Синтез системи керування розподіленими технологічними процесами на основі нейромережевих вимірювань і нечіткого регулятора

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Синтез системи керування розподіленими технологічними процесами на основі нейромережевих вимірювань і нечіткого регулятора

Автореферат

дисертації на здобуття наукового ступеню кандидата технічних наук

Загальна характеристика роботи

Актуальність теми досліджень. В області завдань керування технологічними процесами можна виділити широкий клас об'єктів, відмінною рисою яких є високий рівень невизначеності у зв'язках між керуючими впливами та збуреннями, вихідними параметрами, параметрами, що визначають стан об'єкта.

Найчастіше моделі технологічних процесів (теплових, подрібнення, сепарації, гомогенізації тощо) слабо формалізовані та мало придатні для синтезу ефективних САУ традиційними методами. Однак необхідність автоматизації подібних процесів визначає пошук нових методів побудови систем керування.

Технологічні параметри в таких процесах, як правило, не підлягають прямим вимірюванням і, через відсутність точної математичної моделі, не спостережувані. Також у системі існує велика кількість збурень, що мають випадковий характер. Більшість технологічних процесів характеризуються розподіленими параметрами, а керуючі впливи є зосередженими.

На практиці існуючі невизначеності можуть бути зменшені, а керуючі впливи формуються технологом або оператором процесу, виходячи з досвіду експлуатації. Як правило, при побудові керуючих систем для подібних об'єктів не ставиться завдання абсолютно оптимального керування, а до функціонала якості висувається вимога поліпшення показників протікання процесу в порівнянні з деяким прийнятим раніше законом керування. При цьому оператор керується оцінками технологічних параметрів, які можуть інтегрально відображати перебіг процесу.

У зв'язку із цим можна сформулювати наукове завдання побудови систем керування розподіленими технологічними процесами, моделі яких слабо формалізовані, а технологічні параметри не спостережувані, для забезпечення підвищення якості протікання процесу.

Зв'язок роботи з науковими програмами, планами, темами. Робота виконувалася відповідно до наукового напрямку кафедри автоматизації виробничих процесів Харківського державного технічного університету будівництва та архітектури в рамках теми «Організація управління розподіленими технологічними процесами з високим рівнем невизначеності» (номер державної реєстрації 0109U003409), де автор є виконавцем наступних етапів: виділення класу процесів за ознакою слабої формалізації моделей, розробки структури системи керування подібними процесами на основі нечіткого регулятора.

Мета та задачі досліджень. Мета дисертаційної роботи - підвищення продуктивності слабо формалізованих технологічних процесів з непрямим вимірюванням параметрів шляхом розробки й впровадження системи керування на основі нейромережевих вимірювань і нечіткого регулятора.

Для досягнення поставленої мети необхідно розв'язати наступні задачі:

- виділення класу технологічних об'єктів за ознаками слабої формалізації моделі й невизначеності зв'язків між керуючими впливами, вихідними параметрами, параметрами, які визначають стан об'єкта й збуреннями;

- аналіз методів і засобів створення систем керування в умовах слабої формалізації керованого процесу, а також вимог до них й обмежень до їхнього використання;

- розробка структури системи керування технологічними процесами зі слабо формалізованими моделями, що забезпечує підвищення їхньої продуктивності;

- розробка методу одержання зосереджених інтегральних оцінок протікання розподіленого технологічного процесу в умовах недостатності вхідної інформації й збурень стохастичного характеру;

- розробка й практичне використання програмно-технічних засобів створення системи автоматичного керування процесами з розподіленими параметрами й слабо формалізованою моделлю на прикладі процесу подрібнення матеріалів у кульовому барабанному млині.

Об'єкт досліджень - процеси зі слабо формалізованими моделями та не спостережними параметрами з високим рівнем невизначеності зв'язків.

Предмет досліджень - методи моделювання та структура систем керування технологічними процесами зі слабо формалізованими моделями і параметрами, що не вимірюються та не спостерігаються.

Методи досліджень. В основу досліджень дисертаційної роботи покладені принципи системного аналізу. При розробці системи управління використовувались методи теорії нечітких множин, а також теорії автоматичного управління. При розробці вимірювача оцінок технологічних параметрів використовувались методи теорії ймовірності та теорії штучних нейронних мереж.

Наукова новизна одержаних результатів.

1. Вперше розроблена модель системи керування вихідними параметрами слабо формалізованих технологічних процесів, що відрізняється від відомих тим, що процес регулювання здійснюється з урахуванням оцінок його стану, отриманих при непрямих нейромережевих вимірюваннях параметрів, а керуючі впливи виробляються нечітким регулятором, сформованим на основі експериментальних даних, що дозволяє підвищити продуктивність керованого процесу.

