Решетневские чтения. 2017
УДК 004.896
РАЗРАБОТКА МОДЕЛЕЙ УПРАВЛЕНИЯ БЕЗОПАСНОСТЬЮ ПЕРЕХОДНЫХ РЕЖИМОВ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ НА ОСНОВЕ ИСКУССТВЕННЫХ
НЕЙРОННЫХ СЕТЕЙ*
В. В. Бухтояров1*, В. С. Тынченко1, Н. А. Бухтоярова2
1 Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
2Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 *E-mail: vladber@list.ru
Рассмотрены процессы и системы управления технологическим оборудованием колонного типа, используемым для получения топлива. Выполнено моделирование режимов функционирования технологического оборудования с использование пакета Simulink.
Ключевые слова: безопасность, технологическое оборудование, искусственные нейронные сети, переходные режимы.
DEVELOPING SAFETY MANAGEMENT MODELS OF TECHNOLOGICAL EQUIPMENT
TRANSITION MODES BASED ON ARTIFICIAL NEURAL NETWORKS
V. V. Bukhtoyarov1*, V. S. Tynchenko1, N. A. Bukhtoyarova2
1Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation
2Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation *E-mail: vladber@list.ru
The work deals with the processes and control systems of the column equipment used to produce fuel. Modeling of functioning modes of the process equipment with the use of the Simulink package is performed.
Keywords: security, technological equipment, artificial neural networks, transitional modes.
Введение. Одно из перспективных направление применения искусственных нейронных сетей (ИНС) -промышленное производство [1]. В этой области ощутима тенденция перехода к производственным модулям с высоким уровнем автоматизации, что требует увеличения количества интеллектуальных саморегулирующихся и самонастраивающихся машин. Производственным процессам свойственно разнообразие динамически взаимодействующих параметров, что усложняет создание адекватных аналитических моделей.
Нейронные сети успешно применяются при синтезе систем управления динамическими процессами [2]. Универсальные возможности аппроксимации многослойных ИНС прямого распространения позволяют решать задачи идентификации, проектирования и моделирования нелинейных систем управления [3].
Применяемые модели. В работе использовались следующие модели:
- Uniform Random Number (формирование сигнала с равномерным распределением);
- Neural Network Predictive Controller (нейрорегу-лятор) [4];
- Plant (Column) - объект управления (колонный аппарат);
- Sink Block Parameters/Graph (график);
- Clock (формирует сигнал, величина которого на каждом шаге расчета равна текущему времени моделирования);
- PID Controller (представляет собой сумму входного сигнала, интеграл от входного сигнала и производную от входного сигнала) [5];
- Display (иллюстрирует применение этого источника и измерение его выходного сигнала с помощью цифрового индикатора);
- Sum (суммирующий элемент);
- Integrator (выводит значение интеграла от его входного сигнала относительно времени).
* Работа выполнена в рамках проведения исследований по теме МК-1574.2017.8 «Разработка экспертной системы анализа и управления надежностью, рисками и аварийными ситуациями при эксплуатации технологического оборудования нефтегазового комплекса» финансируемой Советом по грантам Президента Российской Федерации для государственной поддержки молодых российских ученых.
Математические методы моделирования, управления и анализа данных
Fardsm REfErEn
HIM PrEd I cti ve Contjal I ег
REfE'EnCE
Optlm.
Flgnt
Output
Ccnt'sl
MM
Ms d e I
Signs!
