CC BY
35
УДК 004.032.2+681.518:621.313.333 ББК 32.965 М 32
Масютина Галина Владимировна
Доцент, кандидат технических наук, доцент кафедры физики, электротехники и электроэнергетики института сервиса, туризма и дизайна (филиал) Северо-Кавказского федерального университета, Пятигорск, тел. (861) 2559392, e-mail: vf.lubentsov@yandex.ru Лубенцов Валерий Федорович
Доктор технических наук, профессор кафедры автоматизации производственных процессов Кубанского государственного технологического университета, тел. (861) 2559392, Краснодар, e-mail: vf.lubentsov@yandex.ru
Исследование нейросетевой САУ электропривода асинхронного электродвигателя дутьевого вентилятора подачи воздуха
(Рецензирована)
Аннотация. Исследована возможность применения нейросетевого (НС) регулятора для системы частотно-управляемого электропривода асинхронного электродвигателя дутьевого вентилятора подачи воздуха в топку котла. При синтезе НС-регулятора использован метод прогнозирующего управления. Для его реализации использована многослойная нейронная сеть прямого распространения с обучением по методу обратного распространения ошибки. Моделируемый объект управления представлен совокупностью трех последовательно соединенных звеньев: преобразователь частотный, асинхронный электродвигатель и дутьевой вентилятор. Анализ динамики системы осуществлялся по переходным процессам, полученным при моделировании работы асинхронного электродвигателя в пакете Neural Network Toolbox MATLAB. Результаты показали, что система обладает высокой точностью и хорошими характеристиками слежения и стабилизации.
Ключевые слова: моделирование, нейросетевой регулятор, частотно-управляемый электропривод, дутьевой вентилятор, переходные процессы.
Masyutina Galina Vladimirovna
Associate Professor, Candidate of Technical Sciences, Associate Professor of Department of Physics, Electrical Equipment and Power Industry, Institute of Service, Tourism and Design (Branch), North-Caucasian Federal University, Pyatigorsk, ph. (861) 2559392, e-mail: vf.lubentsov@yandex.ru Lubentsov Valeriy Fedorovich
Doctor of Technical Sciences, Professor of Automatization of Production Processes, Kuban State University of Technology, Krasnodar, ph. (861) 2559392, e-mail: vf.lubentsov@yandex.ru
The study of neural network ACS the electric drive motor of the blower fan air supply
Abstract. The paper investigates the possibility of using a neural network (NN) controller for the system of frequency-controlled electric drive motor of the blower fan supplying air to the furnace. In the synthesis of the NN-controller, the method of predictive control is used. For its implementation, a multilayered neural network of direct distribution with the training method of back propagation of error is used. The simulated control object is represented by a set of three serially connected links: a frequency converter, an asynchronous electric motor and the blower fan. The analysis of the dynamics of the system was carried out on the transient processes obtained by simulation of the induction motor in the package MATLAB Neural Network Toolbox. The results show that the system has high precision and good characteristics of tracking and stabilization.
Keywords: simulation, neural network controller, the frequency-controlled electric drive, the blower fan, the transient processes.
Традиционные способы регулирования воздушного потока в топку котла состоят в использовании дутьевых вентиляторов, работающих на постоянной скорости и приводимых в действие асинхронными двигателями с мощностью порядка 50-70 кВт. Производительность регулируется шиберами, приводимыми от сервоприводов. Скорость реакции сервопривода на сигнал управления часто бывает недостаточной, и, при определенных условиях, контур входит в автоколебания, что вовсе не улучшает производительность. Персонал бывает вынужден справляться с этим вручную при помощи всяких искусственных приемов, вплоть до перехода на ручное управление заслонками, устанавливаемыми перед топками и после них [1]. Фактическое положение заслонок не всегда бывает известно оператору, что сказывается на качестве управления. Кроме того, вариации параметров асинхронного электродвигателя снижают эффективность управления электроприводом.
Плавный режим разгона вентиляторов при пуске является наиболее выгодным решением при управлении любым котлом, поскольку исключает токовые перегрузки при пуске дымососов и вентиляторов. Газ в вентиляторе может оказывать серьезное сопротивление раскрутке колеса, и скольжение в момент пуска становится чрезмерно большим. Это может повредить и вывести из строя обмотки роторов и даже разрушить короткозамкнутые обмотки, сделанные из алюминия [1].
Для исключения проблем с проскальзыванием подходит преобразователь частоты (ПЧ), при помощи управления которого можно поддерживать жесткие механические характеристики. Для решения поставленной задачи необходимо построение замкнутой системы для мягкого пуска дутьевых вентиляторов. Частотные преобразователи включаются в разрыв питания электродвигателя. Их функция заключается в том, что они, получая на входе напряжение 380 В с частотой 50 Гц, формируют на выходе трехфазное напряжение с частотой, от которой зависит и частота вращения, от 0 до 200^400 Гц и напряжением от 0 до 400 В. При этом к.п.д. современного ПЧ уже приближается к 99% [1].
