Вестник МГТУ, 2022, Т. 25, № 4.

Вотинов М. В. и др. Формирование цифровых двойников объектов автоматического управления. Введение Становление и популяризация таких направлений, как робототехника, технология блокчейн и интернет вещей, стали возможными благодаря современному развитию процессов цифровой трансформации общества, экономики, бизнеса и промышленности. Предшествующие цифровой трансформации цифровизация и информатизация общества (Votinova et al., 2019) способствовали тому, что практически все действия в современном информационном мире оставляют свой цифровой след в виде необработанных массивов данных. Таким образом, сегодня данные являются основой цифровой трансформации, обработка которых обеспечивает формирование новых эффективных моделей процессов и систем. Развитие цифровых двойников объектов позволит принимать широкий сектор управленческих решений не только в общественных процессах, но и на уровне систем автоматического управления технологическими процессами и производствами. С обработкой больших данных успешно справляются системы машинного обучения (Манжула и др. 2011; Xianjun et al., 2008), выполненные преимущественно на базе нейронных сетей. Доказано, что нейронные сети уверенно решают такие классы задач, как предсказание, распознавание, кластеризация и аппроксимация (Zhao et al., 2016). В Мурманском государственном техническом университете одним из направлений научной деятельности является совершенствование процессов тепловой обработки гидробионтов. Исследовательские цеха оборудованы большим количеством технологического оборудования, среди которого автоклавы, коптильные и сушильные установки. Объединяет эти установки то, что они работают с помощью современных систем автоматического управления. Как следствие, на протяжении длительного времени в процессе своей деятельности эти установки оставляли свой цифровой след в виде log-файлов и баз данных. Одной из таких установок является малогабаритная сушильная установка (Вотинов, 2013), используемая для проведения технологических процессов сушки, вяления, тепловой обработки рыбного сырья. Система автоматического управления установкой выполнена на базе оборудования отечественного производителя систем автоматики фирмы "ОВЕН". В составе установки действует программный комплекс, который в процессе своей деятельности ведет архивирование данных, содержащих количественную и качественную информацию о протекающем технологическом процессе. Только за последний год собрано несколько гигабайт сжатой информации. В частности, логируются такие параметры, как время работы, текущая мощность исполнительных механизмов, температура в термокамере, влажность воздуха и так далее. Контур управления температурой в термокамере концептуально выполнен на базе ПИД регулятора, настройка которого выполнялась классическим методом. Для идентификации объекта управления была определена передаточная функция изменения температуры в термокамере по методике доктора технических наук А. В. Нетушила. Безусловно, передаточная функция позволяет представить изменение температуры в термокамере малогабаритной сушильной установки в качестве модели объекта управления и произвести настройку регулятора на оптимальный режим работы. Однако сама модель создается по большом счету экспертным путем, с присущим ему человеческим фактором. В этой связи актуальным представляется получение цифрового двойника малогабаритной сушильной установки с привлечением алгоритмов машинного обучения и обработки. Целью работы является обработка накопленных системой автоматического управления данных о протекающих на ней в течение последнего времени технологических процессах, обучение на их основе нейронной сети и, как следствие, формирование цифровой (нейросетевой) модели изменения температуры в термокамере малогабаритной сушильной установки. Материалы и методы Для достижения поставленной в работе цели была выбрана разработанная ранее и хорошо зарекомендовавшая себя в процессах прогнозированная информации нейронная сеть Нейростат (Votinov et al., 2020). Нейростат представляет собой классическую многослойную нейронную сеть прямого распространения, общий вид которой представлен на рис. 1. Нейронная сеть характеризуется нейронами входного (X), скрытого (N) и выходного (Y) слоя. Количество нейронов входного слоя определяется количеством поступающих на нейронную сеть извне параметров. Количество нейронов выходного слоя определяется теми целями и задачами, на выполнение которых направлена нейронная сеть. Структура скрытого слоя нейронной сети характеризуется количеством скрытых слоев и количеством нейронов в каждом слое. Определение структуры скрытого слоя - отдельная задача, не стоящая в рамках данной работы. Известно, что малое количество нейронов приводит к большой ошибке выходного слоя, в свою очередь большое количество нейронов делает нейронную сеть нестабильной. Исследования, проводимые в области прогнозирования информации (Votinov et al., 2020), показали, что для нормальной работы нейронной 292