МОДЕЛЬ НЕЙРОННЫХ СЕТЕЙ ДЛЯ УПРАВЛЕНИЯ ТЕМПЕРАТУРОЙ В ХРАНИЛИЩАХ МАСЛИЧНЫХ КУЛЬТУР

АННОТАЦИЯ

В статье рассматривается разработка и реализация модели прогнозирования температуры в хранилищах масличных культур на основе многослойного перцептрона (MLP). Цель исследования — краткосрочное прогнозирование температуры с упреждением на 5 и 10 минут для повышения энергоэффективности климатических систем и обеспечения качества хранения. Модель реализована в MATLAB Neural Network Toolbox и обучена на данных, собранных в хранилище "KHANTEX OIL". Представлены параметры обучающего набора, архитектура сети и метрики качества прогноза. Полученные результаты сравниваются с фактическими измерениями и подтверждают высокую точность модели. Предложенная система может использоваться как компонент в интеллектуальных системах управления микроклиматом.

ABSTRACT

The article discusses the development and implementation of a model for predicting temperature in oilseed storage facilities based on a multilayer perceptron (MLP). The purpose of the study is short—term temperature forecasting with 5 and 10 minutes in advance to improve the energy efficiency of climate systems and ensure the quality of storage. The model is implemented in the MATLAB Neural Network Toolbox and trained on data collected in the KHANTEX OIL repository. The parameters of the training set, network architecture, and prediction quality metrics are presented. The results obtained are compared with the actual measurements and confirm the high accuracy of the model. The proposed system can be used as a component in intelligent climate control systems.

Ключевые слова: нейронные сети, контроль температуры, MLP, прогнозирование, хранилища масличных культур, энергоэффективность.

Keywords: neural networks, temperature control, MLP, forecasting, oilseed storage, energy efficiency.

Введение

Системы контроля микроклимата важны для энергоэффективности зданий, агропромышленных комплексов и промышленных процессов [1-5]. Основной параметр — температура, управление которой снижает энергопотребление, минимизирует экологический след и улучшает производительность.

Традиционные методы управления, такие как ПИД-регуляторы, имеют ограничения в адаптации и точности. В связи с этим растет популярность методов машинного обучения, в частности нейронных сетей, которые анализируют большие данные и адаптируются в реальном времени.

В статье рассматриваются нейронные сети для контроля температуры и их преимущества перед традиционными подходами. Акцент сделан на энергоэффективности, точности прогнозирования и адаптивности.

Цель работы — оценить эффективность современных моделей глубокого обучения для управления микроклиматом и предложить оптимальные решения для разных сфер. Результаты будут полезны разработчикам систем автоматизации и специалистам по энергосбережению.

Методология

Для решения задачи прогнозирования температуры в хранилищах масличных культур была выбрана модель искусственной нейронной сети типа многослойного перцептрона (MLP), которая характеризуется способностью к моделированию сложных нелинейных зависимостей между входными и выходными параметрами. Объектом моделирования выступал температурный режим внутри силосного хранилища, а целью построения модели являлось предсказание температуры с временным упреждением на 5 и 10 минут, что позволяет реализовать оперативную корректировку параметров работы вентиляционного и охлаждающего оборудования. Такой подход направлен на обеспечение стабильных условий хранения, минимизацию потерь качества продукции и повышение энергетической эффективности функционирования климатических систем.

Материалы и методы исследования

Задача управления микроклиматом в хранилищах — найти баланс между экономической эффективностью и качеством продукции, особенно при хранении масличных культур, где температура влияет на сохранность сырья. Разработаны две модели контроля параметров среды в зернохранилище.

 Модель — прогнозирование температуры с упреждением на 5 и 10 минут, что позволяет корректировать работу вентиляции и охлаждения, учитывая внешние воздействия на датчики.

Для температурной модели использована нейронная сеть MLP с гиперболической тангенциальной функцией активации [6-14].

Оценка точности работы моделей проводилась на основе расчета среднеквадратичной ошибки (MSE), которая определяется следующим уравнением 1:

Изображение - модели нейронных сетей для контроля температуры

                               (1)

где: MSE − среднеквадратическая ошибка, T − общее количество данных, n− количество выходных переменных, y_j^t − выходные переменные.

Программный пакет MATLAB Neural Networks Toolbox использовался для обучения, проверки и тестирования моделей прогнозирования ИНС(ANN).

По существу, колебания температуры внутри хранилища играют важную роль для хранимых сырья. Поэтому тепло внутри хранилищ должно быть минимальным, что подразумевает поддержание хорошего контроля температуры, близкой к оптимальному уровню. Итак, заданные значения температуры установлены на уровне 18°C для запуска системы охлаждени и 20°C для включения вентиляции.