Задачей данной статьи является описание разработки нейросетевого регулятора (НС-регулятора) и анализ его работоспособности в системе частотно-управляемого электропривода асинхронного электродвигателя дутьевого вентилятора подачи воздуха.
При синтезе НС-регулятора САУ объектом с запаздыванием, к которому относится система частотно-управляемого электропривода асинхронного электродвигателя дутьевого вентилятора подачи общего воздуха в топку котла, одним из эффективных подходов является подход, основанный на методах и средствах нейросетевого моделирования и управления [2-4]. С учетом этого в качестве основного регулятора в САУ использован НС-регулятор с прогнозирующей моделью, реализованный в ППП Neural Network Toolbox и использующий модель управляемого объекта в виде нейронной сети для того, чтобы предсказывать его будущее поведение [5, 6]. Согласно этому подходу, НС-модель имеет два слоя нейронов и использует линии задержки, чтобы запомнить предшествующие значения входов и выходов объекта управления с целью предсказания будущих значений. Управление с предсказанием использует принцип удаляющегося горизонта, когда нейросетевая модель управляемого процесса предсказывает реакцию объекта управления на определенном интервале времени в будущем. Предсказания используются программой численной оптимизации для того, чтобы вычислить управляющий сигнал. Эта задача решается путем численной минимизации целевого функционала, одна из распространенных форм которого имеет вид [7]:
N Nu
J = I (gb+J] - yb+J])2+((+j -1] - u[i+J - 2])2, (1)
N2=1 j =1
где и - управляющий сигнал; g, у - эталонная и истинная реакция модели управляемого объекта (в качестве эталонной реакции может использоваться непосредственно сигнал задания); N1, N2, Nu - числовые параметры, определяющие горизонт прогноза, в пределах которого оцениваются значения ошибки слежения и мощности управляющего сигналов; р - весовой коэффициент, определяющий вклад, вносимый мощностью управления в критерий эффективности.
Способность НС прогнозировать будущее поведение управляемого объекта во многом зависит от числа нейронов в скрытом слое. Для первоначальной оценки числа нейронов H в скрытом слое двухмерных многослойных персептронов MLP-сети (Multi Layer Percetptron) можно использовать следующую эвристическую рекомендацию [8]:
H =-Hw-, (2)
m +1
где Hw - число синаптических весов; m - размерность выходного сигнала.
В нашем случае величина Hw в этой формуле находится из условия:
N
1 + log2N
<Hw <(N + 1)(m + 2) +1, (3)
где N - число элементов обучающей выборки.
Нетрудно убедиться, что при использовании формул (2), (3) расчетное число нейронов в скрытом слое оказывается в довольно широком диапазоне. Так, например, при оценке числа нейронов для нейросетевой модели объекта управления, описываемого передаточной функцией второго порядка с запаздыванием, при объеме элементов обучающей выборки, равном 150, число синаптических весов находится в пределах 18<Hw<907, а необходимое число нейронов в скрытых слоях для двухслойной однородной сети равно 4<H<182. Поэтому окончательное решение принимается в ходе моделирования системы при оценке показателей качества переходных процессов в САУ.
Согласно критерию минимальной сложности, простейшим из возможных первых решений является использование персептрона, имеющего минимальное число нейронов, в данном случае - четыре нейрона в скрытом слое. Затем репрезентативные способности сети могут быть улучшены за счет увеличения числа нейронов в скрытом слое. При этом в качестве функции активации скрытого слоя сети выбираем гиперболическую тангенциальную функцию, относящуюся к классу сигмоидальных [8]. Функцию активации выходного слоя сети выбираем линейной во всем диапазоне изменения входного аргумента.
Обучение нейросетевой модели проведено с использованием алгоритма Левенберга-Марквардта, который обеспечивает большую точность и высокую скорость сходимости вблизи минимума, а следовательно, позволяет существенно ускорить процедуру обучения [4]. Обучение НС проведено при следующих данных: размер обучающей выборки -6000; значения входного сигнала - случайные ступенчатые в диапазоне [-6; 6]; максимальная ошибка обучения - 0,00001. Начальное количество нейронов в скрытом слое предварительно принимаем равным четырем. Количество циклов, в течение каждого из которых на вход НС последовательно подаются все элементы обучающей последовательности, а затем вычисляются ее выходные значения и показатели качества обучения, принимаем равным 200. Как показали эксперименты, ошибка обучения для алгоритма обучения Левенберга-Марквардта составила 3,95-10-8 за 90 циклов и время 112,4 с.
