ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ, ИМИТИРУЮЩИХ ПИД-РЕГУЛЯТОР ДЛЯ УПРАВЛЕНИЯ ДЕАЭРАТОРОМ Текст научной статьи по специальности «Компьютерные и информационные науки»

Муравьева Е. А. Muraveva Е. А.

доктор технических наук, профессор, заведующая кафедрой «Автоматизированные технологические и информационные системы», ФГБОУВО «Уфимский государственный нефтяной технический

университет, филиал, г. Стерлитамак, Российская Федерация

УДК 004.032.26

Юрасов А. О. Yurasov А. О.

студент кафедры «Автоматизированные технологические и информационные системы», ФГБОУ ВО «Уфимский государственный нефтяной технический

университет, филиал, г. Стерлитамак, Российская Федерация

DOI: 10.17122/1999-5458-2020-16-2-59-65

ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ, ИМИТИРУЮЩИХ ПИД-РЕГУЛЯТОР ДЛЯ УПРАВЛЕНИЯ ДЕАЭРАТОРОМ

Деаэратор является одним из важных элементов установки на паровых электростанциях и позволяет выполнять несколько главных задач во время проведения технологического процесса, а именно — реализовать процесс деаэрации необходимой жидкости, который способствует её очищению от присутствующих нежелательных газовых примесей. В данном случае деаэратор позволяет удалить кислород и оксид углерода в конденсационной воде. Кроме этого, деаэратор способен нагреть данную конденсационную воду до необходимой температуры, чтобы достичь точки её насыщения. Давление и уровень воды в деаэраторе на паровой электростанции тесно взаимосвязаны между собой, поэтому, используя распространенный метод управления на основе традиционного ПИД-регулятора, достаточно сложно достичь высокую степень управления давлением в деаэраторе, а также уровнем воды в нем. Для этого в данной статье предлагается метод управления на основе нейронных сетей, который позволяет имитировать отдельно взятый контур ПИД-регулятора и достичь более качественной и быстрой работы. ПИД-регулятор обладает простыми и необходимыми характеристиками, а также высокой надежностью и стабильностью в работе. Нейронная сеть, в свою очередь, обладает способностью к самообучению и управлению нелинейными процессами. Она способна как заменить ПИД-регулятор, так и использоваться в адаптации его настроек под текущие условия работы. Это позволяет использовать опыт эксперта для обучения нейронной сети алгоритму по настройке коэффициентов ПИД-регулятора. С помощью предлагаемого метода можно использовать преимущества как ПИД-регулятора, так и нейронной сети одновременно. Данный метод позволит достичь качественное и соответствующее протекание технологического процесса в деаэраторе на паровой электростанции.

Ключевые слова: паровая электростанция, давление в деаэраторе, уровень воды в деаэраторе, нейронная сеть, метод регулирования, синтез ПИД-регулятора.

A NEURAL NETWORK-BASED CONTROL SYSTEM USING PID CONTROLLER TO CONTROL THE DEAERATOR

At a steam power station, the pressure and water level in a deaerator are interconnected. Using a common control method based on a traditional PID controller, it is quite difficult to obtain a high degree of pressure and level control in the deaerator. This article proposes a control method based

Data processíng facílítíes and systems

on neural networks that simulate a single PID controller loop. The PID controller has simple and necessary characteristics, as well as high reliability and stability in operation. The neural network, in turn, has the ability to self-learn and to control non-linear processes. Using the proposed method, you can take advantage of both the PID controller and the neural network at the same time. This will significantly reduce overshoot and reduce the required time for transient processes to quickly achieve balance in the control system. Also, the neural network will provide greater stability and a higher response rate when controlling pressure and water level in the deaerator.

Key words: steam power station, pressure in deaerator, water level in deaerator, neural network, control method, synthesis of PID controller.

Введение

Одним из важнейших элементов на паровых электростанциях является деаэратор, который позволяет удалять кислород и оксид углерода в конденсационной воде, а также нагревать конденсационную воду до температуры насыщения. Поэтому точность управления деаэратором является одной из важных задач управления при проведении технологического процесса на паровой электростанции. Используя традиционный ПИД-регулятор, достаточно сложно получить наименьшее перерегулирование и малое время окончания переходных процессов в деаэраторе [1]. В данной статье предлагается применение нейронных сетей, имитирующих работу ПИД-регулятора. Обладая способностью к самообучению и управлению нелинейным процессами [2], нейронная сеть позволяет более эффективно и надежно управлять процессом в деаэраторе.

