CC BY
60
ВЕСТНИК ПНИПУ
2019 Химическая технология и биотехнология № 2
Б01: 10.15593/2224-9400/2019.2.06 УДК 62-503.57
Б.Г. Стафейчук1, А.Я. Шакирова2
1 Пермский национальный исследовательский политехнический университет, Пермь, Россия 2ООО «АСУ Инжиниринг», Пермь, Россия
ИССЛЕДОВАНИЕ АДАПТИВНОЙ СИСТЕМЫ АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ НА ИМИТАЦИОННОЙ МОДЕЛИ РЕАКТОРА
В последние годы меняется мнение о роли автоматизации технологических процессов в общем комплексе задач по повышению эффективности производства. Стали появляться руководители, которые интересуются тем, какой реальный экономический и технический эффекты дают имеющиеся на предприятии системы автоматического управления. В процессе функционирования технологического объекта поддержание параметра на нужном диапазоне обеспечивается с помощью применения автоматического регулятора. Для реальной эксплуатации систем автоматического регулирования необходимо располагать корректными настройками регулятора. Точность определения настроек регулятора влияет на показатели качества систем автоматического регулирования. В процессе эксплуатации некоторые параметры объекта изменяются, что ведет к снижению качества процессов регулирования. Таким образом, необходимо адаптировать систему автоматического регулирования в процессе ее эксплуатации. Одним из распространенных способов адаптации является адаптация с идентификацией объекта, при которой математическая модель объекта позволяет оптимизировать работу системы автоматического регулирования непосредственно в процессе эксплуатации. Внедрение математической модели объекта в состав алгоритма управления требует большой вычислительной мощности системы управления либо ведет к ограничению точности математической модели, что непосредственно скажется на качестве процессов регулирования.
Исходя из теории подобия предполагается получить аналитические зависимости непосредственно между изменяющимися параметрами объекта и оптимальными настраиваемыми параметрами систем автоматического регулирования. В статье предлагается использование статической прямонаправленной нейронной сети в качестве инструмента описания взаимосвязи параметров объекта и оптимальными параметрами системы автоматического регулирования. В данной работе представлены результаты исследования применения нейросетевых технологий с целью создания адаптивной системы автоматического регулирования проточным неизотермическим реактором.
Ключевые слова: адаптивное регулирование, нейронная сеть, модель реактора, температурный режим.
B.G. Stafeichuk1, A.Ia. Shakirova2
1Perm National Research Polytechnic University, Perm, Russian Federation 2OOO «ASU Inzhiniring», Perm, Russian Federation
RESEARCH OF ADAPTIVE AUTOMATIC REGULATION
SYSTEM WITH THE USE OF NEURAL NETWORK TECHNOLOGIES ON THE IMITATION REACTOR MODEL
In recent years, the opinion about the role of automation of technological processes in the overall set of tasks to improve production efficiency is changing. Heads think about what real economic and technical effects the automatic control systems of the enterprise had on the enterprise. In the process of operation of the technological object, maintaining the parameter on the desired range is provided through the use of an automatic controller. For real operation of automatic control systems, it is necessary to have the correct controller settings. The accuracy of determining the controller settings affects the quality of the automatic control systems. During operation, some parameters of an object change, which leads to a decrease in the quality of regulatory processes. Thus, it is necessary to adapt the automatic control system during its operation. One of the most common methods of adaptation is adaptation with the identification of an object, in which the mathematical model of an object allows you to optimize the operation of the automatic control system directly during operation. The introduction of a mathematical model of an object into a control algorithm requires a large computational power of the control system, or it leads to a limitation on the accuracy of the mathematical model, which directly affects the quality of the regulatory processes.
Based on the theory of similarity, it is assumed possible to obtain analytical dependencies directly between the changing parameters of the object and the optimal tunable parameters of automatic control systems. The article proposes the use offeed forward neural network as a tool for describing the relationship between the parameters of the object and the optimal parameters of the automatic control system. This paper presents the results of a study of the use of neural network technologies in order to create an adaptive system of automatic control by a flow non-isothermal reactor.
Keywords: adaptive regulation, neural network, reactor model, temperature conditions.