В качестве объекта управления рассмотрена система частотно-управляемого электропривода асинхронного электродвигателя дутьевого вентилятора ВД-13,5 подачи общего воздуха в топку котла БГМ-35М, представленная совокупностью трех последовательно соединенных звеньев, имеющих следующие рекуррентные дискретные модели [4]:
- преобразователь частотный (ПЧ) с широтно-импульсным управлением (звено 1):
х1(к)=ах1(к-1)+Ьи(к-1),
а=1-Г0/Г,
Ь=к1Т()/Т;
- асинхронный электродвигатель (АД) (звено 2):
х2(к)=а1х2(к-1)+а2х2(к-2)+Ь 1х(к-2), а1=-[(Т1+Тг)/Т0-2Т1 T2/T0VT1Т2/Т02, а2=-[1+Т1Т2/Т02-(Т1+Т2)/Т0]/Т1Т2/Т02, Ь^/ВДТ,2;
- дутьевой вентилятор (ДВ) (звено 3):
д(к)=-а3д(к-1)+Ь2х2(к-1),
аэ=1-Т)/Т3, ¿2=кэТ0/Тэ.
В приведенных дискретных моделях использованы следующие обозначения: к=кТ0 -дискретный аргумент (Т0=0,5 с - такт дискретизации), к=0,1,2,...; и(к) - управляющий сигнал на к-ом итерационном шаге; 0(к) - регулируемый выходной сигнал; к1=5; Т=0,0005 с; к2=1,05; 71=13,1 с; 72=1,31 с; кэ=0,062; Тэ=1,0 с.
Схема моделирования системы частотно-управляемого электропривода асинхронным электродвигателем дутьевого вентилятора для стабилизации расхода воздуха в системе MatLab 6.5 показана на рисунке 1.
Рис. 1. Модель системы стабилизации с нейросетевым регулятором: NN Predictive Contoller - нейрорегулятор; Frequency convertor - ЧП; Engine - АД; Fan - ДВ
Архитектура нейросетевой модели объекта управления следующая: количество нейронов в скрытом слое увеличено от четырех до 10; интервал дискретизации - 0,5 с; количество элементов задержки на входе - 2; количество элементов задержки на выходе - 2. Для генерации массива данных, необходимых на этапе обучения, используется 6000 выборок при длительности входного импульса от 10 до 45 секунд. На рисунках 2 и 3 показаны результаты обучения нейросети с использованием алгоритма Левенберга-Марквардта в виде дисперсии ошибки рассогласования реального объекта и его нейромодели (рис. 2) и скорости обучения, характеризующей эффективность (рис. 3).
Рис.3. Скорость обучения нейронной сети по алгоритму Левенберга-Марквардта: 1 - кривая процесса обучения нейронной сети; 2 - кривая контрольной проверки
Реализованное в исследуемой САУ нейроуправление с предсказанием использует принцип удаляющегося горизонта [3]. Горизонт прогноза является важным параметром при построении систем с прогнозирующим нейроуправлением. Этот параметр определяет быстродействие синтезируемой системы, позволяет регулировать ее чувствительность к шумам в каналах обратной связи, открывает способность к управлению инерционными объектами и неминимально-фазовыми свойствами.
Чрезмерное увеличение горизонта прогноза приводит к снижению обусловленности обучающего множества из-за расширения диапазона вариаций возможных управлений, что, в конечном счете, может привести к плохой обусловленности результатов обучения [7]. Поэтому можно предположить, что выбор горизонта прогноза связан с объемом выборки экспериментальных данных Ы2, используемых для предсказания выхода объекта управления. Горизонт прогноза для различных выборок экспериментальных данных не является фиксированным и выбирается с учетом оценки качества переходного процесса. Для выбора, приемлемого нами, получено несколько переходных процессов при М=1, N„=2, р=0,05 при различных значениях Ы2, представленных на рисунке 4.
Рис. 2. Дисперсия ошибки по результатам обучения
Рис. 4. Переходные процессы в системах при различных значениях N2
Из полученных переходных процессов видно, что свойства исследуемой системы существенно зависят от значения N2. В связи этим для окончательной настройки параметров системы управления следует учитывать влияние на качество переходного процесса горизонта прогноза и рассматривать его в качестве параметра настройки нейронной сети. Из рисунка 4 видно, что лучший переходный процесс получается при N2=15. Система обладает высокой точностью и хорошими характеристиками в режимах стабилизации и программного управления (рис. 5). Перерегулирование процесса пренебрежимо мало и равно 0,28% по сравнению с перерегулированием, равным о=27%, в системе с формированием управляющего воздействия по ПИ-закону (Ш(8)=Кп(1+ИТи8) при настройках Кп=3,6; Ти=1,8 с). Принимая во внимание, что, по данным [9], повышение точности реализации рабочих параметров котлов средней производительности при регулировании обеспечивает снижение расхода топлива на 3-5% и потребления электроэнергии на 30-40% при той же производительности котла, ней-росетевое управление следует считать эффективным.
