УСНЫ БАКНЫ ТҮВШИНГ ФАЗЗИ-ЛОЖИКООР УДИРДАХ ПРОГРАММ (ЖИШЭЭ)

 Fuzzy Logic-аар усны бакны түвшинг удирдах нь сонсогдож байгаа шиг нарийн төвөгтэй боловч логик алхамуудыг дараалан хийвэл хялбархан хэрэгжүүлэх боломжтой.

Fuzzy Logic системийн үндсэн алхамууд:
Fuzzy Logic систем нь оролт, боловсруулалт, гаралт гэсэн 3 үндсэн хэсгээс бүрдэнэ.

(A) Оролтын хувьсагч (Input):
Усны бакны түвшинг удирдахдаа дараах оролтуудыг авч болно:
Түвшний алдаа (Error, e) = Хүссэн түвшин (Desired Level) - Одоогийн түвшин (Current Level)
Түвшний өөрчлөлт (Δe) = Одоогийн алдаа - Өмнөх алдаа
(B) Fuzzy олонлогууд ба гишүүнчлэл (Membership Functions):

Оролт/гаралтыг "Fuzzy олонлог"-оор тодорхойлно. Жишээ нь:
Алдаа (e): "Сөрөг их" (Negative Large), "Сөрөг бага" (Negative Small), "Тэг" (Zero), "Эерэг бага" (Positive Small), "Эерэг их" (Positive Large)
Өөрчлөлт (Δe): "Буурах" (Decreasing), "Тогтмол" (Steady), "Өсөх" (Increasing)
Гаралт (Насосны хурд): "Унтраах" (Off), "Удаан" (Slow), "Дунд" (Medium), "Хурдан" (Fast)

(C) Дүрэм (Fuzzy Rules):
"IF-THEN" дүрмүүдийг тодорхойлно. Жишээ нь:
IF алдаа "Тэг" AND өөрчлөлт "Тогтмол" THEN насос "Унтраах"
IF алдаа "Эерэг бага" AND өөрчлөлт "Өсөх" THEN насос "Удаан"
IF алдаа "Сөрөг их" THEN насос "Хурдан"
(Дүрмүүдийг системийн шаардлагад тохируулан өөрчилнө.)

(D) Дефаззификаци (Defuzzification):

Fuzzy дүрмүүдээр гарсан үр дүнг бодит тоо (насосны хурд) болгон хувиргана. Ихэвчлэн "Центроидын арга" (Centroid Method) хэрэглэдэг.

Ийнхүү насосны хурдыг 13,6% тогтоох даалгавар өгч байна. 

JK Drop Weight туршилтын үр дүнгээр ХӨН-ын тээрмийн цахилгааны хэрэглээг тооцох нь (PYTHON)

 

ӨГӨГЛЛИЙН ШИНЖЛЭХ УХААН (DATA SCIENCE) УУЛ УУРХАЙ, ЭРДЭС БОЛОВСРУУЛАЛТЫН САЛБАРТ ЯМАР ХЭРЭГТЭЙ ВЭ?

Өгөгдлийн шинжлэх ухааныг (Data Science) Эрдэс боловсруулалтын технологид хэрэглэгдэх нь

Өгөгдлийн шинжлэх ухаан нь эрдэс боловсруулалтын салбарт үйлдвэрлэлийн үр ашиг, чанарыг дээшлүүлэх, зардлыг бууруулах, байгаль орчинд ээлтэй шийдлүүдийг боловсруулахад чухал үүрэг гүйцэтгэдэг. Эрдэс баялгийн салбарт дараах чиглэлүүдэд өгөгдлийн шинжлэх ухааны аргууд өргөн хэрэглэгдэнэ.  

    1. Уурхайн олборлолтын үр ашгийг дээшлүүлэх  

- Машин сургалт (ML) ба хиймэл оюун (AI) ашиглан уурхайн ордын загварчлал, илрүүлэлтийг нарийвчлалтай хийх.  

- Өгөгдөлд тулгуурлан олборлолтын төлөвлөгөөг оновчтой боловсруулах.  

- IoT (юмсын интернет) болон "сенсор технологи"-ын тусламжтай уурхайн аюулгүй байдлыг хянах.  

