Содержание к диссертации
Введение
ГЛАВА 1. Аналитический обзор методов и моделей систем автоматического регулирования промышленных объектов 16
1.1. Анализ традиционных методов и моделей систем автоматического регулирования 17
1.2. Анализ нейросетевых методов и моделей систем автоматического регулирования 25
1.3. Обоснование целесообразности применения непозиционной системы счисления остаточных классов в нейросетевых моделях САР 49
1.4. Постановка задачи исследования 54
Выводы 55
ГЛАВА 2. Разработка нейросетевых моделей непозиционного кодирования систем автоматического регулирования 57
2.1. Разработка математической модели нейрона непозиционного кодирования 58
2.2. Обоснование выбора языка реализации модели 63
2.3. Разработка библиотеки классов для реализации моделей нейронов в непозиционной системе счисления остаточных классов 67
Выводы 77
ГЛАВА 3. Разработка методики синтеза нейросетевых моделей астатических объектов регулирования 79
3.1. Исследование процесса идентификации объектов регулирования при зашумленных входных данных 79
3.2. Разработка методики синтеза нейросетевых идентификационных моделей 88
3.3. Сравнительная оценка алгоритмов обучения нейросетевых моделей... 93
Выводы 110
ГЛАВА 4. Синтез системы автоматического регулирования питания барабанного парового котла ТГМ-94 112
4.1. Исследование свойств барабанного парового котла как объекта регулирования питания 122
4.2. Аппроксимация экспериментальных разгонных характеристик объекта регулирования 128
4.3. Синтез САР питания с традиционным регулятором 135
4.4. Синтез САР питания с нейросетевым регулятором 141
4.4.1. Идентификация объекта регулирования 142
4.4.2. Синтез САР питания на основе нейроконтроллера с предсказанием 150
4.4.3. Синтез САР питания с нейроконтроллером на основе модели авторегрессии со скользящим средним 153
4.4.4. Синтез САР питания с нейроконтроллером на основе эталонной модели 160
4.5. Сравнительная оценка традиционных и нейросетевых систем автоматического регулирования питания 165
Выводы 170
Заключение 171
Список использованных источников 174
- Обоснование целесообразности применения непозиционной системы счисления остаточных классов в нейросетевых моделях САР
- Разработка библиотеки классов для реализации моделей нейронов в непозиционной системе счисления остаточных классов
- Разработка методики синтеза нейросетевых идентификационных моделей
- Аппроксимация экспериментальных разгонных характеристик объекта регулирования
Введение к работе
Основным движущим фактором совершенствования систем автоматического регулирования (САР) технологических процессов, прослеживаемым на протяжении всей истории их развития, являются постоянно растущие требования, предъявляемые к показателям качества регулирования. Наибольшее развитие в последние годы получили направления, связанные с альтернативными подходами к решению задач регулирования. Основой актуальности исследования таких направлений является то, что традиционные методы регулирования, требуя построения математических моделей, реализуемых на основе теории линейных систем, не в состоянии обеспечить требуемое качество регулирования технологических параметров многих промышленных объектов, являющихся по своей природе существенно нелинейными.
Одним из требований, предъявляемых к системам автоматического регулирования, является их структурная простота и высокая степень надежности. В реальных задачах часто невозможно обеспечить протекание всех технологических процессов в полностью автоматическом режиме. Процесс регулирования должен всегда проходить под контролем технического персонала. Надежность и безопасность даже достаточно совершенной САР буду низкими, если ее структура и принципы функционирования окажутся недоступными для понимания операторами оборудования. Это, в сою очередь, может привести к непредсказуемым явлениям во время работы системы, нежелательным потерям сырья, авариям и несчастным случаям.
Из-за простоты своей структуры и достаточно высокой надежности широкое распространение получили традиционные пропорциональные интегрально-дифференциальные регуляторы (ПИД-контроллеры). В контроллерах этого типа оператор может управлять тремя параметрами, добиваясь улучшения показателей качества. Тем не менее, традиционным контроллерам присущ ряд недостатков: необходимость перенастройки регуляторов при изменении рабочих точек процесса, необходимость тщательного контроля за качеством регулиро-
вания на предприятиях с непрерывным режимом работы, ограниченность реализуемых законов регулирования и т.п. Наличие нелинейных характеристик, сложных для моделирования динамических элементов, неконтролируемых шумов и помех, множества обратных связей и других факторов также затрудняет реализацию существующих стратегий регулирования. Базируясь на идее линеаризации реальных систем, как классическая, так и современная теории автоматического регулирования требуют, прежде всего, разработки математических моделей. Однако математическое моделирование, реализуемое на основе предположения о линейности системы, часто не отражает ее действительных физических свойств. Даже удачная реализация физических соотношений между входом и выходом системы может оказаться бесполезной для целей регулирования. Практически приемлемыми здесь являются только модели с низкой параметрической чувствительностью. Однако обеспечить такие настройки для нелинейных систем достаточно сложно.
Особую актуальность указанные проблемы приобретают при регулировании промышленных объектов, обладающих астатическими свойствами. Сложность регулирования такими объектами связана в первую очередь с тем, что при изменении одной из величин в уравнении материального баланса, соответствующие изменения должны затронуть и остальные члены равенства, число и степень изменения которых характеризуют сложность оптимальной системы регулирования и величину астатизма соответственно. Таким образом, для поддержания оптимальных требований к качеству регулирования астатических объектов необходимо применение многомерных САР, сложность реализации которых неизбежно приводит к компромиссу «сложность - качество».
