СЪЮЗ ПО АВТОМАТИКА И ИНФОРМАТИКА

„ДЖОН АТАНАСОВ”

ФЕДЕРАЦИЯ
НА НАУЧНО-ТЕХНИЧЕСКИТЕ СЪЮЗИ

XXIX Международен симпозиум

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

Е. Николов А. Топалов Е. Михайлов С. Йорданов

И. Бачкова Ч. Дамянов И. Симеонов Хр. Вълчанов
В. Андреев Тр. Пензов Н. Николов Н. Делийски
П. Даскалов Г. Вачков Г. Ружеков

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)

Съюз по aвтоматика и информатика „Джон Атанасов”

Адрес
ул. „Г. С. Раковски” 108
1000 София

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

Взаимното проникване и обогатяване като двустранен ускоряващ фактор

за развитие на машинното обучение и автоматиката
М. Хаджийски …………………....................................................................……………………1

ИНДУСТРИАЛНА АВТОМАТИКА И МОДЕЛИРАНЕ

Изчисляване на топлинния поток за нагряване на несъдържащи лед дървени
призми при автоклавното им пропарване в производството на фурнир
Н. Делийски, Д. Ангелски ….........…......................................................................................... 21
Oбобщено предсказващо управление с компенсация на смущения за процеси
със закъснение
В. Руйкова ..................................................................................................................................... 27
Процедура за анализ и оценка на качеството на водите в река Струма
К. Бошнаков, Б. Куманова, М. Върбанов, Е. Михайлов ........................................................ 31
Взаимовръзки между стандартите IEC/EN 62264 и RAMI 4.0
П. Василев, В. Синдраковска ..................................................................................................... 37

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

Сименс ЕООД: „Дигитализация в процесните индустрии“

Н. Петков …………..................................................................................................................... 88
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

Взаимното проникване и обогатяване като двустранен

ускоряващ фактор за развитие на машинното обучение
и автоматиката

Мutual penetration and enrichment as a bilateral accelerating factor

for the development of machine learning and automation

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. Възможности и проблеми на индустриалната автоматика

2.1. Традиционни и съвременни системи

Класическата схема за управление (Фиг. 1) е доказала своята работоспособност в

индустрията и в редица области извън нея, в т.ч. за обекти от критичната инфраструктура,
националната сигурност, екологията.

Фиг.1. Схема на традиционна система за регулиране

По оценките на McKinsey в момента по света се експлоатират над 5 млн. регулиращи

системи. През последните пет десетилетия развитието на базовите системи на
индустриалната автоматика е показано схематично на Фиг. 2.

Фиг.2. Основни технологични решения в ИА

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.

Фиг.3. Програмируем автоматичен контролер (PAC)

Освен разширен кръг от входни и изходни сигнали(I/O) е предвидено управление на

двигатели, реализация на PID алгоритми, връзка със SCADA, нови интерфейси (HMI,
операторски интерфейс) и възможности за взаимодействие със SQL и OPC.
През последните няколко години започва да се налага нов пазарен продукт на базовото
ниво на управлението - Краен програмируем индустриален контролер (EPIC), схематично
представен на Фиг. 4.

Фиг.4. Краен програмируем индустриален контролер (EPIC)

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.

Фиг.5. Схема на съвременна система за управление

Тази конфигурация, която фигурира в продуктовите предложения на всички водещи

фирми – производителки на индустриална автоматика (ABB, Siemens, Rockwell и др.), е
система от ново поколение. Тя включва редица постижения на теорията на управлението
(наблюдател, математичен модел, процедури за оптимизация, модули за формиране на
заданието, критерии, ограничения). Именно тази система, която е реализирана в грамаден
брой разновидности на алгоритми и структури8], представлява един от основните мостове за
установяване на реално взаимодействие между ИИ и автоматиката, тъй като почти всички
блокове в системата имат функционално присъствие и в двете научно-инженерни области.

2.2. Развитие на системите за индустриална автоматика

Развитието на индустриалната автоматика (ИА) се извършва в три основни направления:

а) Разширение:
• Функционално,
• Алгоритмично,
• Изчислително;
б) Задълбочаване:
• Собствено алгоритмично и процедурно развитие,
• Влияние на ИИ върху ИА;
в) Реализация:
• Структурно развитие,
• Опростен софтуер,
• Платформи.

2.2.1. Функционално разширение на традиционните

системи за индустриална информатика

На Фиг. 6 е представен мрежови вариант на съвременна система за управление с

разширена функционалност. Тя може да се третира в рамките на подхода „система от
4
системи” (SoS) 9], като възлите в системата за управление представляват сами по себе си
сложни подсистеми с автономно поведение. Връзките между тях са преди всичко
информационни и могат да имат твърде различен характер: на еднопосочна зависимост, на
взаимодействие, на процедурно обръщение, на обратни връзки. Трябва да се отбележи, че
различни слоеве на отделните подсистеми Si (i = 1 ÷ 10) могат да си взаимодействат, което
прави синхронизацията на мрежата достатъчно сложен проблем:

Фиг.6. Мрежова структура на разширена система за управление

⎯ Траектория ( S1 ) . В традиционните системи за управление траекторията е или по

части постоянна функция, или е програмно зададена в резултат на оф-лайн процедури,
които реализират определени операцонни изисквания. В съвременните системи за
управление траекторията се формира като резултат на решаване на сложна
многофакторна оптимизационна задача, отчитайки както зададената стратегия, така и
текущото състояние на мрежата, динамично променящо се поради външни
въздействия, вътрешни промени и еволюция, кибер-атаки, аварийни състояния,
операторски намеси и грешки10,11].
⎯ Управление ( S2 ) . Подсистемата за управление има значително разширена
функционалност, както това е показано на Фиг. 7.

Фиг.7. Структура на подсистемата за управление

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.

Фиг.8. Схема на две нива на управление

7
 2.2.2. Алгоритмично разширяване

В традиционните системи на индустриалната автоматика фигурират в развита форма

само част от подсистемите на разширения мрежов модел (Фиг. 6):управление ( S 2 ) , данни
( S4 ) , състояние ( S6 ) , математични модели ( S7 ) . Спрямо тях през последните десетилетия
се наблюдава значително алгоритмично разширяване.
Управление ( S2 ) . Теоретичното развитие на алгоритмите има многостранно развитие в
направлението на H∞, H2, L2, μ-синтез; управление с превключване, моделно предсказващо
управление; стохастично управление, хибридни системи за управление10,12]. За съжаление,
малка част от тези теоретични резултати получават промишлена реализация11]. Като
безспорен лидер се утвърждава моделното предсказващо управление (MPC)8,10], което
намира приложение в редица индустриални области – химията, енергетиката, металургията,
силикатната индустрия11,12,39,41].
Основните насоки на алгоритмичните разширения са:
⎯ Използване на алгоритми, включващи елементи на обучение.
⎯ Управление по аналогия по метода на прецедентите (Сase-based reasoning, CBR).
⎯ Управление базирано на поток от данни2,10,16].
На Фиг. 9 е показана схема за съвременно моделно и безмоделно управление в четири
варианта:

Фиг.9. Варианти на моделно предсказващо управление (MPC)

Данни ( S 4 ) . Алгоритмичното разширение на традиционните СИА е в преодоляването на

следните трудности:
⎯ Обработка на много голям брой данни.
⎯ Данните са многопараметрични, хетерогенни, немаркирани.
⎯ Данни с възможно индуктивно отклонение (Inductive bias).
⎯ Непълни, неточни, зашумени данни.
⎯ Данни, представени в различен формат.
Математично моделиране ( S7 ) . Основна насока е разширяване на алгоритмичната
основа за получаване на модели на базата на данни, значително по-мощни от традиционните
методи за идентификация (Фиг. 9).

8
 2.2.3. Проблеми на традиционните системи на индустриалната
автоматика в условията на големи данни (Big data) и изкуствения интелект (AI)

В съвременните условия теорията на управлението и индустриалната автоматика са

поставени пред сериозни предизвикателства, състоящи се основно в следното10,11,13,16,17]:
1. Необходимост от управление на сложни, комплексни системи с изключително голяма
размерност.
2. Налага се опериране с огромен брой данни – непълни, неточни, недостатъчни,
немаркирани.
3. Наложително е едновременното решаване на разнороден тип задачи за управление –
технологично, организационно, на техническото състояние, противодействие на кибер-
атаки.
4. Трябва да се решават задачи със значително операционно разнообразие:
⎯ Различни опимизационни критерии.
⎯ Различни операционни ситуации.
⎯ Различна стратегия.
5. Решаване на задачи за управление в мрежа с много елементи, няколко нива и сложни
връзки.
6. Липсата на опит в изучаването и включването на околната среда в общия проблем на
управлението.
7. Числено решаване на сложни задачи за управление (стохастично управление, променливи
по време системи, системи с динамични ограничения).
8. Управление на системи с къс и дълъг хоризонт на оценяване на ефективността.
9. Комплексно решение за едновременна оптимална ефективност и робастност.
Тези проблеми налагат обмен на идеи, методи и инструменти с машинното
обучение18,22] и науката за данните5,25].

3. Независимо развитие на технологии на изкуствения

интелект, свързани с индустриалната автоматика

3.1. Състояние на проблема

В последното десетилетие се обособяват няколко независимо, бързо и ефикасно

развиващи се области, които оказват мощно въздействие върху индустрията, науката,
обществения живот, икономиката. Те са и ще бъдат силно влияещи фактори върху
развитието на автоматиката в близките години. Тези експлозивно развиващи се области са
показани на Фиг. 10. Те са взаимосвързани и взаимно се обуславят в паралелното си и
частично независимо развитие.

Фиг.10. Основни източници за развитие на ИИ-базирано управление

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.

Фиг.11. Основни компоненти на ИИ, свързани с автоматиката

Общоприето е, че изкуственият интелект (AI) се реализира като технология основно чрез

машинното обучение (ML)4,18]. Основните наложили се методи в машинното обучение са
дълбочинното обучение (Deep learning, DL)19,25] и поощряващото обучение (Reinforcement
learning, RL)20,22].
Изкуственият интелект навлиза сравнително бавно в индустриалната автоматика5,10,11].
Засега основните му приложения са в обработката и анализа на големи масиви от данни;
частично в изграждането на математични модели, основаващи се на данни; при
производственото планиране и оперативните разписания. Има малко разработки и
приложения на изкуствения интелект пряко в задачите за управление и индустриална
автоматика11].
Основният специфичен фрагмент на мрежовото представяне на базирана на инкуствен
интелект автоматика е показан на Фиг. 12.

Фиг.12. Мрежова структура на управляващата част на система за управление, базирана на ИИ

За разлика от Фиг. 6, тук нови са подсистемите „обучение” и „предсказване”. Обучението

(ML) е базова процедура и може да бъде супервайзорно или несупервайзорно. Особена

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.

Фиг.13. Схема на машинно поощряващо обучение (RL) без модел

Фиг.14. Схема на машинно поощряващо обучение (RL) с модел

Постигането на желаната цел (LT) в системата с поощряващо обучение е функционално

еквивалентна на системата за управление с обратна връзка, но се състои от два етапа:
обучение и управление. Процедурата включва три нови елемента:
⎯ Итеративна оптимизация на поощрението (reward).
⎯ Формиране на стратегия (critic).
⎯ Реализиране на стратегията (actor).
Използването на елементи на изкуствения интелект позволява значително да се разшири
обхватът на възможните за решение задачи. Преди всичко това са задачи, самата постановка
на които включва проблематичност. Схематично това е показано на Фиг. 15 и обект на
разглеждане могат да бъдат няколко варианта:

Фиг.15. Система с алтернативно поведение

1. Крайният резултат (изход) е все още неизвестен и системата за управление се изгражда

така, че да осигури този предполагаем изход.

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].

3.2. Проблеми на изкуствения интелект и машинното обучение

Широкото навлизане на изкуствения интелект в редица области като маркетинга,

здравеопазването, банковото дело, роботиката се дължи на голям брой конкретни
изследвания с важни резултати. Сравнителният анализ на тези работи позволява да се
очертае определен брой проблеми пред изкуствения интелект и специално в машинното
обучение 24,25,26,27,28,29].

3.2.1. Фундаментални проблеми

⎯ За успешно приложение се изискват много данни.

⎯ Машинното обучение се справя трудно със структурни проблеми.
⎯ Липсва интерпретируемост на получените резултати от моделирането и
предсказването.
⎯ Осигуряването на робастност на системите с изкуствен интелект в съчетание с
оптималност е отворен проблем в повечето от случаите.
⎯ Възможността за обобщаване е ограничена.

3.2.2. Алгоритмични проблеми

⎯ Математичните модели, базирани на процедурите за машинно обучение, са

хиперпараметризирани.
⎯ Процесът на обучението не е априорно гарантиран по отношение на основните
критични показатели:
• Устойчивост,
• Сходимост,
• Оптималност,
• Бързодействие.
⎯ Дискретният характер на алгоритмите не позволява прилагане на резултати от
теорията на управлението.

3.2.3. Практически проблеми

⎯ Съвременните системи за обучение, основаващи се на дълбочинното обучение (Deep

learning, DL), са твърде чувствителни към малки систематични отклонения на
входните данни, например при злонамерено подаване на адитивни сигнали с малка
амплитуда при кибер-атаки.
⎯ Един от основните проблеми е подготовката на данни поради тяхната:
• Хетерогенност,
• Неструктурираност,

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.

4. Необходимост от взаимно проникване на идеи, методи и инструменти

Съществуващите проблеми и в двете области – теорията на управлението и
индустриалната автоматика от една страна и технологии, основаващи се на машинното
обучение от друга, са движещата сила на усилията и на двете общности от специалисти за
прехвърляне на мостове между тях. Възможните процедури за взаимно обогатяване са
показани на Фиг. 16.

Фиг.16. Взаимно влияние и интеграция между изкуствения интелект и теорията за управление

4.1. Перспективни области на влияние на изкуствения интелект

(AI) върху теорията и практиката на управление

4.1.1. Разширяване на областта на приложимост

на методите на теорията за управление

⎯ Преодоляване на проблема с голямата размерност на задачата,

⎯ Използване на много по-пълни и сложни математични модели,
⎯ Отчитане на много нови изисквания в оптимизационния стадий на решаването на
задачата: ограничения, свързаност, безопасност, предсказващо поддържане,
⎯ Включване на количествено знание за околната среда в процедурата за оптимизация,
⎯ Включване на голям брой обратни връзки от различни елементи и подсистеми на
цялостната управляема система.

4.1.2. Използване на нови идеи, методи и софтуерни инструменти

⎯ Числено решаване на сложни математични модели (например представени чрез

уравнението на Хамилтон-Якоби-Белман в стохастичното оптимално управление) с
техники на машинното обучение, които иначе биха били неприложими;
⎯ Значително задълбочаване на методите за управление на основата на обучение,
прилагани в традиционните системи (например поощряващото обучение (Фиг. 18 и
Фиг. 19));
⎯ Използване на изкуствени невронни мрежи в постановката за моделно предсказващо
управление (ср. Фиг. 5).

13
 4.2. Нови подходи в машинното обучение и изкуствения
интелект под влиянието на теорията за управление

4.2.1. Използване на методи от теорията за

управление като математически инструмент

⎯ Нова формулировка и строго решаване на критични характеристики на методи от

машинното обучение30]:
• Сходимост,
• Качество,
• Устойчивост;
⎯ Третиране на итеративните процеси на обучението като задачи от оптималното
управление31];
⎯ Разглеждане на дълбочинните невронни мрежи (DNN) и дълбочинното обучение като
сложни управляеми динамични системи, което позволява използване на
разработените в теорията на управлението (ТУ) алгоритми за синтез на нови методи
за обучение32];
⎯ Използване на методите на ТУ за управление на мрежа и управление в мрежа за
решаването на проблемите с комуникационните и компютърните ограничения;
⎯ Хибридизация между експертното знание и машинното обучение33].

4.2.2. Приложение на методи от ТУ в процедури на ИИ-базирани технологии

⎯ Решаване на проблемите за робастност и оптималност при поток от данни като единна

задача34];
⎯ Гарантиране на робастност на машинното обучение и прогнозиране при малки
смущаващи отклонения на входните данни;
⎯ Използване на регуляризационните методи в ТУ (напр. метода на Тихoнoв 35]) за
целите на:
• Решаване или облекчаване на проблема с хиперпараметризацията на математичните
модели при високодименсионни данни26];
• Получаване на редуцирани решения.

5. Тенденции за взаимнопроникващото развитие на

изкуствения интелект и теорията за управлението

⎯ Независимо от досегашното си самостоятелно развитие на двете области – изкуствен

интелект и теория за управлението, между тях съществува фундаментално сходство
по редица ключови проблеми.
⎯ Могат да се намерят еквивалентни формулировки на редица от тези проблеми
(устойчивост, робастност, оптималност) и така да се преодолеят различните граници и
форми на представяне в двете общности от специалисти.
⎯ Възлово достижение е представянето на многослойния изчислителен процес на DNN
като динамичен процес, разглеждайки слоевете на DNN като дискретизация по време
31,32]. Тогава самият процес на обучение ще може да се разглежда като статична и
динамична оптимизация на обикновени диференциални уравнения, управлявана чрез
параметрите на невронната мрежа. Това е един от основните мостове за връзка и
взаимно обогатяване на двете научни области.
Има всички основания да се очаква, че фокусираната върху обучението гледна точка на
машинното обучение и фокусираната върху модели основна парадигма на теорията на
управлението през близките години ще се приближат36].
14
 ---- Съществува широк набор от функионалности, методи и инструменти в двете области,
които се допълват и с тях могат да се получат ефективни хибридни решения. Теорията на
управлението може да предостави полезни концепции, методи и инструменти на машинното
обучение, а от своя страна методите за машинно обучение могат да се използват за решаване
на сложни проблеми на управлението.
⎯ За съжаление взаимното пресичане между почиващите върху поток от данни методи
на машинното обучение и моделно-базираните подходи на теорията на управлението
се намира все още на твърде ранен етап на своето развитие.
⎯ Същевременно изследванията в областта на взаимното пресичане на двете научни
области експоненциално нарастват през последните две-три години32,33]. Това се
дължи на взривното развитие и предизвикателствата пред изкуствения интелект,
наличието на консенсусно приет свободен софтуер и бази данни от взаимен интерес,
както и ентусиазирани изследователи и от двете страни.
6. Полза от приложението на методите на
изкуствения интелект в индустриалната автоматика

⎯ Отчитат се много незабелязани преди това връзки и зависимости чрез включването им

в големи модели, основаващи се на поток от сензорни, оперативни и архивни данни.
⎯ Адаптивното управление (доколкото се реализира) в традиционните системи на
индустриалната автоматика е с кратковременен хоризонт. Системите с елементи на
ИИ дават възможност постепенно да се разпознава неоптималното поведение и да се
реализира оптималност в дългосрочна перспектива37].
⎯ Големите модели, основаващи се на данни, позволяват синхронизирано да се решават
няколко задачи:
• Традиционната задача за оптимално качество на процесите,
• Предсказващо поддържане с отчитане на текущото състояние на съоръженията,
• Управление на киберсигурността,
• Екосъобразна оптимизация на цялостното производство;
⎯ Схващането за „околна среда” само като източник на смущения се разширява до
„оперативна среда” с отчитане на многостранното й влияние върху цялостната
система.
⎯ Подобрява се възможността за изучаване на околната среда и намаляване на
неопределеността в системата за управление чрез систематичен анализ и
разграничаване на смущенията от големите отклонения чрез елиминиране на ефекта
на последните или, включването им в числото на съществените влияещи фактори.
⎯ Въвеждането на симулационен „двойник/близнак” на управляемата система по
методите на ИИ (Фиг.17) позволява значително да се разшири познанието за реалното
„операционно пространство” чрез:
• Включване на ситуации с малка вероятност за поява;
• Обучаването на системата обхваща голям брой едновременно възникващи
ситуации38];
• Системата се обучава както да избягва ситуации близки до ограниченията, така и да
има възможността да замества човека-оператор в критични ситуации;
⎯ Самото понятие „автоматично управление” се разширява с вземането на решение
според възникналата ситуация, като автоматичното управление се превръща само в
част от предприетите действия.

Фиг.17. Схема за управлене с цифров „близнак”

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

Фиг.18. Пресичане на областите на ИИ и ТУ с индустрията

За оценяване на реалната готовност на индустрията да усвоява достиженията на

съвременната автоматика, базирана на ИИ, беше направен анализ на офертните листи на
седем от водещите световни фирми, доставящи индустриална автоматика и/или софтуер за
управляващи системи: ABB, Сименс, АспенТех, Рокуел, Хитачи, Интел и IBM39,40,41,42]. В
Табл. 1 са приведени продуктовите предложения на фирмите за проекти, свързани с
основните функционалности на съвременните системи за управление, основаващи се на
технологии на ИИ. Както се вижда, към настоящия момент пазарен успех имат само
ограничен брой функционалности: обработката на данни, анализа на данни, моделирането на
базата на машинно обучение. Всички фирми предлагат различни типове платформи,
базирани на ИИ.

Табл.1 Индустриални приложения на технологии за управление

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

1. Åström K.J. “Automatic control—the hidden technology,” in Advances in Control - Highlights

of ECC'99, P. Frank (ed.). London: Springer Verlag, 1999.

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.

6. Lamnabhi-Lagarrigue F., A. Annaswamy, S. Engell, A. Isaksson, P. Khargonekar, R. M.

Murray, H. Nijmeijer, T. Samad, D. Tilbury, P. Van den Hof, Systems & control for the future of
humanity, research agenda: Current and future roles, impact and grand challenges, Annual Reviews
in Control 43,1–64, 2017.

7. Stoica I. et al.A Berkeley View of Systems Challenges for AI,Tech. rep.1712.05855v1.arXiv,

2017.

