Анализ и синтез гибридных регуляторов для предиктивного управления тепловым процессом на основе нечеткой логики тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Дуванов Евгений Сергеевич

• Дуванов Евгений Сергеевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Дуванов Евгений Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ МЕТОДОВ УПРАВЛЕНИЯ

1.1 Классические методы управления

1.1.1 Анализ классического ПИ регулятора

1.1.2 Синтез классического ПИ регулятор

1.2 Современные методы управления

1.2.1 Метод управления ЫЯАС

1.2.2 Линейно-квадратичное управление

1.3 Нечеткая логика в управления

1.3.1 Введение в нечеткую логику

1.3.2 Нечеткие множества

1.3.3 Функции принадлежности

1.3.4 Выбор нечеткой модели

1.4 Комбинирование классических методы управления с нечеткой логикой

1.5 Выводы по главе

ГЛАВА 2. СИНТЕЗ ГИБРИДНЫХ МЕТОДОВ УПРАВЛЕНИЯ

2.1 Нечеткий ПИ регулятор

2.2 Нечеткий квадратичный регулятор

2.3 ПИ регулятор с нечетким квадратичным алгоритмом корректировки

2.4 Выводы по главе

ГЛАВА 3. АНАЛИЗ ФИЗИО-ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА ИНКУБАЦИИ

3.1 Обусловленность выбора сферы с актуальной проблемой управления тепловыми процессами

3.1.1 Введение

3.1.2 Этапы инкубации и развитие эмбриона

3.1.3 Влияние окружающей температуры на эмбрион

3.1.4 Температура, тепловые ограничения и масса скорлупы

3.1.5 Предварительный прогрев яиц. Прединкубация

3.1.6 Температура в инкубационном шкафу

3.1.7 Влажность в инкубационном шкафу

3.1.8 Периодическое охлаждение яиц в процессе инкубации

3.1.9 Поворот лотков с яйцами в процессе инкубации

3.1.10 Этапы эмбриональной смертности

3.2 Выводы по главе

ГЛАВА 4. ПРИКЛАДНЫЕ ЭКСПЕРИМЕНТЫ С ПОМОЩЬЮ ПРОГРАММНЫХ КОМПЛЕКСОВ

4.1 Обоснование применения нечеткой логики в гибридных методах управления сложными биотехническими системами

4.2 Выбор объекта управления

4.2.1 Описание исследовательского стенда

4.2.2 Описание инкубационного шкафа

4.3 Описание создания блоков объектов управления в среде TIA Portal

4.3.1 Проектирование диаграмм функциональных блоков SIMATIC

4.3.2 Конфигурация обмена данных между MasterOPC Universal Modbus Server и TIA Portal

4.3.3 Конфигурация обмена данными между MasterOPC Universal Modbus Server и MATLAB OPC Toolbox

4.4 Разработка программного комплекса для определения температурных уставок в инкубационных процессах

4.4.1 Выбор математической модели

4.4.2 Описание функций принадлежности и базы правил

4.4.3 Реализация M-ANFIS средствами Python

4.5 Описание интерфейса программного комплекса для определения температурных уставок в инкубационных процессах

4.6 Разработка программного комплекса для управления температурным режимом в инкубационном шкафу

4.6.1 Выбор среды разработки программного комплекса

4.6.2 Описание функциональных окон программного комплекса

4.6.3 Получение передаточной функции

4.6.4 Настройка ПИ управления

4.6.5 Настройка нечеткого ПИ управления

4.6.6 Настройка нечеткого квадратичного регулятора

4.6.7 Настройка ПИ регулятора с нечетким квадратичным алгоритмом

корректировки

4.6.8 Описание окна управления тепловым объектом

4.7 Результаты активных экспериментов

4.8 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ПРИЛОЖЕНИЕ Д

ПРИЛОЖЕНИЕ Е

Введение диссертации (часть автореферата) на тему «Анализ и синтез гибридных регуляторов для предиктивного управления тепловым процессом на основе нечеткой логики»

ВВЕДЕНИЕ

Актуальность работы. Повышение эффективности функционирования и безопасности производственных систем напрямую связано с разработкой систем управления и поддержки принятия решения, позволяющих адекватно оценивать и прогнозировать развития технологического процесса. Анализ современных применяемых методов управления показывает, что существует ряд производственных сфер, где их применение приводит к технологическим вопросам о правильности поддержания заданных параметров управления.

Большинство реальных объектов характеризуются сложной внутренней структурой взаимосвязей, неполнотой математического описания и недостаточностью знаний оператора как о детальном представлении самого процесса, так и о влиянии на объект внешних воздействий. Также современные системы управления технологическими процессами и производствами имеют недостаток, заключающийся в том, что они не учитывают опыт обслуживающего персонала в процессе управления. В то же время при нештатных ситуациях, выходящих за рамки технологического процесса, оператору привычно опираться на свой предыдущий опыт при решении схожих проблем. Это подчеркивает необходимость интеграции формализованных знаний в данные системы для повышения эффективности управления. В дополнение к традиционным методам, таким как математическое моделирование, требуется внедрение эвристических подходов для оценки и прогнозирования дальнейшего состояния объекта. К числу задач, связанных с решением данной проблемы, относится создание единой системы оценки текущего состояния системы и его прогноза, на основе которого будет приниматься решение о выборе метода управления. Использование формализованных знаний и опыта оперативного персонала также позволяет заранее прогнозировать развития технологического процесса, даже не имея прямых измерений некоторых параметров.

Одним из примеров таких сложных объектов являются биотехнические системы, а в частности куриное производство, где от совокупности

технологических регламентов и применения методов управления зависит конечное количество и качество готовой продукции. Выявлено, что при продолжительном перерегулировании температуры в инкубационных шкафах возрастает эмбриональная смертность, однако обобщенных рекомендаций и классификаций, которые позволили бы описать технологию инкубации с точными числовыми параметрами и тепловыми уставками для систем управления на текущий момент не существует. Решением данной проблемы может быть создание гибридного алгоритма корректировки температурных уставок согласно созданной классификации этапов эмбрионального развития физио-технологического процесса инкубации и применением оптимальных гибридных систем управления, использующих адаптационные корректирующие коэффициенты в совокупности с классическими методами управления.

Степень разработанности темы. Анализ результатов известных исследований показал низкую распространенность использования гибридных методов управления в процессе инкубации ввиду отсутствия комплексного подхода к управлению, учитывающего физическое развитие эмбриона, технологический регламент процесса инкубации, классические методы управления и их модернизации.

При изучении результатов существующих исследований в области управления выявлено, что классические методы управления, в том числе такие как ПИД (пропорционально-интегрально-дифференциальное) регулирование, в комбинации с нечеткой логикой и адаптационными алгоритмами, можно применять в сфере инкубационных процессов.

Стоит отметить работы в области классического и гибридного управления отечественных авторов Дудникова Е.Г., Кудинова Ю.И., Красовского А.А., Летова А.М., Пащенко А.Ф., Ротача В.Я., Цыпкина Я.З. а также зарубежных авторов Ванга Л., Дезоера Ч., Заде Л., Жанга К., Зиглера Дж., Калмана Р.Е., Кристианссона Б., Леннартсона Б., Николса Н., Чжао Си., Чу В. и др.

В сфере адаптивного управления известны работы Арановского С.В., Герасимова Д.Н., Ванга Л., Емельянова С.Е., Ефимова Д.В., Калмана Р.Е.,

Мирошника И.В., Ортега Р., Пащенко Ф.Ф., Цыпкина Я.З., Ядыкина И.Б. и др.

Решению задач связанных с формализацией экспертных знаний посвящены работы в области нечеткой логики Заде Л., Кудинова Ю.И., Мамдани Э., Пащенко А.Ф., Пащенко Ф.Ф., Сугено М., Янг Дж., Янсен Дж. и др.

Однако сочетание перечисленных выше методов в рамках единого контура управления по-прежнему является крайне актуальной задачей. Такого рода гибридные системы уже находят свое применение в некоторых высокотехнологичных отраслях, таких как энергетика, металлургия, крупномасштабные транспортные системы, но о широком внедрении этих подходов в другие отрасли экономики говорить преждевременно. Достоинство таких гибридных алгоритмов управления состоит в возможности объединения в рамках обобщенных гибридных моделей количественных показателей лингвистических термов, интервальных оценок и опыта экспертов (в том числе в части физио-технологической сути процесса), интегрированного в базы знаний. Современные средства моделирования систем управления позволяют составлять более сложные структуры регуляторов в блочном представлении даже при условии неполного аналитического описания.

В области физического развития эмбриона и технологических особенностей инкубации стоит отметить работы Бессарабова Б.Ф., Гветадзе С.В., Главатских ОВ., Майерхофа Р., Орлова М.В., Судакова А.Н. и др.

Сложность решаемой задачи обусловлена неопределенностью числовых исходных данных: тепловые профили, этапы инкубации, температурные уставки, методы управления. В тому же в большинстве инкубационных шкафов интегрированы проприетарные программные обеспечения без возможности оптимизации параметров, выбора и загрузки алгоритмов управления, что создает дополнительные ограничения при модернизации тепловых профилей технологии инкубации. В связи с этим целесообразно дополнять хорошо изученные методы управления новыми структурными элементами в том числе, основанными на нечеткой логике.

Цель работы. Целью диссертационной работы является анализ, синтез и

поиск оптимальных классических и гибридных методов моделирования и управления для поддержания стабильности температурных режимов в объекте управления и разработка специализированных программных комплексов на их основе.