Существующие методы поиска оптимальных параметров настройки ПИ- и ПИД-регуляторов и используемые ими критерии приближения, определяющие качество математических моделей объектов регулирования, исчерпывают резервы повышения качества функционирования классических САР. Для повышения качества регулирования основных технологических параметров требуется применение новых перспективных подходов и разработка в рамках этих под-
ходов более совершенных моделей САР. Эти новые модели САР должны отвечать требованиям универсальности, а также быть достаточно простыми по принципам организации и функционирования для эффективного внедрения в различные сферы промышленности.
Перечисленные факторы обуславливают актуальность выполнения научно-исследовательских работ в направлении совершенствования существующих САР.
Одним из наиболее перспективных подходов к повышению показателей качества регулирования технологических процессов является переход от традиционных систем к использованию нейросетевых САР. Под нейросетевыми САР в общем случае понимается применение нейронных сетей для выработки регулирующих воздействий. Цель таких систем - определить в процессе обучения и функционирования такой закон регулирования, который обеспечил бы оптимальное поведение объекта, исходя из заданного критерия качества.
О целесообразности и актуальности применения нейронных сетей в задачах автоматического регулирования свидетельствуют также следующие их свойства:
Способность к эффективной аппроксимации и экстраполяции различных функций. Данное утверждение справедливо при наличии в процессе обучения необходимого объема информации, а также грамотного синтеза многослойной нейронной сети, решающей задачу [37,14].
Способность к эффективной реализации достаточно гибких нелинейных преобразований, вследствие наличия множественных нелинейных функций активации. Это важно для решения задач с существенными не-линейностями, для которых традиционные подходы пока не дают практически реализуемых решений.
Способность к обучению и самообучению. Необходимым условием применения традиционных методов оптимального адаптивного управления является наличие большого объема априорной информации об объекте регулирования, например, данных математического моделиро-
вания. Благодаря указанному свойству нейроконтроллеры в таком объеме информации не нуждаются. В связи с этим можно полагать, что нейроконтроллеры пригодны для регулирования в условиях существенных неопределенностей.
Высокая параллельность. Данное свойство является предпосылкой эффективной реализации аппаратной и программно-аппаратной поддержки нейросетевых контроллеров в контуре регулирования.
Свойство монотонного (а не катастрофического) уменьшения качества функционирования при увеличении числа вышедших из строя нейронов, а также отсутствие изменения качества работы при значительных изменениях параметров схем, реализующих элементы.
Аналитический обзор литературных источников позволил показать, что искусственные нейронные сети представляют собой не просто новое перспективное направление в теории автоматического регулирования, а самостоятельную парадигму. В рамках этой парадигмы общими для различных объектов регулирования методами решаются задачи идентификации, синтеза систем регулирования, их анализа и аппаратной реализации.
Несмотря на существование отдельных примеров реализации, методы синтеза нейросетевых САР по-прежнему остаются слабо проработанными в теоретическом отношении. Остаются нерешенными многие практические задачи, в частности проблема быстродействия нейросетевых САР, вызванная необходимостью проведения большого числа вычислений непосредственно в процессе функционирования нейрорегулятора и оказывающая существенное влияние на качество регулирования. Многочисленные исследования отечественных и зарубежных ученых показали, что позиционная система счисления исчерпала возможности построения высокоскоростных вычислительных структур. В связи с этим, актуальной задачей совершенствования нейросетевых САР является переход к альтернативным системам счисления, наиболее перспективной из которых является система остаточных классов (СОК), обладающая высоким уров-
нем естественного параллелизма при выполнении арифметических операций, высокой точностью, надежностью и способностью к самокоррекции.
Таким образом, актуальность темы диссертационных исследований обусловлена тем, что в настоящее время нейросетевые модели САР представляют собой наиболее перспективную альтернативу традиционным схемам регулирования, необходимостью их совершенствования с целью увеличения общего быстродействия системы и повышения показателей качества регулирования основных технологических параметров.
Объектом диссертационных исследований являются САР технологических процессов (на примере САР питания однобарабанного парового котла с естественной циркуляции ТТМ-94, входящего в состав энергоблоков ОАО «Невинно-мысская ГРЭС»).
Предметом диссертационных исследований является повышение качества и эффективности функционирования нейросетевых моделей САР промышленных объектов.
Целью диссертационных исследований является повышение качества регулирования основных технологических параметров (таких как динамическая точность регулирования, статическая точность, время регулирования и т.п.). В данной диссертационной работе в качестве основного регулируемого параметра выбран уровень воды в барабане котла, вследствие его существенного влияния на протекание все технологических процессов котлоагрегата.
Научная задача исследований состоит в разработке эффективных алгоритмов реализации модулярных вычислений и развитии методов синтеза нейросетевых моделей САР технологических процессов.
Для решения поставленной общей научной задачи была проведена ее декомпозиция на ряд следующих частных задач:
Критический анализ методов и моделей систем автоматического регулирования промышленных объектов.
Обоснование целесообразности переноса алгоритмов работы нейросетевых моделей САР в систему остаточных классов.
Разработка нейросетевых моделей непозиционного кодирования систем автоматического регулирования.
Разработка методики синтеза нейросетевых моделей астатических объектов регулирования.
