Методы и модели идентификации и управления объектами химических производств на основе нейросетевых моделей тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Александрова Анна Сергеевна

• Александрова Анна Сергеевна
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Александрова Анна Сергеевна

Введение

Глава 1. Анализ современных подходов к реализации систем автоматического регулирования на промышленных предприятиях

Выводы по первой главе:

Глава 2. Нейросетевое моделирование динамических объектов

2.1. Создание нейросетевой модели динамического объекта

2.2. Нейросетевое моделирование динамического имитационного объекта с запаздыванием

2.3. Нейросетевое моделирование лабораторного объекта

2.4. Нейросетевое моделирования технологического объекта

2.5. Нейросетевое моделирование управляемого объекта

2.6. Нейросетевое моделирование имитационного управляемого динамического объекта

2.7. Нейросетевое моделирование лабораторного управляемого объекта

2.8. Нейросетевое моделирование промышленного управляемого объекта

Выводы по второй главе

Глава 3. Упреждающее комбинированное управление динамическим объектом по его нейросетевой модели

3.1. Концептуальная модель упреждающего комбинированного управления динамическим объектом по его нейросетевой модели

3.2. Описание алгоритма блока поиска

3.3. Вычислительный эксперимент на имитационном объекте

3.3.1. Описание имитационного объекта

3.3.2. Сравнение алгоритмов классического и нейросетевого управления

Выводы по третьей главе

Глава 4. Идентификация технологического объекта управления методом активного эксперимента на его нейросетевой модели

4.1. Концептуальная модель процесса идентификации

4.1.1. Идентификация объектов с использованием ступенчатого испытательного воздействия

4.1.2. Идентификация объектов с использованием случайного испытательного воздействия

4.1.3. Идентификация объектов с использованием периодического (синусоидального) испытательного воздействия

4.1.4. Аппроксимация экспериментальной комплексной частотной характеристики передаточной функцией

4.2. Идентификация динамического объекта по его нейросетевой модели с использованием ступенчатого испытательного сигнала

4.2.1. Имитационный объект

4.2.2. Лабораторный объект

4.2.3. Промышленный технологический объект

4.2.4. Объект в составе системы автоматического регулирования

4.3. Идентификация динамического объекта по его нейросетевой модели с использованием случайного испытательного сигнала

4.3.1. Имитационный объект

4.3.2. Лабораторный объект

4.3.3. Промышленный технологический объект

4.3.4. Объект в составе системы автоматического регулирования

4.3.5. Лабораторный объект в составе системы автоматического регулирования

4.3.6. Промышленный технологический объект в составе системы автоматического регулирования

4.4. Идентификация динамического объекта по его нейросетевой модели с использованием периодических испытательных сигналов

4.4.1. Имитационный объект

4.4.2. Лабораторный объект

4.4.3. Промышленный технологический объект

4.4.4. Объект в составе системы автоматического регулирования

4.4.5. Лабораторный объект в составе системы автоматического регулирования

4.4.6. Промышленный технологический объект в составе системы автоматического регулирования

Выводы по четвертой главе

Глава 5. Пример идентификации управляемого технологического объекта

5.1. Описание технологического процесса

5.2. Построение нейросетевой модели технологического процесса

5.2.1. Обучение нейронной сети

5.2.2. Построение модели системы регулирования

5.2.3. Построение прогнозирующей нейросетевой модели управляемого объекта

5.3. Идентификация объекта по его нейросетевой модели

5.3.1. Выбор параметров испытательного сигнала

5.3.2. Вычислительный эксперимент на нейросетевой модели

5.3.3. Обработка результатов вычислительного эксперимента по идентификации

5.3.4. Идентификация экспериментальной комплексной частотной характеристики

Выводы по пятой главе:

Заключение

Список сокращений

Список литературы

Приложение А Программная реализация алгоритма выбора объема обучающей выборки и структурных параметров ИНС

Приложение Б Тренды параметров технологического объекта теплообменника подогрева аммиака производства аммиака и метанола

Приложение В Тренды параметров процесса поддержания температуры газосырьевой смеси на выходе печи П-1 установки каталитического риформинга фракции нефти с предварительной гидроочисткой исходного сырья

Приложение Г Корреляционные функции параметров процесса поддержания температуры газосырьевой смеси на выходе печи П-1

Приложение Д Свидетельство о государственной регистрации программы для ЭВМ SineWaveldent

Приложение Е Акты внедрения результатов кандидатской (диссертационной) работы Александровой Анны Сергеевны

Введение диссертации (часть автореферата) на тему «Методы и модели идентификации и управления объектами химических производств на основе нейросетевых моделей»

Введение

Непрерывные технологические процессы как объекты управления являются многосвязными и характеризуются, как правило, инерционностью каналов управления и контролируемых возмущений, постоянным изменением динамических характеристик в течение эксплуатации и наличием непрогнозируемых возмущений со стороны внешней среды. Такие процессы присущи крупным перерабатывающим производствам, отличающимся высоким уровнем автоматизации на базе современных распределенных систем управления. Высокие требования к стабильности значений показателей качества производимой продукции и промышленной безопасности обеспечиваются в этих условиях высокой точностью поддержания управляемых технологических переменных процессов. Для этих целей применяются методы и алгоритмы современной теории управления с применением адаптации или комбинированных разомкнуто-замкнутых систем регулирования.