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

42. McCarson B. , Intel Accelerates AI for Industrial Applications,2021,

www.blogs.intel.com/technology/2021/04/intel-accelerates-ai-for-industrial-applications/#gs.dispdu

20
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

ИЗЧИСЛЯВАНЕ НА ТОПЛИННИЯ ПОТОК ЗА НАГРЯВАНЕ НА

НЕСЪДЪРЖАЩИ ЛЕД ДЪРВЕНИ ПРИЗМИ ПРИ АВТОКЛАВНОТО
ИМ ПРОПАРВАНЕ В ПРОИЗВОДСТВОТО НА ФУРНИР

COMPUTATION OF THE HEAT FLUX REQUIRED FOR WARMING UP

OF NON-FROZEN WOODEN PRISMS DURING THEIR AUTOCLAVE
STEAMING IN THE VENEER PRODUCTION

Н. Делийски, Д. Ангелски

Лесотехнически университет, София 1797, бул.Св. Климент Охридски 10, София,

e-mails: deliiski@netbg.com, d.angelski@gmail.com

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

1. ВЪВЕДЕНИЕ фурнир при наличие на ограничена топлинна мощност

За пластифициране на дървени материали с
призматична форма в производството на фурнир и
шперплат те обичайно се подлагат на пропарване в
различни съоръжения [1, 2, 11, 16, 17].
В редица случаи се използва пропарване на дървените
материали при повишено налягане на обработващата
среда в автоклави поради по-голямата енергийна
ефективност и по-малката продължителност в
сравнение с пропарването им в съоръжения, работещи
при атмосферно налягане (2, 3, 5, 12, 14].
В литературата е налице разнообразна информация за
продължителността и енергийните разходи на процеса
на пропарване на дървени материали при атмосферно
и повишено налягане при неограничена топлинна
мощност на захранващия пароизточник [1, 2, 3, 5, 6, 9,
11, 13].
Значителен интерес за средните и малките
предприятия представлява разработването
технологични режими и системи за моделно базирано
автоматично управление на процеса на пропарване в
автоклави при ограничена топлинна мощност.
Цел на настоящия труд е да се предложи метод за
изчисляване изменението на температурата на
обработващата среда и топлинните потоци, които са
необходими за нагряване на дървесината и на целия
автоклав в режимите за пропарване на призматични
дървени материали в автоклав при производството на
на захранващия пароизточник в зависимост от
размерите на напречното сечение на материалите,
съдържанието на вода в дървесината и степента на
запълване на автоклава с материали.
2. МАТЕМАТИЧЕН МОДЕЛ НА ПРОЦЕСА НА
ДВУМЕРНО НАГРЯВАНЕ НА ДЪРВЕНИ ПРИЗМИ
ПРИ АВТОКЛАВНОТО ИМ ПРОПАРВАНЕ
Когато дължината на дървените призми l е поне 4 ÷ 5
по-голяма от дебелината им d и едновременно с това
тяхната широчина b не превишава повече от 3 пъти
дебелината d, тогава за изчисляване на
температурното поле в напрeчното сечение на
призмите, което е еднакво отдалечено от челата на
призмите по време на пропарването им може да се
използва следният 2D математичен модел [2, 3]:
на ∂T
cw ⋅ ρ w = div (λ w − cr grad T ) (1)
∂τ
с начално условие
T (x, y ,0 ) = Tw0 (2)
и следните гранични условия:
Т (x,0, τ ) = Т (0, y , τ ) = Т m (τ ) , (3)

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
началото на ПТО, K; Tm1 – максимално допустима
технологично температура по време на ПТО, K; τ –
текуща стойност на времето на ПТО, равна на n·Δτ, s;
τe – времеконстанта на отделните изчислявани по
уравнение (9) участъци на Tm по време на
повишаването й от Tm0 до Tm1, s.
n във всеки
За определяне на τe и изчисляване на Т m
момент n·Δτ в началото на ПТО е приложен методът с
променлива възвратна стъпка [15] с използване на
следния оптимизационен критерий:
qsource q енергоконсумациите Qa и Qw и на топлинните потоци
− ∂ h ≤ q an ≤ source + ∂ h ,
γ ⋅ Va γ ⋅ Va
⎛ Qn ⎞
⎜ ⎟
d ⎜ ha ⎟⎟
⎜ γ ⋅ Va
където q аn = ⎝ ⎠ е специфичният топлинен поток
dτ
на въвежданата в автоклава водна пара, kW·m-3; qsource
– топлинна мощност на пароизточника, захранващ
автоклава, kW; Va – вътрешен обем на автоклава, m3; γ
– степен на запълване на автоклава с дървени
материали за пропарване, m3·m-3; ∂ h – граница на
локализация на потока qan , kW·m-3.
Удовлетворяването на (10) означава, че по време на
всяка следваща стъпка Δτ of ПТО енергията Δτ ⋅ qan ,
която се изчислява с текущо определената по (9)
n
реална стойност на Т m , ще бъде равна на енергията
q
Δτ ⋅ source .
γ ⋅ Va
5. РЕШАВАНЕ НА МОДЕЛИТЕ (1) ÷ (10)
При решаването на моделите са използвани
топлофизичните свойства на букова дървесина с
начална температура tw0 = 0 oC, базисна плътност ρb =
560 kg·m−3 и граница на насищане с вода на
дървесните влакна ufsp = 0.31 kg·kg-1 [2, 3, 5].
Началната и максимална стойност на температурата на
обработващата среда в началния етап на пропарването
са приети равни съответно на tm0 = 0 oC и tm1 = 130 oC.
При симулациите са използвани различни комбинации
между следните стойности на факторите, оказващи
влияние върху продължителността τ1 на повишаване
на Tm в началния етап на ПТО и на изменението на
(10) qa и qw по време на този етап:
• Размери на напречното сечение на буковите призми
с дебелина d и широчина b: 0.4 × 0.4 m;
• Съдържание на вода u на подложените на
пропарване призми: 0.4 kg·kg-1, 0.6 kg·kg-1 и 0.8 kg·kg-1;
• Степен на запълване γ на автоклава с призми за
пропарване: 0.5 m3·m−3 (т.е. γ = 50%).
6. ИЗМЕНЕНИЕ НА 2D РАЗПРЕДЕЛЕНИЕТО НА
ТЕМПЕРАТУРАТА В ПОДЛОЖЕНИТЕ НА
ПРОПАРВАНЕ БУКОВИ ПРИЗМИ
На фиг. 1 в качеството на пример е показано
изчисленото изменение на tm, tavg, и t в 2
представителни точки (t1 в т. 1 и t4 в т. 4) на букови
призми с d × b = 0.4 × 0.4 m, съдържание на вода u =
0.4, 0.6, 0.8 kg·kg-1 и степен на запълване на автоклава
γ = 50% по време на тяхното автоклавно пропарване и
последващо кондициониране във въздушна реда с цел
хомогенизиране на температурното поле в тях.
140 Букови призми: u=0.4 kg/kg: tm
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

За числено решаване на представените с уравнения (1) 100 u=0.6: t1

÷ (10) модели с цел прилагане на предложения метод 80

u=0.8: t1
u=0.4: tavg
за изчисляване на Tm в началния участък на режимите u=0.6: tavg
60
в ПТО е изготвен софтуерен пакет в изчислителната u=0.8: tavg

среда на Visual FORTRAN Professional. 40 t-opt-max

t-opt-min
За представяне на моделите в удобна за програмиране 20 u=0.4: t4
форма е използвана явна схема на метода на крайните u=0.6: t4

разлики, която не налага каквито и да било 0 u=0.8: t4

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

Топлинна енергия Q a , Q w , kWh.m

Qa: u = 0,8
На фиг. 2 като пример е показано изменението на tm в 50 Qw: u = 0,4
началния участък от режимите за пропарване в Qw: u = 0,6
автоклава на призми с d × b = 0.4 × 0.4 m, γ = 50%, u = 40 Qw: u = 0,8 kg/kg
0.4 kg·kg-1, u = 0.6 kg·kg-1 и u = 0.8 kg·kg-1.
30
140
20
120
o
10 Букови призми: 0.4 x 0.4 m, t w 0 = 0 C
Температура t m , C

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

Фиг. 2. Изменение на tm в началото на автоклавното 16

пропарване на призми с d x b = 0.4 x 0.4 m при
γ = 50%, в зависимост от съдържанието им на вода u
От фигурата се вижда, че продължителността τ1 на
повишаване на tm в автоклава от началната й стойност
tm0 = 0 oC τ1 до tm1 = 130 oC при qsource = 500 kW има
следните стойности: 1.8 h при u = 0.4 kg·kg-1, 2.4 h при
u = 0.6 kg·kg-1 и 3.0 h при u = 0.8 kg·kg-1.
Вижда се също, че повишаването на съдържанието на
вода на призмите от 0.4 to 0.8 kg·kg-1 при дадени
постоянни стойности на d x b и γ предизвиква
практически линейно повишаване на времето τ1.
Причина за това е обстоятелството, че призмите с по-
голямо съдържание на вода имат по-голям специфичен
топлинен капацитет [1, 2, 5]. Поради това при
константен поток qa, който захранва автоклава, по-
голяма част от него се разходва за нагряване на по-
влажните призми, а по-малка част от него остава да
формира изчисленото по уравнение (9) постепенно
повишаване на tm.
8. ИЗМЕНЕНИЕ НА ЕНЕРГОКОНСУМАЦИИТЕ Qw
И Qa И НА ТОПЛИННИТЕ ПОТОЦИ qw И qa В
НАЧАЛОТО НА РЕЖИМИТЕ ЗА ПРОПАРВАНЕ
На фиг. 3 и фиг. 4 е показано изчисленото изменение
съответно на енергоконсумациите Qw и Qa и на
топлинните потоци qw и qa в началния участък от
режимите за автоклавно пропарване на букови призми
с d × b = 0.4 × 0.4 m, γ = 50%, u = 0.4 kg·kg-1, u = 0.6
kg·kg-1 и u = 0.8 kg·kg-1.
От фиг. 3 се вижда, че в началото на пропарването
енергоконсумациите Qw и Qa нарастват линейно. След
достигане на максималната температура
пропарващата среда tm1 = 130 оС (фиг. 1) повишаването
на Qw и Qa се забавя и преминава в криволинейно. С
нарастване на съдържанието на вода в дървесината u
нагряването на призмите се забавя в резултат на
показаните на фиг. 2 зависимости на изменение на tm
от u в началото на пропарването.
14
12
10 qa: u = 0,4
8 qa: u = 0,6
qa: u = 0,8
6
qw: u = 0,4
o
4 Букови призми: t w 0 = 0 C
qw: u = 0,6
t m1 = 130 oC, γ = 50%
2 qw: u = 0,8 kg.kg
0
0 0,5 1 1,5 2 2,5 3
Time τ , h
Фиг. 4. Изменение на qa и qw в началото на режимите
за пропарване на призми с d x b = 0.4 x 0.4 m и γ = 50%
в зависимост от u
Нарастването на продължителността τ1 на
повишаването на tm от tm0 = 0 oC до tm1 = 130 oC при
увеличаване на u предизвиква повишаване на Qw и Qa,
които при τ1 стават равни съответно на 22.6 kWh·m-3 и
39.9 kWh·m-3 при u = 0.4 kg·kg-1, 31.9 kWh·m-3 и 52.7
kWh·m-3 при u = 0.6 kg·kg-1, 41.7 kWh·m-3 и 53.0
kWh·m-3 при u = 0.8 kg·kg-1.
От фиг. 4 се вижда, че топлинният поток qa, който
захранва автоклава в периода до достигането на tm1 =
130 оС, при използвания в симулациите пароизточник
с ограничена мощност qsource = 500 kW е равен на 20.83
kW·m-3. Тази стойност на qa е определена по следния
начин. Отначало чрез умножаване на вътрешния обем
на автоклава Va = 48.0 m3 с γ = 0.5 е получен обемът на
заредените за пропарване призми, равен на 24.0 m3.
След разделяне на qsource = 500 kW на този обем на
призмите е получен показаната на фиг. 4 константна
стойност на специфичния топлинен поток qa = 20.83
на kW·m-3.
От фиг. 4 се вижда също, че в първите 6 min (т.е. 0.1 h)
от пропарването при константния топлинен поток qa
потоците qw рязко нарастват до следните стойности:
11.16 kW·m-3 при u = 0.4 kg·kg-1, 12.19 kW·m-3 при u =
0.6 kg·kg-1 и 13.05 kW·m-3 при u = 0.8 kg·kg-1. След това
те плавно се повишават и при τ = 0.6 h достигат

24
максимални стойности, равни на 13.13 kW·m-3 при u =
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
τ1 и достигане на tm1 = 130 oC потоците qw съвсем
плавно намаляват, а след това те, а и потоците qa се
понижават плавно, но значително – повече от 2 пъти.
Следва да се отбележи, че разликите между
енергоконсумациите Qa и Qw на фиг. 3 и между
потиците qa и qw на фиг. 4 са равни на сумата
съответно на енергиите и топлинните потоци, които
осигуряват енергоконсумациите на последните 5 члена
в дясната част на уравнение (4).
ЗАКЛЮЧЕНИЕ
В настоящия труд е представен метод за изчисляване
на температурата на обработващата среда tm, а също на
топлинните потоци и енергоконсумацията при
автоклавно пропарване на несъдържащи лед дървени
призми за фурнирното производство при ограничена
мощност на пароизточника в зависимост от размерите
на напречното сечение на призмите d x b,
съдържанието на вода в дървесината u и степента на
запълване на автоклава с призми γ.
Методът се базира на използването на два
математични модела: 2D нелинеен модел на
разпределението на температурата в призмите и модел
на нестационарния топлинен баланс на автоклавите за
пропарване на дървени материали.
Представени и анализирани са диаграми с изчисленото
нестационарно изменение на tm в използван в
практиката автоклав с диаметър 2.4 m, дължина 9.0 m
и степен на запълване с призми γ = 50% при
ограничена мощност на парозахранването 500 kW по
време на пропарване в него на букови призми с
размери на напречното сечение d x b = 0.4 × 0.4 m,
начална температура 0 °C и съдържание на вода u =
0.4, 0.6 и 0.8 kg·kg-1. Представени и анализирани са и
диаграми на изменението на енергоконсумациите на
призмите Qw и на целия автоклав Qa, а също на
осигуряващите ги топлинни потоци qa и qw в
зависимост от посочените фактори. Всички диаграми
са построени по софтуерно изчислени резултати.
Установено е, че увеличаването на u при дадени
стойности на d x b и γ поражда практически линейно
нарастване на времето τ1, за което температурата tm се
повишава от начална стойност tm0 до максималната
режимна стойност tm1.
Установено е също, че в интервала 0 – τ1 в началото
на пропарването енергоконсумациите Qw и Qa
нарастват линейно. След достигане на максималната
температура tm1 повишаването на Qw и Qa се забавя и
преминава в криволинейно.
В първите 0.1 h = 6 min от ПТО при константен
топлинен поток qa, обусловен от ограничената
мощност на пароизточника qsource, потоците qw рязко
нарастват, а с последващото им плавно повишаване
достигат максимални стойности при τ = 0.6 h.
След изтичането на времето τ1 и достигане на
температурата tm1 потоците qw и qa се понижават
плавно, но значително – повече от 2 пъти.
Предложеният метод и получените резултати могат да
се използват за изчисляване и моделно базирано
автоматично реализиране на енергийно ефективни
оптимизирани режими за автоклавно пропарване на
дървени материали с различно предназначение при
ограничена мощност на пароизточника [7, 8, 9].
25
БЛАГОДАРНОСТИ
Настоящата работа е подпомогната от НИС при ЛТУ,
София, договор № 1079/2020.
ЛИТЕРАТУРА
1. Chudinov, B. S. Theoretical Research of Thermo-
Physical Properties and Thermal Treatment of Wood,
Dissertation for DSc., SibLTI, Krasnoyarsk, 1966 (in
Russian).
2. Deliiski, N. Modelling and Technologies for
Steaming Wood Materials in Autoclaves. Dissertation
for DSc., University of Forestry, Sofia, 358 p. 2003
(in Bulgarian).
3. Deliiski, N. Transient Heat Conduction in Capillary
Porous Bodies. In Ahsan A. (ed) Convection and
Conduction Heat Transfer. InTech Publishing House,
Rieka, pp. 149-176, 2011.
4. Deliiski, N. Modelling of the Energy Needed for
Heating of Capillary Porous Bodies in Frozen and
Non-frozen States, Scholars’ Press, Saarbrücken,
Germany, 116 p., 2013, http://www.scholars-
press.com//system/.
5. Deliiski, N. and L. Dzurenda. Modeling of the
Thermal Treatment in the Technologies for Wood
Processing. University of Forestry, Sofia, 299 p.,
2010 (in Bulgarian).
6. Hadjiski, M. and N. Deliiski. Advanced Control of
the Wood Thermal Treatment Processing.
Cybernetics and Information Technologies, vol. 16,
№ 2, pp. 179-197, 2016.
7. Hadjiski, M. and N. Deliiski. Inteligent Control of the
Wood Thermal Treatment Process under Variable
Scheduling. Proc. of the 28-th Int. Symposium
“Control of Energy, Industrial, and Ecological
Systems”, 12-13 November, Bankya, Bulgaria, рр.
35-46, 2020.
8. Hadjiski, M. and N. Deliiski. Advanced Process
Control of Distributed Parameter Plants by
Integration First Principle Modeling and Case-Based
Reasoning. Part 2: Case-Based Reasoning Control of
DPP. Proc. of the Int. Conf. of Automatics and
Informatics “D. Atanassov”, 1-3 October, Varna, 6 р.,
2020.
9. Hadjiski, M., N. Deliiski and N. Tumbarkova.
Intelligent Hybrid of Thermal Treatment Processes of
Wood, Proc. of the 16-th Int. Conf. Intelligent
Systems, IS 2020, Varna, pp. 482-489, 2020.
10. Kanter. K. R. Investigation of the Thermal Properties
of Wood. PhD. Thesis, MLTI, Moscow, 1955 (in
Russian).
11. Pervan S. Technology for Treatment of Wood with
Water Steam. University in Zagreb, Zagreb, 2009 (in
Croatian).
12. Riehl, T., J. Welling and A. Frühwald. Druckdämpfen
von Schnittholz, Arbeitsbericht 2002/01: Institut für
Holzphysik, Hamburg: Bundesforschungsanstalt für
Forst- und Holzwirtschaft, 2002.
13. Shubin, G. S. Drying and Thermal Treatment of
Wood. Lesnaya Promyshlennost, Moscow, 337 p.,
1990 (in Russian).
14. Sokolovski, S., N. Deliiski and L. Dzurenda.
Constructive Dimensioning of Autoclaves for
Treatment of Wood Materials under Pressure. Proc.
of the 2nd Int. Sc. Conf. “Woodworking techniques”,
Zalesina, Croatia, pp. 117−126, 2007.
15. Stoyanov, S. Optimization of Technological Objects.
Technika, Sofia, 412 p., 1983 (in Bulgarian).
16. Trebula, P and I. Klement. Drying and Hydrothermal
Treatment of Wood. TU in Zvolen, Slovakia, 449 p.,
2002 (in Slovak).
17. Videlov, H. Drying and Thermal Treatment of Wood.
University of Forestry, Sofia, 255 p., 2003 (in
Bulgarian).
26
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

OБОБЩЕНО ПРЕДСКАЗВАЩО УПРАВЛЕНИЕ С КОМПЕНСАЦИЯ НА

СМУЩЕНИЯ ЗА ПРОЦЕСИ СЪС ЗАКЪСНЕНИЕ
В. Руйкова

GENERALIZED PREDICTIVE CONTROL WITH DISTURBANCE

COMPENSATION FOR TIME-DELAY PROCESSES
V. Ruykova,

University of Mining and Geology "St. Ivan Rilski", Bulgaria, velichka.ruykova@mgu.bg

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

ВЪВЕДЕНИЕ стойности на изхода на системата, r (k + j ) е вектор със

Смущенията отклоняват системата от желаната работна
точка и изискват специфични стратегии за управление, за
да се сведе до минимум тяхното влияние. Класическото
управление на измерими смущения е най-често срещаното
решение за справяне с този проблем. Компенсаторите
дават възможност за изработване на управлението преди
смущението да повлияе на изхода на процеса. Идеалният
компенсатор се формира от отношението на динамиката
между изхода на процеса и смущението към динамиката
между изхода на процеса и управляващия сигнал с
обратен знак. Такъв компенсатор обаче рядко може да се
реализира, поради невъзможност за инверсия на
закъснението например [1]. За процеси със закъснение и с
възможност за измерване на смущенията, се използва и
обобщеното предсказващо управление (Generalized
Predictive Control, GPC). GPC е внедрено основно при по-
бавни процеси. Това се дължи на голямата му
изчислителна сложност. Една от целите на доклада
представлява намаляване на изчисленията в разширена
версия на GPC алгоритъма. В следващия раздел е дадена
теорията на разширения GPC алгоритъм. Целевата
функция на GPC и закона за управление са представени в
раздел 3. Пак там ще бъде проверена ефективността на
разширения GPC алгоритъм чрез симулационно
изследване, при което се съпоставят получените, с
различни подходи за компенсиране на измерими
смущения, резултати.
ОБОБЩЕНО ПРЕДСКАЗВАЩО УПРАВЛЕНИЕ С
ИЗМЕРИМО СМУЩЕНИЕ
Целевата функция, която GPC трябва да минимизира, има
вида:
J (N1 , N 2 , Nu )=
N2 Nu
∑ δ ( j )[ŷ (k + j k )− r (k + j )]
(1)
∑ λ ( j )[Δu (k + j −1)]2 ,
2
= +
j = N1 j =1
(
където ŷ k + j k ) е вектор с оптимални предсказани, на
базата на данни, известни до дискретен момент от време k,
зададени стойности, Δu (k + j − 1) е вектор с изпреварващи
управляващи сигнали – съдържа първите разлики на
управлението, N 1 е минимален хоризонт на предсказване,
N 2 е максимален хоризонт на предсказване, Nu е
хоризонт на управление, δ ( j ) и λ ( j ) са тегловни
коефициенти. Двата тегловни коефициента имат
симетрична функция, едновременната им промяна е
излишна, затова δ =1 . Чрез тегловния коефициент
λ , (λmax < λ < 0) се разпределя (балансира) енергията на
регулатора между две противоречиви цели: постигане на
точност при отследяване на грешката в САУ (λ → 0 ) и
ограничаване на поведението на управляващия сигнал
(λ → λmax ) [2]. Чрез минимизиране на (1) се намира
поредица от оптимални стойности на управляващия
сигнал, но само първата стойност се прилага действително
към обекта, като процедурата се повтаря за всеки такт.
Предсказаните стойности се изчисляват за зададен модел
на обекта за управление, който е съществена част от
управлението с GPC. Обикновено методът за проектиране
на GPC предполага, че обектът адекватно се представя от
ARIMAX модел. Моделът се модифицира, като се
разшири с вектора на измеримото смущение v (k ) :
( ) ( )
A q −1 y (k )= B q −1 q − d u (k −1)+
C (q −1 )
+ D(q −1 )q − dvv(k )+
(2)
ξ (k ) ,
Δ
където А, B, C и D са полиноми на оператора q −1 от
степени na , nb , nc и nd , съответно, d – брой тактове
закъснение межу входа и изхода на процеса, dν – брой
тактове закъснение между смущението и изхода на
процеса, ξ (k ) – неизмеримо смущение от типа бял гаусов
шум. Чрез Δ = 1 − q − 1 се осигурява интегрално действие
на регулатора, за да се премахнат (компенсират)
нежелателните ефекти от появата на товарни смущения

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

откъдето в методиката за проектиране на регулатора се (8)

( −1 )
извежда
Първото Диофантово уравнение
(q )= H df (q −1 )+ q − j+d −ρd H j−d + ρd q ,
df + dp −1
Hj
dp

( ) ( )( ) ( ) 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 ,

уравнение (6) могат да бъдат получени от сравнението на

коефициентите, пред еднаквите степени на q, от двете
( )
deg H jf− d q −1 = nHf = j − d −1 ,
страни на равенството [3]: deg H jp− d (q −1 )= n p = max{deg C (q −1 )−1, deg B (q −1 )+ d −1}.
(
c0 + c1q−1 +…+ cnc q−nc = e j ,0 + e j ,1q−1 +…+ e j , j −1q−( j −1) × ) и
H

−(na +1) ⎞ Третото Диофантово уравнение

×⎛⎜ a~0 + a~1q−1 +…+ a~(na +1)q
⎝
⎟+
⎠ H df
j ( ) ( )( )
+ dp −1
q = H df −1 −1
j q C q +q
− j + d − ρ d dp −1
Hj q , ( )
j (q )= n df = j − d −1 + ρ d ,
+ q− j ⎛⎜ f j ,0 + f j ,1q−1 +…+ f j ,na q−na ⎞⎟ deg H df −1
⎝ ⎠ H

j (q )= n dp = max{deg C (q )−1, deg D (q )+ d v −1}.