    2. Боловсруулалтын процессын оновчтой болгох 

- Түүхий эд (хүдэр)-ийн чанарыг таамаглах– ML загварууд ашиглан хүдэр дэх ашигт бодисын агуулгыг урьдчилан тооцоолох.  

- Флотаци, гидрометаллурги зэрэг процессуудыг автоматжуулах – Өгөгдлийн дүн шинжилгээгээр химийн урвалж, эрчим хүчний хэрэглээг оновчтой болгох.  

- Алдаа, зогсолтыг урьдчилан таних – Predictive Maintenance (урьдчилан сэргийлэх засвар) аргаар тоног төхөөрөмжийн эвдрэлийг урьдчилан мэдэх.  

3. Байгаль орчны нөлөөллийг бууруулах  

- Уурхайн хаягдлын менежмент– Дата-аналитик ашиглан хаягдлыг дахин боловсруулах, бохирдлыг хянах.  

- Нүүрс, металлын ялгаралтыг мониторинг хийх – Цаг уурын өгөгдөлтэй харьцуулан үйлдвэрлэлийн нөлөөллийг үнэлэх.  

    4. Эрдэс баялгийн зах зээлийн судалгаа  

- Үнийн таамаглал – Өгөгдлийн шинжилгээгээр металлын үнийг урьдчилан тооцоолох.  

-Эрэлт, нийлүүлэлтийн тэнцвэрийг шинжлэх – Дэлхийн эрдэс баялгийн зах зээлийн чиг хандлагыг тодорхойлох.  

    5. Робот технологи, автономит систем 

- Ухаалаг машин, drone-ууд – Уурхайн хайгуул, хяналтыг автоматжуулах.  

- Computer Vision буюу дүрсийг таних – Хүдэр ялгах, ангилах процессууд, хүдрийн гранулометрийн бүхэллэгийг онлайнаар хэмжэих , хиймэл оюунаар (AI) удирдах 

Дүгнэлт  

Өгөгдлийн шинжлэх ухаан нь эрдэс боловсруулалтын салбарт автоматжуулалт, оновчтой болгох, урьдчилан таамаглах чадварыг нэмэгдүүлснээр уламжлалт аргуудыг хувьсгаж байна. 

Ирээдүйд AI, IoT, Big Data-ийн хослосноо энэ салбарт илүү их шинэлэг шийдлүүдийг бий болгох болно.

ТЕХНОЛОГИЙН ПРОЦЕССЫГ УДИРДАХАД ХИЙМЭЛ ОЮУНЫГ ХЭРЭГЛЭХ НЬ

    Баяжуулалтын процессыг удирдахад хиймэл оюуныг хэрэглэх бүрэн боломжтой бөгөөд Fuzzy Logic буюу Бүдэг логикийг  практикт амжилттай хэрэглэж болох юм. Үүний тулд  бид Python программыг  ашиглан удирдагын код дээр тайлбарлав. 

    Фаззи логик (Fuzzy Logic) гэдэг нь уламжлалт (сонгодог) логикийн "0 ба 1" (Үгүй эсвэл Тийм) гэсэн хоёртын системээс ялгаатай, "Бүдэг логик (хэмжигдэхүүнийг бүдгэрүүлсэн)" дээр суурилсан шийдвэр гаргах арга юм. Энэ нь тодорхой бус нөхцөл байдал, өөрчлөгдөж буй орчинд оновчтой шийдвэр гаргахад тохиромжтой.

Фаззи логикийн үндсэн ойлголт:

1. Лингвистик хувьсагч: "Маш хүйтэн", "дулаан", "маш халуун" гэх мэт үгсээр илэрхийлэгддэг.

2. Фаззи олонлогууд: Хэмжигдэхүүнийг 0-ээс 1-ийн хооронд "хэр бага", "дунд", "их" гэх мэт гишүүнчлэлээр тодорхойлдог.

3. Дүрэм (Rules): "Хэрэв температур "халуун" бол сэнсний хурдыг "их" болго гэх мэт логик дүрмүүд.

    Автомат удирдлагад хэрхэн ашиглах вэ?