При адаптивном подходе требуется знание модели объекта управления в той или иной форме. Для настройки алгоритмов управления разомкнуто -замкнутых систем регулирования требуется идентификация соответствующих каналов объекта, например передаточными функциями (ПФ). Часто проведение активного эксперимента с целью построения модели объекта или получения ПФ каналов технологического объекта невозможно из соображений безопасности или по другим техническим причинам, что исключает множество известных методов идентификации объектов. По результатам же пассивного эксперимента не всегда можно получить адекватную реальному объекту модель. При этом получение достаточно точного математического описания объекта управления аналитически для сложных технологических объектов с большим количеством взаимосвязанных переменных без активного эксперимента практически невозможно или связано с большими материальными и временными затратами. Поэтому разработка методов моделирования и идентификации многопараметрических управляемых технологических объектов, позволяющих минимизировать вмешательство исследователя в работу системы управления, остается актуальной задачей.

Одним из эффективных способов исследования при разработке алгоритмов управления динамическими объектами является моделирование с использованием нейронных сетей (НС), обучаемых на регистрируемых значениях переменных. НС может быть применена в качестве инструмента моделирования технологического объекта при адаптивном управлении, либо в качестве инструмента при идентификации взаимосвязей технологических переменных автоматизированных объектов. Рекуррентные НС с временными задержками входных сигналов и сигналов обратных связей позволяют моделировать поведение многопараметрических динамических инерционных объектов с чистым запаздыванием, каковыми обычно являются управляемые объекты перерабатывающих отраслей промышленности. Нейросетевое моделирование (НС-моделирование) позволяет использовать преимущества методов пассивного эксперимента, т.е. минимизировать вмешательство в работу системы управления на этапе сбора данных об исследуемом объекте. Нейросетевая модель (НС-модель) может быть использована для проведения на ней опытов активного вычислительного эксперимента, которые невозможны на реальном объекте в режиме его эксплуатации.

Степень разработанности темы. В области теории управления вопросам моделирования и идентификации технологических объектов посвящены работы В.В. Кафарова, P. Eickhoff, L. Lyung, В.Я. Ротача, Т.Н. Гартмана, В.А. Лотоцкого, В.И. Веревкина и др. Применению НС в алгоритмах управления посвящены работы Ю.Н. Хижнякова (нейросетевой регулятор), Е.А. Муравьевой (модельно -предикторное управление), В.И. Васильева (адаптивное управление). В работах В.И. Васильева показана возможность идентификации технических объектов с применением НС. Разработке теоретических и прикладных основ технологии искусственных НС, вопросам их применения в задачах моделирования динамических объектов посвящены работы S. Haykin, В.В. Круглова, М.И. Дли, И.М. Макарова и др. Теорема Хехт-Нильсена доказывает представимость функции многих переменных достаточно общего вида с помощью двухслойной НС. S. Haykin показал, что рекуррентные сети могут аппроксимировать достаточно широкий класс нелинейных динамических систем. При этом из

литературных источников не установлены достаточно обоснованные методы проектирования НС, за исключением рекомендаций, разработанных для некоторых классов задач. Недостаточно освещены вопросы построения НС-моделей управляемых объектов рассматриваемого класса, выбора структуры искусственной НС и формирования обучающей выборки. Не разработаны методологические основы применения НС-модели технологического объекта в качестве инструмента для идентификации технологического объекта.

Освещение в диссертации поставленных вопросов позволяет разработать методы, модели и алгоритмы идентификации и управления технологическими объектами, в том числе функционирующими в составе замкнутых систем управления, на основе применения технологии искусственных НС.

Объектом исследования являются непрерывные контролируемые процессы, протекающие в управляемых технологических объектах химических производств.

Предметом исследования являются методы и модели идентификации и управления технологическими объектами.

Целью диссертационной работы заключается в решении важной научной задачи - повышение качества функционирования систем автоматического управления на основе методов и моделей идентификации и управления технологическими объектами с применением НС-моделей процессов их функционирования.

В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:

- разработка метода построения НС-моделей динамических объектов химических производств, включающего этапы сбора и анализа экспериментальных данных о технологическом объекте;

- разработка концептуальной модели упреждающего комбинированного управления динамическим объектом непосредственно по его НС -модели;

- разработка концептуальной модели идентификации технологического объекта на основе НС-моделирования;

- разработка метода и алгоритмов идентификации технологического управляемого объекта на основе его НС-модели;

- апробация результатов исследования, проведение вычислительных и натурных экспериментов, подтверждающих корректность разработанных методов и моделей идентификации и управления.

Научная новизна. В работе получены следующие новые научные результаты:

- впервые разработан метод аппроксимации управляемых непрерывных технологических процессов, особенностью которого является применение НС-моделирования, включающий анализ и обработку экспериментальных данных, выбор структурных параметров НС для ее эффективного проектирования;

- впервые разработана концептуальная модель системы идентификации управляемых объектов непрерывных технологических процессов, отличающаяся от существующих применением НС-модели объекта;

- впервые разработан метод идентификации каналов измерения переменных непрерывных управляемых технологических процессов ПФ, отличающийся от существующих проведением вычислительных экспериментов на НС-модели управляемого объекта, включающий выбор требуемых параметров испытательных сигналов.