2. Удосконалено метод одержання оцінки параметра ступеня подрібнення матеріалу шляхом використання багатошарової нейронної мережі для визначення зв'язку між ступенем помолу й асиметрією та ексцесом законів розподілення сигналів акустичного шуму й вібрації, що генеруються в процесі роботи подрібнювального агрегату, що дозволяє одержувати оцінку параметра в реальному часі й підвищити її достовірність.

3. Одержав подальший розвиток метод оцінки параметрів стану технологічного процесу на основі нейронних мереж в частині формування навчальної вибірки з технологічних та виміряних даних, наявність зв'язку між якими попередньо встановлена, що дозволяє зменшити обсяг навчальної вибірки для отримання достовірної оцінки параметрів процесу за непрямими вимірюваннями.

Практичне значення одержаних результатів полягає в тому, що на основі проведених досліджень та запропонованих методів:

- розроблено методику і програмно-технічні засоби створення вимірювачів питомої поверхні матеріалу, що подрібнюється в барабанному млині, в режимі реального часу;

- розроблено нечітку модель процесу керування, на базі якої за допомогою методів нечіткої логіки побудовано систему автоматичного керування процесом подрібнення в барабанних млинах. При цьому в системі в режимі реального часу вимірюється та стабілізується параметр питомої поверхні матеріалу, що є показником якості вихідного матеріалу;

- розроблено узагальнену методику побудови систем автоматичного керування процесами подрібнення на основі нечітких моделей та з використанням нейромережевих вимірювачів ступеню подрібнення на базі аналізу акустичного та вібраційного сигналів, що генеруються обладнанням в процесі роботи;

- розроблено апаратну та програмну реалізацію системи керування з інтегрованим вимірювачем питомої поверхні матеріалу.

Результати досліджень впроваджені в:

- ЗАО «Інститут Укроргверстатінпром» при проектуванні системи управління подрібнювального агрегату «Харків'янка», зокрема регулятора подачі матеріалу в зону подрібнення для стабілізації ступеню подрібнення (акт впровадження від 12.09.2008 р.).

- навчальному процесі Харківського державного технічного університету будівництва та архітектури (акт впровадження від 16.03.2009 р.).

Особистий внесок здобувача. Всі наукові результати й положення отримані автором самостійно. У публікації [1] особистий внесок автора складається в розрахунку технологічних режимів подрібнення залежно від ступеня заповнення й швидкості обертання барабану кульвого млина, як керованих параметрів. У публікаціях [2] й [5] автором було зроблено аналіз інформативних параметрів акустичного та вібраційного сигналів, що генерується об'єктом, з метою збільшення точності вимірювання технологічних параметрів. У публікації [3] автором описані основні підходи та методи побудови систем керування подрібнювальним устаткуванням на базі інтелектуальних систем. У публікації [6] автор визначає структуру вимірювача параметрів подрібнення на базі нейронних мереж. У публікації [7] автором визначена можливість застосування нечіткого регулятора процесу подрібнення із введенням у систему нейромережевого вимірника технологічних параметрів процесу. У публікації [8] визначено топологію нейромережевого вимірювача інтегральних показників якості протікання процесу та визначено мету керування за виміряним параметром.

Апробація результатів дисертації. Основні результати роботи доповідалися й обговорювалися на: 60-63 науково-технічних конференціях «Підвищення ефективності будівництва» Харківського державного технічного університету будівництва й архітектури в 2005-2008 р.; міжнародних конференціях з автоматичного керування «Автоматика - 2005» (Харків, НТУ ХПІ, 2005 р.), «Автоматика - 2006» (Вінниця, ВНТУ, 2006 р.), «Автоматика - 2007» (Севастополь, СевНТУ, 2007 р.), «Автоматика - 2008» (Одеса, ОНМА, 2008 р.).

Публікації. За результатами дисертації опубліковано 8 друкованих робіт, у яких викладений основний зміст роботи. З них 4 статті [1-4] у наукових журналах та збірниках наукових праць та 4 публікації тез доповідей [5-8] на конференціях міжнародного рівня. Роботи [1-4] опубліковані у виданнях, що входять до переліків, затверджених ВАК України. Робота [4] виконана без співавторів.