Для достижения поставленной цели определены и решены следующие задачи:

- анализ существующих классических и современных методов управления и их применимости к управлению тепловыми объектами;

- разработка гибридного метода управления с нечетким квадратичным регулятором;

- разработка гибридного метода управления ПИ (пропорционально-интегрального) регулятора с нечетким квадратичным алгоритмом корректировки;

- анализ физио-технологического процесса инкубации для последующей разработки классификации этапов эмбрионального развития и создания базы знаний для предиктивного моделирования;

- разработка схем и программных блоков промышленного контроллера и создания на их основе системы автоматического управления тепловым объектом с замкнутым контуром в режиме реального времени;

- разработка базы знаний, включающие нечеткие правила и функции принадлежности, объединяющие экспертные знания и статистические наблюдения;

- разработка специализированных программных комплексов, включающие элементы нечеткой логики, для получения температурных уставок и управления тепловыми процессами внутри объекта с возможностью выбора метода управления;

- верификация разработанных программных комплексов на основе анализа внешних воздействий на объект управления;

Научная новизна. Разработаны новые гибридные алгоритмы управления для поддержания температурных режимов в тепловом объекте, объединяющие базы экспертных знаний с нечеткими правилами взаимосвязи технической и

биологической подсистем, а также численные значения наблюдаемых параметров в реальном времени.

Предложены соответствующие технологическому процессу гибридные методы управления, позволяющие оптимизировать перерегулирование температурных показателей.

Разработан новый гибридный тип ПИ регулятора с нечетким квадратичным алгоритмом корректировки, содержащий в себе параметр чувствительности для переключения между классическим и гибридным методами управления.

Созданы специализированные программные комплексы для расчета рекомендательных температурных уставок, согласно физио-технологическому процессу, инкубации и управления температурными режимами, обеспечивающие минимизацию эмбрионального пика смертности на первых этапах инкубации.

Теоретическая значимость заключается в предложенных новых гибридных алгоритмах управления, включая схемы управления с обратной связью и приложения к ним в виде схем подключения к физическому объекту.

Разработан гибридный метод управления ПИ регулятора с нечетким квадратичным алгоритмом корректировки, включающий параметр чувствительности. Обоснована применимость разработанных алгоритмов к управлению тепловым объектом с учетом особенностей технологического процесса инкубации.

Практическая значимость заключается в применении перечисленных выше методов и алгоритмов в сложных биотехнических системах, а также системах, где необходимо комбинирование методов управления с учетом формализованных экспертных знаний, сохранив при этом лаконичность и простоту реализации классических методов, обеспечив гибкую настройку параметров управления с помощью нечеткости.

Предложенные методы позволяют решать задачи:

- определения температурных уставок в ручном и автоматическом режиме с датчиков для корректировки технологических карт или управления;

- поддержания определенного уровня температуры на каждом этапе

инкубации на основе прогноза температурной уставки;

- управления реакцией системы на внешние возмущения;

- уменьшения эмбриональной смертность на ранних этапах инкубации.

Разработанные специализированные программные комплексы позволяют

получать передаточную функцию объекта управления, оптимизировать коэффициенты регуляторов, подключаться к программируемому логическому контроллеру, поддерживать температуру в инкубационном шкафу и производить симуляцию инкубации согласно технологическому регламенту.

Программный комплекс расчета температурных уставок может применяться в качестве элемента системы принятия решений оперативным персоналом за счет введения параметров управления в автономном режиме.

Разработанные программные комплексы «Предиктивное управление тепловым процессом инкубации на основе нечеткой логики при неполной информации технологических уставок», «Программный комплекс автоматической настройки системы управления тепловым процессом инкубации гибридными методами» внедрены в ЦИ «Донской» (Приложение А) ив учебный процесс кафедры информатики ФГБОУ ВО «ЛГТУ» (Приложение Б).

Достоверность результатов работы обусловлена использованием современных гибридных систем управления и интеграции их в разработанный программном комплексе, широким обсуждением результатов работы на конференциях и семинарах, а также практическим исследовательским опытом в инкубатории.

Методология и методы исследования: решение поставленных в диссертации задач основано на использовании современных методов: теории автоматического управления, идентификации, имитационного моделирования, прогнозирования, теории нечетких множеств и искусственного интеллекта, математической статистики и программирования на языке MATLAB и Python.

Основные положения, выносимые на защиту:

- Гибридный метод управления с нечетким квадратичным регулятором (соответствует п. 4 паспорта специальности);

- Гибридный метод управления ПИ регулятора с нечетким квадратичным алгоритмом корректировки (соответствует п. 4 паспорта специальности);

- Система автоматического управления тепловым объектом с замкнутым контуром в режиме реального времени на основе разработанных схем и программных блоков промышленного контроллера (соответствует п. 9 паспорта специальности);

- Методика создания баз знаний, включающих использования нечетких правил и функций принадлежности, объединяющих экспертные знания и статистические наблюдения (соответствует п. 13 паспорта специальности);

- Специализированный программный комплекс, включающий алгоритмы принятия решений на основе нечеткой логики для получения температурных уставок для промышленного инкубатора (соответствует п. 5 паспорта специальности);

- Специализированный программный комплекс для управления тепловыми процессами внутри инкубационного шкафа с возможностью выбора метода управления (соответствует п. 5 паспорта специальности);

- Экспериментальные исследования функционирования разработанных алгоритмов и программных комплексов в условиях внешних воздействий на объект управления (соответствует п. 15 паспорта специальности).

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на международных и российских конференциях: XIII Международный симпозиум «Интеллектуальные системы - 2018» INTELS 18, Санкт-Петербург, 2018; I Международная конференция «Системы управления, математическое моделирование, автоматизация и энергоэффективность» SUMMA

2019, Липецк, 2019; II Международная конференция «Системы управления, математическое моделирование, автоматизация и энергоэффективность» SUMMA

2020, Липецк, 2020; III Международной конференции «Современные проблемы теплофизики и энергетики» Москва, 2020; III Международная конференция «Системы управления, математическое моделирование, автоматизация и энергоэффективность» SUMMA 2021, Липецк, 2021; II Международная

конференция «Технологии обучения в высшем образовании» TELE 2022, Липецк, 2022; IV Международная конференция «Системы управления, математическое моделирование, автоматизация и энергоэффективность» SUMMA 2022, Липецк, 2022; VIII Международная научно-практическая конференция «Системы управления, сложные системы: моделирование, устойчивость, стабилизация, интеллектуальные технологии» CSMSSIT-2022, Елец; III Международная конференция «Технологии обучения в высшем образовании» TELE 2023, Липецк, 2023; V Международная конференция «Системы управления, математическое моделирование, автоматизация и энергоэффективность» SUMMA 2023, Липецк, 2023; IV Международная конференция «Технологии обучения в высшем образовании» TELE 2024, Липецк, 2024.

Публикации. По результатам проведенных исследований опубликовано 18 статей, в том числе 6 статей в журналах из перечня ВАК, 8 статей в изданиях, входящих в международные базы цитирования Scopus и Web of Science, получено 3 свидетельства о государственной регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, приложений и библиографического списка из наименований. Объем работы составляет 158 страниц, включая 70 рисунков и 20 таблиц, 134 литературных источников и 6 приложений.

ГЛАВА 1. АНАЛИЗ МЕТОДОВ УПРАВЛЕНИЯ

1.1 Классические методы управления

Классические методы управления включают в себя такие методы, как пропорционально-интегрально-дифференциальное управление (ПИД), логическое управление (методика конечных автоматов), регулирование по состоянию (наблюдательное управление), матричное управление и другие.

ПИД управление и его производные - ключевые методы классического аналогового управления, применяемые для контроля систем с обратной связью и включающие в себя сочетание трех основных компонентов: пропорционального, интегрального и дифференциального регулирования.

Логическое управление основано на принципе логики управления, где принимаемые решения основаны на логических операциях и правилах, заданных заранее. Этот метод часто применяется в автоматизированных системах и дискретном управлении.

Регулирование по состоянию (наблюдательное управление) используется для систем, в которых не все переменные доступны для измерения. Наблюдатели используются для оценки внутреннего состояния системы на основе доступных измерений, что позволяет принимать решения о регулировании.

Матричное управление основано на математических методах матричной алгебры для описания и анализа многомерных динамических систем и управления ими.

1.1.1 Анализ классического ПИ регулятора

К наиболее распространенному и действенному классическому методу управления относится ПИ регулирование [1 - 30]. Данный метод достаточно хорошо изучен как в отечественной литературе (Дудников Е.Г., Красовский А.А., Клюев А.С., Кудинов Ю.И., Кузищин В.Ф., Пащенко А.Ф., Пащенко Ф.Ф., Ротач В.Я., Сабанин В.Р., Смирнов Н.И., Цыпкин Я.З.), так и в зарубежной

(Ванг Л., Го Л., Дезоер Ч., Зиглер Дж., Николс Н., Ортега Р., Острем К., Хагглунд Т., Чжао Си., Юнг Л.).

ПИ регулирование основано на использовании пропорциональной и интегральной составляющих для поддержания желаемого режима в объекте управления [25 - 29]. Математическое описание классического ПИ регулятора имеет вид

и() = Кп в(г) + К и | г(тУ1т,

(1)

где и) - выход регулятора; е() = у°() — у() - ошибка регулирования; у) - заданное значение управляемой величины; у() - значение выходной величины, кп - пропорциональный коэффициент, Ки - коэффициент усиления

интегральной составляющей.

Ниже представлена структурная схема замкнутой системы управления с ПИ регулятором с объектом управления (рисунок 1) [29, 30].

Рисунок 1 - Схема замкнутой системы управления с ПИ регулятором с объектом

управления

Пропорциональная составляющая реагирует на текущую разницу между фактической и желаемой уставкой в объекте управления, пропорционально этой разнице. Она корректирует выходной сигнал регулятора в соответствии с величиной ошибки, стремясь уменьшить разницу до нуля. Интегральная составляющая, в свою очередь, накапливает ошибку во времени с поправкой на коэффициент и позволяет компенсировать постоянные или медленно

изменяющиеся отклонения от желаемого значения температуры [17, 19, 29].