Теоретическая значимость заключается в развитии методов идентификации непрерывных управляемых технологических процессов, основанных на их НС-моделировании и последующем вычислительном эксперименте на модели, что представлено концептуальной моделью идентификации. Разработаны методы анализа и обработки экспериментальных данных об управляемом технологическом объекте, построения НС-модели, проведения вычислительных экспериментов на НС-модели и обработки результатов вычислительного эксперимента.

Практическое значение работы заключается в программной реализации алгоритмов предложенных методов и методике определения параметров ПФ по каналам возмущающих и управляющего воздействий технологических объектов управления, реализующей концептуальную модель идентификации и

предложенные методы, предназначенной для использования при проектировании и наладке автоматизированных систем управления технологическими процессами (АСУ ТП), а также в разработке концептуальной модели упреждающего комбинированного управления динамическим объектом непосредственно по его НС-модели.

Выполненные исследования базируются на методах теории управления, теории вероятностей и случайных процессов, математическом моделировании динамических систем, в том числе с использованием технологии искусственных НС.

Положения, выносимые на защиту:

- метод построения НС-модели технологического объекта, в том числе в составе системы автоматического регулирования, учитывающий особенности формирования обучающей последовательности регистрируемых значений переменных технологического объекта (п. 4, 6 паспорта специальности);

- концептуальная модель упреждающего комбинированного управления динамическим объектом непосредственно по его НС-модели (п. 15 паспорта специальности);

- концептуальная модель идентификации технологического объекта на основе НС-моделирования (п. 6, 11 паспорта специальности);

- метод идентификации управляемого технологического объекта на основе его НС-модели (п. 6 паспорта специальности);

- результаты апробации предложенных подходов к идентификации каналов контролируемых возмущающих и управляющих воздействий управляемых промышленных объектов (п. 4, 6, 11 паспорта специальности).

Области исследования соответствуют п. 4, 6, 11, 15 паспорта научной специальности 05.13.06 - Автоматизация и управление технологическими процессами и производствами (в промышленности).

Достоверность и обоснованность научных результатов и выводов основаны на адекватности математических моделей объектов реальным объектам и соответствии полученных результатов экспериментальным данным. Достоверность и обоснованность подтверждена результатами вычислительных

экспериментов и натурных экспериментов на лабораторной и промышленных технологических установках.

Публикация результатов. По теме диссертационной работы Александровой А.С. опубликовано более 16 научных работ, 6 из них в ведущих рецензируемых научных изданиях, в том числе 2 в изданиях, индексируемых в международных базах цитирования Web of Science и Scopus, 1 свидетельство о государственной регистрации программы для ЭВМ.

Апробация работы. Основные результаты работы обсуждались на XVI Международной научно-технической конференции «Кибернетика и высокие технологии XXI века», г. Воронеж, 2015; I Международной научно-технической конференции «Автоматизация в электроэнергетике и электротехнике», г. Пермь, 2015; VIII Международной научно-практической конференции молодых ученых «Актуальные проблемы науки и техники», г. Уфа, 2015; IX научно-технической конференции молодых ученых и специалистов ООО «ЛУКОЙЛ-Пермнефтеоргсинтез», г. Пермь, 2016; Всероссийской научно-технической конференции «Автоматизированные системы управления и информационные технологии» г. Пермь, 2016; Всероссийской научно-технической конференции «Автоматизированные системы управления и информационные технологии» г. Пермь, 2017; X научно-технической конференции молодых ученых и специалистов ООО «ЛУКОЙЛ-Пермнефтеоргсинтез», г. Пермь, 2017; Всероссийской научно-практической конференции «Химия. Экология. Урбанистика», г. Пермь, 2017.

Реализация и внедрение результатов работы. Работа по теме диссертации выполнялась в рамках специального именного гранта Некоммерческой организации «Благотворительный фонд «ЛУКОЙЛ» для молодых преподавателей высших учебных заведений. Разработанные методы и модели идентификации управляемого технологического объекта в замкнутой системе на основе технологии искусственных НС внедрены в ООО «ЛУКОЙЛ-Пермнефтеоргсинтез» в виде разработки «Методика определения параметров передаточных функций каналов передачи технологических объектов управления», применяемой при выполнении проектов реконструкции (модернизации) АСУ ТП

действующих производств, что подтверждается актом о внедрении результатов исследования в производство. В частности, в примере применения методики рассмотрена идентификация процесса поддержания температуры газосырьевой смеси на выходе печи П-1 установки каталитического риформинга фракции нефти с предварительной гидроочисткой исходного сырья. Результаты идентификации позволяют оптимизировать алгоритм регулирования с уменьшением максимальной абсолютной ошибки регулирования в 1.5 раза и среднего квадратичного отклонения (СКО) в 2.6 раза, что снижает потери продукта на гидрокрекинг и повышает срок службы катализатора. Время на идентификацию объекта, в сравнении с активным экспериментом на объекте, сократилось на 8085%. Результаты работы внедрены также в учебный процесс кафедры «Оборудование и автоматизация химических производств» Пермского национального исследовательского политехнического университета в рамках лабораторных работ профильной дисциплины «Искусственные нейронные сети и нечеткая логика в задачах контроля и управления» программы магистратуры «Автоматизация и управление химико-технологическими процессами и производствами» направления 15.04.04 «Автоматизация технологических процессов и производств».

