автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Разработка математического и программного обеспечения нейросетевых алгоритмов адаптивных АСР

На правах рукописи

0050&Оі««

Шаровин Игорь Михайлович

РАЗРАБОТКА МАТЕМАТИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ АДАПТИВНЫХ АСР

05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям: энергетика)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 6 МАЙ Ш

Москва-2013

005058166

Работа выполнена на кафедре Автоматизированных систем управления тепловьми процессами ФГБОУ ВПО Национального исследовательского университета «МЭИ».

Научный руководитель:

Официальные оппоненты:

кандидат технических наук, доцент кафедры Автоматизированных систем управления тепловыми процессами Национального исследовательского университета «МЭИ» Смирнов Николай Иванович

доктор технических наук, профессор кафедры «Промышленная автоматика» Московского государственного университета технологий и управления им. К.Г. Разумовского Солдатов Виктор Владимирович

кандидат технических наук, генеральный директор ООО «Плантматик» Гришин Константин Александрович

Ведущая организация: ОАО "Фирма ОРГРЭС"

Защита диссертации состоится «23» мая 2013 г. в 14 часов 00 минут в малом актовом зале на заседании диссертационного совета Д212.157.14 при Национальном исследовательском университете «МЭИ» по адресу 111250, г. Москва, Красноказарменная ул., дом 17.

Отзывы в двух экземплярах, заверенные печатью организации, просим присылать по адресу: 111250, Москва, Красноказарменная ул., дом 14, Ученый совет НИУ «МЭИ».

С диссертацией можно ознакомиться в библиотеке «НИУ «МЭИ»

Автореферат разослан «22» апреля 2013 г.

Ученый секретарь

диссертационного совета Д212.157.14 кандидат технических наук, доцент

В.П. Зверьков

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

Современный уровень развития автоматизации характеризуется неуклонной интенсификацией технологических процессов, увеличением мощности единичных агрегатов, повышением требований к качеству процессов управления, увеличением доли нестационарных и нелинейных объектов управления. Типичным становится случай, когда отсутствует точное математическое описание технологического объекта или со временем происходит изменение его параметров неизвестным образом в широких пределах.

Автоматические системы регулирования (АСР), реализуемые в автоматизированных системах управления технологическими процессами (АСУ 111) с фиксированными настроечными параметрами, во многих случаях уже не могут обеспечить качественного, а иногда и просто устойчивого управления. В подобных условиях большими возможностями обладает адаптивный подход к построению АСР. Адаптивные системы являются бурно развивающеюся областью современной теории управления, что отражает объективную тенденцию современной автоматизации к решению все более сложных и универсальных задач управления теплоэнергетическими процессами.

Цель диссертационной работы

Исследование возможности применения искусственных нейронных сетей (ИНС) для задач параметрической идентификации теплоэнергетических объектов регулирования и адаптивной коррекции настроечных параметров реализуемых регуляторов.

Для достижения цели решается ряд задач:

1) Разработка общей структуры адаптивной АСР на базе искусственных нейронных сетей;

2) Исследование критериев оптимальной настройки регуляторов с построением линий заданного запаса устойчивости (М=соиж/) в плоскости настроечных параметров регуляторов и нанесением поверхностей отклика критериев оптимальности для доказательства корректности полученных расчетных значений;

3) Синтез тренировочных множеств с применением полного факторного эксперимента и специально введенным коэффициентом интервала варьирования для обучения нейросетей идентификации и адаптации;

4) Исследование возможности обучения адаптивных нейросетей несколькими видами обучающих выборок, минимизирующих рассматриваемые в работе критерии качества;

5) Синтез адаптивных нейросетей, воспроизводящих функциональную зависимость между параметрами объекта регулирования и настроечными параметрами регулятора с возможностью изменения частотного показателя колебательности;

6) Проведение опытных испытаний с реализацией адаптивной АСР на базе ИНС в программируемом логическом контроллере (ПЛК) для демонстрации состоятельности методики синтеза предлагаемой структуры адаптивной АСР и возможность её реализации на производстве.

Методы исследований

Для решения поставленных задач применялись численные методы имитационного моделирования с использованием эволюционного алгоритма многопараметрической многоэкстремальной оптимизации, методы математического моделирования, методы планирования эксперимента, а также современные технологии искусственного интеллекта.

Научная новизна

Предложена методика обучения искусственных нейросетей с помощью тренировочных множеств, состоящих из одного или нескольких полных

факторных экспериментов. Синтезированы нейросети, реализующие параметрическую идентификацию объекта регулирования по его переходной характеристике, а также нейросети для решения задач параметрической адаптации настроечных параметров в АСР для ряда стандартных регуляторов как в одноконтурной, так и в многоконтурной АСР, с возможностью варьирования частотного показателя колебательности.

Основные положения и результаты, выносимые на защиту

• методика обучения нейросетей для задач параметрической идентификации и адаптации;

• реализация нейросетей параметрической идентификации объекта с самовыравниванием и нейросетей адаптации настроечных параметров рассматриваемых регуляторов;

• реализация, получивших на практике наибольшее распространение, АСР для теплоэнергетических процессов на базе адаптивных систем с использованием нейросетевых компонент;

• реализация адаптивной АСР в ПЛЕС программно-технического комплекса (ЛТК) АСУ Ш.