Данные собирались каждые 5 минут (это временной шаг) с октября 2023 года. В качестве входных параметров для температурной модели использовались следующие переменные: средняя температура наружного воздуха (T_нр, °C), относительная влажность наружного воздуха (RHнр, %), солнечная радиация (SR, Wм^-2), относительная влажность в хранилище (RH, %), температура воздуха в хранилище с задержкой пяти минут и фактическая температура (T_t-1, T_t, °C). В свою очередь, используемые переменные в выходном слое представляли собой температуру внутреннего воздуха, измеренную пять и десять минут назад (T_t+1, T_t+2, °C).

Всего было доступно 780 точек данных, из которых 50% использовались для обучения, 25% для проверки и 25% для тестирования. Во время обучения шаблоны данных обрабатывались через ИНС до тех пор, пока не была достигнута минимально допустимая ошибка между измеренными и прогнозируемыми значениями в уравнении (1). Именно в этот момент ИНС научилась предсказывать интересующее поведение системы (т. е. значения выходных переменных) в ответ на значения входных переменных.

Модель температуры обучена за 103 итерации с ошибкой 0,0025. Архитектура: 3 уровня (входной — 10 узлов, скрытый — 9 узлов, выходной — 1 узел). Регрессия показала коэффициенты корреляции 0,997 и 0,994 для прогнозов на 5 и 10 минут вперёд.

В исследовании была разработана многослойная нейронная сеть перцептрона (MLP) с тремя различными уровнями: входным, скрытым и выходным. Входной слой состоит из 10 узлов, по одному для каждой независимой переменной, тогда как выходной слой состоит из 1 узла, для внутренней температуры в момент времени t₀. Что касается промежуточных слоев, то добавление одного скрытого слоя было выбрано потому, что, согласно теореме Колмогорова, в нейронной сети MLP один скрытый слой с подходящим количество узлов может дать надежные результаты для любого процесса.

Был использован метод проб и ошибок для поиска наилучшей архитектуры нейронной сети, наилучшего алгоритма обучения и функций активации. Для наилучшей архитектуры количество узлов внутри скрытого слоя время от времени менялось. Протестированными алгоритмами обучения были три наиболее известных алгоритма: алгоритм обратного распространения Левенберга-Марквардта, алгоритм обратного распространения байесовской регулирование и квази–ньютоновское обратное распространение Алгоритм Бройдена — Флетчера — Гольдфарба — Шанно (BFGS); также были протестированы четыре различные функции активации для скрытого слоя: логистическая сигмоида, гиперболическая касательная сигмоида, радиальный базис и положительная линейная. В таблице 1 представлены соответствующие команды на языке программирования MATLAB как для вышеуказанных алгоритмов обучения, так и для функций активации.

Благодаря полученным результатам в качестве обучающего алгоритма был использован алгоритм обратного распространения Левенберга–Марквардта, основанный на методе Ньютона. Алгоритм обучения LMBP является очень надежным и быстрым решением для MLP-нейронных сетей и оптимизации ошибки функции, состоящей из суммы квадратов нелинейных процессов. Логическая сигмоидальная и линейная были использованы в качестве функций активации для скрытого и выходного слоев соответственно. Наконец, в качестве функции выполнения использовалась среднеквадратичная ошибка (MSE).

 Таблица 1.

MATLAB для протестированных алгоритмов обучения и функций активации

В настоящем исследовании нейронная сеть MLP использовалась для прогнозирования температуры. Чтобы найти наилучшую архитектуру, а более конкретно количество узлов в скрытом слое, модель была обучена и протестирована в течение соответствующих периодов. После выполнения процедуры для разного количества узлов каждый раз (от 1 до 20) и на основе статистических показателей MAE, RMSE, R² и максимальной ошибки было обнаружено, что наилучшая структура нейронная сеть - 10-7-1, которая дала наиболее достоверные результаты за период тестирования. Структура модели, извлеченная из MATLAB, представлена на рисунке 1, тогда как значения вышеупомянутых показателей представлены в таблице 2 для температуры. В соответствии со специфической структурой нейронной сети были составлены следующие графики сравнения между наблюдаемыми и прогнозируемыми значениями двух переменных.

Рисунок 1. Структура модели ANN в MATLAB.

Таблица 2.

Статистические показатели сравнения наблюдаемых и прогнозируемых значений внутренней температуры

Процесс обучения модели был завершен через 89 этапов (рис. 2), когда среднеквадратичная ошибка проверки (MSE) увеличилась 6 раз подряд. Количество этапов было выбрано равным 83, где ошибка проверки имела минимальное значение, равное приблизительно 5,447 ×10^-5. Это значение было получено с помощью нормализованных входных и выходных переменных и отражает наилучшую производительность модели.

Рисунок 2. Сходимость среднеквадратичной ошибки с эпохами на протяжении всего процесса обучения и валидации

Что касается температуры в хранилище и на основе значений MAE и RMSE, которые были рассчитаны при 0,218 ℃ и 0,271 ℃, установлена способность модели прогнозировать температуру в достаточно удовлетворительной степени. В то же время значения MAE и RMSE незначительно отличаются друг от друга, что указывает на отсутствие больших ошибок, создаваемых моделью. То коэффициенты определения одинаковы для обоих параметров и равны 0,999, что свидетельствует об очень хорошей производительности модели. Наконец, максимальные погрешности равны 0,877 ℃ для температуры.