Глава 1. Анализ современных подходов к реализации систем

автоматического регулирования на промышленных предприятиях

На современных промышленных предприятиях химической отрасли непрерывно ведется работа по повышению эффективности производства, за счет повышения качества и снижение себестоимости готовой продукции, сокращения затрат на потери продукта и на энергоносители [1-2]. В последние годы все чаще эти задачи решаются за счет совершенствования систем автоматизации технологических процессов [3-7]. В настоящее время отмечается повышенное внимание к качеству функционирования алгоритмов регулирования, вопросам их настройки и адаптации в практических условиях [8-9].

Наблюдается значительный спрос на внедрение стратегий улучшенного управления технологическими процессами ( Advanced Process Control, APC) [1015], в том числе технологий упреждающего предиктивного управления по моделям (Model Predictive Control, MPC) [8, 16-24] и адаптивных алгоритмов регулирования [25-26]. Вопросам теории и практики автоматического управления, в том числе адаптивного управления, посвящены работы В.Я. Ротача, Е.Г. Дудникова, Я.3. Цыпкина, С.В. Емельянова, Н.С. Райбмана, И.Б. Ядыкина, Л.А. Растригина и др.

За счет стабилизации технологического процесса, APC позволяет поддерживать необходимые параметры технологического процесса ближе к заданному значению, сокращая СКО измеряемого параметра от заданного значения, что позволяет оператору сместить среднее значение ближе к установленному пределу путем регулировки задания регулятору [27]. При этом риски временного выхода за эти пределы снижаются или являются постоянными. Приближение среднего значения регулируемого параметра к оптимальному значению повышает эффективность протекающего процесса. Среди разработчиков программных продуктов, реализующих функции APC на промышленных предприятиях можно назвать: ABB, Honeywell, Emerson, Invensys, Siemens, Yokogawa [8] Программные продукты представленных зарубежных разработчиков являются дорогостоящими с закрытыми алгоритмами и моделями. Для настройки APC-систем проводятся испытания непосредственно на

промышленном объекте. Обычно испытания проводятся в течение 24 часов при участии инженеров АСУ ТП, которые контролируют оборудование в течение всего периода испытаний. Осуществляются некоторые малые воздействия на измеряемые параметры, результаты анализируются и составляются предварительные модели. Данные модели используются для определения параметров для более подробных испытаний, где выполняется серия случайных малых шагов (обычно 10-20 шагов), связанных с регулируемыми параметрами, и далее анализируется их воздействие на измеряемые параметры. Опыт разработчиков показывает, что в зависимости от реализации, система усовершенствованного управления может сократить СКО на 40-90%.

Алгоритмы упреждающего управления по модели (MPC) позволяют решать проблемы нелинейности объекта управления, наличие транспортного запаздывания, наличия взаимосвязанных параметров [20-24]. Такие алгоритмы имеют в своем составе модель объекта, которая используется для прогнозирования состояния объекта. На каждом такте работы регулятор вводит в модель текущие значения измеренных входных величин и либо решает задачу оптимизации по модели и заданному критерию, либо перебирает на модели различные варианты будущих управляющих воздействий на некоторое число тактов. В первом случае вычисляется оптимальное управляющее воздействие, а во втором выбирается наилучшее в смысле некоторого критерия управляющее воздействие среди рассмотренных вариантов. Сопоставление полученных после реализации управляющего воздействия выходов модели и объекта позволяет оценить точность модели и определить момент ее адаптации. Качество работы такого регулятора во многом зависит от точности модели объекта. Некоторые регуляторы такого класса оснащены блоком адаптации модели.

Так же активно ведется работа по внедрению адаптивных алгоритмов управления [28-33]. Ряд зарубежных представителей реализуют адаптивные ПИ и ПИД регуляторы в одноконтурном и многоконтурном представлении [8]. Адаптивность в таких алгоритмах достигается путем применения модели объекта в составе алгоритма, представленной в явном или неявном виде. Существуют алгоритмы адаптивного регулирования для объектов с настроечными

параметрами, изменяющимися пропорционально некоторой измеряемой или вычисляемой величине, а также для случая, когда известна зависимость настроечных коэффициентов регулятора от параметров модели объекта. Такой подход требует построения моделей технологических процессов и постоянной их актуализации.

В [34] В.Я. Ротач показывает некорректность самой идеи текущей идентификации, а применение активных методов адаптации неизбежно ухудшает качество управления.

Так или иначе, совершенствование систем автоматического управления связано с совершенствованием подходов к построению модели объекта и идентификации [9, 35-36]. С развитием систем, реализующих алгоритмы усовершенствованного управления, и повышенным вниманием к эффективности функционирования традиционных алгоритмов регулирования, вопросы моделирования и идентификации объектов управления становятся особенно актуальными. В настоящее время широкое распространение получили модели, прогнозирующие показатели качества выходных продуктов в режиме реального времени [2, 37-38].