Фаззи логикийг автомат системд (жишээ нь: ухаалаг барилга, робот, автомашин, үйлдвэрлэлийн процесс) дараах алхмуудаар ашиглана:

     1. Оролтын параметрүүдийг  фазид хувиргах (Fuzzification)  

   - Тодорхой утгыг (жишээ нь: температур = 30°C) "хүйтэн", "дулаан", "халуун" гэх мэт фаззи олонлогт хувиргана.

    2. Дүрмийн санг боловсруулах  

   - Мэдлэг, туршлагад суурилсан "IF-THEN" дүрмүүдийг тодорхойлно.  

     Жишээ: 

     - IF температур "халуун" AND чийгшил "их"  бол THEN кондиционерын хурдыг "их" болгох.  

     - IF тээрмийн ачаалал "их" бол THEN хурдыг "бага" болгох.

     3. Дүгнэлт гаргах (Inference)

   - Оролтын утгууд болон дүрмүүдийг харьцуулан, гарч болох үр дүнг тооцоолно.

    4. Фаззи үр дүнг тодорхой утгад шилжүүлэх (Defuzzification)  

   - "Кондиционер 70% хурдтай ажиллах" гэх мэт тодорхой командыг гаргана.  

    5.Фаззи Ложик системийн давуу тал:

-  Нарийн математик загвар шаарддаггүй.  

- Хүний шийдвэр гаргах логикийг имитаци хийдэг.  

- Төвөгтэй, шугаман бус системд тохиромжтой.

   

    Фаззи ложикийн хэрэглээг ХӨН-ын тээрмийг хэрхэн автоматаар удирдах жишээн дээр авч үзье.

    Бидний жишээн дээр ХӨН-ын тээрмийн дараах параметрүүдийг авч үзэв.

- Тэжээлийн бүхэллэг (Feed size) 

- Тээрмийн ачаалал (Mill Load)

- Тээрмийн эргэлийн хурд (Mill Speed)

- Тээрмийн бүтээл (Тэжээлийн конвейерийн жин, эсвэл хурд) 

    Дээрх параметрүүдийн эхний 3 нь оролтын параметр ба харин эпгээр параметрүүдийн утгаар тээрмийн бүтээлийг (гаралтын ) автоматаар тохируулах юм.

Бид Python программ дээр удирдлагын кодыг бичихдээ skfuzzy санг ашиглах бөгөөд эхдээд шаардлагатай сангуудыг ачаална. 

Үүний дараа удирдлагын хувьсагчууд, тэдгээрийн өөрчлөгдөх диапазоныг тодорхойлно.

Дээрх хувьсагчдыг ашиглан удирдлагын дүрмүүдийг тодорхойлно. Дүрмүүдийг IF-THEN оператор ашиглан хэрхэн тодорхойлохыг доор кодонд харуулав.

    Тухайн хугацаанд мэдрэгчүүдээс (датчик) авсан утгуудыг ашиглан тээрмийн бүтээл буюу конвейерийн хурдыг чухам хэд болгох гаралтын параметрийг тодорхойлно. Үүнийг дараах кодонд үзүүлэв.

 

     Энэхүү жишээн дээр тээрмийн бүтээлийг (тэжээлийн конвейерийн хурдаар) 54.18%  тохируулах командыг компьютер өгнө.

Энэ мэтчилэн технологийн процессыг илүү нарийн дүрмүүд боловсруулан нарийн удирдан боломжтой.

    Фаззи ложик удирдлагын систем нь хиймэл оюуныг (AI)  үйлдвэрлэлийн процессыг удирдахад хэрэглэх тод жишээ юм.

    

    

Монте -Карлогийн загварчлалын аргыг Эрдэс боловсруулалтын технологид хэрэглэх нь

     Монте-Карлогийн загварчлалын арга нь санамсаргүй тоо ашиглан төвөгтэй системийн үйл явцыг загварчлах, үр дүнг тооцоолох арга юм. Эрдэс боловсруулалтын технологид энэ аргыг ашигласнаар үйл явцын үр ашиг, зардлыг үнэлэх, шинэ технологийг судлах, шийдвэр гаргахад дэмжлэг үзүүлэх боломжтой.

