Анализ устройств автоматизированного управления сложными техпроцессами. Применение технологии интеллектуального управления на объектах сахарного производства. Рассмотрение этапов системы нейроуправления. Исследование эффективности нейрорегуляторов.
Аннотация к работе
Збірник наукових праць Харківськогоуніверситету Повітряних Сил, 2014, випуск 2(39) ISSN 2073-7378 СРАВНИТЕЛЬНЫЙ АНАЛИЗ УСЛОВИЙ УЧАСТИЯ УКРАИНЫ В МИРОВОЙ ОРГАНИЗАЦИИ ТОРГОВЛИ С ДРУГИМИ ЧЛЕНАМИ МНОГОСТОРОННЕЙ ТОРГОВОЙ СИСТЕМЫ (2012 - 2013 гг.)В статье приведены результаты сравнительного анализа условий участия Украины в мировой организации торговли с другими членами многосторонней торговой системы и раскрыты перспективные направления последующего развития внешнеторговой деятельности Украины. Ключевые слова: мировая организация торговли, сравнительный анализ, внешнеторговая деятельность. COMPARATIVE ANALYSIS OF TERMS OF PARTICIPATION OF UKRAINE IS IN WORLD ORGANIZATION OF TRADE WITH OTHER MEMBERS OF MULTILATERAL AUCTION SYSTEM (2012 - 2013) In the article the results of comparative analysis of terms of participation of Ukraine are resulted in World organization of trade with other members of the multilateral auction system and perspective directions of subsequent development foreign trade activity of Ukraine are exposed.Современные системы управления используют микропроцессорную технику, работа которой базируется на интеллектуальных и компьютерно-интегрированных системах управления сахарным производством. Моделювання в економіці та управління проектами состоят в том, что большинство алгоритмов адаптации получены при условии отсутствия неконтролируемых возмущающих воздействий и при возможности определения всех параметров объекта в процессе идентификации. Настройка ПИД-регулятора для управления В отличии от адаптивных интеллектуальные некоторым объектом осуществляется заданием системы управления способны к “пониманию” и всего трех параметров: пропорционального, интегрального и дифференциального коэффициентов передачи. Несмотря на достоинства, ПИД-регуляторам присущ ряд недостатков, наибольшим среди которых является необходимость ручной перенастройки параметров регулятора при изменении параметров объекта или внешних возмущений, причем трудности настройки существенно возрастают, если объект характеризуется наличием внутренних взаимодействующих контуров. Следует отметить, что большинство реальных производственных систем характеризуются нелинейными зависимостями, сложными для моделирования динамическими свойствами, наличием неконтролируемых шумов и помех, препятствующих реализации традиционных стратегий управления, поскольку, как современная (в частности теория адаптивного и оптимального управления), так и классическая теория управления в значительной степени базируются на идее линеаризации систем.216 позволяют преодолеть многие сложности, возникающие при работе с нелинейными объектами или с объектами неизвестной структуры и неразрешимые с помощью обычных методов адаптивного управления.
Введение
Производство сахарной продукции - сложный технологический процесс, в котором задействовано большое количество разнообразного оборудования. АСУТП в сахарном производстве осуществляется при помощи использования меняющихся многочисленных информационных данных о технологическом процессе.
Современные системы управления используют микропроцессорную технику, работа которой базируется на интеллектуальных и компьютерно-интегрированных системах управления сахарным производством.
Для получения эффективной системы управления технологическим процессом необходима информация об объекте исследования. Определение оптимальные условий работы и параметров технологических режимов, а также получение математи-
214 ческой модели объекта для осуществления оперативного контроля режимов работы и управления - основной вопрос для функционирования эффективной АСУТП.
Системный подход к развитию сахарного производства наряду с совершенствованием технологий и оборудования подразумевает и обязательное применение средств автоматизации производства.
Автоматизация сахарной промышленности обеспечивает качественную, эффективную работу всех технологических участков сахарного завода только посредством комплексного подхода к решению данной задачи.
В настоящее время на большинстве заводов функционируют сложные иерархические системы автоматизации сахарного производства, базирующиеся на структурах 3 - 4 уровней создания АСУТП: как правило, нижнем, среднем, верхнем и дополнительном корпоративном [1, 2].
