МЕТОД НЕЧІТКОЇ ОЦІНКИ КОНЦЕНТРАЦІЇ КОМПОНЕНТІВ ТРАВИЛЬНОГО РОЗЧИНУ СІРЧАНОЇ КИСЛОТИ
DOI:
https://doi.org/10.20998/2078-5364.2022.3.07Ключові слова:
класифікатор, метод нечітких середніх, комп’ютерний зір, функція належності, компонент травильного розчину, концентраціяАнотація
Стаття присвячена питанню визначення рівня концентрації окремих компонентів робочих розчинів. Актуальність теми полягає в тому, що деякі домішки в розчинах (наприклад, при травленні сталі) неможливо вимірювати в автоматичному режимі, що знижує ефективність технологічного процесу і збільшує навантаження на ділянку регенерації розчину. Також домішки є шкідливими відходами для навколишнього середовища та людини.
Розробка методу оперативного контролю складу компонентів травильного розчину травильних ваннах є основним завданням роботи. Дано докладне обґрунтування вибору математичного апарату методу. Процес нечіткої ідентифікації складу компонентів здійснюється за кількістю пікселів з певними цифровими колірними RGB-кодами з цифрових зображень контрольних доз розчину. Описано набір технічних засобів забезпечення методу для практичної реалізації в технологічному процесі. Представлений прототип графічного інтерфейсу користувача (GUI) запропонованого методу ідентифікації складу технологічних рідких розчинів, розроблений в інтегрованому середовищі Processing 3.0 з використанням додатків відкритої бібліотеки Open Source Computer Vision Library.
Запропоновано методику вилучення експериментальних даних для наповнення бази нечіткого класифікатора опорними точками моделі. Суть її полягає в одночасних вимірах концентрації компонент травильного розчину класичними методами титрування і сухих залишків і пропонованим методом з кроком, що дорівнює регламентованої точності. Наведено результати апробації запропонованого методу.
Представлена методика отримання нечіткого класифікатора може бути використана для розробки ІТ-інструментів оперативного контролю складу різних рідких розчинів з непрозорими кольоровими компонентами і колірної ідентифікації дефектів різних плоских поверхонь за умови їх колірної помітності і визначення меж RGB-інтервалів оцінок кольору окремих компонент (дефектів).
Посилання
Breuer, D., Heckmann, P., Gusbeth, K. et al. “Sulfuric acid at workplaces – appliciability of the new Indicative Occupational Limit Value to thoracic particles.” Journal of Environmental Monitoring, 14 (2012):440–445.
Recovery of spent sulfuric acid from steel pickling operation, EPA Technology Transfer Capsule Report, EPA-625/2-78-017, 30 p. URL: https://nepis.epa.gov/Exe/ZyNET.exe.
Sulfuric Acid and Ferrous Sulfate Recovery from Waste Pickling Liquor, EPA Technology Transfer Capsule Report, EPA-660/2-73-032, 82 p.
European Commission, Reference Document on Best Available Techniques for the Ferrous Metals Processing Industry, December, 2001, 538 pp.
Kapustenko, P., Perevertaylenko, A., Khavin, G., Arsenyeva, O. “Graphite Plate Heat Exchangers as Energy Saving Tool for Corrosive Media Duties.” Chemical Engineering Transactions, Vol. 12, ICHEAP’08/PRES’07, Milano: Elioticinese Service Point Srl., 2007, pp.219-224.
Martines, S., Marelli, S. “Modernisation of Pickling lines at the Magnitogorsk.” Irons & Steel Works, 12 (2006): 233-236.
Zadeh, L.A. Fuzzy sets. Inf. Control. 1965, 8, 338–353.
Mattar, M.A.; El-Marazky, M.S.; Ahmed, K.A. Modeling sprinkler irrigation infiltration based on a fuzzy-logic approach. Span. J. Agric. Res. 2017, 15, 1–10.[9] Harirchian, E.; Lahmer, T. Improved Rapid Assessment of Earthquake Hazard Safety of Structures via Artificial Neural Networks. IOP Conf. Ser. Mater. Sci. Eng. 2020, 897, 012014.
Harirchian, E.; Jadhav, K.; Kumari, V.; Lahmer, T. ML-EHSAPP: a prototype for machine learning-based earthquake hazard safety assessment of structures by using a smartphone app. Eur. J. Environ. Civ. Eng. 2021, 3, 1–21.
Harirchian, E.; Lahmer, T. Improved Rapid Assessment of Earthquake Hazard Safety of Structures via Artificial Neural Networks. IOP Conf. Ser. Mater. Sci. Eng. 2020, 897, 012014.
