автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.07, диссертация на тему:Развитие системы управления показателями качества бумажного полотна на базе нейросетевых технологий

На правах рукописи УДК 681.51.011:676.22.012

, /

БАХТИН АНДРЕЙ ВЛАДИМИРОВИЧ'^^'

РГБ ОД

. .,„. О

РАЗВИТИЕ СИСТЕМЫ УПРАВЛЕНИЯ ПОКАЗАТЕЛЯМИ КАЧЕСТВА БУМАЖНОГО ПОЛОТНА НА БАЗЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность: 05.13.07 - Автоматизация технологических

процессов и производств.

Автореферат диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург 2000

Работа выполнена в Санкт-Петербургском государственном технологическом университете растительных полимеров

\

Научный руководитель: кандидат технических наук, доцент

Ю.С. Жукова

Научный консультант: доктор технических наук, профессор

Л.А. Русинов

Официальные оппоненты: доктор технических наук, профессор

В.В. Сотников

кандидат технических наук, профессор Д. А. Шурыгин

Ведущая организация - АО "Всеросийский научно-исследовательский институт бумаги" (ВНИИБ)

Защита состоится 21 декабря 2000 г. в час, на заседании диссерта-

ционного совета К064.82.01 Санкт-Петербургского института машиностроения (г. Санкт-Петербург, Полюстровсиш пр. 14, ауд. 232).

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского института машиностроения.

Отзывы на автореферат, заверенные печатью, просим направлять по адресу: 195197, Санкт-Петербург, Полгостровский пр., 14, СПбИМаш, Ученый Совет.

Автореферат разослан ноября 2000 г.

Л IV Г> г-1/-1 * "Ч

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

Интенсивное развитие полиграфической промышленности, множительно-копировальной техники и других потребителей бумаги ставит задачи повышения качества бумажной продукции. Качество бумаги определяется рядом механических и печатных характеристик в зависимости от ее вида и сорта. Однако вне зависимости от назначения .бумаги существуют показатели качества, которые влияют на большинство ее потребительских свойств. Неравномерность профиля таких показателей качества как масса 1 м2, зольность, влажность и толщина бумажного полотна увеличивает количество брака и обрывов, затрудняет получение ровной и плотной намотки его на накате, повышает число внут-рирулонных дефектов. Излишне высокое значение массы 1 м' приводит к перерасходу волокна, наполнителей и энергоресурсов.

В тоже время, в условиях производства наблюдается тенденция к увеличению производительности бумагоделательных машин (БДМ), что неразрывно связано с совершенствованием системы управления формованием бумажного полотна. Увеличение скорости машины свыше 20 м/с при обрезной ширине более 8 метров невозможно без точного координированного управления этим процессом.

Поскольку первоначальное формирование бумажного полотна и его свойств происходит на мокрой части БДМ, важнейшей задачей управления является обеспечение равномерного отлива бумажной массы на сетку машины.

Существующие системы управления формованием бумажного полотна достаточно сложны и не всегда эффективно справляются с некоторыми возмущениями, действующими на процесс, например знакопеременными, распределенными по всей ширине машины, а также с эффектами, возникающими по краям бумажного полотна. Модели объекта, обычно используемые в таких системах управления, являются упрощенными и учитывают только основные законы гидродинамики, что существенно сказывается на степени их адекватности реальному объекту.

В тоже время современные компьютерные технологии и методы искусственного интеллекта позволяют достичь существенного эффекта при совершенствовании моделей и систем управления.

Система управления, разработанная на основе- нейронных технологий, обладает рядом преимуществ: во-первых, нейронная технология позволяет строить модели сложных объектов управления по принципу "черного ящика"; во-вторых, нейронные модели легко адаптируются при изменении параметров моделируемого объекта; в третьих, они позволяют реализовать модели для многомерных объектов. Именно этот подход и использован в данной работе.

Работа выполнялась по Государственной научно-технической программе России "Комплексное использование и воспроизводство древесного сырья" р.4 "Новые технологические процессы производства бумаги и целлюлозных композиционных материалов" р.4.4.6. "Методология создания интегрированных

автоматизированных систем управления целлюлозно-бумажными производствами с использованием элементов искусственного интеллекта".

Актуальность работы подтверждается также тем, что данная работа получила положительную оценку на конкурсе грантов правительства Санкт-Петербурга, выделяемых на прогрессивные научно-исследовательские разработки молодых ученых в области естественных наук (грант № М98-3.11К-12 от 22 мая 1998 г.)

Цель работы состоит в создании на базе нейросетевых технологий системы управления процессом отлива бумаги на сетку бумагоделательной машины для повышения качества бумажного полотна.

Исходя из поставленной цели, в работе решаются следующие научные и практические задачи:

• экспериментальное исследование объекта и разработка математической модели взаимосвязи процесса напуска массы и динамики изменений основных показателей качества бумаги;

• разработка топологий нейронной модели процесса и нейронного регулятора с учетом априорной информации об объекте;

• построение структуры адаптивной нейросетевой системы управления массой 1м2 по ширине бумажного полотна;

• разработка алгоритма функционирования нейросетевой системы управления;

• анализ качества переходных процессов, оценка устойчивости и робастных характеристик системы управления с нейронным регулятором.

Методы исследования. При решении поставленных задач использовались методы искусственного интеллекта, методы и алгоритмы обучения нейронных сетей, методы теории управления, математическое моделирование и методы математической статистики.

Научная новизна заключается в следующем.

1. Разработана структурная схема и алгоритм функционирования адаптивной нейросетевой системы управления массой 1 м бумажного полотна.

2. Синтезирована нейронная модель влияния процесса отлива бумаги на профиль массы 1 м2 бумажного полотна.

3. Разработана топология и методика обучения нейронного регулятора для распределенного объекта большой размерности.

4. Предложен способ улучшения качества переходного процесса в нейросетевой системе управления с использованием дифференцирующего полиномиального фильтра.

Практическая ценность работы. Разработанная в диссертации система управления процессом напуска массы обеспечивает стабилизацию массы 1 м2 по ширине бумажного полотна на уровне 6 = ±0.2 г/м" (б = 2ст), что позволяет не только улучшить качество бумаги и

уменьшить вероятность обрывов полотна, но и осуществить экономное использование волокнистых материалов, пара и других видов сырья и энергоносителей. Использование полученных структурных схем, алгоритмов и методик обучения нейронного регулятора позволяет построить подобные системы для любых управляемых профилей показателей качества бумаги и других распределенных объектов управления с большим количеством взаимосвязанных параметров.

Автор защищает.

1. Структурную схему адаптивной нейросетевой системы управления массой 1 м" по ширине бумажного полотна.

2. Алгоритм функционирования системы управления с нейронным регулятором.

3. Топологию и методику обучения нейронной модели объекта и нейронного регулятора.

4. Способ улучшения качества переходного процесса в системе управления с нейронным регулятором при использовании дифференцирующего полиномиального фильтра.

Апробация работы. Основные положения и результаты работы докладывались и обсуждались на следующих научных конференциях:

1. Четвертая международная конференция "Измерения, контроль и автоматизация производственных процессов" (ИКАПП-97). Барнаул, 29-31 октября 1997 г.

2. Международные конференции по мягким вычислениям и измерениям (8СМ'98, 5СМ'99), Санкт-Петербург, (22-26 июня 1998 и 25-28 мая 1999 г.).

3. Третья и Четвертая Санкт-Петербургские ассамблеи молодых ученых и специалистов. (11 декабря 1998 г. и 2 ноября 1999 г.)

4. 12 и 13 Международные научные конференции "Математические методы в технике и технологиях "ММТТ-12 (Великий Новгород, Новогород. гос. унт., 1-3 июня 1999 г.) и ММТТ-2000 (Санкт-Петербург, СПбГТИ, 26-29 июня 2000 г.).

5. Вторая международная научно-практическая конференция "Информационные технологии в моделировании и управлении" (Санкт-Петербург, СПбГТУ, 20-22 июня 2000 г.).

Публикации.

По теме диссертации опубликовано 8 печатных работ.

Структура диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 81 наименования и 4 приложений. Общий объем диссертации 157 страниц, включая 121 страницу основного текста и 47 рисунков.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель и основные задачи исследований.

В первой главе проводится анализ современных систем управления качеством бумаги по ширине полотна, описываются математические модели объекта управления, рассматриваются требования к основным показателям качества бумаги, таким как масса ! м2, толщина, влажность бумажного листа.

Общая стратегия автоматического управления поперечным профилем бумаги сводится к стабилизации показателей качества бумаги по ширине полотна. Например, управление поперечным профилем массы 1 м2 осуществляется изменением положения эластичной верхней губы напорного ящика с бумажной массой при помощи ряда исполнительных механизмов (регулировочных винтов), расположенных на одинаковом расстоянии друг от друга по всей ширине машины. Таким образом, по данным от датчиков качества, находящихся на сканере в конце машины, можно установить какие из винтов напускного устройства требуют регулирования. Однако большая размерность объекта (число исполнительных механизмов ло ширине полотна доходит до 58), при сильном перекрытии зон влияния соседних механизмов, а также наличие большого транспортного запаздывания существенно затрудняют синтез системы управления.