−1 −1 −1
След разкриване на скобите вдясно и групиране на deg H dp H
членовете от една и съща степен, за коефициентите на
( )
полиномите E j q −1 и F j q − 1 може да се запише: ( ) След заместване на (8) в (7) се получава
( )Δu(k −1)+
p
H j q −1
i −1 ( ) ( )
ŷ k + j k = H j q −1 Δu (k + ne )+
f
C (q −1 )
e j ,i = ci − ∑ e j ,k a~i − k , i =1, 2 , … , j-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 ,

p = [Δν (k ), Δν (k −1),…, Δν (k − dν − nd −1)] ,

νF T
(11) (
f0 = ŷнепр− r ) (ŷнепр−r) .
T

където Nν е хоризонт на оценката на смущението. При предположение, че няма наложени ограничения

върху управляващия сигнал, минимумът на (13) се намира
Тогава принудената и непринудената компоненти, и
като се положи градиентът на J да е равен на нула. Това
предсказаният възстановим изход могат да се представят в
води до оптималното решение
матричния вид
ŷ пр = H f u , (
u = − H −1b = H T H + λ )−1 H T (r − ŷ непр ). (14)
Само първият елемент на вектора на решението
ŷнепр = H df ν + H pu F F dp F
p + Fy p + H ν p , u (1)≡ Δu (k ) се използва, т. е. проектираният регулатор
ŷ = H f u + ŷ непр . (12) осигурява едностъпково предсказване на изходната
величина посредством управляващия сигнал
Матрицата Hf има размерност (ne2 − ne1 +1)× Nu и
Δu (k )= [1 0 … 0] H T H + λI( )−1 H T (r − ŷнепр ),
елементите й представляват стойности на дискретната
(
Δu (k )= K r − ŷ непр . )
~
преходна функция на модела B q −1 A q −1 , ( ) ( ) (15)

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

r(t), y(t), v(t)

крайната цел на методиката.

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

Qf и Q p са полиноми, включващи коефициентите на 2

0.5

миналите и бъдещите стойности на смущението, които се 1.5

изчисляват по различни начини в зависимост от ρ d [1].

0
1

Задание r(t)

На фиг. 1 е показана структурна схема, базирана на -0.5 Смущение v(t)

GPC с бъдещи стойности на смущението
GPC без бъдещи стойности на смущението
0.5
GPC с бъдещи стойности на смущението
GPC без бъдещи стойности на смущението

изведения закон за управление. -1

0 5 10 15
GPC

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

В доклада е представен метод за проектиране на разширен

Фигура 1. Разширена структурна схема на GPC за
компенсиране на измеримото смущение
Експериментални резултати
За целите на симулацията е избрана следната система [1]:
Y (s ) 1 −τ u s Y (s ) 1 −τν s
Pu (s )= = e , Pν (s )= = e .
U (s ) s +1 V (s ) s +1
Pu (s ) е предавателната функция на процеса, свързваща
изхода на процеса с управляващия сигнал, а Pν (s ) е
предавателната функция на процеса, която свързва изхода
на процеса с измеримото смущение. За дискретните
( ) ( )
полиноми A q −1 , B q −1 и D q −1 , получени от
предавателните функции Pu (s ) и Pν (s ) , е използван такт
на дискретизация Ts = 0.25 s, C q −1 =1 . Класическият
компенсатор може да се реализира като се раздели
Pν (s ) Pu (s ) . Разглеждат се два случая, τ u <τν - първи
случай и втори - τ u >τν .
Структурните параметрите във всички експерименти са
настроени според правилата [5]: N1 = d +1+ ne1 , ne1 ≥ 0 ,
N 2 = d +1+ ne2 , ne2 ≥ ne1 , ne1 +1≤ Nu ≤ ne2 +1 , Nν ≤ Nu .
И за двата случая ne1 =1 , ne2 =10 , Nu = Nν = 6 , λ =1 . За
случай 1 N 1 = 6, N 2 =16 , а за случай 2 - N 1 = 22, N 2 = 32 .
GPC за подобряване на компенсацията на измеримите
смущения. Приложен е нерекурсивен метод за
изчисляване на Диофантовите уравнения (необходими за
получаване на предсказания изход), чрез който се
намаляват изчисленията, когато ne1 > 0 . GPC не може да
елиминира напълно смущенията дори когато в
управлението са включени бъдещи стойности на
смущението, може да се види от фиг. 2 и 3. Пълно
елиминиране на смущенията е възможно само когато
λ =0 .
ЛИТЕРАТУРА
1. Pawlowski, A., J. L. Guzmán, J. E. Normey-Rico, M.
Berenguel. Improving feedforward disturbance
( )
compensation capabilities in Generalized Predictive
Control. Journal of Process Control 2012, 22, 527–539.
2. Гарипов, Е., Т. Пелтеков, В. Руйкова. Избор на
( ) подходящи стойности на настройваеми коефициенти
при проектиране на обобщен предсказващ регулатор.
А&И' 2014, София, 3-7 октомври 2014.
3. Haber R., R. Bars, U. Schmitz. Predictive Control in
Process Engineering. WILEY-VCH Verlag, 2011.
4. Holiš, R., V. Bobál. Possible approaches of disturbance
compensation of time-delayed systems using predictive
control. 29-th European Conference on Modelling and
Simulation ECMS 2015, Albena (Varna), Bulgaria, 26-29
May 2015, p. 305-311.
5. Camacho, E. F., C. Bordons. Model Predictive Control.
Springer-Verlag, London, 2004.

30
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

ПРОЦЕДУРА ЗА АНАЛИЗ И ОЦЕНКА НА КАЧЕСТВОТО НА

ВОДИТЕ В РЕКА СТРУМА
PROCEDURE FOR ANALYSIS AND ASSESSMENT OF WATER
QUALITY IN THE STRUMA RIVER
Коста Бошнаков1, Богдана Куманова1, Мариан Върбанов2 и Емил Михайлов1
1
Химикотехнологичен и металургичен университет-София, Бул. Св.Климент Охридски 8,
1756 София
2
Департамент "География" на Националния институт по геофизика, геодезия и география
при Българска академия на науките.
Abstract: The aim of the present work is to study the possibilities for developing a system for monitoring the state of the
water on the Struma River and the presence of unacceptable pollution. The development of the algorithms of the
monitoring system is in accordance with the normative documents of the Republic of Bulgaria and is built on the basis of
monitoring measurements for the quality of the river waters from six monitoring points for the period 2010-2019. The
following variables characterizing water quality were analyzed: ammonium nitrogen (NH4-N), nitrate nitrogen (NO3-N),
nitrite nitrogen (NO2-N), pH, biological oxygen demand (BOD), electrical conductivity (EC), total nitrogen (TN), total
organic carbon (TOC), total phosphorus (TP), orthophosphate phosphorus (PO4-P), dissolved oxygen (DO), temperature
(T) and chemical oxygen demand (COD). The section of the river Struma from before Blagoevgrad to the border (bridge
for the village of Topolnitsa) was chosen for the research. The available measurement data from six monitoring points in
the considered section of the Struma River are as synchronized as possible. Correlation analyzes were performed for the
possibility of combining the available measurements from the six monitoring points and for the presence of a correlation
dependence between the measured variables characterizing the water quality in the Struma River. The presence of
correlations between the variables directs the use of the principal components method as a mathematical apparatus for
building the monitoring system. Procedures have been developed for classifying the status of river waters depending on
current measurements / analyzes. Expressions for the main components for eleven of the measured variables characterizing
water quality are derived. Research has been carried out to develop a procedure for classifying these measurements into the
terms "excellent", "good" and "moderate". Possibilities for classifications with neural networks have been studied.
Measuring some of these variables is a lengthy procedure and can hardly be used for operational actions. For this reason,
the possibilities for developing a procedure for monitoring and classifying the status of river waters on the basis of
variables, which in principle can be measured automatically (pH, EC, DO and T), have been explored. They also apply the
principal components method and classification with neural networks in the same classification categories. The developed
approaches for monitoring the quality of the waters of the Struma River can be applied for each measurement in the six
monitored monitoring points.

Key words: Neural classifiers, state of river waters, Struma river, presence of inadmissible pollution

прогнозиране – нелинейна авторегресионна-пълзящо

1.ВЪВЕДЕНИЕ
Целта на настоящата работа е разработване на
математическо и алгоритмично осигуряване за
мониторингова система за качеството на водите на река
Струма.
За функциониране на мониторинговата система е
необходимо постъпване на измервания/анализи за
текущото състояние на нормативно определени
физикохимични показатели. Изследвани са два подхода:
първият се основава на стойностите на всички
физикохимични показатели, характеризиращи качеството
на речните води, а втория – само на променливи, които
по принцип могат да се измерват в реално време.
Информацията за качеството на водите и наличието на
аномални явления, рефлектиращи в качеството и,
генерирана от мониторинговата система е предназначена
за съответната басейнова дирекция [2,3,4].
В редица литературни източници са представени
използваните математически методи за оценка на
състоянието на речни води в различни точки на света. В
[6] са проведени изследвания за класифициране и
предсказване на качеството на водите на река Донг Наи
във Виетнам за периода от 2012 до 2019г. За
класификация на качеството на водите се използват
невронни мрежи с право разпространение, а за
31
средно невронна мрежа (NAR-MA).
За класификация на качеството на водите на река Муда
(Малайзия) се използват клъстерен анализ, метод на
главните компоненти (PCA) и дискриминантен анализ
(DA) [7]. За същата цел в [8] се използват невронни
мрежи с право разпространение. За моделиране на
качеството на речните води в [9] се използва комбинация
от метода на главните компоненти и многомерна линейна
регресия, като посредством PCA се намалява
размерността на задачата за линейния регресионен
анализ. Аналогично в [10] за целите на класификацията
се използват метода на главните компоненти и
статистически техники.
2.МОНИТОРИНГОВИ ПУНКТОВЕ ПО ТЕЧЕНИЕТО
НА РЕКА СТРУМА
За провеждане на изследванията в настоящата статия са
използвани данни от регулярни измервания на състава на
водите на река Струма, които се провеждат във всеки
мониторингов пункт (МП) четири пъти в годината по
едно за всеки сезон. За провеждане на изследванията е
избран участъка на река Струма от преди Благоевград до
границата (мост за с.Тополница).
Съгласно класификацията, направена на типовете
повърхностни водни тела в Западнобеломорски район за
басейново управление [2], по поречието на река Струма данните от различните мониторингови пунктове са
има един участък - от изворите и до язовир Студена, съвместими, което предполага квазистационарност на
който е тип R3 (планински тип) и след него има състава на речните води за времето през което те
единадесет участъка, които са тип R5 (полупланински преминават от МП1 до МП6. За всеки мониторингов
тип). пункт данните са комплектувани по дати и
физикохимични параметри. Проведен е корелационен
Разглежданият участък от река Струма се отнася към R5 анализ между данните от отделните мониторингови
(полупланински тип) и в него са разположени следните пунктове. Стойностите на всички коефициенти на
пунктове за мониторинг: р. Струма преди гр. Благоевград
корелация ( rij ) надвишават 0,99 и за всички коефициенти
(МП1); р.Струма след Благоевград (МП2); р. Струма след
гр.Симитли, шос. мост на Е79 в м.Орловец (МП3); р. на корелация коефициентите на Пирсън изпълняват
Струма преди гр.Кресна (МП4); р. Струма след вливане условието за значимост p ij < 0,05 , което позволява
на р.Санданска Бистрица, след гр.Сандански (МП5); наличните измервания от шесте мониторингови пункта
р.Струма при границата (мост за с.Тополница) (МП6). да бъдат обединени и използвани за целите на
При регулярните измервания се измерват/анализират настоящото изследване.
следните физикохимични променливи, характеризиращи 3.2.Статистически анализ на физикохимичните
качеството на водите: амониев азот (NH4-N), нитратен показатели, характеризиращи качеството на
азот (NO3-N), нитритен азот (NO2-N), pH, биологична
речните води. Проведен е статистически анализ на 124
потребност от кислород (BOD), електропроводимост
комплекта данни от измервания в шестте мониторингови
(EC), общ азот (TN), общ органичен въглерод (TOC), общ
фосфор (TP), ортофосфати (PO4-P), разтворен кислород пункта. Резултатите за оценките на математическите
(DO), температура (T) и химична потребност от кислород очаквания ( x ) и средноквадратичните отклонения ( S x )
(COD). За провеждане на настоящите изследвания се са представени в Таблица 2.
използват данни от измервания, проведени през периода
2010-2019г. Таблица 2 Оценки на математическите очаквания ( x )
и средноквадратичните отклонения ( S x )
В Наредба № Н-4 за характеризиране на повърхностните
води [1] са включени изисквания към следните
NH4-N NO3- NO2- pH BOD
физикохимични елементи за качество, пояснени по-горе:
N N
NH4-N, NO3-N, NO2-N, pH, BOD, EC, TN, TP, PO4-P и
mg/l mg/l mg/l - mg/l
DO. Състоянието на речните води според наредбата е
класифицирано в три групи „отлично“, „добро“ и x 0,105 0,802 0,020 8,176 2,343
„умерено“. Изследванията в настоящата работа изцяло са Sx 0,126 0,318 0,015 0,384 0,845
съобразени с изискванията в цитираната наредба. EC TN TOC TP
3.АНАЛИЗ НА ДАННИТЕ ОТ РЕГУЛЯРНИ μS/sm mg/l mg/l mg/l
ИЗМЕРВАНИЯ НА КАЧЕСТВОТО НА ВОДИТЕ НА x 387,873 1,213 3,096 0,110
РЕКА СТРУМА Sx 74,137 0,522 0,860 0,116
Таблица 1 Извадка от провежданите измервания/анализи PO4-P DO T COD
0
mg/l mg/l C mg/l
No NH4-N NO3-N NO2-N pH BOD
x 0,080 10,020 12,915 7,810
mg/l mg/l mg/l - mg/l
Sx 0,058 1,766 7,043 4,858
1 0.029 0.94 0.024 8.63 2.1
2 0.027 0.7 0.0194 8.28 2.4 За проверка на наличието на статистическа зависимост
3 0.033 0.606 0.014 8.3 2.57 между отделните физикохимични параметри,
… … … … … … характеризиращи качеството на водата в река Струма е
No EC TN TОC TP проведен корелационен анализ, включващ по двойки
μS/sm mg/l mg/l mg/l всички физикохимични показатели. От изчислените 78
1 466.9 1.1 2.4 0.052 корелационни коефициента, 23 са значими, което
2 485.8 0.98 2.5 0.074 показва, че част от променливите, характеризиращи
3 336 1.5 3.5 0.022 качеството на водата в река Струма са
… … … … … … взаимнокорелирани. Изследвания по тези въпроси са
No PO4-P DO T COD публикувани в [5]
mg/l mg/l mg/l mg/l
В такива случаи е подходящо използването на метода на
1 0.014 9.57 24.3 6
2 0.029 8.95 18.4 6.8 главните компоненти (Principal Component Analysis
3 0.0093 10 10.2 15 (PCA) за линейна трансформация на данните от
… … … … … измерванията в нов комплект от некорелирани данни със
значително по-малък брой променливи, с минимална
3.1.Проверка на съвместимостта на данните от загуба на информация и позволяващи анализиране на
мониторинговите пунктове. В един мониторингов тенденциите в подлежащия на мониторинг процес
пункт, съгласно регламента за измерване максималният [11,12].
брой измервания в периода 2010-2019 г. е 40. За някои
пунктове реално проведените измервания са по-малко на Наличието на статистическа зависимост между отделни
брой. Този брой е недостатъчен за да се направят показатели е определящо за избора на за
достоверни статистически изводи. математическите методи, които ще бъдат използвани за
По тази причина първото изследване свързано с данните разработване на мониторинговата система за качеството
от измерванията е статистическа проверка на това дали на водите на река Струма

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
България (Споразумение № Д01-363/17.12.2020г.)
8.ЛИТЕРАТУРА
1.НАРЕДБА № Н-4 от 14.09.2012 г. за характеризиране
на повърхностните води, издадена от министъра на
околната среда и водите, обн., ДВ, бр. 22 от 5.03.2013 г.,
в сила от 5.03.2013 г., изм. и доп., бр. 79 от 23.09.2014 г.,
в сила от 23.09.2014 г.
2.Западнобеломорски район за басейново управление
https://wabd.bg/content/%D0%BF%D1%83%D1%80%D0%
B1/%D0%BF%D1%83%D1%80%D0%B1-2010-2015-
%D0%B3/
3.Мониторинг на водите в басейна на река Струма
https://wabd.bg/docs/plans/ST/RBMP_STIV.pdf
4.План за управление на речните басейни на
западнобеломорски район (2016-2021г.), приет с решение
№1108/29.12.2016г. на Министерски съвет
https://wabd.bg/content/%D0%BF%D1%83%D1%80%D0%
B1/%D0%BF%D1%83%D1%80%D0%B1-2016-2021/
5.Boshnakov, K., B. Koumanova, M. Varbanov, E. Mihailov,
S. Lavrova-Popova, Evaluation of Key Indicators Based on
Automatically Measured Variables and Forecasting the
Spread of Pollutants, Science, Engineering & Education, 6
(1) 2021, 1-10 (under print)
6.Than, N.H., C. D. Ly a, P.V.Tat, The performance of
classification and forecasting Dong Nai River water quality
for sustainable water resources management using neural
network techniques, Journal of Hydrology 596 (2021),
pp.1-19
35
7.Azhar, S.C., A.Z.Aris, M. K. Yusoff,M. F.Ramli, H.Juahir,
Classification of river water quality using multivariate
analysis, Procedia Environmental Sciences 30 ( 2015 )
79 – 84
8.Wechmongkhonkon, S, N. Poomtong, S. Areerachakul,
Application of Artificial Neural Network to Classification
Surface Water Quality, International Journal of
Environmental and Ecological Engineering, Vol:6, No:9,
2012, pp.574-578
9. Nasir, M.F., M. S.Samsudin, I.Mohamad, M. R. A.
Awaluddin, M.A.Mansor, H.Juahir, N. Ramli, River Water
Quality Modeling Using Combined Principle Component
Analysis (PCA) and Multiple Linear Regressions (MLR): A
Case Study at Klang River, Malaysia, World Applied
Sciences Journal 14 (Exploring Pathways to Sustainable
Living in Malaysia: Solving the Current Environmental
Issues): 73-82, 2011
10.Isiyaka,H.A, A.Mustapha, H. Juahir & P. Phil-Eze, Water
quality modelling using artificial neural network and
multivariate statistical techniques, Model. Earth Syst.
Environ. (2019) 5:583-593
11.Бошнаков, К., Fan, L., Мониторинг на процесите при
пречистване на отпадъчни води, International Conference
Automatics and Informatics'10, Sofia, Bulgaria, 3-7 October
2010, pp.III-455-459
12.Jolliffe, I.T., Principal Component Analysis, Second
Edition, http://www.ru.ac.bd/stat/wp-
content/uploads/sites/25/2019/03/503_08_Jolliffe_Principal-
Component-Analysis.pdf
36
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

ВЗАИМОВРЪЗКИ МЕЖДУ СТАНДАРТИТЕ IEC/EN 62264 И RAMI 4.0

П. Василев, В. Синдраковска

RELATIONS BETWEEN STANDARDS IEC/EN 62264 И RAMI 4.0

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

признат и използван стандарта ANSI/ISA 95, приет по-

ВЪВЕДЕНИЕ късно като IEC/EN 62264. Моделите и терминологията,
дефинирани в стандарта отразяват най-добрите
Четвъртата индустриална революция започна с огромна практики в интеграцията на тези системи и в момента
технологична трансформация, която включва имат значително приложение в реални производствени
въвеждане на ИКТ не само в производството, но и във системи.[3]
всеки аспект от живота. Цел на разработката е да представи и дискутира един
За да дадат възможност на дигиталната трансформация преход от съществуващото ниво на интеграция,
много региони предприеха, инициативи за постигнато до голяма степен чрез прилагането на
дигитализация, същевременно множество държави стандарта IEC/EN 62264 към новите изисквания на
прокараха собствени национални политики за цифрова Четвъртата индустриална революция. Дискутират се
трансформация [5]. Като водеща европейска сферите на приложение на двата стандарта,
икономика, Германия и по-конкретно германският особеностите на всеки от тях, а също и областите им на
алианс Platform Industrie 4.0 и Германският институт по припокриване и възможностите за съвместно
стандартизация (DIN - Deutsches Institut für Normung) приложение. Статията е представена в 4 раздела:
разработиха и пуснаха стандартния DIN SPEC 91345 първоначално е представена архитектурата на
Референтен архитектурен модел за Индустрия 4.0 Четвъртата индустриална революция - стандартът
(RAMI 4.0) през 2016 г. (Фиг. 1).[1] RAMI 4.0, изтъквайки връзките му с IEC/EN 62264 и
акцентирайки върху административната обвивка на
активите от гледна точка на Индустрия 4.0, в
следващия раздел са представени някои от моделите на
стандарта IEC/EN 62264 и тяхното значение за нивото
на оперативно управление, след това са дискутирани
областите на припокриване между стандартите IEC/EN
62264 и RAMI 4.0 и накрая са направени някои изводи
за съвместното използване и плавния преход от IEC/EN
62264 към архитектура RAMI 4.0.