Сравнительная оценка алгоритмов обучения нейросетевых моделей.
Сравнительная оценка традиционных и нейросетевых систем автоматического регулирования.
Методы исследования. Для решения поставленных в диссертационной работе научных задач использованы методы теории чисел, линейной алгебры, дифференциального и операционного исчисления, математического моделирования, оптимального управления, теорий автоматического регулирования и управления, нейронных сетей, неироматематики, теории множеств, дискретной математики.
Работа состоит из введения, четырех глав, заключения и приложений.
Во введении обоснована актуальность исследований нейросетевых моделей систем автоматического регулирования промышленных объектов, сформулирована цель работы, изложены основные результаты проведенных исследований, показана их научная новизна, практическая значимость, указаны основные положения, выносимые на защиту.
В первой главе дается анализ методов и моделей традиционных и нейросетевых САР, обосновывается целесообразность применения СОК в нейросетевых моделях САР, анализируются требования, предъявляемые к САР питания, делается постановка задачи исследования.
Показано, что на сегодняшний день наиболее распространенными моделями промышленных систем автоматического регулирования являются системы, базирующиеся на так называемых ПИ- и ПИД-регуляторах. Выявлены и показаны основные недостатки как классических, так и современных (самонастраивающихся, адаптивных, прогнозирующих, нечетких) САР, для преодоления которых предложен подход, связанный с использованием искусственных нейронных сетей.
Выполнен анализ трех наиболее перспективных нейросетевых моделей: модели нейросетевой САР с нейроэмулятором, модели нейросетевой САР с экстремальным законом регулирования, модели нейросетевой САР с эталонной моделью.
Анализ алгоритмов функционирования нейросетевых моделей САР позволил выявить проблему, приводящую к значительному снижению показателей качества регулирования - проблему быстродействия. Для решения данной проблемы предложен подход и обоснована целесообразность, переноса функционирования нейросетевых моделей САР в непозиционную систему остаточных классов. Доказано, что отсутствие межразрядных связей и массовый параллелизм, также свойственный и нейросетям, предоставляют наиболее перспективный метод повышения производительности функционирования моделей нейросетевых САР.
Во второй главе развивается теория построения нейросетевых моделей непозиционного кодирования, разрабатывается библиотеки классов для реализации моделей нейронов в СОК, проводится имитационное моделирование.
Показано, что принципиальная возможность применения СОК в вычислительных алгоритмах и САР обусловлена наличием изоморфизма между математическими операциями над целыми числами и соответствующими операциями над системой целых неотрицательных остатков по отдельных модулям. Предложен подход к представлению дробных чисел в СОК.
Показано, что алгоритмы работы искусственных нейронных сетей обладают рядом свойств, позволяющих проводить построение многослойных сетей любого типа и архитектуры на базе моделей отдельных нейронов. Исходя из этого, разработана математическая модель, алгоритмы функционирования и обучения однослойного персептрона непозиционного кодирования.
Разработка и реализация нейросетевой модели нейрона непозиционного кодирования проводилась в два этапа с использованием универсального языка моделирования (UML) в составе CASE-средства Rational Rose 2000 и языка программирования Java. На первом этапе разработана библиотека классов
ru.ncstu.nti.srcnotation для реализации арифметики СОК. В состав библиотеки
ВОШЛИ КЛаССЫ SRCnumber, SRCnatural, SRCinteger И SRCfraction, ПреДСТаВЛЯЮЩИе
четыре ключевые абстракции - число СОК, натуральное число СОК, целое число СОК и дробное число СОК соответственно. Корень иерархии - абстрактный класс SRCnumber, инкапсулирующий общие для всех чисел СОК выбранной системы оснований константы и переменные, и задающий неизменный интерфейс взаимодействия объектов.
На втором этапе разработан пакет ru.ncstu.nti.arm.srcann, использующий функциональность пакета ru.ncstu.nti.srcnotation и реализующий модель однослойного персептрона в СОК. Программная реализация алгоритмов функционирования и обучения размещена в классе srctlu. Методы данного класса предоставляют возможность обучения и использования модели нейрона непозиционного кодирования.
Проведенные исследования показали, что увеличение общего быстродействия нейросетевых моделей при переходе в СОК происходит приблизительно в 1.6 раза.
В третьей главе развивается теория и разрабатывается методика синтеза нейросетевых моделей астатических объектов регулирования, дается сравнительная оценка алгоритмов обучения нейросетевых моделей, проводится имитационное моделирование.
Показано, что существующие в настоящее время нейросетевые модели объектов регулирования имеют удовлетворительное качество работы только в случае объектов, характеризующихся свойством самовыравнивания. Выходная величина астатических объектов регулирования (объектов без самовыравнивания) неограниченно отклоняется с течением времени от своего первоначального значения при изменении входной величины. Указанная особенность является причиной того, что «прямая» идентификация объектов данного типа приводит к неудовлетворительным результатам и нейросетевая модель ОР оказывается неработоспособной.
Для решения данной задачи разработана методика синтеза нейросетевых моделей астатических объектов регулирования. В основу методики легло введение в контур регулирования необходимой коррекции для устранения аста-тизма и продолжения синтеза разработанными методами.