Существующие системы регулирования достаточно сложны и не всегда эффективно справляются с некоторыми возмущениями действующими на процесс, например знакопеременными возмущениями, распределенными по всей ширине машины, а также с эффектами, возникающими по краям бумажного полотна. Модели объекта, обычно используемые в таких системах управления, являются упрощенными и учитывают только основные законы гидродинамики. Эти модели необходимо подстраивать при изменении параметров бумагоделательной машины. Кроме того, они не учитывают сдвига функции влияния, а также краевые эффекты, из-за которых оператору часто приходится вручную подстраивать положения исполнительных механизмов по краям губы напорного ящика. В основном в качестве математических моделей используются регрессионные модели различной структуры от более простых (на основании экспоненциально-тригонометрических структур) до более сложных (с использованием полиномов Чебышева). Необходимость подстройки модели из-за дрейфа параметров БДМ и определения ее структуры в каждом конкретном случае предопределяет развитие исследований в области самонастраивающихся моделей, в частности, применение для моделирования нейросетевых технологий.

Вторая глава посвящена построению системы управления с нейронным регулятором. В результате рассмотрения различных архитектур нейронных регуляторов была принята двухсетевая структура (рис.1). Первая нейронная сеть представляет собой модель объекта. Нейронная модель (НМ) необходима для обучения второй сети - нейронного регулятора (НР). На вход модели подаются управляющие сигналы и^ и задержанные на один или несколько тактов выходы

объекта ЛУк.| (количество тактов задержки зависит от динамических характеристик объекта). На вход НР подаются сигналы с выхода объекта ДУк и их задержанные на такт значения ДУц.

НМ обучается на объекте управления, при этом ошибка сети вычисляется как разность между выходным сигналом нейросетевой модели и реальным значением выходного сигнала с объекта. После обучения веса НМ фиксируются, и происходит обучение нейронной сети регулятора. НМ кроме как для обучения НР может быть использована для прогнозирования профиля массы 1 м2 при ручном управлении технологическим процессом. Ситуации такого рода могут возникать перед пуском нового оборудования (когда еще не сгенерирована первая обучающая выборка), а также в сложных случаях по краям бумажного полотна.

Рис.1. Структурная схема обучения и функционирования нейронного регулятора.

Данная схема построена с учетом того, что для обучения нейронных сетей используется алгоритм обратного распространения ошибки. В главе проведен обзор различных модификаций алгоритма для определения возможностей по настройке алгоритма с целью ускорения процесса обучения и получения наилучшего качества управления.

На рис.2 представлена функциональная схема нейросетевой системы управления, а на рис.3 - алгоритм ее функционирования.

Динамическая карта процесса обеспечивает ввод поправок на смещение бумажного полотна и его усушку и позволяет точно определять соответствие между координатами расположения исполнительных механизмов и точками

измерения сканера на накате. Кроме того вычисляется транспортное запаздывание в объекте, что позволяет определять соответствие по времени перемещения исполнительного механизма и изменения массы 1 м2 для создания обучающих примеров. Управление осуществляется модулем НР с учетом ограничений на управляющие воздействия.

Исполнительные механизмы

Измеренная скорость машины

Измеренные положения кромок бумажной массы на сетке

Блок определения динамической карты /юоиесса

Измеренные положения кромок бумажного полотна

Измеренные положения исполнительных механизмов

-н

Значение „запаздывания

Измеренный профиль массы 1м2 от наката

Блок формирования обучающих выборок

Подсистема контроля и управления положениями исполнительных механизмов

НЕЙРОННАЯ МОДЕЛЬ

Блок адаптации

4

Блок обучения

и

НЕЙРОННЫЙ РЕГУЛЯТОР

Заданный профиль

Оператор

Сканер

Рис. 2. Функциональная схема нейросетевой системы управления массой 1 м2 бумаги.

Начало

X

Алгоритм формирования обучающей выборки

Замена модуля Да

нейронной модели

Рис.3. Алгоритм функционирования системы управления с нейронным регулятором.

В процессе работы происходит непрерывное формирование обучающей выборки путем добавления новых и исключением устаревших примеров, а также регулярное переобучение НМ, но инициализация процедур адаптации начинается только, когда средняя, по ширине бумажного полотна, ошибка управления превышает заданное значение. В этом случае происходит обучение нового модуля НР по накопленному на текущий момент массиву, с последующей заменой старого НР на новый.

При обновлении НР возникает вопрос о безударном переходе между старым и новым модулями. Данная проблема решается, включением в работу нового модуля регулятора параллельно со старым с усреднением значений управляющих воздействий от обоих модулей в течение некоторого времени.

В случае если новый модуль НР ухудшает качество управления, то осуществляется возврат к старому модулю. Следующее обучение НР инициализируется после 20-50% обновления обучающей выборки с момента неудачного обучения регулятора.

Обучающие примеры представляют собой изменения положений исполнительных механизмов и соответствующие им по времени изменения массы 1 м2. Выборка состоит из двух частей, предназначенных соответственно для обучения и тестирования. Как показано в исследованиях гл.З, рациональный объем обучающей выборки в нашем случае целесообразно выбирать равным около 1000 примеров.

Выборка должна перекрывать весь возможный диапазон изменения положений регулировочных винтов. Если его разделить на 10 поддиапазонов (по 5 положительных и 5 отрицательных значений) для каждого из 58 исполнительных механизмов, то для набора необходимого объема выборки в каждом диапазоне должно находиться, по крайней мере, 2 примера.

Накопление и анализ выборки происходит постепенно по мере измерения новых профилей массы 1м2 и измерения положений исполнительных механизмов (рис.4). При получении нового профиля, он проверяется на содержание в нем откликов от исполнительных механизмов и добавляется в выборку (поочередно к обучающей или к тестирующей части) вместо более старого, в соответствии с диапазоном и номером исполнительного механизма. Таким образом, происходит постепенное обновление обучающей выборки.

При больших ошибках управления и соответствующих им значительных управляющих воздействиях необходимое количество обучающих примеров накапливается значительно быстрее (т.е. повышается количество измеренных профилей массы 1 м2, содержащих функцию отклика исполнительных механизмов). При достаточном качестве управления существенных управляющих воздействий не наблюдается и, соответственно, накопление обучающих примеров происходит намного медленнее. Период переобучения НР зависит от того, как часто ошибка управления выходит за пределы допустимых значений.

[с.4. Алгоритм формирования обучающей выборки.

Третья глава содержит описания и результаты экспериментов по обучению нейронной модели рассматриваемого объекта управления.

Построение нейронной модели объекта и определение ее погрешности невозможно без выявления реальной зависимости между изменениями в профиле массы 1 м2 бумажного полотна и изменениями положений исполнительных механизмов губы напорного ящика. Для этого на ОАО "Светоторск" была проведена серия экспериментов на бумагоделательной машине выпускающей офсетную бумагу с массой 65 г/м2. Масса 1 м2 измерялась в 512 точках по ширине полотна (расстояние между точками измерения составляет 1.77 см) и управлялась с помощью 58 исполнительных механизмов губы напорного ящика (расстояние между винтами равно 15.6 см).

Среднее значение разброса откликов массы 1 м2 для различных исполнительных механизмов при одиночных равных возмущениях по ширине полотна составляет б^ = ±1 г/м2, а уровень шума при этом составляет оЦ1 = ±0.15 г/м2. Таким образом, применение одной математической модели для всех исполнительных механизмов приводит к значительному ухудшению точности описания процесса.

Кроме того, экспериментально доказано существование сдвига центра отклика массы 1 м2 относительно номера перемещаемого исполнительного механизма. Для исследуемой БДМ получена функция распределения сдвига по ширине бумажного полотна, максимальное значение которого составляет 6 точек измерения (около 10 см.).

Для управления массой 1 м2 по ширине бумажного полотна фирма Valmet Automation использует STFI модель; среднее значение отклонения этой модели относительно усредненного отклика равно 5STn = ±0.8 г/м2. Таким образом, STFI модель имеет значительную погрешность. Использование нейросете-вой модели позволяет автоматически учитывать разброс характеристик влияния по каждому исполнительному механизму и таким образом повысить точность описания объекта (рис. 5).

НМ в виде сети прямого распространения является параллельной структурой и способна генерировать отклики массы 1 м2 от изменений положений 58 исполнительных механизмов во всех 512 точках по ширине бумажного полотна. Таким образом, количество нейронов на входном и выходном слоях определяется размерностями соответствующих векторов. В данном случае объект представляется звеном чистого запаздывания т. Исходя из того, что периодичность измерения текущего значения массы 1 м2 сканером обычно составляет около 0.4-0.57, т.е. почти в два раза больше величины запаздывания, то для того чтобы нейронная модель обеспечивала динамику объекта на вход модели необходимо подавать значения ее выходов на предыдущем такте.

