматично отчита количество основен елемент в концепцията за интелигентен кош. Тя
извозен боклук от началото на отчетния период. информира кога кофата за боклук е на пълен капацитет и
Подсистеми в интелигентната клетка за събиране на кога трябва да бъде изпразнена, като по този начин
отпадъци позволява на специалистите по почистване да работят по-
ефективно и да намалят ненужните разходи. Нивото на
В интелигентната клетка за събиране на отпадъци са боклук в контейнера се изчислява, чрез измерване на
интегрирани следните подсистеми: разстоянието до най-близкото препятствие с помощта на
- Управляваща подсистема; ултразвукови сензори поставени над кошовете със смет.
- Комуникационна система; Когато нивото на боклука в която и да е кофа надвиши
- Система за следене нивото на отпадъците в кошовете; предварително определено прагово ниво,
- Система за управление на вратите за депозиране на микроконтролерът изпраща предупредително съобщение
отпадъци; до станцията за е-мониторинг. Тази информация
- Система за управление на вратите за изваждане на позволява на системата за обработка на информацията да
пълните кошове; генерира оптимизиран график, според който камионите за
- Система за оповестяване ( информационна система); сметоизвозване ще събират отпадъци от тези кошове.
- Система за контрол на миризмата; Система за управление на вратите за депозиране на
- Система за автоматично гасене на пожар; отпадъци.
- Захранваща система;
- Локална метеорологична станция. Предназначението на тази система е да следи за
недопускане депозирането на по-голямо количество
Управляваща подсистема отпадъци от допустимото. Състои се от сензор(и) за
Тази подсистема се състои от процесорен модул и движение, сензор(и) за отворена врата(електромагнитен
часовник за реално време. Процесорният модул е базиран сензор монтирано на капака) и автоматичен заключващ
на ESP-32 Development Board (фиг. 2). В серията ESP32 механизъм. При задействане на сензора за движение
чийто представител е ESP-WROOM-32 [6,7], е вграден микроконтролера на базата на текущото състояние на
двуядрен 32-битов микропроцесор Xtensa LX6 160- системата взема решение за отключване на отвора за
240MHz с 600 DMIPS; 448 KBytes ROM, 520 KBytes депозиране на отпадъци. Изпълнителният механизъм е
вградена SRAM, RTC таймер с 16KB SRAM памет базиран на соленоид (електомагнит).
достъпна от процесора; 4MB Flash памет. ESP-WROOM- Система за управление на вратите за изваждане на
32 има 38 пина от които 34 са програмируеми GPIO порта пълните кошове.
на 3,3V. Контролера поддържа 32 вектора на прекъсване
от около 70 източника на прекъсване. В чипа е интегриран Както бе споменато по-горе една клетка за депониране на
WiFi 802.11n 2.4GHz предавател с максимална скорост от отпадъци се състои от една или няколко секции. Секциите
150Mbps, при изходна мощност на антената от 22 dBm, са отделени помежду си с преграда за да не се допусне
поддържащ следните стандарти смесване на отпадъците при случайно разпръскване. За
(FCC/CE/IC/TELEC/KCC/SRRC/NCC) и режими всяка секция има отделна врата осигуряваща достъп до
(Station/SoftAP/SoftAP+Station/ P2P). Вграден двурежимен коша. Освен това всяка врата е снабдена с автоматичен
55
заключващ механизъм, електромагнитен сензор и RFID инструменти за извършване на наблюдения и измервания
четец на карти. Заключващият механизъм се разблокира на атмосферните условия. Вградената метеорологична
когато RFID четеца се задейства от валидна карта. станция е предназначена за наблюдение на най-важните
климатични параметри в градски условия като:
Система за оповестяване (информационна система) - температура на въздуха – моменти и екстремни;
Предназначението на тази система е да се подават - влажност на въздуха;
светлинни, текстови и звукови сигнали на потребителите. - атмосферно налягане;
Състои се от три модула: - Количество на фини прахови частици.
- Модул за извеждане на текстова информация; Реализирана е на базата на сензор BME680 за измерване
- Модул за гласово оповестяване; на температура, влажност, атмосферно налягане,
- И модул за SD карта за съхраняване статуса на надморска височина (Altimeter) и VOCs газове (органични
системата. летливи съединения) и сензор Sharp GP2Y1010AU0F за
измерване на количество фини прахови частици.
Система за контрол на миризмите
Процесите на гниене на биологични отпадъци са ЗАКЛЮЧЕНИЕ
съпроводени с типично неприятни миризми. Налични са В доклада е представена структурата на интелигентна
различни способи за предпазване и борба с миризмите с система за управление на твърдите отпадъци в градска и
различна ефективност. Нашият метод се състои в извънградска среда. Предложената организация за
следното: В клетката е монтиран вентилатор работещ на събиране на отпадъци е изградена на идеята за затваряне
няколко скорости и въздушен филтър. Целта на на контейнерите за смет в специални клетки снабдени със
вентилатора е да „изсмуква“ въздуха от контейнера и да система за вентилация и пречистване на въздуха от
го прекарва през въздушния филтър, а от там в околната неприятни миризми. Този подход ограничава достъпа на
среда. насекоми и гризачи до отпадъците, а от там снижава
При преминаването на въздуха през въздушният филтър възможността за разпространение на зарази.
се отстраняват неприятните миризми, като същевременно Разработената система осигурява информация в реално
той ще се дезинфекцира. При работата си вентилатора време за количеството отпадъци в точките на събиране..