РЕФЕРЕНТЕН АРХИТЕКТУРЕН МОДЕЛ RAMI

4.0

Целта на стандарта е да обхване усилията на

Фиг. 1. Референтен архитектурен модел за Индустрия
4.0 (RAMI 4.0) [1]
От друга страна, като рамка за оперативното
управление в производствените предприятия и
софтуерните фирми, както и в научните изследвания е
специалистите в областта на ИКТ чрез въвеждане на
фундаментални определения, които да се използват за
описание на активите в кибер-физическия свят.
Стандартът дефинира понятието актив, който е
артефакт, имащ стойност за организацията и е
предназначен да изпълнява определена роля в

37
определена система по време на неговия жизнен цикъл.
Активът може да е част от физическия или
информационен свят, да е осезаем (сензор, двигател,
устройство, инсталация и т.н.) или не (идея, услуга,
софтуерна програма). В зависимост от ролята си в
организацията, активът може да изпълнява определена
функция от „Архитектурната ос“ - Актив (самият
артефакт, представен във физическия свят);
Интеграционна функция (средствата, чрез които
физическият свят си сътрудничи с информационния
свят); Комуникационна функция (представлява
информация кой-къде-кога, чрез която активът е
представен в информационния свят); Информационна
функция (представлява обработка на данни,
модифицирана от събитие / модел и проверка на
информация); Функционалност (описва функцията на
даден актив по отношение на неговата роля в системата
4.0); Бизнес функция (описва търговската перспектива
на актива).
Оста „Жизнен цикъл и стойностен поток “представя
времето на живот на актива и процеса на добавена
стойност, базиран на стандарта IEC 62890. По тази ос
активът се характеризира със своето състояние в
определен момент на определено място. [2]
Нивата на ос „Йерархия“ в Референтния архитектурен
модел Индустрия 4.0 (Фиг. 2.) представлява
модификация на модела на йерархия на оборудването
от стандарт IEC / EN 62264 (ANSI / ISA-95), като по
този начин го прави подходящ за дефинирането на
активи, съвместими с I4.0. [3]
Фиг. 2. СР способности на активите
Фиг. 3. Нива на йерархия според RAMI 4.0
Друг важен аспект, разгледан в стандарта RAMI 4.0 е
презентационните и комуникационни способности на
активите от гледна точка на Индустрия 4.0 (Фиг. 3.).
Под презентационна способност на даден актив се има
предвид до каква степен той е представен и
администриран в информационна система. От тази
38
гледна точка активите могат да бъдат: Непредставени -
нямат описание в информационната система;
Анонимно представени - представянето им се свежда
до общо описание на характеристиките и броя (без да е
задължително) на активите от един и същ тип;
Индивидуално представен - всяка единична бройка от
даден тип актив е описана и администрирана в
информационната система; Администриран като обект
- е всеки актив, за който се пази информация, както за
характеристиките му, така и за текущото състояние,
производствена възможност, натоварване, капацитет.
От гледна точка на комуникационните способности на
активите, те могат да бъдат: Няма комуникационни
способности; Пасивни - баркод или RFID, които дават
информация за актива само при изчитане; Активни -
такива са активите, които взимат активна роля в
предаването на комуникация и информация; I4.0
съвместими - или още автономни I4.0 компоненти.
Активите от този тип притежават административна
обвивка, в която се съдържа “манифест” - описващ
достъпните данни и функции под формата на мета-
информация за I4.0 компонента и “компонентен
мениджър” - представлява разширена услуга (сървис),
изграден на принципа на SOA (Service Oriented
Architecture). Чрез административната обвивка,
съпътстваща актива, информационната система може
да достъпва и заявява информация за различни
функции и състояния на I4.0 компонента (Фиг. 4.).[8]
Фиг. 4. Административна обвивка на I4.0 компонент
ЗНАЧЕНИЕ НА СТАНДАРТЪТ IEC/EN 62264
Основната цел на стандарта е да даде рамката за
интегриране на на информацията от информационните
системи в различните йерархични нива. Това се налага
поради няколко причини: различните цели, които
системите от различните нива имат; сложността на
задачите, които системите изпълняват; времеви
хоризонт или честота на изпълнение на задачите и
агрегиране на данните. Информационната
несъвместимост се преодолява чрез дефиниране на
моделите и обектите за предаване и агрегиране на
информация между различните нива на управление.
Стандартът описва моделите на основните ресурси,
използвани на оперативно ниво на управление, върху
които се агрегира информация: на оборудването, на
материалите и персонала и логическото обединение на
хора, машини и материали - работен сегмент (работно
място). Тези ресурси са в основата на моделите на
дефиницията за операция, в смисъла на поредица от
оперативни дейности (по производство на продукт,
изпълнение на поддръжка, управление на качеството
или складови наличности), Производствената
възможност, Планиране и Изпълнение. Събирането на
информация чрез използването на рамката от моделите
и обектите от IEC/EN 62264 дава възможност за
проследяване и отчитане на жизнения цикъл на
оперативните дейности, което е предпоставка за
успешното внедряване на принципите на Лийн
производство, Тотално управление на качеството и 6
Сигма. [9,11]
Фигури 5. и 6. илюстрират по какъв начин моделът на
материалите участва в останалите модели, като е
показан моделът на планирането. [4]
Фиг. 5. Модел на материалите [4]
Фиг. 6. Модел на планирането [4]
Фиг. 7. Модел на производствените дейности [5]
39
На Фиг. 7 е представен моделът на производствените
дейности и как моделът на материалите участва във
всяка една производствена дейност като частен случай
на всички ресурси.
ОБЛАСТИ НА ПРИПОКРИВАНЕ МЕЖДУ
СТАНДАРТИТЕ IEC/EN 62264 И RAMI 4.0
От гледна точка на стандартът RAMI 4.0, материалният
актив, разглеждан като I4.0 компонент съдържа
описание на своите характеристики и поведение, както
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
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
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
начин, уеб услуги, обменящи информация по
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.

Благодарности: Това изследване е реализирано с

финансовата подкрепа на Националният Фонд за
Научни Изследвания на Министерство на
Образованието и Науката, в рамките на проект KП-06-
H27-8/2018.

ЛИТЕРАТУРА

1. DIN SPEC 91345:2016-04 Reference Architecture

Model Industrie 4.0, DIN Deutsches Institut für
Normung e. V., Berlin. Beuth Verlag GmbH, 10772
Berlin, Germany
2. IEC 62890:2020 ED1 Industrial-process measurement,
control and automation - Life-cycle-management for
systems and components, IEEE
3. IEC/EN 62264-1:2013 Enterprise-control systems
integration – Part 1: Models and Terminology,
CENELEC, Brussels, 2013
4. IEC/EN 62264-2:2013 Enterprise-control systems
integration – Part 2: Objects and Attributes for

40
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

ИНТЕГРИРАНА СИСТЕМА ТИП УМЕН ДОМ

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

ВЪВЕДЕНИЕ тестване и валидиране на системата, оптимизация на

Концепцията за домашна автоматизация, както и
автоматизацията на работното място, има за цел да
интегрира различни технологии до ниво, при което
повечето ежедневни задачи са автоматизирани. Системи
като засичане на движение, интелигентен контрол на
температурата, адаптивната луминисценция, IR
технологии (инфрачервени) и системите за сигурност с
видеонаблюдение (CCTV) са често срещани. Внедряват се
усъвършенствани технологии за автоматизация като
разпознаване чрез черти на лицето, гласово контролирани
команди, подпомагане при планиране и консултиране в
ежедневните задължения в живота. Популярността на
домашната автоматизация нараства. Според пазарните
прогнози от юни 2021 на Statista [1] до 2025 г. броят на
домакинствата, които могат да се причислят към типа
умен дом се очаква да достигнат 478,22 милиона (Фиг. 1),
което съответства на пазарни приходи от порядъка на
182 443 милиона долара в световен мащаб.
Фиг. 1. Брой домакинства от тип Умен дом.
Функционалният и оперативен дизайн на интелигентна
система за мониторинг и управление включва няколко
етапа: избор на нейните елементи (сензори, изпълнителни
механизми, контролери, елементи на мрежова връзка,
електрически устройства, софтуерни решения и
интерфейси и др.), определяне на нейните структура и
функционалност, изграждане и програмно осигуряване на
подсистемите, реализиране на логически алгоритми за
изпълнение на предефинираните функции, разработване
на потребителски интерфейс, оценка на разходите за нея,
системата и др.
Основните функции на една интегрирана система могат да
се дефинират най-общо по следния начин [2]:
• Сигурност – охранителна система – видео
наблюдение и сензорен мониторинг, защита и
известяване за наводнение или пожар, отключване и
заключване на входни и гаражни врати,
• комфорт и удобство – дистанционно и/или
интелигентно управление на осветление, щори или
завеси, включване и изключване на електроуреди,
управление на видео и аудио техника, телевизор,
климатик, управление на температурата – климатик,
отоплителни уреди или парно и др.
• грижа за здравето – измерване на показателите на
околната среда – температура, осветеност, налягане,
влажност, съдържание на CO2, прахови частици,
дим, и т.н., измерване на биометрични показатели,
аларми или напомняне за медикаменти, медицински
процедури и др.
• енергийна консумация и ефективност – управление
на възобновяеми енергийни източници, консумация
на електричество, топлинна енергия, вода и др.
• грижа за вътрешното пространство – поливни
системи за стайни растения, хранене на домашни
любимци, почистване, вентилация, овлажняване на
въздуха и др.
• грижа за външното пространство – напояване и
поддръжка на зелени площи и градина, фонтани,
басейни, осветление, оранжерия, метрологична
станция.
Функциите, които се определят стандартно като комфорт
и удобство, за хората със специални нужди са
необходимост. Затова те трябва да се разглеждат като
специална целева група, за която функциите на
интегрираните системи да се разширяват според техните
конкретни нужди.
В настоящата работа е представена разработената
интегрирана система от тип умен дом за мониторинг и
управление на елементи от работната среда или в дома.
Изградената система използва платформа Home Assistant

41
и е интегрирана 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 гео-локация, проследяване на
състоянието на свързаните устройства, осигурява
установяване на условия или ограничения при
изпълнението на логически алгоритми или конкретни
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). В
разработената интегрирана система са реализирани са
решения с предварително зададени функции, функции по
подразбиране и функции по избор на потребителите.
Използвани са също така и специално проектирани от
автора (Г. Колев), изработени и тествани IoT платки за
управление на стъпков мотор, RGB лед лента, а също и
IoT платка за контрол на реле със малки размери за скрит
монтаж.
СТРУКТУРА НА ИНТЕГРИРАНАТА СИСТЕМА
В днешно време умните домове, както и работните
пространства и сгради, са повече ориентирани към
сигурността, енергийната ефективност и комфорта. Те
предупреждават за натрапници (независимо дали
обитателите на дома са в него или не) и за изразходване на
излишна енергия, също така и позволяват да се управлява
всеки един електроуред от всяка точка на света
посредством интернет връзка. Умният дом позволява да се
включват и изключват различни електроуреди и
осветление през мобилно приложение, но позволява и
действия спрямо локацията на телефона, на който се
намира мобилното приложение, както и управление с
таймери или с логически алгоритми, свързани с данни от
различни сензори.
При наличие на гласов контролен блок неговата основна
функция е свързана с получаване на команди от
потребителя и подаване на командите към
микроконтролера или мобилно устройство. Този модул
използва Google-speech-to-text, чрез който гласовите
команди се преобразуват в текст и текста се подава към
микроконтролера за обработка и изпълнение на
конткретни предварително зададени алгоритми.
Разработената интегрирана система тип Умен Дом се
състои от следните основни модули:
• Свързани устройства;
• Измервателен (сензорен) модул;
• Модул за обработка;
• Модул за визуализация (интерфейс);
• Комуникационен модул (гласова комуникация).
Модулът свързани устройства включва всички свързани
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
сигнали и се обработват от микроконтролера Raspberry Pi.
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
Модулът за обработка - Този модул отговаря за
извършването на необходимите изчисления, обработка на
получаваните данни или подаване на управляващи
сигнали към изпълнителни механизми, след като
генерираните от сензорите сигнали и импулси бъдат
получени от сензорния блок. Основният блок може да
бъде микроконтролер (Raspberry Pi), който координира
всички дейности на системата.
Модул за визуализация – За визуализация може да се
използва всяко устройство, поддържащо уеб-браузър или
смарт мобилен телефон с мобилно приложение, но целта
на представената разработка е визуализация чрез мобилен
телефон на интерфейс, едновременно осигуряващ достъп
до сигналите, възможности за настройване на алгоритмите
за управление и директен достъп до изпълнителните
механизми, с цел извършване на конкретни действия.
Комуникационен модул (гласова комуникация) –
Гласовата комуникация в този проект се реализира чрез
приложение за Android – Google Assistant, което е
свързано с Google Home. Достъпът може да бъде
осъществен чрез смарт мобилен телефон или компютър.
От друга страна, разработеното на локалния сървър
(Raspberry Pi) приложение Home Assistant, което e с
отворен код, се синхронизира чрез API с Google Home.
Така, чрез приложението за гласово управление се
осъществява гласов контрол на разработената
интелигентна система за мониторинг и контрол.
За осигуряване на свързаността на елементите в
интегрираната система и свързаните приложения се
използва MQTT (Message Queue Telemetry Transport)
протокол, на който са налични много имплементации.
Това е двупосочен комуникационен протокол, чрез който
свързаните устройства могат да публикуват данни от
сензори и същевременно да получават информация за
конфигурацията или команди за управление. Чрез него
могат да се осъществяват връзки от типа „едно към
много“ (например, данните от сензора за температура,
могат да се използват от много свързани устройства),
„много към едно“ (например, когато данните от
множество сензори се използват за включването или
изключването на електроуред), „едно към едно“ и „много
към много“.
ЕЛЕМЕНТИ НА ИНТЕГРИРАНАТА СИСТЕМА
Елементи, осигуряващи свързаност
За осигуряване на свързаност на различните елементи на
интегрираната система тип Умен дом са необходими
елементи осигуряващи дистанционна Wi-Fi комуникация
(NodeMCU ESP8266, точка за отдалечен достъп, хъбове за
различни комуникационни протоколи и др.),
изпълнителни механизми (IoT платки за дистанционно
управление на мотори, IoT релета, и др.), универсално
инфрачервено (IR) смарт дистанционно управление за
всички уреди, които се управляват чрез инфрачервено
дистанционно управление (Сет топ бокс / TV бокс,
телевизори, климатици, DVD, проектори, аудио уредби и
др.).
а)
б)

в) г)
Фиг. 2. IoT елементи, осигуряващи свързаност
На Фиг. 2 са представени NodeMCU ESP8266 (Фиг. 2а),
Shelly 1PM (Фиг. 2б) - 16A Wi-Fi релеен превключвател с
мониторинг на мощността, Homematic IP Access Point
(Фиг. 2в) – хъб за свързване на устройство с Homematic
комуникационен протокол и Broadlink RM4 Mini WiFi IR
универсално дистанционно управление (Фиг. 2г).
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,
сензорите, които са част от WSN са:
• Сензори, за които е необходимо да се осигури
връзка с Wi-Fi мрежата. Това може да стане чрез ESP8266
(Фиг. 2а). Такива сензори са сензорите за измерване на:
температура, влажност, налягане (BME280/DHT11 – Фиг.
5), осветеност (Sharp GA1A1S202), съдържание на
СО2/TVOC (Total Volatile Organic Compounds) (Adafruit
CCS811).

В разработената система освен комерсиални продукти, за

работата на изпълнителните механизми, свързаните
устройства и уреди в интегрираната система за
мониторинг и управление са проектирани, изработени и
тествани IoT платки за управление на стъпков мотор (Фиг.
3а), RGB лед лента (Фиг. 3б), а също и IoT платка за
управление на реле със малки размери за скрит монтаж
(Фиг. 3в). Фиг. 5. Влажност DHT сензор.

• Смарт сензори, които сами осъществяват връзка

с безжичната мрежа. Такива сензори са: оптичен сензор за
врата/прозорец (Homematic IP Window / Door), сензор за
движение (Well), сензор за дим. На Фиг. 6 са представени
данните от сензор Homematic IP Window / Door за период
от няколко часа.

Фиг. 3. IoT платки за управление

Гласов асистент Фиг. 6. Сензор Homematic IP Window / Door

Гласовият потребителски интерфейс (VUI) е интерфейсът,
който позволява на потребителите да взаимодействат със • Комбинирани сензори, които имат няколко
система чрез гласови команди. Най-популярните и най- вградени сензори и реализират сами връзка с безжичната
добрите примери за гласов потребителски интерфейс са мрежа.
Google Assistant, Siri и Alexa на Amazon. Най-голямото
предимство на VUI е, че те улесняват начин за
взаимодействие със система без очи и ръце. Подобно на
мобилните приложения, работещи на всяка операционна
система и устройство, VUI съдържа три слоя (Фиг. 4),
които трябва да работят заедно за ефективни гласови
взаимодействия. Всеки от трите слоя използва слоя, който
е под него, докато поддържа горния. Това са горните два Фиг. 7. Видеонаблюдение с камера Dahua
слоя (платформа и приложение), в които се намира
гласовият интерфейс, намиращ се в облака, а не на
устройството.

Фиг. 8. Мониторинг на консумираната електрическа

мощност (W) чрез Shelly 1РМ.

Фиг. 4. Гласов асистент Google Assistant

На Фиг. 4 са представени и устройствата, чрез които може

да се реализира гласовото управление - смарт тонколона
Google Home Hub с дисплей, която е използвана в
разработената система, като освен чрез хъб гласовият
контрол може да се реализира чрез мобилен телефон или
смарт часовник.
Интеграцията се извършва посредством GOOGLE API. Фиг. 9. Температура (термостат Homematic).

43
 Фиг. 10. Управляващи въздействия (термостат
Homematic).
Такива са: IP камера за видеонаблюдение с детектор за
осветеност и движение (Dahua – Фиг. 7); мониторинг на
консумираната електроенергия (до 16A) и мощност (Фиг.
8) чрез Shelly 1PM (Фиг. 2б), комбинирани с релеен
превключвател; смарт термостат (Homematic IP Radiator),
чрез който може да се задава желана температура
(автоматична настройка и ръчно) на околната среда и чрез
сензора за температура (Фиг. 9) се регулира чрез вграден
алгоритъм управлението на подаваното количество на
топла вода към радиатора (парно отопление) (Фиг. 10).
Всеки един мобилен телефон има множество сензори и
данните от сензорите на всички присъединени към
интегрираната система тип Умен дом устройства могат да
се използват. Това са данни от сензори за измерване на:
налягане (Фиг. 11), геолокация чрез GPS (Фиг. 12),
осветеност, RX/TX комуникация, както и данни за
локален IP адрес, име на мрежата към която е свързан
телефона, брой уведомления и др.
Фиг. 11. Налягане, измерено чрез мобилно устройство.
Фиг. 12. Геолокация, определена чрез GPS на мобилно
устройство
РАБОТА НА СИСТЕМАТА УМЕН ДОМ
При работата на системата в зависимост от конкретната
оперативна функция могат да се използват, както
свързани устройства или изпълнителни механизми, така и
сензори за установяването на наличието или отсъствието
на определени условия, които да са последвани от
съответни конкретни действия. Те се реализират на база
на въведените в системата логически алгоритми. Общият
изглед на разработената интегрирана система е
представена на Фиг. 13. Там са изнесени най често
използваните данни за състоянието на дома и членовете
на домакинството. Всичките включени обекти в
настоящата система са над 100, а историческите данни за
тях могат да се проследят за зададен период от време чрез
опцията „История“ (Фиг. 14).
44
Фиг. 13. Синхронизирана интегрирана система в Google
Home
Изградената система включва и услуги, достъпни чрез
Home Assistant като представената на Фиг. 15 оценка на
времето за придвижване с автомобил между две точки –
например дом-офис на база приложението Waze,
създаване на календар със задачи или списък с покупки,
достъпни от всички членове на домакинството (Фиг. 13).
Фиг. 14. Исторически данни
Фиг. 15. Оценка на времето за придвижване с автомобил
между дома - Waze.
Функциите на системата включват изпълнение на
действия по заявка от потребителите, но също така и по
предварително дефинирани стойности и действия.
Разработването на набор от данни от оперативно
съвместими правила, интегрирани в системата Умен дом,
трябва да се извършва функция по функция. Структурата
на стандартно оперативно-съвместимо правило може да
бъде представена по следния начин:
“if CONDITION (&CONDITION2, …), then ACTION (ACTION2,
…)”.
Условията могат да бъдат зададени от потребителя
(директно или по време) или да зависят от получените
стойности от сензорите (Sensor-based Linked Open Rules).
При анализ на моделите на поведението на обитателите на
Умния дом от събраните данни ще могат да се предлагат и
допълнителни вградени функции.
ЗАКЛЮЧЕНИЕ
В настоящата работа е представена разработената
интегрирана система от тип Умен дом за мониторинг и
управление на елементи от работната среда или в дома, в
платформа Home Assistant и интегрирана с гласов
асистент (Google Assistant). Изграждането на такъв тип
системи е непрекъснат процес, който продължава с
добавянето на нови устройства, сензори и
функционалности към вече изградената система според
нуждите на обитателите на дома.

БЛАГОДАРНОСТИ

Авторите изказват благодарност за финансовата подкрепа

на националната програма „Информационни и
комуникационни технологии в науката, образованието и
сигурността (ИКТ в НОС)“.