Технологический процесс в деаэраторе на паровой электростанции На рисунке 1 показана упрощенная система управления давлением и уровнем воды в деаэраторе.

Клапан и1 поддерживает уровень воды в деаэраторе в стабильном состоянии, регулируя расход конденсата. Клапан и2 поддерживает стабильное давление в деаэраторе, регулируя расход отработанного пара.

На рисунке 1 приведена упрощенная система контроля давления и уровня воды в деаэраторе, где Ьй — уровень воды в деаэраторе; Ра — давление в деаэраторе; У^ — объем воды в деаэраторе; Dsi — расход нагревающего пара в основании деаэратора; Dwi — количество выпаренной воды; Dso — расход отработанного пара; Dwo — количество конденсированного пара.

отработанный пар -

u2

►схь

клапан регулировки давления деаэратора

Деаэратор

выходя Illlffl -i пар

О.. + О...

питательная вода котла

конденсационная

вода -^СХ}

клапан регулирования конденсатной воды

Рисунок 1. Упрощенная система контроля давления и уровня воды в деаэраторе

Проведем моделирование, чтобы доказать превосходство метода использования нейронной сети вместо ПИД-регулятора.

1 Моделирование работы деаэратора

Первым шагом моделирования является задание условий протекания технологического процесса.

1) Отсутствует теплообмен с внешней средой.

2) Удельный объем воды является функцией давления или температуры.

3) Нагреванию подвергается 20 % металлической конструкции деаэратора [3].

Уравнение массового баланса

Ша-Ь^рЛ

dt

= Dsñ+Dv-Dn-Dso,

(1)

где У — объем деаэратора;

V^ — объем воды в деаэраторе; р, — плотность насыщенного пара;

— расход нагревающего пара в основании деаэратора;

— количество выпаренной воды;

— расход отработанного пара;

Dn — количество конденсированного пара.

Уравнение водного баланса Wdn-Pw)-у dpw , ^dVdw_

- "а.

dr

" + /V

' ™ йт

=А*+А,2+А,-А-А»> (2)

где рк — плотность воды в деаэраторе;

— поток нагревающего пара в деаэраторе;

— поток конденсационной жидкости (конденсата);

Пко — поток котловой жидкости. Уравнение энергетического баланса имеет вид:

-УаМН, + + 0.2с,МЛ -АУЛРЛ\_

dz

DsiHsi +DwiHwi-DsoHs -

Г) TJ

^wa11 w

(3)

где Рс1 — давление насыщенного пара;

И, — энтальпия насыщенного пара;

И — энтальпия насыщенной жидкости;

И, — энтальпия греющего пара;

— энтальпия конденсационной жидкости;

с^ — энтальпия греющего пара;

Ый — масса деаэратора;

ts — температура насыщенного пара;

А — коэффициент преобразования;

Аг- + — расход греющего пара.

Количество конденсированного пара находим по формуле

А № ~н„)=А„ (Нк1 -нк)~

(4)

Система уравнений состояния параметра насыщения имеет вид:

dps

dHs_dHs dps_ dr dps dr

J- ~Jxl dr

dH„:

dr dps

dHw dps dr

Jxl dr

dpw _ dpw dp, dr

dr dps

Hs _ Г Hs

Jx3 dr

dts _ dts dps _

dps dr

dps d

dps

(5)

s _ .4 . Hs _ -Г Hs

dr dps dr xA dr

dr dps dr x5 dr

Данная система показывает, что параметры насыщения связаны с плотностью насыщенного пара.

Значения/х можно рассчитать, подставляя систему (5) в уравнение энергетического баланса (3), получим:

+ (Га-Гак)р5/х2-АУа/х5]^ = +оп(н,-Н^-И^-я^о-жя,-Н„). (6)

Пусть:

р _У,-У*)ЛГл+<Ул-У*)лГл+0-2с^Л4-ау^ (7) п _ -Ю р dps (8)

д--н^щг ^ (8)

Давление насыщенного пара Рd можно рассчитать по функциям термодинамических свойств пара. Уровень воды в деаэраторе связан с объемом воды внутри него Vdw. Давление насыщенного пара Рл и уровень воды в деаэраторе Ьй можно рассчитать методом Рунге-Кутта.