Теоретическим и прикладным основам методов моделирования и идентификации технологических объектов в России посвящены работы Я.3. Цыпкина [39], Н.С Райбмана [40], Аржакова М.В. [41], В.Я. Ротача, Н.Н. Бахтадзе, В.А. Лотоцкого. Научным основам моделирования химико-технологических процессов посвящены труды В.В. Кафарова [42]. Развитию теории и методов идентификации за рубежом посвящены работы П. Эйкхоффа [43] и Л. Льюнга [44].

Построению аналитических моделей химико-технологических процессов посвящены работы Т. Н. Гартмана [45]. Создание аналитических моделей требует больших материальных и временных затрат, при этом такого рода модели редко могут быть использованы для настройки алгоритмов управления технологическим объектом без дополнительной их адаптации в реальном времени к конкретным условиям [46].

Широко известны методы активной идентификации, когда на исследуемый объект оказывают воздействие испытательным сигналом различной формы. Например воздействие ступенчатым сигналом с получением переходной характеристики объекта по исследуемому каналу является достаточно простым для реализации методом идентификации, кроме того существует множество программных продуктов и алгоритмов обработки результатов такого эксперимента. При этом воздействие ступенчатым сигналом является самым не желательным с точки зрения устойчивости САР. Так же известны методики идентификации при воздействии на объект периодическими и случайными испытательными сигналами с заданными характеристиками. Существенная проблема активной идентификации, наиболее распространенной и надежной методики идентификации моделей, заключается в технических ограничениях возможности применения данных методов. Ограничения, как правило, вызваны невозможностью физической реализации испытательного сигнала на входе объекта или недопустимостью отключения системы управления технологическим объектом для проведения экспериментов [47]. При идентификации путем проведения активного эксперимента необходимо обеспечить стабилизацию всех влияющих сигналов кроме испытательного сигнала, что практически не возможно для реальных промышленных объектов, подверженных влиянию множества различного рода воздействий. Одним из способов идентификации в условиях помех является использование специальных методов постобработки измерений [48]. Проведение активного эксперимента на действующем промышленном объекте априори увеличивает риск ухудшения качества функционирования технологического объекта, что ведет к ухудшению готовой продукции и увеличению расхода ресурсов, а также возрастает угроза безопасности для опасных промышленных объектов.

Широко известны методы пассивного эксперимента для построения модели объекта. Например, идентификация объектов на базе дискретного преобразования Фурье [49]. В [34] показаны недостатки пассивного подхода к идентификации. Особенно затруднительно получить удовлетворительную модель объекта по данным его нормальной эксплуатации для объекта, находящегося в составе

системы автоматического управления. Недостатки такого подхода к определению характеристик каналов регулирования только по данным нормальной эксплуатации объясняется отклонениями статистических свойств контролируемых переменных от предпосылок, лежащих в основе известных математических методов идентификации многомерных объектов [50]. Известные методы моделирования и идентификации по результатам пассивного наблюдения не позволяют построить адекватную математическую модель технологического объекта при наличии обратных связей в цепи управления и недостаточной дисперсии входных воздействий в ходе нормальной эксплуатации. В [34] В.Я. Ротач показал невозможность применения методов классической теории идентификации к объектам, находящимся в составе системы автоматического управления. В таких условиях нарушается основная предпосылка о независимости входного воздействия от возмущения. Т.о. применение методов активной идентификации является вынужденной необходимостью. Необходимо стремиться оптимизировать саму процедуру активной идентификации, минимизируя отрицательное влияние на процесс управления процедурой идентификации путем сокращения времени проведения активного эксперимента, уменьшения амплитуд испытательных сигналов, а также путем взаимной компенсации влияния испытательных сигналов.

Разработка методов моделирования и идентификации многопараметрических, управляемых технологических объектов, позволяющих минимизировать вмешательство исследователя в работу системы управления, является актуальной задачей [51].

Применение технологии искусственных рекуррентных НС с запаздыванием позволяет использовать преимущества методов пассивного эксперимента для моделирования многопараметрических технологических объектов, в том числе управляемых, минимизирует вмешательство в работу системы управления на этапе сбора данных об испытательном объекте, не требуя конкретных форм испытательных сигналов, а используя уже имеющуюся в базе данных РСУ информацию, например тренды сигналов в период нештатных ситуаций, существенных возмущающих воздействий, смены режима работы объекта и т.п..

Также такой подход позволяет автоматизировать процесс адаптации модели к изменению в технологическом режиме, используя архивные данные, хранящиеся в базе данных РСУ.

Разработке теоретических и прикладных основ технологии ИНС, вопросам их применения в задачах моделирования динамических объектов посвящены работы В.В. Круглова, М.И. Дли [52]. А.Н. Колмогоровым и В.В. Арнольдом в 1957 году была доказана теорема о представимости непрерывных функций нескольких переменных суперпозицией непрерывных функций одной переменной [53-54], которая в 1987 году Хехт-Нильсеном была сформулирована для НС [5556]. Теорема доказывает представимость функции многих переменных достаточно общего вида с помощью двухслойной НС с прямыми полными связями с п нейронами входного слоя, (2п+1) нейронами скрытого слоя с заранее известными ограничениями функции активации и т нейронами выходного слоя с неизвестными функциями активации [57].

