МОДЕРНИЗАЦИЯ ТЕХНОЛОГИИ ПЕРЕРАБОТКИ ЗЕРНА СОВРЕМЕННЫМИ ИНФОРМАЦИОННЫМИ СРЕДСТВАМИ

МОДЕРНИЗАЦИЯ ТЕХНОЛОГИИ ПЕРЕРАБОТКИ ЗЕРНА СОВРЕМЕННЫМИ ИНФОРМАЦИОННЫМИ СРЕДСТВАМИ

Научная статья

Федотов В.А.*

ORCID: 0000-0002-3692-9722,

Оренбургский государственный университет, Оренбург, Россия

* Корреспондирующий автор (vital_asm[at]mail.ru)

Аннотация

В статье описаны особенности разделения зерновых смесей в сепараторах различных типов. Цифровизации в зерноперерабатывающей промышленности позволяет разрабатывать математические модели сепарирующих систем массового обслуживания. Разработаны алгоритмы анализа физических характеристик зерновой массы. Исследование продуктов переработки пшеницы базировалось на анализе размолотого зерна методами компьютерного зрения и искусственными нейронными сетями разработанными программными средствами. Сформированная классификация частиц помола зерна по геометрическим свойствам позволяет прогнозировать технологические характеристики качества пшеницы, в частности, показатель ее твердозерности с высокой точностью (погрешность оценки не более 3,7 %).

Ключевые слова: зерно, пшеница, переработка зерна.

MODERNIZATION OF GRAIN PROCESSING TECHNOLOGY VIA MODERN INFORMATION MEANS

Research article

Fedotov V.A.*

ORCID: 0000-0002-3692-9722,

Orenburg State University, Orenburg, Russia

* Corresponding author (vital_asm[at]mail.ru)

Abstract

The article describes the features of separation of grain mixtures in separators of various types. Digitalization in the grain processing industry makes it possible to develop mathematical models of separating queuing systems. The current study introduces algorithms for analyzing the physical characteristics of the grain mass. The study of wheat processing products is based on the analysis of ground grain by computer vision methods and artificial neural networks. The formed classification of grain grinding particles based on geometrical properties makes it possible to predict the technological characteristics of wheat quality with high accuracy, in particular the grain hardness (the estimation error is no more than 3.7%).

Keywords: grain, wheat, grain processing.

Введение

В странах Евросоюза наблюдается высокая зависимость посевов зерновых культур от погодных условий года. Так, в Великобритании в 2020 году собрано 9,65 млн. тонн [1]. Это на 40,5 % меньше по сравнению с 2019 годом, что объясняется сокращением посевов фермерами озимой пшеницы после сырой осени 2019 года. Также, низкий сбор пшеницы усугубила последующая засушливая весна. Сбор пшеницы в России в 2020 году составил около 88 млн тонн. В ближайшее пятилетие аграрии России за счет внедрения новых сортов пшеницы и модернизации технологий производства расширят посевные площади на 40 %. Это позволит увеличить выпуск пшениц твердых сортов до 2 млн тонн в год [2]. Стимуляция выработки твердой пшеницы будет подкреплена субсидированием на федеральном уровне – подготовлен соответствующий проект регламента выделения субсидий на производство такого зерна [3].

Актуальным является цифровизация подбора режима функционирования оборудования при сепарации зерна пшеницы. Важным аспектом увеличения эффективности переработки зерна является разработка моделей технологического процесса сепарации [4].

Современное развитие техники в сфере информационных технологий позволяют модернизировать существующие информационно-измерительные системы переработки зерна и разработать новые за счет разработки алгоритмов анализа физических характеристик зерновой массы [5].

Материалы и методы исследования

Изучали пшеницу 14 сортов Оренбургской области, натурный вес которой варьировался от 720 г до 850 г, влажность от 12,5 % до 14,7 %, стекловидность от 45 % до 100 %.

Характеристика помола. С целью получения образцов размола зерна были проведен пробные помолы зерна на лабораторной мельнице. Размалывалось по 10 кг зерна каждого образца. Помол произведен при пяти драных системах с отбором верхних сходов [6], [7], [8].