Все нейроны входного и выходного слоев производят линейные преобразования в связи с тем, что они выполняют только распределительные и масштабирующие функции. Задачу сжатия и аппроксимации данных, поступающих на сеть, выполняет внутренний слой с нелинейной преобразующей функцией.

I 2

з 5"

5

1 -

S О

-1

■ Среднее значение результатов экспериментов Нейронная модель

Ошибка нейронной модели

■ 8ТИ модеъ

i i j

I/

Ширина зоны влияния одного исполнительного механизма (40 точек измерения по ширине бумажного полотна)

Рис.5. График сравнения реального массы 1 м2, STFI и нейронной модели.

Проведенные исследования показывают, что для объекта такой степени сложности оказалось вполне достаточно трехслойной структуры сети, при этом погрешность обучения (оцениваемая как максимальная ошибка) при использовании функции гиперболического тангенса составила 0.14 r/м2 в то время как с зигмоидной функцией она составляет 0.18 г/м2. Количество нейронов на внутреннем слое можно оценить эмпирической формулой:

N = (колич. входов сети + колич. выходов сети)-2/3. Это соответствует 721 нейрону при 570 (512+58) входах и 512 выходах, т.е. лруктуре 570 / 721 / 512. С целью снижения размерности сети при разработке топологии НМ используется априорная информация об объекте. Из рис. 5 следует, что зона влияния каждого регулировочного винта составляет не более ш [т = 40) точек по ширине полотна. С учетом максимально возможного сдвига юны влияния X оно составит (ш + X) точек (в нашем случае 52). Таким образом, представляется целесообразным каждый из первых 58 нейронов входного слоя :вязать только с (m + X) нейронами внутреннего слоя. При такой топологи и происходит перекрытие зон локализации синаптических связей в соответствии : перекрытием зон влияния регулировочных винтов (в нашем случае величина перекрытия составляет 43 точки).

Принятая неполносвязанная топология НМ на порядок снижает количе-:гво связей между нейронами входного и внутреннего слоев и, кроме того,

обеспечивает более целенаправленное обучение НМ, исключая возникновение большинства ложных связей. При экспериментальном исследовании выявлено, что значения весовых коэффициентов синаптических связей пропорциональны значениям функции влияния регулировочных винтов, что косвенно подтверждает логичность такого подхода. Однако те же исследования показали, что уменьшение числа связей нейронов внутреннего и выходного слоев ухудшает качество обучения. Поэтому эти слои оставлены полносвязанными. Экспериментальные исследования возможности снижения размерности НМ показало, что уменьшение количества нейронов на внутреннем слое до к (к - число точек измерения; к = 512) не ухудшает качества аппроксимации, в то время как снижение этого значения ниже 500 ведет к увеличению погрешности НМ.

Размерности выборок для обучения и тестирования такой НМ были приняты равными 1160 примеров и каждый обучающий пример представлял собой 58 случайных изменений положений исполнительных механизмов в пределах ±0.1 мм и соответствующих им изменений массы 1 м2 в 512 точках по ширине бумажного полотна.

После обучения в течение 250 эпох ( т.е. 250 раз нейронной сети предъявлялась обучающая выборка из И 60 примеров) были получены следующие результаты: максимальная ошибка = 0.14 г/м2, среднеквадратичное отклонение = 0.02 г/м2 (6ЯМ = ±0.04 г/м2).

Такая модель пригодна для решения задач прогнозирования, но для целей управления она по-прежнему велика. Поэтому было решено затрубить модель, повысив погрешность до величин, соответствующих точности измерения датчика массы 1 м2 (составляющей 5Д = ±0.13 г/м2), что позволило снизить размеры выходного вектора НМ до 58 (т.е. получить структуру НМ: 116/116/ 58). Этот вид модели и использован в системе управления (рис.6). Среднеквадратичное отклонение затрубленной модели равно 0.063 г/м2 (оич = ±0.126 г/м2).

Поскольку для обучения и тестирования НМ использовалась математическая модель, то общая ошибка нейронной модели составит сумму ошибок этго моделей: 6 = ±0.17 г/м2. Для сравнения на рис.5 представлены функция отклике НМ и реальной функции отклика.

В четвертой главе приводятся результаты исследований по синтезу ней ронного регулятора (НР). Разработана структура НР, методика его обучения требования к построению обучающей выборки и особенностям масштабирова ния данных. Найдены оптимальные, с точки зрения качества переходного про цесса, настройки алгоритма обучения регулятора.

Структура НР выбрана аналогичной структуре модели и в соответствии < выбранной схемой построения системы управления, также как и модель, пред ставляет собой трехслойную сеть прямого распространения. Связи между вход ным и внутренним слоями, повторяют перевернутую зону влияния исполни тельных механизмов (рис.6). Связи между выходным слоем НР и входным ело ем НМ параллельны, равны единице и фиксированы (т.е. являются повторите лем при передаче информации).

При моделировании процесса обучения, как НМ, так и НР обучались в течение 250 эпох, т.е. каждой из нейросетей 250 раз предъявлялась обучающая зыборка из 1160 примеров. Во время экспериментов регистрировалась максимальная ошибка сети по всей обучающей выборке (как наиболее жесткая оценка точности аппроксимации) и были получены графики снижения этой ошибки за время обучения. Экспериментально было исследовано влияние параметров троцесса обучения на качество работы системы управления с НР. Настройки алгоритма обучения представляют собой коэффициенты уравнения для подстройки весов сети:

Д<>(0 = а • (/-1) + ¡3 • 8™ ■ у™,

где: Д^"' 0X Д™,^ (/ ~ 1) - значения весового коэффициента связи ¡-го нейрона

слоя (п-1) с ]-ым нейроном слоя п на г и (1-1) тактах обучения; - ошибка обучениями) нейронап-го слоя;

3 , - выход 1-го нейрона (п-1) слоя.

а,/}- коэффициенты, определяющие инерционность и скорость обучения.

Эмпирическим путем найдены наилучшие, с точки зрения качества переходного процесса, настройки алгоритма обучения, обеспечивающие минимальную колебательность при достаточно малом времени переходного процесса. С увеличением скорости обучения /? возрастает колебательность процесса, при незначительном снижении времени переходного процесса. Снижение скорости обучения меньше оптимального значения практически не влияет на качество переходного процесса. Что касается инерционности а, то ее увеличение повышает колебательность, хотя умеренное использование этой настройки позволяет существенно уменьшить время переходного процесса. Полученные в нашем случае значения составляют: а = 0.005, /? = 0.01.

Экспериментальные исследования влияния топологии сети и преобразующих функций нейронов внутреннего слоя на работу системы управления показали:

• неполносвязанная сеть обеспечивает значительно лучшее качество управления, по сравнению с полносвязанной;

• при использовании функции гиперболического тангенса для нейронов внутреннего слоя наблюдается значительное снижение колебательности переходного процесса;

• оптимальное число нейронов на внутреннем слое составляет 116 (снижение их количества до 58 приводит к увеличению колебательности, а повышение до 232 - к увеличению погрешности системы в установившемся режиме).

Для подавления возможных колебаний системы у точки равновесия и снижения влияния шумов введена коррекция коэффициента усиления регулятора, пропорционально производной сигнала и,. С этой целью в систему введен дифференцирующий полиномиальный фильтр:

/ 2_1/=о 1

где: к - номер такта управления, гп - объем выборки.

График переходного процесса для тяжелого случая возмущающих воздействий в системе с НР представлен на рис.7. В качестве возмущения рассматривался, характерный для данного объекта, разброс ошибки массы 1 м2 относительно заданного значения. Из графика следует, что ГО стабилизирует массу 1 м2 с ошибкой 5СИСГ = ±0.2 г/ м2.

В работе также проведена оценка качества работы НР путем сравнения с работой оптимального робастного регулятора, который оказалось возможный синтезировать для того же объекта, но при понижении его размерности до ' управляющих воздействий при 13 точках измерения массы 1 м2. Качество рабо ты НР по точности не уступало робастному регулятору, а по скорости - превос ходило его: время переходного процесса в системе управления с НР равно 1 тактам, тогда как в системе с робастным регулятором оно составляет 26 такто: (рис.8).

График переходного процесса системы управления с нейронным регулятором

ис.7. Переходные процессы в системе управления с нейронным регулятором.

'ис.8. Переходные процессы по одному из каналов в системе управления сробастным и нейронным регулятором.

Несмотря на то, что переходный процесс, обеспечиваемый нейронным регулятором имеет значительно менее плавный характер, такая система управления является значительно более быстродействующей.

Поскольку объект имеет более сотни взаимосвязанных параметров, то получить его передаточную функцию достаточно сложно, а рассчитать устойчивость такой системы управления практически не представляется возможным. Приемлемым способом оценки устойчивости в данном случае остается статистический анализ переходных процессов.