Введение. В последние годы меняется мнение о роли автоматизации технологических процессов в общем комплексе задач по повышению эффективности производства [1-3]. Если ранее основной задачей автоматизации была замена физически изношенных средств, а технико-экономическое обоснование такой замены либо не требовалось, либо ее создание носило абсолютно формальный характер, то теперь стали появляться руководители предприятий, которые интересуются тем, какой реальный экономический и технический эффект дают имеющиеся на предприятии системы автоматического управления (САР). К этому их приводят следующие обстоятельства:
1) непрерывно повышающиеся цены на энергетические и материальные ресурсы все более остро ставят задачу их экономии для снижения себестоимости производимой продукции;
2) для сохранения конкурентоспособности производимой продукции необходимо все более точно отслеживать ее качество;
3) в существующих условиях расширяющегося рынка целесообразно максимально увеличивать производительность предприятия;
4) при наличии устойчивого финансового положения предприятия у него стали появляться некоторые ресурсы, которые можно было бы использовать для модернизации или замены систем регулирования, если эти мероприятия реально скажутся на эффективности работы предприятия.
Отсюда стал возникать интерес у некоторых руководителей предприятий к рациональному выбору и к эффективной работе систем регулирования [4-9]. В связи с этим службы автоматики этих предприятий стали приходить к необходимости обследования существующего рынка типовых алгоритмов и программ регулирования и к более внимательному анализу функционирования существующих на предприятии САР.
В процессе функционирования технологического объекта поддержание параметра на нужном диапазоне обеспечивается с помощью применения автоматического регулятора. Для оптимальной эксплуатации САР необходимо располагать настройками регулятора. Точность определения настроек регулятора влияет на показатели качества САР. В процессе эксплуатации САР некоторые параметры объекта изменяются, что ведет к снижению качества процессов регулирования [10-11]. Таким образом, необходимо адаптировать САР в процессе ее эксплуатации. Одним из распространенных способов адаптации является адаптация с идентификацией объекта, при которой математическая модель объекта позволяет оптимизировать работу САР непосредственно в процессе эксплуатации [12-14]. Внедрение математической модели объекта в состав алгоритма управления требует большой вычислительной мощности системы управления либо ведет к ограничению точности математической модели, что непосредственно скажется на качестве процессов регулирования.
Исходя из теории подобия предполагается получить аналитические зависимости непосредственно между изменяющимися параметрами объекта и оптимальными настраиваемыми параметрами САР. В работе предлагается использовать статическую прямонаправленную нейронную сеть в качестве инструмента описания взаимосвязи параметров объекта и оптимальными параметрами САР. Практика применения нейросетевых тех-
нологий для задач автоматического управления различного рода объектами описана в ряде работ [11, 12, 15]. В данной работе представлены результаты исследования применения нейросетевых технологий с целью создания адаптивной САР температурным режимом проточного неизотермического реактора.
Описание объекта. За объект управления выбран проточный неизотермический реактор смешения. На рис. 1 представлена схема типового неизотермического проточного реактора смешения. Здесь х0 - начальная концентрация исходного компонента; х - конечная концентрация исходного компонента; То - начальная температура реагирующей смеси; Т - конечная температура реагирующей смеси; Тхо - температура хладагента на входе; Тх1 - температура хладагента на выходе; Q - расход реагирующей смеси (нагрузка); G - расход хладагента; 2 - концентрация вещества.
Рис. 1. Схема типового неизотермического проточного реактора смешения
Для рассматриваемого реактора на основании исследований, описанных в работе [16], получена математическая модель, реализованная в вычислительной среде МЛТЪЛВ +81шиНпк.
Температурный режим в реакторе поддерживается за счет теплообмена между реакционной средой и потоком хладагента. Рассматривается контур стабилизации температуры реакционной смеси на выходе реактора изменением расхода хладагента.
При исследовании динамики данного процесса установлено, что основными возмущающими воздействиями являются: а) отклонение температуры хладагента от номинальной; б) колебания нагрузки реактора (объемный расход реагирующей смеси).
