Full Text

Программный комплекс «ЭлектроДин» впервые был представлен широкой общественности на Международном авиационно-космическом салоне «МАКС–2011». На XV Московском международном салоне изобретений и инновационных технологий «Архимед–2012» программный комплекс (ПК) получил золотую медаль. В состав ПК «ЭлектроДин» наряду с основными приложениями – конструктором схем и визуализатором моделирования – входят модули идентификации и настройки САУ ГТУ. При этом в качестве базовых для выполнения настройки используются традиционные для отрасли ПИД-регуляторы. Однако известно, что в настоящее время активно предпринимаются попытки применения при управлении ГТУ нейросетевых решений, в том числе в наземных версиях использования ГТУ, например, представленные в [2, 3]. В свою очередь технология моделирования, реализованная в комплексе «ЭлектроДин», позволяет воспроизводить практически неограниченный спектр режимных ситуаций, возникающих при эксплуатации ГТУ как в составе разнообразных электростанций, так и в версиях для газоперекачки. В результате открываются широкие возможности компьютерной имитации для исследования, настройки и обучения регуляторов, построенных на основе нейроуправления, поскольку очевидно, что предварительную настройку систем управления целесообразно выполнять на моделях для сокращения затрат времени и потребных ресурсов. В связи с этим в статье поставлена задача рассмотреть метод нейроуправления применительно к его использованию в составе программного моделирующего комплекса «ЭлектроДин». Нейроуправление Известно, что нейроуправление – это частный случай интеллектуального управления, использующий искусственные нейронные сети для решения задач управления динамическими объектами. Нейроуправление находится на стыке таких дисциплин, как искусственный интеллект, нейрофизиология, теория автоматического управления, робототехника. Нейронные сети обладают рядом уникальных свойств, которые делают их мощным инструментом для создания систем управления: способностью к обучению на примерах и обобщению данных, способностью адаптироваться к изменению свойств объекта управления и внешней среды, пригодностью для синтеза нелинейных регуляторов, высокой устойчивостью к повреждениям своих элементов в силу изначально заложенного в нейросетевую архитектуру параллелизма. В статье [4] было проведено исследование существующих методов нейроуправления, по результатам которого был выбран метод гибридного нейроуправления для проведения испытаний с использованием модели ГТУ в качестве привода нагнетателя газоперекачивающего агрегата (ГПА). Подготовка моделирования На первом этапе проведения исследований в качестве среды моделирования используется программный пакет Matlab-Simulink. Это обусловлено тем, что Simulink обладает следующими достоинствами: возможность быстрого построения моделей ГТУ и САУ ГТУ, разработанных для ПМК «ЭлектроДин»; наличие встроенного пакета Neural Network Toolbox, включающего в себя большое количество нейронных сетей и сопутствующих функций и алгоритмов (различные алгоритмы обучения, функции активации и т.д.), а также наличие удобного графического интерфейса для создания нейронных сетей. В качестве объекта управления (ОУ) рассматривается ГТУ привода ГПА. Быстрорешаемая модель ГТУ описывается следующими уравнениями: – уравнение угла дозатора газа: (1) – уравнение расхода топлива: , (2) – уравнение частоты вращения турбокомпрессора: , (3) – уравнение частоты вращения свободной турбины: (4) Угол дозатора газа регулирует количество поступающего топлива , в результате вращается турбина , вращение переходит на свободную турбину , на которую подаётся нагрузка . В процессе исследований были рассмотрены различные модели нейроуправления. Для управления ОУ было решено реализовать вариант гибридного нейро-ПИД-управления без входа, на который поступает ошибка с задержкой по времени. Данное решение несколько усложняет процесс обучения и делает нейронную сеть более привязанной к конкретному переходному процессу, т.е. к конкретной быстрорешаемой модели. Построение сети, соответствующей различным быстрорешаемым моделям, возможно, но остается вопрос о быстродействии такой сети в реальных условиях. Существует много различных видов нейронных сетей. Для построения САУ ГТУ с гибридным нейро-ПИД-управлением был выбран многослойный персептрон. Выбор был сделан в его пользу по следующим причинам: - многослойный персептрон является сетью прямого распространения сигнала; - многослойный персептрон состоит из нескольких слоев скрытых нейронов, не являющихся частью входа или выхода сети; эти нейроны позволяют сети обучаться решению сложных задач, последовательно извлекая наиболее важные признаки из входного образа; - многослойный персептрон обладает высокой степенью связности, реализуемой посредством синаптических соединений; изменение уровня связности сети требует изменения множества синаптических соединений или их весовых коэффициентов. Из вышеперечисленного следует, что многослойный персептрон является достаточно простым и эффективным инструментом, и, следовательно, хорошо подходит для реализации поставленной задачи. В результате проведенных экспериментов были выбраны следующие параметры нейронной сети: - тип – многослойный персептрон; - количество скрытых слоев – два; - количество нейронов в первом слое – пятнадцать; - количество нейронов во втором слое – двадцать; - количество нейронов в выходном слое – три. Существуют два различных подхода к обучению нейронных сетей: с учителем и без учителя. В первом случае нейронная сеть получает в качестве обучающего примера пару соответственных значений вход-выход, во втором – только значения для входа. Обучение без учителя требует большего количества входной информации для нейронной сети. Для решения поставленной задачи был выбран метод обучения с учителем [5]. Обучение нейронной сети происходило с помощью алгоритма обратного распространения ошибки [5]. Результаты моделирования Общая структура модели без нейронной сети представлена на рис. 1. Общая структура модели с нейронной сетью представлена на рис. 2. Внутренняя структура блока регулятора представлена на рис. 3. Внутренняя структура блока модели ГПА приведена на рис. 4. При моделировании управляющей величиной является угол дозатора газа , а управляемой – вращение свободной турбины . В результате моделирования получены следующие графики (рис. 5, 6). Из рис. 5, 6 видно, что при использовании гибридного нейро-ПИД-управления улучшены следующие показатели качества регулирования: ошибка в установившемся режиме, перерегулирование и время переходного процесса, число колебаний за время переходного процесса. Сравнение систем оправданно, поскольку настройка ПИД-регулятора в первом эксперименте является отправной точкой для настройки нейронной сети. Структура регулятора (см. рис. 3) аналогична структуре, реально использующейся в системе ГПА. Полученный результат подтверждает возможность использования гибридного нейро-ПИД-управления в рамках рассматриваемой задачи. Исходя из полученных результатов, сформулированы новые задачи для продолжения работы: создать обучающие выборки с помощью генетических алгоритмов и выполнить программную реализацию модуля нейроуправления ПК «ЭлектроДин». Таким образом, рассмотренные результаты рекомендовано использовать при создании специализированного модуля в составе ПК «ЭлектроДин». Этот модуль позволит производить испытания, настройку и обучение нейрорегуляторов применительно не только к САУ ГТУ, но и ко всей энергетической установке совместно с нагрузкой. В частности, подобные регуляторы могут использоваться для управления синхронными генераторами в мини-электростанциях.

About the authors

Ivan Vladimirovich Bakhirev

Email: bahirevy@mail.ru

Boris Vladimirovich Kavalerov

Email: kbv@pstu.ru

Konstantin Anatol'evich Odin

Email: oka54@mail.ru

References

Statistics

Views

Abstract - 23

PDF (Russian) - 4

Refbacks

• There are currently no refbacks.