Проведены эксперименты, когда возмущения задавались следующим образом. Изменялось положение каждого исполнительного механизма на 0.3 мм и на -0.3 мм. Положения всех остальных исполнительных механизмов изменялись случайно, в соответствии с существующими ограничениями на перемещение. В результате моделирования получено несколько сотен случайных переходных процессов, при этом ошибка управления в установившемся режиме не превышала 0.2 г/м2. Следовательно, можно говорить о достаточно высокой вероятности сходимости переходных процессов в системе управления с нейронным регулятором. Система управления достигает установившегося режима максимум за 15 тактов при максимуме ошибки управления 0.1 г/м2. Перерегулирование при этом составляет не более 30%.

Для оценки устойчивости системы управления в случае изменения свойств объекта получены графики переходных процессов при случайном изменении характеристик модели объекта на +/-25%. Перерегулирование переходного процесса несколько увеличивается, в наихудшем случае достигая 40%, однако это не приводит к потере устойчивости системы управления.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1. На основе анализа работы современных систем управления бумагоделательными машинами сформулированы задачи по повышению качества профиля бумажного полотна в поперечном направлении, определены преимущества использования нейросетевого подхода к построению системы управления.

2. Предложена структура адаптивной нейросетевой системы управления профилем массы 1 м2 бумаги, построенная по двухсетевой схеме с использованием нейронной модели и нейронного регулятора. Разработаны алгоритмы функционирования системы и формирования массивов данных, необходимых для ее обучения.

3. Проведены экспериментальные исследования на действующей бумагоделательной машине, которые подтверждают предположения о том, что применение одной математической модели для всех исполнительных механизмов значительно снижает качество управления. Доказано, что разброс формы отклика от различных исполнительных механизмов существенно превосходит уровень шумов процесса, определены тенденции сдвига функции отклика по ширине полотна,

4. Построена оптимальная, с точки зрения точности и скорости обучения, нейронная модель объекта. Определено, что модель с нелолносвязанвой струпу-

эой (а именно, с локальными связями между нейронами, воспроизводящими юны влияния исполнительных механизмов), более устойчива в процессе обу-1ения и требует значительно меньшего количества вычислительных операций. 1роведена оценка адекватности нейронной модели путем сравнения с откли-сом, полученным экспериментально на действующей бумагоделательной ма-цине. Ошибка модели не превышает уровень шумов процесса и составляет >нч= ±0.126 г/м". Подобная нейронная модель может быть использована не 'олько для массы 1м2, но и для прогнозирования поперечных профилей других юказателей качества бумажного полотна.

>. Экспериментальные исследования влияния топологии нейронного регулято->а и преобразующих функций нейронов внутреннего слоя на работу системы 'правления показали:

- неполносвязанная сеть обеспечивает значительно лучшее качество управления, по сравнению с полносвязанной;

использование функции гиперболического тангенса для нейронов внутреннего слоя дает существенное снижение колебательности; оптимальное число нейронов на внутреннем слое составляет 116 (снижение их количества до 58 приводит к увеличению колебательности, а повышение до 232 - к увеличению погрешности системы в установившемся режиме). Эмпирическим путем найдены наилучшие, с точки зрения качества переход-ого процесса, настройки алгоритма обучения, обеспечивающие минимальную олебательность при достаточно малом времени переходного процесса. . Для уменьшения колебательности переходного процесса системы с нейрон-ым регулятором введено корректирующее звено в виде дифференцирующего олиномиального фильтра.

. Оценка устойчивости системы управления проводилась методом статистиче-\их испытаний по специально разработанной методике. Эксперимент прово-ился при различных вариантах возмущений (всего более 300 испытаний), о всех случаях система обеспечивала устойчивую работу. Исследование роба-сных характеристик системы показало ее удовлетворительную работу при от-юнениях параметров объекта на ±25%.

Анализ параметров переходных процессов, полученных при различных наивных условиях, позволяет сделать вывод о том, что нейронный регулятор эеспечивает статическую ошибку управления: 5 = 2а = ±0.2 г/м2 (с учетом адвня шумов процесса), в то время как в существующей системе управления т не ниже ±0.85 г/м".

Сравнительный анализ систем управления с нейронным и оптимальным ротным регуляторами показал, что погрешность стабилизации нейронного ре-■лятора соответствует оптимальному робастному регулятору, а время перечного процесса в системе с нейронным регулятором значительно короче. >. Полученные структуры нейронных сетей, алгоритмы и методики обучения функционирования нейронного регулятора могут быть использованы не толь> в системе управления профилем массы 1 м2, но и других подобных системах фавления показателями качества бумажного полотна, например, толщиной

или влажностью в поперечном направлении. Универсальность нейронных сетей позволяет применять полученную структуру нейронного регулятора на различных бумагоделательных машинах. Настройка регулятора, при этом, будет заключаться только в переобучении нейронных сетей.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Бахтин A.B., Жукова Ю.С. Нейронная сеть в системе управления процессом формования бумажного полотна. Сборник докладов четвертой Международной конференции " Измерения, контроль и автоматизация производственных процессов" (ИКАПП-97) том 2: "Физико-технические основы измерений и производственных процессов"/ Под ред. П.И. Госькова. Барнаул: Изд-во АлтГТУ,1997.,133-135 с.

2. Бахтин A.B., Жукова Ю.С. Разработка нейронной модели устройства напуска массы на сетку. Межвузовский сб. научных трудов "Машины и аппараты целлюлозно-бумажного производства" / СПбГТУРП., СПб., 1997., 42-45 с.

3. Бахтин A.B., Жукова Ю.С. Использование нейросетей в системе управления качеством бумажного полотна. Международная конференция по мягким вычислениям и измерениям (SCM'98), том 1, секция "Нейрокомпьютерные сети и их применения" Санкт-Петербург, 1998., 352-354 с.

4. Бахтин A.B., Жукова Ю.С. Система управления массой 1 м 2 бумажного полотна с использованием нейросетевой модели. Международная конференция по мягким вычислениям и измерениям (SCM'99), том 1, секция "Нейрокомпьютерные сети и их применения", Санкт-Петербург, 1999., 32-33 с.

5. Бахтин A.B., Жукова Ю.С., Русинов JI.A. Оптимальная структура нейронной модели для системы управления качеством бумаги. Сборник докладов 12 Международной научной конференции "Математические методы в технике и технологиях " (ММТТ-12) том 5 , секция 11 (Информатизация и интеллектуализация управляемых процессов и систем), Великий Новгород, Нового-род. гос. ун-т.,1999.,5-6 с.

6. Бахтин A.B. Система управления показателями качества бумажного полотна на базе нейросетевых технологий. Тезисы докл. Четвертой Санкт-Петербургской ассамблеи молодых ученых и специалистов., СПбГУ, 1999., 52-53 с.

7. Бахтин A.B., Русинов JI.A. Нейронный регулятор для распределенного объекта управления. Сборник докладов 13 Международной научной конференции "Математические методы в технике и технологиях" (ММТТ-2000), том 5, секция 11 (Интеллектуальные системы в технике и технологиях), Санкт-Петербург, СПбГТИ (ТУ).,2000., 68-69 с.

8. Бахтин A.B. Нейронная система управления поперечным профилем полотна на бумагоделательной машине с использованием специальных фильтров. Сборник трудов II Международной научно-практической конференции "Информационные технологии в моделировании и управлении" Санкт-Петербург, СПбГТУ, 2000., 60-62 с.

Введение.

1. АНАЛИЗ СОВРЕМЕННЫХ СИСТЕМ УПРАВЛЕНИЯ

КА ЧЕСТВОМ БУМАГИ.

1.1. Характеристика производства бумаги на современных бумагоделательных машинах.

1.2. Обзор технологических методов и средств контроля и управления качеством бумаги в поперечном направлении.

1.2.1. Определение показателей характеризующих качество бумаги.

1.2.2. Обоснование необходимости управления поперечным профилем основных показателей качества бумаги.

1.2.3. Экономические факторы эксплуатации систем управления поперечным профилем бумажного полотна.

1.2.4. Описание технологического процесса производства бумаги и способов управления основными показателями качества.

1.2.5. Описание технологии измерения показателей качества бумаги.

1.3. Описание системы управления профилем бумажного полотна.

1.3.1. Общая структура системы управления.

1.3.2. Краткое описание основных контуров управления.

1.3.3. Алгоритмы координированного управления основными показателями качества бумажного полотна.^Л.

1.4. Выводы. Постановка задачи исследования.

2. РАЗРАБОТКА АДАПТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОФИЛЕМ МАССЫ 1 м2 БУМАЖНОГО ПОЛОТНА НА ОСНОВЕ НЕЙРОННЫХ ТЕХНОЛГИЙ.

2.1. Разработка нейросетевого алгоритма управления профилем губы напорного ящика.

2.1.1. Функциональная схема нейросетевой системы управления и алгоритм ее адаптации.

2.1.2. Алгоритм создания обучающих выборок.

2.1.3. Алгоритм учета ограничений на управляющие воздействия.

2.2. Разработка структурной схемы нейронной системы управления.

2.3. Описание многослойных нейронных сетей и алгоритма обратного распространения ошибки.

2.4. Выводы.