Практическая значимость

Для сокращения времени пуско-наладочных работ необходимо не только располагать исходными данными об исследуемом объекте регулирования, но и автоматизировать процесс оптимальной настройки АСР должным образом. Обеспечить систему требуемым запасом устойчивости, добиться высокого качества регулирования. Предложенные автором алгоритмы работы для адаптивной АСР на базе искусственных нейронных сетей позволяют:

• производить оптимальную настройку регулятора уже после первого эксперимента, проведенного непосредственно на объекте регулирования;

• вычислять оптимальные настроечные параметры для реализованных регуляторов при изменении условий эксплуатации;

• синтезировать ряд типичных для теплоэнергетической отрасли АСР на базе разработанных методик;

• реализовывать разработанное программное обеспечение на любом ПТК, поддерживающим языки программирования согласно МЭК 61131-3.

Апробация работы и публикации

Результаты научных исследований по теме диссертационной работы докладывались и обсуждались на заседании кафедры АСУ ТП НИУ «МЭИ», на двадцать четвертой международной научной конференции «Математические методы в технике и технологиях» (г. Киев, 2011 г.), на третьей научно-практической конференции «Совершенствование качества и безопасности отечественных продуктов питания, как важный аспект в развитии АПК в период кризиса» (г. Можайск, 2010 г.), на пятнадцатой, шестнадцатой, семнадцатой, восемнадцатой и девятнадцатой международных научно-технических конференциях студентов и аспирантов "Радиоэлектроника, электротехника и энергетика" (г. Москва, 2009,2010,2011,2012, 2013 гг.).

Основные положения диссертации отражены в 13-ти публикациях, в том числе четыре публикации в научных журналах, две из которых опубликованы в рецензируемом ВАК РФ журнале «Промышленные АСУ и контроллеры».

Структура и основное содержание диссертации

Работа состоит из введения, пяти основных глав, заключения. Исследование включает в себя 64 рисунка, 23 таблицы, 12 формул и 6 приложений. Объем работы составляет 206 страниц, список литературы содержит 111 наименований.

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследования, показаны его научная новизна и практическая значимость, дано краткое изложение работы.

В первой главе проведен аналитический обзор различных подходов к задачам автоматизированного и адаптивного управления, представлено краткое описание каждого рассмотренного метода. Выделены достоинства и

недостатки, присущие каждой из рассматриваемых методик. Обозначен качественный рост производительности микропроцессорных контроллеров, позволяющий применять все более эффективные алгоритмы адаптивного управления непосредственно в ПЛК. Отмечено, что решение задачи адаптивного управления с применением ИНС, как для идентификации объекта регулирования, так и для адаптивной настройки регуляторов является перспективным направлением для исследований.

•Во второй главе приводится расширенное описание структур реализуемых регуляторов, для адаптивной настройки которых синтезируются искусственные нейронные сети.

настроечных параметров к ,ки при различных значениях кд с нанесенными

точками минимума рассматриваемых критериев оптимальности (1Д -т.1, /д. -т.2, 1м - т.З) для идеального ПИД регулятора

Рассматриваются вопросы выбора показателей качества регулирования. Демонстрируются, как частный случай, расчеты оптимальной настройки ГШ и идеального и реального ПИД регуляторов на рассматриваемые критерии качества регулирования (таблица 1), приводятся графические результаты

проведенного исследования (поверхности отклика анализируемых критериев качества с нанесением линий заданного запаса устойчивости (рисунок 1), переходные процессы и амплитудно-частотные характеристики). Произведен синтез присоединяемых программ для расчета оптимальных настроечных параметров рассматриваемых регуляторов.

Таблица 1 - Результаты поиска оптимальных настроечных параметров

идеального ПИД регулятора

№ Критерий оптималь- Настроечные параметры Значения критериев оптимальности

точки ности к Р к и т 7л 7*-103 I м

1' I л 8.08 1.491 44.1 5.42 5.46 0.067 1.38

1 2 8.95 1.398 40.3 6.40 4.51 0.72 1.18

3' I м 9.16 1.251 37.3 7.32 4.07 0.80 0.067

В третьей главе описывается структура предлагаемой адаптивной системы регулирования (рисунок 2), рассматриваются алгоритм введения системы в работу, и процедура определения параметров идентифицируемой модели и настроечных параметров регулятора в процессе адаптации на базе численных методов, с использованием алгоритма оптимизации.

Рисунок 2 - Структурная схема адаптивной АСР

Предлагаемая адаптивная АСР состоит из следующих блоков: БОН ИДЕНТ. - блок обучения нейросети идентификации;

ИНС ИДЕНТ. - искусственная нейросеть идентификации, реализующая функциональную зависимость ординат переходного процесса и его импульсной переходной характеристики с параметрами объекта регулирования выбранной модели идентификации;

БОН АДАПТ. - блок обучения нейросети адаптации (в данном блоке происходит формирование обучающих выборок для обучения нейросети, расчет оптимальных настроечных параметров реализуемых регуляторов);

'ИНС АДАПТ. - искусственная нейросеть, реализующая функциональную зависимость, связывающую настроечные параметры реализуемого регулятора с параметрами идентифицированной модели объекта.

На рисунке 2 пунктирной линией показана граница реализации функциональных блоков в циклических программах программируемого логического контроллера.