    Монте-Карлогийн загварчлалыг эрдэс боловсруулалтад хэрэглэх гол чиглэлүүд:

1. Үйл явцын загварчлал:

   - Эрдэс боловсруулалтын үйл явц (жишээ нь: бутлах, нунтаглах, баяжуулалт) нь олон хүчин зүйлээс хамаардаг. Монте-Карлогийн аргаар эдгээр хүчин зүйлсийг санамсаргүй байдлаар өөрчилж, үйл явцын үр дүнг урьдчилан тооцоолох боломжтой.

   - Жишээ нь: Баяжуулах үйлдвэрлэлийн баяжмалын гарц, металл авалтыг  тооцоолохдоо ордын найрлага, боловсруулах технологийн үр ашиг зэрэг хүчин зүйлсийг харгалзан үзэх.

2. Эрсдэлийн үнэлгээ:

   - Эрдэс боловсруулалтын төслийн эрсдэлийг үнэлэхэд Монте-Карлогийн аргыг ашиглаж болно. Энэ нь төсөв, цаг хугацаа, нөөцийн хэрэгцээ зэрэг хувьсагчдын өөрчлөлтийг тооцоолох боломжийг олгодог.

   - Жишээ нь: Төслийн өртөг, ашигт ажиллагааг тооцоолохдоо зах зээлийн үнэ, эрдэс баялгийн найрлага зэрэг хувьсагчдын өөрчлөлтийг харгалзан үзэх.

3. Тоног төхөөрөмжийн сонголт ба оновчтой болгох:

   - Монте-Карлогийн аргыг ашиглан тоног төхөөрөмжийн сонголт, үйлдвэрлэлийн үйл явцыг оновчтой болгох боломжтой.

   - Жишээ нь: Бутлах, нунтаглах төхөөрөмжийн үр ашгийг тооцоолохдоо түүхий эдийн шинж чанар, төхөөрөмжийн гүйцэтгэлийг харгалзан үзэх.

4. Эрдэс баялгийн нөөцийн үнэлгээ:

   - Эрдэс баялгийн нөөцийг үнэлэхэд Монте-Карлогийн аргыг ашиглаж болно. Энэ нь ордын геологийн өгөгдөл, эрдэс баялгийн агуулга зэрэг хувьсагчдыг харгалзан нөөцийн хэмжээ, чанарыг тооцоолох боломжийг олгодог.

   - Жишээ нь: Алтны ордын нөөцийг үнэлэхдээ алтны агуулга, ордын геологийн бүтэц зэрэг хувьсагчдыг харгалзан үзэх.

5. Шинэ технологийн судалгаа:

   - Шинэ технологийг нэвтрүүлэхээс өмнө түүний үр ашиг, эдийн засгийн үр нөлөөг Монте-Карлогийн аргаар үнэлэх боломжтой.

   - Жишээ нь: Шинэ баяжуулах технологийг нэвтрүүлэхээс өмнө түүний үр ашиг, зардлыг тооцоолох.

    Давуу талууд:

- Нарийн төвөгтэй системийг загварчлах боломжтой.

- Эрсдэлийг үнэлэх, шийдвэр гаргахад дэмжлэг үзүүлэх.

- Тооцооллын үр дүнг статистик аргаар дүгнэх боломжтой.

 Алдааны эх үүсвэрүүд:

- Оролтын өгөгдөл буруу байвал үр дүн нь буруу гарна.

- Тооцооллын хугацаа их шаардагдах тохиолдол байдаг.

    Эрдэс боловсруулалтын технологид Монте-Карлогийн аргыг ашигласнаар үйл явцыг илүү үр дүнтэй удирдах, эрсдэлийг бууруулах, шинэлэг шийдлүүдийг нэвтрүүлэх боломжтой.

Доор Монте-Карлогийн аргаар санхүүгийн эрсдлийг тооцох энгийн жишээ үзүүлэв (Python).

 

ИНЖЕНЕРИЙН ТООЦООЛОЛ - ШУГАМАН ТЭГШИТГЭЛИЙН СИСТЕМ

 

НУНТАГЛАЛТЫН МАТРИЦАН ЗАГВАРЫГ PYTHON ХЭЛЭЭР ГҮЙЦЭТГЭХ НЬ