Результаты исследования показали, что наилучшее качество обучения достигается при использовании численной процедуры Левенберга-Марквардта, и позволили выявить нерешенную до настоящего времени проблему поиска оптимальных параметров настройки архитектуры нейросетевых моделей объектов регулирования. К таким параметрам относится количество нейронов скрытого слоя, количество линий задержки по выходу объекта регулирования и входу нейроэмулятора, обеспечивающих минимальное значение функционала качества после завершения процесса обучения и минимум эффекта переобучения сети при идентификации по зашумленным данным.
Для решения данной задачи разработана методика экспериментального подбора оптимальных параметров архитектуры нейросетевых моделей ОР. Эффективность разработанных методик подтверждена результатами моделирования.
В четвертой главе на основе предложенных методик выполнена процедура синтеза нейросетевой модели САР (на примере барабанного парового котла ТГМ-94) и проведена сравнительная оценка качества регулирования основных технологических параметров в традиционных и нейросетевых системах регулирования.
Выполнен синтез САР питания с традиционным ПИД-регулятором, САР питания на основе нейроконтроллера с предсказанием, САР питания с нейро-контроллером на основе модели авторегрессии со скользящим средним и САР питания с нейроконтроллером на основе эталонной модели.
Результаты синтеза показали, что как традиционная, так и нейросетевые САР обеспечивают заданное качество регулирования. Однако качество в системах с рассмотренными типами нейрорегуляторов превосходит качество тради-
ционных САР. Наилучшие показатели качества параметров регулирования были достигнуты в САР с предсказывающим нейроконтроллером.
Приведенные и проанализированные в четвертой главе результаты синтеза нейросетевых моделей САР показали достоверность итогов исследований глав 1-3.
В заключении обобщены итоги и результаты проведенных исследований.
В приложениях представлены листинги МАТЪАВ-скриптов, используемых в третьей главе для расчета параметров настройки регуляторов, программа проведения испытаний автоматических регуляторов питания котла, протокол испытаний регулятора питания, Simulink модели используемых типов регуляторов, листинги и иерархии основных классов, реализующих работу нейросетей в системе остаточных классов, свидетельство о регистрации разработки в Отраслевом фонде алгоритмов и программ.
Достоверность и обоснованность полученных в диссертационной работе теоретических результатов и формулируемых на их основе выводов обеспечивается строгостью производимых математических выкладок, базирующихся на аппарате теории нейронных сетей, автоматического регулирования, управления и теории чисел. Справедливость выводов относительно эффективности предложенных методов подтверждена математическим моделированием.
Научная новизна работы заключается в следующем:
Доказана целесообразность и преимущества переноса алгоритмов работы нейросетевых моделей САР в систему остаточных классов.
Впервые разработана модель нейрона непозиционного кодирования для реализации на ЭВМ средствами объектно-ориентированного языка Java.
Разработана методика синтеза нейросетевых моделей астатических объектов регулирования.
Выявлена и исследована зависимость качества функционирования ней-рорегуляторов от используемых алгоритмов обучения.
Разработана методика синтеза оптимальных параметров настройки и архитектуры нейрорегуляторов САР питания.
6. Проведена оценка качества регулирования основных технологических параметров традиционных и нейросетевых САР.
Практическая значимость. Разработанные методы и алгоритмы синтеза нейросетевых моделей объектов регулирования и нейросетевых моделей САР могут быть использованы в различных областях промышленности для расчета настроек регуляторов основных технологических параметров. Полученные в результате основанных на реальных данных диссертационных исследований оптимальные параметры настройки и архитектуры нейросетевой модели регулятора могут быть использованы на действующем оборудовании для создания нейросетевых САР питания.
На защиту выносится:
Целесообразность перехода к непозиционной системе остаточных классов при реализации моделей нейросетевых САР.
Модель нейрона непозиционного кодирования для реализации на ЭВМ средствами объектно-ориентированного языка Java.
Методика синтеза нейросетевых моделей астатических объектов регулирования.
Методика определения оптимальных параметров настройки и архитектуры нейросетевых моделей САР (на примере САР питания котельных установок).
Сравнительный анализ качества регулирования основных технологических параметров в традиционных и нейросетевых САР (на примере САР питания котельных установок).
Апробация работы. Основные результаты работы докладывались на XXX научно-технической конференции по результатам работы профессорско-преподавательского состава, аспирантов и студентов СевКавГТУ (1999), на XXXVIII юбилейной отчетной научной конференции ВГТА (Воронеж, 2000), на региональной научной конференции «Теоретические и прикладные проблемы современной физики» (Ставрополь, 2002), на региональной научно-
технической конференции «Компьютерная техника и технологии» (Невинно-мысск, 2003).
Публикации. Полученные автором результаты достаточно полно изложены в 6 научных статьях и зарегистрированы в Отраслевом фонде алгоритмов и программ (свидетельство об отраслевой регистрации разработки № 2307 от 14.01.03, номер государственной регистрации 50200300049 от 23.01.03).
Автор выражает искреннюю благодарность научному руководителю - заслуженному деятелю науки и техники РФ, доктору технических наук, профессору, академику Международной академии информатизации Николаю Ивановичу Червякову.
Обоснование целесообразности применения непозиционной системы счисления остаточных классов в нейросетевых моделях САР
Исследования и разработки в области самонастраивающихся алгоритмов проводились по двум направлениям: распространение существующих схем регулирования на новые области применения и выдвижение новых подходов к задачам автоматического регулирования, для которых уже применялись имеющиеся виды регуляторов.