ЛИТЕРАТУРА

1. Lasquety-Reyes, J. June 2021.

https://www.statista.com/forecasts/887611/number-of-smart-
homes-in-the-smart-home-market-in-the-united-states
2. Kolev G, E. Koleva, L. Koleva. Development of remote-
control smart home system. Science. Business. Society, vol. 5
issue 3, 2020, p. 112-115

45
46
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

БИМОДАЛНА СИСТЕМА ЗА РАЗПОНАВАНЕ НА ЕМОЦИИ

БАЗИРАНА НА ДЪЛБОЧИННИ НЕВРОННИ МРЕЖИ

BIMODAL SYSTEM FOR EMOTION RECOGNITION BASED ON DEEP

NEURAL NETWORKS

А.В. АТАНАСОВ, Д. ПИЛЕВ, Ф. ТОМОВА

Химикотехнологичен и металургичен университет, Бул. Св. Климент Охридски 8, 1756

София, Тел (+3592)8163484, E-mails: naso@uctm.edu , pilev@uctm.edu, tomova@uctm.edu

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

1. ВЪВЕДЕНИЕ AU2), повдигане на горния клепач (AU5) и спускане на

Емоциите са един от основните невербални начини, челюстта (AU26). Емоцията гняв, дадена на дясната
използвани от хората при общуването им един с друг, за снимка на фигура 1, е представена с (AU4) стягане на
изрязяване на отношението им към други субекти, веждите, (AU5) повдигане на горния клепач, (AU7)
продукти, услуги, компютри, роботи и др. Основни стягане на кклепача и (AU23) стягане на устните. През
източници (модалности) на емоциите са човешкият глас, 2002 системата FACS е разширена с нови единици за
израженията на лицето, жестовете и позите на тялото. действие (AU), които като брой достигат 64.
Други физически източници (модалности) на емоциите са
телесната температура, кръвното налягане и сърдечния
ритъм, мозъчните вълни и т.н. За разпознаване на
лицевите емоции и жестовете на тялото се използват
системи, базирани на дълбочинни конволюционни
невронни мрежи (Deep Learning Neural Networks /DNN/).
Доказано е [1, 2], че унимодалните системи имат по-малка
точност на разпознаване на емоции от бимодалните или
мултимодалните системи. В този доклад е представена
разработката на бимодална система, базирана на
разпознаване на лицеви емоции и разпознаване на
жестове на тялото. Тя е продължение и надграждане на
работата по предишни разработки на авторите [3, 4],
Фиг.1. Емоциите изненада и гняв
представени на конференции ICAI20 и ICAI21.

1.1. Лицеви емоции

Хората показват специфични емоции и техните нюанси 1.2. Емоции на тялото
чрез различни изражения на лицето, включващи След емоциите на лицето жестовете на тялото, известни
определени комбинации или движения на очите, още като език на тялото, са един от най-силните
клепачите, веждите, устните, носа, брадичката и т.н. невербални източници на емоции. Езикът на тялото (Фиг.
Основните емоции са радост, изненада, тъга, гняв, страх, 2) е свързан с позицията на главата, позициите на ръцете,
отвращение, както и неутралната емоция. През 1978 ръцете и пръстите и позициите на краката, както и
Ekman и Friesen [5] предлагат система за кодиране на позицията на торса. Например жестовете на тялото,
емоциите на лицето, наречена Facial Action Coding System съответстващи на емоцията изненада [8], дадена на Фиг.
(FACS). Системата класифицира израженията и лицевите 3., са свързани с една от следните комбинации:
емоциите на базата на елементарни компоненти, наречени
единици за действие (Action Units /AUs/). Всяка единица
(AU) има номер (от AU1 до AU35) и е свързана с един или
повече лицеви мускули. Чрез тази система различните
емоции могат да се представят като комбинация от
множество единици (AUs). Например, емоцията изненада
[6, 7], дадена на лявата снимка на фигура 1, е комбинация
от вътрешно и външно повдигане на веждите (AU1 и Фиг. 2. Емоции на тялото (език на тялото)

47
Дясната, лявата или двете ръце се движат към главата;
преместване на дясната, лявата ръка или и двете ръце
нагоре; двете ръце докосват главата, лицето или устата;
двете ръце са над главата; самодокосване на двете ръце,
покриващи бузите; самодокосване на двете ръце,
покриващи устата; клатене на главата; изместване на
тялото назад.
Фиг. 3. Фиг. 3 Емоция на тялото Изненада [9]
1.3. Анализ на емоциите
Чрез анализа на емоциите на лицето и тялото може да се
предвиди поведението на хората и да се генерират
препоръки или предложения за използване на услуги и
продукти. Анализът на емоциите може да се използва в
интерфейсите човек-машина и машина-човек, както и в
медицината, полицията, пазара на различни продукти или
услуги и т.н. Например в медицината за откриване на
депресивни състояния, които се увеличават по време на
пандемията на Covid или за откриване на различни
заболявания. В полицейската практика - дали
заподозряният лъже или не. При автономните автомобили
да се предлагат подходящи маршрути, като се избягва
натовареното движение в случай, че водачът е нервен. В
пазарните продукти – какво е отношението на
потребителя към даден продукт. В индустрията за
компютърни игри - да се адаптира нивото на музика в
някои сцени, за да се създаде по-адекватна виртуална
реалност. В университетите за персонализиране на
лекционния материал на базата на емоциите на студентите
по време на тяхното онлайн обучение. Анализът на
емоциите на студентите по време на онлайн обучението
може да се използва за адаптация на преподавания
лекционен материал, за разнообразяването му с
подходящи примери и др.
2. РАЗПОЗНАВАНЕ НА ЛИЦЕВИ ЕМОЦИИ И
ЕМОЦИИ НАТЯЛОТО
2.1. Разпознаване на лицеви емоциите
Разпознаването на лицеви емоции (Facial Emotion
Recognition /FER/) е част от процеса на разпознаване на
лица. За тази цел се използват конволюционни невронни
мрежи, известни още и като дълбочинни невронни мрежи
(DNN). Първоначално тези мрежи се обучават с голям
брой снимки на човешки лица (набори от данни), за да
разпознават (класифицират) лица. Повечето от наборите
от данни включват по няколко хиляди снимки на лицата
на различни хора, но има и такива набори от данни,
включващи няколко милиона снимки. Снимките в
наборите от данни са етикетирани с информация за
представеното лице. Обикновено един набор от данни
съдържа подмножества от снимки за обучение, тестване и
валидиране. След фазата на обучение, DNN се проверяват
с тестово подмножество от изображения, за да се оцени
тяхната точност за разпознаване на лица. След това,
обучената DNN може да се използва за разпознаване на
48
лица от неетикирани немаркирани снимки. За да
разпознават лицеви емоции, DNN допълнително се
обучават със специфични набори от данни за FER като
FER-2013, CK+ RaFD, KAD, MUG и др., коментирани в
[3]. Целият процес или конвейер на FER включва
следните стъпки: откриване и изрязване на лица,
предварителна обработка на изрязано изображение,
дълбочинно изучаване на характеристики и дълбочинна
класификация [10-13], обяснени подробно в [3].
Фиг. 4. Типична архитектура на CNN за FER
Обикновено всяка дълбочинна невронна мрежа за FER
„фиг. 4.” съдържа групи от конволюционни, активиращи и
обединяващи слоеве (CONV, RELU и POOL), използвани
за изучаване на характеристики и в края на мрежата има
един или повече напълно свързани слоеве (FC),
предназначени за класификация на основните седем
емоции.
2.2. Разпознаване на емоциите тялото
Процесът на разпознаване на емоции, изразявани чрез
жестовете на тялото (Body Gestures Recognition /BER/) е
подобен на процеса за разпознаването лицеви емоции и
използва подобни DNN. Първата стъпка от BER процеса е
откриване на човека в дадена снимка или картина и
извличане на потенциалния регион в който е открито
човешко тяло или част от него. Втората стъпка е
разпознаването на позата на тялото. Има два основни типа
модели за разпознаване на позата: - модели базирани на
частите на тялото и кинематични модели. В моделите,
базирани на частите на тялото, тялото се представя като
гъвкава конфигурация от независими части. В този случай
всяка част от тялото може да бъде открита и изследвана
отделно от останалите [14]. В кинематичните модели
човешкото тяло е представено чрез колекция от
взаимосвързани стави, които симулират опростен
човешки скелет. Следващата стъпка е извличане на
характеристиките на тялото. За тази цел DNN се обучава с
EMOTIC, FADO, ImageNet [4] или други етикирани
набори от данни и след това се използва за класификации.
Невронните мрежи (DNN) за разпознаване на емоциите в
жестовете на тялото съдържат подобни конволюционни
групи като DNN за FER. В края на всяка една такава DNN
напълно свързаният слой е отговорен за класификацията
на емоциите на тялото.
Фиг. 5. VAD модел на Ръсел
Някои от системите за разпознаване на емоции в
жестовете на тялото използват два DNN модела: - един за
класификация на емоциите на тялото и втори за
класификация на сцената или фона, на който е открито
изображението на тялото. Резултатът от работата на
първия DNN модел осигурява разпознаване на 26
дискретни емоции, а изходът на втория DNN модел е
свързан с трите стойности на непрекъснатите
емоционални измерения (валентност, възбуда и
доминиране) на VAD модела [15], предложен от Ръсел
през 2003 г. Валентността (Valence) категоризира
емоциите като положителни или отрицателни. Възбудата
(Arousal) ги категоризира като неутрални, пасивни и
активни, а доминирането (Dominance) като неутрално,
ниско и високо доминиране. На Фиг. 5 са представени
основните шест емоции чрез 3D VAD модела.
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).
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
дискутирани по-долу. От тях е избран един и той е
използван в настоящата бимодална система. Изборът на
втория DNN модел за разпознаване на жестове на тялото е
направен във втория документ след анализ на модели [18-
20] базирани на ResNet18, ResNet50 и подобни на тях
DNN архитектури. Тези модели се различават един от
друг по различния брой конволюционни групи и
различния тип пулинг (POOL) слоеве в тези групи (Max
pooling или Average pooling).
Първият предварително обучен DNN модел за FER е
архитектурно базиран на VGG. Той има 5 групи
конволюционни слоеве със слоеве за партидно
нормализиране между вътрешните конволюционни
слоеве. Всяка група завършва с Max pooling слой и
отпадащ (Dropout) слой. Броят на конволюционните
слоеве в първата група е 2, във втората група е 3 и в
последните три групи е 4. Входният слой предоставя BW
изображения с размер 48x48 пиксела, като последните два
слоя са напълно свързани и изходът им е разпознати 7
основни емоции. Броят на тегловните коефициенти на
този модел е повече от 13 милиона. Вторият модел
използва платформата DeepFace [10], базирана на група от
5 предварително обучени модела (VGG-Face, Facenet,
OpenFace, DeepFace, DeepIdI От изходния код на този
модел е извлечен предварително обучения модел на CNN
с функционалности, предназначени само за FER.
Архитектурата на този модел има 3 конволюционни групи
с по 5 конволюционни слоя. Първата група е проста и има
само един конволюционен слой, последван от слой за
49
максимално обединяване (Max pooling). Следващите две
групи имат 2 конволюционни слоя, последвани от един
средно обединяващ (average pooling) слой. Входният слой
осигурява BW изображения с размер 48x48 пиксела.
Изходните слоеве са 4 напълно свързани слоя с 2
отпадащи слоя между тях. Последният изходен слой
връща като резултат 7 емоции. Този модел е по-опростен
от първия и броят на тегловните му параметрите е
1.485000. И двата модела са обучени и тествани с
помощта на набора от данни FER-2013. Точността на
първия модел е почти 70%, а на втория модел е 57% (фиг.
6). Допълнителна проверка на разглежданите модели
беше направена с набор от данни CK + . Точността (фиг.
6.) и на двата модела е 56%. От двата модела беше избран
първия модел, да бъде използван в настоящата бимодална
система, защото има по-голяма точност от втория.
Фиг. 6. Матрици на объркване на първия модел (вляво) и
втория модел (вдясно) при набор от данни FER-2013
Фиг. 7. Матрици на объркване на първия модел (вляво) и
втория модел (вдясно) при набор от данни CK+
Избраният, предварително обучен DNN модел за
разпознаване на емоции с жестове на тялото е базиран на
адаптирана версия на ResNet18 [20], предшественик на
ResNet 50. Той съдържа един входен слой, осигуряващ
112x112 пиксела RGB изображения, 21 конволюционни
групи, съставени от 2D CONV слоеве с пакетно
нормализиране и ReLU слоеве. Последният слой е
Adaptive Average Pooling. Само първата конволюционна
група включва в края си допълнителен слой за
обединяване (Max pooling). Резултатът от FC слоя е 26
емоции и 3 VAD стойности. Тегловните параметрите на
модела са 11.363757. Той е обучен и верифициран с
наборите от данни EMOTIC и FABO, описани в [4].
Чрез комбинация на DNN модела за разпознаване на
емоциите на тялото с DNN модела за разпознаване на
лицеви емоции, е изградена текущата бимодална
хибридна система за разпознаване на емоции (фиг. 8).
Резултатите от изходите на двата модела се сравняват в
модул за вземане на решения и когато са сходни или
равни с повече увереност, може да се потвърди тяхната
коректност. Използваният FER модел класифицира като
резултат 7 емоции, но избраният модел BER произвежда
26 емоции, както и VAD стойности. Модулът за взимане
на решение търси съвпадение между седемте FER емоции
и 26-те BER емоции или близост/подобие между тях.
Например на емоцията щастие (от FER модела)
съответстват емоциите щастие, удоволствие или
спокойствие (от BER модела), а на емоцията отвращение
съответстват досада, неодобрение и т.н.

Фиг. 11. FER резултат щастие (Happy) за същата снимка

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.

Фиг. 13. FER резултат щастие (Happy) за същата снимка

Отново има съвпадение между BER и FER резултатите и
крайният резултат е разпозната емоция щастие (Happy).

Фиг. 9. Снимки от частната колекция (набор от данни)

Следващите фигури (фиг. 10. до фиг. 21.) показват

резултатите от тестовете на бимодалната система при
разпознаване на различни емоции. Фигурите са групирани
по две за всяка от емоциите. Лявата част на първата фигура Ager, Annoyance, Disquietment, Doubt/Confusion, Fatigue,
съдържа снимката в цял ръст на конкретното лице. Вдясно Fear, Pain, Sadness, Suffering, Surprise
са разпознатите части от тялото му, а под фигурата са Vlence: 4.4233; Arousal: 4.6540; Dominance: 5.4249
разпознатите емоции (различен брой за всеки човек), както
и стойностите на VAD модела. Втората фигура показва Фиг. 14. BER резултати (11 емоции и 3 VAD стойности)
резултатите от разпознаването на лицеви емоции, като
лицето е дадено вляво, а разпознатите емоции в проценти
вдясно.

Фиг. 15. FER резултати (5 емоции) за същата снимка

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
Valence: 3.7680; Arousal: 4.7523; Dominance: 4.3812
Фиг. 16. BER резултати (10 емоции и 3 VAD стойности)
Фиг. 17. FER резултат (1 емоция) за същата снимка
И в този случай има съвпадение между разпознатите
емоции по двата канала и крайният резултат е емоцията
страх (Fear).
Afection, Anger, Disquietment, Doubt/Confusion
Vlence: 5.6144; Arousal: 5.1028; Dominance: 5.9891
Фиг. 18. BER резултати (5 емоции и 3 VAD стойности)
Фиг. 19. FER резултати (2 емоции) за същата снимка
В този случай също има съвпадение на BER е FER
резултатите и крайният резултат е емоцията ядосан
(Angry).
Disquietment Doubt/Confusion
Valence: 5.6013; Arousal: 4.8914; Dominance: 5.9747
Фиг. 20. BER резултати (2 емоции и 3 VAD стойности)
51
Фиг. 21. FER резултати (3 емоции) за същата снимка
В този случай няма съвпадение между резултатите от
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.
6. ИЗВОДИ И ПРЕДЛОЖЕНИЯ ЗА БЪДЕЩА РАБОТА
В този доклад е представена разработката на бимодална
система за разпознаване на лицеви емоции и емоции,
изразени чрез жестовете на човешкото тяло. Системата е
базирана на две предварително-обучени дълбочинни
невронни мрежи (DNN). Анализът и изборът на тези
мрежи е представен в предишни изследвания на авторите
[3, 4] и надхвърля обема на този доклад.
Дълбочинните невронни мрежи, изграждащи бимодалната
система са допълнително обучени с наборите от данни
FER-2013 и CK+ (за разпознаване на лицеви емоции) и
EMOTIC и FABO (за разпознаване на емоциите на
тялото). Системата е верифицирана и със специално
разработен от авторите набор от данни. Представените
резултати от разпознаването на емоции са базирани на
този набор от данни. Към момента точността на
разпознаване на бимодалната система е с до 10% по-
голяма от тази на системата за разпознаване на лицеви
емоции, като процентът варира в зависимост от типа
емоция (виж матриците на объркване на Фиг. 6 и Фиг.7.).
Модулът за взимане на решение, който обобщава
резултатите от двата DNN модел е базиран на IF-THEN-
ELSE правила, които съпоставят седемте емоции,
разпознати от DNN за лицеви емоции към двадесет и
шестте емоции на DNN за емоции на тялото. Предстои
модификацията на модула, при която ще се отчитат и
стойностите на VAD модела.
Предстои разширяване на системата с трета DNN за
разпознаване на лицеви емоции, с добавяне и на втория
модел (коментиран в раздел 3) с цел избиране на по-точно
разпознатата емоция от двата DNN модела за лицеви
емоции.
Към момента бимодалната система се използва за
разпознаване на емоциите на студентите от ХТМУ-София
по време на онлайн обучението им с цел формиране на
препоръки за адаптация и персонализация на лекционния
материал и на упражненията.
Системата може да намери приложение и в други области
като медицината, системите за препоръки, онлайн
търговията и др.
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,
Bulgaria
2. H. Gunes, M. Piccardi, Bi-modal emotion recognition
from expressive face and body gestures, Journal of Network
and Computer Applications 30 (2007), pp. 1334–1345
 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

ИНТЕЛИГЕТНА СИСТЕМА ЗА УПРАВЛЕНИЕ СЪБИРАНЕТО НА ТВЪРДИ

ОТПАДЪЦИ
С. Йорданов, Г. Михалев, С. Иванов, Х. Стойчева

INTELLIGENT MANAGEMENT SYSTEM COLLECTION OF SOLID WASTE

S. Yordanov, G. Mihalev, S. Ivanov, H. Stoycheva

Technical University - Gabrovo, Gabrovo 5300, H. Dimitar str.,4 tel. +359066827571,

e-mail: sjjordanov@mail.bg, gimihalev@mail.bg, st_ivanov@abv.bg, hsstoycheva@abv.bg

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

ВЪВЕДЕНИЕ извозен до депото за отпадъци.

Проблемът с управлението на отпадъците е остър в
градовете и градските райони в наши дни. Преливането на
отпадъци в кофите за боклук причинява много проблеми,
които нарушават околната среда, и също така оказват
неблагоприятно въздействие върху здравето на
населението. От друга страна големият брой товарни
автомобили, които се разхождат наоколо и събират
отпадъци по всяко време натоварват трафика. Това са
само някой от трудностите, пред които сме изправени при
конвенционалния подход за събиране на твърди отпадъци.
Съществуващи нерешени проблеми при управлението
на отпадъците
Основните проблеми на съществуващия процес на
събиране на твърди отпадъци са:
• Липса на информация за времето за запълване на
кошове с отпадъци. Понякога отпадъците
продължават да лежат без надзор в продължение на
няколко дни.
• Липса на информация за състоянието на събирането на
отпадъците в реално време.
• Липса на информация за времето и площта за
събиране.
• Липса на идентификация на местоположението на
кошовете, което води до неорганизирани графици на
транспорта за извозване на отпадъците.
• Планиране на броя превозни средства необходими за
извозване на отпадъците.
• Планиране на броя превозни средства в случай на
отклонение/аварийна ситуация.
• Липса на подходяща система за наблюдение и
проследяване на превозните средства и кошовете за
боклук, които са събрани в реално време.
• Проследяване на водачите/служителите работещи на
терен.
• Физическо посещение, необходимо за проверка на
работата на служителите.
• Няма система за присъствие/мониторинг, която да
знае дали служителите на терен изпълняват своите
задължения.
• Няма бърза реакция на спешни случаи като авария на
камион, повреда, дълго време за събиране, празен ход
и т.н.
• Липса на точна информация за обема на боклука,
• Без контрол за това дали събраният боклук се
изхвърля в нерегламентирани сметища или в депата за
депониране на отпадъци.
• Координация между водачите, и депата за депониране
на отпадъци.
• Трудност при планирането и подготовката на отчетите
за състоянието, тъй като това е процес на ръчно
планиране и др.
Предложение за решаване на проблема
Едно решение на проблема е да се въведе интегрирана
система за управление на отпадъците, която да може да се
справи с процеса динамично и рентабилно. В момента
тенденцията в световен мащаб се насочва към
интелигентни устройства и решения на интернет на
нещата (IoT) за преодоляване на често срещани проблеми
като проблеми с управлението на отпадъците [1,2,3,4,5].
Предлага се да бъде разработена динамична система за
управление на отпадъци, базирана на облачни услуги,
която използва данни в реално време от сензори,
инсталирани в контейнерни клетки за смет. Сензорната
система позволява автоматично да се идентифицира
количеството, видът и местоположението на отпадъците.
При запълване на контейнера, контролерът изпраща
съобщение до сървър през WiFi мрежа или чрез SMS по
GSM мрежа, ако липсва покритие от безжична мрежа в
района на клетката. Сървъра получава данните и
съхранява цялата необходима информация за текущо и
бъдещо използване. Получената информация се обработва
от софтуера на сървъра и се извежда на WEB страница до
която имат достъп служителите на фирмата за
сметосъбиране, общински служители и водачът на
автомобила за извозване на смет.
Шофьорите на камиони за сметосъбиране са снабдени с
интелигентни устройства (таблет), които ще осигурят на
водача маршрути в реално време и оптимизирани
графици, според които събирането на отпадъци може да
бъде направено. Системата за обработка предоставя
графиците въз основа на данните, генерирани от умните
смарт клетки в реално време. С помощта на това
устройство водачът на камиона може да идентифицира
местоположението и състоянието на клетките.
Цел на разработката.