По формальной модели реактора определены динамические и статические параметры канала регулирования температуры как объекта самовыравнивания первого порядка. Получены значения коэффициентов передачи и постоянной времени модели объекта управления. Изменения температуры хладагента рассматривались в диапазоне от 5 до 30 °С, с шагом 1 °С, а изменение нагрузки в диапазоне от 0,85 до 4,25 м3/ч с шагом 0,34 м3/ч. Режим нормальной эксплуатации реактора задается значениями Q = 1,7 м3/ч и Тх0 = 20 °С. Для найденных параметров объекта управления рассчитаны значения коэффициентов пропорционально-интегрального (ПИ) алгоритма регулирования Кр и Т. Параметрический синтез ПИ алгоритма проводился при ограничении на корневой показатель колебательности т = 0,386, обеспечивающий степень затухания 0,9. Результаты вычислений приведены в таблице.
Значения параметров объекта управления и коэффициентов настройки ПИ-регулятора
№ п/п Параметры объекта управления Параметры передаточной функции Настройки ПИ-регулятора
Q, м3/ч Тх0, °С Км, °С/(м3/ч) Тм, мин Кс, (м3/ч)/°С Т, с
1 4,25 30 0,235 9,13 54,02 19,2
2 4,25 29 0,306 9,21 41,07 19,5
3 4,25 28 0,387 9,28 32,26 19,8
89 1,7 20 0,974 17,17 6,86 61,2
129 1,42 6 3,006 20,04 1,92 78,5
130 1,42 5 3,208 20,12 1,79 79
233 0,87 6 2,176 24,17 2,2 107,6
234 0,87 5 2,32 24,24 2,06 108
Анализ данных вычислений показывает, что режим работы объекта управления существенно влияет на настройки ПИ-регулятора, способные обеспечить заданной качество функционирования системы стабилизации температурным режимом реактора. Возникает проблема изменения параметров настройки регулятора в процессе функционирования, которая решается процедурой адаптации САР к текущему режиму работы реактора.
Нейросетевая адаптация регулятора. Нейронные сети используются в САР либо в качестве непосредственно регулятора (блока, вырабатывающего управляющее воздействие), либо в качестве блока настройки типового регулятора (блока, вырабатывающего коэффициенты алгоритма регулятора). В данной работе рассмотрен пример применения нейронной
сети в качестве блока адаптации, формирующего настройки регулятора, которые обеспечат требуемый уровень качества функционирования САР.
Типовая структура САР с ПИ-регулятором и нейронной сетью в качестве блока автонастройки показана на рис. 2.
Рис. 2. Структурная схема САР с ПИ-регулятором и нейронной сетью
Нейронная сеть в данной структуре играет роль функционального преобразователя, который для каждого набора сигналов Q, Тх0 вырабатывает коэффициенты настройки ПИ-регулятора Кр и Т.
Искусственная нейронная сеть для коррекции коэффициентов ПИ-регулятора имеет вид двухслойного персептрона прямого распространения сигнала, с алгоритмом обратного распространения ошибки. Количество нейронов в скрытом слое 6. Сеть была обучена на базе данных, представленных в таблице. Для входных данных обучающей выборки использованы значения температуры хладагента (Тхо) и объемный расход реагирующей смеси (<0), в качестве выходных данных - значения коэффициентов настроек ПИ-регулятора Кр и Т..
Результаты эксперимента. Выполнена апробация предложенного подхода к функционированию САР (см. рис. 2). Проведена серия экспериментов, в ходе которых управление реактором осуществлялось САР с ПИ-регулятором, настроенным для номинального режима работы реактора, и САР с ПИ-регулятором, адаптируемым обученной нейронной сетью. Номинальный режим работы реактора: Тх0 = 20 °С и Q = 1,7 м /ч.
На рис. 3 представлены переходные процессы в классической и адаптивной системе управления при номинальной нагрузке реактора Q = 1,7 м3/ч и Тхо = 30 °С.
Рис. 3. Сравнение работы классической и адаптивной САР при Тхо = 30 °С и 0> = 1,7 м3/ч
На рис. 4 представлены переходные процессы в классической и адаптивной САР при номинальной температуре хладагента Тх0 = 20 °С и нагрузке реактора Q = 0,87 м3/ч.
