Full Text

Введение. Непрерывные технологические объекты подвержены влиянию множества различным образом взаимосвязанных величин, обладают запаздыванием в каналах связи технологических переменных и трудно поддаются аналитическому описанию. К такого рода технологическим объектам относятся, в частности, объекты крупных нефтеперерабатывающих производств, отличающиеся высоким уровнем автоматизации на базе современных распределенных систем управления. В состав специализированного программного обеспечения систем управления такими объектами включаются приложения, позволяющие реализовать управляющие функции, повышающие качество процессов управления, например, функцию компенсации разомкнуто-замкнутыми системами регулирования контролируемых возмущений, для настройки которых требуется идентификация соответствующих каналов передачи «вход-выход», например в линейном приближении, передаточными функциями. Часто проведение активного эксперимента с целью получения передаточных функций каналов подобных объектов невозможно из соображений безопасности [1]. Зачастую необходимо идентифицировать определенные каналы технологического объекта, не вмешиваясь в технологический процесс и не влияя на работу системы регулирования, что существенно осложняет задачу идентификации. Однако по результатам пассивного эксперимента на технологическом объекте, описываемом двумя и более каналами, не всегда можно получить адекватную модель объекта. Получить достаточно точное математическое описание объекта управления аналитически для сложных технологических объектов с большим количеством взаимосвязанных переменных, управляющих и возмущающих сигналов практически невозможно или связано с большими материальными и временными затратами [2-4]. Поэтому разработка простого способа моделирования подобных систем с достаточной точностью остается актуальной задачей. Одним из эффективных способов является использование методов постобработки измерений, например, с применением нейронных сетей в качестве инструмента для идентификации взаимосвязей технологических переменных автоматизированных объектов [5-9]. Класс нейронных сетей, имеющих в своем составе элементы в виде обратных связей, называется рекуррентными сетями и позволяет моделировать поведение динамических объектов [10]. Временны́е задержки входных сигналов и сигналов обратных связей позволяют моделировать поведение инерционных объектов с чистым запаздыванием, каковыми обычно являются управляемые объекты перерабатывающих отраслей промышленности. Подобные нейронные сети позволяют моделировать поведение системы управления, состоящей из технологического объекта и регулятора. Модель системы управления состоит из динамической нейронной сети, аппроксимирующей поведение технологического объекта, и модели системы регулирования, позволяющей вычислять значение управляющих воздействий, что необходимо для адекватной работы нейронной сети (рис. 1). Рис. 1. Структура нейросетевой модели управляемого технологического объекта Подобная нейросетевая модель позволяет проводить на ней опыты активного вычислительного эксперимента, которые невозможны на реальной системе управления в режиме ее эксплуатации, и получить необходимые данные для идентификации каналов объекта передаточными функциями. Например, подавая на соответствующие входы нейросетевой модели периодические испытательные воздействия, можно получить частотные характеристики моделируемой системы. Проводится ряд экспериментов. В каждом эксперименте на входе идентифицируемого канала нейросетевой модели системы при застабилизированных остальных входах реализуется периодическое испытательное воздействие. Отклик модели на такое воздействие соответствует определенному значению частоты испытательного воздействия. Зная частоту, амплитуду и сдвиг по фазе испытательного и выходного сигналов, можно найти значение комплексной частотной характеристики (КЧХ), соответствующее данной частоте. Таким образом, проведя вычислительный эксперимент на некотором диапазоне частот, можно построить экспериментальную КЧХ. В общем случае передаточную функцию канала «возмущающее воздействие - управляемая величина» системы управления можно представить в виде где Wyµ(s) - передаточная функция объекта по каналу «управляющее воздействие - управляемая величина»; Wr(s) - передаточная функция регулятора; Wyλ(s) - передаточная функция по каналу «возмущающее воздействие - управляемая величина»; Выбрав определенную структуру передаточной функции по управляющему, возмущающему каналу объекта и определенную структуру регулятора, можно получить соответствующее выражение для КЧХ, аппроксимирующей экспериментальную. В результате преобразований аппроксимирующая КЧХ будет состоять из выражений, аппроксимирующих действительную и мнимую части частотной характеристики, включающих в себя параметры передаточных функций технологического объекта. Решение задачи нелинейного программирования для всего спектра исследованных частот дает оценки по методу наименьших квадратов параметров передаточных функций: где - оценки параметров передаточных функций. Вычислительный эксперимент. Для иллюстрации изложенного подхода к идентификации исследована простая имитационная модель системы управления, состоящая из объекта и регулятора (рис. 2). Рис. 2. Структурная схема имитационной системы управления Объект имеет два входа и один выход и обладает различным транспортным запаздыванием по каналам передачи. Один из входов является управляющим воздействием µ, второй является контролируемым возмущением λ. Выходная управляемая величина y изменяется в результате управляющего воздействия µ, вырабатываемого регулятором, работающим по пропорционально-интегральному закону регулирования, на основании отклонения управляемой величины от задания. По данным, полученным в результате вычислительного эксперимента, построена нейронная сеть, аппроксимирующая поведение управляемого объекта. По известным алгоритмам регулирования построена модель регулятора. Создана нейросетевая модель системы управления, состоящая из обученной нейронной сети и модели регулятора с известной функцией регулирования. На нейросетевой модели системы управления проведён эксперимент по определению частотных характеристик первого канала передачи. Входной незашумленный синусоидальный сигнал реализован на различных частотах. Получен фрагмент КЧХ для исследуемого диапазона частот (рис. 3). Рис. 3. КЧХ, построенная непосредственно на имитационной модели системы управления и экспериментально по результатам опытов на нейросетевой модели системы управления Для оценки параметров модели по результатам эксперимента с нейронной сетью на всей области исследованных частот составлено выражение для аппроксимирующей КЧХ первого канала «вход-выход»: Получено выражение функции ошибки, минимизация которой дает оценки параметров модели. Решение получено методом последовательного квадратичного программирования. В задаче квадратичного программирования на оптимизирующие переменные [k1; T1; τ1; k2; T2; τ2] накладываются ограничения в виде нижних [0,3; 10; 1; 1; 5; 0,1] и верхних [1; 100; 10; 2; 50; 5] граничных значений. Вектор-строка стартовых значений переменных следующая: [0,3; 10; 1; 1; 5; 0,1]. Найденные при решении значения оценок параметров модели (k1 = 0,47; T1 = 69,6; τ1 = 3,9; k2 = 1,39; T2 = 13,9; τ2 = 1,3) близки к заданным значениям параметров исходной имитационной модели (k1 = 0,5; T1 = 70; τ1 = 4; k2 = 1,5; T2 = 15; τ2 = 1). Выводы Проведено исследование метода параметрической идентификации каналов объекта с системой управления с применением технологии нейронных сетей. Исследования с «прозрачными» тестовыми примерами показали, что предлагаемый метод позволяет параметрически идентифицировать объект передаточной функцией. Метод примени́м для идентификации объектов управления с непрерывным характером производства по данным наблюдений переменных в режимах эксплуатации.

About the authors

A. G Shumikhin

Perm National Research Polytechnic University

Email: shumichin@gmail.com

A. S Boyarshinova

Perm National Research Polytechnic University

Email: boyarshinovaann@gmail.com

References

Statistics

Views

Abstract - 12

PDF (Russian) - 10

Refbacks

• There are currently no refbacks.