Диссертация (Разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки), страница 13

В частности, это связано как с повышением требованьлт к качеству управления, когда учет нелинейных свойств выходит на первый план, так и с рассмотрением новых задач, решение которых с помощью линейной теории управления оказывается невозможным. Искусственные нейронные сети являются одним из современных подходов, позволяющих реализовать нелинейное управление в технических системах 11141.

Представляется актуальным разработать и предложить нейросетевой регулятор, рассмотрев задачу выбора архитектуры нейросети, а также выявить факторы, влияющие на качество имитации исходного регулятора, Перечисленные вопросы слабо освещаются в публикациях, В то же время, их важность трудно оспорить — применение любой альтернативной парадигмы ~и нейронных сетей в том числе) без понимания ее свойств и разработанной методической базы представляется ненаучным и чреватым неожиданными проблемами в инженерной практике. Рассмотрим систему автоматического регулирования ~САР) с обратной связью, изображенную на рис.

3.1. Будем считать, что состояние одномерного линейного объекта непосредственно измеряется на выходе, однако в канале наблюдения присутствует аддптивная помеха и(г) с некоторыми постоянными свойствами. Параметры объекта управления постоянны во времени. В системе имеется линейный регулятор, поддерживающий состояние объекта близким к заданной траектории г(г). Рис.

3.1. Исходная система управления. Решим задачу синтеза нейросетевого регулятора (НС вЂ” Р) для замены имеющегося в описанной системе 168, 771, В качестве примера исходного возьмем ПИД-регулятор как наиболее типичный и распространенный в промышленных системах автоматического регулирования. Считая, что исходный регулятор обеспечивает устойчивость и некоторое удовлетворительное качество управления, можно ожидать, что достаточно точный имитатор будет управлять системой подобно.

Качество обучения искусственной нейронной сети определяется выбором архитектуры, обучающих данных и параметров методики обучения. Исследуем влияние перечисленных факторов в задаче имитации исходного регулятора. Будем рассматривать систему управления и ее составные части в дискретном времени с постоянным шагом дискретизации, достаточно малым, чтобы охватить всю значимую для данной системы полосу частот.

Данный подход позволяет моделировать саму САР и нейронные сети на компьютере. Представим действие исходного линейного регулятора с рис. 3.1 по управлению объектом как функцию ).(.): где з — внутреннее состояние регулятора ("память""), изменяющееся каждый такт времени по некоторому правилу. Нейросетевой регулятор ЗЧ' Р (.) должен обеспечить имитацию )(.) физически реализуемым 90 способом. Используя квадратичный критерий, задача синтеза НС вЂ” Р представляется в виде: Таким образом, задача создания НС вЂ” Р может быть подразделена на следующие решаемые последовательно подзадачи 178, 791: 1.

Выбор архитектуры НС вЂ” Р, в т. ч., вектора информации о системе 2. Сбор обучающих данных. 3. Собственно обучение НС вЂ” Р. 4. Проверка качества имитации и функционирования НС вЂ” Р. 3.2. Экспериментальные исследования влияния температуры на влажность воздуха и содержание СОъ Как показано в п. 2.4-2.9. основными параметрамн, определяющими качество микроклимата в силосах являются температура и влажность воздуха, а также содержание в воздухе СО . Данные параметры тесно взаимосвязаны между собой и являются определяющими для качественной отлежки 1созревания) муки. На основании проведенных экспериментальных данных на примере пшеничной муки высшего сорта были выявлены линейные зависимости между влиянием температуры на влажность и содержание СО2.

В определенные промежутки времени были сняты показания температуры воздуха в силосе, влажности и содержания СО . Данные приведены в таблице 3.1. Таблица 3.1. Экспериментальные данные значений температуры, влажности воздуха, содержания СО~ в силосе. № и/и Содержание СО2, рргп 10,03 764,3 10,1 10,17 10,24 61,08 10,31 772,25 774,9 10,45 61,74 777,55 10,52 10,66 785,5 10,73 788,15 62,62 10„8 62,84 10,87 793,45 11,01 63,5 17. 11,08 63,72 804,05 11,15 11,22 64,16 806,7 11,29 11,57 65,26 819,95 Температура воздуха в силосе, С' Влажность воздуха в силосе, По экспериментальным данным таблицы 3.1, построены графики зависимости влажности от температуры и содержания СОз от температуры, представленные на рисунках 3.2 и 3.3.

Рис. 3.2. График зависимости относительной влажности воздуха в силосе от температуры воздуха. 1ООО 9ОО 8ОО й~ 7ОО С 6ОО бОО Температура аоздуш в снлосе Рис. 3.3, График зависимости содержания СО в воздухе в силосе от температуры воздуха. Как видно из графиков, при повышении температуры, влажность в силосе также повышается.

С повьппением влажности воздуха в силосе, повышается и влажность самой муки, а это прямой путь к ее порче. СО2 также имеет зависимость от температуры, хотя и не очень значительную. В связи с этим, можно говорить о тесной взаимосвязи между параметрами микроклимата в силосе для бестарного хранения муки, что подтверждается и структурой взаимосвязи, построенной в п.п. 2.9. 3.3. Этапы реализации нейросетевого регулятора.

