Автореферат (1152186), страница 2
Текст из файла (страница 2)
Имитационное моделирование ТП БХМ в среде AnyLogic.6. Практическая реализация интеллектуального комплекса для управления параметрамимикроклимата силоса.7. Разработка системы слежения и управления параметрами микроклимата силоса вSCADA-системе Trace Mode.8. Создание РС-совместимой среды для проведения опытно-промышленных испытаний.Апробация работы.Результаты работы докладывались на конференциях и семинарах:V международной научно-практической конференции " 21 век: фундаментальнаянаука и технологии " (« 21 century: fundamental science and technology V») ,10-11 ноября 2014г.,NorthCharleston,USA;Международнойнаучнопрактическойконференции«Автоматизация и управление технологическими и бизнес – процессами пищевойпромышленности», 15 – 17 апреля 2015 г., МГУПП, II международная научно-практическаяконференция «Автоматизация и управление технологическими и бизнес-процессами впищевой промышленности», май 2016 г., МГУПП,XV международная научнаяконференция студентов и молодых ученых «Живые системы и биологическая безопасностьнаселения», 17 декабря, 2017, МГУПП.Публикации.
По материалам диссертации опубликовано 15 печатных работ. Из них 5статей в журналах, входящих в список ВАК, 10 в сборниках научных докладовмеждународных конференций.Структура диссертационной работы.Диссертационная работа состоит из введения, 4 глав, заключения, спискаиспользуемой литературы (118 источников) и приложений. Работа изложена на 193страницах машинописного текста, содержит 64 рисунка, 11 таблиц, 3 приложения.6ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫВо введении обоснована актуальность темы диссертационной работы, определеныцели и задачи исследования, показаны научная новизна исследования и практическаязначимость полученных результатов.В первой главе проведен анализ технологического процесса хранения муки какобъекта автоматизации.
Произведен анализ технологических схем хранения муки ииспользуемых технических средств. Выявлены основные показатели качества муки ипоказано, что данные параметры определяются в основном лабораторными методами изависят от параметров микроклимата в силосе. Поэтому для поддержания стабильноститехнологического процесса хранения целесообразно управлять именно параметрамимикроклимата в силосе.
При этом необходимо учесть, что параметры муки и параметрымикроклимата тесно связаны между собой и подвержены всевозможным внешнимвозмущающим факторам. На основании многочисленных исследований основнымипараметрами микроклимата были выделены: температура воздуха в технологическомпомещении, влажность воздуха и химический состав воздуха, а именно концентрацияуглекислого газа. Определены основные возмущающие факторы, влияющие на протеканиетехнологического процесса (рисунок 1).Рисунок 1.
Основные параметры микроклимата в силосе и действующие на нихвозмущающие воздействия.Возмущающие воздействия на схеме следующие:1. Потребление свежего воздуха системой вентиляции.2. Уходящий воздух.73. Теплопотери через стенки силоса.4. Выделение СО2 и нагрев воздуха в процессе созревания муки.Управляющие воздействия следующие:1. Расход тепла от системы отопления.2. Расход пара от системы увлажнения.3. Количество поступившего свежего воздуха.Проанализировано влияние каждого из параметров технологического процесса накачество муки в процессе хранения. Показано, что технологический процесс хранения мукиявляется нестационарным со множеством нелинейных связей. В настоящее времярегулирование основных параметров микроклимата осуществляется технологом посредствомизменения уставок на локальных регуляторах, а это является весьма субъективно и в рядеслучаев затруднительно. Стандартные ПИД-регуляторы также не могут решить даннуюзадачу, так как не могут учесть нелинейность и многосвязность параметров микроклимата.Поэтому для решения данной задачи целесообразно использовать интеллектуальныетехнологии нового поколения, а именно нейросетевые регуляторы, которые являютсястратегическим направлением для управления подобных технологических процессов.Далее проведен обзор и анализ научно - технической информации о развитии иприменении этого важнейшего направления искусственного интеллекта.
Указаны основныеобласти применения нейронных сетей, представлены архитектуры и разновидностинейронных сетей. Отдельно рассматривается нейросетевой регулятор, а также разнообразныеспособы его включения в контур управления. Проведен анализ основных способовнастройкинейросетевогорегулятора,представленныхвразличныхлитературныхисточниках. Также проведен обзор существующих нейросетевых пакетов и на основаниисравнительных таблиц, выбран оптимальный для использования в процессе обучения ирасчетов.Во второй главе представлено структурно-параметрическое моделирование процессаБХМ, с последующим получением таблицы корреляционных связей и проверке еёзначимости по критерию Стьюдента.
После получения характеристик связей междупараметрами, был подобран критерий качества, удовлетворяющий текущим требованиям крегулированию технологического процесса, происходящего на складе БХМ. Данныйкритерий необходим при построении интеллектуальной нейросетевой модели. Дляпостроения интеллектуального комплекса адаптивного управлениямукинеобходимоуточнениематематическоймоделипроцессами храненияпараметровмикроклимататехнологического помещения для хранения пищевой продукции с использованием8формализованного метода, в основе которого лежит физический подход с интерпретациейфизических переменных, определяющих динамические качества систем.Данная модель должна учитывать, что параметры микроклимата тесно связаны междусобой и подвержены влиянию различных возмущающих факторов.
Для этого была построенаструктура взаимосвязи входных и выходных параметров микроклимата в силосе (рисунок 2).Взаимосвязи параметров микроклимата и различных возмущающих и управляющихфакторов представлены в виде передаточных функций.На температуру воздуха в силосе влияют следующие возмущающие и управляющиевоздействия (1), (2) и (3):T(p) – изображение Лапласа для температуры внутри силоса.Тн.(р) – изображение Лапласа для наружной температуры воздуха.ТТ – постоянная времени.Qпост. – расход теплого воздуха.Gсвеж.