Структура й обсяг роботи. Дисертація має вступ, чотири розділи, висновки й додатки. Повний обсяг дисертації складає 170 сторінок, у тому числі: 40 рисунків, з яких 1 на окремій сторінці, 7 таблиць, список із 126 використаних літературних джерел на 14 сторінках, 4 додатки на 22 сторінках.

Основний зміст роботи

технологічний інтегральний програмний керування

У вступі обґрунтована актуальність теми дисертаційної роботи, проведений аналіз об'єкта й предмета наукових досліджень, зв'язок роботи з тематикою наукових програм Харківського державного технічного університету будівництва та архітектури.

Сформульовано мету й завдання досліджень, визначена наукова новизна отриманих результатів, їхня достовірність, практична цінність. Наведено відомості про впровадження й апробацію результатів дисертації, про кількість публікацій, особистий внесок здобувача та структуру роботи.

У першому розділі дисертації викладена характеристика сучасного стану проблеми керування складними процесами й методів її вирішення. Сформульовано постановку завдань проектування систем керування для слабо формалізованих систем з розподіленими параметрами.

Для процесів керування, які є об'єктом дослідження даної роботи, можна визначити наступні особливості:

- побудова й функціонування систем керування відбувається в умовах високого рівня невизначеності;

- в об'єкті присутні невизначеності 2 типів - при вимірюванні технологічних параметрів має місце стохастична невизначеність, а керування має ознаки нечітких відношень;

- стохастична невизначеність для об'єктів з розподіленими параметрами може бути зведена до деяких детермінованих зосереджених параметрів, які інтегрально відображають характер перебігу процесу;

- невизначеність мети керування може бути зменшена з урахуванням інтегральних показників параметрів керування на основі експериментальних моделей процесу. Процедура прийняття рішення базується на неповній інформації, або нечітких термах.

Більшість складних технологічних об'єктів мають лінгвістичні моделі керування, сформовані в результаті аналізу накопиченого досвіду експлуатації. Ці дані можуть бути використані для побудови нечітких регуляторів процесу. Лінгвістичні моделі визначають зв'язок між оцінками параметрів процесу, вираженими в явному вигляді. Тому для побудови й функціонування регулятора процесу необхідні дані про поточний стан об'єкта, виражені в явному вигляді. Неможливість проведення прямих вимірювань параметрів приводить до необхідності побудови вимірника на основі непрямих даних. Стохастична невизначеність, що міститься в цих даних, може бути зменшена при використанні багатошарових нейронних мереж для інтерпретації вимірюваних даних у значення технологічного параметра. Нейронна мережа в цьому випадку виступає в ролі універсального апроксиматора залежності між необхідними технологічними й вимірюваними параметрами.

В розділі розглядаються особливості предметної області управління технологічними процесами в умовах невизначеності. Узагальнені відомості конкретизуються на прикладі процесу подрібнення матеріалів у барабанних млинах.

Предметна область (рис. 1) містить у собі ряд компонент, які постійно взаємодіють між собою в ході виробничого процесу: компонента якості вихідного продукту, що описує можливості зміни показника якості; компонента продуктивності, що вимагає підвищення кількості кінцевого продукту з урахуванням можливостей технологічного устаткування, закладених при проектуванні; економічна компонента, що забезпечує економію енергетичних і матеріальних ресурсів. Дані компоненти, які взаємодіють у вигляді потоків інформації, містять у собі суперечливі з погляду технології вимоги, які й призводять до невизначеності при керуванні об'єктом в умовах реалізації процесу. Ця невизначеність призводить до різкого зниження якості протікання процесу, однак вона може бути зменшена за наявності інформації, якою володіє кваліфікований оператор або технолог. Така суб'єктивна інформація є єдиною можливою основою об'єднання всіх параметрів предметної області в модель, що дозволяє оцінити стан об'єкту й прийняти відповідні рішення.

Досліджено питання, пов'язані з поданням й обробкою експертної інформації на базі теорії нечітких множин, показана доцільність застосування зазначеної теорії при створенні систем керування слабо формалізованими процесами. У розділі виконаний огляд існуючих алгоритмів роботи штучних нейронних мереж й обробки нечіткої інформації, що використовуються у системах з нечіткими регуляторами.

У другому розділі розглядаються основні положення побудови системи керування слабо формалізованими процесами на основі апарата нечіткої логіки з використанням в керуванні інтегральних оцінок технологічних параметрів, отриманих в результаті навчання нейронної мережі. Визначена структура системи керування, її складові частини та визначені функціональні зв'язки між ними.

Для рішення поставленого завдання прийнята типова структура модуля нечіткого керування, що складається з наступних компонентів: бази правил, блоку фузифікації, блоку вироблення рішення, блоку дефузифікації.