В контексте тепловых процессов [20, 21], главной целью является обеспечение стабильных и оптимальных условий поддержания температурных режимов. В этом случае ПИД регуляторы, включающие дифференциальную составляющую, могут вызывать некоторые проблемы. Там где требуется медленное и плавное изменение условий окружающей среды, включая температуру, использование дифференциальной составляющей может привести к нежелательным колебаниям и нестабильности параметров управления [27, 28].

Тем не менее, если достижение заданных параметров качества переходных процессов не удается с помощью ПИ регулятора из-за сложности и неустойчивости системы, рекомендуется применить комбинацию классических регуляторов с нечеткими для достижения заданных параметров качества [34, 35].

Такие системы управления часто разрабатываются и настраиваются индивидуально для каждого конкретного технологического процесса с учетом его особенностей [27].

1.1.2 Синтез классического ПИ регулятор

В среде MATLAB - Simulink для создания схемы регулятора соединяются блоки, представляющие компоненты регулятора, в единую схему. Блоки выбираются из библиотеки Simulink и включают различные компоненты, такие как математические операции, фильтры и генераторы сигналов управления. После размещения блоков на рабочей области модели они соединяются, представляющими поток сигналов между блоками. Параметры блоков регулятора настраиваются в соответствии с требованиями управления. Входные и выходные порты добавляются, если требуется взаимодействие с другими частями модели. После проверки и запуска симуляции можно анализировать поведение регулятора и проводить настройку параметров для достижения требуемой производительности в блоке Scope. Все эти шаги позволяют создать схему регулятора в Simulink для моделирования и анализа систем управления [27, 29].

Ниже показана структурная схема замкнутой системы управления с ПИ регулятором с объектом управления в среде Simulink, где коэффициенты регулятора (блоки Р и I) и передаточной функции представлены в блочной диаграмме для дальнейшего программирования программного комплекса (рисунок 2).

► +

•Ш i

и

Т1

Объект управления

Осциллограф

ПИ регулятор

Т2

Рисунок 2 - Схема замкнутой системы управления с ПИ регулятором с объектом

1.2 Современные методы управления

1.2.1 Метод управления MRAC

Алгоритм адаптивного управления с эталонной моделью MRAC (Model Reference Adaptive Control) представляет собой метод управления, основанный на использовании адаптивных алгоритмов для обеспечения стабильности системы управления. Для решения задач управления по выходу [36, 42, 45] существует разнообразие методов, однако многие из них включают в себя создание оценочных устройств или использование наблюдателей переменных состояния (Ванг Л., Ефимов Д.В., Жанг К., Калман Р.Е., Ортега Р., Чу В.). Цель MRAC заключается в том, чтобы поддерживать выход системы близким к заранее заданному эталонному (референтному) сигналу, даже при наличии сторонних возмущений в динамике управляемого объекта (Арановский С.В., Герасимов Д.Н., Глущенко А.И., Кудинов Ю.И.).

Основные компоненты MRAC включают в себя модель объекта управления и адаптивный регулятор [34 - 37]. Модель объекта управления предоставляет

описание динамических характеристик системы, а адаптивным регулятор корректирует свои параметры на основе различий между выходом системы и эталонным сигналом (рисунок 3).

Рисунок 3 - Схема замкнутой системы MRAC управления

Методы адаптации в MRAC могут варьироваться в зависимости от конкретной реализации [39 - 46]. Однако, общим является использование обратной связи от выхода системы для коррекции параметров регулятора. Это обеспечивает способность системы быстро реагировать на изменения в динамике объекта управления [50 - 55].

Механизм адаптации представляет собой элемент, применяемый для модификации параметров контроллера таким образом, чтобы фактический объект мог наилучшим образом следовать эталонной модели. Разработка этого механизма осуществляется с использованием математических подходов, таких как правило MIT (Массачусетского технологического института) и теория Ляпунова [41, 50, 34, 35].

Правило MIT впервые было создано в 1960 году исследователями Массачусетского технологического института с целью проектирования систем автопилотирования для воздушных судов [43, 47]. Данное правило может быть использовано для разработки контроллера со схемой MRAC для широкого спектра систем управления. В рамках правила MIT функция потерь (критерий оптимальности) определяется следующим образом:

j (q)=2е 2- (2)

где e - это разница между выходами объекта и модели, а в - регулируемый

параметр [36, 37].

Параметр в настраивается таким образом, чтобы функция могла быть минимизирована до нуля. По этой причине изменение параметра в происходит в направлении отрицательного градиента /(в).

Общую функцию потерь можно записать в виде de = -7д—, которая

dt дв

, d6 de

реализует механизм определения параметров на основе формулы — = -ge—,

dt dd

de

где--частная производная, называемая чувствительностью системы.

d6

Здесь у - величина, представляющая коэффициент адаптации регулятора.

Допустим, что процесс представляет собой линейную систему управления с передаточной функцией KG(s), где K - неизвестный параметр, а G(s) - известная передаточная функция второго порядка [38]. В таком случае основной целью является разработка контроллера так, чтобы процесс мог следовать эталонной модели с передаточной функцией Gm(s) = KoG(s), где Ko - известный параметр

E(s) =KG(s) U(s)-KoG(s) Uc(s). (3 )

Определение закона управления, u(t) = в*ис

— = KG (s)Uc( s) = — Ym( s), (4)

дв K0

de K

получим -= -ge—ym = -geym.

dt K о

Уравнение предоставит закон для коррекции параметра в. Из результатов моделирования видно, что отклик объекта зависит от коэффициента адаптации у'. В некоторых объектах управления более высокие значения у' могут вызвать нестабильность системы, и выбор этого параметра является крайне важным.

Рассмотрим нормализованный алгоритм. Разработанный контроллер с использованием правила MIT дает удовлетворительные результаты, но очень чувствителен к изменениям амплитуды эталонного входного сигнала. При больших значениях эталонного входа система может стать неустойчивой [36 - 41, 54, 56].

Таким образом, чтобы преодолеть эту проблему, используется нормализованный алгоритм с правилом MIT для разработки закона управления.

Нормализованный алгоритм изменяет закон адаптации следующим образом:

d6 - gej

dt a + jj

(5)

de

где, j = — и коэффициент a (a > 0) внесен с целью избежать проблемы d6

деления на ноль в случае, когда ф близко к нулю

de K

j = — = — y . (6)

^ dG K/m

Представленное уравнение применимо в ситуациях, где существует более одного регулируемого параметра. С учетом внесенных изменений с применением нормализованного алгоритма, этот закон адаптации именуется модифицированным правилом MIT [34, 35, 38, 41].

1.2.2 Линейно-квадратичное управление

В 1960 году Летовым А.М. и Калманом Р.Е. [59] была сформулирована и успешно решена задача линейно-квадратичного управления, состоявшая в нахождении оптимального управления для линейных систем с использованием квадратичных критериев. Летов А.М. разработал методику для стационарных линейных объектов, а Калман Р.Е. расширил этот подход на случай нестационарных систем.

Список литературы диссертационного исследования кандидат наук Дуванов Евгений Сергеевич, 2025 год

х - —

d 2 - d1

—, если х е (—ьd2],

1,если х е (—2,d3), ———, если х е [—3,d4),

d 4 —з

0, если х е [—4, + ¥), где dl, d2, d4, d3 - координаты точек вершины и основания трапеции.

(26)

Рисунок 7 - Трапецеидальная функция принадлежности

Линейные функции принадлежности обладают преимуществом в своей простоте в программной реализации. Однако их ограниченное количество

степеней свободы, то есть настраиваемых параметров, ограничивает их способность создавать сложные зависимости, необходимые для достижения более высокой точности в нечеткой модели.Более широкий класс функций принадлежности представлен нелинейными функциями, включающими сигмоидные, гауссовы функции. Гауссовые функции принадлежности - это кривые, построенные на основе функций распределения Гаусса, среди которых наибольшей известностью пользуется обобщенная гауссовая (рисунок 8).

Рисунок 8 - Обобщенная гауссовая функция принадлежности

Обобщенная гауссовая функция принадлежности описывается зависимостью:

X (х) = е '

где ^ - координата точки смещения центра симметрии кривой на оси х; ё2 - коэффициент широты (вариация); dъ - коэффициент пологости.

(х _ dl) d 2

, (27)

1.3.4 Выбор нечеткой модели

Построение нечетких статических моделей включает выбор структуры, механизма вывода решения, а также операций фазификации и дефазификации, которые преобразуют четкую величину в нечеткую и обратно.

Существует несколько типов нечетких моделей, которые используются для моделирования нечетких систем и решения задач на основе нечеткой логики.

1) Модель Мамдани: один из наиболее распространенных типов нечетких моделей, основанный на правилах, в которых входные переменные связаны с выходными переменными через функции принадлежности и операции вывода, такие как операции агрегации и дефазификации [72].

К достоинствам модели Мамдани можно отнести: интуитивность, так как позволяет легко представить лингвистические переменные и правила в виде нечетких множеств и лингвистических правил, делая понятной и удобной для экспертов; гибкость, позволяющая работать с нечеткими и нелинейными системами, адаптируясь к различным условиям и изменяющимся требованиям.

К недостаткам можно отнести значительную вычислительную сложность при использовании большого количества нечетких множеств и лингвистических правил.

2) Модель Такаги-Сугено-Канг: модель, которая используется для аппроксимации нечетких систем с помощью линейных или нелинейных функций. Они состоят из правил, каждое из которых имеет линейное или нелинейное выражение для выходной переменной в зависимости от входных переменных.

К достоинствам модели Такаги-Сугено-Канг можно отнести гибкость настройки системы, учитывая сложные взаимосвязи между переменными.

К недостаткам можно отнести сложность настройки параметров в случае большого числа правил; ограничения линейности при использовании систем, имеющих нелинейную природу [72].

