Pages Navigation Menu

ISSN 2227-6017 (ONLINE), ISSN 2303-9868 (PRINT), DOI: 10.18454/IRJ.2227-6017
ЭЛ № ФС 77 - 80772, 16+

DOI: https://doi.org/10.23670/IRJ.2021.108.6.017

Скачать PDF ( ) Страницы: 104-106 Выпуск: № 6 (108) Часть 1 () Искать в Google Scholar
Цитировать

Цитировать

Электронная ссылка | Печатная ссылка

Скопируйте отформатированную библиографическую ссылку через буфер обмена или перейдите по одной из ссылок для импорта в Менеджер библиографий.
Медведев П. В. РАЗРАБОТКА ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ СИСТЕМ ПЕРЕРАБОТКИ ЗЕРНА / П. В. Медведев, В. А. Федотов, С. Ю. Соловых и др. // Международный научно-исследовательский журнал. — 2021. — № 6 (108) Часть 1. — С. 104—106. — URL: https://research-journal.org/technical/razrabotka-informacionno-izmeritelnyx-sistem-pererabotki-zerna/ (дата обращения: 18.09.2021. ). doi: 10.23670/IRJ.2021.108.6.017
Медведев П. В. РАЗРАБОТКА ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ СИСТЕМ ПЕРЕРАБОТКИ ЗЕРНА / П. В. Медведев, В. А. Федотов, С. Ю. Соловых и др. // Международный научно-исследовательский журнал. — 2021. — № 6 (108) Часть 1. — С. 104—106. doi: 10.23670/IRJ.2021.108.6.017

Импортировать


РАЗРАБОТКА ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ СИСТЕМ ПЕРЕРАБОТКИ ЗЕРНА

РАЗРАБОТКА ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ СИСТЕМ ПЕРЕРАБОТКИ ЗЕРНА

Научная статья

Медведев П.В.1, Федотов В.А.2, *, Соловых С.Ю.3, Лукьянова Е.С.4

2 ORCID: 0000-0002-3692-9722;

1, 2, 3, 4 Оренбургский государственный университет, Оренбург, Россия

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

Аннотация

В статье представлены основы функционирования информационно-измерительных систем для оптимизации процесса переработки зерна пшеницы. На качество продуктов переработки зерна оказывают влияние как погодно-климатические факторы, так и технологии помола. Современное развитие техники в сфере информационных технологий позволяют модернизировать существующие информационно-измерительные системы переработки зерна и выработать новые за счет разработки алгоритмов анализа физических характеристик зерновой массы. Для исследований проводили пробные помолы зерна пшеницы разных сортов на лабораторной мельнице. Для повышения выхода готового продукта используется цифровизация подбора оптимальных режимов сепарации зерна. Полученные математические модели дали возможность спрогнозировать качество разделения зерновых в сепараторах самых различных типов. Перспективным является повышение информативности гранулометрического анализа за счет использования современных интеллектуальных (информационно-измерительных) систем. Для классификации пшеницы по мукомольным свойствам предложено пользоваться показателем твердозерности зерна. В исследованиях пользовались компьютерным зрением и искусственными нейронными сетями для нахождения и систематизации частиц помола зерна по геометрическим свойствам. Учитывались характеристики контуров изображений частиц помола. При сравнении получаемых разработанной информационно-измерительной системой значений с гостовскими методами определена погрешность описываемой системы, для оценки твердозерности она составляет не более 3,5 %.

Ключевые слова: твердозерность, зерно пшеницы, вальцовые установки, размол зерна.

ON THE DEVELOPMENT OF INFORMATION AND MEASUREMENT SYSTEMS FOR GRAIN PROCESSING

Research article

Medvedev P.V.1, Fedotov V.A.2, *, Solovykh S.Yu.3, Lukyanova E.S.4

2 ORCID: 0000-0002-3692-9722;

1, 2, 3, 4 Orenburg State University, Orenburg, Russia

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

Abstract

The article presents the basics of the functioning of information and measurement systems for optimizing wheat grain processing. The quality of grain processing products is influenced by both weather and climatic factors, as well as grinding technologies. The modern development of technology in the field of information technology allows for modernizing the existing information and measurement systems of grain processing and create new ones by developing algorithms for analyzing the physical characteristics of the grain mass. For research purposes, trial grinding of wheat grains of different varieties was carried out in a laboratory mill. To increase the yield of the finished product, the research uses the digitalization of the selection of optimal grain separation modes. The obtained mathematical models made it possible to predict the quality of grain separation in separators of various types. The promising method of increasing the informativeness of granulometric analysis proved to be the use of modern intelligent (information and measurement) systems. For the classification of wheat by milling properties, it is proposed to use the indicator of grain hardness. The researchers used computer vision and artificial neural networks to find and systematize grain grinding particles by their geometric properties taking into account the characteristics of the contours of the images of the grinding particles. When comparing the values obtained by the developed information and measurement system with the GOST methods, the study defines the error of the described system, which, for the evaluation of grain hardness, is not higher than 3.5 %.