Завданням бази правил є встановлення зв'язку між вхідним і вихідним параметрами у найпростішій лінгвістичній формі. Підставою для формування таких правил може стати експериментальна модель процесу.

Для керування технологічними процесами характерною є присутність невизначеності співвідношення продуктивності обладнання та якості вихідного продукту за умови наявності збурень, що впливають на обидва ці параметри. На практиці ця невизначеність розв'язується за рахунок досвіду оператора або технолога процесу, який має апріорні знання про можливість впливу на шукане співвідношення (фактично - функціонал якості протікання процесу). Тому нечіткий регулятор, структура якого розроблена в даній роботі, містить нечіткі співвідношення оцінок продуктивності та якості вихідного продукту.

Продуктивність є тим параметром, який у більшості випадків може бути заданим у явному вигляді та є завданням системи управління. Якість вихідного продукту є параметром комплексним та в системі управляння може існувати у вигляді оцінки параметрів стану процесу. Отримання цієї оцінки пов'язане з розв'язанням невизначеностей стохастичного хакактеру, зумовленими неточністю вимірювань параметрів, можливою зміною структури інформаційних сингалів, зовнішніми збуреннями тощо. Невизначеності такого роду можуть бути зменшені при застосуванні апарату штучних нейронних мереж. У розглянутій системі на дендрити вхідного шару споруджуваної нейронної мережі подається вектор, що містить характеристики вимірюваних сигналів з об'єкту. Аксон нейрону вихідного шару містить дані про необхідний технологічний параметр. Саме ця величина і є інтегральною оцінкою якості протікання процесу.

Використання нейронних мереж в якості апроксиматора залежності між вимірюваними сигналами та технологічними параметрами процесу також зумовлено відносно невеликим обсягом навчальної вибірки, яку можливо отримати в результаті експериментальних досліджень в умовах виробництва, у порівнянні з множиною можливих станів процесу.

Для отримання стійкої та адекватної оцінки параметру необхідно визначити наявність зв'язку між вимірюваними параметрами та технологічним параметром, значення якого обраховується при функціонуванні нейронної мережі. Для цього було застосовано кореляційний аналіз.

Для навчання двошарової мережі використовується метод зворотного поширення помилки, як систематичний метод для навчання багатошарових штучних нейронних мереж. Використання інших більш складних алгоритмів не є обґрунтованим, оскільки навчальні пари за вказаною вище вимогою мають досить тісний зв'язок, тобто алгоритм навчання повинен досить швидко збігатися.

Запропонована структура системи керування (рис. 2) може бути описана у вигляді співвідношень, що базуються на визначених структурах її окремих частин.

Х (П, ш) - вектор стану розподіленого об'єкта, x - просторова координата, W (x, s) - передаточна функція об'єкта, W_вим(x, s) - передаточна функція відносно вимірюваних параметрів, а, b, с - точки простору, в яких відбувається вимірювання та керування, Ф - збурюючі впливи. При цьому:

, (1)

де Н - вектор виміряних сигналів.

Як правило, поточна продуктивність може бути виміряна безпосередньо, тобто цей параметр не має ознак невизначеності. Тому поточна продуктивність П може бути визначена, як зосереджений параметр:

, (2)

де Д1 - оператор виділення зосереджених параметрів.

, (3)

де ч - зосереджений сигнал, який несе інформацію про технологічні параметри процесу, Д2 - оператор виділення зосереджених параметрів.

Сигнал ч може бути зведений до вектора найбільш інформативних вимірюваних зосереджених параметрів:

, (4)

де К - оператор для виділення інформативних параметрів процесу.

Зв'язок інформативних параметрів Ш і технологічних параметрів процесу апроксимується двохшаровою нейронною мережею із сигмоїдною функцією активації нейрона. Апроксимуюча функція має вигляд:

; , (5)

де W1, W2 - вагові матриці нейромережі прямого поширення, - довжина вектора Ш, , , - скалярна вихідна величина, параметр системи, що інтегрально відображає оцінку її стану.

Оцінка параметра х1 подається на вхід нечіткого регулятора у вигляді похибки між заданим значенням параметра та отриманим у результаті роботи системи вимірювання:

х1. (6)

При цьому діапазон можливих значень параметра (вхідна нечітка множина А) розділяється на деяку кількість субдіапазонів m, обумовлених нечіткими числами шм:

. (7)

Також на вхід регулятора подається похибка продуктивності х2:

х2, (8)

де П* - завдання продуктивності, П - поточна продуктивність.

