Содержание к диссертации
Введение
Глава 1. Состояние вопроса 10
1.1. Технологический процесс камеры окраски 10
1.2. Проблема раскачивания груза в механизмах подвесных конвейеров .18
1.3. Автоматизация процесса нанесения полимерных порошковых покрытий в электростатическом поле 28
Выводы 35
Глава 2. Адаптивная идентификация 36
2.1. Задача адаптивной идентификации 36
2.2 Адаптивная идентификация технологического процесса электротехнического комплекса окраски 44
2.3 Адаптивная идентификация в электроприводах подвесных конвейеров 55
2.4. Разработка программы идентификации 65
Выводы 72
Глава 3. Поисковая оптимизация 73
3.1. Оптимизация многопараметрических объектов 73
3.2. Синтез адаптивного алгоритма случайного поиска 79
3.3. Синтез многоканального адаптивного алгоритма случайного поиска 82
3.4. Исследование работы системы многоканальной адаптивной оптимизации 88
3.5. Оптимизация в электроприводах подвесных конвейеров 92
3.6. Разработка программы оптимизации 97
Выводы 102
Глава 4. Проверка эффективности разработанной системы на ЭВМ 104
4.1 Синтез адаптивной системы автоматического управления электротехническим комплексом окраски 104
4.2 Исследование работы системы в условиях помех 122
Выводы 125
Заключение 126
Литература 127
- Автоматизация процесса нанесения полимерных порошковых покрытий в электростатическом поле
- Адаптивная идентификация технологического процесса электротехнического комплекса окраски
- Синтез многоканального адаптивного алгоритма случайного поиска
- Синтез адаптивной системы автоматического управления электротехническим комплексом окраски
Введение к работе
Актуальность темы. Технический прогресс влечет за собой рост новых и модернизацию существующих производств. Внедрение новейших технологий усложняет технологические процессы и накладывает на них все более жесткие требования: максимальную производительность, высокое качество, полную автоматизацию. Сложный технологический процесс требует соответствующей системы управления им. Электротехнический комплекс нанесения полимерных порошковых покрытий в электростатическом поле на металлические изделия является весьма сложным объектом автоматического управления, свойства которого изменяются с течением времени. Процесс нанесения порошковых покрытий характеризуется относительно плавным дрейфом параметров, однако имеют место и резкие скачкообразные изменения параметров процесса. Помимо этого, на электротехнический комплекс окраски воздействует большое количество внешних возмущений. Все это позволяет сделать вывод о том, что реальный процесс нанесения полимерных порошковых покрытий в электростатическом поле является нестационарным и стохастическим объектом. Проведенный анализ литературных источников позволил выделить следующие значимые факторы процесса окраски: напряжение на электроде распылителя; расходы воздуха и порошка через распылительное устройство; скорость перемещения конвейера; расстояние от распылителя до поверхности окрашиваемого изделия; цикл хода осциллятора с распылителями. Наиболее критичным фактором из них является скорость перемещения конвейера.
В электротехническом комплексе окраски используется подвесной конвейер, который служит для перемещения деталей в камеру окраски. Одной из проблем, возникающих при эксплуатации подвесных конвейеров, является раскачивание транспортируемого груза относительно положения равновесия. Если заготовка поступает в камеру, раскачиваясь относительно положения равновесия, то процесс окраски может проходить некачественно, т.е. возникает перерасход краски, а поверхности заготовки окрашиваются неравномерно. Это
5 в конечном итоге приводит к производственному браку. Снизить количество брака можно, если обеспечить поступление заготовки в камеру окраски, неподвижной относительно положения равновесия. Для этого необходимо обеспечить эффективное гашение колебаний груза, возникающих в переходных процессах.
Следовательно, существует необходимость в разработке такой системы автоматического управления, которая позволяет оптимальным образом организовать работу электротехнического комплекса окраски, устранить раскачивание окрашиваемых изделий на конвейере и обеспечить наилучшее качество нанесения покрытий.
Работа выполнена на кафедре электропривода Липецкого
государственного технического университета в соответствии с планом научно-
'4) исследовательских работ по теме «Системы программного управления
электроприводами и технологическими процессами».
Цель работы состоит в синтезе оптимальной адаптивной системы
автоматического управления электротехническим комплексом окраски, которая
позволяет оптимальным образом организовать процесс окраски и добиться
высоких производительности и качества, независимо от характера
нестационарности процесса и воздействия на него внешних возмущающих
4) факторов, а также синтезе оптимальной адаптивной системы управления
электроприводом подвесного конвейера.