Проводили фрактографический анализ частиц помола, с помощью лабораторной установки (цифровая камера SonyIMX, мини-компьютер RaspberryPi4) анализировали изображения частиц созданными программными средствами с использованием библиотек технического зрения OpenCV, библиотек искусственных нейронных сетей Deeplearning4 [9]. 

Результаты и их обсуждение

Итог разделения зерновых смесей в сепараторе определен двумя видами случайностей. Первая (массовая) характеризуется взаимодействием частиц при высоких концентрациях на сепарирующем органе, одни частицы мешают другим беспрепятственно пройти разделение. Вторая (индивидуальная) обнаруживается при отсутствии массовой случайности, когда сепарируются одиночные частицы при сверхнизкой концентрации зернового потока. В этом случае результат разделения также заранее неизвестен, так как ориентация зерна в сепараторе случайно [10], [11], [12]. В рамках этого подхода вероятностный результат сепарации естественным образом учитывает влияние обеих составляющих.

При создании моделей сепарирующих систем массового обслуживания необходимо:

- представить рабочий орган в виде параллельно-последовательной системы сепарирующих элементов (ячеек триеров, отверстий решета, элементарных объемов воздушного канала и т. д.), которые будут выполнять роль каналов (приборов) сепарирующих систем;

- выразить интенсивности входного и выходного потоков зерна через технологические характеристики сепаратора, и в частности через производительность;

- определиться с дисциплиной обслуживания (сепарации) зерновых частиц (заявок) в элементах рабочего органа: очередностью, степенью надежности, терпеливостью, приоритетом и т. д.;

- описать возможные состояния рабочего органа (на обслуживании нет ни одной зерновки; одна зерновка; две; три и т.д.) [13].

Определенная таким образом модель позволяет стандартными для теории массового обслуживания методами получить уравнения для расчетов вероятностных характеристик сепарирующей системы [14].

Исследования показали, что результат сепарации естественным образом зависит от индивидуальной и массовой составляющих случайности процесса сепарации. При этом оно предсказывает существование двух групп сепараторов, одна из которых допускает возможность разделения по одной частице, другая - не допускает. К первой группе относятся большинство известных типов сепараторов (воздушные, решетные, электрические, магнитные, оптические и т. д.), а ко второй - только дисковый триер и решетные модули высокой интенсивности, которые отличаются несколько большими размерами отверстий решет, чем сепарируемые частицы. Кроме того, оно верно отражает известные экспериментальные зависимости качества сепарации от удельной нагрузки и скорости зернового потока, от производительности и т. д. [15].

Необходимо изучить состояние сепарирующей системы, когда ее производительность стремится к нулю, физически представляющее собой сепарацию одиночных частиц, и поэтому требующий использования классических моделей известных сепараторов, т. е. таких моделей, которые не что иное, как известные уравнения динамики. Характер таких уравнений определяется начальными условиями движения, физическими свойствами зерновых частиц, режимами работы сепарирующего органа. Имея достаточную вычислительную мощность, можно для сепараторов различных видов на любых задаваемых режимах рассчитывать вероятность выхода разных компонентов зерновых смесей при сверхнизкой производительности. Таким образом, предлагаемый подход к моделированию позволил для сепараторов самых различных видов практически рассчитать (прогнозировать) гостируемые показатели качества (выход и содержание компонентов смеси во фракциях) на любых заданных режимах работы, включая производительность.

На базе моделей отдельных сепараторов создалась возможность прогнозировать качество разделения смесей в технологических линиях очистки зерна и решать следующие оптимизационные задачи:

- очистка партии зерна (известен состав и содержание компонентов смеси) на жесткой технологической линии (известно число сепараторов, их тип и последовательность установки) в заданных режимах работы каждого сепаратора; модель ответит - будет ли эта смесь очищена до требований ГОСТа и какой при этом будет выход;

- очистка партии зерна до требований ГОСТа на жесткой технологической линии; модель определит - все ли сепараторы в этой линии должны работать и на каких режимах, какие фракции основные и какой при этом будет выход, на сколько он больше, чем в базовой линии;

- очистка партии зерна до требований ГОСТа на гибкой технологической линии; модель определит число, тип и последовательность сепараторов в такой линии, основные фракции и режимы работы каждого сепаратора, выход очищенного зерна и превышение по сравнению с базовой линией.