При цьому діапазон можливих значень параметра (вхідна нечітка множина В) розділяється на деяку кількість субдіапазонів l, обумовлених нечіткими числами :

(9)

Діапазон можливих значень керуючого впливу y, який для подібних систем найчастіше пов'язаний зі зміною продуктивності, також розділяється на деяку кількість субдіапазонів k, та представляє собою набір нечітких чисел:

. (10)

У загальному випадку для описаних нечітких множин визначені лінгвістичні змінні:

- вхідні нечіткі множини: А={А1 - значення параметра нижче норми, А2 - значення параметра нормальне, А3 - значення параметра вище норми}; В={В1 - продуктивність низька, В2 - продуктивність оптимальна, В3 - продуктивність висока};

- вихідні нечіткі множини: С={С1 - великий приріст продуктивності, С2 - маленький приріст продуктивності, С3 - немає збільшення продуктивності, С4 - зменшення продуктивності}.

Кількість логічних посилок для вхідних величин: А=3, В=3. Кількість правил 9.

Оптимізація бази правил приводить до наступної конфігурації:

R1: IF (x1 is (A2 OR A3) & x2 is B1) OR (x1 is A3 & x2 is (B1 OR B2)) THEN y is C1;

R2: IF (x1 is A2 & x2 is B2) THEN y is C2; (11)

R3: IF (x1 is (A2 OR A3) & x2 is B3) THEN y is C3;

R4: IF (x1 is A1 & x2 is (B1 OR B2 OR B3) THEN y is C4.

Відповідно до записаних вище правил функція приналежності нечіткого висновку буде мати вигляд:

;

; (12)

;

.

Для визначення нечіткого висновку використано правило Мамдані. У процедурі фузифікації використано правило сінглтон для вхідної величини В, оскільки на вхід регулятора надходять точні значення величини, і правило нон-сінглтон для вхідної величини А, оскільки на вхід регулятора надходять зашумлені дані оцінки параметрів керованого процесу.

Приведення до чіткості здійснюється за методом центра ваги за формулою:

(13)

де , Y - множина керуючих впливів.

Вихідна величина керуючого параметру у є зосередженою. Однак у загальному випадку вплив на керований процес є розподіленим та визначається функцією переходу до розподілених параметрів як:

, (14)

де с - точка простору, до якої прикладається керуюча дія.

Приведена структура системи управління дозволяє здійснювати керування розподіленими слабо формалізованими процесами в умовах невизначеності співвідношень критеріїв керування (продуктивність-якість) та невизначеності поточних параметрів процесу.

Основні результати досліджень розділу опубліковані в роботі [4].

У третьому розділі наведено приклад побудови системи вимірювання технологічних параметрів процесу подрібнення в кульовому барабанному млині, який розглядається як об'єкт з розподіленими параметрами та слабо формалізованою моделлю. Приведені результати експериментальних досліджень динаміки подрібнення в кульовому барабанному млині. Мета досліджень розділу - визначити характер динамічних процесів, що відбуваються в барабані млина в процесі здрібнювання матеріалу; визначити сигнали з розподіленого об'єкта, зручні для вимірювання, та такі, що найбільш інформативно відображають технологічні параметри подрібнення. Результатом обробки експериментальних даних є визначення інформативних параметрів процесу, що дозволять звести розподілені сигнали з об'єкту до зосереджених параметрів. Фактично в розділі відшукується вид залежності (3) та вид оператора К з виразу (4), застосовані до конкретного процесу. Тому в розділі подається детальний опис параметрів стану процесу подрібнення.

Для подрібнювального агрегату як об'єкта, у якому відбувається процес подрібнення, може бути задана множина станів: Х (D, N, G, K), де D - тонкість помолу (в% залишку на ситі заданого розміру), N - споживана головним двигуном млина потужність, G - вектор акустичних та вібраційних сигналів млина, К - кінетична енергія зіткнень подрібнювального середовища.

В роботі показано, що питома поверхня матеріалу, що подрібнюється, S є параметром, що відображає поточний стан об'єкта, і визначається як:

, (15)

де - асиметрія та ексцес закону розподілення акустичного та вібраційного сигналів млина.

Для визначення зв'язку між параметрами стану об'єкту, вимірюваними параметрами та інтегральними параметрами процесу (питома поверхня матеріалу S) проведено експериментальні дослідження процесу подрібнення.