2 Система управления на основе нейронных сетей, имитирующих ПИД-регуляторы

2.1 Построение системы управления Структурная схема системы управления давлением и уровнем воды в деаэраторе на основе нейронных сетей, имитирующих ПИД-регуляторы, представлена на рисунке 2.

Рисунок 2. Структурная схема системы управления давлением и уровнем воды в деаэраторе на основе нейронных сетей, имитирующих ПИД-регуляторы

Систему управления давлением и уровнем воды в деаэраторе можно рассматривать как многопараметрическую систему с двумя вхо-

Data PROCESSiNG FACiUTiES AND SYSTEMS

дами и двумя выходами. Выходами являются положение клапана регулирования конденсационной воды u1 и положение клапана регулирования давления в деаэраторе u2, а входами соответственно давление в деаэраторе Pd и уровень воды в нем Ld.

Данная нейронная сеть обладает способностью аппроксимировать любую функцию системы уравнений (5). Она может регулировать вес связи системы в соответствии с влиянием выходных характеристик по целевому параметру при его изменении, изменении пропорциональной, интегральной и дифференциальной составляющих в сети, чтобы сделать каждый выход релевантным соответствующему входу [2].

Структура каждой из двух нейронных сетей состоит из двух трехслойных нейронных сетей с прямой связью, имитирующих ПИД-регулятор и названных NNj и NN2 соответственно. Каждая подсеть имеет три слоя, а именно: входной слой, скрытый слой и выходной слой. Входной слой имеет два нейрона, выходной — один нейрон. В скрытом слое каждой подсети присутствуют 3 нейрона: это нейроны, соответствующие пропорциональной, интегральной и дифференциальной составляющей регулятора.

Закон управления каждой подсети эквивалентен ПИД-регулятору, то есть:

us =KPses(k)+KIsfjes(i)+\[es(k)-es(k-1)], (9)

¿=0

где S — номер подсети нейронной сети

(s=l, 2);

Es(k) — отклонение;

KPs /KIs /KDs — пропорциональный, интегральный и дифференциальный коэффициенты соответственно. Они соответствуют нейронам скрытого слоя NN и NN2.

Входами NNj являются текущее значение уровня воды в деаэраторе Ld и его заданное значение Ld0. Разница между Ld и Ldo эквивалентна ошибке, которая подается на вход ПИД-регулятора: e1(k) = Ld — Ld0. Согласно (9) можно рассчитать управляющее воздействие для подачи на клапан конденсационной воды u1, которое является выходом NN1. Входами NN2 являются текущее значение давления в деаэраторе Pd и его заданное значение Pd0. Для NN2 e2(k) = Pd-Pd0. Таким же

способом можно рассчитать значение управляющего воздействия для клапана деаэратора и2.

Таким образом, управляющее воздействие и1 является выходом нейронной сети NN1, а и2 является выходом нейронной сети NN2. 2.2 Структура нейронной сети

1. Входной слой

Входами данного слоя являются: пвГ1и(к) = Ld, пв^ф) =LcЮ, пвг^^) = = Р<г,Пв?22@) =Рю Выходами входного слоя являются: О1^) = пвг1^), где i — это порядковый номер входного слоя 0=1, 2).

2. Скрытый слой

Входами скрытого слоя является:

= (10) ¡=1

где w1sij является связующим звеном между входным слоем и скрытым слоем;

/ — это порядковый номер скрытого слоя

(/=1, 2, 3).

Выходами скрытого слоя являются: 0^(к) = пеф), 022(к) = 02в1(к-\) + пе1252(к), 02ъ(к) = пе12ъ(к)-пе12ъ(к-\).

(11)

3. Выходной слой

Выходные данные представляют собой взвешенные суммы каждой нейронной сети и представлены следующей формулой:

щ{к) = ОЦк) = «£(*) = ¿£ (12)

5=1 М

где w2sih является связующим звеном между скрытым и выходным слоем;

к — это порядковый номер выходного слоя (к=1).

2.3 Алгоритм обратного распространения Целью обучения является минимизация данной целевой функции:

(13)

5=1 к=1

где I — это номер каждой партии выборки.