Приводится описание типичного для теплоэнергетической отрасли переходного процесса (рисунок 3), полученного в результате проведения активного эксперимента.

05

06

0.4

0.2

20

40

60

І, сек

Рисунок 3 - Переходный процесс объекта с самовыравниванием

По полученной реализации производится параметрическая идентификация объекта регулирования. Передаточная функция предлагаемой аппроксимирующей модели для объекта с самовыравниванием записывается в следующем виде:

Приведена методика проведения полного факторного эксперимента по

созданию обучающих выборок для обучения нейросетей идентификации и адаптации с использованием коэффициента интервала варьирования.

Параметры объекта регулирования к0,То,то (при фиксированном п),

полученные на этапе параметрической идентификации, представляются центром проведения полного факторного эксперимента. Планирование эксперимента производится в трехмерной системе координат на двух уровнях, обеспечивающих ортогональность матрицы планирования. Автором предлагается, в зависимости от способности объекта изменять внутренние свойства, расширять или сужать интервалы варьирования Ах. с помощью

специально введенного коэффициента к:

ЛхГх.0-к,

х1н=х10~Лх1> х1в=х10+Лх1'

где х.д - базовая точка, к - коэффициент интервала варьирования, Ах- -интервал варьирования, х-н и х- д нижние и верхние уровни факторов.

у(1)\ ., . . I 1 у(1)г

0.05

80 I, с

а) б)

Рисунок 4 - Переходные процессы (а) и их производные по времени (б) с

нанесением реперных точек через равные промежутки времени для

определения постоянной времени объекта регулирования

Путем последовательного перебора всех возможных сочетаний уровней

варьирования (для одного полного факторного эксперимента) составлена

полная матрица планирования, состоящая из 8-ми входных (параметры объекта к

регулирования, получаемые в ходе факторного эксперимента) и 8-ми выходных (ординаты точек графиков, полученных в результате построения переходных процессов (рисунок 4,а) и соответствующих им производным первого порядка (рисунок 4,6)) наборов данных для обучения нейросети идентификации.

Количество реперных точек, входящих в обучающую выборку, для воспроизведения каждого параметра объекта регулирования должно определяется видом переходного процесса. Процедура определения достаточного количества реперных точек для обучения нейросети носит итерационный характер. Как показали исследования, проведенные автором, для передаточной функции вида (1) с различными п=1-3, с типичным для теплоэнергетических объектов видом переходного процесса (рисунок 3), достаточным является использование 11-ти, стоящих через равные промежутки времени, реперных точек переходного процесса и импульсной переходной характеристики.

Модель обучающей выборки, состоящая из одного полного факторного эксперимента с варьированием всех параметров идентифицируемой модели, представлена в таблице 2.

Таблица 2 - Модель обучающей выборки для тренировки нейросети

идентификации

Параметр, воспроизв одимый ИНС № Точки обучения ИНС (П - переходный процесс, Д - производная)

1 2 8

П д П д П д

То 1 У1, УЬ, УЬ Ук УЬа

2 У2, У2д, У^ У2н У*. УЪв

п уп, уп2 УЩ2 ущ Упда

1 ¡аи!, 1аи1д1 ?аи12 Ши1д2 ?аи1% 1аи!д8

2 ¡аи2. /аи2д1 ¡аи22 Ши2д2 1аи2ь 1аи2дв

п /аип, ¡аип 2 /аипд2 ¡аипа 1аипдв

В ходе исследования, для параметрической идентификации объекта

11

регулирования, опытным путем была выбрана полностью связанная, прямонаправленная двухслойная нейронная сеть с линейными активационными функциями нейронов (рисунок 5).

В качестве критерия обучения рассматриваемой нейросети, для каждого параметра, в отдельности, было определено выражение:

где х. - заданное значение параметра объекта регулирования, х"нс - значение

параметра объекта регулирования, найденного нейросетью, п - количество наборов данных, участвующих в обучении ИНС.

Рисунок 5 - Структура нейросети параметрической идентификации объекта

регулирования

Для реализации блока адаптивной настройки проводится ряд операций, аналогичных созданию нейросети для параметрической идентификации. Отличием, в данном случае, является вид обучающей выборки, а также процесс её заполнения. В качестве данных для обучения нейросети адаптации используются параметры объектов регулирования и соответствующие им настроечные параметры регулятора (таблица 3), рассчитанные на выбранный

критерий оптимальности.

Таблица 3 - Обучающая выборка для тренировки нейросети адаптации

№ точки Параметры объекта регулирования Параметры настройки ПИД регулятора

ко Т0 *0 *Р Т»

1 и Ко То _ тіп То V Т.' Т.'

2 к тах ко гр тіл *0 тіп То V т2 Т/

... •. • • • • • • • • • •

8 і тах о гр тех тах V т! г/

Имея в наличии все достаточные предпосылки для использования ИНС (связь между входными и выходными значениями, пренебрежительно малые помехи в обучающей выборке, достаточность выборки для обучения), был произведен выбор структур нейросетей. Для рассматриваемых регуляторов (ПИ, идеальный и реальный ПИД регуляторы), удовлетворяющих по качеству воспроизведения обучающих выборок, опытным путем были выбраны полностью связанные, прямонаправленные двухслойные нейронные сети с сигмоидальными активационными функциями нейронов (рисунок б).