Активна поверхня матеріалу, що подрібнюється, обчислюється, виходячи з експериментальних даних про процентний вміст фракцій матеріалу в конкретний момент подрібнення. Нижче наведено експериментальний графік зміни відносної активної поверхні із часом подрібнення. Із графіка на рис. 3 видно, що із збільшенням часу подрібнення нормоване значення активної поверхні матеріалу має тенденцію збільшуватися, тобто збільшується вміст дрібних фракцій у завантаженні млина.

У ході роботи проведено дослідження закону розподілення акустичного та вібраційного сигналів, що генеруються у результаті роботи об'єкта. Оскільки закон розподілення сигналу близький до нормального, доцільно для апроксимації експериментальних даних застосовувати розкладання в ряди Грамма-Шарльє. Це робиться з метою зручності сприйняття та розрахунку отриманих даних про закон розподілення реального сигналу за залежністю:

,

де Ф(u) - функція Лапласа нормального розподілення центрованої й нормованої випадкової величини ;

f(u) - щільність нормального закону розподілення.

Дослідження показали, що середньоквадратична помилка апроксимації усіченим рядом Грамма-Шарльє закону розподілу сигналу з об'єкту складає 4%.

В розділі проведені дослідження кореляції параметрів акустичних і вібраційних сигналів із фракційним складом матеріалу, що подрібнюється. Дослідження показали наявність залежності між даними параметрами, що говорить про можливість їхнього використання для побудови вимірювача питомої поверхні матеріалу. Коефіцієнти кореляції зміни асиметрії та ексцесу закону розподілення акустичного сигналу зі зміною питомої поверхні складають відповідно 0,7 та 0,68.

Аналіз закону розподілення вібраційного та акустичного сигналів можна застосовувати у випадку, якщо отримані в результаті експерименту їх реалізації, що є по суті випадковими функціями, можна вважати стаціонарними. Для визначення стаціонарності сигналів в межах періоду вимірювання використовувався метод серій. Також для вимірюваного сигналу визначено необхідний розмір вибірки, при якому забезпечується стабільність параметрів закону його розподілення. Для отриманих експериментальних даних розмір вибірки повинен складати не менш, ніж 5•10⁴ точок при частоті дискретизації сигналу 44,1 кГц.

Основні результати досліджень розділу опубліковані в роботах [2, 5, 8].

У четвертому розділі наведено приклад побудови системи керування кульовим барабанним млином, який розглядається як об'єкт з розподіленими параметрами та слабо формалізованою моделлю, приведена програмна та технічна реалізація системи керування шаровим барабанним млином. При побудові системи використані методи нейронних мереж та нечіткої логіки.

Для подрібнювального агрегату, як динамічного об'єкта, у якому відбувається процес подрібнення, окрім множини станів можуть бути задані наступні множини параметрів, що визначають його роботу:

- множина припустимих вхідних впливів: Щ (М, ж, V), де М - продуктивність живильника млина, ж - кількість завантаження, яке подрібнюється, V - швидкість обертання барабана млина;

- множина вихідних величин: Г(Q), де Q - вихідна продуктивність млина;

- множина збурень: Ф (Dм, о, н), де Dм - вхідна крупність матеріалу, що подрібнюється, о - крупність куль завантаження, н - вологість матеріалу.

Оскільки кожний з параметрів змінюється в часі, то в описі об'єкта має місце множина моментів часу Т. При цьому Т є впорядкованою підмножиною множини дійсних чисел.

Найбільш простим і зручним для керування процесом подрібнення параметром є швидкість подачі матеріалу в барабан млина. Реалізація варіювання цього параметра не складна й не вимагає великих матеріальних витрат, тому множина вхідних впливів звужується до одного керуючого впливу Щ (М).

Таким чином, перехідна функція має вигляд:

. (17)

У якості критерію оптимальності подрібнювального агрегату обрані показники продуктивності Q. У будь-якому випадку, ціль керування можна розглядати, як досягнення экстремума або функції оптимальності.

У загальному вигляді отриману в результаті дослідження принципів автоматизації об'єкта ціль керування можна звести до оптимізації функціонала вигляду:

, (18)

, (19)

де і - технологічно визначені обмеження значення питомої поверхні, M(t) - величина заповнення млина.

Вплив параметра ступеню заповнення млина не тільки на продуктивність, але й на тонкість (якість) помолу, визначає виконання не тільки критерію оптимальності в (18), але й заданих обмежень на тонкість подрібнення (19).

Крім того, зміна параметрів середовища подрібнення вносить збурення у перебіг процесу та у значній мірі впливає на критерій оптимальності (18). У цьому випадку щонайкраще перебіг процесу відображає параметр питомої поверхні вихідного матеріалу.