Данная концепция комплексной автоматизации технически и технологически обусловлена особенностями управления сахарным производством, контроллерами, объединенными с сервером по сетям Ethernet.
Анализ состояния вопроса. При построении систем управления локальными технологическими процессами в настоящее время широко используют-
Моделювання в економіці та управління проектами состоят в том, что большинство алгоритмов адаптации получены при условии отсутствия неконтролируемых возмущающих воздействий и при возможности определения всех параметров объекта в процессе идентификации.
Кроме того, практически все алгоритмы адаптации работоспособны лишь, если выполняется гипотеза квазистационарности объекта управления в ся пропорционально-интегральные и пропорцио- течение времени настройки регулятора и отсутст- нально-интегрально-дифференциальные регуляторы (ПИ- и ПИД-регуляторы).
Факторами, обусловившими широкое распро- вуют исчезающие возмущающие воздействия. Следует также заметить, что существующие алгоритмы адаптации достаточно сложны в реализации, а про- странение ПИД-регуляторов, стали простота их структуры и высокая надежность. цесс адаптации часто занимает неприемлемо продолжительное время [3].
Настройка ПИД-регулятора для управления В отличии от адаптивных интеллектуальные некоторым объектом осуществляется заданием системы управления способны к “пониманию” и всего трех параметров: пропорционального, интегрального и дифференциального коэффициентов передачи.
Несмотря на достоинства, ПИД-регуляторам присущ ряд недостатков, наибольшим среди которых является необходимость ручной перенастройки параметров регулятора при изменении параметров объекта или внешних возмущений, причем трудности настройки существенно возрастают, если объект характеризуется наличием внутренних взаимодействующих контуров.
Кроме того, алгоритмы получения оценок параметров ПИД-регуляторов не лишены недостатков.
Так метод Зиглера-Никольса чувствителен к шумам, поскольку его оценки основаны на результатах экспериментов с разомкнутой системой, а для реализации метода Нишикавы всякий раз, когда требуется перенастройка параметров регулятора, необходимо вмешательство оператора для формирования тестовых входных сигналов.
Все отмеченное явилось причиной развития адаптивного управления, основная идея которого состоит в изменении параметров регулятора в зависимости от критерия оптимальности замкнутой системы.
Следует отметить, что большинство реальных производственных систем характеризуются нелинейными зависимостями, сложными для моделирования динамическими свойствами, наличием неконтролируемых шумов и помех, препятствующих реализации традиционных стратегий управления, поскольку, как современная (в частности теория адаптивного и оптимального управления), так и классическая теория управления в значительной степени базируются на идее линеаризации систем.
Основные недостатки адаптивных систем, разработанных согласно традиционным принципам, обучению в отношении объектов управления, возмущений, внешней среды и условий работы [4, 5].
Цель работы. Определение основных этапов эффективного интеллектуального нейроуправления для сложных автоматизированных технологических процессов в сахарном производстве.
Основная часть
В основе создания интеллектуальных систем управления лежат два принципа: ситуационное управление (управление на основе анализа внешних ситуаций или событий);
использование современных информационных технологий обработки знаний.
Интеллектуальные технологии между собой различает, прежде всего то, что именно положено в основу концепции интеллектуальности - либо способность работать с формализованными знаниями человека (экспертные системы, нечеткая логика), либо свойственные человеку приемы обучения и мышления (искусственные нейронные сети и генетические алгоритмы).
Структурно интеллектуальные системы управления содержат дополнительные блоки, выполняющие системную обработку знаний на основе названных выше информационных технологий.
Данные блоки могут выполняться либо как надстройка над обычным регулятором, настраивая нужным образом его параметры, либо непосредственно включаться в замкнутый контур управления.
Нейросетевые системы управления - это системы управления, в которых используется архитектура искусственных нейронных сетей и их способность к обучению [6].
Искусственные нейронные сети (ИНС) являются весьма многообещающей альтернативой классическим методам идентификации и управления нелинейными системами.
215
Збірник наукових праць Харківськогоуніверситету Повітряних Сил, 2014, випуск 2(39) ISSN 2073-7378
Так как для практического применения алгоритмов управления необходимо, чтобы они были адаптивными, устойчивыми, нелинейными, а также простыми для реализации и понимания.