Для достижения указанной цели в работе поставлены и решены следующие задачи:
Синтезированы многомерные модели для решения задачи минимизации колебаний грузов в системах подчиненного и модального управления электроприводом подвесного конвейера.
Получены многомерные модели для минимизации неравномерности
покрытия для камеры окраски, с использованием алгоритма масштабирования экспериментальных данных, методов аппроксимации и методов беспоисковой адаптивной идентификации.
Разработан алгоритм адаптивной многоканальной поисковой оптимизации и алгоритм его параметрической адаптации.
Разработано специализированное программное обеспечение для идентификации и оптимизации объектов и систем.
Решена задача (оптимизации) минимизации колебаний грузов в системах подчиненного и модального управления электромеханической системы подвесного конвейера с двигателем постоянного тока или асинхронным двигателем с частотным регулированием, а также минимизации неравномерности покрытия для камеры окраски.
Разработана структура и алгоритм функционирования адаптивной оптимальной системы автоматического управления электротехническим комплексом окраски ЗХ "Стинол" и электроприводом подвесного
высокую эффективность разработанной адаптивной системы управления, которая может быть применена для управления сложными объектами подобного класса. Методы исследования. Задачи, поставленные в ходе исследования,
решались с помощью математического моделирования на ЭВМ с применением
численных и аналитических методов. Использовались: положения и методы
'4і теории оптимального и экстремального управления; методы адаптивной
идентификации и оптимизации; математическое моделирование на ЭВМ;
методы программирования ЭВМ; экспериментальные данные, снятые на
электротехническом комплексе окраски ЗХ "Стинол". Научная новизна работы.
Синтезированы многомерные модели для решения задачи минимизации колебаний грузов в системах подчиненного и модального управления электроприводом подвесного конвейера.
Получены многомерные модели для минимизации неравномерности покрытия для камеры окраски, с использованием алгоритма масштабирования экспериментальных данных, методов аппроксимации и
методов беспоисковой адаптивной идентификации.
Разработан алгоритм адаптивной многоканальной поисковой оптимизации отличающийся тем, что поиск идет одновременно в нескольких параллельных каналах, а адаптацию интенсивности самообучения в процессе поиска осуществляют на основе величины текущего шага поиска в наилучшем канале.
Разработан алгоритм функционирования оптимальной адаптивной системы автоматического управления электротехнического комплекса окраски, отличающийся тем, что в работе алгоритма используются модули идентификации и оптимизации.
Разработан алгоритм управления адаптивным электроприводом подвесного конвейера, отличающийся тем, что в работе алгоритма используются модули идентификации и оптимизации.
Практическая ценность.
Разработана структура оптимальной адаптивной системы автоматического управления электротехнического комплекса окраски.
Разработано программное обеспечение, позволяющее идентифицировать математические модели нелинейных объектов с возможностью ручного и автоматического ввода экспериментальных данных, выбора структуры синтезируемой модели, выбора и настройки алгоритма идентификации, вывода и экспортирования синтезированной модели в аналитическом виде.
Разработано программное обеспечение для ЭВМ, позволяющее оптимизировать задаваемую или импортируемую аналитическую функцию качества с возможностью настройки критерия окончания поиска, задания ограничений на оптимизацию и области допустимых значений входных параметров.
На защиту выносятся. 1. Многомерные модели для решения задачи минимизации колебаний грузов в системах подчиненного и модального управления электроприводом подвесного конвейера, а также многомерные модели для минимизации
неравномерности покрытия для камеры окраски, с использованием алгоритма масштабирования экспериментальных данных, методов аппроксимации и методов беспоисковой адаптивной идентификации.
Алгоритм адаптивной многоканальной поисковой оптимизации отличающийся тем, что поиск идет одновременно в нескольких параллельных каналах, а адаптацию интенсивности самообучения в процессе поиска осуществляют на основе величины текущего шага поиска в наилучшем канале.
Структура и алгоритм функционирования оптимальной адаптивной системы автоматического управления электротехническим комплексом окраски, а также алгоритм функционирования адаптивного электропривода подвесного конвейера.
