«Автоматизация и информатизация ТЭК»

Использование нейронных сетей для идентификации приближенных моделей котлоагрегата, функционирующего в разных режимах

УДК: 681.5.015
DOI: -

Авторы:

¹ Самарский государственный технический университет, Самара, Россия

Ключевые слова: идентификация по частотным характеристикам, идентификация приближенных моделей, моделирование процессов теплообмена, котел-утилизатор, нейронные сети

Аннотация:

В качестве объекта идентификации выступает котел-утилизатор, функционирующий в нескольких режимах работы. Описан подход, который комбинирует традиционные методики идентификации приближенных моделей по частотным характеристикам и нейронные сети. Котел-утилизатор является многомерной термодинамической системой с нелинейными характеристиками. Для создания многомерной динамической модели котла-утилизатора используется авторегрессионная сеть с внешним входом. Нейросетевая модель обучена и протестирована на данных, полученных в процессе эксплуатации реальной установки, и учитывает изменение основных технологических параметров во всех допустимых диапазонах. В вычислительных экспериментах по получению частотных характеристик используется нейросетевая модель котла-утилизатора взамен реального воздействия на объект. По результатам вычислительного эксперимента были получены частотные характеристики нейросетевой модели в нескольких режимах работы. По частотным характеристикам нейросетевой модели проведена идентификации структуры и параметров приближенных моделей. В статье описаны нейросетевая модель котла-утилизатора, процедура идентификации приближенных моделей по частотным характеристикам нейросетевой модели, результаты идентификации приближенных моделей для разных режимов работы.

Список литературы:

1. O'Dwye A. PID compensation of time delayed processes 1998–2002: a survey // Proceedings of the 2003 American Control Conf., Denver, CO, USA, June 4–6, 2003. Vol. 2. – P. 1494–1499. – DOI: 10.1109/ACC.2003.1239802
2. Глущенко А.И. Нейросетевая адаптивная настройка регуляторов для управления нестационарными технологическими объектами в металлургии: дис. … д-ра техн. наук: 05.13.06. – Воронеж, 2021. – 304 с.
3. Теличенко Д.А., Никольский Д.И. Математические модели для одного класса сложных инерционных объектов с изменяющейся динамикой и запаздыванием // Ученые заметки ТОГУ. – 2016. – Т. 7, № 3-1. – С. 142–151.
4. Пикина Г.А., Пащенко Ф.Ф. Идентификация переходных характеристик объектов в человеко-машинных системах // Информатика и системы управления. – 2013. – № 3(37). – С. 53–59.
5. Шумихин А.Г., Бояршинова А.С. Применение нейросетевых динамических моделей в задачах параметрической идентификации технологического объекта в составе системы управления // Вестн. ПНИПУ. Химическая технология и биотехнология. – 2015. – № 3. – С. 21–38.
6. Шумихин А.Г., Александрова А.С., Мустафин А.И. Параметрическая идентификация технологического объекта в режиме его эксплуатации с применением технологии нейронных сетей // Вестн. ПНИПУ. Электротехника, информ. технологии, системы управления. – 2018. – № 26. – С. 29–41.
7. Идентификация постоянных параметров динамических систем частотно-временным методом / В.Н. Овчаренко, Е.В. Данилевич, Н.И. Кухаренко [и др.] // Изв. РАН. Теория и системы управления. – 2018. – № 4. – С. 3–12. – DOI: 10.31857/S000233880002509-8
8. Александров А.Г., Паленов М.В. Состояние и перспективы развития адаптивных ПИД-регуляторов // Автоматика и телемеханика. – 2014. – № 2. – С. 16–30.
9. Данилушкин И.А., Колпащиков С.А., Лысенко Д.С. Динамическая модель водогрейного котла утилизатора // Вестн. Самар. гос. техн. ун-та. Серия: Технические науки. – 2023. – Т. 31, № 2(78). – С. 31–42. – DOI: 10.14498/tech.2023.2.3
10. Данилушкин А.И., Данилушкин И.А. Численно-аналитическая модель транспортировки газа по линейному участку газопровода // Изв. Томского политехн. ун-та. Инжиниринг георесурсов. – 2015. – Т. 326, № 12. – С. 96–103.
11. Головко Н.А., Логунова О.С. Оценка архитектуры искусственных нейронных сетей для моделирования процессов нагрева стальной полосы на агрегате непрерывного горячего цинкования // Вестн. НТУ "ХПИ". – 2012. – № 62(968). – С. 33–39.
12. Мишулина О.А., Трофимов А.Г. Нейросетевое моделирование распределенных процессов энерговыделения в активной зоне реакторной установки // Нейрокомпьютеры: разработка, применение. – 2007. – № 9. – С. 57–70.
13. Горбаченко В.И., Алкезуини М.М. Моделирование объектов с распределенными параметрами на нейронных сетях // Модели, системы, сети в экономике, технике, природе и обществе. – 2019. – № 4(32). – С. 50–64.
14. Горбаченко В.И., Катков С.Н. Использование мемристорных сетей для решения дифференциальных уравнений в частных производных // Модели, системы, сети в экономике, технике, природе и обществе. – 2016. – № 4(20). – С. 97–107.
15. Практическая реализация применения нейросетевых моделей для моделирования сложных газотранспортных систем большой размерности / Н.А Кисленко, С.Н. Панкратов, В.В. Дедкова [и др.] // Автоматизация и информатизация ТЭК. – 2024. – № 9(614). – С. 33–41.
16. О возможности использования технологии машинного обучения для моделирования компрессорной станции магистрального газопровода / А.В. Олейников, В.А. Шевченко, А.В. Белинский, А.В. Малетин // Автоматизация и информатизация ТЭК. – 2024. – № 6(611). – С. 35–45.