3) Синглетоновая модель: модель, в которой каждая функция принадлежности представляет отдельный элемент или синглетон. Такая модель имеет простую структуру и часто применяются в задачах с малым числом входных переменных [69].

К достоинствам синглетоновой модели относится ее простота интерпретации, поскольку каждое лингвистическая переменная имеет ясное и однозначное значение.

К недостаткам следует добавить, что она может быть недостаточно эффективной для точного аппроксимирования сложных систем или функций,

особенно в случаях, когда необходимо учесть нечеткость входных данных. Это связано с тем, что синглетоны представляют только конкретные точки в пространстве значений, не учитывая степень нечеткости или неопределенности.

4) Нейро-нечеткая модель (ANFIS): модель, которая объединяет нечеткую логику с искусственными нейронными сетями, позволяющими использовать преимущества обоих подходов, и обладают высокой выразительностью и адаптивностью [73, 74].

К основным преимуществам А^Ш модели относится ее адаптивность и гибкость, которые достигаются путем объединения нейронных сетей и нечеткой логики. Это позволяет эффективно моделировать сложные системы, учитывая их нечеткость и нелинейность, и обеспечивает возможность адаптации модели к различным условиям и изменениям входных данных.

Среди значимых недостатков А^Ш модели следует отметить, что эффективность работы модели тесно связана с правильным подбором различных параметров, таких как количество скрытых нейронов, метод обучения, функции принадлежности и другие. Неправильный выбор данных параметров может сказаться на производительности модели, приводя к недостаточной точности и надежности ее результатов.

Построение нечетких статических моделей включает выбор структуры, механизма вывода решения, а также операций фазификации и дефазификации, которые преобразуют четкую величину в нечеткую и обратно.

Из приведенных выше моделей следует, что модель Мамдани, несмотря на свою вычислительную сложность, обладает способностью работать с нечеткими и нелинейными системами, адаптируясь к различным условиям и изменяющимся требованиям. Более того, ее интуитивность делает модель понятной и удобной для экспертов, что особенно важно в контексте тепловых процессов [77].

В структуре нечеткой модели, представленной на рисунке 9, присутствуют процедуры фазификации (^пт), нечеткого вывода ^1) и дефазификации (йв/), которые выполняются в соответствующем порядке.

Рисунок 9 - Структура нечеткой модели

Процедура фазификации выполняет преобразование исходного значения входной переменной х0 в соответствующее нечеткое значение X'.

Выбор процедур нечеткого вывода и дефазификации обусловлен типом нечеткой модели, который определяется содержанием правой части соответствующих нечетких правил.

Процедура нечеткого вывода FI, основываясь на заданных входных

значениях X' и наборе правил R = { R\..., Rq}, определяет лингвистическое

значение выхода У'.

В нечеткой модели Мамдани правые части правил представлены нечеткими множествами У, которые определяются на основе входных переменных и выражают лингвистические значения выходных переменных,

если Х1 есть X® и Х2 есть Х2®, то у есть 7е.

Процедура дефазификации Def преобразует лингвистическое значение выхода 1' в действительное значение у.

Выбор метода дефазификации также зависит от используемой нечеткой модели. Для нечеткой модели Мамдани часто используются графоаналитические методы, включая метод центра тяжести.

Метод центра тяжести определяет действительное значение выходной переменной путем нахождения центра тяжести нечеткого множества, которое представляет лингвистическое значение выхода в непрерывной форме:

| уУ'(у )ф

У = ' (28)

\У ( у ¥у

у

где У = [ут1П, утах] - область изменения у; У(у) - функция принадлежности.

Использование метода центра тяжести в процессе дефазификации предлагает несколько преимуществ.

1) Простота и понятность: метод центра тяжести легко понять и реализовать, так как основан на определении среднего значения нечеткого множества, что обеспечивает простоту интерпретации результатов.

2) Гладкость и непрерывность: применение метода центра тяжести при дефазификации обеспечивает гладкие и непрерывные результаты, следовательно, полезно, когда требуется получить действительное числовое значение выхода без резких скачков.

3) Устойчивость к выбросам: метод центра тяжести устойчив к наличию выбросов или незначительным изменениям входных данных, так как учитывает все значения нечеткого множества и устанавливает их веса, что позволяет сглаживать влияние случайных отклонений.

1.4 Комбинирование классических методы управления с нечеткой логикой

Комбинирование нечеткой логики с классическими методами управления представляет собой подход, в котором используются преимущества обоих подходов управления для эффективного управления сложными системами. Нечеткая логика предоставляет инструменты для описания неопределенности, учитывая нечеткости в данных, в то время как классические методы управления предоставляют структуру для формализации и оптимизации управляющих стратегий.

Ключевые аспекты комбинирования нечеткой логики с классическими методами управления: нечеткая логика используется для построения нечеткой части регулятора, принимающего нечеткие входы, формулирующего нечеткие правила и выдающего нечеткие выходы, которые трансформироваться в конкретные значения при помощи функции дефазификации, чтобы получить конкретные управляющие сигналы. В основе системе управления применяются

классические методы управления, а нечеткий контроллер используется в качестве дополнительного блока управления, который подстраивается под изменяющиеся условия или неопределенность в системе. Таким образом коэффициенты управления корректируются с учетом изменения сигнала блока нечеткой логики в реальном времени.

Классические и нечеткие контроллеры могут работать параллельно, предоставляя дополнительные уровни контроля и управления, что также позволяет лучше учитывать сложные и многозначные входные данные, которые могут возникнуть в реальных системах [27 - 29, 34, 35, 63 - 65, 69, 79, 89].

1.5 Выводы по главе

1. Проведен анализ существующих классических и современных методов управления.

2. Приведены особенности построения схемы классического ПИ регулятора в ЫА^АВ - Simulink для программирования блоков при создании программного комплекса управления температурным режимом в инкубационном шкафу.

3. Рассмотрены современные алгоритмы управления такие как адаптивное управление с эталонной моделью ЫRAC и линейно-квадратичное управление.

4. Приведено описание теории нечетких множеств, функций принадлежности, подходов выбору нечеткой модели и их достоинства и недостатки.

ГЛАВА 2. СИНТЕЗ ГИБРИДНЫХ МЕТОДОВ УПРАВЛЕНИЯ

Так как классические методы управления имеют ряд особенностей при синтезе, предлагается комбинировать классические методы с нечеткой логикой, создавая гибридные системы управления, которые объединяют преимущества обоих подходов. Классические методы управления подходят для регулирования линейных или детерминированных систем, в то время как нечеткая логика эффективно обрабатывает неопределенность и нелинейность в системе.

Комбинирование методов, рассмотренных в первой главе, позволяет учитывать как точные модели системы, так и ее изменчивость и неопределенность, что способствует созданию гибкой, адаптивной системы управления, способной реагировать на внешние воздействия на объект управления. Такая стратегия повышает точность управления и обеспечивает оптимальное функционирование системы при заданных параметрах качества.

В данной главе подробно рассмотрены подходы к применению нечеткой логики к задачам моделирования и управления, а также будут предложены гибридные алгоритмы, сочетающие математические методы классической теории управления и нечеткой логики, с учетом учитывающих знания экспертов и технологических особенностей исследуемых систем.

2.1 Нечеткий ПИ регулятор

В настоящее время нечеткие регуляторы широко применяются в различных областях автоматизации и управления благодаря своей способности обрабатывать нечеткую информацию и адаптироваться к сложным и нелинейным системам.

В работах [78 - 84] приведены различные сценарии использования нечеткой логики как с классическими, так и с комбинированными и адаптивными методами управления [85 - 88] для демонстрации преимуществ интеграции алгоритмов с целью улучшения общей эффективности в автоматизированных системах управления в различных отраслях производства [89].

Нечеткий ПИ регулятор содержит преимущества классического ПИ регулятора с применением нечеткой логики для более эффективного управления системами, характеризующимися неопределенностью, нелинейностью и вариативностью параметров.

На рисунке 10 представлена структура нечеткого ПИ регулятора.

Де

Кле

Аё

АЕ

RB

К,

Км

К;

Рисунок 10 - Структура нечеткого ПИ регулятора

В данной структуре имеются два входа: ошибка регулирования e(k) и скорость ее изменения Ae(k) = Ae(k) / At, а также два выхода Kp(t) и Ki(t), которые представляют собой уточняющие коэффициенты для ПИ регулятора в моменты времени kAt, где At - шаг дискретизации.

Путем использования нормализующих коэффициентов Ke, K&, фактические значения входов e, Ae преобразуются в нормализованные величины ё, Дё в интервале [-1, 1].

Следующий этап в процессе - операция фазификации, которая осуществляет преобразование нормализованных входных величин ё, Дё в нечеткие переменные

E, AE.

Метод Мамдани для нечеткого вывода находит нечеткий выход U, основываясь на нечетких входах E и AE, а также на базе правил вида

Rp : если ё есть Eö, Ae есть AE0, то и есть U9, 0 = 1, 2, ..., q, (29)

где Eö, AE9, U9 представляют собой нечеткие множества, содержащие терм-множества Te, Тде, Tu со значениями переменных ё, Ae, и.

Для описания входных ё, Дё и выходной и переменных используются терм-множества N (отрицательное), P (положительное), Z (нулевое) и их сочетаниями

^ (Ж) (отрицательное большое), NЫ (отрицательное среднее), Ш (отрицательное малое), 2 (нулевое), PS (положительное малое), PЫ (положительное среднее), РВ (PL) (положительное большое), N2 (близкое к нулю отрицательное), РУВ (очень большое положительное), NVB (очень большое отрицательное). В общем случае Т = АТ = Ти = [ШВ, Ш (NL), NЫ, Ж, 2, PS, РЫ,

РВ (РЬ), РУВ}, х = в, Ав, Аи, при х е [хт1П,хтах].

На рисунке 11 представлены треугольные функции принадлежности для переменной е е [ет1П, етах ] в посылке управления и е [и т1П, и тах ].

