CC BY
35НАУЧНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРОЦЕССОВ И
ПРОИЗВОДСТВ В АПК И ПРОМЫШЛЕННОСТИ
УДК 519.71
МОДЕЛИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ САХАРНОГО ПРОИЗВОДСТВА
С.А. Ляшенко
Харьковский национальный технический университет сельского хозяйства имени Петра Василенко, Украина
Аннотация. Проведен анализ нейросетевых структур для идентификации и управления в системе автоматизации технологических процессов сахарного производства. На основании пакета программ, реализующем различные архитектуры нейроконтроллеров, были рассмотрены динамические модели систем управления с нейросетевыми регуляторами. В результате имитационного моделирования разработанных схем нейросетевого управления технологическим процессом в диффузионном отделении выбрали нейросетевой регулятор NARMA - L2, использующий в качестве модели управляемого объекта модель нелинейной авторегрессии со скользящим средним (Nonlinear Autoregressive-Moving Avarage - NARMA - L2).
Ключевые слова: система управления, нейросетевой регулятор, динамическая модель, технологический процесс, программный пакет.
Введение. Анализ разработок и исследований в области автоматизации сахарного производства свидетельствует о том, что большинство существующих в настоящее время разработок являются морально устаревшими и не учитывают такие важные особенности ТП, как их многомерность и многосвязность, нестационарность и нелинейность, наличие запаздываний по каналам управления, отсутствие достаточно полной информации как о свойствах самих исследуемых объектов, так и о присутствующих в измерениях различного рода помех и возмущений [1].
Анализ состояния вопроса. В таких условиях одним из наиболее эффективных путей улучшения качественных и количественных показателей работы сахарного производства является применение
принципиально новых подходов к комплексной автоматизации оборудования, основанных на современных интеллектуальных технологиях, в частности, искусственных нейронных сетях (ИНС), в сочетании с методами адаптивной обработки информации и управления [2,3].
При нейросетевом подходе исследуемый объект представляется в виде ИНС, содержащей помимо входного и выходного один или несколько скрытых слоев, каждый из которых состоит из определенного количества нейронов, реализующих заданную функцию активации.
Среди существующего в настоящее время большого количества сетевых структур для этих целей обычно используют такие статические сети, как многослойный персептрон (МСП), радиально-базисные сети (РБС) и др. Анализ свойств сетей свидетельствует об эффективности их использования для решения задачи идентификации и управления [4-8].
Адаптация известных нейросетевых методов к условиям сахарного производства позволит существенно повысить эффективность создаваемых АСУТП сахарного производства.
Имитационное моделирование является необходимым этапом исследования эффективности выбранной архитектуры ИНС.
В настоящее время наиболее массовым направлением нейрокомпьютинга является моделирование нейронных сетей на персональных компьютерах. Успехи в моделировании позволяют создавать обучающие программы, дающие пользователю полное представление об ИНС и их возможностях.
Однако независимо от используемого пакета результатом экспериментального исследования является определение областей наиболее эффективного применения того или иного типа ИНС и разработка рекомендаций по их практическому использованию.
В настоящее время популярны и широко используются различные программные нейросимуляторы (SNNS 4.1, Trajan 3.0, NeuroPro 0.25, и др.). Однако наиболее полные возможности по исследованию свойств ИНС предоставляет программный пакет MATLAB. Входящий в его состав Neural Network Toolbox представляет собой пакет программ, ориентированный на решение широкого спектра задач с использованием нейросетевых алгоритмов. В нем предусмотрена реализация 15 разновидностей нейронных сетей, а также возможность создания пользовательских сетей практически любой конфигурации.
В пакете прикладных программ (ППП) Neural Network Toolbox реализованы следующие архитектуры нейроконтроллеров [9-11]:
- контроллер на основе эталонной модели (Model Reference Controller);
- контроллер на основе модели авторегрессии со скользящим средним (NARMA-L2 Controller);
- контроллер с предсказанием (NN Predictive Controller).