Keywords: hard grain, wheat grain, roller plants, grain grinding.

Введение

Поскольку более 40 % пшеницы твердых яровых сортов возделывается в Оренбургской области, в 2020 году правительством Российской Федерации было решено провести эксперимент на ее территории, расширив сельхоз площади этого зерна для нужд пищевой промышленности – до 400 тыс. га [1]. Твердые сорта пшеницы предпочтительно выращивать в условиях жаркого климата, в то же время такая пшеница более чувствительна к засухам. Из всех районов Оренбургской области таким условиям наиболее полно удовлетворяет Восточная зона [2]. Урожайность твердой пшеницы Оренбургской области в 2020 году составила 268,5 тыс. тонн, что составило 10,5 ц/га [3]. Помимо погодно-климатических факторов производство больших объемов зерна пшеницы сопряжено с возникающими трудностями при ее переработке [4].

Один из путей повышения выхода готового продукта – компьютеризация выбора оптимальных режимов работы сепараторов зерна. Поэтому очень важно разработать модели процессов сепарации, которые могли бы повысить эффективность производства [5]. Структурно-функционально-энергетический анализ сепараторов различных видов позволил установить, что каждый из них может рассматриваться как одна из разновидностей технических систем массового обслуживания. В системах такого рода протекают случайные процессы. Отсюда и возникла необходимость проанализировать характер случайностей (неопределенностей) процессов сепарации [6]. Перспективно использование в технологии помола пшениц, особенно твердых сортов, информационно-измерительных систем, позволяющих повысить качество продуктов переработки зерна и на ранних стадиях прогнозировать качество.

Материалы и методы исследования

Изучению подвергалось зерно пшеницы 14 сортов Оренбургской области. 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 [7]. Фрактографический анализ производили на лабораторной установке из цифровой камеры Sony IMX, мини-компьютера Raspberry Pi 4, которым осуществлялась обработка изображений. Анализ изображений производился разработанным программным обеспечением на основе библиотеки алгоритмов технического зрения OpenCV под управлением операционной системы Arch Linux, Deeplearning4j – одним из свободных комплектов для обучения глубоких нейронных сетей [8], [9].

Результаты и их обсуждение

В ходе экспериментов выяснилось, что результат разделения зерновых смесей во многих известных сепараторах определяется случайностями двух видов. Одна из них обусловлена взаимодействиями частиц при высоких концентрациях на сепарирующем органе. В этом случае одни частицы мешают другим беспрепятственно пройти разделение (например, в отверстиях решета). Другая составляющая неопределенности проявляется при отсутствии массовой составляющей, когда сепарируются одиночные частицы при сверхнизкой концентрации зернового потока. В этом случае также результат разделения заранее неизвестен, так как положение вытянутой зерновки в сепарирующем элементе случайно (например, в отверстии решета). Между этими составляющими случайностей существует глубокая взаимосвязь. Она проявляется при постепенном повышении производительности сепарации от сверхнизких значений до реальных, когда результат сепарации вначале зависит только от одной индивидуальной составляющей при постепенном возрастании. В существующих подходах к моделированию процессов сепарации рассматривается или только индивидуальная составляющая (классические модели движения одиночных зерновок через рабочие органы), или только массовая (кинетические модели процессов сепарации). Из этого следует, что модели первого вида при реальных производительностях завышают результат сепарации (не учитывается влияние массовой составляющей), а модели второго вида – занижают (не учитывается влияние индивидуальной составляющей) [10].

Для повышения точности прогнозирования результатов сепарации предлагается моделировать изучаемые процессы при помощи аппарата теории массового обслуживания. Исследование 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, а ко второй – только дисковый триер и решетные модули высокой интенсивности, которые отличаются несколько большими размерами отверстий решет, чем сепарируемые частицы. Полученные математические модели дают возможность спрогнозировать качество разделения зерновых в сепараторах самых различных типов, и в частности первой группы. Для этого требуется создать методику и найти алгоритм расчета его составляющих.

