CC BY
24
УДК 681.5 С. А. Терентьев
АЛГОРИТМЫ СИСТЕМЫ УПРАВЛЕНИЯ НА ОСНОВЕ МНОГОСЛОЙНОЙ НЕЙРОННОЙ СЕТИ ТЕХНОЛОГИЧЕСКОЙ УСТАНОВКИ ПЕРЕГОНКИ НЕФТИ
Ключевые слова: система управления, технологическая установка, многослойная нейронная сеть.
Приводятся результаты исследования реализации системы управления технологической установкой на основе алгоритмов многослойных нейронных сетей. Проведены расчеты в программном комплексе Matlab, выполнен анализ полученных результатов.
Key words: control system, process unit, the multilayer neural network.
We present the results of the implementation of the management system process-based algorithms for multilayer neural networks. The calculations in the software package Matlab, the analysis of the obtained results.
В работе решается формирования управления ректификационной колонной перегонки нефти [1]. Схема установки приведена в работах [4.8].
Актуальность решаемой задачи по данной теме отмечена в работе [2].
Математическая модель управления процессами в колонне рассматривалась в [3]. Идентификация параметров модели технологической установки проводилась в работе [4]. В работах [4,8] приводится схема системы управления колонной.
Методом проектирования системы управления выбран метод на основе нейронной сети. В настоящее время теория нейронных сетей интенсивно развивается, и такой подход позволяет решать многие практические задачи управления. Формирование управления состоит из следующих этапов:
1) этап идентификации динамического объекта на тестовой выборке входов-выходов с обучением нейронной сети;
2) этап настройки регулятора
Свойства нейронных сетей такие, как самонастройка структурная и параметрическая (самообучение), адаптивность и возможность работы со сложными процессами, позволяют успешно решать сложные задачи управления.
Дистилляционная колонна имеет точки отбора дистиллятов. Концентрация тяжелого компонента в каждом из трех верхних дистиллятов обозначена через У1. зъ ;у3, _у4. уъ Требуемый состав дистиллятов обеспечивается изменением скоростей отвода «ц, «е «а-
Математическая модель технологической установки системы в пространстве состояний имеет вид:
л
(1)
Компьютерная модель объекта управления в Simulink представлена на рис. 1.
= АХ + BU,
Y=CX+DU,
(2)
где - вектор параметров
состояния, 11=со1 ¡И]_,ц21, и, | - вектор управления, А и В - динамические матрицы, У=со1 {;У]_, ;уг,у3, у4., у5, ;Уе.|- вектор измерений, С и Б - матрицы в уравнении измерений.
Рис. 1 - Модель технологической установки в Simulink
В модели рассматривается реакция выходного параметра у6 установки на входной сигнал ut. В компьютерной модели реализованы уравнения (1) и (2). Параметры модели задаются программой в Matlab, которая приведена далее.
A=[-0.111,0,0,0,0,0; 0,-0.125,0,0,0,0; 0,0,-0.167,0,0,0;
0,0,0,-0.1,0,0; 0,0,0,0,-0.125,0; 0,0,0,0,0,-0.143]; B=[1,0,0; 1,0,0; 0,1,0; 1,0,0; 0,1,0; 0,0,1]; C=eye(6); D=[0,0,0; 0,0,0; 0,0,0; 0,0,0; 0,0,0; 0,0,0];
Схема системы управления выполнена с обратной связью и состоит из контура для идентификации и контура для управления (рис.2).
Контроллер управления выполнен на основе многослойной нейронной сети. Для реализации контроллера используем блок Model Reference
Control из раздела Neural Network Blockset
библиотеки инструментов Matlab.
Рис. 2 - Схема системы управления с обратной связью состоит из контура для идентификации и контура для управления
На первой стадии выбираем структуру и параметры идентификатора модели
технологической установки.
На второй стадии формируется выборка входных и выходных сигналов для обучения нейронной сети.
На этом этапе на вход модели подаются тестовые прямоугольные импульсные входные сигналы.
На третьей стадии проводится обучение многослойной нейронной сети.