Критерием настройки ИНС адаптации для всех рассматриваемых примеров был выбран минимум среднемодульного отклонения анализируемой величины:

\yjnga инс\ 1 п х/ ~х;

ИНС

где х- а , х- - настроечные параметры регулятора, полученные с помощью

программы «Орйш-МОА» и обученной искусственной нейросети, соответственно, п - количество точек обучающей выборки.

В главе также продемонстрирован возможный способ синтеза нейросетей с различными архитектурами для аппроксимации функционала настроечных параметров как ПИ, так и ПИД регуляторов с заданным частотным показателем колебательности или возможностью его изменения в заданном диапазоне.

Рисунок 6 - Нейросеть (структура 4-15-3) воспроизведения настроечных параметров ПИД регулятора (идеального и реального) с возможностью изменения частотного показателя запаса устойчивости

В четвертой главе приводятся результаты исследовательской работы по обучению нейросетей идентификации и адаптации. Рассматривается пример реализации нейросети параметрической идентификации объекта регулирования. Проводится сравнительный анализ обучения различных видов искусственных нейронных сетей тренировочными множествами, состоящими как из одного так и из серии полных факторных экспериментов с различными коэффициентами интервалов варьирования. В этом же ключе рассматривается качество воспроизведения нейронными сетями оптимальных (для каждого из рассматриваемых интегральных критериев оптимальности) настроечных параметров регуляторов (таблица 4).

Для промышленного применения возможность изменения частотного показателя колебательности (с мгновенным расчетом оптимальных настроечных параметров регулятора) является не столько достоинством, сколько необходимостью. Для реализации отмеченного положения необходимо

учесть зависимости изменения настроечных параметров регуляторов от принимаемых значений М и параметров объекта регулирования. В связи с чем, представляется возможным создать соответствующие расширенные тренировочные множества и проверить возможность обучения нейросети для указанной задачи. В качестве примера произведен анализ нейросетей для воспроизведения настроечных параметров идеального ПИД регулятора (таблица 5).

Таблица 4 - Критерии оптимальности обучения различных видов нейросетей

Воспроизве дение параметров регулятора Кол-во нейронов в скрытом слое нейросети для каждого параметра регулятора Интегральный критерий настройки регуляторов для обучающей выборки Критерии обучения нейросети

кР 5 1и 5 тд

ПИ 3 По модулю 2.98 2.73 -

Линейный 3.39 1.27 -

Квадратичный 2.85 3.29 -

4 По модулю 3.55 3.01 -

Линейный 2.68 3.34 -

Квадратичный 2.11 3.19 -

идеальный ПИД 3 По модулю 5.19 4.65 5.02

Линейный 5.33 3.02 4.88

Квадратичный 5.95 3.65 5.27

4 По модулю 3.78 4.79 2.83

Линейный 4.10 3.42 5.52

Квадратичный 5.99 3.45 4.95

реальный ПИД 3 По модулю 3.70 3.16 3.23

Линейный 4.30 2.85 3.72

Квадратичный 4.95 7.29 4.42

4 По модулю 4.82 4.44 3.09

Линейный 4.79 3.71 4.18

Квадратичный 3.49 8.40 5.92

Для ПИД регуляторов, при количестве нейронов в скрытом слое, равном трем, для каждого из искомых настроечных параметров, нейросеть не находит функциональной зависимости между параметрами объекта регулирования и

настроечными параметрами регулятора. При количестве нейронов, равном четырем, нейросеть обучается оптимальным образом, при этом минимизируется критерий оптимальности тренировки нейросети и воспроизведение тестовых множеств не вызывает нареканий. Выявить наличие некорректного обучения может только проверка обученной ИНС на тестовое множество, результаты которой, в данном случае, оказывались неудовлетворительными.

Таблица 5 - Результаты обучения нейросетей

Количество нейронов в скрытом слое нейросети для каждого параметра регулятора Структура нейросети Критерии обучения нейросети

Кр В 1и

3 4-9-3 10.33 5.03 5.563

4 4-12-3 2.742 3.74 3.536

Графики переходных процессов для визуального сравнения воспроизведения настроечных параметров регулятора нейросетью (ИНС) с настроечными параметрами, полученными численными методами в различных точках тренировочного множества с помощью алгоритма «Орит-МОА» (УЮА) продемонстрированы на рисунке 7.

Рисунок 7 - Переходные процессы по каналам регулирующего органа (а), задания (б). Проверка обученной нейросети (структура 4-15-3), воспроизводящей параметры идеального ПИД регулятора, тестовым объектом

регулирования (к0=1.3, т0= 2.0 е., Т0= 8 е.), М=1.3

»

Среди систем управления с добавочными переменными состояния объекта регулирования наибольшее распространение получили двухконтурные каскадные АСР с корректирующим (главным) и стабилизирующим (вспомогательным) регуляторами. Отработанная методика синтеза и тренировки адаптивных нейросетей для одноконтурных систем регулирования позволяет также реализовывать типовые решения в области построения АСР для теплоэнергетической отрасли.

