Selecting a Strategy for Determining the Combine Harvester Parameter Settings

Full Text

Введение

Эффективность уборочных работ в значительной степени определяется установленными значениями регулируемых параметров зернокомбайна. Недостаточно точная предварительная технологическая настройка рабочих органов комбайна, неработоспособное состояние его агрегатов, изменение внешних условий приводят к снижению показателей качества уборочных работ, что проявляется в значительных потерях, дроблении зерна и т.п.¹Оперативно найденная причина нарушения качества работы и соответствующая корректировка параметров функционирования комбайна в полевых условиях позволят избежать значительных потерь финансовых и трудовых ресурсов [1]. Этим обусловлена актуальность задачи создания блока корректировки в интеллектуальной информационной системе (ИИС), который предназначен для обнаружения нарушений качества уборки и оперативной корректировки технологических настроек рабочих органов комбайна. Место задачи корректировки регулируемых параметров комбайна показано на рисунке 1. На основании экспертной оценки внешних факторов, а также нечеткой базы знаний, решается задача предварительной настройки регулируемых параметров комбайна. Среди этих параметров для иллюстрации выбрана частота вращения вентилятора очистки (ЧВВО). Выявление нарушений показателей качества уборки обусловливает необходимость корректировки параметров.

 

 

 

Рис. 1. Задача корректировки параметров в общей схеме
технологической регулировки комбайна

 

Fig. 1. Diagram showing position of the problem of updating adjustable parameters

 

 

Данная статья посвящена проблемам формирования экспертной информации для блока корректировки ИИС, предназначенной для поддержки принятия решений о параметрах технологической настройки комбайна в полевых условиях.

Обзор литературы

В ряде работ подробно рассмотрены проблемы выбора значений регулируемых параметров комбайна [2–5], описан алгоритм работы блока предварительной настройки ИИС управления комбайном [2; 6]. Не менее важной задачей является оперативная корректировка технологических настроек в случае обнаружения нарушений качества уборки.

Комбайн относится к многоуровневым иерархическим системам, функционирующим в меняющихся внешних условиях. Экспертная информация о внешних условиях, а также о взаимосвязях этих условий и регулируемых параметров комбайна носит нечеткий характер. Очевидно, что для описания таких систем использование традиционных математических подходов, таких как регрессионные модели [7–9], экспериментально˗статистические методы [1; 10], малоэффективно в силу того, что получающиеся в них громоздкие математические конструкции сложно или даже невозможно оптимизировать. Помимо этого, нужно отметить еще два существенных ограничения для использования подобных подходов. Во˗первых, регрессионные модели применимы только в рассматриваемом диапазоне параметров модели; во-вторых, решения об изменении значений параметров должны приниматься оперативно в полевых условиях на основе большого числа внешних факторов, которые не учитываются в модели.

Для описания процессов принятия решений и контроля технологических процессов в подобных сложных системах используется математический аппарат теории нечетких множеств [11; 12]. Он позволяет оперировать нечеткими ограничениями и целями, задавать их с помощью лингвистических переменных.

Материалы и методы

Эффективность принятия решения на основе нечетких моделей существенно зависит от того, насколько экспертная информация адекватна реальной ситуации. Применительно к рассматриваемой задаче корректировки параметров комбайна требование адекватности экспертной информации включает в себя целый ряд аспектов, cреди которых, во-первых, оценка причин нарушения качества технологического процесса уборки; во-вторых, установление возможных вариантов реагирования (стратегий), то есть прописывание нечетких продукционных правил их последовательности в соответствии с оценкой эффективности каждой из стратегий.

В иерархии решения задачи оперативной корректировки технологических регулировок первый уровень занимает выявление причин нарушений качества работы. Система взаимосвязей между внешними признаками нарушения процесса уборки урожая, причинами, приводящими к этим признакам, и способами устранения нарушений носит сложный, не всегда однозначный характер. В результате исследований установлена идентификация взаимосвязей, указано 40 внешних признаков нарушения технологического процесса [13]. Как правило, появление нарушения показателя техпроцесса обусловлено влиянием 5 и более регулировочных параметров, а также параметров технического состояния агрегата или рабочего органа. Наличие двух групп факторов, между которыми существует неоднозначная система взаимосвязей, усложняет задачу технологической корректировки.