Рис. 4. Сравнение работы классической и адаптивной САР при Тх0 = 20 °С и Q = 0,87 м3/ч
На рис. 5 представлены переходные процессы в классической и адаптивной САР при температуре хладагента Тх0 = 30 °С и нагрузке реактора Q = 0,87 м3/ч.
Рис. 5. Сравнение работы классической и адаптивной САР при Тх0 = 30 °С и Q = 0,87 м3/ч
На рис. 6 представлены переходные процессы в классической и адаптивной САР при номинальном режиме работы Тх0 = 20 °С и Q = 1,7 м3/ч.
Рис. 6. Сравнение работы классической и адаптивной САР при Тх0 = 20 °С и Q = 1,7 м3/ч
Анализ результатов эксперимента показывает, что при отклонении режимов работы реактора от номинального качество работы САР с установленными для номинального режима коэффициентами ПИ алгоритма
существенно ухудшается: увеличивается время регулирования и величина динамической ошибки. Наиболее тяжелым возмущающим воздействием является изменение температуры хладагента. Применение блока адаптации на основе искусственной нейронной сети позволяет существенно повысить быстродействие системы стабилизации температурного режима работы реактора. Таким образом, можно сделать вывод, что применение блока адаптации на основе искусственной нейронной сети положительно влияет на качество регулирования температурного режима реактора.
Заключение. В рамках исследования сформирована база из 234 значений параметров управляемого объекта и соответствующих им настроек ПИ-регулятора для разработки системы управления реактором на основе нейросетевых технологий. Исследована и разработана искусственная нейронная сеть для коррекции коэффициентов алгоритма ПИ-регулятора. Проведенные эксперименты показывают, что обученная нейронная сеть способна определять коэффициенты ПИ-регулятора, позволяющие получить требуемое качество работы системы стабилизации температурного режима реактора при постоянно меняющихся значениях температуры хладагента и расхода реагирующей смеси.
Список литературы
1. Ицкович Э.Л. Современные алгоритмы автоматического регулирования и их использование на предприятиях // Автоматизация в промышленности. - 2007. - № 6. - С. 39-44.
2. Торгашов А.Ю., Гончаров А.А., Самотылова С.А. Современные методы построения систем усовершенствованного управления технологическими процессами // Вестник Дальневосточного отделения РАН. - 2016. - Т. 188, № 4. - С. 102-107.
3. Опыт разработки и внедрения систем усовершенствованного управления технологическими процессами нефтепереработки на базе виртуальных анализаторов качества / А.Г. Шумихин [и др.] // Вестник Пермского национального исследовательского политехнического университета. Химическая технология и биотехнология. - 2016. - № 2. - С. 39-53.
4. Система усовершенствованного управления установкой первичной переработки нефти: создание, внедрение, сопровождение / Ю.Н. Бельков [и др.] // Автоматизация в промышленности. - 2013. - № 8. - С. 3-10.
5. Яковис Л.М. Многоуровневое управление производством (состояние, проблемы, перспективы) // Автоматизация в промышленности. - 2009. -№ 9. - С. 15-22.
6. Яковис Л.М. Повышение «интеллектуального уровня» систем управления производством - проблемы и перспективы // Труды ВСПУ-2014 / Ин-т проблем управления им. В.А. Трапезникова РАН. - М., 2014. - С. 4380-4391.
7. Харазов В.Г. Интеллектуальные приборы и системы управления // Известия Санкт-Петербургского государственного технологического института (технического университета). - 2014. - Т. 52, № 26. - С. 92-94.
8. Emerson внедрила систему усовершенствованного управления технологическим процессом на газофракционирующей установке АО «Уралоргсинтез» / С.Н. Гусев [и др.] // Территория «НЕФТЕГАЗ». - 2017. - № 5. - С. 14-20.
9. Логунов П.Л., Шаманин М.В. Использование информационных технологий и математических моделей в управлении производством // Мир нефтепродуктов. Вестник нефтяных компаний. - 2013. - № 7. - С. 28-30.
10. Смирнов Н.И., Сабанин В.Р., Репин А.И. О корректности настройки ПИД регулятора при аппроксимации переходной характеристики объекта регулирования апериодическим звеном с транспортным запаздыванием // Промышленные АСУ и контроллеры. - 2007. - № 1. - С. 35-39.