Именно по этим причинам в настоящее время широкое применение в задачах управления получили ИНС, обладающие указанными выше свойства-
Так, например, полученные в [7] нейросетевые модели Гаммерштейна, достаточно точно описывающие свойства нелинейных динамических объектов, оказываются неудобными для использования их в контуре управления.
При нейросетевой идентификации в основном пользуются NARX, NARMA и NARMAX модели. ми. Поэтому представляет интерес построение этих
Являясь альтернативой традиционным методам управления, нейросетевое управление основано на применении полностью определенных ИНС для выработки требуемых сигналов управления.
Учитывая следующие факторы: многомерность исследуемых ТП, разнотипность исследуемых ТП, традиционных моделей нелинейных динамических объектов с помощью нейросетевого подхода. В частности, для практического решения задачи слежения Нарендра и Макхопадхаи [8, 9] предложили приближенную NARMA - модель со скользящим средним управления (NARMA - L2).
Для управления объектами с изменяющимися нестационарность характеристик и неполноту параметрами используются два принципиально технологической информации на всех уровнях управления производством получения сахарной продукции для поддержки принятия решений операторами, диспетчерами, технологами и другими работниками, требования к повышению качества принимае- разных метода адаптивного управления: прямое и непрямое адаптивное управление.
При прямом адаптивном управлении технологическими процессами сахарного производства параметры контроллера, зависящие от параметров объекта, которые предполагаются известными, на- мых решений необходимо применение интеллектуального подхо- страиваются таким образом, чтобы происходило уменьшение ошибки управления.
да.
Для дальнейшего применения одной из наибо-
При непрямом адаптивном управлении (управление с идентификатором) параметры объекта пред- лее распространенных технологий интеллектуального управления, нейроуправления, для сложных исследуемых объектов необходимо выполнение следующих этапов: 1) формулирование цели и критериев управления;
2) уточнение объекта управления (ОУ);
3) построение общей математической модели полагаются неизвестными либо дрейфующими, поэтому на его первом этапе происходит оценивание параметров объекта либо их дрейфа, а на втором - полученные оценки используются в алгоритме управления.
Оба этих подхода используются и при нейросетевом управлении нелинейными объектами. Если при прямом адаптивном управлении применяется
ОУ и формирование вектора пространства состоя- одна ИНС, реализующая нейроконтроллер, то в ний системы (структурная идентификация); случае непрямого адаптивного нейросетевого
4) определение параметров модели ОУ (параметрическая идентификация);
5) синтез управления (интеллектуального регулятора);
6) реализация управления на основе выбранного алгоритма;
управления - две ИНС, одна из которых реализует нейроконтроллер, а другая - идентификатор.
В работах [5, 10] рассмотрены вопросы синтеза нейросетевого ПИД - регулятора на базе радиально-базисных сетей.
В [6, 9, 11] описаны контроллер на основе мо-
7) коррекция и оптимизация отдельных этапов дели авторегрессии со скользящим средним управления.
Следует отметить, что при нейросетевом
NARMA - L2 Controller, контроллер на основе эталонной модели Model Reference Controller и кон- управлении, как и при традиционном, важную роль играют используемые математические модели исследуемых объектов.
При нейросетевом подходе исследуемый объект представляется в виде ИНС, содержащей помимо входного и выходного один или несколько скрытых слоев, каждый из которых состоит из определенного количества нейронов, реализующих заданную функцию активации.
Сложность модели в значительной мере опрtrialяет эффективность решения задачи управления. троллер с предсказанием NN Predictive Controller. Моделирование интеллектуальной системы управления с нейроконтроллером, нейроэмулятором и эталонной моделью подтверждает эффективность применения нейросетевого подхода для автоматизации локальных технологических процессов сахарного производства.
Вывод
Таким образом, как показывают выполненные исследования, нейросетевые технологии управления
216
позволяют преодолеть многие сложности, возникающие при работе с нелинейными объектами или с объектами неизвестной структуры и неразрешимые с помощью обычных методов адаптивного управления.