Рисунок 11 - Функции принадлежности для в и и

Данные функции принадлежности могут быть доработаны путем изменения типа, добавления новых терм-множеств, пропорционально изменяя положения точек оси в и и.

Далее операция дефазификации преобразует нечеткий выход и в нормализованное значение и е -Ь] на основе метода центра тяжести. Затем это нормализованное значение и умножается на коэффициенты Kskp, для

получения действительных значений Кр и Ш.

На рисунке 12 представлен пример нечеткого вывода методом Мамдани в модели с двумя входами и двумя правилами.

Рисунок 12 - Нечеткий вывод методом Мамдани в модели с двумя входами и

двумя правилами

При использовании импликации Мамдани вывод интерпретируется как объединение

7'(y) = [X; (Х0) Л X2 (Х0) д 71 (y)] v [XI (X0) Л X22 (x20 ) д 72 (y)] = (30)

= [w a 7 4y)] V [w2 A 7 2(y)] при w1 = X;(x0) лXl(x02) и w2 = X2(x0) лX22(x0).

В качестве инструмента для формирования нечеткой модели использован блок «Fuzzy Logic Toolbox», встроенный в MATLAB.

Блок «Fuzzy Logic Toolbox» является мощным инструментом для работы с нечеткой логикой, обладающим рядом достоинств.

Во-первых, его инструментарий предоставляет широкий набор функций и операций для разработки и анализа нечетких систем, предлагая гибкую и удобную платформу для создания нечетких моделей и проведения различных операций, таких как определение функций принадлежности, формирование базы правил, выполнение нечеткого вывода и дефазификация.

Во-вторых, «Fuzzy Logic Toolbox» обладает хорошей интеграцией с языком программирования MATLAB, что позволяет эффективно использовать нечеткую логику в сочетании с другими алгоритмами и инструментами, доступными в MATLAB, например, блок оптимизации «Check Step Response Characteristics». Это

способствует удобству разработки и анализа нечетких систем, а также облегчает интеграцию нечеткой логики в общий рабочий процесс.

Кроме того, «Fuzzy Logic Toolbox» предоставляет возможность визуализации нечетких моделей и результатов, что облегчает понимание и интерпретацию полученных результатов. Это важно при работе с нечеткой логикой, где интерпретация и объяснение результатов играют важную роль.

Таким образом, данный блок обладает рядом достоинств, включая широкий набор функций, интеграцию с MATLAB и возможность визуализации.

В разработке применяется метод Мамдани в качестве основы для нечеткого вывода. Разработана нечеткая модель с двумя входами и двумя выходами. Для дефазификации используется метод центра тяжести.

Структура окна первичной настройки нечеткой логики в MATLAB представлена на рисунке 13.

Рисунок 13 - Первичное окно настройки нечеткой логики в блоке «Fuzzy Logic Toolbox» для ПИ регулирования

Составлены функции принадлежностей для каждого входа и выхода нечеткой модели, которые включают треугольные формы.

На рисунке 14 представлены функции принадлежности и их настройки параметров с помощью графического интерфейса блока «Fuzzy Logic Toolbox».

Рисунок 14 - Окно настройки входных функций принадлежности коэффициентов

в, Ав и выходных - Кр, К

В таблице 1 представлены соответствующие параметры функций принадлежности нечеткой составляющей регулятора.

Для установления связи между входными и выходными значениями нечеткой модели применяется база правил нечеткого вывода. Каждое правило в базе правил состоит из условия и заключения. Условие определяет комбинацию лингвистических переменных входа, которые должны быть истинными, чтобы это правило было активировано. Заключение указывает лингвистическую переменную выхода и соответствующее значение, которое должно быть связано с этой переменной при выполнении условия.

Процесс создания базы правил включает определение необходимых лингвистических переменных для входа и выхода, а также определение лингвистических термов, которые описывают значения переменных. Затем эксперт или исследователь формулирует правила, исходя из своих знаний о системе и целей управления. База правил основана на исследовании выходных

значений, полученных вариацией входных данных и итерацией по различным комбинациям правил.

Таблица 1 - Функции принадлежности нечеткой части регулятора

Нечеткая переменная Функция принадлежности Тип ФП Параметры

E ENL trapmf [-1,27 -1,06 -0,995 -0,6687]

ENM trimf [-1 -0,6667 -0,3333]

ENS trimf [-0,6667 -0,3333 0,0001425]

E_ZO trimf [-0,3334 0 0,3334]

EPS trimf [-0,000142 0,333 0,667]

E_PM trimf [0,3333 0,6667 1]

E_PL trapmf [0,6728 1 1,2 1,41]

dE DENL trapmf [-1,27 -1,06 -0,995 -0,6687]

DENM trimf [-1 -0,6667 -0,3333]

DENS trimf [-0,6667 -0,3333 0,0001425]

DEZO trimf [-0,3334 0 0,3334]

DEPS trimf [-0,000142 0,333 0,667]

DEPM trimf [0,3333 0,6667 1]

DEPL trapmf [0,6728 1 1,2 1,41]

Kp KPNL trapmf [-0,569 -0,138 0,0184 0,663]

KPNM trimf [0,0001504 0,6668 1,333]

KPNS trimf [0,6664 1,333 2]

KPZO trimf [1,333 2 2,667]

KPPS trimf [2 2,667 3,334]

KPPM trimf [2,666 3,333 4]

KPPL trapmf [3,294 4 4,706]

Ki KINL trapmf [-0,0142 -0,00344 5,1e-05 0,0166]

KINM trimf [2,584e-06 0,01667 0,03334]

KINS trimf [0,01666 0,03333 0,05]

KIZO trimf [0,03333 0,05 0,06667]

KIPS trimf [0,05 0,06667 0,08334]

KIPM trimf [0,06666 0,08333 0,1]

KIPL trapmf [0,0836 0,0997 0,102 0,116]

Один из способов получения баз правил - анализ переходных процессов. Далее по полученным данным эксперт оценивает, как влияют изменения регулируемых параметров на ошибку и скорость изменения ошибки в процессе управления. После нахождения закономерностей эксперт составляет базу правил.

Стоит отметить, что полученные лингвистические переменные обладают симметрией относительно нулевого значения ошибки рассогласования и ее производной (таблица 2.).

Таблица 2 - Нечеткие правила для корректирующих коэффициентов Кр и К

ё

Кр Положительные 0 Отрицательные

PL РМ PS 20 Ж ЫМ Ж

PL PL PL РМ PS РМ PL PL

Положительные РМ PL РМ PS PS PS РМ PL

PS РМ PS PS 20 PS PS РМ

< 0 20 PS PS 20 20 20 PS PS

ж РМ PS PS 20 PS PS РМ

Отрицательные ЫМ PL РМ PS PS PS РМ PL

ж PL PL РМ PS РМ PL PL

ё

К Положительные 0 Отрицательные

PL РМ PS 20 Ж ЫМ Ж

PL 20 20 PS РМ PS 20 20

Положительные РМ 20 PS РМ РМ РМ PS 20

PS PS РМ РМ PL РМ РМ PS

< 0 20 РМ РМ PL PL PL РМ РМ

Ж PS РМ PL PL PL РМ PS

Отрицательные ЫМ 20 PS РМ РМ РМ PS 20

ж 20 20 PS РМ PS 20 20

Ниже представлены все используемые правила нечеткой составляющей ПИ регулятора в математической форме, основанные на лингвистических условиях.

R1: если ё есть E_PL и Аё есть DEPL, то Kp есть KPPL и Ki есть KIZO, R2: если ё есть EPL и Аё есть DEPM, то Kp есть KPPL и Ki есть KIZO, R3: если ё есть EPL и Аё есть DEPS, то Kp есть KPPM и Ki есть KIPS, R4: если ё есть E PL и Аё есть DEZO, то Kp есть KPPS и Ki есть KIPM, R5: если ё есть E PL и Аё есть DE NS, то Kp есть KPPM и Ki есть KIPS, R6: если ё есть E PL и Аё есть DENM,, то Kp есть KPPL и Ki есть KIZO, R7: если ё есть E PL и Аё есть DENL, то Kp есть KPPL и Ki есть KI ZO, R8: если ё есть E PMи Аё есть DE PL, то Kp есть KP PL и Ki есть KI ZO, R9: если ё есть E PMи Аё есть DE PM,, то Kp есть KPPMи Ki есть KI PS, R10: если ё есть E PMи Аё есть DE PS, то Kp есть KPPS и Ki есть KIPM, R11: если ё есть EPM и Аё есть DE ZO, то Kp есть KP PS и Ki есть KIPM, R12: если ё есть E_PMи Аё есть DE_NS, то Kp есть KP_PS и Ki есть KI_PM, R13: если ё есть E_PMи Аё есть DE_NM, то Kp есть KP_PMи Ki есть KI_PS, R14: если ё есть E_PMи Аё есть DE_NL, то Kp есть KP PL и Ki есть KI ZO, R15: если ё есть E_PS и Аё есть DE_PL, то Kp есть KP_PMи Ki есть KI_PS, R16: если ё есть E_PS и Аё есть DE_PM, то Kp есть KP_PS и Ki есть KI_PM, R17: если ё есть E_PS и Аё есть DE_PS, то Kp есть KP_PS и Ki есть KI_PM, R18: если ё есть E_PS и Аё есть DE ZO, то Kp есть KPZO и Ki есть KI_PL, R19: если ё есть E_PS и Аё есть DE_NS, то Kp есть KP_PS и Ki есть KI_PL, R20: если ё есть E_PS и Аё есть DE_NM, то Kp есть KP_PS и Ki есть KI_PM, R21: если ё есть E_PS и Аё есть DE_NL, то Kp есть KP_PM и Ki есть KI_PS, R22: если ё есть E_ZO и Аё есть DE_PL, то Kp есть KP_PS и Ki есть KI_PM, R23: если ё есть E_ZO и Аё есть DE_PM, то Kp есть KP_PS и Ki есть KI_PM, R24: если ё есть E ZO и Аё есть DE_PS, то Kp есть KPZO и Ki есть KI_PL, R25: если ё есть E_ZO и Аё есть DE ZO, то Kp есть KP ZO и Ki есть KI_PL, R26: если ё есть E_ZO и Аё есть DE_NS, то Kp есть KP ZO и Ki есть KI_PL, R27: если ё есть EZO и Аё есть DE_NM, то Kp есть KP_PS и Ki есть KI_PM, R28: если ё есть E_ZO и Аё есть DE_NL, то Kp есть KP_PS и Ki есть KI_PM, R29: если ё есть E_NS и Аё есть DE_PL, то Kp есть KP_PM и Ki есть KI_PS, R30: если ё есть E_NS и Аё есть DE_PM, то Kp есть KP_PS и Ki есть KI_PM,