На рисунках 3 и 4 представлены временные ряды прогнозируемых и наблюдаемых значений температуры за 3 дня, использованные для тестирования модели, а также ошибки между соответствующие значения. Как показано на рис. 3, модель в значительной степени предсказала температуру, и наибольшие ошибки возникают в дневные часы, когда температура имеет высокие значения, но также и резкие изменения (рис. 4). Эти ошибки потенциально можно уменьшить, добавив больше выборок перед обучением модели.

Рисунок 3. Сравнение между прогнозами температуры в хранилище и наблюдениями за период тестирования и структурой 10-7-1 NN

Рисунок 4. Ошибки между прогнозами температуры в хранилище и наблюдениями за период тестирования и структурой 10-7-1 NN

Таблица 3.

Характеристики параметров микроклимата

На рисунке 6 показаны результаты моделирования: среднеквадратическая ошибка между измеренными и прогнозируемыми значениями температуры составила 0,008 и 0,0295 для температуры на 5 и 10 минут вперед соответственно.

Рисунок 6. Прогнозы температуры с использованием другого набора данных

Заключение

Температурная модель нейронной сети была успешно разработана для прогнозирования температуры в хранилище «KHANTEX OIL». На основе данных силоса №1 модель точно предсказала изменение температуры на 5 и 10 минут вперёд. Анализ чувствительности показал важность относительной влажности. Цель — внедрить модели прогнозирования в систему управления с разомкнутым контуром, где ИНС будет использоваться для замены датчиков или предоставления прогноза для улучшения управления. Важно, чтобы процесс обучения был прерывистым, чтобы ИНС могла адаптироваться к изменениям условий.

Список литературы:

1. Yusupbekov N.R., Sh. M. Gulyamov, A. N. Yusupbekov, N. A. Kabulov “Simulation of Chemical-Technological Complexes” // Advances in Intelligent Systems and Computing. Springer Nature, Prague, Czech, 2019.−Vol.1095. −рр. 588-595.
2. Kabulov N.A. “Construction of intellectual industrial storages of perishable vegetable raw materials” // International scientific and technical journal «Chemical Texnology.Control and Management». Tashkent, 2019. -№ 3. –PP. 30-37.
3. Kabulov N.A. Control systems for technological complexes in the processing of oilseeds in small batches // Universum: technical sciences: electron. scientific magazine 2020. 12(81). URL: https://7universum.com/ru/tech/archive/item/11021.
4. N.A.Kabulov. Analysis of the technological process conditions of oil raw materials storage and the mathematical model refinement// International scientific and technical journal «Chemical Texnology.Control and Management». Tashkent, 2022. -№ 4-5. –pp. 165-173.
5. Kabulov, N.A. Structural model of the technological process of storage and processing of oil raw materials/ Chemical Technology, Control and Management: Vol. 2023: Iss. 1, Article 10. DOI: https://doi.org/10.59048/2181-1105.1433.
6. Aslan M.F., Durdu A., Sabanci K. and etc. A Comprehensive Survey of the Recent Studies with UAV for Precision Agriculture in Open Fields and Greenhouses// Appl. Sci. −2022, 12, −pp.1047.
7. Singh V.K., Tiwari K.N. Prediction of greenhouse micro-climate using artificial neural network// Appl. Ecol. Environ. Res. −2017, 15, −pp.767–778.
8. Shamshiri R.R., Jones J.W., Thorp K.R. and etc. Review of optimum temperature, humidity, and vapour pressure deficit for microclimate evaluation and control in greenhouse cultivation of tomato// A review. Int. Agrophys. −2018, 32, −pp. 287–302.
9. Nørgaard, M., Ravn, O., Poulsen, N.K., Hansen, L.K. (2000). Neural Networks for Modelling and Control of Dynamic Systems. Springer.
10.  Haykin, S. (2008). Neural Networks and Learning Machines (3rd ed.). Pearson Education.
11. Kumar, R., et al. (2021). "Smart climate control in agricultural storage using LSTM-based predictive models". Computers and Electronics in Agriculture, 180, 105903.
12. Zhang, Y., et al. (2020). "Energy-efficient warehouse temperature control via deep reinforcement learning". Applied Energy, 264, 114694.
13. Francik S., Kurpaska, S. The Use of Artificial Neural Networks for Forecasting of Air Temperature inside a Heated Foil Tunnel// −Sensors 2020, 20, −p.652.
14. Choab N., Allouhi A., El Maakoul A. and etc. Review on greenhouse microclimate and application: Design parameters, thermal modeling and simulation, climate controlling technologies// Sol. −Energy 2019, 191, −pp.109–137.