3. ПОСТРОЕНИЕ НЕЙРОННОЙ МОДЕЛИ ОБЪЕКТА УПРАВЛЕНИЯ.

3.1. Анализ математических моделей, используемых в современных системах управления.

3.2. Экспериментальные исследования объекта управления.

3.3. Выбор топологии, алгоритма и методики обучения нейронной модели.

3.3.1. Определение топологии нейронной модели и ее оптимизация.

3.3.2. Определение структуры и размера обучающей выборки.

3.3.3. Масштабирование входных и выходных данных.

3.3.4. Выбор алгоритма обучения, его параметров и настроек.

3.4. Оценка адекватности нейронной модели.

3.4. Выводы.

4. РАЗРАБОТКА НЕЙРОННОГО РЕГУЛЯТОРА.

4.1. Обоснование и выбор топологии нейронного регулятора, методики и алгоритма его обучения.

4.1.1. Построение структуры нейронного регулятора.

4.1.2. Разработка методики обучения нейронного регулятора, формирование обучающей выборки и масштабирование данных.

4.1.3. Особенности проведения экспериментов по обучению регулятора.

4.1.4. Определение оптимальных настроек алгоритма обучения регулятора.

4.2. Сравнительный анализ нейросетевого и оптимального робастного регуляторов.

4.3. Анализ способов улучшения качества переходных процессов системы управления с нейронным регулятором.

4.4. Исследование переходных процессов в системе управления с нейронным регулятором.

4.5. Оценка устойчивости и качества нейронной системы управления.

4.6. Выводы.

Интенсивное развитие полиграфической промышленности, множительно-копировальной техники и других потребителей бумаги ставит задачи повышения качества бумажной продукции. Качество бумаги определяется рядом механических и печатных свойств в зависимости от ее вида и сорта. Однако вне зависимости от назначения бумаги существуют показатели качества, которые влияют на большинство ее потребительских свойств. Неравномерность профиля таких показателей качества как масса 1 м2, зольность, влажность и толщина бумажного увеличивает количество брака и обрывов бумажного полотна, затрудняет получение ровной и плотной намотки его на накате, повышает число внутрирулонных дефектов. Излишне высокое значение массы 1 м приводит к перерасходу волокна, наполнителей и энергоресурсов.

В тоже время, в условиях производства наблюдается тенденция к увеличению производительности бумагоделательных машин (БДМ), что неразрывно связано с совершенствованием системы управления формованием бумажного полотна. Увеличение скорости машины свыше 20 м/с при обрезной ширине более 8 метров невозможно без точного координированного управления этим процессом.

Поскольку первоначальное формирование бумажного полотна и его свойств происходит на мокрой части БДМ, важнейшей задачей управления является обеспечение равномерного отлива бумажной массы на сетку машины.

Существующие системы управления формованием бумажного полотна достаточно сложны и не всегда эффективно справляются с некоторыми возмущениями, действующими на процесс, например знакопеременными, распределенными по всей ширине машины, а также с эффектами, возникающими по краям бумажного полотна. Модели объекта, обычно используемые в таких системах управления, являются симметричными, т.е. упрощенными и учитывают только основные законы гидродинамики, что существенно сказывается на их адекватности реальному объекту.

Развитие компьютерной техники позволяет использовать в системах управления нейронные сети - одно из новейших направлений современных технологий. Нейронные сети находят свое применение в системах распознавания образов, обработки сигналов, предсказания и диагностики, в робототехни-ческих и других сложных системах.

Система управления, разработанная на основе нейронных технологий, обладает рядом преимуществ: во-первых, нейронная технология управления позволяет строить модели сложных объектов управления по принципу "черного ящика", во-вторых, нейронные модели легко адаптируются при изменении параметров моделируемого объекта. в-третьих, они позволяют реализовать модели для многомерных объектов.

Цель работы состоит в создании на базе нейросетевых технологий системы управления процесса отлива бумаги на сетку бумагоделательной машины для повышения качества бумажного полотна.

Исходя из поставленной цели, в работе решаются следующие научные и практические задачи:

• экспериментальное исследование и разработка математической модели взаимосвязи процесса напуска массы и динамики изменений основных показателей качества бумаги;

• разработка топологий нейронной модели процесса и нейронного регулятора с учетом априорной информации об объекте;

• построение структуры адаптивной нейросетевой системы управления массой 1м2 по ширине бумажного полотна;

• разработка алгоритма функционирования нейросетевой системы управления;

• анализ качества переходных процессов, оценка устойчивости и робастных харакитеристик системы управления с нейронным регулятором. 7

Работа выполнялась по Государственной научно-технической программе России "Комплексное использование и воспроизводство древесного сырья" р.4 "Новые технологические процессы производств бумаги и целлюлозных композиционных материалов" р.4.4.6. "Методология создания интегрированных автоматизированных систем управления целлюлозно-бумажными производствами с использованием элементов искусственного интеллекта".

4.6. Выводы

Результатом разработки нейронного регулятора является обоснованное построение его структуры, способ его подключения к нейронной модели. Определена методика обучения регулятора структура обучающей выборки и особенности масштабирования данных. Найдены оптимальные, с точки зрения качества переходного процесса, настройки алгоритма обучения регулятора [79,80,81].

Проведен сравнительный анализ систем управления с нейронным и оптимальным робастным регуляторами, в результате которого получены графики переходных процессов. Несмотря на то, что переходный процесс, обеспечиваемый нейронным регулятором имеет значительно менее плавный характер, такая система управления является значительно более быстродействующей.

Сравнительный анализ параметров переходных процессов, полученных при различных начальных условиях, позволяет сделать вывод о том, что нейронный регулятор обеспечивает управление профилем массы 1 м бумажного полотна близкое к оптимальному.

При анализе переходных процессов показано, что колебательность, присущую системе управления с нейронным регулятором можно значительно уменьшить, вводом дифференцирующего полиномиального фильтра и коэффициента усиления на управляющие воздействия. Это значительно повышает устойчивость системы управления и качество переходных процессов.

Полученные трехмерные графики переходных процессов по 58 каналам управления позволяют сделать вывод о том, что нейронный регулятор успешно подавляет возмущения, характерные для данного объекта.

Заключение.

1. На основе анализа работы современных систем управления бумагоделательными машинами сформулированы задачи по повышению качества профиля бумажного полотна в поперечном направлении, определены преимущества использования нейросетевого подхода к построению системы управления.

2. Предложена структура адаптивной нейросетевой системы управления профилем массы 1 м2 бумаги, построенная по двухсетевой схеме с использованием нейронной модели и нейронного регулятора. Разработаны алгоритмы функционирования системы и формирования массивов данных, необходимых для ее обучения.

3. Проведены экспериментальные исследования на действующей бумагоделательной машине, которые подтверждают предположения о том, что применение одной математической модели для всех исполнительных механизмов значительно снижает качество управления. Доказано, что разброс формы отклика от различных исполнительных механизмов существенно превосходит уровень шумов процесса, определены тенденции сдвига функции отклика по ширине полотна.

4. Построена оптимальная, с точки зрения точности и скорости обучения, нейронная модель объекта в зависимости от топологии, вида преобразующих функций и количества нейронов на внутреннем слое. Определено, что нейронная модель с неполносвязанной структурой (а именно, с локальными связями между нейронами, воспроизводящими зоны влияния исполнительных механизмов), более устойчива в процессе обучения и требует значительно меньшего количества вычислительных операций. Проведена оценка адекватности нейронной модели путем сравнения с усредненным откликом, полученным экспериментально на действующей бумагоделательной машине. Ошибка модели не превышает уровень шумов процесса и составляет 8НМ=0.126 г/м . Подобная нейронная модель может быть использована не только для массы 1м , но и для прогнозирования поперечных профилей других показателей качества бумажного полотна.

5. Экспериментальные исследования влияния топологии нейронного регулятора и преобразующих функций нейронов внутреннего слоя на работу системы управления показали:

• неполносвязанная сеть обеспечивает значительно лучшее качество управления, по сравнению с полносвязанной;

• использование функции гиперболического тангенса для нейронов внутреннего слоя дает существенное снижение колебательности;

• оптимальное число нейронов на внутреннем слое составляет 116 (снижение их количества до 58 приводит к увеличению колебательности, а повышение до 232 - к увеличению погрешности системы в установившемся режиме).

Эмпирическим путем найдены наилучшие, с точки зрения качества переходного процесса, настройки алгоритма обучения, обеспечивающие минимальную колебательность при достаточно малом времени переходного процесса.

6. Сравнительный анализ параметров переходных процессов, полученных при различных начальных условиях, позволяет сделать вывод о том, что нейронный регулятор обеспечивает качество управления, характеризуемое величиной 2о, на уровне 0.2 г/м (с учетом уровня шумов процесса), в то время как в существующей системе управления оно не ниже 0.85 г/м .

7. Для уменьшения колебательности переходного процесса системы с нейронным регулятором введено корректирующее звено в виде дифференцирующего полиномиального фильтра.