Цифровизации в зерноперерабатывающей промышленности включают в себя методы оценки качества зерна по различным физико-химическим показателям. Так, существуют методики оценки засоренности и стекловидности зерна алгоритмами компьютерного зрения. Для повышения эффективности зерноочистительных машин используют методы отделения примесей от зерна по оптическим свойствам – фотосепарация или фотоочистка. Для фотосепарации используют высокоскоростное сканирование зерновой массы и последующая обработка изображений по заранее заданному алгоритму (отличительному критерию). Зерно может быть отсортировано по размеру, цветовым характеристикам, форме и прочим признакам.

Зерновое сырье в потоке равномерно однослойно распределяется благодаря вибропитателям, что позволяет отсканировать изображение каждой отдельной частицы. Селекция частиц осуществляется с помощью воздушных струй (за счет пневмоэжектора), перенаправляя примеси или некондиционное зерно в резервуар для отходов. Современные методики фотосепарации позволяет сортировать сырье по целому набору свойств, по отдельности и по совокупности, получая продукт с максимально возможными технологическим свойствами.

Дополнительная информация о качестве исследуемого сырья может быть получена при использовании вместо света видимого диапазона инфракрасного или ультрафиолетового освещения зерна. Различные участки зерна отражают несколько отличные длины волн. Так, эндосперм (его размол) характеризуется большим коэффициентом отражения в ИК-диапазоне по сравнению с зародышем. Цветовой анализ также можно использовать для распределения продуктов переработки зерна по фракциям (по морфологическим признакам частей зерна - зародыш, эндосперм, отруби).

Повысить информативность гранулометрического анализа возможно за счет современных информационных средств. Исследование продуктов переработки пшеницы базировалось на анализе размолотого зерна методами компьютерного зрения (оценка размера и формы частиц) разработанным программным средством.

В практике мукомольной промышленности для классификации зерна часто пользуются показателем его стекловидности, однако данный показатель не в полной мере характеризует мукомольные достоинства у пшениц разных сортов (генотипический фактор). Изменчивость стекловидности также связана с почвенно-климатическими, агротехническими условиями (фенотипический фактор). Ввиду чего для количественной оценки консистенции и прочностных свойств зерна предлагается пользоваться показателем твердозерности зерна. Прямые методы определения этого показателя твердомерами трудоемки и потому практически не нашли применения в широкой практике.

В исследованиях пользовались компьютерным зрением и искусственными нейронными сетями для нахождения и классификации частиц помола зерна по геометрическим свойствам. Учитывались характеристики контуров изображений частиц помола. Алгоритм анализа включает в себя следующие действия: из центров тяжести фигур выделяют отрезки к периметру фигуры, вычисляют средневзвешенное значение их длин (X, в микрометрах) и коэффициент вариации (Y, безразмерная величина). Совместный учет показателей позволяет прогнозировать некоторые технологические характеристики качества зерна. Анализ образцов 14 сортов пшеницы Оренбургской области обнаружил значимые связи с показателем твердозерности (H, в кг/мм²) зерна. Установлена зависимость (погрешность не более 3,7 %)

     (1)

Заключение

На основе полученных математических моделей переработки зерна разработаны программные средства, обеспечивающие повышение прогностической способности качества и оптимизацию сепарации зерна. Выявлены особенности формирования прочностных качеств пшеницы, сформирована методика оценки твердозерности зерна с помощью современных средств цифровизации в зерноперерабатывающей отрасли.

Конфликт интересов Не указан.

Conflict of Interest None declared.