Программное обеспечение, позволяющее идентифицировать математические модели нелинейных объектов с возможностью ручного и автоматического ввода экспериментальных данных, выбора структуры синтезируемой модели, выбора и настройки алгоритма идентификации, вывода и экспортирования синтезированной модели в аналитическом виде.
Профаммное обеспечение, позволяющее оптимизировать задаваемую или импортируемую аналитическую функцию качества с возможностью настройки критерия окончания поиска, задания ограничений на оптимизацию и области допустимых значений входных параметров.
Апробация работы. Основные положения и результаты диссертационной работы обсуждались и получили одобрение на:
III международной научно-практической конференции «Компьютерные технологии в науке, производстве, социальных и экономических процессах», Новочеркасск, 2002;
III международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике», Новочеркасск, 2003;
it.
Научно - технической конференции кафедры «Электропривод и автоматизация промышленных установок и технологических комплексов», ЛГТУ, 2004;
Международной научно-практической конференции «Моделирование. Теория, методы и средства», Новочеркасск, 2005.
Публикации. По теме диссертационной работы опубликовано 7 работ, получено 2 свидетельства регистрации программных продуктов, получено 2 патента, отражающих содержание диссертационной работы.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка и девяти приложений. Объем работы составляет 188 страниц, в том числе 126 страниц текста, 46 рисунков, 9 таблиц, библиографический список из 98 наименований, приложений на 51 странице.
Автоматизация процесса нанесения полимерных порошковых покрытий в электростатическом поле
Электропривод подвесного конвейера является "узким местом" технологического процесса окраски. Чтобы этот электропривод не накладывал ограничений на систему управления технологическим процессом, вначале должна быть решена задача автоматизации электропривода конвейера. Для этого предложена адаптивная система управления электроприводом подвесного конвейера (рис. 1.11) с использованием микропроцессорного контроллера, входящая в состав системы управления электротехническим комплек--3C
Система подчиненного или модального управления двигателем постоянного тока или асинхронным двигателем с задатчиком интенсивности и корректирующим устройством, регулирующая скорость перемещения конвейера, является объектом управления для адаптивной системы, в которую входят модули идентификации и оптимизации. Модуль идентификации предназначен для построения модели задачи минимизации колебаний грузов подвесного конвейера, а модуль оптимизации - для нахождения оптимальных параметров модели.
Задача (оптимизации) минимизации колебаний грузов системы подчиненного и модального управления электромеханической системы подвесного конвейера с двигателем постоянного тока или асинхронным двигателем с частотным регулированием может быть эффективно решена путем идентификации параметров Тф, Кку, LKy, Мку для ЗИ и КУ и непрерывной адаптивной оптимизации полученной модели.
Задача синтеза системы автоматического управления процессом нанесения полимерных порошковых покрытий в электростатическом поле весьма сложна. Это обусловлено сложностью процесса напыления: его стохастично-стью, вызванной изменяющимися случайным образом внешними условиями нанесения порошка; а также нестационарностью объекта, связанной с дрейфом его характеристик во времени. Таким образом, для решения поставленной задачи управления необходимо использование адаптации как математической модели технологического процесса, так и алгоритма управления им.
В [12] рассматриваются вопросы автоматизации процесса нанесения полимерных порошковых покрытий в электростатическом поле. Здесь последовательно решаются две основные задачи: синтез статистической модели процесса напыления и разработка системы автоматического управления им. В работе построена многофакторная статистическая модель процесса нанесения полимерных порошковых покрытий в электростатическом поле. Проведенные исследования позволили автору сделать вывод о том, что зависимости качества покрытия от входных параметров носят статический характер. Экспериментальные исследования [12], потребовавшие проведения серии факторных экспериментов, были выполнены на реальном промышленном объекте. При этом в качестве выходных величин модели были выбраны неравномерность и толщина слоя, однозначно определяющие качество получаемого покрытия. Перед синтезом модели был проведен корреляционный анализ входных факторов, влияющих на неравномерность и толщину покрытия, с целью исключения тех входных параметров, влияние которых на качество покрытия невелико. Это позволило значительно упростить процесс синтеза модели при сохранении ее адекватности. Результаты корреляционного анализа наглядно показали, что на величины неравномерности и толщины получаемого покрытия оказывают существенное влияние шесть входных параметров: напряжение на коронирующем электроде распылителя U; расходы воздуха Qp и порошка Gp через распылительное устройство; скорость перемещения конвейера V; расстояние от распылителя до поверхности окрашиваемого изделия L; цикл хода осциллятора с распылителями Osc. Полученные коэффициенты корреляции позволяют сделать вывод о том, что зависимость неравномерности и толщины покрытия от указанных входных параметров носит овражный характер, обусловленный существенно различным влиянием этих факторов на выходные величины процесса напыления. Этот вывод полностью подтвердили экспериментальные зависимости [12] неравномерности и толщины покрытия от входных факторов процесса напыления.