създава малко под налягане в клетката което ще Наличието на мониторингова система ще даде
предизвиква движение на въздуха от вън на вътре. Този информация за количеството генерирани отпадъци от
процес няма да позволи излизането на въздух от други домакинствата, както и информация за депонираните
части на клетката освен през филтриращата система. отпадъци. Спомага за оптимизация на графиците за
За икономия на енергия вентилатора работи на сметосъбиране и намаляване на общите разходи.
максимална скорост само по времето когато някоя от Технологиите, които се използват в предложената
вратите за депониране на отпадъци или изваждане на система, са достатъчно добри, за да осигурят практически
кошовете със смет е отворена. През останалото време идеални условия за мониторинг и управление на процеса
вентилатора работи на ниски обороти през определен по събиране на твърди отпадъци и спомага за постигането
времеви интервал. на зелена среда.
56
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Abstract. This study presents consecutively application of Partial Least Square (PLS1) methods and Radial Basis Functions Neural Networks (RBF NN)
with different neurons architectures for chemometric analysis of NIR spectra of 240 meat samples for determination of fat content in them. The reflectance
spectra of all samples were collected by NIR (near infrared) analyser in the spectral range of 850 nm to 1,050 nm. After applying different pre-processing
techniques, we observed that Standard Normal Variate has the superiority effect to remove both additive and multiplicative effects in the spectra. The
obtained results also have shown that RBF NN outperformed PLS in this case.
Key Words: NIR spectroscopy, Partial Least Square method, Radial Basis Functions Neural Networks, fat content, meat samples.
57
the relationship between X and y. Rather than calculating equal to the number of response variables to be predicted by
scores using only X-covariance as in principal component the model [11].
regression (PCR), the PLS1 algorithm takes into account the This involves the sequential addition of new basis functions,
covariance between X scores and y, i.e. the variances of X and each centred on one of the data points. The RBF parameters
y and their correlation. Scores, referred here as latent variables ( , , ) are selected to minimise sum-squared-error (SSE).
(Lv), are then built in order to capture as much information The process continue until error of network output reaches the
related to y as possible. PLS can also be extended to predict pre-set goal value. The determination of the optimum RBF
several responses at a time, which is generally called the NN architecture (I-H-O) is a key factor to obtain good
PLS2. PLS can be summarized in two interdependent steps: predictable model.
(1) Dimensionality reduction of X and y in latent subspaces
using scores projections; (2) Integration of a vector, called 2.3. Multivariate non-linearity test
weights (w), connecting both subspaces and providing the
covariance between X and y scores as optimisation criterion. The goal of NIR-based calibration is to build a multivariate
The key/meta parameter in a PLS model is the number of Lvs, model able to give reliable prediction of the property of
which needs to be optimised. interest from the spectra, where the non-linearity is a key
factor to influence the calibration. The Durbin-Watson
2.2. Radial Basis Function Neural Network (RBF NN) statistical test for residual correlation is used, which consists
model in estimating the DW value [12]. When DW=2, the residuals
are uncorrelated, which is an indication of model adequacy.
RBF NN uses a so-called radial basis function as a transfer
function in the hidden layer neurons (H), and after non-linear 3. DATASET AND SOFTWARE
projections of the inputs neurons (I), an output neuron (O)
produces a weighted sum of the hidden output to give the final The dataset is recorded on a Tecator Infratec Food and Feed
output of the network. RBF NN are local approximation NIR Analyzer working in the wavelength range 850-1,050 nm
networks that have superiorities in function approximation and using reflectance measurements [13].
learning speed. The network model is a feed-forward There are 240 meat samples which are randomly divided into
multilayer neural network with a simple architecture [10]. two groups: 170 sample for calibration and 70 sample for test
Generally, it is a three-layer network: a layer of inputting set. For each meat sample the data consists of a 100-channel
neurons, a single hidden layer of RBF neurons and a layer of spectrum of absorbance and the contents of fat. The
outputting neurons. The training parameters are much less reflectance (log1/R) is measured by the spectrometer. A
than those in other feed-forward neural networks. Soxhlet method was used as the laboratory reference for the
The method relies on a radial basis function of the hidden fat determination. The fat content is between 32.8% and
layer. It is a Gaussian function whose value depends only on the 76.6%. All spectra were converted to digital values and
distance from the origin, i.e.: exported to MatLab for subsequent calculation. Numerical
calculations were made using MatLab®2013a (Mathworks,
Natick, MA, USA). PLS1 and RBF ANN calibration were
, (1) carried out using the MVC1® MatLab toolbox (Olivieri) [11]
and TOMCAT® MatLab toolbox [14].
where is the calculated distance, usually Euclidean,
between input vector and RBF function centre . The is a 4. RESULTS AND DISCUSSION
positive real number which we call the spread of the RBF. The
output layer performs a simple summation of the output from 4.1. Data pre-processing
each hidden neuron according to:
(2)
58
end of the spectra (1,000-1,050 nm), the pre-processed spectra
by MSC and SNV showed larger variations than the raw
spectra [15].
Fig. 2 shows the predicted vs. nominal plot of the PLS and
RBF models. Obviously nonlinearity is marked at PLS model
This figure also shows linear regression curve from PLS1,
whose estimated slope and intercept values are subjected to
the elliptic joint confidence region (EJCR) for assessing the
accuracy and precision of the calibration model [16].
59
Table 2. Summary of the performance indices of RBF ANN Ethylsuccinate Powder Drug Via Short-wave Near-infrared
model on the considered dataset. Spectroscopy Combined With Radial Basis Function Neural
Pre- Fat content, (%) Networks - European Journal of Pharmaceutical Sciences, 31
proc No ANN RMSEP REP, R2 DW 2007, 156-164.
essin Lv architecture (%) (%)
g 8. Chen, H. C. Tan, Z. Lin. Ensemble of Extreme Learning
Raw 15 15-16-1 3.14 4.99 0.967 1.33
Machines for Multivariate Calibration of Near-infrared
D1 13 13-15-1 1.57 2.49 0.991 1.61
Spectroscopy - Spectrochimica Acta Part A: Molecular and
MSC 13 13-17-1 1.56 2.47 0.991 2.05
SNV 10 10-39-1 1.30 2.07 0.994 2.06 Biomolecular Spectroscopy, 229, 2020, 117982.