Я31: если ё есть E_NS и Дё есть DE_PS, то Кр есть KP_PS и К есть KI_PM, R32: если ё есть E_NS и Дё есть DE_ZO, то Кр есть КР_Ю и К есть KI_PL, Я33: если ё есть E_NS и Дё есть DE_NS, то Кр есть KP_PS и К есть KI_PL, Я34: если ё есть E_NS и Дё есть DE_NM, то Кр есть KP_PS и К есть К1_РМ, Я35: если ё есть E_NS и Дё есть DE_NL, то Кр есть КР_РМи К есть KI_PS, Я36: если ё есть E_NMи Дё есть DE_PL, то Кр есть KP_PL и К есть К!_7,О, Я37: если ё есть E_NM и Дё есть DE_PM, то Кр есть КР_РМ и К есть KI_PS, Я38: если ё есть E_NMи Дё есть DE_PS, то Кр есть KP_PS и К есть К1_РМ, Я39: если ё есть E_NMи Дё есть DE_ZO, то Кр есть KP_PSи К есть К1_РМ, Я40: если ё есть E_NMи Дё есть DE_NS, то Кр есть KP_PSи К есть К1_РМ, Я41: если ё есть E_NMи Дё есть DE_NM, то Кр есть KP_PMи К есть KI_PS, Я42: если ё есть E_NMи Дё есть DE_NL, то Кр есть KP_PL и К есть К!_7,О, Я43: если ё есть E_NL и Дё есть DE_PL, то Кр есть KP_PL и К есть Ш_7,О, Я44: если ё есть E_NL и Дё есть DE_PM, то Кр есть KP_PL и К есть К!_7,О, Я45: если ё есть E_NL и Дё есть DE_PS, то Кр есть KP_PMи К есть KI_PS, Я46: если ё есть E_NL и Дё есть DE_ZO, то Кр есть KP_PSи К есть KI_PM, Я47: если ё есть E_NL и Дё есть DE_NS, то Кр есть KP_PMи К есть KI_PM, Я48: если ё есть E_NL и Дё есть DE_NM, то Кр есть KP_PL и К есть К!_2О, Я49: если ё есть E_NL и Дё есть DE_NL, то Кр есть KP_PL и К есть K/_ZO.

На рисунке 15 представлена структурная схема замкнутой системы управления с нечетким ПИ регулятором и объектом управления в среде MATLAB.

Схема включает в себя несколько ключевых компонентов: объект управления, нечеткий ПИ регулятор, блок оценки ошибки, блок обновления параметров регулятора и блок вычисления сигнала управления.

Данная модель предоставляет гибкую систему управления, которая настроена для условий и требований системы, рассмотренные в четвертой главе диссертации при создании программного вычислительного комплекса управления теплового объекта.

Рисунок 15 - Схема замкнутой системы управления с нечетким ПИ регулятором с объектом управления

В схеме ошибка управления - е() = у0 ^) - у(), преобразование непрерывного сигнала в дискретный для работы блока нечеткой логики -егон (г) = 20Н(е(г), Т), дифференцирование дискретного сигнала и скорость изменения ошибки - de(n • Т) = ехон (п • Т) - ехон (п • Т - Т),

Блок нечеткой логики описывается следующим образом:

I'

= /бил (ke■ezoh >Кае-Ле) .

(31)

Управляющее воздействие и) = е^) - Р'(t) • Р • е^) +1' ^) • I • е^), обратное преобразование дискретного сигнала в непрерывный имеет вид и(;) = ZOH (и ^)).

2.2 Нечеткий квадратичный регулятор

В структуре нелинейной части нечеткого квадратичного регулятора имеются два входа: ошибка регулирования в(к) и скорость ее изменения Де^) = Дв(к) / Аt, а также выход К (рисунке 16).

Ае

Кле

Аё

ЯВ

Рисунок 16 - Структура нечеткого квадратичного регулятора

С использованием нормализующих коэффициентов Ke, Кде, фактические значения входов e, Ae преобразуются в нормализованные величины ё, Аё в пределах интервала [-1, 1]. В процессе фазификации осуществляется преобразование нормализованных входных величин ё, Аё в нечеткие переменные E, AE. Методом Мамдани для нечеткого вывода находится нечеткий выход U, основываясь на нечетких входах E и AE. Операция дефазификации преобразует нечеткий выход U в нормализованное значение и е [L, —L] на основе метода центра тяжести. Затем это нормализованное значение и умножается на коэффициент Ksk для получения действительного значения K.

Настройка нечеткой составляющей квадратичного регулятора является сложной задачей, так как имеет грубую высокоуровневую настройку коэффициента, а также низкоуровневую для улучшения качества управления.

В блоке нечеткой логики «Fuzzy Logic Toolbox» созданы два входа и один выход нечеткой модели. В качестве метода дефазификации выбран метод центра тяжести. Первичное окно настройки нечеткой логики в MATLAB представлено на рисунке 17.

Рисунок 17 - Первичное окно настройки нечеткой логики в блоке «Fuzzy Logic Toolbox»

На рисунке 18 представлено окно настройки функций принадлежностей для каждого входа и выхода нечеткой модели, включающие треугольные функции.

Рисунок 18 - Окно настройки входных функций принадлежности коэффициентов

в, Дв и выходной - К

В последующем этапе установления связи между входом и выходом нечеткой модели используется база правил системы нечеткого вывода. Каждое правило в этой базе состоит из условия и заключения.

В таблице 3 представлены типы и параметры передаточных функций нечеткой составляющей регулятора в блоке «Fuzzy Logic Toolbox».

Синтез базы нечетких управляющих правил построен на методе фазовой плоскости. Запишем переменные в непрерывной форме e(t), Аё (t), u(t), t е [0, T].

Таблица 3 - Функции принадлежности нечеткой части регулятора

Нечеткая Функция Тип ФП Параметры

переменная принадлежности

E ENB trapmf [-1,45 -1,05 -1 -0,493]

ENS trimf [-1 -0,5 0]

EZ trimf [-0,5 0 0,5]

EPS trimf [0 0,5 1]

EPB trapmf [0,506 0,999 1,16 1,34]

dE DENB trapmf [-1,45 -1,05 -1 -0,493]

DENS trimf [-1 -0,5 0]

DEZ trimf [-0,5 0 0,5]

DEPS trimf [0 0,5 1]

DEPB trapmf [0,506 0.999 1,16 1,34]

K KNVB trapmf [-1,23 -1,02 -0,987 -0,758]

K_NB trimf [-1 -0,75 -0,5]

K_NM trimf [-0,75 -0,5 -0,25]

K_NS trimf [-0,5 -0,25 0]

K_Z trimf [-0,25 0 0,25]

K_PS trimf [0,00408 0,254 0,504]

K_PM trimf [0,25 0,5 0,75]

K_PB trimf [0,5 0,75 1]

KPVB trapmf [0,762 0,999 1,03 1,2]

При непрерывном нечетком регуляторе правила выглядят следующим образом:

Rв : если е(р) есть Ев и Де (¡) есть Ев, то и(0 есть ив, (32)

где Ев, АЕви ив - нечеткие множества, характеризующие ошибку е(0, ее скорость изменения Де(t) и управление и(^ на t Е [0, Т] и принадлежащие

соответствующим терм-множествам Е Е Те, Ев Е Т, ив Е Ти с элементами -лингвистическими значениями.

На основе анализа полученных переходных и фазовых процессов определим нечеткие правила для регулятора. Процесс формирования базы правил при нечетком

квадратическом управлении включает в себя определение необходимых лингвистических переменных для входа и выхода, а также определение лингвистических термов, описывающих значения этих переменных. На рисунке 19 представлен графики переходных и фазовых процессов.

а) б)

Рисунок 19 - График а) переходного процесса, б) фазовая плоскость

Фазовая плоскость разделена на четыре области, каждая из которых обозначает переходный процесс при условиях

А1 = е > 0 и Аё < 0;

А2 = е < 0 и Аё < 0; (33)

А3 = е < 0 и Аё > 0; А4 = ё > 0 и Аё > 0.

Если ё есть Е^ и Аё есть DE_Z, то поддерживается текущее значение управления и К будет равно K_Z:

R: если ё есть Е ^ и Аё есть DE_Z, то К есть K_Z.

Если ошибка ё не уточняется, то правила в областях и ^з должны увеличивать быстродействие переходного процесса при наибольшей ошибке управления, следовательно, в областях ^2 и ^4 - предотвращать перерегулирование.

Получено, что на выходе блока нечеткой логики требуются одинаковые по своей природе, но разные по значению воздействия для каждой переменной состояния.

Следовательно, на выходе блока нечеткой логики будет один коэффициент у, а масштабирующих коэффициентов несколько. Количество этих коэффициентов зависит от порядка модели. В данном случае, это наивысшая степень характеристического уравнения. Кроме того, полученная модель нормированная, требуется определение масштабирующих коэффициентов.