Следующий уровень в иерархии решения задачи корректировки занимает выбор стратегии реагирования на отклонение показателей качества работы от номинальных значений. Принятие решений об изменении регулировочных параметров осложняется рядом обстоятельств, наиболее значимые из которых:

– возможность одновременного наличия нескольких нарушений качества работы;

– возможность существования нескольких причин одного и того же нарушения;

– наличие нескольких вариантов устранения нарушения;

– неизвестность точной причины нарушения.

Формализация процесса принятия решения о корректировке технологических регулировок комбайна носит гибридный характер.  Для построения иерархического дерева решений целесообразно использование экспертного подхода, базирующегося на нечетких экспертных знаниях, а для оценки эффективности выбранных стратегий принятия – применение критериев «игр с природой».

Задача корректировки осложняется наличием перекрестных зависимостей между регулировочными параметрами и показателями качества работы. Для иллюстрации этих зависимостей на рисунке 2 в качестве регулируемого параметра представлена ЧВВО. На горизонтальной шкале приведены рекомендуемые границы изменения значений ЧВВО для конкретной культуры (например, 600–850 об/мин). Примем, что в соответствии с конкретными целями уборки и внешними условиями значение ЧВВО соответствует точке A. На вертикальных шкалах (в целях упрощенного представления условий задачи) представлены только 2 показателя качества – «засоренность бункерного зерна» и «потери свободным зерном с половой». На каждой из этих шкал приведены границы изменчивости показателя качества и условно отображены границы допустимых значений данного показателя в соответствии с агротехническими требованиями (допуск).

 

 

 

 

Рис. 2. Схема взаимосвязи: регулируемый параметр – показатель качества

Fig. 2. The diagram of the interrelation: adjustable parameter – quality index

 

 

Предположим, обнаружено, что значение показателя «засоренность бункерного зерна» превышает допустимое значение (точка АА). Одновременно значение показателя качества «потери свободным зерном в полове» находится в допуске и соответствует точке ААА. Для того чтобы устранить нарушение («засоренность бункерного зерна»), необходимо увеличить значение ЧВВО (из точки А перейти в точку В). В этом случае значение показателя «засоренность бункерного зерна» входит в допуск (точка ВВ), но возможно, что значение второго показателя качества «потери свободным зерном в полове» увеличится (точка ВВВ). Таким образом, выявляется сложность процесса корректировки, так как при устранении одного нарушения возможно появление другого.

Для построения математической модели реальной системы и протекающих в ней процессов технологической регулировки необходимо установить достаточную степень абстракции. Поэтому будем считать, что система обладает следующими свойствами:

1. За достаточно малый промежуток времени появление более чем одного внешнего признака нарушения качества технологического процесса невозможно.
2. Заранее известна значимость вклада технических и регулировочных параметров системы в вероятность отклонения значения параметра качества техпроцесса.

Остановимся более подробно на данных свойствах, поскольку они лежат в основе модели. Свойство 1 обеспечивает возможность использования экспертной информации о формах реагирования на признак нарушения в некоторой системе предпочтений. Наличие более чем одного признака нарушений требует создания значительно более сложной, учитывающей возможную корреляцию, системы экспертной информации. На начальном этапе в этом нет необходимости, что обеспечивается малостью рассматриваемого промежутка времени. Свойство 2 предполагает наличие базы знаний о зависимостях признаков нарушения техпроцесса от регулировочных параметров. Эта база знаний представляет собой иерархически структурированную информацию, сформированную на основе экспертных знаний и теоретических соображений.

Экспертная информация устанавливает связи между семантическими группами признаков предметной области в виде системы лингвистических нечетких высказываний. В данной задаче система высказываний – это эмпирические правила, определяющие зависимость показателей качества технологического процесса уборки от множества регулировочных параметров рабочих органов комбайна.

Для решения задачи корректировки воспользуемся логико˗лингвистическим подходом [13; 14]. Множества входных признаков образуют регулировочные параметры комбайна, в качестве выходного признака будем рассматривать один из показателей качества уборки. В ряде работ представлена модель рассматриваемой предметной области в виде композиции нечетких отношений [13–15].

Пусть в процессе эксплуатации зерноуборочного комбайна обнаружено отклонение показателя качества работы, которое может быть обусловлено как изменением внешних условий, так и изменением технического состояния комбайна. Для принятия решения о корректировке регулировочных параметров комбайна необходима база знаний в виде системы логических высказываний, содержащих экспертную информацию о возможных вариантах корректировки. Рассмотрим механизм формирования последовательности применения структурированных по значимости правил базы знаний.

