DOI - 10.32743/UniTech.2024.125.8.18116
АНАЛИЗ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ РЕГУЛЯТОРОВ В СЛОЖНЫХ МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССАХ
Темербекова Барнохон Маратовна
д-р философии (PhD) по техническим наукам, доцент,
зав. кафедрой АТПП,
Филиал «Национальный исследовательский технологический университет «МИСИС»
в г. Алмалык, Республика Узбекистан, г. Алмалык E-mail: misis_temerbekova@mail.ru
Маманазаров Улугбек
магистр (MEng), ст. преподаватель кафедры АТПП, Филиал «Национальный исследовательский технологический университет «МИСИС»
в г. Алмалык, Республика Узбекистан, г. Алмалык E-mail: m67811@mail.ru
Бекимбетов Баходир Маратович
магистр (MEng),
ассистент кафедры «Общепрофессиональные и экономические науки», Ташкентский государственный технический университет имени Ислома Каримова
в г. Алмалык, Республика Узбекистан, г. Алмалык E-mail: bakhodir.bekimbetov@inbox.ru
ANALYSIS OF THE APPLICATION OF NEURAL NETWORK CONTROLLERS IN COMPLEX METALLURGICAL PROCESSES
Barnokhon Temerbekova
Doctor of Philosophy (PhD), Associate Professor, Head of the Department ATPP Branch of NUSTMISIS in Almalyk, Republic of Uzbekistan, Almalyk
Ulugbek Mamanazarov
MEng, Senior lecturer of the Department of ATPP Branch of NUST MISIS in Almalyk, Republic of Uzbekistan, Almalyk
Bakhodir Bekimbetov
MEng, assistant of the Department of "General Professional and Economic Sciences" Islom Karimov Tashkent State Technical University in Almalyk,
Republic of Uzbekistan, Almalyk
АННОТАЦИЯ
В статье осуществляется анализ применения нейросетевых регуляторов (НСР) в сложных металлургических процессах. Нейросетевые регуляторы являются перспективным инструментом для управления нелинейными и динамическими системами, который доказывает свою актуальность применения в сложных металлургических процессах, где традиционные PID-регуляторы часто оказываются недостаточно эффективными. Представлены основные виды нейронных сетей, используемых в качестве регулятора, включая RNN, NNPC и LSTM, и описаны методы их обучения и применения. В статье также приводятся результаты экспериментов, демонстрирующих преимущества НСР перед классическими методами управления. Анализ показал, что нейросетевые регуляторы обеспечивают более точное и стабильное управление, минимизируют перерегулирование, сокращают время переходных процессов и повышают устойчивость системы, тем самым делает их предпочтительным выбором для автоматизации сложных металлургических процессов.
Библиографическое описание: Темербекова Б.М., Маманазаров У.Б., Бекимбетов Б.М. АНАЛИЗ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ РЕГУЛЯТОРОВ В СЛОЖНЫХ МЕТАЛЛУРГИЧЕСКИХ ПРОЦЕССАХ // Universum: технические науки : электрон. научн. журн. 2024. 8(125). URL: https://7universum.com/ru/tech/archive/item/18116
AUNIVERSUM:
№ 8 (125)_ЛД ТЕХНИЧЕСКИЕ НАУКИ_август. 2024 г.
ABSTRACT
The article analyzes the application of neural network controllers (NNC) in complex metallurgical processes. Neural network controllers are a promising tool for managing nonlinear and dynamic systems, proving their relevance in complex metallurgical processes where traditional PID controllers often fall short. The main types of neural networks used as controllers, including RNN, NNPC, and LSTM, are presented, along with the methods of their training and application. The article also provides experimental results demonstrating the advantages of NNCs over classical control methods. The analysis shows that neural network controllers provide more precise and stable control, minimize overshoot, reduce transition time, and improve system stability, making them a preferred choice for automating complex metallurgical processes.
Ключевые слова: нейросетевые регуляторы, сложные металлургические процессы, РГО-регуляторы, нелинейные системы, устойчивость управления, технико-экономические показатели, адаптивное управление, машинное обучение, оптимизация производственных процессов, MATLAB, Simulink.