Цель работы. Выбор эффективных моделей управления технологическими процессами в сахарном производстве.
Задачи работы. Построение модели идентификации процесса и обоснование эффективного регулятора.
Основная часть. При использовании ИНС для управления технологическими процессами возникают задачи построения математической модели исследуемого процесса (идентификации) и синтеза регулятора.
Для каждой из трех архитектур используется одна и та же процедура идентификации.
Динамические модели систем управления с нейросетевыми регуляторами размещены в специальном разделе Control Systems набора блоков Neural Network Blocksets и включают указанные модели регуляторов, а также блок построения графиков.
Регулятор на основе эталонной модели. При синтезе регулятора с эталонной моделью необходимо обучение нейронной сети управляемого процесса и нейронной сети регулятора. При этом, обучение регулятора оказывается достаточно сложным, поскольку обучение основано на динамическом варианте метода обратного распространения ошибки. Достоинством регуляторов на основе эталонной модели является то, что они применимы к различным классам управляемых процессов.
Схема регулятора приведена на Рисунок - 1.
Рисунок - 1. Схема нейросетевого регулятора с эталонной моделью Агротехника и энергообеспечение. - 2014. - № 3 (3)
Нейросетевой регулятор NАRMA - L2.
Нейросетевой регулятор NARMA - L2 использует в качестве модели управляемого объекта модель нелинейной авторегрессии со скользящим средним (Nonlinear Autoregressive-Moving Avarage - NARMA - L2). При синтезе рассматриваемого регулятора строится дискретная нелинейная модель нелинейного объекта управления как авторегрессионная модель со скользящим средним, или NARMA - модель в форме
y(k + d) = N[y(k), y(k -1),..., y(k - n +1), u(k), u(k -1),..., u(k - m -1)], ^
y(k) d u(k)
где 7 ' - выход модели; " - число тактов предсказания; v ' -
вход модели.
На этапе идентификации строится нейронная сеть для NARMA -модели, вида (1).
Если требуется спроектировать систему, которая обеспечивает движение по заданной траектории
y(k + d) = yr (k + d) , (2)
то это означает, что необходимо сформировать регулятор следующего вида:
u(k) = G[y(k), y(k -1),..., y(k - n +1), yr (k + d), u(k -1),...,u(k - m +1)]-(3)
Для практического решения задачи слежения в [12] была предложена приближенная NARMA - модель с выделенной составляющей
управления (NARMA - L2). Управление может быть вычислено следующим образом:
u(k +1) = yr (k + d) -
- f [y(k), y(k -1),..., y(k - n +1), u(k -1),..., u(k - m +1)]+
+ g[y(k),y(k-1),...,y(k -n +1),u(k-1),...,u(k -m +1)]. (4)
При синтезе нейроконтроллера NARMA - L2 Controller в качестве блока контроллера используется блок NARMA - L2 Controller (Рисунок -2).
Рисунок - 2. Схема системы управления с регулятором NARMA-L2 Controller
Нейрорегулятор с предсказанием (предикторный нейрорегулятор).
Принцип управления с предсказанием заключается в использовании принципа меняющегося горизонта, когда нейросетевая модель управляемого процесса предсказывает реакцию объекта управления на определенном интервале времени в будущем.
Регулятор состоит из нейросетевой модели управляемого процесса и блока оптимизации. Блок оптимизации определяет значения управляющего сигнала, которые минимизируют критерий качества управления, а соответствующий управляющий сигнал управляет процессом. В пакете прикладных программ Neural Network Toolbox системы MATLAB реализован контроллер с предсказанием NN Predictive Controller, при построении которого использован принцип нелинейного предикторного управления.
На Рисунок -3 приведена схема моделируемой нейросетевой системы управления.
Схема включает блок контроллера NN Prediction Controller, блоки генерации эталонного ступенчатого сигнала со случайной амплитудой Random Reference, блоки построения графиков и блоки, относящиеся к объекту управления. Особенность этой структуры заключается в том, что она выполняет не только функции блок-схемы системы Simulink, но и функции графического интерфейса пользователя GUI.