Harirchian, E.; Hosseini, S.E.A.; Jadhav, K.; Kumari, V.; Rasulzade, S.; I¸sık, E.; Wasif, M.; Lahmer, T. A review on application of soft computing techniques for the rapid visual safety evaluation and damage classification of existing buildings. J. Build. Eng. 2021, 43, 102536.
Fan, T.; Xu, J. Image Classification of Crop Diseases and Pests Based on Deep Learning and Fuzzy System. Int. J. Data Warehous. Min. 2020, 16, 34–47.
Li, J.S.; Gong, Z.T. SISO intuitionistic fuzzy systems: IF-t-norm, IF-R-implication and universal approximators. IEEE Access. 2019, 7, 70265–70278.
Bansal, B., Cheng, X.D., Muller-Steinhagen, H. “Analysis of “classical” deposition rate low for crystallization fouling.” Chemical Engineering and Processing 47 (2008): 1201–1210.
Hasler, F., The Whys and Hows of Sulfuric Acid Pickling and Recovery, Esco Engineering, 1992, revised February 1995, 61 pp.
Cui, Y.Q.; Wu, D.R.; Huang, J. Optimize TSK Fuzzy Systems for Classification Problems: Minibatch Gradient Descent with Uniform Regularization and Batch Normalization. IEEE Trans. FS. 2020, 28, 3065–3075.
Panapakidis, I.P.; Dagoumas, A.S. Day-ahead natural gas demand forecasting based on the combination of wavelet transform and ANFIS/genetic algorithm/neural network model. Energy. 2017, 118, 231–245.
Kisi, O.; Demir, V.; Kim, S. Estimation of long-term monthly temperatures by three different adaptive neuro-fuzzy approaches using geographical inputs. J. Irrig. Drain. Eng. 2017, 143, 04017052. J. Intell. Eng. Informatics. 2020, 8, 374.
Abdolkarimi, E.S.; Mosavi, M.R. Wavelet-adaptive neural subtractive clustering fuzzy inference system to enhance low-cost and high-speed INS/GPS navigation system. GPS Solut. 2020, 24, 1–17.
Mola, M.; Amiri-Ahouee, R. ANFIS model based on fuzzy C-mean, grid partitioning and subtractive clustering to detection of stator winding inter-turn fault for PM synchronous motor. Int. Trans. Electr. Energy Syst. 2021, 31, e12770.
Yilmaz, M.; Arslan, E. Effect of the Type of Membership Function on Geoid Height Modelling with Fuzzy Logic. Surv. Rev. 2008, 40, 379–391.
Sambariya, D.K.; Prasad, R. Selection of Membership Functions Based on Fuzzy Rules to Design an Efficient Power System Stabilizer. Int. J. Fuzzy Syst. 2017, 19, 813–828.
Jiří Močkoř, Petr Hurtík, Approximations of fuzzy soft sets by fuzzy soft relations with image processing application, May 2021, Soft Computing 25(13):1-11. doi:10.1007/s00500-021-05769-3.
de Busin, P.J.W., Viganico, E.M., de Almeida Silva R. et al. “Production of ferrous sulfate from steelmaking mill scale.” International Journal of Scientific and Engineering Research 5(4) (2014): 353–359.
Babuska, R, Verbruggen, H. B., A new identification method for linguistic fuzzy models, in: Proc. of the International Conference FUZZ-IEEE/IFES’95, Yokohama, Japan, 1995, pp. 905–912.
Piegat, A., Fuzzy Modeling and Control, Springer-Verlag Company, Heidelberg, 2011.
Preuss, H.P., Tresp, V. “Neuro-Fuzzy Control.”, Automatisierungstechnische Praxis 36 (5), (1994): 10–24.
URL: https://opencv.org/.
Xiong, N., Shen, Y., Yang, K. et al. Color sensors and their applications based on real-time color image segmentation for cyber physical systems. J Image Video Proc. 2018, 23 (2018). doi.10.1186/s13640-018-0258-x.
JW Oestreich, WK Tolley, DA Rice, “The development of a color sensor system to measure mineral compositions.” Minerals Engineering 8 (1995) 31–39. doi.10.1016/0892-6875(94)00100-Q.
Bezsonov O., Ilyunin O., Kaldybaeva B., Selyakov O., Perevertaylenko O., Khusanov A., Rudenko O., Udovenko S., Shamraev A., and Zorenko V. “Resource and Energy Saving Neural NetworkBased Control Approach for Continuous Carbon Steel Pickling Process.” Journal of Sustainable Development of Energy, Water and Environment Systems 7 (2019) 275–292. doi.10.13044/j.sdewes.d6.0249.