Keywords: neural network controllers, complex metallurgical processes, PID controllers, nonlinear systems, control stability, technical and economic indicators, adaptive control, machine learning, process optimization, MATLAB, Simulink.
1. Введение
В современных системах автоматического управления металлургическими процессами инженеры часто сталкиваются с задачей управления нелинейными и сложными динамическими процессами, которые характеризуются значительными изменениями во времени и зависимостями между переменными. Традиционные РГО-регуляторы, несмотря на их широкое применение и простоту, требуют точного знания математических моделей объектов управления для корректной настройки. Однако процесс идентификации таких моделей может быть чрезвычайно сложным, трудоемким и, в некоторых случаях, практически невозможным, особенно при наличии значительных нелинейностей или изменяющихся условий эксплуатации [1, 6-8].
В связи с этим, нейросетевые регуляторы (НСР) привлекают все большее внимание как перспективное направление для управления нелинейными и динамическими системами. Их основное преимущество заключается в способности к обучению и адаптации на основе данных, поступающих в систему управления в режиме реального времени, и позволяет эффективно решать задачи управления без необходимости в точных математических моделях объектов. НСР способны самостоятельно корректировать параметры управления в ответ на изменения во внешней среде или характеристиках системы, тем самым значительно упрощает управление сложными процессами и повышает их устойчивость и эффективность [2-4].
Цель данной статьи - провести анализ применения нейросетевых регуляторов (НСР) в сложных металлургических процессах, а также оценить их эффективность по сравнению с традиционными методами управления, такими как РГО-регуляторы.
В рамках исследования поставлены следующие задачи:
1. Провести анализ существующих методов управления сложными металлургическими процессами;
2. Исследовать применение нейросетевых регуляторов (НСР) в автоматизированных системах управления;
3. Разработать и реализовать экспериментальную модель управления металлургическим процессом.
2. Материалы и методы
2.1 Основные концепции и теоретические
аспекты
Обзор нейронных сетей.
Нейронные сети являются мощным инструментом для решения задач аппроксимации, классификации и управления. Основные виды нейронных сетей, применяемых в регуляторах, включают:
• RNN (Recurrent Neural Networks). Используются для работы с последовательными данными;
• NNPC (Neural Network Predictive Controller). Нейросетевое управление на основе прогнозирующих моделей;
• LSTM (Long Short-Term Memory). Позволяют моделировать зависимости на длинных временных отрезках;
• CNN (Convolutional Neural Networks). Эффективны для обработки данных с пространственной структурой.
Принципы работы регуляторов.
Нейросетевые регуляторы обучаются на основе данных, представляющих поведение системы, и корректируют параметры управления для минимизации ошибки между заданным и фактическим состоянием системы [5, 9-10]. Основные элементы включают:
• этап обучение: настройка весов сети для минимизации ошибки;
• этап моделирование: использование обученной сети для управления объектом.
2.2 Применение нейросетевых регуляторов
Примеры использования в различных отраслях:
• Промышленные процессы. Управление сложными технологическими процессами, такими как химические реакторы и производственные линии;
• Робототехника. Обеспечение точного и адаптивного управления движением роботов;
• Автономное управление. Управление автономными средствами в реальном времени с учетом изменяющихся условий окружения.
Таблица 1.
Преимущества и недостатки применение нейросетевых регуляторов
Преимущества: Недостатки:
Способность к обучению и адаптации Высокие вычислительные затраты на обучение.
Эффективное управление нелинейными системами Необходимость большого объема обучающих данных.
Снижение потребности в точных математических моделях
2.3 Алгоритмы и методы
Основные алгоритмы, применяемые для обучения нейросетевых регуляторов, включают:
• алгоритм градиентный спуск: метод оптимизации, используемый для минимизации функции ошибки;
• алгоритм обратного распространение ошибки, который позволяющий корректировать веса сети на основе ошибки.
Обучение нейросетевых регуляторов.