Рисунок - 3. Схема нейросетевой системы управления
Процедура идентификации позволяет построить нейронную сеть, задача которой состоит в моделировании динамики управляемого объекта.
Все рассмотренные нейрорегуляторы применялись для управления объектом, модель которого показана на Рисунок -4.
Схема исследуемой модели объекта управления показана на Рисунок -4.
Рисунок - 4. Схема модели объекта управления
Некоторые результаты моделирования приведены на Рисунок - 5. Здесь показаны ошибки управления для различных регуляторов.
\iyv
1С ZO It 41 51 It Tl II II
a)
6)
в)
Рисунок - 5. Ошибки управления: а) регулятор с эталонной моделью; б) NARMA-L2 Controller; в) NN Prediction Controller
Результаты моделирования работы контроллеров показали, что наиболее целесообразным при управлении ТП сахарного производства является применение NАRMA - L2 Controller. Поэтому для управления технологическими процессами использовался именно этот регулятор.
Ниже приведен пример синтеза нейроуправления для диффузионного отделения. При управлении диффузионными установками (ДУ) данного отделения рассматривались два случая:
1. В качестве выходной величины отделения, а соответственно и ДУ, так как ДУ является основным оборудованием, задающим режим работы не только всего отделения, а и всего завода, использовалась одна переменная - расход диффузионного сока.
2. Осуществлялось управление в каждой зоне ДУ =1,4.
Y
В первом случае выходным параметром модели выбирался -расход диффузионного сока. Входными (управляемыми) параметрами
диффузионного аппарата были: Xl - температура сокостружечной смеси
X
от пара в 1-й зоне ДУ; 2 - температура сокостружечной смеси от пара в
2-й зоне ДУ; X 3- температура сокостружечной смеси от пара в 3-й зоне
X X
ДУ; 4 - температура сокостружечной смеси от пара в 4-й зоне ДУ; 5 -
расход сульфитированной бараметрической (питательной) воды; 6 -
X
температура барометрической сульфитированной воды; 7 - расход свекловичной стружки.
Кроме того, в качестве информационных параметров, необходимых для реагирования на изменения технологического процесса, являлись: уровень в сборнике сульфитированной подогретой барводы; температуры в сборнике подогретой барводы; расход питательной воды; расход жомопрессовой воды; уровень в сборнике диффузионного сока; уровень за ситом и перед ситом ДУ и др.
Во втором случае управлении строились нелинейные модели вида
/14 y (к) = f(u,(к),...,u„(к)) i = 1,4
(1) по различным каналам управления > J v ' nw/, > ,
к = 1,100 Л „ -7 -7 С 1
' были использованы двухслойные персептроны вида 7-7-5-1, обучение которых осуществлялось по алгоритму обратного распространения ошибки, максимальное время обучения составило ~ 3 минуты. Следует отметить, что несколько лучшие результаты были достигнуты при использовании более сложных МСП: 7-20-20-1, 7-15-10-1.
На Рисунок - 6а. показан процесс стабилизации выходной переменной для первого случая (расхода диффузионного сока) с помощью NАRMA - L2 Controller. Здесь светлыми кружками показано реальное изменение выходной переменной при существующем управлении, квадратами - при нейроуправлении. На рисунке не показан переходный режим (режим идентификации), который, как следует из Рисунок - 6б, составил для применяемого метода примерно 30 тактов.
/ 7
150 ЛИ Л0
а) б)
Рисунок - 6. Изменение выходной переменной (расход диффузионного сока) а); ошибка управления (расход диффузионного сока) б).
Как видно из графиков, результаты управления получились вполне Агротехника и энергообеспечение. - 2014. - № 3 (3)
удовлетворительными.
Аналогичные результаты были получены для второго случая управления диффузионным отделением, а также и для других отделений производства.
