Диссертация (1152206), страница 19
Текст из файла (страница 19)
Определение оптимальных параметров настройки системыуправления процессом дозирования МК.С точки зрения любого предприятия, занимающиеся производствапродуктов молотого, сублимированного кофе в процессе дозирования, главнымкритериям их работы является, прибыл от проведения технологическогопроцесса производства нуждающегося вида кофе. Сформулировать сверткикритериев точности и производительности для прибыли сложно. Работазаключается в получении оптимальных параметров настройки скоростистаканчикового дозатора и промежуточной координаты в бункере дляэффективного работы дозатора и равномерного процесса истечения ирасфасовки данного вида продукта кофе. Параметры, которые помогаютосуществлять хорошие качества продукта и прибыльно для предприятий.Фактически, для каждого состояния в процессе ДМК необходимоподбирать свои значения коэффициентов регулятора для управления УПК иУДК. В производстве молотого кофе, использовать всего один набор такихкоэффициентов для всех режимов движений приводов, без них перенастройкиполностью не обеспечивает качества дозирования пищевых продуктов ввидутрудоемкостиданногопроцесса.Длярешенияуказаннойпроблемы,137необходимо определить оптимальные коэффициенты для ПИ контроллера,поскольку первоначально степень нелинейности процесса ДМК достаточнотяжело оценить, и необходимости вносить изменения уже в процессе работы,во время дозирования.
Для этого была разработана в главе 3 (п. 3.4) структуранейронной сети, типа многослойного персептрона с одним скрытым слоем ПИД контроллером, где будут настроены коэффициенты именно для ПИконтроллера, так как разработанная модель обладает нелинейными свойствамии способностью к обучению, что придает адаптивные свойства нейросетевыхсистемы управления процессом ДМК [109]. Нейросетевой оптимизатор (НСО)параметров ПИ-контроллера приводов в процессе ДМК (рисунок 4.8) былареализован в среде Matlab Simulink с помощью команда nntool.Нейросетевой оптимизатор также можно создать с помощью командойстроке (newff) для разработки НСО представляющий собой алгоритм обратногораспространения ошибки (backpropagation) со следующим кодом.red = newff(minmax(rpi), [s1 s2 s3], . .
. {′purelin′, ′tansig′, ′purelin′});( 4.8)где, s1 −количество нейронов входного слоя, s2 − количество нейроновскрытогослояиs3 −выходнойслой,red −названиенейросетевогооптимизатора, rpi − файл входных и выходных данных переменных параметровНС.При работе с заполнением, подачам, истечением и дозированиемматериалом в бункере СД для управления УПК и УДК требуется, два наборакоэффициентовPIдлякаждогоприводасосвоимиоптимальнымикоэффициентами, чтобы не привело к снижению качественных показателейпереходнойхарактеристикипоказателейуровняМКвбункереипроизводительности ФУА со стаканчиковым дозаторам. В связи с этим, созданнейросетевой оптимизатор в виде двух идентичных нейронных сетей, каждая изкоторых отвечает за управление коэффициентами регулятора разных приводовдля своего типа процесса при заполнении и дозирования материала.138Входной слой (Input) представляет собой входные параметры управленияприводов УПК и УДК соответственно.
В выходном слоем (Output layer) дванейрона отвечают за коэффициенты PI. Экспериментально было установлено,что в данном случае 7 нейронов в скрытом слое является оптимальным числом.В скрытом слое была использована функция активации гиперболическийтангенс, в выходном слое (Output) – линейная функция. Внутри этих функцииреализованыалгоритмоперативногообучения,представляющийсобойалгоритм обратного распространения ошибки [59].Рисунок 4.8.
Разработанный нейросетевой оптимизатор параметровПИ-контроллера для приводов в процессе ДМКС помощью командой стройки в рабочем среде Matlab (nnstart) обучаласьнейронная сеть и создан блок оптимизатор на рисунке 4.9, чтобы добавить вконтуре разработанной имитационной модели процесса ДМК.Рисунок 4.9. Блок нейросетевого оптимизатора ПИ контроллера139Рисунок 4.10. Результаты для графика переходного процессапроизводительности с использованием НСОРисунок 4.11.Рисунок 4.12. Переходный процесс промежуточной координаты сприменением нейросетевого оптимизатора140Оптимальные коэффициенты ПИ контроллера для привода дозатора призаданном значении ℎ = 0.7м составили = 0.01, = 0.086, а для приводапитателя = 0.01, = 0.0099.
Таким образом, при поступлении команды отЭВМ о необходимости стабилизации уровня МК в бункере СД, регулированияскорости приводов питателя и дозатора – переходе в энергосберегающийрежим, устройство УПК определяет загрузку МК в соответствии с режимомработы стаканчикового дозатора и формирует необходимую, экономическивыгодную,уставкупоскоростивСАРпроцессаДМК.Системаавтоматического регулирования переводит частоту вращения приводногоэлектродвигателя на заданную скорость УПК и УДК без опасных динамическихнагрузок на устройство питателя и стаканчикового дозатора.