Таблица 4 - Выбора нечетких правил для коэффициента K

ё / Аё NB NS Z PS PB

NB NVB NB NM NS Z

NS NB NM NS Z PS

Z NM NS Z PS PM

PS NS Z PS PM PB

PB Z PS PM PB PVB

В таблице 4 представлены лингвистические переменные для нечеткого квадратичного регулятора.

R1: если ё есть E_NB и Аё есть DE_NB, то K есть KNVB, R2: если ё есть ENB и Аё есть DE NS, то K есть K NB, R3: если ё есть ENB и Аё есть DEZ, то K есть K_NM, R4: если ё есть ENB и Аё есть DEPS, то K есть KNS, R5: если ё есть ENB и Аё есть DEPB, то K есть KZ, R6: если ё есть E NS и Аё есть DENB, то K есть KNB, R7: если ё есть E NS и Аё есть DE NS, то K есть K_NM, R8: если ё есть E NS и Аё есть DEZ, то K есть KNS, R9: если ё есть E NS и Аё есть DEPS, то K есть K Z, R10: если ё есть E NS и Аё есть DEPB, то K есть K PS, R11: если ё есть EZ и Аё есть DENB, то K есть K NM, R12: если ё есть EZ и Аё есть DE NS, то K есть K NS, R13: если ё есть E Z и Аё есть DE Z, то K есть K Z, R14: если ё есть EZ и Аё есть DEPS, то K есть KPS, R15: если ё есть E Z и Аё есть DE PB, то K есть K PM,

R16: если ё есть E PS и Аё есть DENB, то K есть KNS, R17: если ё есть E_PS и Аё есть DENS, то K есть K_Z, R18: если ё есть E_PS и Аё есть DE_Z, то K есть KPS, R19: если ё есть E_PS и Аё есть DEPS, то K есть KPM, R20: если ё есть E PS и Аё есть DE PB, то K есть K PB, R21: если ё есть E PB и Аё есть DENB, то K есть K Z, R22: если ё есть EPB и Аё есть DENS, то K есть KPS, R23: если ё есть EPB и Аё есть DE Z, то K есть K PM, R24: если ё есть EPB и Аё есть DEPS, то K есть K PB, R25: если ё есть E PB и Аё есть DE PS, то K есть K PFB

На рисунке 20 представлена структурная схема замкнутой системы управления с нечетким квадратичным регулятором с объектом управления в среде МЛТ1ЛВ.

Рисунок 20 - Схема замкнутой системы управления с нечетким квадратичным

регулятором с объектом управления

Схема включает в себя несколько компонентов: объект управления, блок нечеткой логики квадратичного регулятора, блок оценки ошибки, блок

обновления параметров регулятора и блок вычисления сигнала управления.

Задание с учетом масштабирующего коэффициента можно представить у'(г) = у0 • Ку0, ошибка управления - е() = у') - у(),

преобразование непрерывного сигнала в дискретный для работы блока нечеткой логики - еон ) = ZOH(е(1), Т), дифференцирование дискретного сигнала и

скорость изменения ошибки - de(n • Т) = егон (п • Т) - егон (п • Т - Т).

Блок нечеткой логики описывается следующим образом:

- К

м

Описание модели объекта управления в пространстве состояния -

X^) = А ■ X^) + В ■ у(), X^) = С • X X^).

= ~БНЛ (К,в20Н,Кde.de). (34)

Тогда X ^) =

X )

следовательно, и ^) = е^) - X, ^) • К'^) • К1 - Х2 ^) • К2 (t) • К2.

Обратное преобразование дискретного сигнала в непрерывный и(1) = ЮН (и ^)), у ^) = С • X (t).

В блоке нечеткой логики квадратичного регулятора коэффициенты К\ и К'2 корректируются в соответствии с лингвистическими правилами. Данная процедура адаптации коэффициентов осуществляется с целью оптимизации работы регулятора, что способствует повышению эффективности и точности управления системой. Эффективность повышается за счет правильно подобранных правил, учитывая графики переходного процесса и фазовую плоскость.

Начальные значения коэффициентов К1 и К2 вычисляются с использованием функции [К, е] = q, г), что обеспечивает базовую настройку

регулятора с учетом заданных весовых матриц W_ss, q и г, и создает основу для последующей нечеткой коррекции согласно определенным лингвистическим правилам.

Преобразование передаточной функции объекта управления в систему в

пространстве состояния с помощью встроенной MATLAB функции tf2ss/W_ss.

Кроме того, на рисунке 21 предусмотрена проверка управляемости и наблюдаемости функциями ctrb и obsv в линейно-квадратичном коэффициенте

управления обратной связи K. Значение r задается эмпирически.

W=tf(1, [app.Tl арр.Т2 1]);

W_ss=ss(W);

A=W_s s.А;

B=W_s s.B;

C=W_ss.С;

co=ctrb(A,B);

ob=obsv(A,C);

D=zeros(size(C));

q=C'*C;

r=100;

[K,S,e]=lqr(W_ssf q, r);

Рисунок 21 - Программная реализация поиска коэффициента управления

обратной связи K

2.3 ПИ регулятор с нечетким квадратичным алгоритмом корректировки

Основной идей MRAC управления является настройка параметров управляющего воздействия таким образом, чтобы выходная динамика системы соответствовала выходной динамике заранее определенной эталонной модели. Этот метод обеспечивает стабильное и точное отслеживание требуемого выходного сигнала в условиях изменяющихся параметров или неопределенности в системе.

В работе предлагается синтез гибридного метода управления, в основе которого присутствует ПИ регулятор и разработанный нечеткий квадратичный алгоритм корректировки. Данная схема замкнутой системы управления имеет простую структуру и схожа с MRAC управлением, что позволяет минимизировать интегральный критерий качества, поддерживая заданную точность, перерегулирование и время переходного процесса за счет дополнительного нечеткого квадратичного регулятора и коэффициента gamma, отвечающего за скорость адаптации и влияния одного регулятора на другой, корректируя ошибку в реальном времени.

Преимущество дополнительного нечеткого квадратичного алгоритма

корректировки заключается в способности учитывать нелинейности и неопределенности, присущие реальным системам. Нечеткие логические правила в нечетком квадратичном алгоритме корректировке позволяют адаптировать управляющее воздействие в реальном времени, исходя из текущих условий системы, что делает этот тип регулятора эффективным инструментом для обеспечения устойчивости и высокой производительности в динамически меняющихся системах.

На рисунке 22 представлена схема замкнутой системы управления на основе ПИ регулятора с нечетким квадратичным алгоритмом корректировки, содержащего коэффициент адаптации gamma и объект управления.

Рисунок 22 - Схема замкнутой системы управления ПИ регулятора с нечетким

квадратичным алгоритмом корректировки

Корректируемое задание можно представить у'(^) = у0 • £, ошибку -

) = уУ)- УХ*) пРи () = У1()- У2(), а также£() = -gamma■ Уг^)■ ^().

Особенность данной схемы заключается в возможности изменения скорости адаптации при помощи изменения коэффициента у для минимизации квадратической ошибки выходного сигнала за счет использования дополнительно нечеткого квадратичного регулятора при изменении режимов технологического процесса.

Модернизация данного алгоритма управления представлена в четвертой главе.

2.4 Выводы по главе

1. Предложена схема замкнутой системы управления с нечетким ПИ регулятором с объектом управления в МЛТ1ЛВ - Simulink.

2. Составлены таблицы с выбором типа и параметров функций принадлежности, выбора нечетких правил для корректирующих коэффициентов нечеткого ПИ регулятора, описывающих значения этих переменных. Показано, что лингвистические переменные обладают симметрией относительно нулевого значения ошибки рассогласования и ее производной.

3. Сформулирована база правил для вычисления коэффициентов нечеткого ПИ регулятора.

4. Предложена схема замкнутой системы управления с нечетким квадратичным регулятором с объектом управления в МЛТЬЛВ - Simulink.

5. Составлены таблицы с выбором типа и параметров функций принадлежности, выбора нечетких правил для корректирующих коэффициентов нечеткого квадратичного регулятора.

6. Сформулирована база правил для вычисления коэффициентов нечеткого квадратичного регулятора.

7. Предложена схема гибридной замкнутой системы управления технологическим объектом с использованием ПИ регулятора и нечеткого квадратичного алгоритма корректировки.

8. Показано, что нечеткие логические правила позволяют адаптировать управляющее воздействие, исходя из данных функционирования исследуемого объекта управления в реальном времени.

ГЛАВА 3. АНАЛИЗ ФИЗИО-ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА ИНКУБАЦИИ

3.1 Обусловленность выбора сферы с актуальной проблемой управления тепловыми процессами

Инкубация куриных яиц представляет собой сложный биотехнический процесс, требующий тщательного контроля и управления различными параметрами. В ходе инкубации могут возникнуть различные технологические проблемы, которые оказывают влияние на вывод яиц.

Одной из важных составляющих успешной инкубации является поддержание оптимальной температуры, влажности и вентиляции в инкубационном шкафу. Отклонения от соответствующих значений могут привести к негативным последствиям для развития эмбриона, срокам вывода и уровню эмбриональной смертности. Неправильное освещение влияет на циклы активности эмбриона, что приводит к различным физиологическим аномалиям. Неисправности в инкубационном оборудовании вызывают большую погрешность при поддержании микроклимата в инкубационном шкафу, что в свою очередь существенно влияет на вывод. Использование некачественных яиц, таких как поврежденные скорлупой или старые яйца, наличие бактерий в инкубаторе или на поверхности яиц приводит к инфекциям, повышая возможный процент смертности эмбрионов. Некорректные методы обработки яиц или чрезмерные манипуляции при переворачивании могут повредить эмбрионы.