11. Шумихин А.Г., Александрова А.С., Мустафин А.И. Параметрическая идентификация технологического объекта в режиме его эксплуатации с применением технологии нейронных сетей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2018. - № 26. - С. 29-41.
12. Шаровин И.М., Смирнов Н.И., Репин А.И. Применение искусственных нейронных сетей для адаптации САР в процессе их эксплуатации // Промышленные АСУ и контроллеры. - 2012. - № 4. - С. 27-32.
13. Чепак Л.В. Адаптивное прогнозирующее устройство для объекта с запаздыванием по управлению в системах с явным эталоном // Информатика и системы управления. - 2002. - Т. 04, № 2. - С. 126-132.
14. Еремин Е.Л. Ильина Л.В. Адаптивные системы с динамическим уп-редитель-компенсатором для объектов с запаздыванием по управлению // Информатика и системы управления. - 2002. - Т. 03, № 1. - С. 97-102.
15. Антоненков А.В. Искусственная нейронная сеть как инструмент исследования переходных процессов в асинхронных двигателях: дис. ... канд. техн наук. - М., 2008. - 132 с.
16. Перов В. Л. Основы теории автоматического регулирования химико-технологических процессов. - М.: Химия, 1970. - 352 с.
References
1. Itskovich E.L. Sovremennye algoritmy avtomaticheskogo regulirovaniia i ikh ispol'zovanie na predpriiatiiakh [Modern algorithms of automatic regulation and their use at enterprises]. Avtomatizatsiia v promyshlennosti, 2007, no. 6. pp. 39-44.
2. Torgashov A.Iu., Goncharov A.A., Samotylova S.A. Sovremennye metody postroeniia sistem usovershenstvovannogo upravleniia tekhnologicheskimi protsessami [Modern methods of evaluation of advanced process control systems]. Vestnik Dal'nevostochnogo otdeleniia RAN, 2016, vol. 188, no. 4, pp. 102-107.
3. Shumikhin A.G. et al. Opyt razrabotki i vnedreniia sistem usovershenstvovannogo upravleniia tekhnologicheskimi protsessami neftepererabotki na
E.r. Cma$emyK, A.H. W,QKupoea
baze virtual'nykh analizatorov kachestva [Experience developments and introduction advanced technologicals processes control oil refining based virtual quality analysers]. Vestnik Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta, Khimicheskaia tekhnologiia i biotekhnologiia., 2016, no. 2, pp. 39-53.
4. Bel'kov Iu.N. et al. Sistema usovershenstvovannogo upravleniia ustanovkoi pervichnoi pererabotki nefti: sozdanie, vnedrenie, soprovozhdenie [The system of advanced control of the installation of primary oil refining: the creation, implementation, maintenance]. Avtomatizatsiia v promyshlennosti, 2013, no. 8, pp. 3-10.
5. Iakovis L.M. Mnogourovnevoe upravlenie proizvodstvom (sostoianie, problemy, perspektivy) [Multi-level production management (state, problems, prospects)]. Avtomatizatsiia v promyshlennosti, 2009, no. 9, pp. 15-22.
6. Iakovis L.M. Povyshenie "intellektual'nogo urovnia" sistem upravleniia proizvodstvom - problemy i perspektivy [Increasing the "intellectual level" of production management systems - problems and prospects]. XII vserossiiskoe soveshchanie po problemam upravleniia VSPU-2014. Moscow, Institut Problem upravleniia im. V.A. Trapeznikova RAN, 2014, pp. 4380-4391.
7. Kharazov V.G. Intellektual'nye pribory i sistemy upravleniia [Intelligent devices and control systems]. Izvestiia Sankt-Peterburgskogo gosudarstvennogo tekhnologicheskogo instituta (tekhnicheskogo universiteta), 2014, vol. 52, no. 26, pp. 92-94.
8. Gusev S.N. et al. Emerson vnedrila sistemu usovershenstvovannogo upravleniia tekhnologicheskim protsessom na gazofraktsioniruiushchei ustanovke AO «Uralorgsintez» [Emerson introduced an advanced process control system for a gas fractionation plant at Ural Organic Synthesis JSC]. Territoriia «NEFTEGAZ», 2017, no. 5, pp. 14-20.