Table 2 summarizes the performance indices (RMSEP, REP, 9. Rinnan, Å., F. Van Den Berg, S.B. Engelsen. Review of
R2, Durbin-Watson) of RBF ANN models on the considered
The Most Common Pre-processing Techniques for Near-
dataset and different RBF NN architectures, when different infrared spectra - TrAC Trends in Analytical Chemistry,
pre-processing techniques have been tested. As it is seen again 28(10), 2009, 1201-1222.
SNV has been identified as the best performing. After comparing
results within Table 1 it is clear that the RBF NN model is 10. Orr, M.J.L. Regularization in the Selection of Radial Basis
superior to the corresponding PLS model for each component. Function Centers - Neural Comp., 7, 1995, 606-623.
60
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Abstract: There is a common difference between single-objective optimization and multi-objective optimization. In the first
case, there is only a single value as a result of the optimization. In the second case, there is a set of solutions called Pareto-
optimal solutions. Single-objective solvers are giving only a single value as a result, even for multimodal functions. Because
of this single-objective solver is not proper for multi-objective problems. Through additional adaptation, a single-objective
solver is possible to start multiple times. Taking the results of multiple starts, the Pareto front is marked. When the solver is a
metaheuristic, the front itself is difficult to achieve. With fine-tuning of the solver's parameters, the solutions can be as close
as possible.
61
сления начин: Секция 2 – разяснява по какъв начин CPU with 2 cores, 8GB RAM, macOS High Sierra 10.13.6,
еднокритериалният решател в LibreOffice Calc може Java SE 11.0.2, LibreOffice 7.0.6.2. Скриптът на Python е
финно да се настрои за прилагане при многокритериални публично достъпен на [8], а числените резултати от
задачи; Секция 3 – представя проведените експерименти и експериментите са достъпни на [9].
резултатите получени от тях; Секция 4 – съдържа
заключение на извършеното изследване и дава насоки за
бъдещи разработки.
2. НАСТРОЙКА НА ПАРАМЕТРИТЕ
3. ЕКСПЕРИМЕНТИ И РЕЗУЛТАТИ
62
4. ЗАКЛЮЧЕНИЕ
63
213 (2002). ISSN 0171-6468 DOI 10.1007/s00291-001-0092-
9
8. Balabanov, T.: LibreOffice Single-Objective Solver Used
for Multi-Objective Optimization. ResearchGate (2021). DOI
10.13140/RG.2.2.16761.19041
9. Balabanov, T.: UniTech 2021 Multi-Objective Benchmark
Functions. ResearchGate (2021). DOI
10.13140/RG.2.2.24048.79363
10. Test functions for optimization, Wikipedia,
https://en.wikipedia.org/wiki/Test_functions_for_optimization
64
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Abstract. In the paper discusses the changing of the optical characteristic of a kind Photonic Crystal Fiber due to mechanical
deformation. A model of deformation of the fiber, represented as a multilayer dielectric structure, is proposed. A method for
mathematical description of the changing the optical fiber properties is given. The fiber attenuation is calculated. The losses of a Bragg
fiber with deformation and without deformation are compared. An example is included.
Key Words: Bragg fiber, Bending, Losses, Photonic Crystal Fiber, Model of deformation.
65
Изтичащото от вълновода електрическо поле е означено с Загубите от отражение са:
ET,M+1+. Законът на Снелиус свързва ъглите на падане и
= 1 − Γ (λ ) .
P1 ( λ ) 2
Pin , z ( λ )
(9)
отражение и коефициентите на пречупване от двете
страни на всяка граница между две от общо M+1 Нормираното затихване B(λ) е:
гранични повърхности: Pin , z ( λ ) − P1 ( λ ) 2
B (λ ) = Pin , z ( λ )
= Γ (λ ) (10)
66
lz/2 E lz/2 поляризация в [dB] при влакно без деформация, показана
B
на фиг. 4 и 5. Същите пресмятания са направени за влакна
със радиуси на сърцевината а=20-200 μm и за m>1 (висши
2а
θа θа моди). На фиг.6 е показана зависимостта на хроматичната
θm дисперсия от дължината на вълната за същото влакно.
A
D
C R
( R − a) sin θ a , (17)
θ m = arcsin Фиг. 5. Затихване на недеформирано влакно, M=21 слоя
R+a
N N
Пресмятания се извършват и за затихването на влакното
BN (λ) = B1(λ).B2 (λ).B3 (λ)...BN (λ) = B (λ) = (Γ (λ)) .(Γ (λ))
i
N 2
a
2 2
m
2 , (18) като функция на радиуса на огъване R за TE и TM
поляризация. Полученото нормирано затихване в [dB] за
различни дължини на вълната при влакно с деформация е
където Γa (λ ) са коефициентите на отражение в показана на фиг. 7 и 8.
участъците с ъгъл на падане θa, a Γm (λ ) са коефициентите
на отражение в участъците, където ъгълът на падане е θm.
Закъсненията на лъчите и дисперсиите, пресметнати за
различните участъци съответно по формулите (14) и (15)
за различни ъгли на падане, трябва да се сумират.