Таким чином, необхідне значення заповнення може бути змінним залежно від збурюючих впливів. Для них критерієм керування буде:

Qгот.прод > max при М(t)= var. (20)

Для виконання локальних критеріїв (20) необхідно використовувати такі керуючі впливи, які з найбільшою ефективністю дозволять управляти заповненням млина.

Структура системи керування процесом подрібнення приведена на рис. 4.

Основою для побудови регулятора є експериментальна модель подрібнення, що може бути представлена у вигляді:

. (21)

База правил нечіткого регулятора формується також на підставі знань операторів про конкретний об'єкт.

Розглянуто модель керування процесом подрібнення за параметрами «ступінь здрібнювання-продуктивність». Керуючий вплив здійснюється у вигляді зміни швидкості подачі матеріалу в млин.

У якості вхідної змінної у блок фузифікації використаємо поточний ступінь подрібнення матеріалу. Даний параметр у реальному режимі часу може бути визначений за допомогою вимірника на базі датчиків акустичних шумів і вібрації барабана млина з подальшою класифікацією сигналу за допомогою нейронної мережі.

Завданням бази правил є встановлення зв'язку між якістю подрібнення та продуктивністю млина у найпростішій лінгвістичній формі. Підставою для формування таких правил є графік зміни питомої поверхні (або ступеня здрібнювання) із часом залежно від рівня завантаження млина. Рівень завантаження безпосередньо пов'язаний зі швидкістю подачі матеріалу до барабану млина.

Для встановлення зв'язку між розподіленими параметрами процесу подрібнення та зосередженою оцінкою цих параметрів для використання цієї оцінки в керуванні процесом застосовано апарат багатошарових нейронних мереж. У розглянутій системі на дендрити вхідного шару споруджуваної нейронної мережі подається вектор, що містить значення асиметрії й ексцесу законів розподілення сигналів акустики й вібрації подрібнювального агрегату (рис. 5). Аксони нейронів вихідного шару містять дані про необхідний технологічний параметр (долі вмісту фракції або питомої поверхні матеріалу, що подрібнюється).

У результаті використання для навчання мережі вибірки асиметрія-ексцес - вхід, значення питомої поверхні - вихід, параметри мережі були змінені для виконання завдання визначення відповідності між вектором вхідних параметрів і певним значенням питомої поверхні подрібнювального матеріалу. Обчислення проводилися в середовищі LabVIEW.

Для навчання мережі використовувався метод зворотного поширення помилки. По закінченні навчання мережа використовується для розпізнавання заданих параметрів і ваги зв'язків нейромережі не змінюються. Аналіз отриманих даних показує, що при розмірі навчальної вибірки N=8 нейромережа апроксимує залежність S=f (A, E) з точністю ±11% питомої поверхні, що є достатньою для даного процесу. Сучасні методи оцінки ступеню подрібнення дозволяють визначати цей параметр з точністю ±10-15%. Навчання проводилося з усередненими вхідними даними з високими коефіцієнтами кореляції зі значенням питомої поверхні. Використання при навчанні неусереднених вхідних даних з високою дисперсією параметрів та нижчими коефіцієнтами кореляції приводили до зниження точності розпізнавання параметру питомої поверхні матеріалу.

Кількість нейронів у шарах була прийнята виходячи з формату навчальної вибірки та гіпотези про зв'язок між параметрами вібраційних та акустичних сигналів і питомою поверхнею. Тому вхідний шар містить чотири нейрони (по кількості вхідних параметрів), а вихідний шар містить один нейрон, вихід якого й визначає питому поверхню матеріалу завантаження млина.

На основі приведених залежностей та алгоритмів розроблена програмна та технічна реалізація системи керування процесом подрібнення. Впровадження запропонованої системи керування для процесів подрібнення у кульових барабанних млинах дозволяє збільшити продуктивність за готовим продуктом на 3,6%.

Основні результати досліджень розділу опубліковані в роботах [1, 3, 6, 7].

Висновки

У дисертаційній роботі наведено нове рішення наукового завдання побудови систем керування розподіленими технологічними процесами, моделі яких слабо формалізовані, а технологічні параметри не спостережувані, для забезпечення підвищення якості протікання процесу.