Теорема, таким образом, в неконструктивной форме доказывает решаемость задачи представления функции произвольного вида на НС и указывает для каждой задачи минимальные числа нейронов, необходимых для ее решения [57]. Известны и другие подобные зависимости структурных параметров НС от количества входных сигналов [52]. Т.о. функционирование НС зависит от величины синаптических связей [52]. Показано, что рекуррентные сети могут аппроксимировать достаточно широкий класс нелинейных динамических систем [58].

Список литературы диссертационного исследования кандидат наук Александрова Анна Сергеевна, 2019 год

ч /

111111 у

"V III Ш1 1Ш УII

80

О

79.5

79

78.5

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

4

время, с

х 10

29.5 г

Температура сырья на тройник смешения, ТЖ1 -13-5 -РУ

™ „ 1 ми

\

\

"1 1 |Ц| 11 ^ -У*'1'

'Уи^ иш 1 ШУ 1 пГ

29

28.5

и

28

27.5

27

0 0.2 0.4 0.6

0.8 1 1.2 время, с

1.4 1.6 1.8 2

4

х 10

Давление мазута, РШБА2-81-РУ

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8

время, с

х 10

Давление топливного газа на основную горелку, РШ5А2-73-РУ

2

Давление топливного газа на пилотную горелку, PIRSA2-71-PV

0.8 1 1.2 время, с

1.4 1.6 1.8

х 10

1.9 г

1.85

1.8

Давление топливного газа, PIRCA2-53-PV

Л 1 г ( Л А- ^/ч. 1

J МП 11 ч/ \/\<>

& 1.75 сз ю

1.7

1.65

1.6

0 0.2 0.4 0.6

0.8 1 1.2 время, с

1.4 1.6 1.8

х 10

37.4 г

37.2

37

а й

ю 36.8

Давление ВСГ на тройник смешения, PIR2-25-PV

|

а Ал г^уЛл/. \а/ ч/ ^ал V

и 1' V

Уу

36.6

36.4

2

2

Давление сырья на тройник смешения, Р1К2-13-РУ

36.6

Л

й 36.4 ю

36.2 I

ЛчЛ

в£--V

N

36

0 0.2 0.4 0.6

0.8 1 1.2 время, с

1.4 1.6 1.8 2

4

х 10

31.8 31.7 31.6 31.5

I 314

31.3 31.2 31.1 31

Давление газосырьевой смеси на выходе печи, РШБА2-07-РУ

||Г|\|,Г

У1*

0 0.2 0.4 0.6

0.8 1 1.2 время, с

1.4 1.6

1.8 2

4

х 10

7.7 г

Давление топливного газа, РШС2-05-РУ

^ /1 /ч гч,. А лч,.

чЯ/ / У V \ ' V V Ч "V Л V

7.65

а

сЗ Ю

7.6 '

7.55 е

850 г

800

Расход топливного газа, FIR3-89-PV

/а

750

СГ

3 700 «

650

600

т\

550

0 0.2 0.4 0.6

0.8 1 1.2 время, с

1.4 1.6

1.8

х 10

Расход ВСГ мимо тройника смешения, FIRC3-85-PV

3020 3010 3000 2990 СГ 2980 щ 2970 2960 2950 2940 2930

0 0.2 0.4 0.6 0.8 1 1.2

время, с

1.4 1.6

1.8

х 10

9200

9100

9000

8900

8800

8700

Расход ВСГ на тройник смешения, FIRSA3-64-PV

2

2

Расход мазута из печи, FIR3-24-PV

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8

время, с

х 10

Расход мазута в печь, FIR3-23-PV

7.56

7.54

7.52

►г 7.5 15

7.48 7.46 7.44

7.42

1пИ—Нь

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8

время, с

х 10

Расход сырья на тройник смешения, FIRCSA3-06-PV

54.15

^ 54.05

3"