Однако, исследование [12] обладает двумя существенными недостатками. При определении структуры статистической модели была выбрана кусочно-линейная зависимость, аппроксимирующая реальные функциональные зависимости со значительными нелинейностями. При этом максимальная погрешность модели имеет место в области экстремума характеристик, что сильно ограничивает эффективность применения синтезированной модели. В [12] отмечается стохастичность процесса напыления при определении толщины полученного покрытия, однако измеренные значения толщины порошкового слоя по площади поверхности детали просто усреднялись. Кроме того, автор [12], отмечая ограничения, накладываемые подвесным конвейером, ничего не предлагает для их снятия. Таким образом, автор при анализе и обработке экспериментальных данных исходил из равномерного распределения толщины покрытия по всей площади поверхности окрашиваемого изделия, что не соответствует действительности и вносит заметные искажения в синтезированную модель процесса окраски.
Адаптивная идентификация технологического процесса электротехнического комплекса окраски
Экспериментальные данные [12] содержали всего 102 вектора информации Q = F(U, Gp, Qp, V, L, Osc). При идентификации многомерного объекта из-за недостаточного объема информации возможна большая погрешность при синтезе модели. Для снижения погрешности идентификации автором предлагается интерполировать экспериментальные зависимости, увеличив количество входной информации. Рассмотрим этапы увеличения количества данных для процесса идентификации на примере зависимости неравномерности покрытия Q от напряжения U.
Входные факторы имеют различные интервалы изменения, иногда их значения отличаются на несколько порядков (сотни тысяч вольт и единицы бара). Проведенные исследования показали, что для получения модели с минимальной погрешностью значения входных факторов должны быть равноудалены от начала координат в отрицательную и положительную сторону. Масштабирование даёт возможность привести все входные факторы, изменяющиеся в различных интервалах, к одному интервалу изменения, который расположен максимально близко к начальному вектору идентификации, находящемуся в начале координат. Произведем масштабирование где Хтм и Хт-п - максимальное и минимальное значения реального входного фактора; Х тм -Х\т- максимальное и минимальное значения нормированного входного фактора; М; - масштаб между реальным и нормированным значениями входного фактора; Хрсал - реальное значение входного фактора, Х ш,рм - нормированное значение входного фактора, і - количество входных переменных. 2. На основе нормированных входных данных построим график зависимости неравномерности покрытия Q1 от напряжения U{. При помощи Microsoft Excel строим линию тренда (аппроксимация и сглаживание) к графику Ql = F(U{) с величиной достоверности аппроксимации R (не менее 0,974). Далее получаем математическое уравнение линии тренда с заданной точностью. На основе этого уравнения производим интерполяцию -увеличиваем количество входной информации для зависимости Q] =F(U]) до 2000 точек (рис. 2.2). После получения необходимого количества информации для каждого входного фактора помещаем данные в специально разработанную программу идентификации и в ней производим синтез моделйлгоритмы, реализованные в программе, представляют собой методы беспоисковой адаптивной идентификации статических зависимостей объектов и систем, позволяющие получать оценки параметров с высокой точностью по критерию минимума квадрата ошибки предсказания. Структура синтезируемой модели задана в виде линейной комбинации относительно уточняемых параметров. Одним из наиболее эффективных адаптивных алгоритмов является оптимальный одношаговый алгоритм [32-34, 44, 46, 47, 48]. Этот алгоритм минимизирует квадрат локальной ошибки предсказания до нуля, обладает свойством монотонной сходимости и относительно прост в реализации. При этом в соответствии с данным алгоритмом уточнение оценок параметров осуществляется в каждом такте идентификации по следующему рекуррентному выражению: 50 структуру синтезируемой модели; у - параметр алгоритма, определяющий его работу в обстановке помех. Вместе с тем, рассмотренный алгоритм обладает существенными недостатками, связанными с тем, что он был получен при минимизации квадрата локальной ошибки градиентным методом. Известно [44], что квадрат ошибки носит многоэкстремальный характер, в каждой точке экстремума квадрат локальной невязки равен нулю. При этом градиентная минимизация квадрата ошибки теряет свою эффективность. Кроме