Еще одной сферой исследований в этом направлении стали самонастраивающиеся ПИ- и ПИД-регуляторы (СНПИ- и СНПИД-регуляторы). Основная идея разработки регуляторов такого типа состоит в объединении возможностей самонастраивающихся регуляторов, способных в оперативном режиме приспосабливаться к изменениям параметров объекта регулирования, и простоты структур ПИД-регуляторов.
В результате исследований в данной области, было предложено несколько схем СНПИД-регуляторов. Так, Виттенмарк [185] предложил схему СНПИД-регулятора на основе схемы размещения полюсов. При этом ПИД-алгоритм встраивается в структуру регулирования, которая рассчитывается на основе схемы размещения полюсов. Этот метод пригоден только для управления процессами ограниченных порядков. Модификация этого метода, позволяющая управлять процессами общего вида, была предложена Савелли [172]. Позднее Гаутроп [111] предложил схему СНПИ- и СНПИД-регулятора для систем с непрерывным временем. В этой схеме ПИ- или ПИД-алгоритм автоматически выводится из обоснованных предположений о динамике регулируемого процесса, а также из результатов моделирования возмущений с ненулевым математическим ожиданием. Иные формы СНПИД-контроллеров приводятся в работах [76, 159,167, 129,165,186,166].
Другая концепция регулирования была предложена Камероном и Себоргом [86]. Предложенный ими алгоритм основан на обобщенном регулировании по минимальной дисперсии [93, 94]. Закон регулирования с самонастройкой ориентируется на получение ПИ- или ПИД-структуры. Для этого делаются некоторые обоснованные допущения в отношении полиномиальных функций регулирования с самонастройкой, задаваемых пользователем. Способ ввода в алгоритм интегрирующего действия, необходимого для устранения ступенчатых возмущений и установившейся ошибки, отличается от используемого в СНПИ-и СНПИД-регуляторах. Параметры регуляторов определяются на основе схемы оценки параметров. Для ПИ-структуры требуются два параметра регулятора, для ПИД-структуры - три. Эти требования налагают некоторые ограничения на порядок полюсов разомкнутых систем регулирования, однако не на порядок нулей. В то же время в работе [86] показано, что для систем высоких порядков может быть осуществлено понижение порядка модели.
Естественным продолжением развития теории одномерных самонастраивающихся систем автоматического регулирования явилось появление работ, обобщающих и распространяющих достигнутые результаты на многомерные системы регулирования. При построении таких СНПИД-регуляторов возникают те же проблемы, что и для регуляторов с одним входом и одним выходом. К ним относятся нелинейности, переменная динамика объекта регулирования, детерминированные и стохастические возмущения, временные задержки. Для многомерного случая имеются также некоторые технические сложности, которые не возникают для регуляторов с одним входом и одним выходом. К ним относятся, в частности, проблемы, вытекающие из хорошо известных разделов теории регулирования многомерными системами. Например, для регуляторов со многими переменными соотношение вход-выход должно представляться в виде левого или правого дробно-матричного описания. Кроме того, полиномиальные матрицы не переставляются; для разрешения этой проблемы требуется вводить некоторые дополнительные матрицы. В результате всего этого усложняются формулировки и вычисления, которые становятся по своему характеру алгебраическими [127]. В разработке СНПИ- и СНПИД-регуляторов со многими переменными имеются и другие проблемы, например, связанные с параметризацией, неравными временными задержками и устойчивостью.
Другой современной разработкой в области адаптивного регулирования является управление на основе долгосрочного прогнозирования. Стратегия метода состоит в том, что в каждый конкретный момент времени t делается прогноз выхода процесса на длительный временной горизонт. Этот прогноз, основанный на математической модели динамики процесса, делается явно или подразумевается в алгоритме регулирования.
Кроме всего прочего, прогноз зависит от сценария регулирования в будущем, которое предполагается постоянным на все время прогнозирования. Из нескольких сценариев регулирования выбирается стратегия, обеспечивающая сходимость выходного процесса к уставке наилучшим образом. Стратегия, выбранная в качестве наилучшей, применяется затем в качестве регулирующего воздействия к реальному процессу, однако только на заданное время. В следующий момент дискретного времени вся процедура повторяется, в результате чего формируется уточненное регулирующее действие. Такая стратегия известна под названием стратегии регулирования по удаляющемуся горизонту.
В настоящее время существует несколько методов регулирования, основывающихся на долгосрочном прогнозировании: 1. Модельно-алгоритмическое регулирование (MAC) [168]. 2. Динамическое матричное регулирование (DMC) [97]. 3. Расширенное прогнозирующее самоадаптирующееся регулирование (EPSAC) [101]. 4. Адаптивное регулирование по расширенному горизонту (ЕНАС) [187]. 5. Система самонастройки на основе прогнозирования [162]. 6. Обобщенное прогнозирующее регулирование (GPC) [91,92, 90]. В [102] приведен исчерпывающий сравнительный анализ различных методов регулирования на основе долгосрочного прогнозирования, с рассмотрением достоинств каждого из них.
Разработка библиотеки классов для реализации моделей нейронов в непозиционной системе счисления остаточных классов
Для практического применения традиционного подхода необходима, прежде всего, разработка математических моделей. Однако математическое моделирование, реализуемое на основе предположения о линейности системы, часто не отражает ее действительных физических свойств.