9. Logunov P.L., Shamanin M.V. Ispol'zovanie informatsionnykh tekhnologii i matematicheskikh modelei v upravlenii proizvodstvom [Use of information technologies and mathematical models in production management]. Mir nefteproduktov. Vestnik neftianykh kompanii, 2013, no. 7, pp. 28-30.
10. Smirnov N.I., Sabanin V.R., Repin A.I. O korrektnosti nastroiki PID reguliatora pri approksimatsii perekhodnoi kharakteristiki ob''ekta regulirovaniia aperiodicheskim zvenom s transportnym zapazdyvaniem [On the correctness of PID controller settings at the control objectis transient characteristic approximation by an aperiodic link with transportation lag]. Promyshlennye ASU i kontrollery, 2007, no. 1, pp. 35-39.
11. Shumikhin A.G., Aleksandrova A.S., Mustafin A.I. Parametricheskaia identifikatsiia tekhnologicheskogo ob''ekta v rezhime ego ekspluatatsii s primeneniem tekhnologii neironnykh setei [Technological object parametric identification within execution mode with neural network technology]. Vestnik Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta. Elektrotekhnika, informatsionnye tekhnologii, sistemy upravleniia, 2018, no. 26, pp. 29-41.
12. Sharovin I.M., Smirnov N.I., Repin A.I. Primenenie iskusstvennykh neironnykh setei dlia adaptatsii SAR v protsesse ikh ekspluatatsii [Application of artificial neural networks for adapting ATS during their operation]. Promyshlennye ASU i kontrollery, 2012, no. 4, pp. 27-32.
13. Chepak L.V. Adaptivnoe prognoziruiushchee ustroistvo dlia ob''ekta s zapazdyvaniem po upravleniiu v sistemakh s iavnym etalonom [Adaptive system with quick-reference model for scalar plant with delay in control]. Informatika i sistemy upravleniia, 2002, vol. 04, no. 2, pp. 126-132.
14. Eremin E.L. Il'ina L.V. Adaptivnye sistemy s dinamicheskim upreditel'-kompensatorom dlia ob''ektov s zapazdyvaniem po upravleniiu [Adaptive systems with dynamic predictor-compensator for objects with latency control]. Informatika i sistemy upravleniia, 2002, vol. 03, no. 1, pp. 97-102.
15. Antonenkov A.V. Iskusstvennaia neironnaia set' kak instrument issledovaniia perekhodnykh protsessov v asinkhronnykh dvigateliakh [Artificial neural network as a tool for the study of transients in asynchronous motors]. Ph. D. thesis. Moscow, 2008, 132 р.
16. Perov V.L. Osnovy teorii avtomaticheskogo regulirovaniia khimiko-tekhnologicheskikh protsessov [Fundamentals of the theory of automatic regulation of chemical-technological processes]. Moscow, Khimiia, 1970, 352 p.
Получено 12.05.2019
Об авторах
Стафейчук Борис Григорьевич (Пермь, Россия) - кандидат технических наук, доцент кафедры оборудования и автоматизации химических производств Пермского национального исследовательского политехнического университета (614990, г. Пермь, Комсомольский пр., 29; e-mail: bgstaf@mail.ru).
Шакирова Алина Язгаровна (Пермь, Россия) - инженер АСУ ТП ООО «АСУ Инжиниринг» (614022, г. Пермь, Рязанская, 80, офис 303, e-mail: ayshakirova@asu-engineering.com).
About the authors
Boris G. Stafeichuk (Perm, Russian Federation) - Ph.D. of Technical Sciences, Associate Professor, Department of equipment and automation of chemical production, Perm National Research Polytechnic University (29, Komsomolsky av., Perm, 614990, e-mail: bgstaf@mail.ru).
Alina Ia. Shakirova (Perm, Russian Federation) - PCS engineer OOO «ASU Inzhiniring» (80, Riazanskaia, ofis 303, Perm, 614990, e-mail: ayshakirova@asu-engineering.com).