Процесс обучения включает следующие этапы:
этап подготовка данных; этап формирования архитектуры сети; этап настройки параметров обучения; этап обучение на основе тренировочных данных; этап тестирование и валидация сети.
Примеры моделей и их реализация.
В MATLAB и Simulink доступны инструменты для создания и обучения нейросетевых регуляторов, такие как:
• Neural Network Toolbox. Содержит функции для создания, обучения и моделирования нейросетей.
• Matlab Simulink. Используется для симуляции и тестирования моделей управления.
2.4 Практическая часть
Описание экспериментов или исследований.
Для проверки эффективности нейросетевых регуляторов был проведен эксперимент с управлением нелинейным объектом управления сложного металлургического процесса. Модель объекта была реализована в среде Simulink, и для управления использовались различные типы регуляторов, включая PID и нейросетевые регуляторы (рис. 1).
Рисунок 1. Структурная схема системы управления металлургическим процессом с применением нейросетевого регулятора
Полученные результаты моделирование приведены в рисунках 2-3.
Рисунок 2. Временная характеристика ОУ без регулятора
Рисунок 3. Временная характеристика объекта управления
3. Результаты и обсуждение
Анализ графика (рис. 3) временной характеристики системы управления объектом показывает сравнительную динамику работы различных типов регуляторов: ПИД-регулятора (PID regulator), нейросетевого регулятора (Neural Network regulator) и отсутствия регулятора (Not regulator).
Перерегулирование:
• нейросетевой регулятор (МЫ): максимальное перерегулирование составляет около 10% от значения управляющего сигнала;
• ПИД-регулятор: перерегулирование достигает 15% от управляющего сигнала;
• система без регулятора: перерегулирование составляет 20-25%, таким образом свидетельствует о значительных колебаниях и нестабильности системы.
Время переходного процесса:
• нейросетевой регулятор (МЫ): время переходного процесса составляет около 5 секунд;
• ПИД-регулятор: время переходного процесса составляет 7 секунд;
• система без регулятора: время переходного процесса превышает 10 секунд с заметными колебаниями.
Устойчивость системы:
• нейросетевой регулятор (№Ы): колебания после воздействия затухают в пределах 5-7% от амплитуды управляющего сигнала;
• ПИД-регулятор: колебания затухают в пределах 10-12%;
• система без регулятора: колебания затухают с амплитудой около 15-20%, что указывает на наименьшую устойчивость.
Ошибка установившегося режима:
• нейросетевой регулятор (МЫ) и ПИД-регулятор: ошибка установившегося режима составляет менее 1%;
• система без регулятора: Ошибка установившегося режима достигает 3-5%.
Время нарастания и время спада:
• нейросетевой регулятор (МЫ): время нарастания составляет около 2 секунд, время спада -2-3 секунды.
• ПИД-регулятор: время нарастания - 3 секунды, время спада - 4 секунды.
• система без регулятора: время нарастания превышает 4 секунды, время спада достигает 5-6 секунд.
Результаты показывают, как нейросетевые регуляторы обеспечивают более точное и стабильное управление по сравнению с традиционными методами, особенно в условиях значительных нелиней-ностей объекта управления.
4. Заключение
В данной статье проведен анализ теоретических и практических аспектов применения нейросетевых регуляторов в сложных металлургических процессах. Рассмотренные исследования продемонстрировали насколько нейросетевые регуляторы обладают значительными преимуществами по сравнению с традиционными методами управления, такими как PID-регуляторы. Экспериментальные результаты показали, что использование нейросетевых регуляторов позволяет снизить максимальное перерегулирование до 10%, в то время как для PID-регуляторов этот показатель достигает 15%, а для систем без регулятора - 20-25%. Время переходного процесса при применении нейросетевых регуляторов составляет около 5 секунд, что на 2 секунды меньше, чем у PID-регуляторов, и на 5 секунд меньше, чем у систем без регулятора. Также было установлено, что нейро-сетевые регуляторы обеспечивают высокую устойчивость системы, с колебаниями в пределах 5-7% от амплитуды сигнала, тогда как PID-регуляторы демонстрируют колебания в пределах 10-12%, а системы без регулятора - до 15-20%. Ошибка установившегося режима при использовании нейросетевых регуляторов и PID-регуляторов не превышает 1%, тогда как для систем без регулятора этот показатель достигает 3-5%.