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

извозени отпадъци от всяка точка в населеното място. Метеорологична

станция
Тази информация може да послужи, както за разплащане с Температур ESP32 GSM Мобилна
Допълнителен модул
User

колекторската фирма, така и за образуване на налозите ен сензор

контролер модул
SMS
мрежа
SMS Mobile
Phone

(такса смет). Сензор за

атмосферно WiFi Database
Третата цел е представяне на информация в реално време налягане RTC
Clock
модул Server
WEB

на заинтересовани граждани и екологични организации на Сензор за

Комуникационна система
влажност
информация за състоянието на околната среда в Контрол на миризмата Управление на вратите
населеното място. За целта клетката за сметосъбиране Сензор за
фини
вентилатор
Въздушен Сензор за RFID
Управление
заключването
прахови
освен информация за нивото на сметта изпраща към частици
филтър движение сензор
на вратите

сървъра данни за температура, влага, атмосферно

налягане и запрашеност.
Четвъртата и основна цел е опазване на околната среда
и подобряване на градския ландшафт. Предложената
организация за събиране на отпадъци е изградена на
идеята за затваряне на контейнерите за смет в специални
клетки снабдени със система за вентилация и пречистване
на въздуха от неприятни миризми. Този подход
ограничава достъпа на насекоми и гризачи до отпадъците,
а от там снижава възможността за разпространение на
зарази.
Архитектура на контейнерна клетка за събиране на
отпадъци
При нашия подход кошовете са обособени затворени
контейнерни клетки. Всяка клетка е проектирана за
разделно събиране на отпадъци и съдържа няколко секции
снабдени с подвижен контейнер за боклук. Всяка секция
има отделен отвор през който се депозират отпадъците
съоръжен с автоматичен механизъм за затваряне, сензор
за състояние (отворен/затворен) и сензор за движение.
Над всеки контейнер има монтиран ултразвуков сензор,
който следи нивото на отпадъците. В клетката е монтиран
сензор за температура, който следи за запалване или
самозапалване и е част от система за автоматично гасене
на пожар. За предотвратяване излизането на лоша
миризма извън клетката, в нея се поддържа под-налягане
и пречистване на въздуха създавано от система за
„контрол на миризмите(въздуха)“. Управлението на
системите в клетката и комуникацията със сървъра се
извършва от микропроцесорна система. Управлението се
захранва от акумулаторна батерия зареждана от соларна
клетка. На нивото на соларната клетка са монтирани
сензори измерващи за температура, влажност, атмосферно
налягане и запрашеност реализиращи локална
метеорологична станция даваща информация за
микроклимата в района. При запълване на контейнера
контролера изпраща съобщение до сървър през WiFi
мрежа или чрез SMS по GSM мрежа, ако липсва покритие
от безжична мрежа в района клетката.
Основни характеристики и сценарии на употреба
Принципната схема на системата за управлението на
предложената система е изобразен на фигура 1.
Както бе споменато по-горе кошовете са обособени
затворени контейнерни клетки. Всяка клетка е
проектирана за разделно събиране на отпадъци и съдържа
няколко коша. За всеки кош има отделен отвор през който
се изхвърлят отпадъците. Отворите се затварят плътно от
вратички, които са снабдени с автоматичен заключващ
механизъм. Процесът започва със събирането на данни от
контейнерни клетки за отпадъци. При доближаване на
Фиг. 1. Блок схема на системите в интелигентна клетка за
събиране на твърди отпадъци
Например ако отвора е пред контейнера за хартия
съобщението е “В този контейнер се съхраняват хартиени
отпадъци“, след което се проверява нивото на запълване
на контейнера чрез измерване на разстоянието между
съответният ултразвуков сензор поставен над коша и
нивото на отпадъците в него. Ако коша не е запълнен
контролера изпълнява следните действия:
1. Пуска вентилатора да работи на максимална скорост с
което се цели да не позволи допускането на зловония
да излязат от клетката;
2. Отключва заключващия механизъм на вратичката;
3. Извежда текстово и гласово съобщение „Моля
поставете отпадъците в отвора със син цвят“.
4. Следи за отваряне на вратичката, което е признак за
изхвърляне на отпадък.
5. Изчаква се определено време(например 10s) и ако
вратичката не се отвори ключалката се заключва, след
още 5,s се спира вентилатора.
6. Ако сензора за отворена врата е задействан се включва
таймер за време с период от 20s. Приема се, че това
време е достатъчно за изхвърляне на отпадъка. След
изтичане на времето се проверява отново състоянието
на сензора за „отворена врата“. Ако е задействана
точка 6 от алгоритъма, той се изпълнява отново. Това
действие може да бъде повторено до 6-ст пъти. Ако за
тези 2 минути от първоначалното задействане на
сензора врата не се затвори се изпраща съобщение до
сървъра за проблем и се преминава в авариен режим.
7. Ако сензора не е задействан се измерва нивото на
отпадъците в коша. Ако нивото е превишило 90% се
изпраща съобщение до сървъра, че остават по-малко
от 10% до запълване на капацитета на съответната
клетка. Ако е достигнато 100% от нивото се изпраща
съобщение до сървъра, че клетката е запълнена, а
вратата се заключва до изпразване на коша.
8. 10s след края на процедурата по депозиране на
отпадък се спира вентилатора.
Ако коша е запълнен се извежда текстово и гласово
съобщение за запълнено състояние на коша, например :
„Секцията за депониране на хартиени отпадъци е
запълнена. Моля изчакайте освобождаването и/или
изхвърлете сметта в най-близката клетката намираща
се на адрес...“.
Всяка клетка има уникален идентификатор по който се
определя GPS координатите и. Тези данни се съхраняват в
базата и се използват за визуализиране състоянието на

54
 кошовете във WEB базираната информационна система и
за целеуказване на водача на транспортното средство за
събиране на отпадъци.
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 :
- Изчаква 10s
- Проверява нивото на отпадъците в коша;
- Изпраща информация до сървъра за нивото на
отпадъка в коша и информация за часа и на RFID
картата с която е отворена клетката.
- Записва данните в SD картата
- Изтичат още 20 секунди и изключва вентилатора.
7. Софтуера на сървъра проверява дали номера на чипа
съвпада с активен номер на чип предоставен на кола за
събиране на отпадъци. Ако номера съвпадне и
показанията на сензора за ниво на запълване отчита
„Празен кош“ в базата данни се отбелязва времето за
събиране на отпадък и неговото количество. Ако не
съвпада не се отбелязва отчитане.
8. Софтуера на сървъра автоматично отчита количество
извозен боклук от началото на отчетния период.
Подсистеми в интелигентната клетка за събиране на
отпадъци
В интелигентната клетка за събиране на отпадъци са
интегрирани следните подсистеми:
- Управляваща подсистема;
- Комуникационна система;
- Система за следене нивото на отпадъците в кошовете;
- Система за управление на вратите за депозиране на
отпадъци;
- Система за управление на вратите за изваждане на
пълните кошове;
- Система за оповестяване ( информационна система);
- Система за контрол на миризмата;
- Система за автоматично гасене на пожар;
- Захранваща система;
- Локална метеорологична станция.
Управляваща подсистема
Тази подсистема се състои от процесорен модул и
часовник за реално време. Процесорният модул е базиран
на ESP-32 Development Board (фиг. 2). В серията ESP32
чийто представител е ESP-WROOM-32 [6,7], е вграден
двуядрен 32-битов микропроцесор Xtensa LX6 160-
240MHz с 600 DMIPS; 448 KBytes ROM, 520 KBytes
вградена SRAM, RTC таймер с 16KB SRAM памет
достъпна от процесора; 4MB Flash памет. ESP-WROOM-
32 има 38 пина от които 34 са програмируеми GPIO порта
на 3,3V. Контролера поддържа 32 вектора на прекъсване
от около 70 източника на прекъсване. В чипа е интегриран
WiFi 802.11n 2.4GHz предавател с максимална скорост от
150Mbps, при изходна мощност на антената от 22 dBm,
поддържащ следните стандарти
(FCC/CE/IC/TELEC/KCC/SRRC/NCC) и режими
(Station/SoftAP/SoftAP+Station/ P2P). Вграден двурежимен
55
Bluetooth v4.2 (EDR и BLE). Връзката с контролера може
да се осъществи през интерфейсите SPI, I2C,I2S, UART, IR,
CAN 2.0 и др.
Фиг.2. Контролер за управление на интелигентна клетка
за събиране на твърди отпадъци
Комуникационна система. Тази система е предназначена
за осъществяване на връзка със сървъра и базата с данни.
Връзката може да се осъществи през два комуникационни
интерфейса WiFi и GSM мрежа. Комуникация изградена
на SMS през GSM мрежата е опционална и се прилага
само в случаите когато контролера няма достъп до WiFi.
Информацията до базата с данни се изпраща в пакетиран
вид и съдържа ID на клетката, показания на сензора за
ниво, състояние на вратите, заряд на акумулатора,
показания на сензорите от метеорологичната станция.
Система за следене нивото на отпадъците в кошовете.
Подсистема за следене нивото на отпадъците в кошовете е
основен елемент в концепцията за интелигентен кош. Тя
информира кога кофата за боклук е на пълен капацитет и
кога трябва да бъде изпразнена, като по този начин
позволява на специалистите по почистване да работят по-
ефективно и да намалят ненужните разходи. Нивото на
боклук в контейнера се изчислява, чрез измерване на
разстоянието до най-близкото препятствие с помощта на
ултразвукови сензори поставени над кошовете със смет.
Когато нивото на боклука в която и да е кофа надвиши
предварително определено прагово ниво,
микроконтролерът изпраща предупредително съобщение
до станцията за е-мониторинг. Тази информация
позволява на системата за обработка на информацията да
генерира оптимизиран график, според който камионите за
сметоизвозване ще събират отпадъци от тези кошове.
Система за управление на вратите за депозиране на
отпадъци.
Предназначението на тази система е да следи за
недопускане депозирането на по-голямо количество
отпадъци от допустимото. Състои се от сензор(и) за
движение, сензор(и) за отворена врата(електромагнитен
сензор монтирано на капака) и автоматичен заключващ
механизъм. При задействане на сензора за движение
микроконтролера на базата на текущото състояние на
системата взема решение за отключване на отвора за
депозиране на отпадъци. Изпълнителният механизъм е
базиран на соленоид (електомагнит).
Система за управление на вратите за изваждане на
пълните кошове.
Както бе споменато по-горе една клетка за депониране на
отпадъци се състои от една или няколко секции. Секциите
са отделени помежду си с преграда за да не се допусне
смесване на отпадъците при случайно разпръскване. За
всяка секция има отделна врата осигуряваща достъп до
коша. Освен това всяка врата е снабдена с автоматичен
заключващ механизъм, електромагнитен сензор и RFID
четец на карти. Заключващият механизъм се разблокира
когато RFID четеца се задейства от валидна карта.
Система за оповестяване (информационна система)
Предназначението на тази система е да се подават
светлинни, текстови и звукови сигнали на потребителите.
Състои се от три модула:
- Модул за извеждане на текстова информация;
- Модул за гласово оповестяване;
- И модул за SD карта за съхраняване статуса на
системата.
Система за контрол на миризмите
Процесите на гниене на биологични отпадъци са
съпроводени с типично неприятни миризми. Налични са
различни способи за предпазване и борба с миризмите с
различна ефективност. Нашият метод се състои в
следното: В клетката е монтиран вентилатор работещ на
няколко скорости и въздушен филтър. Целта на
вентилатора е да „изсмуква“ въздуха от контейнера и да
го прекарва през въздушния филтър, а от там в околната
среда.
При преминаването на въздуха през въздушният филтър
се отстраняват неприятните миризми, като същевременно
той ще се дезинфекцира. При работата си вентилатора
създава малко под налягане в клетката което ще
предизвиква движение на въздуха от вън на вътре. Този
процес няма да позволи излизането на въздух от други
части на клетката освен през филтриращата система.
За икономия на енергия вентилатора работи на
максимална скорост само по времето когато някоя от
вратите за депониране на отпадъци или изваждане на
кошовете със смет е отворена. През останалото време
вентилатора работи на ниски обороти през определен
времеви интервал.
Система за автоматично гасене на пожар
Пожарогасителната система е предназначена за гасене на
запалвания или самозапалвания в клетката.
Пожарогасителната система е оборудвана с топлинни
датчици, които се задействат при зададена температура.
Когато температурата достигне критичната стойност
системата автоматично задейства гасителният агент
(пожарогасител) и започва гасене на пожара.
Същевременно контролера изпраща съобщение до
информационната система на сървъра за наличие на
критична ситуация.
Електрозахранваща система.
Управлението на системата е предвидено да се захранва
от два източника. Първият източник е електропреносната
система. Тя се използва в случаите където е възможно да
се подключим към нея. Ако няма възможност се използва
соларна система за захранване. Соларната система за
захранване се състои от фотоволтаичен панел, заряден
контролер (charger) и акумулаторна батерия.
Фотоволтаичните панели са основната част на една
соларна система, чиято роля е да преобразува слънчевата
светлина в електрическа енергия, необходима за
задоволяването на системата за управление. Генерираното
напрежение от PV клетките което не надвишава 21V DC
се подава към контролера за зареждане(charger), където
напрежението се преобразува до 12V DC и се подава за
зареждане на свързания акумулатор. Напрежението от
акумулаторите през DC/DC преобразовател(и) захранва
подсистемите на инсталацията.
Локална метеорологична станция
Метеорологичните станции са съоръжения, снабдени с
56
инструменти за извършване на наблюдения и измервания
на атмосферните условия. Вградената метеорологична
станция е предназначена за наблюдение на най-важните
климатични параметри в градски условия като:
- температура на въздуха – моменти и екстремни;
- влажност на въздуха;
- атмосферно налягане;
- Количество на фини прахови частици.
Реализирана е на базата на сензор BME680 за измерване
на температура, влажност, атмосферно налягане,
надморска височина (Altimeter) и VOCs газове (органични
летливи съединения) и сензор Sharp GP2Y1010AU0F за
измерване на количество фини прахови частици.
ЗАКЛЮЧЕНИЕ
В доклада е представена структурата на интелигентна
система за управление на твърдите отпадъци в градска и
извънградска среда. Предложената организация за
събиране на отпадъци е изградена на идеята за затваряне
на контейнерите за смет в специални клетки снабдени със
система за вентилация и пречистване на въздуха от
неприятни миризми. Този подход ограничава достъпа на
насекоми и гризачи до отпадъците, а от там снижава
възможността за разпространение на зарази.
Разработената система осигурява информация в реално
време за количеството отпадъци в точките на събиране..
Наличието на мониторингова система ще даде
информация за количеството генерирани отпадъци от
домакинствата, както и информация за депонираните
отпадъци. Спомага за оптимизация на графиците за
сметосъбиране и намаляване на общите разходи.
Технологиите, които се използват в предложената
система, са достатъчно добри, за да осигурят практически
идеални условия за мониторинг и управление на процеса
по събиране на твърди отпадъци и спомага за постигането
на зелена среда.
ЛИТЕРАТУРА
1. Y.Himanth, B.V.Pavan Kuma, M.Lalitha Bhavani , Smart
Garbage Monitoring System Using IoТ,International Journal
оf Current Engineering and Scientific Research IJCESR ,
(Online): 2394-0697, Volume-5, ISSUE-4, 2018
2. Mohd Helmy Abd Wahab, Nor Shilla Obin, Radzi Ambar,
Mohd Razali Tomari, Mohamad Hairol Jabbar, and Aeslina
Abdul Kadir, GSM-Based Notification System and Location
Tagging Using GPS for Smart Recycle Bin ,International
Journal of Machine Learning and Computing, Vol. 8, No. 5,
October 2018, pp. 495-500
3. Dr.N.Susila, Sruthi Anand, Dr.J.Granty Regina Elwin,
Dr.T.Sujatha, Technology enabled Smart Waste Collection
and Management system using IoT, International Journal of
Pure and Applied Mathematics, Volume 119 No. 12 2018,
1283-1295
4. Sahu R.M., A. Godase, P. Shinde, R. Shinde,“Garbage and
Street Light Monitoring System Using Internet of Things”,
International Journal of innovativeresearch in electrical,
electronics, instrumentation and control engineering, issn
(Online) 2321 2004, Vol. 4, Issue 4, April 2016
5. Sumi, L.; Ranga, V., Sensor enabled Internet of Things for
smart cities. In Proceedings of the IEEE Conferences—Fourth
International Conference on Parallel, Distributed and Grid
Computing (PDGC), Waknaghat, India, 22–24 December
2016; pp. 295-300.
6. Internet_Things [Electronic Resource]. Available at: https:
//en.wikipedia.org/wiki/ Web_web.
7. ESP32 [Electronic Resource]. Available at:
https://en.wikipedia.org/wiki/ESP32
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

RAPID PREDICTION OF FAT CONTENT IN MEAT BASED ON A SHORT WAVE

NEAR-INFRARED SPECTROSCOPY WITH CHEMOMETRIC TECHNIQUES
G. Gergov1, A. Tchorbadjieff2, J. Cruz3, E. Kirilova1
1
Bulgarian Academy of Sciences, Institute of Chemical Engineering, Acad. Georgi Bontchev Str., Bl.
103, Sofia 1113, Bulgaria
2
Bulgarian Academy of Sciences, Institute of Mathematics and Informatics, Acad. Georgi Bontchev
Str., Bl. 8, Sofia 1113, Bulgaria
3
Escola Universitària Salesiana de Sarrià (EUSS), Passeig de Sant Joan Bosco, 74, 08017 Barcelona,
Spain

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.

the importance of parameter of radial basis function neural network

1. INTRODUCTION
Consumer demand for quality and health has led for higher
quantitative control in the meat sector. Fat content in meat is an
important nutrient for people food, and its determination is very
important in quality assessment of meat samples. Traditional
techniques for its detection and evaluation of are destructive
and time-consuming and require toxic solvents and reagents.
Recently, spectroscopic methods such as near-infrared spectros-
copy (NIR) have shown great potentials for the assessment of
meat quality and safety due to its fast speed, low cost, non-
destructive and environmentally friendly [1]. However, the NIR
spectra meat samples are characterized by numerous bands that are
usually broad, weak, non-specific and highly overlapping. The
latter requires usage of multivariate calibration models to relate the
spectra and the properties of the samples. Moreover, it has been
identified as a way of improving the accuracy and robustness
of non-destructive meat quality measurement. One of the most
popular model is partial least squares (PLS) [2]. The PLS is a
multivariate method used for prediction of the responses from
many and collinear variables (factors). Usually, from these many
factors only a few underlying or latent factors account for most of
the variation in the response. The general idea of PLS is to try to
model the responses well based on these latent factors, relying on
factor variation as much as possible. Alomar et al., have employed
a partial least squares regression (PLSR) predictive models to
evaluate the composition of bovine meat content [3]. However, the
PLS method possesses some deficiencies such as modelling of data
sets containing strong non-linear relationships [4] whereas there
always exists non-linear mapping between the spectra data and
concentration of the component. To deal with non-linear model-
ling, very often PLS is coupled with some complex algorithms
such as AdaBoost, local algorithm (LA), support vector machine
(SVM), and extreme learning machine (ELM) and artificial neural
networks (ANN) to select best spectral profile [5]. Fan et al.,
(2018) [6] have coupled NIR reflectance spectroscopy with PLS
and Least Squares SVM (LS-SVM) for determination of intramus-
cular fat content in pork. Qu et al. (2007) has discussed optimum
(RBF NN) for non-destructive short-wave NIR analysis [7]. Chen
et al., (2020) [8] have applied an ensemble extreme learning ma-
chine (EELM) algorithm in a combination of PLS method for
improvement of the stability of the prediction of the fat content in
solid meat samples.
A practical problem of NIR techniques is that spectra are often
disturbed by various interferences: path length, sample
thickness and measurement geometry. Therefore, spectral pre-
treatment are necessary for signal correction. Multiplicative
scatter correction (MSC), standard normal variate (SNV),
smoothing, baseline removal, and first and second derivatives
are widely used in the building robust NIR multivariate
models [9].
This study presents consecutively application of PLS1 method and
radial basis function artificial neural network (RBF ANN) with
different architectures for chemometric analysis of NIR spectra of
meat samples for determination of fat content in them. The RBF
neural networks used here are the networks with ridge regression
(RR) training algorithm [10]. The obtained with PLS results have
shown that it does not take into account the nonlinearity of the data
used due to the inhomogeneous meat sample.
RBF NNs with different architectures were applied and optimised
number of input and hidden neurons. RBF NN with architecture
10-39-1 and SNV pre-treatment show relatively low values for
errors: Root Mean Square Error of Prediction (RMSEP), Relative
Error of Prediction (REP) and significant confirmation for
independence. This means that RBF NN shows very high
prediction efficiency performance concerning nonlinearity
compared to PLS.
2. THEORY AND METHODS
2.1. Partial least squares (PLS1) model
PLS is nowadays probably the most widely used algorithm in
chemometrics [1]. Consider a spectral N × P matrix X and a
corresponding concentration N-dimensional vector y
describing N samples and P variables. PLS1 is able to model

57
the relationship between X and y. Rather than calculating
scores using only X-covariance as in principal component
regression (PCR), the PLS1 algorithm takes into account the
covariance between X scores and y, i.e. the variances of X and
y and their correlation. Scores, referred here as latent variables
(Lv), are then built in order to capture as much information
related to y as possible. PLS can also be extended to predict
several responses at a time, which is generally called the
PLS2. PLS can be summarized in two interdependent steps:
(1) Dimensionality reduction of X and y in latent subspaces
using scores projections; (2) Integration of a vector, called
weights (w), connecting both subspaces and providing the
covariance between X and y scores as optimisation criterion.
The key/meta parameter in a PLS model is the number of Lvs,
which needs to be optimised.
2.2. Radial Basis Function Neural Network (RBF NN)
model
RBF NN uses a so-called radial basis function as a transfer
function in the hidden layer neurons (H), and after non-linear
projections of the inputs neurons (I), an output neuron (O)
produces a weighted sum of the hidden output to give the final
output of the network. RBF NN are local approximation
networks that have superiorities in function approximation and
learning speed. The network model is a feed-forward
multilayer neural network with a simple architecture [10].
Generally, it is a three-layer network: a layer of inputting
neurons, a single hidden layer of RBF neurons and a layer of
outputting neurons. The training parameters are much less
than those in other feed-forward neural networks.
The method relies on a radial basis function of the hidden
layer. It is a Gaussian function whose value depends only on the
distance from the origin, i.e.:
, (1)
where is the calculated distance, usually Euclidean,
between input vector and RBF function centre . The is a
positive real number which we call the spread of the RBF. The
output layer performs a simple summation of the output from
each hidden neuron according to:
(2)
where is the connection weight from the hidden neuron to
the output neuron, is the total number of hidden layer
neurons. In our case, the non-linear model is based on NN
using RBF [10]. The transfer function activating the hidden
neurons is a Gaussian function, characterized by the values of
the centers and widths.
The optimization of various network parameters: (1) the num-
ber of hidden neurons (G), (2) the centers (c) and widths (σ) of
the Gaussian functions, and (3) the weights (w) of the final
linear combination can be carried out sequentially, first fixing
the number of hidden neurons, widths and centers, and then
finding the weights.
Before predictions, an optimum RBF NN architecture should
be selected and trained. The optimum number of input neurons
can be explored by performing PCR cross-validation. The
number of hidden neurons is automatically set by a grid search
guided by the lowest penalized prediction error in the
calibration samples. Finally, the number of output neurons is
58
equal to the number of response variables to be predicted by
the model [11].
This involves the sequential addition of new basis functions,
each centred on one of the data points. The RBF parameters
( , , ) are selected to minimise sum-squared-error (SSE).
The process continue until error of network output reaches the
pre-set goal value. The determination of the optimum RBF
NN architecture (I-H-O) is a key factor to obtain good
predictable model.
2.3. Multivariate non-linearity test
The goal of NIR-based calibration is to build a multivariate
model able to give reliable prediction of the property of
interest from the spectra, where the non-linearity is a key
factor to influence the calibration. The Durbin-Watson
statistical test for residual correlation is used, which consists
in estimating the DW value [12]. When DW=2, the residuals
are uncorrelated, which is an indication of model adequacy.
3. DATASET AND SOFTWARE
The dataset is recorded on a Tecator Infratec Food and Feed
NIR Analyzer working in the wavelength range 850-1,050 nm
using reflectance measurements [13].
There are 240 meat samples which are randomly divided into
two groups: 170 sample for calibration and 70 sample for test
set. For each meat sample the data consists of a 100-channel
spectrum of absorbance and the contents of fat. The
reflectance (log1/R) is measured by the spectrometer. A
Soxhlet method was used as the laboratory reference for the
fat determination. The fat content is between 32.8% and
76.6%. All spectra were converted to digital values and
exported to MatLab for subsequent calculation. Numerical
calculations were made using MatLab®2013a (Mathworks,
Natick, MA, USA). PLS1 and RBF ANN calibration were
carried out using the MVC1® MatLab toolbox (Olivieri) [11]
and TOMCAT® MatLab toolbox [14].
4. RESULTS AND DISCUSSION
4.1. Data pre-processing
Fig. 1. The original and pre-processed spectra
The original raw spectra and pre-processed spectra using MSC
and SNV of meat data are shown in Fig. 1. It was seen in raw
spectra that O–H stretching first overtones appeared at 970 nm
due to presence of water. Although it is difficult to distinguish
from the raw spectra other two observed absorption bands can
below the 1,050 nm, attributed fat (930 nm) and protein (910
nm) [15]. Three pre-processing techniques were tested – first
derivative (D1), Multiplicative Scatter Correction (MSC) and
Standard Normal Variate (SNV). For the pre-processed
spectra shown in Fig.1, it can be seen that both the MSC and
SNV eliminated scattering in a similar way. However, at the
 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].