того, выражение для уточнения параметров модели было получено при строгом совпадении структур объекта и модели. Нарушение этого условия также приводит к ухудшению качественных характеристик алгоритма. Для увеличения скорости сходимости можно использовать одношаго-вый набросовый алгоритм адаптивной идентификации [44, 59, 61, 63]: вокруг оптимальной точки в пространстве параметров модели, определенной в предыдущем такте идентификации С _,, генерируется m случайных точек с нормальной плотностью распределения, математическим ожиданием С _, и средним квадратическим отклонением 1/N. Применение нормального распределения случайных точек наброса обусловлено оптимальностью точки С _, в предыдущем такте идентификации, которая является центром наброса в текущем такте. Дисперсия наброса уменьшается пропорционально порядковому номеру тактов идентификации, так как в процессе уточнения параметров вероятность того, что точка С _, совпадает в пространстве параметров с точкой истинных параметров объекта увеличивается, то есть по мере уточнения параметров модели расстояние между вектором С _, и вектором параметров объекта уменьшается. Из каждой точки наброса осуществляется локальный спуск в ближайший глобальный экстремум квадрата локальной ошибки предсказания, в котором она минимальна и равна нулю. Таким образом, имеем m точек в пространстве параметров модели, соответствующих различным глобальным экстремумам квадрата локальной невязки. Для отыекания в этом множестве оптимальной точки, в текущем такте идентификации С ы, ближайшей к точке истинных параметров объекта, необходимо сформулировать критерий оптимальности выбора. В качестве такого критерия, имея множество предыдущих реализаций входов и выхода объекта управления, выберем минимум суммарной квадратичной ошибки предсказания по предыдущим реализациям, а)
Синтез многоканального адаптивного алгоритма случайного поиска
Если на очередном шаге поиска значение разности показателя качества по модулю оказалось меньше или равно заданному достаточно малому положительному числу, то поиск необходимо остановить и с достаточной точностью считать найденное положение экстремальной точки соответствующим действительному. Однако этот критерий останова неприменим при работе алгоритма случайного поиска. Экспериментальные исследования на модельных функциях показали, что данный критерий при его использовании в сочетании с алгоритмами случайного поиска часто бывает неработоспособен. Это связано с тем, что в процессе случайного поиска велика вероятность того, что очередной шаг будет сделан в направлении, совпадающим или достаточно близким с направлением касательной к линии равного уровня функции качества объекта. В этом случае значение разности показателя качества по модулю вполне может удовлетворить описанному выше критерию, что вызовет останов поиска. Найденное при этом положение экстремума никак нельзя считать соответствующим действительности даже с очень большой погрешностью. Рассмотренный критерий окончания поиска наиболее часто применяется в сочетании с градиентным поиском, поскольку направление градиента (или противоположное ему) ортогонально направлению касательной линии равного уровня. При работе алгоритмов случайного поиска этот критерий применять крайне нецелесообразно.
Другим критерием, который чаще всего и используется при случайном поиске [57], является ограничение числа поисковых шагов. Такой критерий достаточно часто используется при проектировании промышленных оптимизаторов и экстремальных регуляторов. Однако, он обладает недостатком, связанным с тем, что при задании слишком малого числа шагов, ограничивающих поиск, найденное положение экстремума будет слишком грубым. При большом числе шагов, ограничивающих поиск, система будет совершать колебательные шаги вокруг положения экстремума в пространстве параметров, что приведет к увеличению времени поиска. Так как в практической оптимизации в подавляющем большинстве случаев аналитического описания функции качества объекта не имеется, то это обстоятельство только усугубляет ситуацию.
Известен критерий [44], основанный на использовании информации о числе неудачных проб, совершенных подряд из очередной точки траектории спуска. В начале поиска число совершенных подряд неудачных проб относительно мало, однако в процессе поиска оно увеличивается и в пределе стремится к бесконечности. Критерий окончания поиска формулируется следующим образом: где N; - число совершенных подряд неудачных случайных проб из / -й точки траектории спуска, К - заданное положительное число таких проб.