Однако наибольший возможный процент смертности при инкубации куриных яиц приходится на поддержание нестабильной температуры в инкубационном шкафу в первые этапы инкубации. Установление правильных температурных уставок при инкубации яиц является критическим аспектом для успешного вывода птенцов.

Проблемы с установкой температурных параметров могут возникнуть при недостаточной точности и калибровки датчиков температуры инкубационного

шкафа, значительных колебаниях температуры в окружающей среды во время продолжительного осмотра яиц в процессе инкубации, неправильных методах регулирования.

Следующая проблема заключается в обширном количестве тепловых профилей. Тепловой профиль отражает изменение температурных уставок в зависимости от конкретного периода инкубации, кросса, возраста несушки. Применение тепловых профилей предоставляет возможность создания оптимальных условий для развития зародыша на каждом этапе инкубации, что способствует более успешному выводу цыплят и повышает выживаемость потомства.

Точность и стабильность температурных уставок существенны для обеспечения правильного развития зародыша внутри яйца. Различные стадии развития требуют разных температурных условий, и несоблюдение этого приводит к нарушениям в формировании органов и систем у будущих цыплят.

Контроль температуры также имеет экономическое значение, поскольку успешная инкубация прямо связана с производительностью стада и общей эффективностью птицеводства. Неудачи в инкубации могут привести к финансовым потерям и ухудшению общих показателей хозяйства.

С учетом этих факторов, правильный выбор уставок температуры при инкубации куриных яиц представляет собой баланс между техническими, биологическими и экономическими аспектами, требующий внимательного мониторинга и адаптации к условиям конкретного производства. Он является ключевым элементом обеспечения здоровья и выживаемости будущего поголовья и определяет успешность птицеводческого предприятия в целом.

3.1.1 Введение

Промышленное птицеводство является важной отраслью агропромышленного комплекса Российской Федерации. Согласно официальным статистическим данным, Российская Федерация является одним из крупнейших

производителей птицеводческой продукции в мире. Промышленное птицеводство имеет большое значение для экономики страны, так как обеспечивает население высококачественной и доступной птицеводческой продукцией, а также является важным экспортным товаром.

Однако, как и многие другие отрасли сельского хозяйства, промышленное птицеводство сталкивается с некоторыми проблемами и вызовами, такими как высокие затраты на кормление птицы, конкуренция с импортированной продукцией, а также проблемы в области здоровья и благополучия животных. Для того чтобы решить эти проблемы и обеспечить стабильный рост отрасли, необходимо проводить системную работу в области улучшения технологий, снижения затрат и повышения качества продукции.

Одним из важных этапов в промышленном птицеводстве является инкубация куриных яиц. В настоящее время под термином искусственной инкубацией следует понимать технологию получения здорового суточного молодняка птицы. Результаты круглогодовой инкубации зависят от многих факторов и требуют равномерного производства инкубации яиц, установления научно обоснованного и проверенного практикой соблюдения технологических параметров инкубации: поддержания температурного режима инкубационного шкафа в соответствии с эмбриональным развитием цыпленка и его температурой на протяжении всего процесса инкубации, процентного содержания влажности и концентрации углекислого газа в объекте управления, контроля качества яйца, вентиляции, оборота яиц. Кроме того, важно также отбирать яйца, отвечающие определенным критериям качества, такие как размер, форма, целостность скорлупы и т.д.

Современные промышленные инкубаторы обладают высокой степенью автоматизации, что позволяет существенно повысить эффективность инкубации и снизить затраты на производство птицы. Кроме того, существуют различные методы и технологии, направленные на улучшение качества яиц и продуктивности птицы, такие как использование специальных кормовых добавок и генетических методов селекции.

Современные режимы поддержания параметров управления инкубации находятся в активной стадии модернизации и продолжают улучшаться за счет исследования физиологических закономерностей эмбрионального развития цыпленка, обеспечения и организации конвейера закладок при выводе молодняка в совокупности правильного подбора параметров управления инкубационным шкафом.

Кроме того, для обеспечения эффективной инкубации, необходимо применять различные методы управления параметрами. Один из наиболее распространенных методов — это использование нечеткой логики для управления температурными режимами. Этот метод позволяет более точно определять оптимальные значения параметров управления в реальном времени, учитывая изменения внешних условий и особенности конкретной породы кур. Для более точной и эффективной инкубации применяются методы управления влажностью и вентиляцией, которые требуют регулярной калибровки оборудования и мониторинга параметров инкубации. Все эти методы в совокупности обеспечивают оптимальные условия для развития эмбрионов и способствуют повышению производительности в промышленном птицеводстве.

3.1.2 Этапы инкубации и развитие эмбриона

Производственный процесс инкубации яиц принято разделять на две части - инкубация яиц и вывод цыплят. Исследователи сходятся во мнении, что первая часть может условно делиться на пять периодов, связанных с эмбриональным развитием [91]:

• I этап - период с первого по второй день инкубации, когда происходит формирование зародыша;

• II этап - период с третьего по пятый день инкубации, длина зародыша увеличивается до 16 мм;

• III этап - период с шестого по десятый день инкубации, длина зародыша увеличивается с 16 мм до 18 мм;

• IV этап - период с 11 по 15 день инкубации, длина зародыша увеличивается с 18 мм до 58,3 мм;

• V этап - период с 16 по 18 день инкубации, исчезает белок, длина зародыша увеличивается с 62 мм до 73 мм.

В процессе инкубации куриных яиц важно контролировать температуру скорлупы яйца на каждом этапе технологического процесса. Температура скорлупы напрямую зависит от возраста птицы, от которой получено яйцо. В первые два дня инкубации на первом этапе развития эмбриона, яйца от старых птиц подвержены более высокой температуре, чем яйца от молодых птиц.

Следуя технологическому процессу, яйцо может полноценно развиваться в оптимальных условиях, как показано в таблице 5.

Таблица 5 - Температура режимы в инкубационном шкафу

Температурные режимы по данным технологического регламента в инкубационном шкафу «Aviagen», °С

Этапы развития эмбриона I II III IV V

Дни инкубации 1 - 2 3 - 5 6 - 10 11 - 15 16 - 18

Перегрев 38,6 - 39,4 38,5 - 39,4 38,4 - 39,4 38,4 - 39,4 38,5 - 39,4

Риск перегрева 38,2 - 38,6 38,2 - 38,5 38,2 - 38,4 38,2 - 38,4 38,2 - 38,5

Оптимальные условия 37,7 - 38,2 37,5 - 38,2 37,5 - 38,2 37,5 - 38,2 37,5 - 38,2

Риск задержки вывода 37,2 - 37,7 37,2 - 37,5 37,2 - 37,5 37,2 - 37,5 37,2 - 37,5

Задержка вывода 36,1 - 37,2 36,1 - 37,2 36,1 - 37,2 36,1 - 37,2 36,1 - 37,2

Во втором и третьем этапах эмбрионального развития температура скорлупы яйца остается постоянной. Однако, на четвертом и пятом этапах температура скорлупы яйца вновь изменяется в соответствии с возрастом птицы [92].

В процессе инкубации яйца выделяют тепло [93], что требует соответствующего регулирования температуры, пропорционально понижая ее в инкубационном шкафу.

Если температура яйца находится в пределах границы «риска перегрева», то резко нарушается технологический процесс эмбрионального развития, приводящий к ускоренному выводу цыплят. В конце первого периода формируется бластодиск - первоначальный зародыш, который состоит из двух слоев клеток. За это время формируются органы и системы органов будущего цыпленка.

Очень важно контролировать «Риск перегрева» и «Риск задержки вывода» на первом и втором этапах эмбрионального развития курицы, поскольку именно на этих этапах формируются основные органы и ткани (ОиТ), такие как спинной (СМ) и головной мозг (ГМ), предсердие (ПС) и сердце (С), скручивание сердечной трубки (ССТ), двенадцатиперстная кишка (ДК), печень (ПЧ), система органов дыхания (СОД), предпочка (ППП), первичная почка (ППЧ), гипофиз (ГП), поджелудочная железа (ФПЖ), репродуктивная система (ФРС) и ее дифференциация (ДРС). Начинают формироваться первоначальные элементы щитовидной железы (ПЗЩ), кровеносной системы (ПК) и скелета (ФСК), а также происходит первоначальное развитие надпочечников (ПРН).

«Перегрев» или «задержка выхода» на этих этапах могут привести к мутациям или даже к смерти эмбриона, поскольку может произойти прилипание эмбриона к скорлупе яйца.

На этапах третьего и четвёртого периодов эмбрионального развития происходит формирование органов, таких как бронхи (БР), надпочечники (Н), щитовидная железа (ФЩЗ), орган поджелудочной железы (ФОПЖ), постоянная почка (ППоЧ), а также происходит тиреотропная (ГТА) и гонадотропная активация гормонов (ГГА). Чтобы обеспечить правильное развитие эмбриона, необходимо периодически охлаждать яйца в процессе инкубации, открывая двери инкубатора до 20 - 30 минут дважды в день и понижая температуру поверхности скорлупы до 30 - 34 °С, с последующим медленным восстановлением

температуры до необходимого уровня. На этапах третьего и четвёртого периодов вариативность поддержания температуры в инкубаторе может быть выше, так как в природе куры временами покидают гнезда в поисках пищи, однако неблагоприятные условия, такие как недостаток кислорода или питания, могут отрицательно сказаться на развитии зародыша и привести к неполноценному выводу цыплят. Динамика физио развития эмбриона представлена в таблице 6.

Таблица 6 - Физиологическое развитие эмбриона

Этапы развития эмбриона I II III IV V

Дни инкубации 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Физиологическое развитие эмбриона ДК

ПЧ

БР

СОД

ППП

шш

ССТ ППоЧ

ПС С

ГП

ГГА

ГТА

ПЗЩ

ФЩЗ

НРН

Н

ФПЖ

ФОПЖ

ФРС

ДРС

ОиТ

ПК

ПГЯ

СМ