4.2. Parameter optimisation of calibration models

In this study, the number of LVs in PLS, the number of hidden

neurons in RBF NN needs to be optimized and determined.
Leave-one-out (LOO) cross-validation was applied for
optimisation.
For PLS modelling, cross-validation makes it possible to
select the optimal number of latent variables, that is, the
number giving the minimum prediction error for the Fig. 2. Predicted vs. nominal plots of the PLS1 .Residual plot
calibration set. Оn the other hand, it should not be very large for PLS1 model
because it leads to over-fitting. For RBF NN modelling, cross-
validation can provide the optimal number of hidden neurons. Further, RBF NN was used for model improvement. For
Also, NIR spectra based on reflectance measurements, i.e., initialisation of RBF NN we rely on the determined by
after reflection on a solid sample, show background signals Principal component regression (PCR) optimal number of
which often vary from sample to sample, overlapped with the hidden neurons. Fig. 3 shows predicted vs. actual plot of the
spectra of the chemical constituents. These variable signals are RBF NN training model (Architecture 10-39-1, SNV pre-
originated from changes in the intensity dispersed by the processing) for the fat content of the dataset.
sample, or a variable optical path in the solid samples.
Different pre-processing techniques have been tested and SNV
combined with mean-centering has been identified as the best
performing.

4.3. Comparison of PLS and RBF NN models

A comparative study between PLS1 and RBF NN were

provided to outline the different results obtained by the both
methods. This comparison is based on the statistical properties
of the results. The focus is mainly on tests for normality and
independence of obtained residuals, cross-validation and
verification for stable and repeatable results. They are very
important tasks in our aim to obtain robust solution and to
avoid over-fitting.
Final results from PLS1 modeling about the Root Mean
Square Error of Cross Validation (RMSECV), Root Mean
Square Error of Prediction (RMSEP), Relative Error of Fig. 3. Predicted vs. actual plot of the RBF NN training model
Prediction (REP), Correlation coefficient R2 and the Durbin-
Watson (DW) coefficient are listed in Table 1. Finally, both methods were compared in. Fig. 4 clearly shows
normal distributed residuals from RBF NN model, a result not
Table 1. Summary of the performance indices of PLS1 model produced from PLS model (Fig. 2). In addition, the RBF NN
on the dataset. The considered processing methods are labelled model shows a better performance than the PLS model, since
as D1, SNV and MSC. all training errors of RBF NN model are scattered randomly in
Pre- Fat content, (%) more narrow range, an output not available in PLS model too.
proc No RMSECV RMSEP REP, R2 DW The errors independence is also confirmed by results from
essin Lv (%) (%)
g
Durbin-Watson test.
Raw 12 2.59 2.71 4.31 0.974 1.62
D1 9 2.52 2.55 4.05 0.977 1.61
MSC 3 2.55 2.31 3.67 0.980 0.90
SNV 8 2.07 1.93 3.07 0.986 1.36

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].

Fig. 4. RBF NN model – prediction correlation among the

. residuals for the fat content of the dataset

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,
R2, Durbin-Watson) of RBF ANN models on the considered
dataset and different RBF NN architectures, when different
pre-processing techniques have been tested. As it is seen again
SNV has been identified as the best performing. After comparing
results within Table 1 it is clear that the RBF NN model is
superior to the corresponding PLS model for each component.
9. Rinnan, Å., F. Van Den Berg, S.B. Engelsen. Review of
The Most Common Pre-processing Techniques for Near-
infrared spectra - TrAC Trends in Analytical Chemistry,
28(10), 2009, 1201-1222.
10. Orr, M.J.L. Regularization in the Selection of Radial Basis
Function Centers - Neural Comp., 7, 1995, 606-623.

5. CONCLUSIONS 11. Chiappini, F.A., H.C. Goicoechea, A.C. Olivieri.

In this study PLS and RBF NN for quantitative analysis of
Vis-NIR spectra for prediction of fat content in meat samples
have been consecutively implemented. Various pre-processing
techniques were also performed as Standard Normal Variate
has shown the best results. A comparison between the both
techniques was done. The obtained results for RMSECV,
RMSEP, REP, R2 have shown that the RBF NN performs
better than PLS when considering the nonlinearity of the data.
References:
1. Prieto, N., O. Pawluczyk, M.E.R. Dugan, J.L. Aalhus. A
Review of the Principles and Applications of Near-infrared
Spectroscopy to Characterize Meat, Fat, and Meat Products -
Applied spectroscopy, 71, 2017, 1403-1426.
2. Wold, S., M. Sjöström, L. Eriksson. PLS-regression. A
Basic Tool of Chemometrics - Chemometrics and intelligent
laboratory systems, 58(2), 2001, 109-130.
3. Alomar, D., C. Gallo, M. Castañeda, R. Fuchslocher.
Chemical and Discriminant Analysis of Bovine Meat by Near
Infrared Reflectance Spectroscopy (NIRS) - Meat Science, 63,
2003, 441–450.
MVC1_GUI: A MATLAB Graphical User Interface for First-
Order Multivariate Calibration. An Upgrade Including Artifi-
cial Neural Networks Modelling - Chemometrics and Intelli-
gent Laboratory Systems, 206, 2020, 104162.
12. Durbin, J., G. Watson. G. Testing for Serial Correlation in
Least Square Regression - J. Biometrika, 37, 1950, 409-428.
13. Borggaard, C., H.H. Thodberg. Optimal Minimal Neural
Interpretation of Spectra - Anal. Chem., 64, 1992, 545-551.
14. Daszykowski, M., S. Serneels, K. Kaczmarek, P.V. Espen,
C. Croux, B. Walczak. TOMCAT: A MATLAB Toolbox for
Multivariate Calibration Techniques - Chemometrics and
Intelligent Laboratory Systems, 85 ,2007, 269–277.
15. Bi, Y., K. Yuan, W. Xiao, J. Wu, C. Shi, J. Xia, G. Chu,
G. Zhang, G. Zhou. A Local Pre-processing Method for Near-
infrared Spectra, Combined with Spectral Segmentation and
Standard Normal Variate Transformation - Analytica Chimica
Acta, 909, 2016, 30-40.
16. Gonzalez, A.G., M.A. Herrador, A.G. Asuero. Intra-
laboratory testing of method accuracy from recovery assays -
Talanta, 48 , 1999, 729-736.

4. Blanco, M., J. Coello, H. Iturriaga, S. Maspoch, J. Pages.

Calibration in Non-linear Near Infrared Reflectance
Spectroscopy: a Comparison of Several Methods - Anal.
Chim.
Acta, 384, 1999, 207-214.

5. Zareef, M., Q. Chen, M.M. Hassan, M. Arslan, M.M.

Hashim, W. Ahmad, F. Y. H. Kutsanedzie, A. A. Agyekum.
An Overview on the Applications of Typical Non-linear
Algorithms Coupled With NIR Spectroscopy in Food Analysis
- Food Eng Rev, 12, 2020, 173-190.

6. Fan, Y., Y. Liao, F. Cheng. Predicting of Intramuscular Fat

(IMF) Content in Pork Using Near Infrared Spectroscopy and
Multivariate Analysis - International Journal of Food
Properties, 21(1), 2018, 1180-1189.

7. Qu, N., X. Li, Y. Dou, H. Mi, Y. Guo, Y. Ren.

Nondestructive Guantitative Analysis of Erythromycin

60
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

ФИНА НАСТРОЙКА НА LIBREOFFICE CALC NLP SOLVER ЗА

МНОКОРТИЕРИАЛНА ОПТИМИЗАЦИЯ

FINE TUNING OF LIBREOFFICE CALC NLP SOLVER FOR MULTI-

OBJECTIVE OPTIMIZATION
Д. Първанов, П. Томов, Т. Балабанов

Институт по информационни и комуникационни технологии, Българска академия на

науките, ул. “Акад. Г. Бончев”, бл. 2, стая 514, София 1113, тел. +359 2 9793237, e-mail:
dimitar.parvanov@iict.bas.bg petar.tomov@iict.bas.bg todor.balabanov@iict.bas.bg

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.

Key words: LibreOffice Calc, multi-objective optimization, NLP Solver

При многокритериалните задачи, две или повече функции

1. ВЪВЕДЕНИЕ
В областта оптимизация има поддял, който е
предназначен за многокритериална оптимизация.
Многокритериалната оптимизация има значителна
важности при оптимизационните задачи от реалната
практика, тъй като повечето реални задачи често се
описват с множество от критерии, които най-често си
противоречат [1]. Поради допълнителната сложност в
многокритериалните задачи, те най-често се решават чрез
свеждане до еднокритериални задачи.
Функциите и/или ограниченията, подлежащи на
оптимизация в реалната практика, най-често са нелинейни
[2]. Липсата на достатъчно развити и надеждни техники за
решаване на многокритериални задачи води до нуждата
този вид задачи да бъдат скаларизирани и сведени до
еднокритериални. На свой ред, еднокритериалните задачи
се решават с инструментите за еднокритериална
оптимизация. Основната трудност при
многокритериалните задачи идва от факта, че трябва да се
предложат множество от точки/решения (множество на
Парето [3]), а не само една единствена стойност. Тук се
явява и основната разлика с еднокритериалната
оптимизация, където резултатът е единична стойност.
Изключение правят многомодални функции, които имат
повече от един идентични глобални оптимуми. Основният
стремеж при многокритериалните задачи е да се намерят
колкото се може повече точки от Парето фронта.
Важността да се предложат повече точки от този фронт е
свързана с факта, че сравнени две по две, тези решения
показват какви компромиси е нужно да направят лицата
вземащи решения. По този начин, лицата вземащи
решения могат да определят своите приоритети за
вземането на окончателни решения [4].
f={f1,...,fm} [5] получават един и същи входен вектор
x={x1,...,xn}, като целта е всички функции да дадат
възможно най-оптимален резултат. Поради повечето
функции се оформят две пространства на търсенето –
пространство на променливите и пространство на
критериите [6]. В пространството на променливите много
често е зададена дефиниционна област, която определя
долните и горните граници в които могат да варират
компонентите на вектора x. Освен дефиниционна област, в
реалната практика много често има и множество
неравенства/равенства, които също трябва да бъдат
удовлетворени, под формата на ограничения. Ако в
целевите функции или ограниченията има нелинейни
функции, то задачата попада в класа на нелинейните
задачи и трябва да се решава с инструментите за
нелинейна оптимизация.
Най-често прилагания модел за скаларизиране [7] на
многокртериална задача към едноктритериална е
адитивният модел. При тази скаларизация, на всеки от
критериите се присвоява тегловен коефициент, а общия
резултат се сумира (1).
f = w1f1(x) + … + wmfm(x) (1)
Тази скаларизация е приложена и в настоящото научно
изследване, като се приема, че за всички целеви функции
се търси минимум. Ако за някои от критериите трябва да
се търси максимална стойност, то неговото тегло участва
в агрегираната функция с отрицателна стойност.
Тъй като разглежданите задачи са нелинейни, в
настоящото научно изследване се предлага финно
настройване на LibreOffice Calc NLP Solver за решаване на
задачи от областта на многокритериалната оптимизация.
Докладът, след встъпителната секция, е организиран по

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

LibreOffice Calc е софтуерен продукт с отворен код, който

предлага решение за нуждите на малкия и средния бизнес,
под формата на електронни таблици. В него може да се
използват линеен и нелинеен решател за оптимизационни
задачи (Tools->Solver). Нелинейната оптимизация е със
значително по-голяма важност, тъй като е по-сложна от
линейната оптимизация. Основно поддържаният под-
модул за нелинейна оптимизация в LibreOffice Calc е
хибридна комбинация между еволюция на разликите
(Differential Evolution) и рояк от частици (Particle Swarm
Optimization), във варианта му на Java реализация. Този
под-модул е под формата Java приставка в текущата
стабилна версия на софтуера. Екипът, поддържащ под-
модула, планират той да бъде пренаписан на C++, но тази
реализация все още е нестабилна и не дава достатъчно Фигура 1 – Модел на задача за оптимизация
надеждни резултати. Решателят е предвиден единствено
за използване при еднокритериални задачи. Основно, това Експериментите са извършени над четири
означава, че потребителят получава единична стойност, многокритериални задачи, които са еталон при тестовете
като краен резултат от пресмятанията. Едно решение се на алгоритми за многокритериална оптимизация, а
предлага на потребителя дори за многомодалните именно: Binh and Korn, Chankong and Haimes, Binh-4 и
еднокритериални задачи. Стохастичната природа на двата Constr-Ex [10]. Те имат по две целеви функции,
алгоритъма, заложени в решателя, предопределя факта, че дефиниционна област за x вектора и ограничения под
получените резултати не гарантират глобална формата на нелинейни неравенства. Математическият
оптималност на решенията. В общия случай, полученото модел на решаваната задача се въвежда в интерфейса на
решение е близко до глобалния оптимум (суб-оптимално). решателя, както е показано на Фиг. 1.

При сериозна нужда и достатъчен капацитет за софтуерна

разработка, решателят на Java може да бъде доработен за
задачи от областта на многокритериалната оптимизация.
Макар и наличието на такава възможност да е реално
допустима, подобна доработка би изисквала твърде много
ресурси и усилия. Значително по-малко ресурсоемък е
подходът с използването на възможностите за скриптови
езици (примерно Python), които LibreOffice предлага. За
тази цел, първата стъпка е на всеки критерии да се
съпостави тегловен коефициент, така че да се изпълнява Фигура 2 – Парето фронт на Binh and Korn
уравнение (1). Втората стъпка е скриптът да направи
множество извиквания на решателя, така че вместо едно
решение да бъдат получени множество от решения.
Стохастичната природа на двата алгоритъма, заложени в
нелинейния решател определят факта, че получените
стойности няма гаранция да бъдат върху самия Парето
фронт. Решателят се стартира с различни конфигурации
на коефициентите за критериите, но е нужна
допълнителна (фина) настройка на параметрите за самия
решател, така че получените точки максимално да се Фигура 3 – Парето фронт на Chankong and Haimes
доближат до теоретичните оптимуми.

3. ЕКСПЕРИМЕНТИ И РЕЗУЛТАТИ

Всички експерименти с реализирани с настолна

компютърна конфигурация: Intel Core i5 2,3 GHz, Single

62
 4. ЗАКЛЮЧЕНИЕ

В това научно изследване се представя възможността за

Фигура 4 – Парето фронт на Binh-4
използването на еднокритериален решател в задачи от
многокритериалната оптимизация, като се акцентира
върху параметрите на решателя. Чрез списък от тегла на
целевите функции, се генерират различни решения близо
до Парето фронта. Стохастичният характер на
алгоритмите в решателя налагат финно настройване на
решателя, така че Парето фронтът да бъде максимално
доближен. От математическа гледна точка, суб-
оптиманите решения не са приемливи, но от практическа
гледна точка дори приближените решения са по-добър
вариант при липсата на каквито и да е решения.

Като бъдеща насока за изследване, би било интересно да

се проведат експерименти с линейни задачи, линейните
решатели в модула, както и да се експериментира новият
Фигура 5 – Парето фронт на Constr-Ex
C++ код, който трябва да замени досега работещия Java
код.
От лявата страна на Фиг. 2-5 са визуализирани
резултатите, постигнати с поразбиращите се параметри на
нелинейния решател в LibreOffice Calc. По подразбиране,
БЛАГОДАРНОСТИ
решателят е настроен да сменя, с вероятност 50%,
алгоритмите за еволюция на разликите и рояк от частици.
This research is funded by Velbazhd Software LLC and it is
Подразбиращата се стойност за брой цикли на
partially supported by the Bulgarian Ministry of Education
оптимизация е 2000. Прагът за прекратяване на
and Science (contract D01–205/23.11.2018) under the
оптимизацията, при липса на подобрение в решението, по
National Scientific Program „Information and Communication
подразбиране е 0.000001. Всеки следващ цикъл на
Technologies for a Single Digital Market in Science,
оптимизация, по подразбиране, започва около точките,
Education and Security (ICTinSES)“, approved by DCM #
постигнати като решение в предишното стартиране на
577/17.08.2018.
решателя.

От дясната страна на Фиг. 2-5 са визуализирани

ЛИТЕРАТУРА
резултатите, постигнати чрез експериментално търсене на
по-добри стойности за параметрите. При тези
1. Abraham, A., Jain, L.: Evolutionary Multiobjective
експерименти, алгоритъмът за еволюция на разликите
Optimization. Evolutionary Multiobjective Optimization.
участва само в 10% от активиранията. Алгоритъмът за
Advanced Information and Knowledge Processing, Springer,
еволюция на разликите дава много по-добри резултати
London, 1-6 (2005). ISBN 978-1-85233-787-2 DOI
при многомерни пространства с голям брой измерения.
10.1007/1-84628-137-7_1
При експериментираните функции, пространството е
2. Zitzler, E., Laumanns, M., Bleuler, S.: A Tutorial on
двумерно, тъй като векторът x има само два компонента.
Evolutionary Multiobjective Optimization. Metaheuristics for
Алгоритъмът с рояк от частици се представя значително
Multiobjective Optimisation, vol. 535, 3-37 (2004). ISBN
по-добре в маломерни пространства и поради тази
978-3-540-20637-8 DOI 10.1007/978-3-642-17144-4_1
причина му се дават 90% от активациите. Броят цикли на
3. Zitzler, E., Thiele, L.: Multiobjective optimization using
оптимизация е увеличен на 20000, но това не оказва
evolutionary algorithms - A comparative case study. Parallel
толкова голямо влияние, тъй като оптимизацията най-
Problem Solving from Nature, vol. 1498, 292-301 (1998).
често приключва поради стагнация. Прагът на стагнация е
ISBN 978-3-540-49672-4 DOI 10.1007/BFb0056872
снижен на 0.00000001, а флагът за стартиране на всяка
4. Deb, K.: Multi-objective Optimization. Search
оптимизация от случайна точка е включен. Стартирайки
Methodologies, 403-449 (2014). ISBN 978-1-4614-6939-1
от случайна точка се избягва допълнителен риск за
DOI 10.1007/978-1-4614-6940-7_15
попадане в локален оптимум.
5. Emmerich, M., Deutz, A: A tutorial on multiobjective
optimization: fundamentals and evolutionary methods. Natural
Проведените експерименти показват, че с фина настройка
Computing, vol. 17, 585-609 (2018). ISSN 1567-7818 DOI
на параметрите получените решения се доближават до
10.1007/s11047-018-9685-y
Парето фронта, макар отново да не се намират на самия
6. Deb, K., Thiele, L., Laumanns, M., Zitzler, E.: Scalable
фронт. Графиките на Фиг. 2-5 ясно показват, че твърде
Test Problems for Evolutionary Multiobjective Optimization.
много точки стоят на неприемливо голямо разстояние от
Evolutionary Multiobjective Optimization, Advanced
фронта. Този дефект би могъл да се отстрани, като се
Information and Knowledge Processing, 105-145 (2005).
извърши допълнително пресяване на генерираните
ISBN 978-1-85233-787-2 DOI 10.1007/1-84628-137-7_6
решения и проверката по двойки за доминираност.
7. Miettinen, K., Makela, M.: On scalarizing functions in
Допълнителна доработка в Python скрипта би изпълнила
multiobjective optimization. OR Spectrum, vol. 24, no. 2, 193-
ефективно задачата за допълнително отсяване.

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

МОДЕЛИРАНЕ НА ВЛИЯНИЕТО НА ДЕФОРМАЦИЯ ВЪРХУ ЗАГУБИТЕ В

ОПТИЧНО ВЛАКНО НА БРЕГ
Ж. Ив. Жейнов, Й. Р. Урумов

MODELING THE INFLUENCE OF DEFORMATION ON BRAGG FIBERS LOSSES

Z.I. Zhejnov, J.R. Urumov

Технически Университет - Варна, България, кат. „Компютърни науки и технологии”

e-mail: zh_viv@tu-varna.bg, jurumov@abv.bg

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.