В качестве «хороших» математических моделей для аппроксимации реальных физических свойств систем показали себя статистические модели [82], например, модель авторегрессии, модель авторегрессии - скользящего среднего и т.д. Эти модели были разработаны как теоретиками, так и инженерами-практиками в области обработки сигналов. Они позволили достичь хороших результатов в решении многих практических задач [134], связанных распознаванием речи и образов, анализом данных и т.п. Достоинство статистических моделей, кроме их простоты, состоит в том, что они допускают проверку на адекватность путем исследования частотных характеристик с использованием спектрального анализа.
Таким образом, при использовании статистических моделей имеется возможность оценить процессы, происходящие в области рабочих частот системы, например, посредством анализа частотных характеристик методами классической теории регулирования. Такой статистический подход может показаться очень эффективным, однако используемые при этом приближения часто не обеспечивают достаточной точности для целей регулирования. Причина этого недостатка заключается в попытке приспособить линейные модели к сложным нелинейным системам. Кроме того, данные методы основаны на моделях «черного ящика», используемые в них переменные и параметры в некоторых случаях не имеют физического смысла. Это только некоторые из причин, по которым такие подходы не находят широкого применения в практике управления [155].
Другой распространенный подход к управлению — адаптивное управление [73]. При этом подходе предполагается наличие математической модели, основанной на физических явлениях, и оцениваются неизвестные параметры, включенные в эту модель. Затем определяется закон регулирования, направленный на достижение некоторой цели (степень достижения оценивается функционалом качества); при этом математическая модель рассматривается как реальная система. Однако такой подход основывается также на теории линейных систем. При каких-либо изменениях в объекте регулирования или во внешних условиях требуется перестройка модели и определение для нее нового закона регулирования. Таким образом, требуется «вручную» проверять степень адекватности модели реальной физической системе.
По этим причинам современная теория регулирования не решает многих имеющихся проблем, ее сложно применять для большинства (кроме некоторых специфических) реальных задач. В Японии примерно 84% систем регулирования до сих пор построены на основе обычных ПИД-регуляторов [155].
Из приведенных фактов можно сделать вывод: для того чтобы алгоритмы регулирования могли применяться на практике, они должны быть достаточно простыми для реализации и понимания. Кроме того, они должны обладать способностью к обучению, гибкостью, устойчивостью, нелинейностью. Алгоритмы, основанные на нечеткой логике, обладают некоторыми из указанных свойств [24], однако в принципиальных вопросах они также подвержены ограничениям, свойственным классическим алгоритмам [79].
Перспективным подходом к преодолению указанных ограничений является использование нейронных сетей для решения задач автоматического регулирования. Это подтверждается огромным количеством появившихся в последнее время научных статей и докладов, посвященных разработкам в области искусственных нейронных сетей в контексте теории регулирования (управления). Одним из самых существенных исследований перспектив нейросетевых систем автоматического регулирования является работа Ханта [125], в которой проведены четкие параллели между теориями регулирования и нейронных сетей.
К основным причинам, обосновывающим целесообразность применения нейронных сетей в качестве альтернативы традиционным методам регулирования, относятся следующие:
Нейронные сети способны обучаться любым функциям [98, 110, 123] (необходимым условием является наличие в процессе обучения достаточно большого объема информации, а также правильный выбор самой нейросетевой модели). Таким образом, способность нейронных сетей к самообучению избавляет от необходимости использования сложного математического аппарат в отличие от многих традиционных методов адаптивного и оптимального управления.
Включение нелинейных функций активации в нейроны скрытых слоев многослойных персептронов обеспечивает возможность реализации нелинейных отображений. Это важно для решения задач регулирования с существенными нелинейностями, для которых традиционные подходы пока не дают практически реализуемых решений. Отмеченное достоинство нейронных сетей является наиболее важным с точки зрения теории автоматического регулирования. 3. Необходимым условием применения традиционных методов оптимального и адаптивного регулирования является наличие большого объема априорной информации об объекте управления [73, 156]. Благодаря способности нейронных сетей к самообучению, для нейроконтроллеров такой объем информации не требуется. В связи с этим можно полагать, что нейроконтроллеры пригодны для целей регулирования в условиях существенных неопределенностей [126,147]. 4. Высокая степень параллельности нейронных сетей позволяет реализо-вывать очень быстрые методы мультипроцессорной обработки на основе использования нейронных кристаллов или параллельных аппаратных средств. 5. Благодаря реализуемой в нейронной сети архитектуре параллельной обработки, повреждение отдельных элементов технических средств сети не может катастрофически влиять на работу сети в целом [140,133]. На основании сказанного можно сделать вывод, что нейронные сети являются наиболее перспективным средством для решения задач регулирования, для которых обычные методы не дают удовлетворительных с практической точки зрения результатов.
Разработка методики синтеза нейросетевых идентификационных моделей
Стандартными языками программирования таких систем являются язык Ассемблера, С и C++. Однако присущие им недостатки (сложность написания и отладки кода, длительность цикла разработки, отсутствие чистой объектной ориентированности) являются существенной преградой на пути быстрого создания качественного встроенного программного обеспечения. Кроме того, в связи с использованием этих языков возникает проблема создания легко переносимого программного обеспечения, способного применяться во встроенных системах, не зависимо от типа аппаратно-операционной платформы.