Рис. 3 - Графики, показывающие процесс обучения многослойной нейронной сети. Точность настройки сети после 100 эпох обучения равна 3.8*10-9 (нижний график)
На рис.3 представлен процесс обучения нейронной сети, после 50 эпох обучения точность улучшается медленно и при 100 эпохах получено значение точности 3.8*10-9 (нижний график).
Результатом идентификации и обучения нейронной сети является настроенный контроллер, для которого при тестовых входных сигналах объект управления имеет близкие к требуемым выходные сигналы.
Сравнение результатов компьютерного моделирования переходных процессов показывает высокую точность выдерживания требуемых выходных сигналов для контроллера на основе многослойной нейронной сети (рис.4). На этом рисунке требуемый выходной сигнал - ступенчатая функция, более плавный график - это
реализованный системой управления выходной сигнал объекта управления.
ХУ Р10
2[-[-1-1-1-1-1-1-[-1-
1.5 - -
-0.5 - -
-11-1-1-1-1-1-1-1-1-1-
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Рис. 4 - Анализ точности реализации требуемого выходного сигнала, требуемый выходной сигнал - ступенчатая функция, более плавный график -это реализованный системой управления выходной сигнал объекта управления
Переходные процессы в системе управления после идентификации модели и обучения многослойной нейронной сети с высокой точностью совпадают с требуемыми процессами. Таким образом, показана эффективность использования нейро-сетевых алгоритмов для реализации систем управления технологических установок.
Выводы
В статье приводятся результаты исследования управления технологической установкой -ректификационной колонной перегонки нефти, решена задача реализации системы управления на основе многослойных нейро-сетевых алгоритмов. Результаты автора по разработке систем автоматического управления [5-7], а также [4,8] позволили эффективно решить поставленную задачу.
Представлена схема технологической установки с выделением управляющих воздействий и выходных сигналов, разработана математическая модель системы управления в векторно-матричном виде.
В работе сформулирована задача формирования системы управления технологического процесса. Разработана компьютерная программа в МайаЬ для проведения расчетов.
Проведены расчеты по реализации системы управления на основе многослойных нейро-сетевых алгоритмов в системе МаНаЬ.
Анализ результатов компьютерных расчетов показывает следующее.
1) Проведение идентификации модели и поэтапной настройки многослойной нейронной сети позволило обеспечить высокую точность воспроизведения тестовых выходных сигналов.
2) Переходные процессы в системе управления с настроенным многослойным нейро-сетевым алгоритмом управления с высокой точностью совпадают с требуемыми выходными процессами.
Таким образом, в работе показана эффективность использования нейро-сетевых алгоритмов для реализации систем управления технологических установок.
Литература
1. Сайт «Химическая энциклопедия»: www.xumuk.ru
2. Сидоров Д.С., Хоменко А.А., Рыжов Д.А. Современные методы расчета нефтеперерабатывающего оборудования. Вестник Казан. технол. ун-та. Т.17, №11, 2014. С. 196-197.
3. Рей У. Методы управления технологическими процессами: пер. с англ. - М.:Мир, 1983.- 386 с.
4. Терентьев С.А. Идентификация модели технологической установки перегонки нефти. Вестник технол. ун-та. Т.18, №11, 2015. С. 186-188.
5. Терентьев С.А. Алгоритм динамически подобного управления летательным аппаратом. Вестник Казан. технол. ун-та. Т.15, №15, 2012. С. 252-254.
6. Терентьев С.А. Управление летательным аппаратом, обеспечивающее динамическое подобие. Вестник Казан. технол. ун-та. Т.16, №6, 2013. С. 176-178.
7. Терентьев С.А. Управление летательным аппаратом, обеспечивающее динамическое подобие при повороте. Вестник Казан. технол. ун-та. Т.17, №11, 2014. С. 248250.
8. Терентьев С.А. Оптимальное управление технологической установкой. Вестник Казан. технол. ун-та. Т.17, №20, 2014. С. 265-266.
© С. А. Терентьев - канд. техн. наук., доц. каф. автоматизированных систем сбора и обработки информации КНИТУ, [email protected].
© S. A. Terentev, candidate.tech.Sciences., associate Professor of Department of automated systems of collection and processing of KNRTU, [email protected].