■Критерии тренировки нейросети со структурой 5-25-3 (тренировочное

множество состоит из 64 наборов обучающих данных) для пропорциональной

части корректирующего регулятора S, —0.16, для пропорциональной и

кР

интегральной частей стабилизирующего регулятора S, -1.99 и ST =1.96,

кр 1и

соответственно, позволяют говорить о возможности реализации адаптивных каскадных АСР, в основе которых положены алгоритмы нейронных сетей, в промышленной эксплуатации.

В питой главе описывается синтез адаптивной АСР на базе нейросетевых компонент для АСР температуры электрической печи и реализация её в программной части ПЛК.

После проведения ряда исследований по разработке нейросетевых компонент идентификации и адаптации возникла необходимость подтвердить полученные теоретические результаты на практике.

В качестве объекта регулирования была выбрана электрическая печь, напряжение на нагревательном элементе которой изменяется воздействием исполнительного механизма МЭО на автотрансформатор. Измеряемые параметры (температура в электропечи и указатель положения регулирующего органа) подаются на аналоговые входы контроллера.

ПТК АСУ ТП электропечи состоит из контроллера ПЛК150 фирмы «ОВЕН», который связан по сети Ethernet с персональным компьютером (ОС Windows ХР). Программирование микроконтроллера производится в программной среде разработки CoDeSys.

В главе приводится описание процедур, необходимых для соблюдения алгоритма работы компонентов идентификации и адаптации. Приведены основные результаты опытного эксперимента, представлена реализация рассматриваемой адаптивной АСР в ПЛК (рисунок 8).

В главе также приводятся программные реализации адаптивной АСР в ПЖ ПТК АСУ ТП согласно разделу международного стандарта МЭК 61131-3.

/\

А

/\

О 300 ЫО3 1 >10® МО® с

Рисунок 8 - Переходные процессы настроенной АСР

В приложениях приведены основные результаты обучения различных видов нейросетей, представлены графики сравнения переходных процессов, полученных в замкнутом контуре АСР с регуляторами, настроенными с помощью алгоритма оптимизации, а также регуляторами, настроенными с помощью предварительно обученных нейросетей. Также приводятся программы имитационного моделирования систем автоматического регулирования для оптимальной настройки реализуемых регуляторов, представлены программы для обучения рассматриваемых в работе ИНС в программном пакете МаЛСАГ). Также приводится программный код нейросетей параметрической идентификации и адаптации, реализованный в ПЛК в виде функциональных блоков адаптивной АСР по регулированию температуры электропечи для апробации результатов проделанной работы. Основные выводы по работе: 1. Произведен синтез искусственных нейронных сетей с различными архитектурами для аппроксимации функционала настроечных .параметров ПИ и ПИД регуляторов с заданным частотным показателем < 18

колебательности (М=соилО или возможностью его изменения в заранее заданном диапазоне (М=уаг), как для одноконтурных, так и для каскадных АСР.

2. Разработаны библиотеки присоединяемых программ, позволяющие численным методом, с помощью выбранного алгоритма оптимизации, производить как тренировку искусственных нейронных сетей (для задач идентификации и адаптивной настройки регуляторов)* так и

■ осуществлять поиск оптимальных настроечных параметров реализуемых регуляторов.

3. Программная реализация адаптивной АСР на реальном объекте, рассмотренная в диссертационном исследовании, позволяет говорить в применении методики синтеза нейросетей для задач идентификации и адаптивной настройки регуляторов для АСР теплоэнергетических процессов.

4. Необходимость создания новых программных реализаций как для настройки регуляторов, так и синтеза оптимальных по архитектуре нейронных сетей носит единоразовый характер. Единожды созданные программы могут быть применены для объектов со схожей динамикой переходных процессов. Таким образом, представляется возможным синтезировать библиотеку присоединяемых программ для ряда передаточных функций, типичных для использования в задачах аппроксимации теплоэнергетических объектов.

Г. tj

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Смирнов Н.И., Шаровин И.М. О выборе критерия оптимальности в численных методах расчета САР // Промышленные АСУ и контроллеры. 2009. №5.

2. Шаровин И.М., Смирнов Н.И. Выбор критерия оптимальности в численных расчётах АСР // МНК ММГТ-23. Т12. Смоленск, 2010.

3. Смирнов Н.И., Шаровин И.М. О выборе критерия оптимальности в численных методах расчета САР с ПИД регулятором // Промышленные АСУ и контроллеры. 2010. № 2.

4. Шаровин И.М., Смирнов Н.И. О критериях оптимальности в численных методах расчета АСР с реальным ПИД-регулятором // Радиоэлектроника, электротехника и энергетика. Тез. докл. XVI МНТК студентов и аспирантов: В 3-х т. М.: МЭИ, 2010. Т.З. С.259-261

5. Шаровин И.М., Смирнов Н.И. О применении искусственных нейросетей в задачах адаптации АСР // Радиоэлектроника, электротехника и энергетика. Тез. докл. XVII МНТК студентов и аспирантов: В 3-х т. М.: МЭИ, 2011. Т.З.С.219-220.

6. Репин А.И., Смирнов Н.И., Сабанин В.Р., Шаровин И.М. Оптимальный синтез систем автоматического регулирования дробного порядка // Автоматизация и IT в энергетике. 2011. № 7.

7. Шаровин И.М., Смирнов Н.И., Репин А.И. Аппроксимация функционала адаптивных настроек с использованием искусственных нейронных сетей. // Радиоэлектроника, электротехника и энергетика. Тез. докл. XVIII МНТК студентов и аспирантов: В 4-х т. М.: МЭИ, 2012. Т.4. С.231-232.