67
Фиг. 8. Затихване на влакно с M=21 слоя, TM
поляризация, радиус на огъване R
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА
68
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
Abstract. The aim of the present study is to evaluate an option of integration of liquid air energy storage (LAES) into
regenerative steam turbine cycle. The waste heat from LAES discharge is used for feed water preheating. Thermodynamic
analysis shows that the newly proposed hybrid LAES system has a round-trip efficiency of 16% higher than the standalone
LAES.
Key Words: liquid air, energy storage, regenerative steam cycle, feed water, waste heat.
69
батерии - термин, който е възприет и в настоящото ефективност е необходимо да се състави и пресметне
изложение. Термодинамичните характеристики и система от нелинейни алгебрични уравнения
ефективността на криогенните батерии са изследвани от съответстващи на материалните и топлинни баланси на
нарастващ брой научни колективи, особено след 2015 г. всички нейни елементи при фиксирани стойности на
Въпреки някои структурни и параметрични различия, ограничен брой входни параметри. За целта си
почти всички наскоро предложени криогенни батерии послужихме със софтуерния продукт Thermoflex®,
имат обща архитектура [2-8]. Типична конфигурация на комерсиално разработван и предлаган от софтуерната
самостоятелно разположена и действаща криогенна компания Thermoflow Inc. Компютърната програма
батерия е показана на фиг. 1. Thermoflex е широко използвана в научни изследвания и
иженерния приложения [9]. Настоящото изследване в
много голяма степен е базирано, респ. повтаря
математичното моделиране на стационарния тежим на
работа на гореописаната криогенна батерия представено
от Sciacovelli et al. в [4]. Причината за този подход е
обстоятелството, че посочения труд е единственото от
многобройните изследвания в тази област, в което
резултатите от изчислителния анализ са валидирани, респ.
сравнени с данни от експериментално изследване, в
случая това на Morgan et al. [2]. Резултатите от нашето
изследване са верифицирани, респ. сравнени резултати на
Sciacovelli et al. В таблица 1 е представено сравнение
между изчислителни резултати получени от нас (колонка
А) и тези на Sciacovelli et al. (колонка Б). Те касаят
моделирането на въздушния тракт при компресията и
разширението, респ. на компресорната и турбинната част.
Таблица 1
Фиг. 1. Принципна технологична схема на криогенна Дебит Налягане Температура
батерия №
(kg/s) (Bar) (K)
поток
A Б А Б А Б
По време на зареждане на батерията, въздухът се
компресира в компресори ниско и високо налягане с 286.1 286.1
1 92.33 92.33 1.09 1.09
двукратно междинно охлаждане. Освободената топлина 1 1
от компресията се предава на термо-масло, което се 2 92.33 92.33 14.2 14.2 642.3 642.1
съхранява при относително висока температура в секция 14.0 14.0
3 92.33 92.33 298.8 298.8
за горещо съхранение имаща два резервоара с висока и 6 6
по-ниска температура. Сгъстеният въздух след това се 183. 183.
охлажда от връщащия се въздух от въздушния сепаратор 4 92.33 92.33 673.4 673.4
1 2
на втечнителната секция и от студените флуиди, подавани 181. 181.
от секцията за студено съхранение, преди да попадне в 5 92.33 92.33 299.7 299.7
3 3
криотурбината. Разширяването в турбината произвежда 211.8 211.8 74.2 74.2
двуфазна смес пари-течност, която се събира и разделя на 6 268.5 268.5
8 8 4 5
газов поток и поток течност във въздушен сепаратор.
Произведеният течен въздух се съхранява в 73.5
7 211.8 211.8 73.5 437.7 437.7
топлоизолиран резервоар при температура приблизително 1
80 K и атмосферно налягане. 72.7 72.7
8 211.8 211.8 613.9 613.9
По време на етапа на „разреждане“, (респ. производство 7 7
на ел. енергия), течният въздух се изпомпва от резервоара 19.7 19.7
9 211.8 211.8 454.3 454.7
до високо налягане и се нагрява до температура, близка до 5 5
околната среда от студената течност, циркулираща между 19.5 19.5
резервоари за студено съхранение и изпарителя. Както бе 10 211.8 211.8 619.6 619.6
6 6
посочено, студеното съхранение се използва за охлаждане 5.30
по време на етапа на втечняване, с което се повишава 11 211.8 211.8 5.31 459.7 459.7
9
съществено добива на втечнен въздух. Изпомпваният
5.26
въздух преминава през рекуператор, където се нагрява от 12 211.8 211.8 5.26 621.1 621.1
1
въздуха, излизащ от въздушните турбини. Разширяването
на въздуха се извършва в три последователно 13 211.8 211.8 1.43 1.43 461.1 461.1
разположени турбини с междинно прегряване, като за 14 211.8 211.8 1.41 1.41 281.1 277.9
целта се използва термично масло от резервоарите за
горещо съхранение. След това термичното масло се Сравнението показва пълно съвпадение на двата варианта
охлажда в топлообменник и се връща в секцията за с анализираните най-важни параметри на въздушните
горещо съхранение при температура на околната среда. потоци – дебит, налягане и температура. В таблица 2 е
Този топлообменник по същество е единственият представено сравнение между изчислителни резултати
компонент в инсталацията, където топлинна енергия се касаещи моделирането на масления тракт при
изхвърля към околната среда, тъй като в другия такъв – охлаждането и подгряването на въздуха, респ. в
рекуператора въздухът напуска с температура, много компресорната и турбинната част.