45 40 35 30 25 20 15 10 5 п
3......... ТЫС. м Г 1 Г i 1
1
4................. V................... \.................. V -
[ \ г
i i | i J i i [ с 1
0 100 200 300 400 500 600
Рис. 5. Графики переходных процессов в режиме программного управления
Полученные результаты исследований системы подтверждают способность нейросете-вого управления частотно-регулируемым асинхронным электроприводом дутьевого вентилятора подачи воздуха обеспечить выполнение технических требований по широкому диапазону регулирования скорости и плавности переходных процессов. В конечном итоге, следует ожидать, что результаты проведенных исследований при внедрении в практику должны дать повышение качества регулирования электроприводов.
Примечания:
1. Применение частотных преобразователей в дымососах и оптимизация энергопотребления. URL: http://chistotnik.ru/chastotnyj-preobrazovatel-dlya-dymososa.html (дата обращения: 10.05.2017).
2. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросе-тевые системы управления. М.: ИПРЖР, 2002. Кн. 8. 480 с.
3. Тюкин И.Ю., Терехов В. А. Адаптация в нелинейных динамических системах / предисл. Г.Г. Мали-нецкого. М.: Изд-во ЛКИ, 2008. 384 с.
4. Масютина Г.В. Синтез робастных систем управления с использованием каскадно-связанных модифицированных нелинейных, нечетких и нейросе-тевых регуляторов: дис. ... канд. техн. наук: 05.13.01. [Место защиты: Сев.-Кавказ. гос. техн. ун-т]. Ставрополь, 2011. 228 с.
5. Змеу К.В., Ноткин Б.С., Дьяченко П.А. Безмодельное прогнозирующее инверсное нейроуправление // Мехатроника, автоматизация, управление. 2006. № 9. С. 8-15.
6. Хайкин С. Нейронные сети: полный курс / под ред. Н.Н. Куссуль; пер. с англ. Н.Н. Куссуль, А.Ю. Ше-лестова. М.: Вильямс, 2006. 1104 с.
7. Медведев В.С. Нейронные сети. МАТЪАБ 6: пакеты прикладных программ. Кн. 4 / под общ. ред. канд. техн. наук. В.Г. Потемкина. М.: Диалог-МИФИ, 2002. 496 с.
8. Галушкин А.И. О методике решения задач в ней-росетевом логическом базисе. М.: Новые технологии, 2006. 24 с. [Приложение к журналу «Информационные технологии». 2006. № 9].
9. Универсальный привод Триол АТ04. URL: http://www.ges.ru/raznoe/triol/96.htm (дата обращения: 25.09.2016).
References:
1. Application of frequency converters in smoke exhausters and optimization of energy consumption. URL: http://chistotnik.ru/chastotnyj-preobrazovatel-dlya-dymososa.html (date of access: May 10, 2017).
2. Terekhov V.A., Efimov D.V., Tyukin I.Yu. Neural network control systems. M.: IPRZhR, 2002. Book 8. 480 pp.
3. Tyukin I.Yu., Terekhov V.A. Adaptation in nonlinear dynamic systems / foreword by G.G. Malinetsky. M.: LKI Publishing House, 2008. 384 pp.
4. Masyutina G.V. Synthesis of robust control systems using cascade-coupled modified nonlinear, fuzzy and neural network controllers: Dis. for the Cand. of Tech. Sciences degree: 05.13.01. [Place of defense: North-Caucasus State Tech. Un-ty]. Stavropol, 2011. 228 pp.
5. Zmeu K.V., Notkin B.S., Dyachenko P.A. Model-free predictive inverse neural control // Mechatronics, Automatization, Control. 2006. No. 9. P. 8-15.
6. Khaykin S. Neural networks: comlete course / ed. by N.N. Kussul; transl. from English by N.N. Kussul, A.Yu. Shelestov. M.: Williams, 2006. 1104 pp.
7. Medvedev V.S. Neural networks. MATLAB 6: application software packages. Book 4 / general ed. by the Cand. of Tech. Sciences V.G. Potemkin. M.: Dia-logue-MIFI, 2002. 496 pp.
8. Galushkin A.I. Methods of problem solving in the neural network logical basis. М.: New Technologies, 2006. 24 pp. [Supplement to the Journal of Information Technologies. 2006. No. 9].
9. Universal drive Triol AT04. URL: http://www.ges.ru/raznoe/triol/96.htm (date of access: September 25, 2016).