8. Шаровин И.М., Смирнов Н.И, Репин А.И. Применение искусственных нейронных сетей для адаптации САР в процессе их эксплуатации // Промышленные АСУ и контроллеры. 2012, № 4.

9. Шаровин И.М., Смирнов Н.И., Репин А.И. О применении искусственных нейросетей в задачах идентификации АСР. // Радиоэлектроника, электротехника и энергетика. Тез. докл. IXX МНТК студентов и аспирантов: В 4-х т. М.: МЭИ, 2013. Т.4. С.174.

Подписано в печать №> O^JiOMr Зак. <Щтщ>. ¡00 П.л.

ФГБОУ ВПО Национальный Исследовательский Университет

«МЭИ»

04201356354 На правах рукописи

Шаровин Игорь Михайлович

РАЗРАБОТКА МАТЕМАТИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ

АДАПТИВНЫХ АСР

05.13.06 Автоматизация и управление технологическими процессами и производствами (по отраслям: энергетика)

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель к.т.н., доц. Смирнов Н.И.

МОСКВА-2013

ОГЛАВЛЕНИЕ

СПИСОК СОКРАЩЕНИЙ...........................................................................6

ВВЕДЕНИЕ................................................................................................7

ГЛАВА 1 ОБЗОР МЕТОДОВ АВТОМАТИЗИРОВАННОГО И АДАПТИВНОГО УПРАВЛЕНИЯ В ПРОМЫШЛЕННЫХ АСУ ТП..............16

1.1 Классификация методов идентификации объектов регулирования... 16

1.2 Методы адаптивной настройки, реализуемые в отечественных и зарубежных контроллерах.................................................................................19

1.2.1 Методы адаптивной настройки, разработанные на кафедре

АСУ ТП НИУ «МЭИ»....................................................................................19

1.2.2 Реализация адаптивной настройки регуляторов в ПТК ведущих производителей...............................................................................20

1.3 Программные средства настройки АСР................................................24

1.4 Нечеткая логика.......................................................................................25

1.4.1 Принципы построения нечеткого регулятора................................27

1.4.2 Принципы автоподстройки реализуемого регулятора..................31

1.5 Искусственные нейронные сети.............................................................32

1.5.1 Подражающее нейроуправление.....................................................33

1.5.2 Инверсное нейроуправление...........................................................34

1.5.3 Гибридное нейроуправление...........................................................36

1.6 Генетические алгоритмы.........................................................................40

1.7 Выводы......................................................................................................43

ГЛАВА 2 ОПТИМАЛЬНАЯ НАСТРОЙКА РЕГУЛЯТОРОВ..........................45

2.1 Структуры исследуемых регуляторов, показатели качества

работы АСР.........................................................................................................45

2.1.1 Структуры исследуемых регуляторов............................................45

2.1.2 Выбор показателя запаса устойчивости.........................................48

2.1.3 Интегральные критерии качества оптимальной настройки регуляторов......................................................................................................49

2.2 Численные методы расчета настроечных параметров регуляторов..52

2.2.1 Расчет оптимальных параметров ПИ регулятора..........................52

2.2.2 Расчет оптимальных параметров ПИД регулятора.......................58

2.3 Выводы......................................................................................................66

ГЛАВА 3 СИНТЕЗ НЕЙРОСЕТЕВЫХ КОМПОНЕНТ СИСТЕМЫ АДАПТИВНОГО УПРАВЛЕНИЯ.......................................................................67

3.1 Особенности синтезируемой адаптивной АСР на базе нейросетевых компонент идентификации и адаптации.................................69

3.1.1 Структура предлагаемой адаптивной АСР....................................69

3.1.2 Процедуры идентификации и адаптации в составе адаптивной АСР..............................................................................................71

3.1.3 Поэтапный синтез предлагаемой адаптивной АСР.......................74

3.2 Синтез нейросети параметрической идентификации объекта регулирования.....................................................................................................76

3.2.1 Формирование тренировочного множества для обучения нейросети............................................................................................77

3.2.2 Определение достаточного количества обучающих данных для воспроизведения параметров объекта регулирования................................79

3.2.3 Выбор архитектуры и обучение нейросети....................................85

3.3 Синтез адаптивной нейросети для аппроксимации функционала настроечных параметров регуляторов.............................................................88

3.3.1 Создание тренировочного множества с применением полного факторного эксперимента для обучения нейросети....................................89

3.3.2 Выбор класса и структуры нейросети, обучение ИНС.................91

3.4 Выводы......................................................................................................95

ГЛАВА 4 ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ИДЕНТИФИКАЦИИ И АДАПТАЦИИ..............................................................97

4.1 Обучение нейросети параметрической идентификации объекта

регулирования.....................................................................................................97

4.1.1 Проведение активного эксперимента для создания тренировочного множества для обучения нейросети.................................97

4.1.2 Обучение нейросети параметрической идентификации.............101

4.2 Обучение нейросетей адаптивной настройки реализуемых регуляторов.......................................................................................................102

4.2.1 Обучение нейросетей тренировочными множествами, состоящими из одного полного факторного эксперимента.....................102

4.2.2 Обучение нейросетей тренировочными множествами, состоящими из нескольких полных факторных экспериментов.............103