близка до тази на околната среда
Предмет на настоящото изследване бе стационарния Таблица 2
режим на работа на така описаната система. За определяне № поток Дебит Налягане Температураа
на нейните термодинамични характеристики и (kg/s) (Bar) (K)
70
A Б A Б A Б В този смисъл прилагането на Органичен цикъл на Ренкин
90.8 към криогенна батерия е само една теоретична
1H 95.7 9.69 1.1 288.3 288.2 възможност. В настоящото изследване се предлага по-
1
47.3 практично решение, при което системата за енергийно
2H 48.81 9.5 1.1 661.6 661.8 съхранение с втечнен въздух се присъединява към
2
постоянно действаща паротурбинна инсталация.
1.0
3H 46.89 43.5 9.5 632.5 631.34
9 МАТЕМАТИЧНО МОДЕЛИРАНЕ НА
90.8 1.0 ПАРОТУРБИННА ИНСТАЛАЦИЯ ОТ ЯЕЦ С
4H 95.7 9.5 647.5 647.3
1 9 ПРИСЪЕДИНЕНА КРИОГЕННА БАТЕРИЯ
11.2
5H 287.1 274 1.1 646 646
2 В паротурбинните инсталации работещи в ТЕЦ и ЯЕЦ се
91.3 1.0 реализира термодинамичния цикъл на Ренкин с работно
6H 95.7 11 482.4 469.1 тяло вода и водна пара. Парната турбина, която е основен
3 9
91.3 1.0 елемент в тези инсталация се явява топлинен двигател, в
7H 95.7 11 478.1 464.3 който топлинната енергия на парата се преобразува в
3 9
91.3 1.0 механична работа, а тя от своя страна се използва за
8H 95.7 11 462.9 448.1 задвижване на електрически генератор. За подобряване на
3 9
ефективността на термодинамичния цикъл се прилага
287.1 1.0 регенеративно подгряване на подхранващата вода, преди
9H 274 11 474.5 460.5
1 9 нейното постъпване в парогенератора. Регенеративното
90.8 подгряване се извършва с пара извеждана от проточната
10H 95.7 9.69 1.1 288.3 288.2
1 част на турбината и подавана към няколко последователно
разположени топлобменника наречени регенеративни
Получените от нас стойности са представени в колонка А подгреватели. Общото подгряване в тях достига 200 до
и тези на Sciacovelli et al. в колонка Б. Наблюдаваната 250 К. Колкото е по-голямо е подгряването толкова по-
разлика макар и минимална може да се обясни по следния висок е к.п.д. на паротурбинната инсталация.
начин. В публикацията на Sciacovelli et al. не е посочена На фиг. 2 е показана принципната топлинна схема на
марката на прилаганото термо-масло, а е записано най- паротурбинна инсталация за ЯЕЦ. Тя има типичната за
общо, че се изполва “diathermic oil”, респ. диатермично ЯЕЦ структура съдържаща турбината в две части, респ.
масло. В нашето изследване се предлага използването на цилиндър високо и ниско налягане, кондензатор, две
конкретна марка масло а именно термо-маслото групи регенеративни подгреватели, респ. подгреватели
Therminol® VP-1. Имаме две основания за този избор: ниско и високо налягане, парогенератор, деаератори,
препоръчвания от производителя на маслото подходящ помпи и др. Към подгревателите се насочват потоци
температурен диапазон за приложение, съвпада с този в грееща пара по паропроводите 8,9-12,15,16.
настоящото изследване; термо-маслото Therminol® VP-1
се използва масово в соларната топлоенергетика, респ.
съществуват усъвършенствани конструкции на
съоръжения за работа с такова масло, като
топлообменници, помпи и резервоари, [12].
Математично моделиране на системата за енергийно
съхранение с втечнен въздух дава възможност да се оцени
нейната ефективност, респ. отношението между
количеството електроенергия произвеждана при
„разреждането“ на криогенната батерия и
електроенергията потребявана при нейното „зареждане“.
За цикъл състоящ се от 9 часа зареждане и 3 часа
разреждане и за двете изследвания ефективността е около
47.5 %. Основната причина за тази ниска стойност се
корени в необходимостта да се осигурят подходящи, респ.
достатъчно ниски температури за процеса на втечняване.
Това налага в резервоара с термо-масло с по-ниска
температура в секцията за горещо съхранение да постъпва Фиг. 2. Принципна технологична схема на:
термо-масло с температура около 288 К (табл. 2, точка а) паротурбинна инсталация от ЯЕЦ (с плътни линии);
10Н). За целта то се охлажда в охладителя на термо- б) паротурбинна инсталация от ЯЕЦ с присъединена
маслото с атмосферен въздух, при което температурата му криогенна батерия (с прекъснати линии).
се понижава със 186 К. Топлината съответстваща на това
температурно понижение се губи безвъзвратно в околната В настоящото изследване се предлага част от
среда. От техническата литература по темата са известни подхранващата вода да се подгрява с използване на
редица изследвания, в които се предлага частично отпадната топлина от криогенна батерия. За тази цел част
използване на тази отпадна топлинна енергия чрез от общия поток подхранваща вода 6 след кондензатора,
добавяне към криогенната батерия на допълнителна респ. потока 6а се насочва към масления подгревател
инсталация за нейното преобразуване в ел. енергия. За вместо към парните подгреватели НН. Подгряването с
целта, най-често се изследва използването на Органичен термо-масло вместо с пара, ще освободи парни потоци,
цикъл на Ренкин [5-8]. които ще останат и разширят в проточната част на
Добавянето на още една инсталация към и без това турбината и в крайна сметка ще се стигне до
сложната технологична схема на криогенната батерия, ще производството на допълнителна електрическа мощност в
оскъпи значително начинанието и ще затрудни ел. генератора. За оценка на размера на допълнително
съществено експлоатацията, имайки в предвид че произведената мощност е съставен математичен модел на
съоръженията ще трябва да се пускат и спират ежедневно. паротурбинната инсталация в два варианта: вариант А – с
71
присъединена криогенна батерия; вариант Б - без
присъединена криогенна батерия. Както се вижда от
схемата точката на присъединяване по термо–масло е след Благодарности
прегревателите на въздушните турбини и пред охладителя
на термо-маслото, охлаждащ с атмосферен въздух. Настоящото изследване е финансирано от НИС при ТУ –
Математичното моделиране е изпълнено също с София, по проект „Разработка на криогенна система за
програмния продукт Thermoflex®, който е особено съхранение на енергия от ВЕИ с производство на
подходящ за случая. Основните параметри на електроенергия по комбиниран цикъл“; Договор №
паротурбинната инсталация като дебит, налягане и 211ИХЪБ0002-02
температура на свежата пара са типични по стойности за ЛИТЕРАТУРА
последното поколения ядрени енергийни блокове с малка
и средна мощност, в случая приблизително 300 000 kW. Периодика
В масления подгревател постъпва за подгряване 1. Energy Storage Grand Challenge: Energy Storage Market
подхранваща вода с ниска температура – 302.3К. Това Report U.S. Department of Energy. Technical Report.