8. Оценка устойчивости системы управления проводилась методом статистических испытаний по специально разработанной методике. Эксперимент проводился при различных вариантах возмущений (всего более 300 испытаний). Во всех случаях система обеспечивала устойчивую работу.

121

Исследование робастных характеристик системы показало ее удовлетворительную работу при отклонениях параметров объекта на ±25%.

9. Сравнительный анализ систем управления с нейронным и оптимальным роба-стным регуляторами показал, что погрешность стабилизации нейронного регулятора соответствует оптимальному робастному регулятору, а время переходного процесса в системе с нейронным регулятором значительно короче.

10. Полученные структуры нейронных сетей, алгоритмы и методики обучения и функционирования нейронного регулятора могут быть использованы не только в системе управления профилем массы 1 м , но и других подобных системах управления показателями качества бумажного полотна, например, толщиной или влажностью в поперечном направлении. Универсальность нейронных сетей позволяет применять полученную структуру нейронного регулятора на различных бумагоделательных машинах. Настройка регулятора, при этом, будет заключаться только в переобучении нейронных сетей.

122

1. Vyse, R., King, J., Heaven, M., Pantaleo, S. Consistency Profiling - A New Technique for CD Basis Weight Control, Pulp & Paper Canada, 97:9, 1996., pp. 62-66.

2. Wellstead P.E., Waller M.H. Modelling paper machine cross-direction profiles. http:/www.csc.umist.ac.uk/twod/pubs/art5/625000.htm.

3. Кугушев И.Д. Теория процессов отлива и обезвоживания бумажной массы. М. 1967. 262 с.

4. Жукова Ю.С. Управление процессами подготовки и напуска массы на бумагоделательных машинах: Учебное пособие. JI:JITA им. Кирова, 1983., 47 с.

5. Valmet Automation Inc. DamaticXD, Paper quality: Paper machine controls, vol. 2. Tampere, Finland, 1995., 460 p.

6. Фляте Д.М. Свойства бумаги. M.: Лесная промышленность, 1986. 680 с.

7. Kastanakis G. and Lizr A. Interaction between the MD and CD control processes in paper making and plastics machines. Tappi J. 75(2) February 1992 P. 245-253.

8. Taylor B.F. Optimum separation of machine direction and cross direction product variations. Tappi J. 73(2) February 1991. P. 55-60.

9. Зорин И.Ф., Петров В.П., Рогульская C.A. Управление процессами целлюлозно-бумажного производства. -М.: Лесная пром-сть, 1981. 272 с.

10. Beecher А.Е., Bareiss R.A. Theory and practice of automatic control of basis weight profiles, Tappi J. 53(5) May 1970. P. 47-54.1 l.LUanopoB O.M. Средства управления поперечными профилями. 1988., 25 с.

11. Иванов С.Н. Технология бумаги. М., 1970., 695 с.

12. Konkoner О., Lindstom U. Sheet stability and moisture profile control in the dryer section of a high speed paper machine. Pulp and paper Canada, №7, 1985. pp. 2630.

13. Духанов В.Ф. АСУ ТП производства газетной бумаги на Кондопожском ЦБК. Бумажная промышленность 1978., №1, С. 10-11.

14. Техническое описание JetMaticMTXD Valmet Inc. AO "Светогорск".1997. 26c.

15. Техническое описание AccuRay 1180 MicroPlus: MicroSet Linear Stepper Slice Actuators. AccuRay Inc., USA, 1988., 4 c.

16. Жукова Ю.С. Управление качественными показателями бумаги на бумагоделательных машинах: Учебное пособие. Л.: JITA им. Кирова, 1984., 62 с.

17. Cross direction control. Devron-Hercules Inc. 1987., 32 с.

18. Техническое описание Nipco-Walze: NipcoControlSystem. Escher Wyss GmbH Inc., 1979., 12 c.

19. Техническое описание сканеров системы измерения Paper IQ., №А416358. Valmet Automation Inc., Tampere, Finland, 1998., 4 c.

20. Техническое описание датчика массы 1 м , №А416036. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.

21. Техническое описание датчика влажности, №А416343. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.

22. Техническое описание датчика зольности, №А416041. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.

23. Техническое описание датчика толщины, №А416038. Valmet Automation Inc., Tampere, Finland, 1996., 2 с.25.0ptiConcept. Valmet Automation Inc., Tampere, Finland, 1998.12 c.

24. Дахин M.M. Исследование колебаний веса бумаги в системе с рециркуляцией массы. Труды ВНИИБ, 1973, вып. 62, С.38-44.

25. Жукова Ю.С. Анализ колебаний веса и влажности бумажного полотна на быстроходных бумагоделательных машинах. Материалы второй научно-технической конференции по автоматизации ЦБП. Л.,1970., С.87-92.

26. Haykin S. Neural networks: A Comprehensive Foundation. Macmillan Pudlishing Company, USA, 1994. 696 p.

27. Widrow В., Lehr M.A. 30 years of adaptive neural networks: perceptron, madaline, and backpropagation // Proceedings of the IEEE, vol. 78, No. 9, September, 1990, p. 1415-1442.

28. Lippman R.P. An introduction to computing with neural nets // IEEE ASSP Magazine. Apr. 1987., P.4-22.

29. Дахин M.M., Жукова Ю.С. Анализ качества и чувствительности систем управления весом и влажностью бумаги. Труды ВНИИБ, 1973, вып. 62, С.29-38.

30. Wellstead, Р.Е., Heath W.P. 'Two Dimensional control systems: Applications to the CD and MD problem', Pulp and Paper Canada, vol 95, 4, 1994.

31. Levin A.U., Narenda K.S. Control of nonlinear dynamical systems using neural networks: controllability and stabilization. IEEE Trans., 1993, NN-4, (2), pp. 192206.

32. Liu C.C., Chen F.C. Adaptive control of nonlinear continuous-time system using neural networks-general relative degree and MIMO cases. Int. J.Control, 1993., 58,(2), pp.317-335.

33. Chen F.C., Khalil H.K. Adaptive control of nonlinear systems using neural networks.,Int. J.Control, 1992., 55, (6), pp. 1299-1317.

34. Yabuta Т., Yamacla T. Neural network controller characteristic with regard to adaptive control. IEEE Trans. 1992.,SMS-22, (1), pp. 170-177.

35. Kasparian V., Batur C. Model reference based neural network adaptive controller. // ISA Transactions, № 37, 1998., pp.21-39.

36. Yuan M., Poo A.N., Hong G.S. Direct neural control system: Nonlinear extension of adaptive control. // IEE Proc.-Control Theory Appl., Vol.142, № 6, Nov. 1995., P. 661 -667.

37. Райскил П. Нейронный регулятор на основе многослойного персептрона. Работа на звание лицензиата техн. наук. Технический институт г. Тампере., Финляндия, 1989. 65 с.

38. Rosenblatt F. Analytic techiques for the study of neural nets.// IEEE Transactions on Applications and Industry, v.83, № 74, 1964., P.24-36.

39. Minsky M.L. Step towards artifical intelligence. Proceedings of the Institute of Radio Engineers., 1961., №49., P.8-30.

40. Widrow В. Generalization and information storage in networks of adaline 'neurons'. Self-Organizing Systems, Washington, D.S.: Sparta, 1962., P. 435-461.

41. Hinton G.E. Machine learning: Paradigms and Methods. Artifical Intelligence., №40, P. 185-234.

42. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation. In Parallel Distributed Processing, Cambridge, MA, MIT Press., vol. 1,1986., P.318-362.

43. Neural Computing. Neural Ware Inc. USA, 1996., 326 p.

44. Torsten N., Wellstead P.E. Two dimensional data-analysis for paper machines. http:/www.csc.umist.ac.uk/twod/pubs/art3/605 000.htm.

45. Kjaer A.P, Waller M.J., Wellstead P.E. Headbox modelling for cross-direction basis weight control. // ISA Transactions №33, 1994., pp. 245-254.

46. Пиргач H.C., Казанюк П.А. Бумагоделательная машина как объект управления массой 1 м2 и влажностью бумажного полотна. Целлюлоза, бумага, картон: научно-технический реферативный сборник., №13, М.: 1979.

47. Дахин М.М., Филатченкова Т.Д. Системы взаимосвязанного регулирования веса 1 м2 и влажности бумажного полотна. Труды ВНИИБД969, вып. 54, С.113-126.

48. Кондрашкова Г.А., Леонтьев В.Н., Шапоров О.М. Автоматизация технологических процессов производства бумаги. М.: Лесная пром-сть, 1989., 328 с.

49. Зорин И.Ф., Петров В.П., Рогульская С.А. Управление процессами целлюлозно-бумажного производства. -М.: Лесная пром-сть, 1981. 272 с.

50. Heath W.P. Orthogonal Functions for Cross-Directional Control of Web Forming Processes, Automatica 32, 2, 1996, pp. 183-198.