^ 54

0.2 0.4

2

2

Приложение Г

Корреляционные функции параметров процесса поддержания температуры

газосырьевой смеси на выходе печи П-1

Р1Я8А2-07-РУ - ТЖС8А1-09-0Р РШ2-13-РУ - ТЖС8А1-09-0Р РШ2-25-РУ - ТЖС8А1-09-0Р

ТЖ8А1 -46-1-РУ - ТЖС8А1-09-0Р ТЖ8А1-46-2-РУ - ТЖС8А1-09-0Р ТЖ8А1-46-3-РУ - ТЖС8А1-09-0Р

ПЯС8А3-06-РУ - ТШС8А1-09-0Р 0.2 г

0.15 0.1 0.05 0

-0.05

ж

-100

100

ТГОЛ-13-5-РУ - ТШС8А1-09-0Р -0.405

-0.41 -0.415 -0.42 -0.425 -0.43 -0.435

-100

100

ПЯ8А3-64-РУ - ТШС8А1-09-0Р 0.45 г

0.4 0.35 0.3 0.25 0.2

-100

100

ПЯС3-85-РУ - ТШС8А1-09-0Р 0.45 г

0.4 0.35 0.3 0.25 0.2

ТТОЛ-17-7-РУ - ТШС8А1-09-0Р 0.5 г

0.45

0.4

0.35

-100

100

-100

100

ТШ1-17-9-РУ - ТШС8А1-09-0Р 0.26 г

0.25 0.24 0.23 0.22 0.21 0.2

-100

100

0

0

0

0

0

0

TIR1-13-S-PV - TIRCSA1 -09-OP

PIRCA2-53-PV - TIRCSA1-09-OP

FIR3-24-PV - TIRCSA1-09-QP

PIRSA2-73-PV - TIRCSA1-09-OP PIRSA2-71-PV - TIRCSA1 -09-OP

PIRC2-05-PV - TIRCSA1-09-OP TIR1-36-PV - TIRCSA1-09-OP

Приложение Д

Свидетельство о государственной регистрации программы для ЭВМ

SineWaveIdent

Приложение Е

Акты внедрения результатов кандидатской (диссертационной) работы

Александровой Анны Сергеевны

УТВЕРЖДАЮ Первый ja-меститель

ерального директора - Главный инженер «ЛУКОЙЛ-Н ермнефте орреянтеэ»

8. В, Братчикоп

•/it:/^ 2019 г. /

АКТ

о виет ренин результатов ли« ерташгонпон работм Александров ой Анны Сергеевны, прелетав. leniioii ii Li саискаяяв ученой степени кшандаптешнчнкш наук

Комиссия в составе:

Председатель; PR ЖкгаЙлов - Гласный метролог ООО осЛУКОЙЛ^Пермнефтеоргсинтезь; Члены комиссии: Э.Р. Мургазин Ведущий специалист по АСУ TU ООО «ЛУКОШ1-

П е рми ефтеоргеи] 1тез»; В_£!. ЗОЛьинкоа - Начальник службы АСУ ТП ООО «Инфраструктура ГК», составила настоящий акт о том, что результаты диссертационной работы Алсксаилришж A.C., выполненной в Пермском национальном исследовательском политехническом университете при научном руководстве А.Г. Шумкхина, д-ра техн. наук, профессора, внедрены в ООО «ЛУКОЙЛ-Пермнефтеоргсиптеэ» и производство работ, соответствующих этапу ] „ I. «Обследование объекта н обоснование необходимости создания АС» стадии 1 «Формирование требований к АС», этапам 2-1- «Изучение объекта» и 2.2 «Проведение необходимых научно-исследовательских работ» стации 2 «Разработка коннепнии АС», этапу 7.7. «Проведение опытной эккплувпцнн» стадии 7 «Ввод в действие», этапу 8.2, «Послегарантийное обслужила! int» стадии S «Сопровождение А Си по ГОСТ 34.601-У0 «Информационные технологии, Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания», в виде разработки «Методика определения параметров передаточных функций каналов передачи технологических объектов управления^, применяемой

при выполнении проектов реконструкции (модернизации) АСУ ТТТ

действующих производств.

Разработанная на основании подхода, изложенного и диссертационной работе Алеакандровай A.C., методика и с о отсутствующие компьютерные программы поэволяеот:

— при анализе функционирования объектов управления устала в ли вп jl степень корреляционной зависимости входных и выходных переменных каналов передач;

— аппроксимировать изменения значений регистрируемых не ременных (временные тренды) динамической нсйросстсыой моделью для использования в вычислительном эксперименте по эмуляции поведения объекта при проведении научно 'исследовательских работ не? его автоматизации;

- приводить вычисли теп ыт ы й эксперимент на нейроертевой модели объекта управления с целью определении частотных характеристик каналов передачи объекта;

- обрабатывать результаты вычислительного эксперимент с целью идентификации каналов передачи объекта передаточными функциями;

Страница I из 2

- iiuio.iLtottiLi ь. мри iici4i\o;]iiмости, полученные нейросе1сы>к' модели ue посредством! m u составе алгоритмов усоверикнсгваБанно-го управления:

Эффективность применения методики при проичводетне paéior чак: почисти я:

- в возможности автоматической идентификаций ©бъекта управления в режима нормальной эксплуатации, не вмешиваясь в работу действующей системы упри клеишь используя информацию о функционировании объенга. хранящуюся и существующей базе данных рас п ределенной системы у п равнения ;

- в обеспечении оперативной реконфигурации (настройки) алгоритмов системы автоматического регулирования инженером АСУ ТП, позволяющей выполнить анализ п Esufinp опткмйвьной архитекторы, обеспечивающей требуемое качество се функционирования;

- в сокращении времени {человеко-часов), необходимого на актуализацию настроечных параметров алгоритмов системы автоматического регулировании. лс менее чем ни Н0% (эффект увеличивается с ростом количества контуров регулирования);

- в применении методики для идентификации контура регулирования температуры газосырьевой смеси на выходе печи блока гидроочистки сырья промышленной установки, одагедаря чему выполнена параметрическая настройка алгоритма регулирования, позволившая уменьшить максимальную абсолютную ошибку регулирования в 1.5 раза н cpe.il гее квадратичное отклонение в 2.6 раза, сократить время на идентификацию объекта, в сравнении с активным экспериментом на объекте, на 80-85%.