Веса связей изменяются с помощью градиентных алгоритмов в реальном времени в процессе обучения [4].

Формула веса между скрытым слоем и выходным слоем имеет вид:

(14)

где %гк — это скорость обучения.

Аппроксимация лишь незначительно влияет на скорость обучения сети, но может значительно упростить расчет.

w2siк можно рассчитать таким же образом:

v}sij(k+X) = w]ij(k)-Tlsij

ÖJ

SIJ\

,siJ «H 2 1 1

= + (15)

' - к=1

s=l h=1 4=1

где

2.4Метод выбора начальных весов Начальные веса нейронной сети обычно выбираются случайным образом. Неправильный выбор начальных весов оказывает серьезное влияние на производительность всей сети. Необходимо принять меры, чтобы не допустить этого. ПИД-регулятор широко используется в промышленности, в связи с этим накоплен большой опыт подбора подходящих П-, И-, Д-коэффициентов [5]. Поскольку наша нейронная сеть имитирует ПИД-регулятор, то опытные данные подбора коэффициентов ПИД-регулятора могут быть использованы для определения начального значения весов связей. Необходимо убедиться, что каждая отдельная нейронная сеть NNj и NN2 имитирует одноконтурный ПИД-регулятор. Для многовариантной отдельно взятой нейронной сети функция начальных весов связей между входным слоем и скрытым слоем состоит в том, чтобы выполнить преобразование из заданного значения и значения процесса в ошибку.

Так мы выбираем w1s1j(k) = +1, w's2J(k) =—1. Функция начальных весов связей между скрытым слоем и выходным слоем должна сделать нейронную сеть NN1 эквивалентной одноконтурному ПИД-регулятору давления в деаэраторе, а нейронную сеть NN2 — эквивалентной одноконтурному ПИД-регулятору уровня воды в деаэраторе.

Согласно формуле (9) выбираем *(*) = KPs,wt2h{k) = Kh,^h(k) = KDs,s = h = 0,H?2*(*) = о = 0 ,s*h. (16) Этот метод выбора начальных весов может обеспечить минимальные ошибки, а

также может повысить скорость обучения нейронной сети.

3 Анализрезультатов моделирования

3.1 Параметры моделирования

Чтобы проверить эффект управления с помощью нейронных сетей, сравним управление с помощью нейронных сетей с математической моделью давления и уровня воды в деаэраторе. Проведём моделирование и сравним результат моделирования с результатами управления с помощью традиционного ПИД-регулятора.

Основными параметрами математической модели являются

#wi = 251,7 кДж/кг, #„-=2874,8 кДж/кг, Vd=20 м3, Md= 12000 кг, cd=0,5 кДж/кгс, Dso=1 кг/с.

Параметрами нейронной сети, реализующей ПИД-регуляторы, являются nsih=0,005, Kpi=0,3, К/;=0,7, Kdi = 1, Kp2=0,35, KI2=0,6, Kd2=0,9.

3.2 Результат моделирования

Результат моделирования (рисунки 3, 4)

показывает, что регулятор изменяет положение клапана конденсационной воды uh соответственно, меняется расход конденсационной воды. После снижения уровня Ld, давление в деаэраторе Pd уменьшается. Путем изменения положения клапана давления в деаэраторе u2 расход отработанного пара на входе изменяется. В конечном итоге, система достигает значений уровня воды Ld=Ld0, давления пара Р=Рми приходит в устойчивое состояние.

Сравнивая нейронную сеть с ПИД-регулятором, можем видеть, что при использовании ПИД-регулятора перерегулирование и время установления отклонения давления и уровня воды больше, чем при использовании нейронных сетей. Максимальное отклонение давления в деаэраторе составляет 1,5 кПа, время окончания переходного процесса 250 с. Максимальное отклонение уровня воды в деаэраторе составляет 0,0042 м, время окончания переходного процесса 150 с.