Тем не менее,держать стабильность величины промежуточной координаты в бункередозатора позволяет осуществить равномерное истечение продукта, избегать отсводообразования и сегрегации и устранить ошибки точности дозирования.Предлагаемые усовершенствования, внесенные в схему реализации ПИнейросетевого оптимизатора, позволили обеспечить стабилизация параметровпроизводительности (таблице 4.2.) и промежуточной координаты при действиивозмущающих факторов и смене задания управляющих воздействия за счетавто-настройки коэффициентов ПИ контроллера для приводов устройствпитателя и стаканчикового дозатора путем обеспечения требуемого качествапереходного процесса в процессе ДМК.Спомощьюимитационногомоделированияосуществляетсяпредварительная проверка точности порции в процессе объемного дозированиядля различных видов и физико-механических свойств МК с построениемколичественных зависимостей с учетом параметров электротехническогокомплекса и свойств дозируемых частиц МК.141Таблица 4.2.Вид порцияПроизводительность,ПроизводительностьУвеличениечастиц кофекг/мин с учетомкг/мин с учетомПроизводите-алгоритмовалгоритмовьности, %компенсации ПИкомпенсации НСОконтроллера,кг/м30 ,кг/м23003.7716.02135 %4505.6416.0217%6005.9126.0211%0.15.6416.0217%0.35.6416.0217%0.65.6416.0217%7.165.6416.0217%10.225.6416.0217%Результаты проведенных экспериментов позволяют сделать вывод о том,что созданная нейросетевого оптимизатора НСО для ПИ контроллера позволяетсократитьвремяиперерегулирование,атакжеможносократитьэлектроэнергии при сокращении дополнительных устройств контроля процессасводооброзования, ивполнеможетстатьпрототипомуниверсальногопромышленного аппарата настройки параметров ПИ контроллера в процесседозирования сыпучих материалов и пищевых продуктов.4.3.
Оценка качества имитационной модели ДМКВозможно, лишь оценивать стабильность конкретного переходногопроцесса, такие как промежуточная координата, в случае обнаружениянестабильности,возвращатьрегуляторукоэффициенты,которыеиспользовались в рамках последнего устойчивого переходного процесса.142Так как коэффициенты ПИ контроллера являются функциями времени иизменяются даже в течение конкретного переходного процесса ДМК, оценкаустойчивости подобной системы классическими математическими методамиявляется весьма затруднительной.Согласно подходами, описанными Андерсеном [183] и Неслером[184].Система считалась неустойчивой, если график промежуточной координатыболее трех раз пересекал задание, и каждый раз амплитуда колебанийвозрастала или достигла более 30% разницы между значением промежуточнойкоординаты и задания в любой момент времени после первого пересечениязадания текущим заданием и предыдущим.
При выполнении неустойчивостисистемы,нейросетевойоптимизаторПИконтроллеравозвращаетсякпервоначальному значению последнего устойчивого переходного процесса. Втечение всех опытов система управления процессом дозирования оставаласьустойчивой с точки зрения выбранных критериев производительности.4.4. Разработка экспериментального макета программноаппаратного комплекса управления процессом ДМК.При создании автоматизированной системы управления технологическимпроцессом объемного дозирования молотого кофе возникают два аспектапроблемы, один из которых связана с созданием автоматизированной системыуправления технологическим процессом дозирования связующего в физикомеханические свойства частиц при производстве молотого кофе, а другой ссозданием АСУ подачи и дозирования молотого кофе [19, 92].В области систем управления, электромеханики и проектирования систем«технологическийобъект-системауправления»проблемапереходаотлогической структуры задач моделирования к стилевым особенностям,связанным с применением систем автоматизированного проектирования иимитационного моделирования, стоит особенно остро при трансформации143представлений связей между моделями программно-технических средств,обусловленных композиционными отношениями [128].Наличиекомпозиционныхотношенийтребуетмногократногоперекодирования и отображения элементов одного множества координат дляописания процессов дозирования молотого кофе в элементы множества дляописаниясистемыуправленияидалеевэлементымножествадляпредставления процесса дозирования молотого кофе, дозатора и системыуправления в CAD/CAE системе.
Не вдаваясь в суть операций отображения иих свойств определим то, что сами пространства являются нечеткоопределенными на начальных стадиях проектирования. Это приводит квозникновению технических и семантических ошибок при измененииэлементного базиса для построения системы управления [17, 60, 25].В свою очередь возможны когнитивные искажения сущности задачипроектирования и подмена данной задачи другой. При этом нарушаютсяопределенные нормативными документами требования к показателям удобстваприменения и корректности CAD/CAE систем, отражающим представлениепрограммных документов и программ в виде, способствующем пониманиюлогики функционирования программы в целом и частном.Показатели корректности определяют однозначное, непротиворечивоеописание и использование тождественных объектов, функций, терминов,определений, идентификаторов и т.д.
в различных частях документов ипрограммных модулях при проектировании. Показатели удобства примененияCAD/CAEсистемспособствующемотражаютпониманиюпредставлениелогикидокументовфункционированияввиде,совокупности«питатель-система управления-дозатор».Экспериментальный макет программно-аппаратного комплекса (ПАК)системы управления процессом дозирования молотого кофе, разработан спомощьюуправления,средыразработкиреализующейприложенийконцепциипрограммирования LabVIEW [74].измерения,потокаданныхтестированияииграфического144При разработке программно-аппаратного комплекса системы управленияпроцессом дозирования молотого кофе использовались разные инструментыдля концепции потока данных и графического программирования, которыеделятся на две части:Блок-диаграмма (Block Diagram), описывает логику работы приложенийсистемы управления процессом дозирования.Лицевойпанель(FrontPanel),описываетвнешнийинтерфейскомпьютерного зрения системы управления процессом дозирования молотогокофе.
Лицевая панель компьютерного зрения системы управления процессомДМК содержит средства ввода-вывода: кнопки, переключатели, светодиоды,верньеры, шкалы, информационные табло и т.п. Они используются человекомдля управления виртуальными разными приборами рассмотренные при анализев предыдущей главе.Блочная диаграмма разработанной ПАК содержит функциональные узлы,являющиеся источниками, приемниками и средствами обработки данныхтехнологического процесса ДМК. Также компонентами блочной диаграммыявляются терминалы («задниеконтакты»объектовлицевойпанели)и управляющие структуры (являющиеся аналогами таких элементов текстовыхязыков программирования, как условный оператор «IF», операторы цикла «for»и «while»).