Каждую из причин, которые могут привести к наблюдаемому отклонению показателя качества уборки, обозначим V_j, а все множество таких предпосылок обозначим $S={\left.\left\{V_j\right\}\right|}_{j=1}^n.$  Для оценки актуальности каждой из причин используется экспертный анализ эмпирических данных, а также принимаются во внимание  теоретические соображения. Для достижения цели, то есть устранения обнаруженного отклонения, возможно несколько вариантов реагирования. Каждый из способов реагирования будем называть допустимой стратегией и обозначать St_i, а все множество допустимых стратегий обозначим $G={\left.\left\{S{t}_i\right\}\right|}_{i=1}^m$ . Введем понятие эффективности стратегии, понимая под ней степень успешности ликвидации обнаруженного отклонения показателя качества при применении данной стратегии. Эффективность стратегии определяется совокупным действием причины V_j, вызвавшей отклонение, и рядом других, в том числе случайных, факторов. Эффективность применения стратегии St_i для устранения нарушения, вызванного причиной V_j, обозначим с_ij. Значения с_ij ( $i=\overline{\mathrm{1,}m},$ $j=\overline{\mathrm{1,}n}$ ) определяются на основе экспертных данных и образуют матрицу С размерности mxn. Будем называть ее матрицей показателей эффективности.  Нормируем величины элементов матрицы С в пределах от 0 до 1. Очевидно, что чем эффективнее применение стратегии St_i для устранения нарушения, вызванного причиной V_j, тем ближе значение элемента c_ij к единице. Рассматриваемые элементы есть исходные данные для реализации алгоритма принятия решения в условиях неопределенности².

На практике нашли применение нескольких критериев оптимальности обоснованного выбора решения [16–19].

Примем допущение, что причины V_j равновероятны. Тогда выбирается решение $S{t}^{*}\in G={\left\{S{t}_i\right\}}_{i=1}^m$ , обеспечивающее наибольшее ожидаемое значение эффективности [17; 20] и используется критерий Лапласа:

$\underset{i}{\max }L(i)=\underset{i}{\max }\frac{1}{m}{\displaystyle \sum _{j=1}^m{c}_{ij}}$ .          (1)

В отсутствии априорных вероятностей используют также критерий Сэвиджа, суть которого заключается в минимизации риска принятия неэффективного решения. При известной причине появления отклонения показателя качества работы V_j целесообразно использовать стратегию St_i (соответствует максимальному элементу в столбце j). Обозначим данный элемент β_j. В этом случае целесообразно использовать понятие риска r_ij:

$r_{ij}={\beta }_j-c_{ij}$ ,                 (2)

где β_j – максимальная эффективность при достоверном наличии V_j.

Матрица R, состоящая из элемента r_ij($i=\overline{\mathrm{1,}m},$ $j=\overline{\mathrm{1,}n}$  ), характеризует риски неэффективного решения. В соответствии с критерием Сэвиджа минимальная величина риска в наихудших условиях будет оптимальной стратегией:

 $\underset{i}{\min }S(i)=\underset{i}{\min }\underset{j}{\max }{r}_{ij}.$            (3)

Если заранее известны значения вероятностей p_j($j=\overline{\mathrm{1,}m}$ ) появления причины отклонения V_j, используется критерий максимального математического ожидания [17; 20]:

$\underset{i}{\max }M(i)=\underset{i}{\max }{\displaystyle \sum _{j=1}^m{c}_{ij}}{p}_j$ .        (4)

Данный случай возможен либо при наличии экспертных оценок значений вероятностей, либо оценок, полученных в результате обработки экспериментальных данных.

Использование рассматриваемых критериев является слабо формализуемым (в значительной степени субъективным) процессом. Его результат в большой степени обусловлен практическим опытом лица, принимающего решение. Помимо перечисленных, могут быть использованы другие синтетические критерии [21; 22], а также иные подходы к учету неопределенности [23–25].

Результаты исследования

Рассматриваемый подход реализован на примере установления способа устранения нарушений техпроцесса для внешнего признака «потери щуплого зерна с половой». Ранее нами было показано, что данный внешний признак может быть обусловлен некорректно установленными значениями следующих параметров: Par₁ – скорость движения машины; Par₂ – частота вращения вентилятора очистки; Par₃ – зазор жалюзи верхнего решета; Par₄ – зазор жалюзи удлинителя верхнего решета³. Для ликвидации рассматриваемого нарушения в практических условиях целесообразны следующие действия: St₁ – уменьшить незначительно скорость движения комбайна; St₂ – уменьшить значительно скорость движения комбайна; St₃ – уменьшить незначительно частоту вращения вентилятора; St₄ – уменьшить значительно частоту вращения вентилятора; St₅ – уменьшить зазор жалюзи верхнего решета; St₆ – уменьшить зазор жалюзи удлинителя верхнего решета; St₇ – выполнить ремонт механизма открытия и самих жалюзи верхнего решета; St₈ – выполнить ремонт механизма открытия и самих жалюзи удлинителя верхнего решета.