Если используем метод регулирования на основе нейронных сетей, то перерегулирование параметров давления и уровня воды в деаэраторе меньше, особенно при отклонении уровня воды, и максимальное перерегу-

Data processing facilities and systems

x 10"

& 4

с

й 2 £

5 0

к

а:

(У

5 -4

s

V

а о

S -6

-8

100

PLD

■NN

200

500

600

300 400 Время (с)

Рисунок 3. Переходный процесс при регулировании уровня воды в деаэраторе

х 10"

а "и

К 0.5

В. S

V

Ч

S

I

Я -0.5

■и

s =

<L>

X

g

S -1

S

-1.5

PID

■NN

0

100

200

500

600

300 400 Время (с)

Рисунок 4. Переходный процесс при регулировании давления в деаэраторе

лирование составляет 0,0031 м. Время окончания переходного процесса при регулировании давления и уровня воды в деаэраторе составляет 260 с и 155 с соответственно.

Выводы

Чтобы привести в баланс динамику давления и уровня воды в деаэраторе на паровой станции, в данной работе предлагается способ управления системой, основанный на нейронных сетях, имитирующих работу

одноконтурного ПИД-регулятора. Результаты доказывают, что применение нейронных сетей на основе ПИД-регулятора более эффективно и имеет более высокую надежность, чем традиционный ПИД-регулятор. Данный способ может значительно уменьшить перерегулирование и снизить время окончания переходных процессов, что позволяет быстро приблизиться к новому балансу.

Список литературы

1. Махмуд Ф., Тарек А.А. Идентификация и адаптивное управление динамическими нелинейными системами // Интеллектуальное управление и автоматизация. 2011. № 02(03). С. 176-181.

2. Ли Х. Дж., Чен М. Разработка развязывающего ПИД-регулятора для практического применения // Контрольно-измерительная техника. 2008. № 15(3). С. 275-278.

3. Ченг К.М., Зенг Ю. Системы управления нейронными сетями с несколькими переменными PID и их применение в координационном управлении // Электростанция Восточного Китая. 2007. №11. С. 54-58.

4. Муравьева Е.А., Шарипов М.И. Интеллектуальная система управления для параметров процесса на основе нейронной сети // Актуальные проблемы электронного приборостроения: 14-я Междунар. науч.-техн. конф.: в 8 т. 2018. С. 256-260.

5. Муравьева Е.А., Успенская Н.Н. Разработка нейронной сети для котлового блока, содержащего контроль водного пара // Оптическая память и нейронные сети. 2018. Т. 27. № 4. С. 297-307.

References

1. Makhmud F., Tarek A.A. Identifikatsiya i adaptivnoe upravlenie dinamicheskimi neli-neinymi sistemami [Identification and Adaptive Control of Dynamic Non-Linear Installations]. Intellektual'noe upravlenie i avtomatizatsiya — Intelligent Control and Automation, 2011, No. 02(03), pp. 176-181. [in Russian].

2. Li Kh. Dzh., Chen M. Razrabotka razvyazyvayushchego PID-regulyatora dlya prakticheskogo primeneniya [Design of Decoupling PID Controller for a Kind of Practical Engineering]. Kontrol'no-izmeritel'naya tekh-nika — Control Engineering, 2008, No. 15(3), pp. 275-278. [in Russian].

3. Cheng K.M., Zeng Yu. Sistemy uprav-leniya neironnymi setyami s neskol'kimi peremennymi PID i ikh primenenie v koordi-natsionnom upravlenii [Multi-Variable PID Neural Network Control Systems and Their Application to Coordination Control]. Elektro-stantsiya Vostochnogo Kitaya — East China Electric Power, 2007, No. 11, pp. 54-58. [in Russian].

4. Murav'eva E.A., Sharipov M.I. Intellek-tual'naya sistema upravleniya dlya parametrov protsessa na osnove neironnoi seti [Intelligent Control System for Process Parameters Based on a Neural Network]. 14 Mezhdunarodnaya nauchno-tekhnicheskaya konferentsiya «Aktual'-nye problemy elektronnogo priborostroeniya»: v 8 t. [14 International Scientific-Technical Conference «Actual Problems of Electronic Instrument Engineering»: In 8 Vol.]. 2018, pp. 256-260. [in Russian].

5. Murav'eva E.A., Uspenskaya N.N. Razrabotka neironnoi seti dlya kotlovogo bloka, soderzhashchego kontrol' vodnogo para [Development of a Neural Network for a Boiler Unit Containing Water Vapor Control]. Opticheskaya pamyat' i neironnye seti — Optical Memory & Neural Networks, 2018, Vol. 27, No. 4, pp. 297307. [in Russian].