RoS-fcste
Ж '■Y
©1 Clock
О
Concentrat-in
PI з nt {Columns
X{2Y) Graph
Блок-схема системы управления с нейросетевым регулятором
Отклонения от нормы с применением ПИД- и нейрорегулятора
№ п/п Первая передаточная функция, W! Вторая передаточная функция, W2 Третья передаточная функция, W3
ПИД-регулятор Нейро-регулятор ПИД-регулятор Нейро-регулятор ПИД-регулятор Нейро-регулятор
1 70,90 88,06 153,80 77,83 1,051 29,55
2 129,00 112,90 190,40 93,46 1,881 16,16
3 66,77 72,68 109,20 78,2 0,984 31,46
4 80,52 93,89 168,80 83,87 1,199 17,13
5 103,70 87,78 158,60 83,26 1,517 11,51
6 104,70 108,8 153,90 93,30 1,542 18,48
7 136,90 131,00 205,30 99,84 2,006 12,89
8 60,96 84,45 168,90 74,23 0,916 27,56
9 108,60 93,83 177,40 95,77 1,615 27,64
10 92,20 100,70 188,00 74,54 1,369 19,11
Среднее значение 95,43 97,41 167,43 85,43 1,41 21,15
Схемы исследования. Для построения первой блок-схемы воспользуемся передаточной функцией для ректификационной колонны, и выберем для неё параметры (канал расхода перегретого пара Опп и температура кубы колонны Тк):
W1 = 5,12 / (13,34983+10,81282+4,7858+1).
Для начала построим модель с нейросетевым регулятором (см. рисунок).
В результате исследования системы управления на основе ПИД-регулятора и нейрорегулятора были рассчитаны отклонения от нормы, представленные в таблице.
Как видно из таблицы, по первой передаточной функции разница в отклонениях между исследуемой системой управления с нейронным регулятором и ПИД-регулятором почти одинаковая, но ПИД-регулятор показывает наименьшее значение ошибки.
Во втором случае ситуация кардинально различается, система управления с нейрорегулятором показывает результат лучше в 2 раза, чем ПИД-регулятор, поэтому для управления канала расхода флегмовой жидкости и температуры верха колонны рационально выбирать нейронный контроллер. Управление каналом концентрации питания колонным подходит для ПИД-регулятора, отклонение от нормы всего со-
ставляет 1,41, в то время как отклонения нейрорегулятора - 21,15.
После сравнения системы управления с ПИД-регулятором и нейроргегулятором, можно сделать вывод о том, что нейронные регуляторы, не всегда могут построиться под заданные параметры и превзойти ПИД-регулятор. Но есть случаи, когда для решения задач управления, рациональнее использовать нейронную сеть, в моем случае это при управлении каналом расхода флегмовой жидкости и температуры верха колонны.
Библиографические ссылки
1. Nilsson N. J. Principles of artificial intelligence. Morgan Kaufmann, 2014.
2. Wang T., Gao H., Qiu J. A combined adaptive neural network and nonlinear model predictive control for multirate networked industrial process control // IEEE Transactions on Neural Networks and Learning Systems. 2016. Vol. 27, №. 2. Р. 416-425.
3. Afram A. et al. Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system // Energy and Buildings. 2017. Vol. 141. Р. 96-113.
PewemHeecKye umeHun. 2017
4. Vasickaninova A., Bakosova M. Control of a heat exchanger using neural network predictive controller combined with auxiliary fuzzy controller // Applied Thermal Engineering. 2015. Vol. 89. P. 1046-1053.
5. Savran A., Kahraman G. A fuzzy model based adaptive PID controller design for nonlinear and uncertain processes // ISA transactions. 2014. Vol. 53, №. 2. P. 280-288.
References
1. Nilsson N. J. Principles of artificial intelligence. Morgan Kaufmann, 2014.
2. Wang T., Gao H., Qiu J. A combined adaptive neural network and nonlinear model predictive control for multirate networked industrial process control // IEEE
Transactions on Neural Networks and Learning Systems. 2016. Vol. 27. №. 2. P. 416-425.
3. Afram A. et al. Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system // Energy and Buildings. 2017. Vol. 141. P. 96-113.
4. Vasickaninova A., Bakosova M. Control of a heat exchanger using neural network predictive controller combined with auxiliary fuzzy controller // Applied Thermal Engineering. 2015. Vol. 89. P. 1046-1053.
5. Savran A., Kahraman G. A fuzzy model based adaptive PID controller design for nonlinear and uncertain processes // ISA transactions. 2014. Vol. 53, №. 2. P. 280-288.
© EyxTOflpoB B. B., TtiHHeHKO B. C., EyxTOapoBa H. A., 2017