Приведем лингвистическое описание внешнего признака нарушения показателей качества работы комбайна «потери щуплого зерна с половой» и одного из параметров комбайна, который связан с данным признаком – «скорость движения комбайна».

Кортеж лингвистической переменной «потери щуплого зерна с половой» имеет вид:

   < Потери щуплого зерна с половой, %

    {Низкие, Высокие}, [0–2 %]>.

Кортеж лингвистической переменной «скорость движения комбайна» имеет вид:

   < Скорость движения комбайна, км/ч

   {Низкая, Номинальная, Высокая}, [0–10 км/ч]>.

Графики функций принадлежности указанных лингвистических переменных приведены на рисунке 3.

 

 

 

 

Рис. 3. Функции принадлежности (ФП) лингвистических переменных:
a) потери щуплого зерна с половой, %; b) скорость движения комбайна, км/час

Fig. 3. Membership functions (MF) of the linguistic variables:
a) losses of feeble grain with chaff, %; b) harvester speed, km/h

 

 

Матрица показателей эффективности  и значения критерия Лапласа приведены в таблице 1.

 

Таблица 1 Матрица показателей эффективности

Table 1 Matrix of the efficiency indices values

 

Sti\Vj	V1	V2	V3	V4	L(i)
St1	0,85	0,40	0,30	0,30	0,4625
St2	0,65	0,20	0,20	0,20	0,3125
St3	0,45	0,80	0,40	0,35	0,5000
St4	0,30	0,70	0,25	0,20	0,3625
St5	0,20	0,25	0,80	0,75	0,5000
St6	0,15	0,15	0,65	0,45	0,3500
St7	0,10	0,05	0,40	0,30	0,2125
St8	0,10	0,05	0,10	0,50	0,1875
max cij=βj i	0,85	0,80	0,80	0,75

 

Предполагая, что неизвестны априорные вероятности причин V_j, положим их равными и применим критерий Лапласа (1). Вычисленные значения критерия приведены в таблице 1 в крайней правой колонке. Очевидно, что оптимальных стратегий по этому критерию две: стратегия St₃ – уменьшить незначительно частоту вращения вентилятора и стратегия St₅ – уменьшить зазор жалюзи верхнего решета. Далее иерархия выбора стратегий выстраивается в соответствии с уменьшением значения критерия и в результате имеет вид: St₃, St₅, St₁, St₄, St₆, St₂, St₇, St₈. При этом стратегии St₃ и St₅ равнозначны и могут быть выбраны в любой последовательности.

Для применения критерия Сэвиджа (3) получим матрицу рисков принятия неэффективного решения R. Найдем максимальные элементы в каждом столбце (они приведены в последней строке таблицы 1) и вычислим элементы матрицы рисков по формуле (2). Матрица рисков приведена в таблице 2.

 

Таблица 2 Матрица рисков

Table 2 Risks matrix

 

Sti\Vj	V1	V2	V3	V4	max rij j
St1	0,00	0,40	0,50	0,45	0,50
St2	0,20	0,60	0,60	0,55	0,60
St3	0,40	0,00	0,40	0,40	0,40
St4	0,50	0,10	0,55	0,55	0,55
St5	0,60	0,55	0,00	0,00	0,60
St6	0,70	0,65	0,15	0,30	0,70
St7	0,75	0,75	0,40	0,45	0,75
St8	0,75	0,75	0,70	0,25	0,75

 

Минимальный элемент из максимальных (по строкам таблицы 2) дает нам наилучшую стратегию по критерию Сэвиджа: St₃ – уменьшить незначительно частоту вращения вентилятора. Иерархия выбора стратегий в случае критерия Сэвиджа имеет вид: St₃, St₁, St₄, St₅, St₂, St₆, St₇, St₈.

Рассмотрим теперь случай, когда известны априорные вероятности причин, вызвавших отклонение показателей качества работы комбайна, и используем критерий максимального математического ожидания (4). Распределение вероятностей представлено в таблице 3.

