Материал: А27819 Лазарев В.Л. Робастое управление

D

1,25

1,00

0,75

Рис. 5.3. Характерный вид спектральных кривых оптической плотности: 1 – салака горячего копчения; 2 – колбаса копченая; 3 – колбаса вареная

Как видно из приведенного рисунка, на представленных кривых отсутствуют участки с ярко выраженным избирательным поглощением. Похожая картина имеет место и для ряда других продуктов. В этих случаях для оценки удобно использовать значение величин оптической плотности в начале D1 и в конце D2 диапазона рассматриваемого спектра. Чаще всего в качестве такой оценки используется

показатель D1 , выраженный через отношение указанных плотностей.

D2

Такой подход формализует процесс исследования, но может привести к получению неоднозначных результатов, обусловленных неодно-

участков с ярко выраженным избирательным поглощением наиболее

Рассматриваемый метод оценки свойств продуктов получает все большее распространение. В настоящее время он весьма успешно

91

зарекомендовал себя при оценке цвета поверхностей многих копченых продуктов (рыбы, колбасных изделий и др.). Также успешно данный метод используется для оценки «свежести» мясного сырья, степени бактериальной обсемененности и др. Однако широкому внедрению такого метода непосредственно в производственную практику препятствует то обстоятельство, что для его реализации требуется сложное измерительное оборудование, выполненное на основе спектрофотометра. Применение встроенных ЭВМ позволяет повысить оперативность обработки измерительной информации, расчета различных характеристик, автоматизировать процесс измерения. Однако и в этом случае длительность одного цикла измерения, включая подготовку и загрузку образца, снятие кривой оптической плотности в заданном диапазоне длин волн, обработку результатов, выгрузку образца, составляет от нескольких минут до десятков и более минут. Подобных примеров можно привести множество.

Следует также отметить, что использование дорогостоящих приборов контроля состава и свойств пищевого сырья и продуктов, сани- тарно-гигиенических показателей для мелких и средних предприятий зачастую оказывается экономически нецелесообразным. Поэтому в таких случаях для проведения соответствующих измерений используют классические лабораторные методы анализа. Для проведения анализов применяют более доступное оборудование: комплекты химической посуды, различные химические реактивы, центрифуги, аналитические весы, микроскопы, сушильные шкафы, термостаты и др. При этом следует учитывать, что реализация таких методов анализа требует гораздо больших затрат времени, чем при использовании упомянутых выше автоматизированных анализаторов, и может достигать нескольких часов.

В связи с изложенным выше основной вывод по данному подразделу можно сформулировать следующим образом.

Проведение экспериментальных исследований случайных воздействий для технологических процессов биотехнологической промышленности в большинстве случаев связано со значительными материальными затратами и требует существенных затрат труда и времени. Поэтому являются весьма актуальными разработка и внедрение методов мониторинга и управления процессами и производствами на основании ограниченной измерительной информации, т. е. в услови-

92

ях априорной неопределенности. Это обстоятельство обусловливает актуальность и экономическую целесообразность внедрения методов робастного управления в биотехнологической промышленности.

5.3. Типовые математические модели характеристик случайных воздействий

Как известно, основными характеристиками случайного воздействия являются корреляционная функция и функция спектральной плотности. Поэтому ниже будут рассмотрены математические модели, получившие наибольшее распространение на практике. Предварительно необходимо отметить, что аппроксимация указанных функций по отдельным точкам, полученным экспериментальным путем, может быть осуществлена с любой точностью. Так, например, интерполяция зависимости для (n + 1) точки с помощью многочлена Лагранжа n-й степени позволит получить функцию, график которой проходит через все эти точки. В настоящее время существует множество методов аппроксимации зависимостей, заданных различными способами: табличным, аналитическим, графическим. Эти методы достаточно подробно описаны в специальной литературе. Зачастую получаемые в результате такой аппроксимации выражения искомых функций оказываются громоздкими и сложными для проведения дальнейших исследований и расчетов. Возникает необходимость их разумного упрощения или «округления». При этом необходимо сохранить основные имеющиеся тенденции в поведении указанных функций. Задача выбора математических моделей для характеристик случайных воздействий является одной из ответственных и не подлежащей формализации в практике экспериментального анализа случайных воздействий. Во многом эффективность решения такой задачи зависит от опыта, интуиции и квалификации исследователя. Наиболее типовые и употребительные варианты математических моделей корреляционных функций и соответствующих им спектральных плотностей приведены в табл. 5.1. Указанный набор вариантов моделей является достаточно полным для описания случайных воздействий, встречающихся в практике анализа и синтеза систем управления, и позволяет отразить основные тенденции в поведении

93

этих функций (интенсивность «затухания» функций, их характер: апериодический или колебательный и др.).

Таблица 5.1

Математические модели характеристик случайных воздействий

Приведенный в табл. 5.1 набор моделей не является исчерпывающим. В отдельных случаях возникает необходимость в более сложных моделях и методах описания случайных воздействий. Необходимые сведения можно найти в работах [1, 2, 5].

5.4. Методы моделирования и расчета характеристик случайных воздействий

Получение математических моделей характеристик случайных воздействий на основании теоретических исследований особенно актуально в случаях ограниченной измерительной информации об этих воздействиях, что, например, характерно для многих производств биотехнологической промышленности. Такие методы оказываются эффективными, когда случайная помеха, воздействующая на рассматриваемый технологический процесс, сформировалась в результате прохождения известного ранее случайного воздействия через ка- кое-либо звено, которое, например, может являться элементом вспомогательного оборудования для данного процесса. Соответствующий математический аппарат и различные примеры его применения рассмотрены в разд. 3.

94

В качестве другого примера эффективности разработки математических моделей случайных воздействий аналитическими методами можно привести ситуацию, когда ширина полосы пропускания анализируемого объекта, системы оказывается значительно более узкой, чем ширина спектра воздействия, и в этих пределах амплитуды гармоник постоянны. В таком случае достаточно адекватной моделью является модель «белого шума», которая описывается следующими характеристиками:

где a = const; (t) – дельта-функция.

Функция спектральной плотности имеет вид

в случайные моменты времени. Такая ситуация достаточно адекватно описывает случай, когда на обработку поступают различные виды сырья, обладающие разными характеристиками. Так, например, при изготовлении фарша для заданного сорта колбас довольно часто вследствие производственной необходимости используют разнородные партии мясного сырья (свинины, говядины и др.) и различных добавок (соя, крахмал и др.), поступивших от различных поставщиков и производителей. Естественно, что содержание отдельных компонентов (влаги, жира, белка, углеводов и др.) в общем потоке обрабатываемого сырья будет изменяться скачкообразно при поступлении каждой новой партии. Характерность такого типа воздействий для пищевой промышленности отмечена в работе [15]. Качественный вид изменения рассмотренного типа воздействия во времени приведен на рис. 5.4.

95