4.2.3 Влияние количества нейронов в скрытом слое нейросети на результаты воспроизведения тренировочных множеств..........................106

4.2.4 Реализация нейросети воспроизведения настроечных параметров идеального ПИД регулятора с возможностью изменения частотного показателя колебательности....................................................109

4.2.5 Реализация адаптивной нейросети в составе двухконтурной каскадной АСР..............................................................................................113

4.3 Рекомендации поэтапного синтеза нейросетей идентификации и адаптации применительно к задачам синтеза адаптивных АСР теплоэнергетических объектов.......................................................................120

4.4 Синтез адаптивной АСР на базе нейросетевых компонент в эмуляторе программируемого логического контроллера............................121

4.5 Выводы....................................................................................................125

ГЛАВА 5 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ АДАПТИВНОЙ АСР............127

5.1 Обучение нейросети параметрической идентификации объекта регулирования...................................................................................................127

5.1.1 Подготовительный этап реализации искусственных нейросетей.....................................................................................................127

5.1.2 Синтез и обучение нейросети идентификации............................129

5.1.3 Синтез и обучение нейросети адаптации.....................................131

5.2 Реализация адаптивной АСР на базе нейросетевых компонент

в ПЛК.................................................................................................................132

5.3 Проверка качества настроенной адаптивной АСР.............................135

5.4 Выводы....................................................................................................137

ОСНОВНЫЕ ВЫВОДЫ ПО РАБОТЕ ......................................................140

СПИСОК ЛИТЕРАТУРЫ.........................................................................141

ПРИЛОЖЕНИЯ...................................................................................................151

Приложение А. Обучение тренировочными множествами, полученными на минимум интегрального критерия по модулю, искусственных нейросетей на воспроизведение настроечных

параметров исследуемых регуляторов...........................................................152

Приложение Б. Обучение тренировочными множествами, полученными на минимум интегрального критерия по модулю, искусственной нейросети на воспроизведение настроечных параметров

регуляторов каскадной адаптивной системы регулирования.....................176

Приложение В. Реализация имитационной модели одноконтурной АСР и поиск оптимальных настроечных параметров реального ПИД

регулятора.........................................................................................................178

Приложение Г. Реализация нейросети параметрической идентификации

объекта регулирования с самовыравниванием.............................................185

Приложение Д. Реализация адаптивной нейросети для аппроксимации функциональной зависимости «параметры объекта регулирования, частотный показатель колебательности» - «пропорциональная

составляющая регулятора»..............................................................................191

Приложение Е. Реализация ИНС идентификации и адаптации в ПЛК ПТК АСУ ТП на примере адаптивной АСР температуры электропечи .... 197 Е1. Функциональный блок реализации ИНС параметрической

идентификации..............................................................................................197

Е2. Функциональный блок адаптивной ИНС, воспроизводящей оптимальные параметры ПИ регулятора с возможностью изменения частотного показателя колебательности....................................................204

СПИСОК СОКРАЩЕНИЙ

АНР - адаптивная настройка регуляторов АСР - автоматическая система регулирования

АСУ ТП - автоматизированная система управления технологическим процессом

АЧХ - амплитудно-частотная характеристика

БОН - блок обучения нейросети

ИМ - исполнительный механизм

ИНС - искусственная нейронная сеть

МЭО - механизм электрический однооборотный

МЭК - международная электротехническая комиссия

ПИ - пропорционально-интегрально составляющие регулятора

ПИД - пропорционально-интегрально-дифференциальные составляющие

регулятора

ПК - персональный компьютер

ПЛК - программируемый логический контроллер

ПО - программное обеспечение

ПТК - программно-технический комплекс

ПФБ - пользовательский функциональный блок

ПФЭ - полный факторный эксперимент

РО - регулирующий орган

ТО - технологический объект

ТП - технологический процесс

FBD - Function block Diagram (язык функциональных блоков для программирования ПЛК согласно МЭК 61131-3) NN - neural network (нейронная сеть)

Optim-MGA (MGA) - эволюционный алгоритм многопараметрической многоэкстремальной оптимизации

ST - Structured Text (язык структурированного текста для программирования ПЖ согласно МЭК 61131-3)

ВВЕДЕНИЕ

Современный уровень развития автоматизации характеризуется неуклонной. интенсификацией технологических процессов (ТП), увеличением мощности единичных агрегатов, повышением требований к качеству процессов управления, увеличением доли нестационарных и нелинейных объектов управления. Типичным становится случай, когда отсутствует точное математическое описание технологического объекта или со временем происходит изменение его параметров неизвестным образом в широких пределах.

Автоматические системы регулирования (АСР), реализуемые в автоматизированных системах управления технологическими процессами (АСУ ТП) с фиксированными настроечными параметрами, уже не могут обеспечить во многих случаях качественного, а иногда и просто устойчивого управления. В подобных условиях большими возможностями обладает адаптивный подход к построению АСР. Адаптивные системы являются бурно развивающеюся областью современной теории управления, что отражает объективную тенденцию современной автоматизации к решению все более сложных и универсальных задач управления теплоэнергетическими процессами.