ВЪВЕДЕНИЕ загубите на разпространение на светлината в многослойно

микроструктурирано влакно с въздушна сърцевина,
През последните години фотонно – кристалните влакна възникнали в резултат на тунелиране [5].
(Photonic Crystal Fiber - PCF) привличат интереса на
учените заради своите уникални свойства. Терминът PCF ИЗЛОЖЕНИЕ
или микроструктурирани влакна обозначава повечето
влакна със сложна структура на обвивката. Най-често Анализ на Бреговски PCF влакна по метода на
обвивката на влакното съдържа едномерни или двумерни геометричната оптика. Нека разгледаме PCF оптично
периодични структури, влияещи съществено на неговите влакно от тип 1, което има сърцевина с коефициент на
оптични свойства. Те дават възможност за намаляване на пречупване na и М цилиндрични слоя. На фиг. 1 е
ограниченията, които поставят материалите и представен осев разрез на това влакно. Поради
конструкцията на обикновените влакна и позволяват по- централната симетрия на влакното на фигурата е показана
лесно управление на характеристиките на влакното като само половината от надлъжното сечение на влакното.
работния прозорец от дължини на вълната, дисперсията, Можем да го разглеждаме като плоска многослойна
диаметърът на модовото поле и др. [1]. В обикновените диелектрична структура. Отляво надясно се разполагат
оптични влакна причината за разпространението на съответно сърцевината, слой 1, слой 2,..., слой M на
светлината само в сърцевината е пълното и вътрешно обвивката. Нека na е коефициентът на пречупване на
отражение от обвивката. Това се постига като ефективния сърцевината, ni е коефициентът на пречупване на i-тия
показател на пречупване на сърцевината се прави по- слой, nb e коефициентът на пречупване на най-горния
голям от този на обвивката [4]. Оптичното влакно на Брег слой. Дебелините на i-тия слой е означена с li, i=1,2,3...M.
(Bragg fiber) е едномерно, изработено като съосни С ET,k±, k=1,2,…,M+1 са означени падащите (+) и
цилиндрични слоеве. Обвивката на влакното представлява отразените (-) компоненти на електрическото поле на
диелектрично огледало, реализирано като многослойно границата между слой k и левия преди него.
диелектрично покритие. При предаването на информация
затихването при разпространението на светлината във
влакното е от първостепенна важност, като в
обикновените кварцови влакна е ограничено от
релеевското разсейване в материала на влакното. Всички
PCF позволяват лесна промяна на хроматичната
дисперсия. Това дава възможност да се създадат PCF
влакна за компенсиране на дисперсията на влакната,
използвани в телекомуникациите. Високото затихване се
преодолява чрез създаване на влакна с нова конструкция
[3].
В момента не съществува универсален и достатъчно точен
метод за оценка на загубите на разпространение, който да
позволява оптимизация на влакното в честотен диапазон и Фиг. 1. Коси лъчи върху многослойна диелектрична
по конструктивни характеристики (диаметър, дебелина на структура
слоевете, показател на пречупване на материалите и др.).
В статията се предлага един инженерен метод за анализ на

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)

nasinθa=nisinθi=nbsinθb, i=1,2,3,…,M. (1) Във влакно с радиус a, показател на пречупване на

сърцевината na и на обвивката n1, светлината се
Предполагаме, че отдясно на структурата няма падащо разпространява чрез пълно вътрешно отражение ако
поле. Тук ρT,i означава напречен коефициент на отражение sinθa>n1/na. Траекторията на лъчите е показана на фиг. 2.
от повърхност i, дефиниран като:
n1
n −n
ρTi = Ti −1 Ti , i=1,2,3,…,M+1, (2)
nTi −1 + nTi x
θа na 2а
θа θа
където сме положили nT0=nTa и nTM+1=nb. Дефазирането за z
падащите лъчи при преминаването през i-тия слой е .
δi=k0nicosθi, където k0 е вълновото число за вакуум n1
k0=2π/λ. Във всеки слой напречните коефициенти на Фиг. 2. Лъчи в сърцевината
отражение се описват за TM и TE поляризация съответно
като: Разпространяващите се моди с индекс m се
характеризират с дискретни стойности на ъгъла θa.
Условието за напречен фазов резонанс дава изменение на
⎧ ni
⎪ ТМ поляризация , i=a,1,2,…,M,b (3) фазата за един зигзаг на лъча, кратна на 2π:
nTi = ⎨ cos θ i
⎪⎩ ni ТЕ поляризация
4ak0nacosθa+φ=2mπ, (11)

Матрицата на разпространението свързва рекурсивно

където φ отчита промяната на фазата при отразяване от
електрическото поле за падащия и отразения лъч, както
границите на сърцевината и обвиващия слой. Пътят на
следва:
лъча между 2 последователни отражения е lz=4a.tgθa. Във
влакно с дължина L имаме N броя отражения в
⎡ ETi, + ⎤ 1 ⎡ exp( jδi) ρTi exp(− jδi)⎤ ⎡ ETi+1,+ ⎤ , (4) сърцевината N=L/lz. Загубите във влакно с дължина L за
⎢ E ⎥ = ΓTi ⎢ ⎢ ⎥
⎣ Ti, − ⎦ ρ
⎣ Ti exp( jδi ) exp(− jδi) ⎥⎦ ⎣ ETi+1, − ⎦ TE и TM поляризация са пропорционални на N:

където i=М,М-1,…,1, а коефициентът на отражение е L. Γ(λ ) 2

ΓTi=ETi,-/ETi,+ и е свързан рекурсивно с ΓTi+1: B (λ ) = N . Γ(λ ) =
2
. (12)
lz

ΓTi = 1ρ+Tiρ+TiΓΓTiTi++11exp( −2 jδi )

exp( −2 jδi ) , i=М,М-1,…,1, (5)
Във влакно без деформация затихването B(λ) се описва с
израза (12). Коефициентът на отражение е
Γ(λ) = Γ(λ) exp(arg(Γ(λ)) и фазовата промяна при
а ΓТ,М+1=ρТ,М+1. Подобна рекурсивна връзка има между преминаване на светлината през цялото влакно е
електрическото и магнитното поле на границата между 2 N.arg(Γ(λ)). Закъсненията на лъчите с ТЕ и ТМ
слоя: поляризация са съответно τe и τm.. Те се пресмятатат чрез
израза [2]:
⎡ ETi ⎤ ⎡ cos δi jηTi sin δi )⎤ ⎡ ETi +1 ⎤ , i=М,М-1,…,1 , (6)
⎢ H ⎥ = ⎢ jη −1 sin δi cos δi ⎥⎦ ⎢⎣ H Ti +1 ⎥⎦ 2 d (arg( Γ ( λ )) ,
⎣ Ti ⎦ ⎣ Ti
τ (λ ) = λ (13)
2 .π .c dλ
където напречните характеристични импеданси се
дефинират с израза: където Γ(λ) е коефициента на отражение за TE и ТМ моди.
Хроматичната дисперсия на влакното се дава с израза:
⎧⎪η cos θ ТМ поляризация , (7)
ηT = ⎨ η dτ e (λ ) ТЕ поляризация, (14)
⎪⎩ cos θ ТЕ поляризация d 1 (λ ) =
dλ
dτ m ( λ ) ТM поляризация. (15)
d 13 (λ ) =
при ηTi =η0 / nTi . Общата мощност на падащия лъч Pin в dλ
направлението на вълновия вектор, компонентата z и
мощността, въведена в първия слой P1, за TE и TM Модел на деформация. Нека предположим, че влакното е
поляризации се изразяват така: огънато в локален участък под радиус R. На фиг. 8 е
2 показано напречно сечение на влакното на границата
Pin = 1
2η a
Ein , Pin, z = Pin cosθ a , между два диелектрични слоя.
2
η a = η 0 / na , P1 = Pin, z (1 − Γ1 ) (8).

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

Фиг. 3. Влакно огънато под радиус R

Нека правият участък на влакното отляво на сечението AE

преминава в кръг отдясно. CE и CB са нормалите към
граничната повърхност в правия и кръглия участък. С θa е
означен ъгълът на падане на лъча в правия участък, а с θm
ъгълът на падане в кръглия участък. Нека
Фиг. 4. Затихване на недеформирано влакно, M=9 слоя
разпространяващ се лъч се отразява на границата между
два слоя в точка А. Страните на триъгълник ABC са
AC=R-a, CB=R+a, ‫ے‬CAB=π-θa. За триъгълника е валидно
съотношението:

AC BC R−a R+a , (16)

= = =
sin θ m sin(π − θ a ) sin θ m sin θ a

откъдето се получава връзка между ъглите на падане в

правия и кръглия участък:

( R − a) sin θ a , (17)
θ m = arcsin Фиг. 5. Затихване на недеформирано влакно, M=21 слоя
R+a

Ще предполагаме, че израз (17) свързва ъглите на падане

при произволна разпространяваща се светлинна мода. В
резултат на огъването разстоянието между точките на две
последователни отражения /полупериода на траектори6та
на лъча/ lz се променя на lz’. Тъй като промяната е малка,
ще приемем, че lz≈lz’. Тогава при N/2 отражения в
сърцевината ъгълът на падане е θa, а при N/2 отражения
ъгълът е θm.
При влакно с огъване затихването за цялата дължина на
влакното BN(λ) се сумира от затихванията Bi(λ) в
отделните участъци на отражения на лъчите с номера
1,2,3...N: Фиг. 6. Дисперсия на недеформирано влакно, M=9 слоя

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.

Пример. Ще разгледаме М-слойно Бреговско влакно с

въздушна сърцевина и параметри: радиус на сърцевината
a=100 μm; na=1.0; n2k-1=2.32; n2k=1.38; (k=1,2,3...), nb=1.5.
Дебелината на слоевете е избрана такава, че да създава
дефазиране на 900 за средната дължина на вълната
λ0=1550nm: l2k-1=179 μm; l2k=393.5 μm. След решаване на
характеристичното уравнение (14) за m=1 и извършване
на пресмятанията, съгласно дадения по-горе
математически модел се получават нормираните Фиг. 7. Затихване на влакно с M=21 слоя, TE
затихвания Bte (λ ) за TE поляризация и Btm (λ ) за TM поляризация, радиус на огъване R

67
 Фиг. 8. Затихване на влакно с M=21 слоя, TM
поляризация, радиус на огъване R

ЗАКЛЮЧЕНИЕ

В Бреговско PCF влакно вълните с ТМ поляризация се

разпространяват с много по-големи загуби от вълните с
ТЕ поляризация. Поради това тези световоди са естествен
филтър за TM и висшите моди. Влиянието на TM вълните
е забележимо при големи стойности на радиуса на
сърцевината. Общите загуби на влакното намаляват с
увеличаване на радиуса на сърцевината и с броя на
слоевете на обвивката. При големи радиуси на
сърцевината те са съпоставими със загубите на
разпространение в класическите едномодови световоди.
Загубите в Бреговско влакно растат с намаляване на
радиуса на огъване и в краищата на честотния диапазон.
Голямата разлика в затихването на различните видове
моди демонстрира автоматичната модова филтрация в
PCF. Хроматичната дисперсия за изследваното влакно
остава по-ниска от 50 ps/km в широк честотен диапазон.
Предложеният математически модел не отчита
диелектричните загуби в обвивката на влакното.
Пресмятанията сa извършени само за меридионалните
лъчи във влакното.

ЛИТЕРАТУРА

1. Joannopoulus, J., S. Johnson, J. Winn, R. Meade.

Photonic Crystals. Molding the Flow of Light, 2nd ed.
Princeton University Press, 2008.
2. Orfanidis, S.. Electromagnetic waves and antennas.
Rutgers, The State University of New Jersey, 2004.
3. Желтиков, A.. Оптика микроструктурированных
волокон. Москва, Наука, 2004.
4. Islam, M., C. Cordeiro, M. Franco, J. Sultana, A. Cruz, D.
Abbot. Terahertz optical fibers. Optics Express 16089,
vol. 28, №10/2020.
5. Zhejnov, Z., J. Urumov. Analysis of Dispersion and
Attenuation Characteristics of the Bragg fiber. Photonics
& Optoelectronics (P&O), vol. 3, 2014, 59-65.

68
 Управление на енергийни, индустриални и екологични системи
11 – 12 ноември 2021 г., София

ПРИСЪЕДИНЯВАНЕ НА КРИОГЕННА БАТЕРИЯ КЪМ

КОНВЕНЦИОНАЛНА ЕНЕРГОПРЕОБРАЗУВАЩА ИНСТАЛАЦИЯ
С. Митева, Д. Попов

INTEGRATION OF CRYOBATTERY INTO CONVENTIONAL ENERGY

CONVERSION SYSTEM
S. Miteva, D. Popov

Технически университет - София, София 1000, бул."Кл. Охридски" 8

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.

ВЪВЕДЕНИЕ респ. намира естествен релеф с голяма разлика във

Съвременните енергийни системи трябва да са в
състояние да уравновесяват производството и на електрическа енергия чрез компресиране на въздух
консумацията на електроенергия по всяко време в
денонощието. Все по-широкото използване на
възобновяеми енергийни източници създава нови
предизвикателства пред тяхното ефективното и
рационално управление. Действието на вятърните и
фотоволтаичните електроцентрали, се съпровожда на
значителна неравномерност в производството на
електрическа енергия. Системите за съхранение, и по-
специално тези с голям капацитет са в състоянието да
изглаждат неравномерното производство и консумация на
електрически ток. По този начин те могат да осигуряват
стабилност на електрозахранването и така да улеснят все
по-широкото навлизане на възобновяемите енергийни
източници в борбата за предотвратяване и ограничаване
на климатичните промени.
В изследване на Министерството на енергетиката на САЩ
се твърди, че към края на 2030 г. нарастването на
потребностите от нов капацитет за електро-енергийно
съхранение в световен мащаб ще бъде от 2.4 до 4 TWh
годишно, което е три до пет пъти повече от настоящия
темп на нарастване от 800 GWh на година [1]. Най-
широко приложение понастоящем намират помпено-
акумулиращите електроцентрали (ПАВЕЦ), като над 90%
от съхранената електрическа енергия в света идва от тях.
Помпено-акумулиращите електроцентрали са съоръжени
с обратими хидрогенератори/помпи. Те се явяват
гравитационни системи за съхранение на електрическа
енергия. В часовете на нощния минимум на потребление
на електрическа енергия, мощни помпи използват за
задвижването си евтина електрическа енергия, за да
прехвърля вода от долен в горен воден резервоар. В
периоди на сутрешна и вечерна максимална консумация
на електрическа енергия, водата под действието на
гравитацията се спуска към турбина и електроцентралата
генерира скъпа електрическа енергия. Ефективността на
тези електроцентрали е около 70-85%. Развитието на
ПАВЕЦ се ограничава от необходимостта да се използва,
височините, както и от екологични ограничения.
Следващата технология с подобен мащаб е съхраняването
(compressed air energy storage – CAES). То се извършва с
помощта на мощни компресори с електрическо
задвижване, които нагнетяват въздух в подземни кухини.
Нагнетяването се извършва в часовете с минимално ниво
на консумация на електрическа енергия. В часовете на
максимална консумация, натрупаният компресиран
въздух се използва за задвижване на въздушна турбина.
Основни пречки пред развитието на технологията CAES е
намирането за целта на подходящи и плътни подземни
кухини, както и ниската ефективност достигаща 54% [10].
Компресирането на въздух стои и в основата на една
новъзникваща технология – така нареченото криогенно
съхранение [11]. В периоди с ниско потребление се
втечнява въздух, който се съхранява в добре изолирани
съдове при много ниски температури. В периоди с високо
потребление и висока цена на ел. енергията, втечнения
въздух се привежда в прегрято газо-образно състояние и
се пропуска през турбина, задвижваща електрогенератор,
който захранва електрическата мрежа. Криогенното
съхранение има съществени преимущества пред ПАВЕЦ и
CAES, тъй като не изисква специфични места за
разполагане и има многократно по-голяма плътност от
тях. Основен негов недостатък е ниската ефективност,
която за първата изградена полу-промишлена инсталация
се равнява на 36% [2]. В настоящия доклад е представено
изследване насочено към повишаване на ефективността
без съществено усложняване на технологичната схема и
нейната експлоатация. За целта е извършено математично
моделиране на система за енергийно съхранение с втечнен
въздух присъединена към конвенционална
енергопреобразуваща инсталация.
МАТЕМАТИЧНО МОДЕЛИРАНЕ НА СИСТЕМА ЗА
ЕНЕРГИЙНО СЪХРАНЕНИЕ С ВТЕЧНЕН ВЪЗДУХ
В техническата литература инсталациите за криогенно
съхранение напоследък започват да се наричат криогенни

69
батерии - термин, който е възприет и в настоящото
изложение. Термодинамичните характеристики и система
ефективността на криогенните батерии са изследвани от
нарастващ брой научни колективи, особено след 2015 г.
Въпреки някои структурни и параметрични различия,
почти всички наскоро предложени криогенни батерии
имат обща архитектура [2-8]. Типична конфигурация на
самостоятелно разположена и действаща криогенна
батерия е показана на фиг. 1.
ефективност е необходимо да се състави и пресметне
от нелинейни алгебрични уравнения
съответстващи на материалните и топлинни баланси на
всички нейни елементи при фиксирани стойности на
ограничен брой входни параметри. За целта си
послужихме със софтуерния продукт Thermoflex®,
комерсиално разработван и предлаган от софтуерната
компания Thermoflow Inc. Компютърната програма
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

РАЗВИТИЕТО НА ТЕХНОЛОГИИТЕ – ПРЕДПОСТАВКИ, РЕАЛНОСТ

И ОТГОВОРНОСТ КЪМ ЧЕТВЪРТАТА ИНДУСТРИАЛНА
РЕВОЛЮЦИЯ „ИНДУСТРИЯ 4“
TECHNOLOGY DEVELOPMENT - PREREQUISITES, REALITY AND
RESPON-SIBILITY TO THE FOURTH INDUSTRIAL REVOLUTION
"INDUSTRY 4"
проф. С. Къртунов
5300 Габрово, ул. „Опълченска“ 34, skartunov@abv.bg
Abstract: This study provides an overview of the development of technology through some selected and determined by the author moments
in terms of an evolution. The object of consideration is technological evolution. Not only the technical support but, also the software is
considered. Undoubtedly, neither the development of the devices and technologies we use nor the transformations that this development has
caused in our social and economic life have been completed. In this process, technological devices follow the course of development from
completely dependent on us to completely independent, production systems are reduced to intelligent ones. The main thesis is that humanity
must be very careful and responsible for the development of the fourth industrial revolution before itself!

Keywords: fourth industrial revolution "Industry 4"

1. Увод означава процес на растеж, промяна или развитие и

Темата за развитието на технологиите е необхватна. В
това проучване се предоставя преглед на развитието
на технологиите чрез някои избрани и определени от
автора моменти по смисъла на една еволюция (още
повече и свързано с така нашумялата Индустрия 4).
Според автори като Г. Басала съществуват големи
разлики между измисления свят, продукт на целе-
насочено човешко действие и естествения, създаден
като резултат от природен, случаен и/или само-
възпроизвеждащ се процес, свят [1]. Трябва да се
прави разлика между тях по приетите параметри и
норми в общественото развитие. В [2] е посочена
концепция за това, а именно развитието е процес,
който първо преминава от примитивното към напред-
налото или от простото към сложното. Y. Киличаслан
твърди, че технологичните устройства следват хода на
развитие от напълно зависимо състояние до напълно
независимо състояние по отношение на енергията и
контрола. Различни виждания за развитието на
технологиите, използваните суровини и произлезлите
от тях изделия в различни браншове, са публикувани и
в [3, 4], [5, 6].
2. Изложение
Самата дума Еволюция (от латинската дума evolutio,
„разгръщане“, „разкриване“, https://bg.wikipedia.org
/Еволюция) е научен термин, с който най-общо се
съдържа елементи на приемственост и прекъсване.
Обект на разглеждането тук е технологичната
еволюция. Развитието на технологиите е преминавало
от пълна зависимост към пълна независимост по
отношение на използваната енергия и контрол и
свързаните с тях инструменти като повтаря и определя
развитието на човека при прогресия от простото към
по-сложното. От инженерна гледна точка техноло-
гиите и свързаните с тях инструментите са тези, които
развиват и поддържат нашите мозъчни функции.
Започвайки от историята за прехода при движение от
шейна към колелото и костите на lebombo и isango, за
които се смята, че датират от преди 35 000-18 000 год,
са допринесли за способността за броене на хората от
периода благодарение на резките върху тях, които се
явяват като памет (фиг. 1). В последствие, 3000 г.
п.н.е. в Шумер и от 2000 години насам се сблъскваме с
по-сложни манипулатори с числа, кодове и номера,
наречени „abacus“-сметала, изчислителни машини,
вече таблети и т.н. В Интернет могат да се намерят
редица примери за това. Така още от самото начало
технологиите се отъждествяват с изделията и обратно–
изделията се идентифицират с технологиите, по които
са произведени. Така е и до днес в епохата на нано- и
микротехника, на информационните и комуникацион-
ни технологии.

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

китайски сметала 1234 5 начин. Българите има с какво да се гордеем в тази

Да обърнем внимание обаче на техническото връзка, например оригиналните механизми за предене

осигуряване във фината механика, уредостроенето и на гайтани чрез силата на водата (фиг. 3.) или

мехатрониката и разгледаме откритията накратко. задвижването на мелницата с цевно зацепване от

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

Литература и Интернет страници

1. Basalla, George, “Teknolojinin Evrimi (The Evolution of Technology, 1988)”, Çeviren: Cem Soydemir, Cambridge
University Press & Doğu Batı Yayınları, 2013
2. Yılmaz Kiliçaslan, A Parametric Look At The Evolution Of Technology, 1. Rumeli Sürdürülebilir Çevre İçin Enerji Ve
Tasarim Sempozyumu 4 - 5 Şubat 2021, Silivri – İstanbul, ISBN 978-625-409-661-7, pp. 44-56
3. Къртунов С., Металите и металообработването – древни и съвременни спътници в развитието на човечеството,
Варна, НК “АМТЕХ”, сп. „Машиностроителна техника и технологии” 4/2003,ISSN 1312-0859, стр. 7-12
4. Kartunov S., Нанотехнологиите – древни и съвременни спътници в развитието на човечеството (един спомен за
бъдещето, Созопол, НК с МУ „АДП-12”, ISSN1310-3946, стр. 38-45
5. Малаков И., Историческо развитие на Автоматизацията – митове и легенди, Созопол, НИ 4/153, сборник доклади
от конференцията АДП, 2014, ISSN – 1310 -3946, стр. 1-26
6. Георгиев Г., Историческо развитие на понятието време, Габрово, ТУ - Габрово, ДР „Приложение на зъбните
предавки в механизмите за време“, 2020, стр. 5-39
7. Кун Томас С., Структурата на научните революции, София, Изток - Запад, 2016, ISBN 9786191529193
8. Karabegović, I., Karabegović, E., Mahmić, M., Husak, E., Dašić, P., The Implementation of Industry 4.0 Supported by
Service Robots in Production Processes, Lecture Notes in Mechanical Engineeringthis, 2021, pp. 193–202
9. Karabegović, I., Turmanidze, R., Dašić, P., Global Trend of Implementation of Industrial Robots Relating to Industry 4.0,
Lecture Notes in Mechanical Engineeringthis, 2020, pp. 147–155
10. Proceeding 38 Int.Conference ICPE-S, Cacak, Serbia, ISBN 978-86-7776-252-0
1
tugrultorun.wordpress.com/2014/09/28/countingbaboon/
2
sites.google.com/site/rhythmtranscriptions/ishango-bone
3
historyofinformation.com
4
www.wikiwand.com/tr/Antik_Roma

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