дава възможност в него да се постигне значително December 2020.
охлаждане на термо-маслото, респ. с 167.3К. Постигането 2. Morgan, R., Nelmes, S., Gibson, E., & Brett, G. (2014).
на този ефект е осъществено и чрез оптимизиране на Liquid air energy storage – Analysis and first results from
дебита на подхранваща вода. В резултат температурата на a pilot scale demonstration plant. Applied Energy, 137,
термомаслото в т. 10Ha, респ. пред охладителя на 845-853. https://doi.org/10.1016/j.apenergy.2014.07.109
термомаслото при варианта А е само 307.3К и в него се 3. Guizzi, G.L., Manno, M., Tolomei, L.M., Vitali, R.M.,
налага незначителното охлаждане с 26.3К, т.е. загубата на 2015. Thermodynamic analysis of a liquid air energy
топлина е съществено по-малка, отколкото при storage system. Energy 93 (2), 1639-1647.
самостоятелно разположение и действие криогенната 4. Sciacovelli, A., Vecchi, A., Ding, Y., 2017. Liquid air
батерия. energy storage (LAES) with packed bed cold thermal
В таблица 3 са представени данни за регенеративните storage – From component to system level performance
пароотнемания за двата разглеждани случая. В случая с through dynamic modelling. Appl. Energy 190, 84-98.
подгряването на подхранващата вода с термо-масло 5. She, X., Peng, X., Nie, B., Leng, G., Zhang, X., Weng,
вместо с пара, парния поток преминаващ през цилиндър L., Tong, L., Zheng, L., Wang, L., Ding Y., 2017.
ниско налягане на турбината е с по-голям дебит. В Enhancement of round trip efficiency of liquid air energy
резултат, при вариант А се произвежда допълнителна storage through effective utilization of heat of
мощност от 16 360 kW, при запазване на дебита на свежа compression. Appl. Energy 206, 1632-1642.
пара на входа на турбината, т.е. бе изменение на 6. Hamdy, S., Morosuk, T., Tsatsaronis, G., 2017a.
топлинната мощност на парогенератора, респ. без Exergoeconomic optimization of an adiabatic cryogenics-
използване на допълнителна топлинна енергия в цикъла. based energy storage system. Energy 183, 812-824
7. Tafone, A., Li, Y., Borri, E., Comodi, Broek M.,
Таблица 3 Romagnoli, A., 2018. Liquid Air Energy Storage
Температураaa performance enhancement by means of Organic Rankine
Дебит Налягане Cycle and Absorption Chiller. Appl. Energy 228, 1810-
№ а
поток (kg/s) (Bar) (K) 1821.
8. Peng, X., She, X., Cong, L., Zhang, T., Li, C., Li, Y.,
А Б А Б А Б
Wang, L., Tong, L., Ding, Y., 2018. Thermodynamic
11.8 11.3 study on the effect of cold and heat recovery on
8 10.09 22.29 458.8 458.8
9 9 performance of liquid air energy storage. Appl. Energy
9 8.768 13.69 6.3 6.3 476.9 479 221, 86-99.
10 13.14 20.5 3.4 3.4 418.6 418.6 9. Martelli E., Alobaid F. and Elsido C. (2021) Design
0.92 0.92 Optimization and Dynamic Simulation of Steam Cycle
11 10.98 17.13 370.6 370.6 Power Plants: A Review. Front. Energy Res. 9:676969.
6 6
0.24 0.24 doi: 10.3389/fenrg.2021.676969
12 8.743 13.7 338 338 Конференции и симпозиуми
8 8
10. Finkenrath M., S Pazzi, M. D’Ercole, R. Marquardt, P.
280.4 247.2
5 0.04 0.04 302.1 302.1 Moser, M. Klafki, S. Zunft. Status and Technical
4 2
Challenges of Advanced Compressed Air Energy Storage
(CAES) Technology. 2009 International Workshop on
ЗАКЛЮЧЕНИЕ Environment and Alternative Energy;
11. Фикиин К., Б.Станков. Криогенно съхранение на
Присъединяването на система за енергийно съхранение с енергия за възобновяем изкуствен студ и
втечнен въздух към конвенционална паротурбинна електрозахранване. 22-ра Научна Конференция ЕМФ
инсталация, в разглеждания случай от ядрен енергиен 2017, Технически университет – София, Созопол,
блок, дава възможност ефективно да се използва отпадна 2017, том I.
топлина от криогенната батерия чрез нейното 12. Zoschke T., S. Rohani, T. Fluri, Q. Hu, Q. Fang.
