Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc.
Granulace Prášek Granule Vlhčivo Promíchávání Sušení Sítování Tabletování Segregovaný prášek Uniformní granule Prášek je charakterizován: velikostí částic tvarem částic koeficient setřesná hustota
Provozní data statistická veličina vypočítaná z distribuce velikosti částic (sítová analýza), vyjadřuje asymetrii v rozdělení četností γ> 0 γ= 0 γ< 0 hustota vibrační zařízení, míra setřesení souvisí s tvarem částic Provozní granulátor FIELDER Číslo měření hustota [g/l] Voda [l] Doba granulace [min] 1 1.47 778 31.0 8.4 2 1.47 787 31.0 3.6 3 1.47 782 30.5 6.5 4 1.47 794 30.5 9.8 5 1.29 806 30.0 5.0 6 1.29 798 30.0 5.1 7 1.29 791 30.5 4.6 8 1.29 800 30.0 5.8 9 1.29 801 30.0 5.5
Empirické modely = modely černé schránky? Vstupy black box Výstupy Abstrahují od struktury modelovaného systému + relativně jednoduché, spolehlivá interpolace - nejistá extrapolace Neuronová síť Fuzzy model Neurofuzzy model Model s aplikací genetických algoritmů
Neuronové sítě hustota Vstupní vrstva 1. skrytá vrstva 2. skrytá vrstva Výstupní vrstva Množství přidané vody 32,0 31,5 31,0 30,5 30,0 29,5 29,0 810 800 790 780 hustota, g.l -1 770 760 1,3 1,6 1,5 1,4 Číslo měření Software: Neural Network Toolbox, Matlab 7.0
Fuzzy modely malý střední velký Naměřené hodnoty vstupů (3) hustota (3) 1,2 1,6 malá střední velká Interferenční mechanismus pravidla if-then Množství vody (7)( 29 32 Predikce optimálního množství vody 760 820 31,5 31,0 30,5 30,0 29,5 29,0 820 800 hustota, g.l -1 780 760 1,2 1,3 1,5 1,4 1,6 Číslo měření Software: Fuzzy Logic Toolbox, Matlab 7.0
Neurofuzzy modely Kombinace výhod fuzzy modelů a neuronových sítí práce s různými druhy informací (numerické, lingvistické, logické) není třeba předchozí znalosti vztahu mezi proměnnými hustota Množství přidané vody funkce příslušnosti vstupů pravidla funkce příslušnosti výstupu Fuzzy množiny a pravidla modelu jsou optimalizovány trénováním jako neuronové sítě
Predikce neurofuzzy modelu 35 30 25 810 805 800 795 790 785 780 775 hustota, g.l -1 1,3 1,35 1,4 1,45 Analýza výsledků: Číslo měření - systém obsahuje méně dat, než je počet nastavitelných parametrů -model je vytvořen z méně pravidel než kolik je pravidel u původního fuzzy modelu Software: Fuzzy Logic Toolbox, Matlab 7.0
Genetické programování Darwinova evoluční teorie Princip: křížení místo křížení + Populace Selekce Rodiče Reprodukce + Nahrazení Potomci mutace Fitness funkce slouží k ohodnocení kvality jednotlivých řešení Reprodukce je prováděna operacemi: křížení mutace
Predikce genetického modelu hustota, g.l -1 Číslo měření hustota, g.l -1 Software: Discipulus TM, RML Technologies, Inc.
Porovnání testovaných modelů 32.5 32 31.5 31 30.5 30 29.5 = konst. neuronové sítě genetický model fuzzy model neurofuzzy model 31.5 31 30.5 30 29.5 hustota = konst. neuronové sítě genetický model fuzzy model neurofuzzy model 29 760 765 770 775 780 785 790 795 800 805 810 hustota, g.l -1 29 1.25 1.3 1.35 1.4 Zhodnocení: fuzzy a genetický model predikují podobné trendy v citlivosti vody na změnu jednoho z parametrů neosvědčil se neurofuzzy model a neuronové sítě citlivost množství vody na změnu jednoho z parametrů v řádu desetin litru
Závěr Porovnání jednotlivých empirických modelů 1) fuzzy model, model s aplikací genetických algoritmů 2) neuronová síť,, neurofuzzy model Rozší šíření báze dat starší data - nová data - větší množstv ství přípravků operační listy, archiv elektronická forma, podnikový informační systém