Для такого расчета необходимо исследовать такое состояние в модели сепарирующей системы массового обслуживания, когда производительность стремится к нулю. Физически это случай сепарации на одиночных частицах, и поэтому он требует использования классических моделей известных сепараторов, т. е. таких моделей, которые не что иное, как известные уравнения динамики. Традиционно их считают детерминированными. Однако эти уравнения не являются ни детерминированными, ни стохастическими. Действительно, если зафиксировать эти параметры, то частицы получат одну единственную траекторию; а если в широких пределах варьировать начальными условиями и физическими свойствами зерновых компонентов смесей, и режимами работы, то получим большое разнообразие траекторий зерновых частиц, причем попавших в разные фракции сепаратора. Это разнообразие можно рассматривать как многочисленные реализации стохастического процесса и подтверждение того, что классические модели – вырожденные состояния случайного процесса, протекающего в сепарирующих системах массового обслуживания.

Цифровизации в зерноперерабатывающей промышленности включают в себя методы оценки качества зерна по различным физико-химическим показателям. Перспективным является повышение информативности гранулометрического анализа за счет интеллектуальных (информационно-измерительных) систем. В практике мукомольной промышленности для классификации зерна часто пользуются показателем стекловидности, однако данный показатель не в полной мере характеризует мукомольные достоинства у пшениц разных сортов. Ввиду чего для количественной оценки прочностных свойств зерна предлагается пользоваться показателем твердозерности. 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. Методика прогнозирования прочностных свойств зерна по показателю твердости основывается на анализе характеристик контуров изображений частиц помола (патенты РФ № 2433398, № 2442132, № 2433398). 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 (Z, в кг/мм²) зерна.

Установлена зависимость вида

11-07-2021 16-19-23    (1)

При сравнении получаемых в модели значений с гостовскими методами была определена погрешность описываемого метода для оценки твердозерности не более 3,5 %. Альтернативная методика прогнозирования прочностных свойств зерна использует классификацию частиц помола искусственными нейронными сетями по признаку схожести с геометрическими фигурами: круг, квадрат, треугольник и пр. (свидетельство о гос.рег. прогр. № 2011610605).

Заключение

На основе таких моделей разработано программное обеспечение информационно-измерительной системы технологической линии очистки зерна. С его помощью удалось улучшить прогностическую способность качества разделения смесей в линиях очистки зерна и оптимизировать очистку партии зерна в заданных режимах работы конкретного сепаратора. Выведены закономерности формирования прочностных свойств зерна пшеницы на основе анализа продуктов помола зерна. Предложена методика прогнозирования показателя твердости зерна за счет использования современных средств информатизации зерноперерабатывающей отрасли хозяйства.

Конфликт интересов

Не указан.

Conflict of Interest

None declared.

Список литературы / References

  1. 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.
  2. Беркутова, Н. С. Микроструктура пшеницы / Н. С. Беркутова, И. А. Швецова. – М.: Колос, 1977. – 122 с.
  3. Shewry P.R. Wheat / P.R. Shewry // J. Exp. Bot., 60 (2009).
  4. Bradsky G. Learning OpenCV / G. Bradsky, A. Kaehler. 2008.
  5. 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.
  6. Нечаев А. П. Пищевая химия / А. П. Нечаев, С. Е. Траубенберг, А. А. Кочеткова и др. ; Под ред. А. П. Нечаева. – СПб.: ГИОРД, 2001. – 592 с.
  7. Тарасенко, Ф. П. Прикладной системный анализ (наука и искусство решения проблем): Учебник / Ф. П. Тарасенко. – Томск; Издательство Томского университета, 2004. – 128 с.
  8. 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.
  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. 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]
  2. Berkutova, N. S. Mikrostruktura pshenitcy` [Microstructure of wheat] / N. S. Berkutova, I. A. Shvetcova. – M.: Kolos, 1977. – 122 p. [in Russian]
  3. Shewry P.R. Wheat / P.R. Shewry // J. Exp. Bot., 60 (2009).
  4. Bradsky G. Learning OpenCV / G. Bradsky, A. Kaehler. 2008.
  5. 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]
  6. Nechaev A. P. Pishchevaia himiia [Food chemistry] / A. P. Nechaev, S. E. Traubenberg, A. A. Kochetkova et al. ; ed. A. P. Nechaeva. – SPb.: GIORD, 2001. – 592 p. [in Russian]
  7. 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; Tomsk university Publishing house, 2004. – 128 p. [in Russian]
  8. 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]
  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).

Оставить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Лимит времени истёк. Пожалуйста, перезагрузите CAPTCHA.