51. Жукова Ю.С., Гончарова М.Ф., Коновалов H.A. Модель влияния процесса напуска массы на качество бумаги по ширине. // Химия и технология бумаги: Межвуз.сб.науч.тр./ Л.: Изд. ЛТАД988 С.64-67.

52. Wang X., Dumont G. A., Davies M. S. 'Estimation in paper machine control. IEEE Transactions on Control Systems Technology. 1993., P.34-43.

53. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.309-319.

54. Гордиенко E.K., Лукьяница A.A. Искусственные нейронные сети. // М. Техническая кибернетика, №5, 1994. С.79 91.

55. Neural Works Reference Guide. Neural Ware Inc. USA, 1996., 278 p.

56. Muller В., Reinhardt J. Neural networks. Springer -Verlag. 1990., 267 p.

57. Бахтин A.B., Жукова Ю.С. Разработка нейронной модели устройства напуска массы на сетку. Межвузовский сборник научных трудов "Машины и аппараты целлюлозно-бумажного производства" /СПбГТУРП. СПб. 1997. С. 42-45.

58. Бахтин A.B., Жукова Ю.С. Использование нейросетей в системе управления качеством бумажного полотна. Международная конференция по мягким вычислениям и измерениям (SCM'98), том 1, секция "Нейрокомпьютерные сети и их применения" Санкт-Петербург, 1998 .

59. Narendra K.S., Parthasarathy К. Identification and control of dynamical systems using neural networks. IEEE Trans., 1990., NN-1,(1), pp. 4-27.

60. Chen S., Cowan C.F.N.,Billings S.A., Grant P.M. Nonlinear system identification using neural networks. Int. J. Control 55(6) 1992.1299-1317.

61. Фокин A.JI. Робастное управление линейным объектом. // Сб. трудов " Математические методы в технике и технологиях " т. 1 / Великий Новгород: НГУ, 1999- С. 161-163.

62. Первозванский А.А. Курс теории автоматического управления М.: Наука, 1986-616 с.

63. Бураков М.В. Синтез нейронного регулятора. // Известия академии наук. Теория и системы управления, 1999, №3, С.140-145.

64. Русинов JI.A. Автоматизация аналитических систем определения состава и качества веществ Д.: Химия, 1984 - 160с.

65. Скоциляс И.П. Типовой подход при создании подсистемы автоматического управления массой 1 м2 и влажностью бумажного полотна. Бумажная промышленность. №10, 1985., С. 12-13.

66. Петров В.П., Зорин И.Ф., Рогульская С.А. Автоматизированные системы управления технологическими процессами. М. 1977., 51 с.

67. Зорин И.Ф., Петров В.П., Рогульская С.А. Управление процессами целлюлозно-бумажного производства. М.: Лесная пром-сть, 1981. - 272 с.

68. Marton J. Effects of machine speed on formation, drainage and retention, Tappi J. 71(4) (April 1988).

69. Duncan S., Heath W., Wellstead P. Ralating different approaches to cross-directional control. http:/www.csc.umist.ac.uk/twod/pubs/artl/600 000.htm

70. Примаков С.Ф. Производство бумаги. M.: Лесная промышленность, 1987, 224 с.

71. Вайз Б., Кинг Д., Хилден К. Управление профйлем толщины на софт-каландрах. Pulp and Paper Canada vol.95, №5. 1994.

72. Dumont, G. A. Jonsson, I.M. Davies, M.S. Ordubai, F.T. Fu, Y. Natarajan, K, Lindeborg, and Heaven, E.M. Estimation of Moisture Variations on Paper Machines, IEEE Transactions on Control Systems Technology, 1, 2, 1993., pp. 101-113.

73. Duncan S.R., Corsadden K.W. Mini-max control of cross-directional variations on a paper machine // IEE Proc. control theory, 1998. Vol.145 N2 - P. 189-195.

74. Peterka V. On steady state minimum variance control strategy. Kybernetica, 1972, 8, (3), pp.219-232.

75. Бахтин A.B. Система управления показателями качества бумажного полотна на базе нейросетевых технологий. Тезисы докладов Четвертой Санкт-Петербургской ассамблеи молодых ученых и специалистов., СПбГУ, 1999. С.52-53.

76. Исполнительный механизм №55 Перемещение: -0.1 мм

77. Исполнительный механизм №23 Перемещение: -0.1 мм

78. Исполнительный механизм №54 Перемещение: -0.1 мм

79. Исполнительный механизм №23 Перемещение: +0.1 мм

80. Исполнительный механизм №54 Перемещение: -0.1 мм

81. Исполнительный механизм N2 3 Перемещение: -0.1 мм

82. Исполнительный механизм № 27 Перемещение: -0.1 мм

83. Исполнительный механизм № 19 Перемещение: +0.1 мм

84. Исполнительный механизм №43 Перемещение: -0.1 мм

85. Исполнительный механизм №11 Перемещение: +0.1 мм

86. CNVAR, 1, (float)0.02876608 }, { CN VAR, 118, (float)0.2832634 },

87. CNVAR, 119, (float)-0.3248827 },

88. CNVAR, 120, (float)0.02426506 },

89. CNVAR, 121, (float)-0.3926372 },

90. CNVAR, 122, (float)0.06571849 },

91. CNVAR, 123, (float)0.5577689 },static PEWTS taPEWts0232. = {

92. CNVAR, 1, (float)-0.001198553 },

93. CNVAR, 112, (float)0.02463317 },

94. CNVAR, 113, (float)0.01097955 },cnvar, 114, (float)0.01577954 },

95. CNVAR, 115, (float)-0.07841696 },

96. CNVAR, 116, (float)0.01930592 },

97. SWC(PEWTS *tpPEW=0;) /* PE Weight Pointer */

98. SWC(int nPEX=0;) /* PE Weight counter */

99. SWC(int nFF=0;) /* PE First Flag */

100. SWC(float fWt=0;) /* float work weight */*** WARNING: Code generated assuming Recall = 0 *** */ SWC(Xout1. = (float)1;) /* Initialize Bias */

101. SWC(Xout 105. = SWC(Xout [106] = SWC(Xout[107] = SWC(Xout [108] = SWC(Xout [109] = SWC(Xout[110] = SWC(Xout [111] = SWC(Xout [112] = SWC(Xout[113] = SWC(Xout [114] = SWC(Xout [115] = SWC(Xout[116] = SWC(Xout [117] = LAB107:

102. Generating code for PE 0 in layer <ModelHidd> (3) */ Xsum118. = (float) (-0.0075926548) + (float) (-0.58462298) * Yin[0] + (float)(-0.68916833) * Yin[l] +float) (-1.6401325) *Yin2. + (float) (-0.2485911) * Yin[3] + (float)(-0.87215185) * Yin[4];

103. Generating code for PE 1 in layer <ModelHidd> (3) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0119), tpPEW = &taPEWts01190.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

104. Xsum119. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

105. Xsum119. 4-= (float) (tpPEW->fPEWt * Xout[tpPEWusPESrc.);

106. Generating code for PE 2 in layer <ModelHidd> (3) */--,. #if defined (STATICWTS)for( nFF-0, nPEX=ASof(taPEWts012 0), tpPEW = StaPEWts0120 0.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

107. Xsum120. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

108. Xsum120. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);

109. Yin103. Yin[104] Yin[105] Yin[106] Yin[107] Yin[108] Yin[109] Yin[110] Yin[111] Yin[112] Yin[113] Yin[114] Yin[115]

110. Generating code for PE 3 in layer <ModelHidd> (3) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0121), tpPEW = &taPEWts01210.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

111. Xsum121. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

112. Xsum121. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.); }else /* #if defined(STATICWTS) */

113. Generating code for PE 55 in layer <ModelHidd> (2) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0289) , tpPEW = &taPEWts02890.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

114. Yout55. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

115. Yout55. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.); }else /* #if defined(STATICWTS) */

116. Xout 1124. + (float) (-0.038302977) * Xout125] +float)(-0.077672914) *Xout126. + (float)(-0.025423203)1. Xout127.;

117. Yout55. += (float) (-0.021087801) * Xout[139] + (float) (0.0076729339) * Xout[140] +float)(-0.072785392) *Xout141. + (float)(-0.014626656)

118. Yout55. += (float) (0.092546664) * Xout[150] + (float) (0.047809251) *Xout[151] + (float) (0.096833125) * Xout[152](float) (-0.01606749) *Xout153. + (float)(0.092078984)

119. Xout154. + (float) (-0.018605547) * Xout[155] +float) (0.056449171) *Xout156. + (float) (-0.0031628662)

120. Xout157. + (float) (-0.055973969) * Xout [158] +float) (-0.0047475263) * Xout159. + (float) (0.0016773774) * Xout[160];

121. Yout55. += (float) (-0.10581314) *Xout[161] + (float) (0.10818876) * Xout[162] +float) (-0.0070349434) *Xout163. + (float) (0.081517451)

122. Xout164. + (float) (0.25692657) * Xout[165] +float) (-0.15195653) *Xout166. + (float)(0.18489572) * Xout[167] + (float) (0.0090313284) * Xout[168] +float) (-0.047065943) *Xout169. + (float) (-0.024643261)

