Аннотації

Автор(и):
Криворучко О. В., Костюк Ю. В., Цюцюра М. І.
Автор(и) (англ)
Kryvoruchko Olena , Kostiuk Yuliia , Tsiutsiura Mykola
Дата публікації:

05.12.2021

Анотація (укр):

Технологічні процеси харчової промисловості характеризуються невизначеністю та складністю процесу, які залежать від багатьох факторів, починаючи від самого складу сировини і закінчуючи фізико-хімічними властивостями продукції на всіх етапах її виробництва. Все це збільшує можливості коливань параметрів самого процесу і якості кінцевого продукту. Ефективність функціонування промислових об’єктів тісно пов’язана з дотриманням технологічних алгоритмів і функціональних параметрів цих об’єктів. Надто важливою процедурою у процесі їх експлуатації є контроль їхніх технологічних параметрів і діагностування стану вузлів, що досягається впровадженням відповідних систем контролю та діагностування. Задля вирішення завдань візуального відображення впливу вхідних параметрів на показники якості продукції проведено теоретичні дослідження щодо ідентифікації нестаціонарних динамічних технологічних процесів. Важливим етапом дослідження реальних об’єктів є визначення параметрів і структури математичної моделі, що забезпечують найкращий збіг вихідних координат моделі й об’єкта при однакових вхідних впливах. Вибір математичної моделі залежить від низки умов, найважливішими з яких є: мета, якій модель має служити; необхідна точність опису реального процесу; критерій адекватності моделі й об'єкта; ступінь вивченості технологічного процесу. Перехід від етапу побудови моделі до її застосування проводиться шляхом перевірки її на адекватність. При цьому умовою адекватності моделі є можливість застосування отриманої моделі для розв’язання тієї задачі, задля якої вона будується. Останнім часом для моделювання динамічних систем і процесів широко використовують методи аналізу інтервальних даних, які дають можливість отримати гарантовані оцінки прогностичних властивостей динамічних систем за результатами незначної кількості спостережень за вихідною змінною.

Анотація (рус):

Анотація (англ):

Technological processes of the food industry are characterized by uncertainty and complexity of the process, which depend on many factors, from the composition of raw materials to the physico-chemical properties of products at all stages of its production. All this increases the possibility of fluctuations in the parameters of the process and the quality of the final product. The efficiency of industrial facilities is closely related to compliance with technological algorithms and functional parameters of these facilities. A very important procedure in their operation is the control of their technological parameters and diagnosing the condition of the nodes, which is achieved by implementing appropriate control and diagnostic systems. In order to solve the problem of visual display of the influence of input parameters on product quality indicators, theoretical research was conducted in the field of identification of non-stationary dynamic technological processes. An important step in the study of real objects is to determine the parameters and structure of the mathematical model that provide the best match between the original coordinates of the model and the object under the same input influences. The choice of mathematical model depends on a number of conditions, the most important of which are: the purpose for which the model should serve; the accuracy of the description of the real process is necessary; criterion of adequacy of model and object; degree of study of the technological process. The transition from the stage of model construction to its application is carried out by checking its adequacy. The condition for the adequacy of the model is the ability to use the resulting model to solve the problem for which it is built. Recently, for the modeling of dynamic systems and processes, methods of analysis of interval data are widely used, which make it possible to obtain guaranteed estimates of the predictive properties of dynamic systems based on a small number of observations of the original variable.

Література:

  1. Іванюк В. А., Федорчук В. А. Адаптивний метод ідентифікації моделей нелінійних динамічних систем інтегральними рядами Вольтерри. Інформаційні технології та комп’ютерне моделювання. 2019. Том 41. № 3. С. 33–42.
  2. Жигайло О. М. Статистична ідентифікація моделей динаміки та ії застосування у задачах адаптивного управління: автореф. дис.. канд. техн. наук, 05.13.07. Одес. держ. політехн. ун-т, Одеса, 2001.
  3. Мокін Б. І., Мокін О. Б. Метод ідентифікації нелінійних динамічних об’єктів з екстремальними статичними характеристиками. Наукові Праці ВНТУ. 2009. Вип. 2. С. 1–8.
  4. Коваль А. В. Ідентифікація та моделювання технологічних об’єктів. Житомир, Україна: ЖДТУ. 2018.
  5. Pavlenko V. D. Interpolation Method of Nonlinear Dynamical Systems Identification Based on Volterra Model in Frequency Domain in Proceedings of the 7th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS’2013), Berlin, Germany, 2013. рр. 173–178.
  6. Марасанов В. В., Димова Г. О. Евристичні підходи до аналізу динамічних об’єктів по вихідним сигналам. Проблеми інформаційних технологій, 2017. №1 (022). С. 134–141.
  7. Крих Г. Б., Матіко Г. Ф., Кріль Б. А. Моделювання системи керування з регулятором на підставі внутрішньої моделі. Scientific Bulletin of UNFU. 2019. Том 29. Вип. 9. С. 161–168.
  8. Хобін В. А., Жигайло О. М., Степанов М.Т. Порівняльний аналіз методів ідентифікації моделей динаміки. Удосконалення існуючих і розробка нових технологій для харчової промисловості: наук. пр. 1999. Вип 20. С. 192–196.
  9. Сільвестров А. М., Скринник О. М., Уманська К. В. Ідентифікація закономірності у вібраціях об’єкта для діагностики та прогнозування стану. Вісник Нац. техн. ун-ту “ХПІ”: зб. наук. пр. темат. вип.: Проблеми автоматизованого електроприводу. 2013. № 36 (1009). С. 478–479.
  10. Кропачек О. Ю. Исследование диагностических рисков параметрически неопределенной квадратической функции при диагностике промышленных объектов. Системи управління, навігації та зв’язку. 2017. № 5 (45). С. 56 – 59.
  11. Дивак М. П. Метод локалізації гарантованих оцінок в задачах параметричної ідентифікації. Вимірювальна та обчислювальна техніка в технологічних процесах. 2000. № 4. С. 12–17.
  12. Дивак М. П. Аналіз точності лінійної інтервальної моделі в задачах статичної ідентифікації. Вісник ДУ “Львівська політехніка”. Автоматика, вимірювання та керування. 1999. № 366. С. 31–35.

References:

  1. Ivanyuk, V., Fedorchuk, V. (2019). Adaptive method of identification of models of nonlinear dynamical systems by Volterra integral series. Information technology and computer modeling, 41, 3, 33–42.
  2. Zhyhailo, О. (2001). Statistical identification of dynamics models and its application in adaptive control problems: PhD thesis, 05.13.07. Odessa. state Polytechnic University.
  3. Mokin, B., Mokin, О. (2009). Method of identification of nonlinear dynamic objects with extreme static characteristics. NaukPratsi VNTU, 2, 1–8.
  4. Koval, A. (2018). Identification and modeling of technological objects. Zhytomyr, Ukraine: ZhSTU.
  5. Pavlenko, V. (2013). Interpolation Method of Nonlinear Dynamical Systems Identification Based on Volterra Model in Frequency Domain. Proceedings of the 7th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS'2013), Berlin, Germany, 173–178.
  6. Marasanov, V., Dimova, G. (2017). Heuristic approaches to the analysis of dynamic objects by output signals. Problems of information technology, 1 (022), 134–141.
  7. Krykh, G., Matiko, G., Krill, B. (2019). Modeling of control system with regulator based on internal model. Scientific Bulletin of UNFU, 29, 9, 161–168.
  8. Hobin, V., Zhigaylo, O., Stepanov, M. (1999). Comparative analysis of methods for identifying dynamics models. Improving existing and developing new technologies for the food industry, 20, 192–196.
  9. Silvestrov, A., Skrynnyk, O., Umanskaya, K. (2013). Identification of patterns in the vibrations of the object for diagnosis and prediction of the condition. Bulletin of the National tech. KhPI University: Coll. Science. etc. topic. issue: Problems of automated electric drive, 36 (1009), 478–479.
  10. Kropachek, O. (2017). Investigation of diagnostic risks of parametrically indeterminate quadratic function in the diagnosis of industrial facilities. Control, navigation and communication systems, 5 (45), 56–59.
  11. Divak, M. (2000). Method of localization of guaranteed estimates in parametric identification problems. Measuring and computing equipment in technological processes, 4, 12–17.
  12. Divak, M. (1999). Analysis of the accuracy of the linear interval model in static identification problems. Visn. Lviv Polytechnic State University. Automation, measurement and control, 366, 31–35.