 

Таблица 3 Значения вероятностей причин

Table 3 The values of reason probabilities

 

Vj	V1	V2	V3	V4
pj	0,3	0,35	0,2	0,12

 

 

Следует отметить, что сумма значений вероятностей p_j не равна 1, так как эти оценки выявлены на основе экспертного анализа. Не следует упускать из виду, что вполне возможно наличие дополнительных факторов, действие которых может вызвать появление рассматриваемого внешнего признака.

Результаты расчетов М(i) по формуле (4) приведены в таблице 4.

 

Таблица 4 Значения математического ожидания

Table 4 The values of mathematical expectation

 

i	1	2	3	4	5	6	7	8
M(i)	0,491	0,329	0,537	0,409	0,3975	0,2815	0,1635	0,1875

 

Из таблицы 4 видно, что по критерию М(i) оптимальной стратегией является  St₃, то есть необходимо незначительно снизить частоту вращения вентилятора очистки. Иерархия выбора стратегий имеет вид: St₃, St₁, St₄, St₅, St₂, St₆, St₈, St₇.

Полученные последовательности значений критериев предназначены для использования в алгоритме корректировки в ИИС при определении последовательности операций для устранения данного нарушения, что по сути представляет собой упорядочение правил в базе знаний в соответствии с их эффективностью. Задача упорядочения правил заключается в выборе стратегии, при которой наиболее вероятно правильное заключение при условии, что в базе имеются правила с эффективностью менее 100 %.

Обсуждение и заключение

Предлагаемый подход к задаче корректировки регулируемых параметров комбайна позволяет использовать критерии принятия оптимальных решений в условиях неопределенности, используя эмпирические знания экспертов. В данном случае возникает возможность объединения различных типов информации о семантических пространствах изучаемой системы. Построение систем поддержки принятия решений в области эксплуатации уборочных машин предполагает создание базы экспертных знаний, содержащей в том числе информацию о способах реагирования на нарушения технологического процесса. Применение критериев оптимальности позволяет структурировать базу экспертных знаний в соответствии с эффективностью продукционных правил и определяет последовательность применения стратегий для целенаправленного решения задачи корректировки. Предлагаемый подход обеспечивает реализацию адекватных процедур принятия решений по корректировке технологических регулировок в полевых условиях. Немаловажным преимуществом является сокращение времени принятия решения благодаря целенаправленному использованию правил базы знаний.

Данный подход целесообразно использовать в различных ИИС с системой обратной связи, в которых возникает необходимость упорядочения базы знаний в соответствии с эффективностью эмпирических правил. Помимо этого, он будет полезен при решении таких проблем, как поиск причин неисправностей в различных технических системах и устройствах.

 

 

¹           Рыбалко А. Г. Особенности уборки высокоурожайных зерновых культур (настройка и регулировка машин): учебное пособие. М.: Агропромиздат, 1988. 120 с. 

²           Таха Х. А. Введение в исследование операций. М.: Издательский дом «Вильямс», 2001. 912 с.

³           Димитров В. П., Борисова Л. В. Теоретические и прикладные аспекты разработки экспертных систем для технического обслуживания машин. Ростов-на-Дону: Издательский центр ДГТУ, 2007. 202 с.

 

About the authors

Valeriy P. Dimitrov

Don State Technical University

Author for correspondence.
Email: kaf-qm@donstu.ru
ORCID iD: 0000-0003-1439-1674
Scopus Author ID: 57195505958
ResearcherId: E-4908-2018

Head of the Chair of Quality Management, D.Sc. (Engineering), Professor

Russian Federation, Gagarin Sq., Rostov-on-Don 344000

Lyudmila V. Borisova

Don State Technical University

Email: borisovalv09@mail.ru
ORCID iD: 0000-0001-6611-4594
ResearcherId: E-4863-2018

Head of the Chair of Management and Business Processes of Faculty of Business and Management,D.Sc. (Engineering), Professor

1 Gagarin Sq., Rostov-on-Don 344000

Inna N. Nurutdinova

Don State Technical University

Email: nurut.inna@yandex.ru
ORCID iD: 0000-0002-3375-1295
ResearcherId: E-3961-2018

Associate Professor of Applied Mathematics Chair, Ph.D. (Physics and Mathematics)

Russian Federation, 1 Gagarin Sq., Rostov-on-Don 344000

Andrey K. Tugengold

Don State Technical University

Email: akt@yandex.ru
ORCID iD: 0000-0003-0551-1486
ResearcherId: E-5707-2018

Professor of Robotics Chair, D.Sc. (Engineering)

Russian Federation, Gagarin Sq., Rostov-on-Don 344000

References

Supplementary files