Список литературы / References

1. Федотов В. А. Информационно-измерительная система определения потребительских свойств пшеницы / В. А. Федотов, П. В. Медведев // Вестник Оренбургского государственного университета. – 2013. – № 3. – С. 140-145.
2. Пищевая химия / А. П. Нечаев, С. Е. Траубенберг, А. А. Кочеткова и др. Под ред. А. П. Нечаева. – СПб.: ГИОРД, 2001. – 592 с.
3. Тарасенко, Ф. П. Прикладной системный анализ (наука и искусство решения проблем): Учебник / Ф. П. Тарасенко. - Томск; Издательство Томского университета, 2004. – 128 с.
4. Медведев, П. В. Информационно-измерительные системы управления потребительскими свойствами зерномучных товаров / П. В. Медведев, В. А. Федотов // Современные тенденции в экономике и управлении: новый взгляд : монография. – Оренбург: ООО «Агентство «Пресса», 2013. – С. 35-51.
5. Медведев, П. В. Комплексная оценка потребительских свойств зерна и продуктов его переработки / П. В. Медведев, В. А. Федотов, И. А. Бочкарева // Международный научно-исследовательский журнал. - 2015. - № 7-1 (38). - С. 77-80.
6. Беркутова, Н. С. Микроструктура пшеницы / Н. С. Беркутова, И. А. Швецова. - М.: Колос, 1977. - 122 с.
7. Shewry P.R. Wheat / P.R. Shewry // J. Exp. Bot., 60. 2009.
8. G. Bradsky, A. Kaehler. Learning / G. Bradsky, A. Kaehler. // OpenCV. 2008.
9. Шепелев, А. Ф. Товароведение и экспертиза электротоваров: учебное пособие для вузов / А. Ф. Шепелев, И. А. Печенежская. - Ростов-на-Дону: Феникс, 2002. - 192 с.
10. Manley M. Agric / M. Manley, P. Williams, D. Nilsson et al. // Food Chem, 57. 2009.

Список литературы на английском языке / References in English

1. Fedotov V. A. Informatcionno-izmeritel`naia sistema opredeleniia potrebitel`skikh svoi`stv pshenitcy` [Information and measurement system for determining the consumer properties of wheat] / V. A. Fedotov, P. V. Medvedev // Vestneyk Orenburgskogo gosudarstvennogo universiteta [Bulletin of the Orenburg State University]. – 2013. – № 3. – P. 140-145. [in Russian]
2. Pishchevaia himiia [Food Chemistry] / Nechaev A. P., Traubenberg S. E., Kochetkova A. A. et al. ed. A. P. Nechaeva. – SPb.: GIORD, 2001. – 592 p. [in Russian]
3. Tarasenko, F. P. Pricladnoi` sistemny`i` analiz (nauka i iskusstvo resheniia problem): Uchebnik [Applied System Analysis (the Science and Art of Problem Solving): Textbook] / F. P. Tarasenko. - Tomsk; Publishing house of Tomsk university, 2004. – 128 p. [in Russian]
4. Medvedev, P. V. Informatcionno-izmeritel`ny`e sistemy` upravleniia potrebitel`skimi svoi`stvami zernomuchny`kh tovarov [Information and measurement systems for managing consumer properties of grain products] / P. V. Medvedev, V. A. Fedotov // Sovremenny`e tendentcii v e`konomike i upravlenii: novy`i` vzgliad : monografiia [Modern trends in Economics and Management: a new look: monograph]. – Orenburg: OOO «Agentstvo «Pressa», 2013. – P. 35-51. [in Russian]
5. Medvedev, P. V. Kompleksnaia ocenka potrebitel`skikh svoi`stv zerna i produktov ego pererabotki [Comprehensive assessment of consumer properties of grain and its processed products] / P. V. Medvedev, V. A. Fedotov, I. A. Bochkareva // Mezhdunarodny`i` nauchno-issledovatel`skii` zhurnal [International Research Journal]. - 2015. - № 7-1 (38). - P. 77-80. [in Russian]
6. Berkutova, N. S. Mikrostruktura pshenitcy` [Microstructure of wheat] / N. S. Berkutova, I. A. Shvetcova. - M.: Kolos, 1977. - 122 p. [in Russian]
7. Shewry P.R. Wheat / P.R. Shewry // J. Exp. Bot., 60. 2009.
8. G. Bradsky, A. Kaehler. Learning / G. Bradsky, A. Kaehler. // OpenCV. 2008.
9. Shepelev, A. F. Tovarovedenie i e`kspertiza e`lektrotovarov: uchebnoe posobie dlia vuzov [Commodity science and expertise of electrical goods: a textbook for universities] / A. F. Shepelev, I. A. Pechenezhskaia. - Rostov-na-Donu: Feniks, 2002. - 192 p. [in Russian]
10. Manley M. Agric / M. Manley, P. Williams, D. Nilsson et al. // Food Chem, 57. 2009.