Процесс создания оптимальной АСР принято разделять на несколько этапов:

• получение сведений о динамических характеристиках объекта регулирования;

• выбор структуры АСР;

• оценочный расчет настроечных параметров регуляторов в выбранной структуре АСР;

• установка полученных настроечных параметров непосредственно в регулятор;

• оценка качества регулирования на действующем объекте и сравнение его с теоретически ожидаемым.

Если качество регулирования оказывается неудовлетворительным, то приходится делать выбор между повторным прохождением всех этапов, начиная с поиска оптимальных настроечных параметров реализуемых в системе регуляторов или же прибегать к усложнению структурной схемы существующей АСР.

Для оптимальной настройки АСР необходимо располагать сведениями о динамических характеристиках системы и характеристиках действующих в системе возмущений. Многие возмущения являются неизмеряемыми, характеризовать которые можно лишь на основе анализа процессов изменения выходной величины действующей системы. Следует отметить, что немало важной особенностью теплоэнергетических объектов является изменение внутренних свойств объектов и, как следствие, динамических характеристик с течением времени.

Параметры настройки систем регулирования, полученные в результате предварительного расчета, с помощью математических моделей, часто нуждаются в коррекции непосредственно на действующих системах регулирования. Это вызвано как организационными, так и принципиальными ограничениями, накладываемыми на возможность получения достоверной математической модели объекта, а также некоторыми особенностями работы оборудования на стадии ввода АСР в действие, таким образом условия эксплуатации теплоэнергетического оборудования накладывает специфические требования к методике проведения адаптивной настройки АСР:

• процесс настройки не должен сопровождаться значительными нарушениями нормального режима работы технологического оборудования и должен допускать частичную или полную автоматизацию;

• процесс адаптации должен быть минимизирован по времени без существенной потери качества полученных результатов настройки;

• методика должна быть универсальной для настройки АСР с различными структурами и с различными динамическими характеристиками объектов;

• методика также должна обладать достаточной защищенностью от помех и ошибок эксперимента.

Выполнение вышеобозначенных требований в полной мере обеспечивает реализацию адаптивных методов настройки АСР с применением технологий искусственных нейронных сетей (ИНС), при этом совсем не обязательно чтобы система была предварительно настроена любым из известных методов (Ziegler-Nichols, Cohen-Coon, CHR (Chien, Hrones и Reswick), по эмпирическим формулам и т.д.).

В настоящее время производительность микропроцессорной техники позволяет внедрять алгоритмы адаптивных АСР в программируемые логические контроллеры (ПЛК), входящие в состав программно-технического комплекса (ПТК) АСУ ТП. Несмотря на это, большинство из существующих методов настройки регуляторов требуют непосредственного участия инженера-наладчика, причем обязательным условием является наличие персонального компьютера, в котором производится расчет настроечных параметров регуляторов и оценка качества регулирования.

Для внедрения методов автоматизированной настройки в промышленную эксплуатацию АСУ ТП требуется решить ряд вопросов как методического, так и практического характера с учетом современных тенденций разработки технологий искусственного интеллекта. Первоначально необходимо оценить возможность применения нейросетевых технологий и их эффективность в алгоритмах адаптивной настройки регуляторов для традиционно применяемых систем регулирования, используемых в АСУ ТП теплоэнергетических объектов с учетом их динамических характеристик.

Цель диссертационной работы

Исследование возможности применения искусственных нейронных сетей для задач параметрической идентификации теплоэнергетических объектов регулирования и адаптивной коррекции настроечных параметров реализуемых регуляторов.

Для достижения цели решается ряд задач:

1) Разработка общей структуры адаптивной АСР на базе искусственных нейронных сетей;

2) Исследование критериев оптимальной настройки регуляторов с построением линий заданного запаса устойчивости (М=сот{) в плоскости настроечных параметров регуляторов и нанесением поверхностей отклика критериев оптимальности для доказательства корректности полученных расчетных значений;

3) Синтез тренировочных множеств с применением полного факторного эксперимента (ПФЭ) и специально введенным коэффициентом интервала варьирования для обучения нейросетей идентификации и адаптации;

4) Исследование возможности обучения адаптивных нейросетей несколькими видами обучающих выборок, минимизирующих рассматриваемые в работе критерии качества;

5) Синтез адаптивных нейросетей, воспроизводящих функциональную зависимость между параметрами объекта регулирования и настроечными параметрами регулятора с возможностью изменения частотного показателя колебательности;

6) Проведение опытных испытаний с реализацией адаптивной АСР на базе ИНС в ПЛК для демонстрации состоятельности методики синтеза предлагаемой структуры адаптивной АСР и возможность её реализации на производстве.

Методы исследований

Для решения поставленных задач применялись численные методы имитационного моделирования с использованием эволюционного алгоритма многопараметрической многоэкстремальной оптимизации, методы математического

моделирования, методы планирования эксперимента, также применялись современные технологии искусственного интеллекта.

Научная новизна

Предложена методика обучения искусственных нейросетей с помощью тренировочных множеств, состоящих из одного или нескольких полных факторных экспериментов. Синтезированы нейросети, реализующие параметрическую идентификацию объекта регулирования по его переходной характеристике, также синтезированы нейросети для решения задач параметрической адаптации настроечных параметров в АСР для ряда стандартных регуляторов как в одноконтурной, так и в многоконтурной АСР с возможностью варьирования частотного показателя колебательности.

Основные положения и результаты, вын