Основні наукові й практичні результати дослідження:

- розроблено структуру системи управління технологічними процесами зі слабо формалізованими моделями та розподіленими параметрами на основі нечіткого регулювання, при цьому при вироблені керуючої дії використовуються оцінки поточних значень зосереджених інтегральних інформативних параметрів процесу. Запропонована структура дозволяє системі керування відтворити дії оператора або технолога процесу та забезпечити підвищення якості протікання процесу;

- запропоновано нейромережевий метод отримання зосередженої оцінки розподілених параметрів технологічного об'єкту, при спостереженні яких існує невизначеність, викликана складністю процесів, що відбуваються в об'єкті, та стохастичним характером існуючих збурень. За допомогою багатошарових нейронних мереж, які є ефективними апроксиматорами, в ході процесу навчання відбувається встановлення зв'язків між багатомірним сигналом з розподіленого об'єкту та найбільш інформативними узагальнюючими параметрами процесу;

- узагальнений метод конкретизується на прикладі побудови вимірювача технологічного параметру тонкості подрібнення матеріалу в барабані млина за акустичним та вібраційним сигналами, які генеруються в процесі роботи подрібнювального обладнання. Запропоновано використання параметрів закону розподілення вібраційного та акустичного сигналів для оцінки ступеню подрібнення матеріалу. Зв'язок між параметрами встановлюється за допомогою багатошарової нейронної мережі, для навчання якої використовується інформація, отримана в результаті експериментальних досліджень об'єкту;

- розроблено модель системи управління процесом подрібнення у координатах «швидкість подачі матеріалу - якість подрібнення - продуктивність» з неявною присутністю параметра енергоємності. Модель базується на алгоритмі Мамдані;

- розроблено програмно-апаратний комплекс для керування агрегатом подрібнення, впровадження якого дозволяє збільшити продуктивність за готовим продуктом на 3,6%;

- результати роботи можуть бути впроваджені при розробці систем управління для об'єктів в машинобудівній, переробній та гірничо-видобувній галузях промисловості.

Список опублікованих праць за темою дисертації

1. Іванов А.М. Расчет скольжения загрузки трубных мельниц / А.М. Іванов, О.О. Кулаєнко // Інтегровані технології та енергозбереження. - 2003. - №1. - С. 90-106.

2. Кулаєнко О.О. Аппаратно-программный комплекс виброакустических измерений измельчительных агрегатов / О.О. Кулаєнко, О.В. Донець, В.І. Пермяков, А.В. Рябушко // Науковий вісник будівництва: збірник наукових праць Харківського державного технічного університету будівництва та архітектури. - Х., 2005. - Т.2, №30. - С. 185-189.

3. Кулаєнко О.О. Інтелектуальні системи та статистичні методи у керуванні подрібнювальним обладнанням / О.О. Кулаєнко, А.М. Іванов, В.І. Пермяков // Збірник наукових праць Кіровоградського національного технічного університету. - Кіровоград, 2007. - №18. - С. 192-195.

4. Кулаєнко О.О. Спосіб керування слабо формалізованими процесами в умовах невизначеності / О.О. Кулаєнко // Науковий вісник будівництва: збірник наукових праць Харківського державного технічного університету будівництва та архітектури. - Х., 2009. - Вип.51. - С. 235-239.

5. Невкритий А.Ю. Управление измельчительными агрегатами по виброакустическому сигналу / А.Ю. Невкритий, О.А. Кулаенко, А.В. Рябушко, В.И. Пермяков, О.В. Донець // «Автоматика-2005»: матеріали ХІІ міжнар. конф. з автоматичного управління: в 3-х т., 30 травня - 3 червня 2005 р. - Харків, 2005. - Т.2. - C.48-50.

6. Кулаенко О.А. Нейронные сети в управлении измельчительным оборудованием / О.А. Кулаенко, А.В. Рябушко, В.И. Пермяков // «Автоматика-2006»: тези доповідей ХІІІ міжнар. конф. з автоматичного управління, 25-28 вер. 2006 р. - Вінниця, 2006. - С. 249.

7. Кулаенко О.А. Контроль и управление процессом измельчения на основе вибрационного и акустического сигналов / О.А. Кулаенко, А.В. Рябушко, В.И. Пермяков // «Автоматика-2007»: матеріали ХІV міжнар. конф. з автоматичного управління, 10-14 вер. 2007 р. - Севастополь, 2007. - С. 155-157.

8. Кулаенко О.А. Способы непрерывного контроля фракционного состава измельчаемого материала / О.А. Кулаенко, А.В. Рябушко, В.И. Пермяков // Автоматика-2008: доклади ХV міжнародної конференції з автоматичного управління, 23-26 вересня 2008 р. - Одеса, 2008. - С. 290-292.

Размещено на Allbest.ru