Председатель:

Главный метролог ООО «ЛУКОЙЛ-рермнефтеоргсютз^

Члены комиссии:

Ведущий специалист по АСУ Tí I ООО «ЛУКОЙЛ-Пермнефгеоргсинтез»

Начальник службы АСУ TI [ ООО ('Инфраструктура ТК»

■ Р.В Жигййлов !

! Э^КМуртазмн /

/ U.B. Зольников /

УТВЕРЖДАЮ

Проректор по учебной работе о национального ледоюгел некого штек (веского та

'Лобов Н.Н. I « /3 » щЛ^П^ 2019г. АКТ

внедрения в учебный процесс кафедры «Обору долин не и автйматгиоцнн химических нрошводап в» ФГБОУ НО Парме а и й национальным исследова/нильский пол итехн ический университет результатов диссертации Александровой Анны Сергеевны на тему кМегоды и модели идентификации исправления объектами химических производств на ос но не

11ейросетев ых моде л сй»

Комиссия в составе;

Председатель; Рябов В,Г', - доктор технических наук, профессор, декан факультета химических

технологий, промышленной экологии и биотехнологий Члены комиссия: М-ошев Е.Р- - доктор технических: наук, доцент, заведующий кафедрой «Оборудование и автоматизация химичесхи*-. производств Вялых И. А. - кандидат технических наук, до дел ] кафедры «Оборудование и аи юматизацна Химическим производств»

составили настоящий акт с том, что результаты диссертационного исследования Александровой Айны Сергеевну внедрены в учебный процесс кафедры «Оборудование и автоматизация химических производств» ФГБОУ ВО Пермский национальный псслелш&тельскпй I юл н панический университет и рамках лабораторных рабог профильной дисциплины ¿Искусственнее нейронные сети н нечеткая логика в задачах ко и ] ролл н управления № магистратуры направления 15.04.04 «Автоматизация технологических процессов и производств' (магистерская программа «Автоматизация и управление я им ино -технологическим и процессами н про ичпод сгвам и я).

Результаты диссертационной работы были использованы в разработанных и внедренных п учебный процесс лабораторных работах исследовательского типа.

1, «Формулирование проблем контроля и управления ь терминах нейронных сетей и целью выбора структуры нейронной сети». В работе формируются знании и владения подходами к разработке систем автоматического управления с применением нейросетевых технологий с использованием пакетов программ. лабораторной работе использованы следующие результаты диссертационной работы:

» Концептуальная модель системы идентификации управляемых объектов непрерывных технологических процессов на основе нейросстевого мо^е.тировдй^л их функционирования. • Разработанная концепту альнащ модель у пр с ¡кдаю те го комбинированного управления динамическим объектом непосредственно по его нейросегевой модели.

Страница I )■ 11

«Э^виы проектирования и исследования нейронной сети с использованием специализированного пакета компьютерной среды», В работе (|юрмирук>тся знания и владения методами Проектирования нейриесчеиий модели с использованием пакетов программ. В лабораторкОЙ рапоте исщильчованы следующие результаты диссертационной работы:

* Оригинальный метод аппроксимации функционирования многое вяз ных управляемых непрерывны?! технологические процессов на основе нейросетевого моделирования временных рчло& регистрируемых переменных, включающий анализ и обрайотк). экспериментальных данные, алгоритм выбора структурных параметров нейронной сети для ее ^ффект иьни! о проектирования.

* Разработанные алгоритмы анализа и обработки экспериментальных данных об управляемом тех ни логическом <1<л>екте.

3, «Освоение пакетов прикладных программ разработки искусственных нейронных сетей в спсиналттзированной компьютерной среде)'. В работе формируются знания к владения навыками применения нейросетелых моделей с использованием расширения пакетов программ В лабораторной работе использованы следующие результаты диссертационной работы:

* Оригинальный метод идентификации калалоа евычи р^ОДНЫХ и аыхОДНьИ переменных непрерывных управляемых технологические процессов передаточными функциями, основанный на вычн с лктелъ но(ш эксперименте на их нсирссстевых моделях, включаю шин алгоритмы анализа временных радов обучающей нейронную сеть последовательности, при выборе параметров испытательных сигналов и ьиноритмы обработки результатов вычислительного эксперимента:

* Разработанный алгоритм обработки результатов вычислительного жеиеримепш.

Эффект от внедрения результатов диссертационной работы заключается в повышении уровня

знаний, умений и владений в рамках формирования профессиональных компетенций в соответствии е ФГОС по направлению голпото&ки 15.04.04 «Автоматизация технологических процессов и проичволсти» (магистерская программа «Автомагтизация и управление химика-технологическими процессами и производствами №).

Председатель комиссии:

декан факультета химических технологий. Промышленной экологии и биотехнологий.

доктор технических наук,, профессор

I В.]' Гяоон ■

Члены комиссии:

заведующий кафедрой «Оборудование и автоматизация химических произведете», доктор технически* наук, доцент

доцещ кафедры «Оборудование к автоматизация химических производств», кандидат технических нат. к

Странная 2 ми 2