Критерий останова [56] достаточно эффективен, но вместе с тем он обладает существенными недостатками. Во-первых, после остановки процесса оптимизации для разных функций будет разная погрешность AQ . Во-вторых, для разных функций требуется разное количество совершенных подряд неудачных случайных проб К.
Таким образом, анализ [50, 53, 56 - 58, 44] существующих алгоритмов поиска, применяемых в практических задачах оптимизации многопараметрических нелинейных объектов, при наличии ограничений и овражности у функции качества и при работе в обстановке помех показал, что наиболее эффективным по критерию универсальности применения и простоте практической реализации является алгоритм случайного поиска [44] с нелинейной тактикой и возвратом, с использованием нормального распределения для пробных случайных шагов, с адаптацией распределения направления случайных шагов и их величины, с адаптацией коэффициента запоминания и параметра скорости обучения в процессе поиска.
Однако этот алгоритм поиска обладает невысоким быстродействием и необъективным критерием останова поиска. В связи с этим возникает задача синтеза более эффективных методов адаптации основных параметров алгоритма случайного поиска и объективного критерия останова с целью повышения его быстродействия и универсальности применения.
В табл. 3.1 приведены данные сравнительных экспериментов, в числителе даны значения для погрешности идентификации bQMm - 0,1, в знаменателе - для Д(2.,ши = 0,01 Сравнительные эксперименты проводились для одинакового набора из 100 начальных точек (равномерно распределенные числа в пределах от -10 до +10). Цикл поиска экстремума для каждой начальной точки повторялся 1000 раз.
Разработанный способ обладает универсальностью применения, что позволяет использовать его независимо от вида функции качества. Причем, если имеются определенные априорные данные о структуре функции качества, то не обязательно использовать всю информацию о неудачных и удачных пробах, а можно ограничиться данными за последние ./V шагов оптимизации. Однако N не должно быть слишком малым, иначе точность отыскания экстремума будет недостаточно высокой. Эксперименты на модельных функциях показали, что для большинства случаев оптимальным является N = 100. Это достаточно для высокой мобильности алгоритма адаптации шага и отыскания экстремума с высокой точностью.
В некоторых случаях объект регулирования имеет несколько идентичных каналов управления. Существенное увеличение быстродействия самонастройки в таких системах может быть достигнуто одновременной работой поиска по нескольким независимым параллельным каналам и адаптацией интенсивности самообучения на основе величины текущего шага поиска.
Предлагаемый способ [92, 96] заключается в том, что одновременно в нескольких параллельных каналах создают режим адаптивного случайного поиска в пространстве оптимизируемых параметров, основанный на формировании случайных входных шаговых воздействий на объект управления, распределенных по нормальному закону, математическое ожидание которых автоматически адаптируют в зависимости от сигнала, поступающего с выхода объекта по каналу обратной связи. Далее производят выбор наилучшего канала, который в последствии будет являться исходным каналом для создания режима адаптивного случайного поиска. Адаптация интенсивности самообучения в процессе поиска осуществляется на основе величины текущего шага поиска, т.е. коэффициент запоминания рассчитывают как отношение числа неудачных проб к общему количеству проб, проведенных до текущего момента оптимизации; параметр скорости обучения рассчитывают как отношение числа удачных проб к общему количеству проб, проведенных до текущего момента оптимизации.
Синтез адаптивной системы автоматического управления электротехническим комплексом окраски
Для обеспечения высокой эффективности управления электротехническим комплексом окраски механизм адаптации должен работать в реальном времени, позволяя адаптировать математическую модель процесса напыления к изменяющимся условиям с последующей оптимизацией на основе обновленной модели процесса. Однако адаптация модели процесса в реальном времени (метод самонастраивающейся модели) эффективна при небольших изменениях параметров объекта управления. Вместе с тем, характер изменений свойств объекта во времени имеет двоякий характер. Нестационарность процесса нанесения полимерных порошковых покрытий в электростатическом поле, обусловленная дрейфом его характеристик во времени, приводит к относительно медленному, плавному изменению объекта. Именно в такой ситуации адаптивная идентификация модели наиболее эффективна. Необходимо заметить, что некоторые внешние возмущающие факторы процесса напыления (например, влажность окружающего воздуха) также изменяются во времени плавно, в таких случаях метод самонастраивающейся модели, имеющий в дискретном случае рекуррентный характер, также оказывается весьма эффективным.