Вывод. Проведено имитационное моделирования разработанных схем нейросетевого управления с использованием ППП Neural Network Toolbox. Моделирование работы контроллера на основе модели авторегрессии со скользящим средним NARMA - L2 Controller, контроллера на основе эталонной модели Model Reference Controller и контроллера с предсказанием NN Predictive Controller показало, что наиболее целесообразным при управлении ТП сахарного производства является применение NARMA - L2 Controller.
Список литературы
1. Ладанюк А.П., Заець Н.А, Луцька Н.М. Застосування адаптивних систем керування для нестацюнарних об'екпв технолопчних комплекав неперервного типу // Автоматика. Автоматизация. Электротехнические комплексы и системы. 2005. № 1 (15). С. 158-162.
2. Ляшенко С.А. Ляшенко A.C., Беляева И.С. Концепция повышения эффективности АСУ ТП при производстве сахара в Украине // Вкник ХНТУСГ iм. П. Василенка, Сучасш напрямки технологи мехашзаци процеав переробних i харчових виробництв. Харьков. 2008. Випуск 74. С. 54-63.
3. Обоснование автоматического регулирования производственных процессов сахарных заводов / С.А. Ляшенко [и др.] // Вюник Харшвського нацюнального техшчного ушверситету альського господарства iменi Петра Василенка, "Сучасш напрямки технологи та мехашзаци процеав переробних i харчових виробництв". Харшв. 2009. Вип. 88. С. 104-109.
4. Хайкин С. Нейронные сети: полный курс : пер. с англ. / М.: Вильямс, 2006. 1104 с.
5. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектура, обучение, применение / ТЕЛЕТЕХ, Харьков, 2004. 372 с.
6. Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. М.: ИПРЖРБ, 2000. 272 с.
7. Ляшенко С.А., Ляшенко А.С. Управлением нелинейным объектом на основе нейросетевой модели // Сборник научных трудов, Автомобильный транспорт. Харьков. 2003. Выпуск 13. С. 272-274.
8. Ляшенко С.А. Ляшенко А.С. Усовершенствование автоматизированной системы управления диффузионного отделения сахарного завода с помощью нейросетевого подхода // Motrol. Motorization and rower industry in agriculture. Simferopol-Lublin. 2009. Vol. 11A. P. 207-209.
9. Demuth H., Beale M. Neural Network Toolbox User's Guide // For Use with MATLAB. 2000. Version 4. URL:
http://www.image.ece.ntua.gr/courses_static/nn/matlab/nnet.pdf (дата
обращения 27.09.2014).
10. Нейронные сети : STATISTICA Neural Networks // пер. с англ. М. : Горячая линия. Телеком, 2001. 122 с.
11. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 / Диалог-МИФИ. Москва, 2002. 496 с.
12. Narendra, K.S., Mukhopadhyay S. Adaptive Control Using Neural Networks and Approximate Models // IEEE Transactions on Neural Networks. Vol. 8. 1997. pp. 475-485.
Ляшенко Сергей Алексеевич, кандидат технических наук, доцент,
Lyashenkosa05@ukr.net. Украина, Харьков, Харьковский национальный технический университет сельского хозяйства имени Петра Василенко
MODELLING OF THE INTELLECTUAL CONTROL SYSTEM BY TECHNOLOGICAL PROCESSES SUGAR PRODUCTION
Liashenko S.
The analysis of neuronetwork structures for identification and management in system of automation of technological processes of sugar production is carried out. On the basis of the software package, realizing various architecture of neurocontrollers, dynamic models of control systems with neuronetwork regulators were considered. As a result of imitating modeling of the developed schemes of neuronetwork management by technological process in diffusive office chose the neuronetwork NARMA regulator - L2 using as model of operated object model of nonlinear autoregression with a sliding average (Nonlinear Autoregressive-Moving Avarage - NARMA - L2).
Keywords: control system, neuronetwork regulator, dynamic model, technological process, software package..
Liashenko Sergii, candidate of technical Sciences, associate Professor, Lyashenkosa05@ukr.net. Ukraine, Kharkov, Kharkiv Petro Vasylenko National Technical University of Agriculture