преобразуване в ел. енергия. Произведената Parabolic trough plant performance in China with focus
допълнителна електрическа мощност води до повишаване on comparison of heat transfer fluids HELISOL® 5A and
на ефективността на енергийно съхранение с втечнен Therminol® VP-1. AIP Conference Proceedings 2033,
въздух с 16%. Съвместното разполагане на двете 130017 (2018);
инсталации ще даде възможност и за намаляване на
размера на инвестицията за изграждане на системата за
енергийно съхранение с втечнен въздух, тъй като ще се
използва в голяма степен наличната електро-преносна и
друга инфраструктура.
72
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София
73
номията и навигацията в древността от II-I век п.н.е.,
механичните калкулатори и свързаните с тях
часовникови механизми са тези машини, които
предвещават индустриалната ера. Могат да се дадат
примери за изделия от текстилната промишленост,
парната машина и локомотивите до двигателите с
вътрешно горене. Появяват се като все по-сложен
продукт на инженерната работа, но свързани с
древната материална култура. През 1284 г. се пуска в
действие първият механичен часовник-кула на
катедралата в Ексетър (Англия). Все повече се
изработват часовници със зъбни колела, със
задвижване с тежести, щифтов спусков механизъм и
нивелир, а през 1300 г. във Флоренция е издигнат
първият обществен, механичен, градски часовник.
Доколкото се знае, през 1500-те години Леонардо да
Винчи е дарил човечеството с проектите за първия
механичен калкулатор и сачменият лагер. През XVвек
италианецът изобретил и самодвижеща се количка,
която става първообраз на съвременните автомобили.
По-късно през 1623 г. немският енциклопедист
Вилхелм Шикард конструира сметачна машина -
Изчисляващ часовник, а френският учен Блез Паскал е
първият, който реализира калкулатора на практика
през 1641-2 г. и за 10 години прави 20 екземпляра.
Германският учен Готфрид Вилхелм Лайбниц е
човекът, който отправя технологията една стъпка по-
далеч в тази област и 1673 г. разработва калкулатора
Stepped Reckoner, който може да извърши четирите
аритметични операции (фиг. 2) и въвежда двоичната
система. През 17-19 век следват редица примери за
напредъка от сметачни линии, към механични
сметачни машини, калкулатори до компютри. Един от
тях е Difference Machine или аналитична машина,
калкулатор, проектиран от английския математик
Чарлз Бабидж през 1822-33 г. за изчисляване на
полиномни функции и запомнящи механизми, но
реализирана по-късно. Прави впечатление взаимства-
нето на кинематиката от различни механизми и
Фиг. 1. Кости от lebombo и isango , таблет, римски и устройства по това време, задвижвани по подобен
осигуряване във фината механика, уредостроенето и на гайтани чрез силата на водата (фиг. 3.) или
Като се премине през механичните устройства в астро- дърво в АЕК „Етъра” край Габрово.
74
изчислителен блок и с отделна памет е конструирана
от Джон Атанасов с български произход в Щатския
колеж в Айова. В периода 1936 – 41 г. той и
асистентът му Клифърд Бери разработват изчислите-
лна машина (много по-късно наречена компютърът
на Атанасов-Бери), предназначена да решава
системи линейни уравнения с до 30 неизвестни.
Програмируем компютър, универсална изчислителна
машина Z3, е проектиран и построен от Конрад Цузе
в Германия през 1941 г. Моделът Z3 е унищожен по
време на ВС война. Първият компютърен дизайн или
принципна архитектура с общо предназначение
принадлежи на унгарско-американския математик
Джон фон Нойман в публикувано изследване от
1945 г. Дизайнът е въплътен през 1946г. от колектив
като ENIAC (електронен цифров интегратор и
компютър), показан на фиг. 4. Устройството на
компютрите се оптимизира, след като различни нови
технологии улесняват създаването на по-малки и по-
надеждни електронни устройства. Ламповите
машини започват да се разпространяват по-широко,
Фиг. 2. Изобретения на Леонардо да Винчи, Вилхелм
тъй като значително по-голямата им скорост на
Лайбниц и Блез Паскал 6, 7, 8, 9
изчисление се оказва по-важна от проблемите с
надеждността. Решаващо значение в този процес има
изобретяването на транзистора през 1947 г. През 60-
те години базираните на дискретни транзистори
процесори и изобщо компютри вече не разчитат на
обемисти, ненадеждни и нетрайни превключващи
елементи, като електронните лампи и релета, а се
изграждат на база полупроводникови елементи. По
отношение на роботите същински съвременен робот,
програмируем и с цифрово управление, е създаден
от американеца Джордж Девол, който през 1954
година патентова програмируем манипулатор. В
Фиг. 3. Калкулаторът на Бабидж, по-късна създадената през 1956 година фирма за роботи се
10
реализация на малък модел и предачницата на разработва първият в света индустриален робот
гайтани в АЕК „Етъра” (личен архив) наречен Унимейт 11, който е инсталиран през 1961 г.
Следват по-сложни конструкции и технологии. в завода на Дженеръл Мотърс и се използва за
Първата изчислителна машина с изцяло електронен
75
повдигане и подреждане на горещи метални ръба на постиндустриалното общество с техния
отливки. потенциал да станат машини чрез възпроизводство,
но производственият процес изисква организация и
управление. Нека си припомним разграничението
между изкуствения свят, продукт на технологиите и
света на природата, с което започнах в началото на
изследването: самовъзпроизводството. Това
Фиг. 4.Конрад Цузе и част от колектива ENIAC 12, 13 различие трябва да се има предвид, когато се работи
Да се спрем не само на техническото осигуряване, върху технологиите на “Индустрия 4” за да не се
но и на програмното такова. Доскоро програмите, достигне до едно напълно независимо от човека и в
които компютрите изпълняваха за обработване и същото време самоцелно, безсмислено виртуално
преобразуване на данни в информация, бяха производство.