С другой стороны, воздействие определенных внешних стохастических возмущающих факторов (например, переход на другую порошковую краску), приведет к резкому скачкообразному изменению ситуации, при котором адаптивная идентификация модели процесса напыления окажется малоэффективной и обновленная модель будет описывать процесс неадекватно.
Аналогично, в электромеханической системе подвесного конвейера наряду с относительно плавным изменением параметров, связанным с естественным износом механических элементов, имеют место также и скачкообразные изменения свойств системы.
В такой ситуации наиболее эффективным является следующий подход: разобьем процесс управления объектом на два этапа. Первый этап условно назовем - обучение. Он занимает достаточно много времени в течение которого система управления работает в режиме наблюдения за технологическим процессом. На рис. 4.1а и 4.16 представлены блок-схемы работы системы управления на первом этапе. Блок-схема включает в себя: 0 — блок задания в PLC параметров технологического процесса окраски (0 - блок задания в PLC параметров ЗИ и КУ), 1 - блок прохождения полного цикла работы технологического процесса (1 - блок прохождения цикла переходного процесса), 2 — блок сбора данных с PLC, 3 - блок масштабирования собранных данных, 4 — блок сохранения собранных, масштабированных данных, 5 - подпрограмма идентификации, б - блок условия адекватности синтезируемой модели процессу, 7 - блок сохранения синтезированной модели.
Рассмотрим работу системы управления на первом этапе. В блоке 0 оперативным персоналом на PLC задаются вручную параметры процесса окраски, условно обозначенные вектором X (XI - напряжение на ко-ронирующем электроде распылителя U, X 2 и ХЗ - ра сходы порошка Gp и воздуха Qp через распылительное устройство, Х4 - расстояние от распылителя до поверхности окрашиваемого изделия L, Х5 - скорость перемещения конвейера V, Х6 - цикл хода пистолетов Osc). После установки значений параметров X выполняется полный цикл работы технологического процесса (блок 1). При этом в блоке 2 происходит сбор данных о входных X и выходном Q (неравномерности покрытия) параметрах процесса, поступающих через датчики в PLC с каждого канала. Далее в блоке 3 происходит масштабирование данных X,Q, которые накапливаются в виде векторов информации Q = F(X1,X2,X3,X4,X5,X6) и сохраняются в блоке 4 в массив векторов "данные 1". Блок 5 представляет собой подпрограмму адаптивной идентификации (Приложение 4), в которой осуществляется синтез модели на основе массива векторов "данные 1". В блоке 6 производится оценка адекватности синтезированной модели технологическому процессу следующим образом.
Задаются значения погрешности идентификации БСР И ЕМАХ. Если выполняются условия (4.1) для всех векторов данных, то синтезированная модель является адекватной технологическому процессу, т.е. значение выхода ( модели отличается от значения выхода ( объекта при одинаковом входном векторе параметров X не более, чем на погрешность идентификации. - где AQCP - средняя погрешность идентификации, к - количество векторов данных, AQMAX-максимальная погрешность идентификации, єСР и єМАХ -заданные значения средней и максимальной погрешности идентификации. Далее в блоке 7 происходит сохранение синтезированной модели, которая является адекватной технологическому процессу "модель 1". Если условия (4.1) не выполняются, то происходит возврат на блок 2 и продолжение сбора данных. Выполнение блоков 2-6 (сбор и анализ данных) идет параллельно ходу выполнения технологического процесса, т.е. система управления работает в режиме наблюдения за объектом до срабатывания условия адекватности (блок 6). Аналогичным образом работает система управления подвесного конвейера. Только здесь (XI - варьируемая постоянная времени интегрирования ЗИ; Х2, ХЗ, Х4 -Кку, Lky, Мку- варьируемые параметры КУ), а выходной параметр - функция качества G. Промоделируем работу системы управления в режиме наблюдения для технологического процесса окраски. Для этого возьмем набор данных из 12000 векторов (по 2000 для каждого параметра). Зададим Далее произведем идентификацию (рис. 4.2) и получим полиномиальную модель (приложение 3), для которой построим графики зависимости неравномерности покрытия Q от входных факторов U, Gp, Qp, V, L, Osc. На рис. 4.3 изображены графики, построенные по экспериментальным данным [12], и графики, рассчитанные на основе синтезированной полиномиальной модели.