Одним из конкурирующих и бурно развивающихся языков, лишенным указанных недостатков является язык Java, в основе проекта которого лежала идея разработки нового языка программирования для встроенных систем и приложений реального времени. Синтаксис Java разработан на основе языков C/C++. Положительными его сторонами по сравнению с последними является усиление концепции строгого типообразования, запрет манипуляции указателями, полная аппаратно-операционная независимость, чистая объектная ориентированность. К его преимуществам можно также отнести развитые средства управления сетевыми ресурсами и тесную интеграцию с Интернет.
Указанные преимущества и рост популярности Java привели к тому, что многие разработчики ОС реального времени (RTOS), в частности компании Wind River Systems, Microware, Integrated Solutions и Microtec, встраивают в свои продукты поддержку Java. Так, например, компания Microware включила в состав своей операционной системы OS-9000, способной к использованию в PLC386EX [7], JVM и лицензированный у фирмы Spyglass пакет Web Technology Kit (WTK), дающий возможность писать встроенные приложения. Одним из преимуществ языка Java является возможность использования его диалектов, предназначенных для создания специальных приложений. Так, например, компания Sun разработала версию языка, позволяющую писать встроенные программы для управления смарт-картами, содержащими микроконтроллер и небольшой объем памяти и объявила о создании специального диалекта JavaCard, предназначенного для разработки приложений, обрабатываемых микроконтроллером в условиях ограниченного объема памяти (256 байт для виртуальной машины фирмы Integrity Arts). Компания Gemplus, занимающая ведущие позиции в индустрии производства смарт-карт, также объявила о переходе на выпуск продуктов на базе Java. Вместе с ней Siemens Semiconductors сообщила о лицензировании технологии Java, для применения в новом поколении смарт-карт.
В апреле 1998 корпорацией Sun был анонсирован новый диалект EmbeddedJava, предназначенный для разработки встроенных приложений. Диалект оптимизирован для устройств с ограниченными возможностями отображения информации, в частности для промышленного оборудования компрессорных станций, ТЭЦ и т.п. [7, 26].
Важным преимуществом технологии Java, способствующим уменьшению размеров программного кода и увеличению скорости выполнения приложений, является использование микропроцессоров с аппаратной поддержкой виртуальной машины Java, когда в качестве инструкций процессора выступает сам код Java. Одними из первых производителей таких процессоров являются корпорации Rockwell Collins и Patriot Scientific. Так, например, Patriot Scientific в 1996 г. создала Java-процессор, выполненный на базе 32-разрядного процессора PSC1000, на котором функционирует JavaOS. Корпорация Rockwell Collins, специализирующаяся на выпуске авиационного электронного оборудования, разработала Java-процессор JEM1, предназначенный для развития авиационных систем и обладающий всеми стандартными возможностями строенных микроконтроллеров. Размеры, мощность и высокая скорость обработки информации позволяют создавать на базе этого процессора эффективные системы управления [26].
Использование технологии Java также значительно повышает эффективность разработки ПО. При создании встроенных систем аппаратная часть и ПО часто разрабатываются одновременно. Пока в наличии нет необходимого оборудования, ПО тестируется на другой JVM. Компании используют эмуляторы микроконтроллеров, которые запускаются непосредственно на компьютерах, предназначенных для разработки. При этом универсальность кода Java обеспечивает точность и быстроту тестирования.
Обычно сразу после разграничения функций программного и аппаратного обеспечения выбирается процессор, на котором будет создаваться новое ПО и приступают к написанию программ с помощью эмуляторов. На первом этапе применяется, как правило, программный эмулятор, который функционирует на ПК или рабочей станции. Позже, по мере того как временные параметры начинают играть все более важную роль, осуществляется переход к использованию аппаратного эмулятора на базе реального процессора. В случае использования традиционных языков программирования контроллеров (С, C++, Forth), разработчикам приходится по два-три раза переписывать один и тот же код на этапе перехода от программного эмулятора к аппаратному, а от него в свою очередь -к реальному оборудованию.
Технология Java обладает, по меньшей мере, двумя особенностями, позволяющими преодолеть указанные проблемы при создании новых систем. Одним из этих свойств является объектная ориентация, позволяющая проектировать функции как отдельные модули расширения. Обновлять такие модули значительно легче, для этого требуется всего лишь заменить небольшую часть программных или аппаратных компонентов. Другим преимуществом является парадигма «написано однажды - работает везде». Она позволяет избежать неприятностей, связанных с тем, что код, выполнявшийся под управлением эмулятора, отказывается работать в реальной системе. Наконец, в отличие от обычных управляющих систем контроллеры Java с самого начала проектируются с учетом поддержки загружаемого программного обеспечения. Усовершенствованные и обновленные версии ПО могут применяться без каких-либо изменений в среде функционирования. Это особенно важно в сферах управления сложными технологическими процессами.
Таким образом, использование языка Java позволит с наибольшей эффективностью реализовать модель искусственного нейрона, функционирующего в системе остаточных классов. Создание с помощью Java нейронной сети в СОК для одного из рассмотренных в главе 3 регуляторов позволит, без каких либо изменений, перенести отлаженный код на действующее оборудование для управления в режиме эмуляции производственным процессом. В случае использования многопроцессорного оборудования можно говорить об эмуляции только по отношению к системе остаточных классов, так как усовершенствованная поддержка многопоточности Java позволяет реализовать функции каждого нейрона в отдельных параллельно выполняющихся потоках.