Во многих научных и литературных источниках давно решается вопрос о своевременной корректировки контролируемых параметров технологического процесса, в частности значений микроклимата технологического помещения ~381. Наиболее перспективным способом решения данной проблемы может быть построение и интеграция в разрабатываемую интеллектуальную автоматизированную систему нейросетевого регулятора, который, используя значения других параметров ТП хранения муки, так или иначе связанных с искомыми значениями показателей микроклимата, будет их просчитывать автоматически.

Поскольку, как было показано ранее, ТП хранения муки представляет собой сложную систему взаимодействующих факторов, корреляцию между которыми зачастую сложно или нельзя выразить в математическом эквиваленте, построение адекватной математической модели для такого процесса и последующее создание на этой основе регулятора, возможно на основе искусственной нейронной сети ~ИНС). Проведенный нами в 1 главе (п.п. 1.2) обзор и анализ развития нейросетевых технологий (НСТ) и решаемых ими задач, показал перспективность их использования для автоматического контроля текущих значений микроклимата в силосе для бестарного хранения муки.

При этом работа НС заключается в преобразовании входных величин в выходную, посредством вычисления заданных функций активации и подстройки весовых коэффициентов. Формирование значений весовых коэффициентов происходит благодаря адаптации НС под конкретную задачу. Этот процесс называется обучением. Обучение может осуществляться различными способами в зависимости от используемой структуры НС. Применение метода основанного на работе НСМ позволяет работать с наборами входных параметров любого уровня декомпозиции и учитывать влияние каждого параметра на итоговую оценку величины параметров микроклимата, а именно температуры, с помощью значений весовых коэффициентов.

Полученные значения сравниваются с контрольными показателями путем статистической обработки данных, в результате чего рассчитывается отклонение величины значения температуры от эталонного и выдается результат о соответствии параметра микроклимата для продолжения или выбора конкретного режима хранения муки. Достоинства нейросетевых методов в следующем: е появляется возможность отказаться от дорогостоящих и сложных приборов; е существенно сокращается продолжительность измерений, уменьшаются временные затраты на регистрацию и на этапы подготовки и обработки измерешп~; ° повышается объективность исследований; ° возможность измерения показателя в режиме реального времени, в потоке. Недостатками нейросетевого подхода можно назвать следующие: е необходимость предварительной настройки, е сбор и выявление основных входных и выходных информационных массивов данных, е необходимость обучения ИНС ~58, 621.

При решении данной задачи была использована полученная структурно - параметрическая модель склада БХМ для установления зависимости между исходными и возмущающими параметрами муки от параметров отлежавшейся муки при ее хранении. Также использовались зависимости всевозможных внешних и внутренних факторов на поддержание значений микроклимата в силосе. Решение задачи построения НС-Р на основе нейросетевых технологий и интеграции его в интеллектуальный комплекс адаптивного управления параметрами микроклимата в общем случае состоит из следующих этапов, представленных на рисунке 3.4 ~861. реализации вычислений и интеграции разработанного НС-Р в АСУ.

Для реализации практически всех этапов разработки НС-Р необходимы базы данных параметров, автоматически измеряемых, контролируемых, а также управлягощих. 3.4. Разработгса стругстурной схемы нейросетевого регулятора. Структурная схема системы управления с нейросетевым регулятором представлена на рисунке 3.5. Нейронная сеть„ воспроизводящая поведение оператора Рис. 3.5. Работа под управлением нейросети, впитавшей в себя опыт оператора.

Данные о процессе здесь собираются с датчиков, суммируются с возмущающими воздействиями, а также с заданием и передаются на нейронную сеть, воспроизводящую поведение оператора. Нейронная сеть или НС-Р формирует управляющее воздействие и передает его на исполнительный механизм для стабилизацгги контролируемого процесса. Разработанный нейросетевой регулятор выполнен в виде информационно-вычислительного комплекса, состоящего из четырех основных блоков: база данных, нейросеть„модуль обучения, модуль формирования решения ~90, 92, 941. Структура разработанного нейросетевого регулятора представлена на рисунке 3.6. пиорее ~асса Рис.

3.6. Структура нейросетевого регулятора. На вход регулятора подаются такие входные параметры как температура Тф, влажность Мф, содержание СО. Яф. а также возмущающие параметры: наружная температура Т,„,ф и наружное содержание СО Я,„,(~). НС-Р состоит из четырех основных блоков. От системы сбора данных, например ЯСАВА-системы, сведения о параметрах и возмущающих воздействиях объекта управления поступают в базу данных, которая передает параметры на модуль обучения, где происходит обучение нейросети. Вместе со входными параметрами база данных передает на нейросеть также предыдущие значения параметров микроклимата, значения управляющих воздействий и информацию об исходном качестве сырья, Далее обученная нейросеть посредством модуля формирования решения, выдает рекомендации об управлении технологическим процессом оператору — технологу, либо направляет управляющие воздействия непосредственно на исполнительные механизмы в случае полностью автоматизированного режима управления.