Кроме того, способность искусственных нейронных сетей к самообучению позволяет использовать нейрорегуляторы даже в условиях существенных неопределенностей, а высокая степень обеспечивает высокое быстродействие и надежность нейрорегуляторов.
Список литературы
1. Ляшенко С.А. Концепции повышения эффективности АСУТП при производстве сахара в Украине / С.А. Ляшенко, А.С. Ляшенко, И.С. Беляева // Вісник Харківського національного технічного університету сільського господарства імені Петра Василенка. “Сучасні напрямки технології та механізації процесів переробних і харчових виробництв”. - 2008. - Вип. 74. - С. 54-63.
2. Стратегия автоматизации производства сахара / В.Ю. Белоусов, А.Ф. Литвинов, О.А. Потапов, Ю.Н. Горчинский // Сахар. - 2002. - № 1. [Електрон. ресурс]. - Режим доступа до журн.: http://www.loes.ru /main/technology/tech-map.html.
3. Ляшенко С.А. Адаптивное управления технологическими процесами на основе их линеаризированных моделей / С.А. Ляшенко, А.Н. Коваленко // Сучасні методи, інформаційне, програмне та технічне забезпечення систем управління організаційнотехнологічними комплексами. - К.: НУХТ, 2009. - С. 74-75.
4. Ляшенко С. Интеллектуальное управление технологическими процесами сахарного производства / С. Ляшенко, А. Ляшенко // Motrol. Commission of motorization and energetics in agriculture. - Lublin-Rzeszow. - Vol. 15, № 7. - 2013. - P. 145-150.
Моделювання в економіці та управління проектами
5. Ляшенко С.А. Оптимизация управления сложными технологическими процессами в сахарном производстве на основе применения нейросетевых регуляторов / С.А. Ляшенко // Вестник ХНТУ. - Херсон, № (41). - 2011. - С. 412-415.
7. Ляшенко С.А. Построение модели Гаммерштейна с помощью радиально-базисной сети / С.А. Ляшенко, Т.С. Сакало // Збірник наукових праць Харківського університету Повітряних Сил. - Х., 2008. - Вип. 1(16). - С. 85-89.
8. Narendra, K.S., Mukhopadhyay S. Adaptive Control Using Neural Networks and Approximate Models // IEEE Transactions on Neural Networks. - Vol. 8. - 1997. - Р. 475-485.
9. Demuth H., Beale М. Neural Network Toolbox User’s Guide For Use with MATLAB. [Електрон. ресурс/. - Режим доступа до журн.: http://www.image.ece.ntua. gr/courses_static/nn/matlab/nnet.pdf.
10. Ляшенко С.А. Синтез нейросетевого ПИД-регулятора для управления технологическими процессами производства Сахара / С.А. Ляшенко // Вестник Херсонского национального технического университета. - Херсон. - 2010. - Вып. 2(38). - С. 430-433.
Рецензент: д-р техн. наук, проф. С.Г. Удовенко, Харьковский национальный университет радиоэлектроники, Харьков.
OCOTRIALCTI ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ ДЛЯ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ ВИРОБНИЦТВА ЦУКРУ
С.О. Ляшенко
Проведено аналіз систем автоматизованного управління складними технологічними процесами у цукровому виробництві. Обґрунтовано застосування однієї з розповсюджених технологій інтелектуального управління, нейроуправління, для складних обєктів, що досліджуються. Запропоновані необхідні етапи для отримання ефективної системи нейроуправління. Розглянута ефективність нейрорегуляторів для управління складними технологічними процесами.
Ключові слова: система, управління, об’єкт, нейрорегулятор, нейромережа, технологічний процес, автоматизація, ПІД-регулятор, інтелектуальна система, не стаціонарність.
FEATURES OF APPLICATION OF NEURONETWORK TECHNOLOGIES FOR AUTOMATION OF TECHNOLAOGICAL PROCESSES OF SUGAR PRODUCTION
S.А. Lyashenko
We consider a method of extracting expert knowledge-based organization procedures incomplete paired comparisons, which is implemented in a convenient form of an expert, greatly simplifies and reduces the period of the expert procedure. Proposed methods for determining the vector of priorities signs of an incomplete matrix of pair wise comparisons based on the definition of missing values, or bring it to a system of linear equations.