Продолжение исследований в данной области позволит также на основе технологии Java создать чистую СОК-систему автоматического регулирования, как с классическим, так и с нейросетевым регулятором (при условии функционирования всего оборудования с СОК). Необходимым условием для этого является создание Java-компилятора и JVM, использующих во внутреннем представлении числа в системе остаточных классов.
Аппроксимация экспериментальных разгонных характеристик объекта регулирования
Процесс синтеза системы автоматического регулирования непосредственно связан с отысканием рациональной структуры системы, установлением оптимальных величин параметров ее отдельных звеньев и определением оптимального закона регулирования. По отношению к основе синтеза в настоящее время существуют различные точки зрения.
В работах [27, 51, 53, 16] синтез трактуется как пример вариационной задачи и рассматривается такое построение системы автоматического регулирования, при котором для данных условий работы (управляющие и возмущающие воздействия, помехи, ограничения по времени работы и т. п.) обеспечивается минимум выбранной целевой функции, характеризующей качество процесса регулирования (требуемую точность, приемлемый характер переходных процессов и т.д.) и динамические свойства системы в целом.
В работах [22, 30, 1] синтез трактуют как инженерную задачу, сводящуюся к такому построению системы автоматического регулирования, при котором обеспечивается выполнение технических требований к ней. Подразумевается, что из многих возможных решений инженер, проектирующий систему, будет выбирать те, которые являются оптимальными с точки зрения существующих конкретных условий и требований.
Решение первой задачи - обеспечение приемлемых переходных процессов -оказывается всегда трудоемким вследствие большого числа варьируемых параметров и многозначности решения задачи демпфирования системы. Решение второй задачи в большинстве случаев сводится к определению требуемого общего коэффициента усиления системы и, в случае необходимости, вида корректирующих средств, повышающих точность системы.
В настоящее время для синтеза систем автоматического регулирования широко используются ЭВМ, позволяющие производить полное или частичное моделирование проектируемой системы. При таком моделировании становится возможным наиболее полно исследовать влияние различных факторов нелинейности, зависимость параметров от времени и т. п.
Автоматическая система регулирования питания предназначена для поддержания материального соответствия между расходами питательной воды в котел и нагрузке котла по пару. В установившемся режиме работы парогенератора количество поступающей в барабан воды должно соответствовать количеству вырабатываемого пара. Показателем этого соответствия служит уровень воды в барабане котла.
На современных барабанных котлах [22] применяются САР с трехимпульс-ными регуляторами (см. рисунок 4.1). Это объясняется чрезвычайно жесткими требованиями, предъявляемыми к качеству регулирования.
Снижение уровня ниже допустимых пределов («упуск» воды) может привести к нарушению циркуляции, в экранных трубах (опрокидывание циркуляции) и как следствие - к пережогу труб. При значительном повышении уровня в барабане возможен захват частиц воды паром, вынос ее в пароперегреватель и турбину, что вызывает занос пароперегревателя и турбины солями и ведет к их разрушению.
Предельные значения уровня в барабане котла определяются на основании специальных расчетов, выполняемых на заводе-изготовителе котельного оборудования. Они определяют уставки по срабатыванию защит по повышению и понижению уровня («перепитка» и «упуск» уровня). Для котла ТГМ-94 расстояние между этими критическими отметками составляет 250 мм. Защита от повышения уровня, как правило, выполняется двухступенчатой. Первая ступень защиты воздействует на открытие задвижек аварийного слива из барабана (аварийный сброс); она имеет свою уставку, которая является промежуточной между нормальным уровнем и уставкой защиты от повышения уровня. Вторая ступень защиты воздействует на останов котла. Операции отключения котла и открытия аварийного слива при достижении соответствующих уставок выполняются устройствами защиты (при отключении) и блокировки (открытие-закрытие аварийного слива). Для котла ТГМ-94 уровни открытия и закрытия сброса составляют + 125 мм и + 75 мм соответственно (см. Приложение Б).
Таким образом, зона работы САР питания ограничена уставкой защиты от понижения уровня в барабане котла, с одной стороны, и уставкой открытия аварийного слива, с другой. Эти пределы определяют безопасность работы котла, превышение их вызывает аварийную ситуацию.
На уровень в барабане котла оказывают влияние много возмущений. Основные из них: изменение расхода питательной воды AW, изменение расхода пара AD, изменение расхода топлива Д5, изменение температуры питательной воды.
Структурная схема САР питания (см. рисунок 4.2) состоит из следующих основных звеньев [22]: WHD(s), WHlv(s) и WHQ(s) - передаточные функции объекта регулирования (ОР) по расходам пара D, воды W и тепловыделению в топке Q; WD(s), Ww(s) и WH{s) - передаточные функции измерительных преобразователей (датчиков) расхода пара, воды и уровня; WTP{s) передаточная функция участка трубопровода между РПК и сужающим устройством датчика расхода воды; Wp(s) - передаточная функция регулятора.
Передаточные функции объекта регулирования по уровню и расходу питательной воды могут быть получены из дифференциальных уравнений, описывающих переходные процессы в объекте регулирования.
![Математические модели и программные средства распределенных систем видеонаблюдения и идентификации объектов [Электронный ресурс]](/i/i/4487/180575.png "Математические модели и программные средства распределенных систем видеонаблюдения и идентификации объектов [Электронный ресурс] Соловьев Борис Александрович")