написани от програмисти, а данните бяха задавани Развитието на технологиите е процес, в
от потребителите. Станахме свидетели обаче на който настъпват големи промени в съответствие с
революционна трансформация, която разби тази потребностите на вътрешната им динамика.
форма. Програмното осигуряване се променя в Еволюцията изисква и преминава различни етапи
посока виртуални технологии. Светът се захранва от във времето. Когато внимателно се изследва процеса
данни и Интернет-връзки с все по-голям обем от каменната ера до познавателните и интелигентни
информация. Световната икономика става роботи в наши дни, се вижда, че не само
дигитална, става реалност концепцията за „умни количествени промени, но и качествени скокове
заводи и интелигентни фабрики”. Срещаме се с нови бележат процеса. През цялата история науката има
учебни програми, програмни езици за изкуствен повече или по-малко значимо, подхранващо влияние
интелект, експертни системи, невронни мрежи и т.н. върху технологията. Тя започва да влияе радикално
Това са нов вид компютърни програми, които се върху технологичното развитие от последната
захранват от информация от бази от данни и половина на XIX век и този ефект продължава с
произвеждат компютърни програми като изход. Така нарастваща интензивност до днес. Според Томас
за първи път в историята интелектът на машинните Кун в книгата си „Структурата на научните
стана сам по себе си машина за генериране на революции“ [7], където описва предишните
машини. Като се има предвид колко много машини индустриални еволюции, натрупаното знание и
са променили живота ни, причинявайки технологичното развитие се осъществяват
индустриални революции, можем да мислим, че скокообразно, с приемственост, но и прекъснато.
радикалната икономическа трансформация е Примерите са много - от витловите до реактивните,
неизбежна с въвеждането на машини, които от парните до електродвигателите и до
произвеждат машини в производствения процес. транзисторите и вакуумните лампи и тръби.
Всъщност някои смятат, че тази трансформация вече Технологиите, които използваме, претърпяват
е настъпила. Новата фаза на производство дори има големи качествени промени от една страна; от друга
име: Индустрия 4.0. Ако питате мен, наричането на страна, те са довели до значителни качествени и
тази нова ера Индустрия 4.0 може дори да не е показателни промени и в нашия социално-
напълно достатъчно наименование, което да описва икономически живот, до феноменът Интернет.
точно естеството на трансформацията, а трябва да Фигура 5. по -долу визуализира тази връзка [2]. На
включва контролирана, икономически обоснована и тази тема са посветени редица статии и доклади като
ефективна в енергийно отношение Индустрия 4. например [8, 9, тематична сесия на 10] и други.
Може би изкуствените интелекти да са ни довели до
76
революция 4. В този процес технологичните
Фиг. 5. Технологии и етапи на социалното развитие устройства следват хода на развитие от напълно
3. Заключение зависими от нас до напълно независими,
Представен е един поглед върху развитието на производствените системи се привеждат към
технологиите и предпоставките, реалността и интелигентни такива. Изглежда, че голямата разлика
отговорността към четвъртата индустриална между двата свята – самовъзпроизводството - ще
революция. Несъмнено нито развитието на изчезне с изкуствения интелект и машините ще ни
устройствата и технологиите, които използваме, заместят по тяхно усмотрение. Ще видим!
нито трансформациите, които това развитие е Човечеството трябва да е много внимателно и
причинило в нашия социален и икономически отговорно за развитието на четвъртата индустриална
живот, не са приключили. Tехнологиите правят нов революция пред самото себе си!
скок и това ни доведе в навечерието на нова
историческа трансформация - Индустриална
77
5
http://www.tarihhaber.net/en-eski-hesap-makinesi/
6
http://cs.furman.edu/digitaldomain/focus/history/earlyhist2.html
7
https://hicomm.bg/retro/tehnologichnite-izobreteniya-na-geniya-leonardo-da-vinchi.html
8
https://commons.wikimedia.org/wiki/File:Arts_et_Metiers_Pascaline_dsc03869.jpg
9
ttps://bilimvegelecek.com.tr/index.php/2019/11/19/leibniz-ve-onun-dusunen-makinesi/
10
https://ethw.org/w/images/0/00/4200_Babbage_Analytical_Machine.jpg
11
Robot Hall of Fame – Unimate. // Carnegie Mellon University
12
http://www.rtd-net.de/Z3-e.html
13
https://www.topragizbiz.com/konular/eniac-ilk-bilgisayar.11386/
78
Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г.
АВТОРСКИ ИНДЕКС
Ангелски, Д. 21 Къртунов, С. 73
Атанасов, А. 47 Митева, С. 69
Балабанов, Т. 61 Михайлов, Е. 31
Бошнаков, К. 31 Михалев, Г. 53
Василев, П. 37 Петков, Н. 88
Върбанов, М. 31 Пилев, Д. 47
Gergov, G. 57 Попов, Д. 69
Делийски, Н. 21 Първанов, Д. 61
Жейнов, Ж. 65 Руйкова, В. 27
Иванов, С. 53 Синдраковска, В. 37
Йорданов, С. 53 Стойчева, Х. 53
Kirilova, E. 57 Томов, П. 61
Касчиев, А. 79 Томова, Ф. 47
Колев, Г. 41 Tchorbadjieff, A. 57
Колева, Е. 41 Урумов, Й. 65
Cruz, J. 57 Хаджийски, М 1
Куманова, Б. 31