– расход свежего воздуха.9k1,2 – коэффициенты работы системы отопления.Проанализировав параметр влажности воздуха внутри силоса М(t), были выявленыследующие возмущающие и управляющие параметры (4), (5), (6):На влажность воздуха М(t) влияние управляющего и возмущающих воздействийпредставлено передаточными функциями (5), (6) и (7):M(p) – изображение Лапласа для влажности воздуха внутри силоса.Мсвеж.(р) – изображение Лапласа для влажности свежего воздуха.TM – постоянная времени процесса увлажнения паром.Gпар. – расход пара для увлажения.G’(p) – изображение Лапласа для расхода пара.k3, k4 – коэффициенты преобразования по расходу пара и свежего воздуха.Передаточные функции взаимосвязи возмущающих и управляющих воздействий накачество воздуха, т.е.
содержания СО2 в силосе представлено следующими передаточнымифункциями (7), (8) и (9):СО2(p) – изображение Лапласа для концентрации углекислого газа в силосе.СО2 свеж. – изображение Лапласа для концентрации углекислого газа в поступающемсвежем воздухе.ТСО2 – постоянная времени процесса воздухообмена.G’(p) – изображение Лапласа для расхода воздуха в системе воздухообмена.K, k5, k6 – коэффициенты преобразования по расходу воздуха и выделению СО 2.На основании структуры взаимосвязи параметров микроклимата и различныхвлияющих факторов, сделан вывод, что большое значение для адаптивного управленияпроцессом хранения муки является не только точное поддержание контролируемых10параметров, но и их сочетания между собой, что требует использования интеллектуальныхтехнологий.В третьей главе решается задача разработки интеллектуальной системы, способнойрешать эвристические задачи без участия человека, принимающего решения по выборууправления.
Предложена система со специально разработанным нейросетевым регулятором(НС-Р), как наиболее соответствующая данному ТП. Далее рассмотрены и реализованыосновные этапы разработки нейросетевого регулятора.Разработанная структура нейросетевого регулятора представлена на рисунке 3. Навход регулятора подаются такие входные параметры как температура T(t), влажность M(t),содержание СО2 Q(t), а также возмущающие параметры: наружная температура Tout(t) инаружное содержание СО2 Qout(t). НС-Р состоит из четырех основных блоков. От системысбора данных, например SCADA-системы, сведения о параметрах и возмущающихвоздействиях объекта управления поступают в базу данных, которая передает параметры намодуль обучения, где происходит обучение нейросети.
Вместе со входными параметрамибаза данных передает на нейросеть также предыдущие значения параметров микроклимата,значения управляющих воздействий и информацию об исходном качестве сырья.Рисунок 3. Структура НС-Р.Далее обученная нейросеть посредством модуля формирования решения, выдаетрекомендации об управлении технологическим процессом оператору – технологу, либонаправляет управляющие воздействия непосредственно на исполнительные механизмы вслучае полностью автоматизированного режима управления.
Соответственно на выходе НСР выдаются физические величины управляющего воздействия на температуру VT(t),влажность VM(t) и содержание СО2 VCO2(t) в силосе.В основе нейросетевого регулятора лежит нейронная сеть прямого распространениятипа многослойный персептрон с одним скрытым слоем и тремя выходными параметрами. В11данной сети каждый нейрон предыдущего слоя связан со всеми нейронами последующегослоя. Структура нейронной сети представлена на рисунке 4.Рисунок 4. Структура разработанной искусственной нейронной сети с тремявыходными параметрами.На входной слой нейросети подается вектор входных параметров Хn, отраженных втаблице 1.
Каждый нейрон скрытого слоя подает на нейроны выходного слоя сигнал весовсинаптических связей. Таковых нейронов в скрытом слое равно одиннадцати. Весасинаптических связей между h-м нейроном скрытого слоя и m-м нейроном выходного слояобозначены через ℎ . Изменение синаптических весов происходит по градиентномуметоду обратного распространения ошибки. Взаимодействие искусственной нейронной сетис обратным распространением ошибки может эффективно решать задачи, связанные снедостаточнойопределенностьюпараметровПИД-управления.Этообъясняетсявозможностью НС аппроксимировать любую нелинейную функцию, простотой структурысети и особенностями алгоритма обучения.
Данная нейронная сеть непосредственновыполняет функции регулятора.12Таблица 1. Параметры, подаваемые на вход нейросети.Алгоритм обучения сети методом back-propagation — обратного распространенияошибки состоит из некоторого количества повторяющихся шагов (рисунок 5). В случае,когда все весовые коэффициенты скорректированы, снова проходит прямое распространениесигналов от входов НС к выходам, и т.д. За счет постоянного корректирования параметраобучения и весовых коэффициентов, нейрорегулятор адаптируется к изменениям параметровобъекта управления, основываясь на измеренных значениях показателей рассогласования.Анализ работоспособности нейросетевой модели показал, что для данной системыошибка обучения составила 3%, это значение укладывается в предел допустимойпогрешности, определенный 5%.
Предел допустимой погрешности был выбран и согласованс главным технологом, отвечающим за качество помолотой и отлежавшейся (созревшей)муки. Таким образом, применение метода, основанного на работе НС-Р позволяет работать снаборами входных параметров любого уровня декомпозиции и учитывать влияние каждогопараметра на итоговые оценки величин значений температуры, влажности воздуха исодержание СО2 в силосе с помощью значений весовых коэффициентов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