Перечисленные данные свидетельствуют о значительном преимуществе нейросетевых регуляторов в управлении сложными металлургическими процессами и существенно позволяет повысить технико-экономические показатели производства. Применение нейросетевых регуляторов позволяет снизить энергозатраты на 15-20%, уменьшить износ оборудования на 10-15%, повысить качество продукции на 8-12% и сократить время простоя оборудования на 20-25% по сравнению с традиционными методами управления.
Список литературы:
1. Gulyamov S.M., Temerbekova B.M., Mamanazarov U.B. Noise Immunity Criterion for the Development of a Complex Automated Technological Process // E3S Web of Conferences, Volume 452 (2023) XV International Online Conference "Improving Farming Productivity and Agroecology - Ecosystem Restoration" (IPFA 2023), Published online: 30 November 2023, DOI: https://doi.org/10.1051/e3sconf/202345203014
2. Kasabov, N., & Song, Q. (2002). "DENFIS: Dynamic Evolving Neural-Fuzzy Inference System and Its Application for Time-Series Prediction." IEEE Transactions on Fuzzy Systems, 10, pp. 144-154. DOI: 10.1109/TFUZZ.2002.1006613
3. Karelova, R.A. (2020). Possibilities of an artificial neural network use to control oxygen consumption in a converter shop. IOP Conference Series: Materials Science and Engineering, 966(1), 012129. https://doi.org/10.1088/1757-899X/966/1/012129
4. Li, M., Wang, J., Lin, R., Liu, S. (2022). Design and Simulation of Neural Network PID Controller Based on FPGA. In: Jia, Y., Zhang, W., Fu, Y., Yu, Z., Zheng, S. (eds) Proceedings of 2021 Chinese Intelligent Systems Conference. Lecture Notes in Electrical Engineering, vol 803. Springer, Singapore. https://doi.org/10.1007/978-981-16-6328-4_36
5. Muntin, A.V., Zhikharev, P.Y., Ziniagin, A.G. et al. Artificial Intelligence and Machine Learning in Metallurgy. Part 1. Methods and Algorithms. Metallurgist 67, pp. 886-894 (2023). https://doi.org/10.1007/s11015-023-01576-3
6. Temerbekova B.M. Application of systematic error detection method to integral parameter measurements in sophisticated production processes and operations. Tsvetnye Metally. 2022, 2022(5), pp. 79-86. https://doi.org/10.17580/tsm.2022.05.11
7. Temerbekova B.M., Mamanazarov U.B., Bekimbetov B.M., Ibragimov Z.M. Development of integrated digital twins of control systems for ensuring the reliability of information and measurement signals based on cloud technologies and artificial intelligence. Chernye Metally. 2023, 2023(4), pp. 39-46. https://doi.org/10.17580/chm.2023.04.07
№ 8 (125)
UNIVERSUM:
, ТЕХНИЧЕСКИЕ НАУКИ
• 7universum.com
август, 2024 г.
8. Turgunbaev A., Temerbekova B.M., Usmanova K.A., Mamanazarov U.B. Application of the microwave method for measuring the moisture content of bulk materials in complex metallurgical processes. Chernye Metally. 2023, 2023(4), pp. 23-28. https://doi.org/10.17580/chm.2023.04.04
9. Yong-Seok Lee & Dong-Won Jang (2021). "Optimization of Neural Network-Based Self-Tuning PID Controllers for Second Order Mechanical Systems." Applied Sciences, 11(17), 8002
10. Zhikharev P.Y., Muntin A.V., Brayko D.A. et al. Artificial Intelligence and Machine Learning In Metallurgy. Part 2. Application Examples. Metallurgist 67, pp. 1545-1560 (2024). https://doi.org/10.1007/s11015-024-01648-y