123. Xout170. + (float) (-0.90198088) * Xout[171];

124. Xout17 9. + (float) (0.059679992) * Xout [180] +float) (-0.044534467) *Xout181. + (float) (-0.036565363)1. Xout 182.;

125. Xout192. + (float) (0.010411466) * Xout[193];

126. Yout55. += (float) (0.014791907) * Xout[194] + (float) (0.03041927) * Xout[195] + (float)(0.0056851832) *Xout[196](float)(0.09976799) *Xout197. + (float)(-0.016738435)

127. Xout198. + (float) (0.072112031) * Xout [199] +float) (-0.039111637) *Xout200. + (float) (0.04337826) * Xout[201] + (float) (-0.030432042) * Xout[202] +float)(0.02916971) *Xout203. + (float)(0.032956142) * Xout[204];

128. Yout55. += (float)(0.031197097) * Xout[205] + (float) (0.066046372) * Xout[206] +float)(-0.052220058) *Xout207. + (float)(-0.071860701)

129. Yout 55. += (float) (-0.070367955) * Xout[216] + (float) (0.040702909) * Xout[217] +float) (-0.066723615) * Xout218. + (float) (-0.045117568)

130. Xout219. + (float)(0.011476784) * Xout[220] +float) (0.01074415) * Xout221. + (float) (-0.021152148) * Xout[222] + (float) (-0.071415365) * Xout[223] +float) (-0.057552688) *Xout224. + (float) (-0.0024843952)

131. Xout225. + (float) (-0.047430765) * Xout[226];

132. Generating code for PE 56 in layer <ModelHidd> (2) */ #if defined(STATICWTS)for( nFF=0, nPEX=ASof(taPEWts0290), tpPEW= &taPEWts02900.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

133. Yout56. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

134. Yout56. += (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);

135. Xout124. + (float) (0.037529103) * Xout[125] +float)(0.051067527) *Xout126. + (float)(-0.016252313) * Xout[127];

136. Xout 14 6. + (float) (0.046999216) '* Xout[147] +float)(-0.027631855) * Xout148. + (float)(0.02883729) * Xout[14 9];

137. Yout56. += (float) (0.017965971) *Xout[150] + (float) (0.008083703) * Xout[151] + (float)(0.031842094) *Xout[152](float)(-0.039747816) *Xout153. + (float)(0.10755939)

138. Xout154. + (float) (-0.053134985) * Xout[155] +float)(-0.042406455) * Xout156. + (float)(0.057989217) * Xout[157] + (float) (0.022489825) * Xout[158] +float) (-0.030283706) * Xout159. + (float) (-0.01314 684 7)1. Xout160.;

139. Xout179. + (float) (-0.02084142) * Xout[180] +float) (-0.066587962) * Xout181. + (float) (0.076739483) * Xout [182];

140. Yout56. += (float) (0.022440951) * Xout[205] + (float)(0.057302345) *Xout[206] + (float)(-0.038736191) * Xout[207](float) (-0.017358873) * Xout208. + (float) (0.05717016)

141. Xout209. + (float) (0.0049336986) * Xout[210] +float)(-0.062910147) * Xout211. + (float)(0.086154297) * Xout[212] + (float) (0.035977758) *Xout[213] +float)(-0.039632522) *Xout214. + (float)(-0.0028091075)1. Xout215.;

142. Yout56. += (float)(-0.051835582) * Xout[216] + (float) (0.048689365) * Xout[217] +float)(-0.048377778) *Xout218. + (float)(0.022569019) * Xout[219] + (float) (-0.0024557149) * Xout[220] +float)(-0.0098126931) *Xout221. + (float)(0.0026180283)

143. Xout222. + (float) (0.015746858) * Xout [223] +float) (0.0054173684) * Xout224. + (float) (0.016407894) * Xout[225] + (float) (-0.037289437) * Xout[226];

144. Generating code for PE 57 in layer <ModelHidd> (2) */ #if defined(staticwts)for( nFF=0, nPEX=ASof(taPEWts0291), tpPEW = &taPEWts0291 0.; --nPEX >= 0; tpPEW++ ) {if ( nFF == 0 ) {

145. Yout57. = (float)(tpPEW->fPEWt * Xout[tpPEWusPESrc.);nFF = 1; } else {

146. Yout 57. += (float) (tpPEW->fPEWt * Xout[tpPEWus PESrc.); }else /* #if defined(STATICWTS) */

147. Yout57. += (float) (0.024549885) * Xout [128] + (float) (0.028588373) *Xout[129] + (float) (-0.00775313) * Xout[130](float)(0.035603616) * Xout131. + (float)(0.069190897

148. Xout132. + (float) (0.013382584) * Xout [133] +float)(-0.04768027) *Xout134. + (float) Xout[135] + (float) (-0.001387941) * Xout[136] +float)(-0.01083377) *Xout137. + (float) Xout[138];

149. Yout57. += (float)(-0.0040672994) * Xout[139] (float)(0.014483802) *Xout[140] +float)(0.045989539) *Xout141. + (float) Xout[142] + (float) (-0.029169539) * Xout[143] +float) (-0.079728387) * Xout144. + (float

150. Xout14 5. + (float) (0.010779648) * Xout [146] +float) (-0.015770346) * Xout147. + (float

151. Xout148. + (float) (0.016478762) * Xout[149];

152. Yout57. += (float) (-0.094343558) * Xout[150] + (float) (0.01192199) * Xout[151] +float) (-0.058659598) *Xout152. + (float) (0.040988147) * Xout[153] + (float) (-0.025512779) * Xout[154] +float)(0.00038508809) *Xout155. + (float)(0.033565726)

153. Xout156. + (float) (0.029761165) * Xout[157] +float)(0.018241204) *Xout158. + (float)(-0.098849811) * Xout[159] + (float)(-0.10244063) * Xout[160];

154. Xout17 9. + (float) (-0.017015431) * Xout [180] +float)(0.025309129) *Xout181. + (float)(0.00055706291)1. Xout182.;

155. Yout57. += (float) (-0.028378503) * Xout[183] + (float) (0.071844369) * Xout [184] +float) (0.0070209159) *Xout185. + (float)(-0.023294132)

156. Yout57. += (float) (-0.047049221) * Xout[205] + (float) (0.053559501) * Xout[206] + (float) (0.070006877) * Xout[207](float) (0.027050784) *Xout208. + (float)(0.10333727 )

157. Xout209. + (float) (0.038280409) * Xout [210] +float) (-0.01091004) * Xout211. + (float) (0.031772349) * Xout[212] + (float) (0.010400171) * Xout[213] +float) (0.0041741529) * Xout214. + (float) (-0.053801827)1. Xout215.;

158. Xout223. + (float) (0.042593304) * Xout[224] +float) (0.0302864) *Xout225. + (float)(0.037350912) * Xout[22 6] ;

159. Generating code for PE 57 in layer <ModelHidd> (2) */ return ( 0 );if defined(cplusplus)endifprogram NNControlBDM;1. Uses crt,dos;type

160. ArrReal = array1.140. of Real; ArrArrReal = array[1.14] of ArrReal; VAR

161. Fb,F:text; Fbl:text; Fail:text; UUUU:text; UUU:text;

162. DosError:=0; PN:='rBP.EXE'; CL:='rBP.EXE'; swapvectors; exec(PN,CL); swapvectors;

163. FOR i:=l TO 58 do ypredpred 1. : ==ypred i. ;

164. FOR i:=1 TO 58 do ypred1.:=yi.;1. FOR i:=1 TO 58 do begin

165. Проректор по учебной работе / СПбГТУ РП1. В.А.Суслов

166. УТВЕРЖДАЮ директор АО ВНИИБ

167. П.С. Осипов ентября 2000 г.

168. УТВЕРЖДАЮ' Проректор по научной работе С анкт- П етсрбур гс ко го госу -дарственною технологи четкого универс^-пега рас ги •бря 20001. АКТо передаче и использовании результатов диссертационной работы Бахтина Андрея Владимировича " " . 2000 г.

169. Настоящий акт не является основой для взаимных финансовых отношений.

170. От ЗАО ВНИИБ Ведущтй научный сотрудник, д.т.н. профессор1. И.Ф.Зорин

171. От СПбГТУ РП Зав. кафедрой АХТИ, д.т.н., профессор1 '.А.Кондрашкова1. Аспирант кафедры АХТИ

172. УТВЕРЖДАЮ директор по технике ЗАО ГИПРОБУЙЩ

173. В. Г. Шуйэ|ин ЗАО Ы| «//"«ноШгда^м/;//1. УТВЕРЖДАЮ

174. Проректор по научной работе1. Санкт-Петербургскогогосудар^твенного'т^хнолошяеского.университет^ раститбЛ^^хлолиме.рб'в/^ \1. В. С.ноября 2000 г•Зт-пе-^1. АКТ

175. О передачи и использовании результатов диссертационной работы Бахтина Андрея Владимировича « « ноября 2000 г.

176. От ЗАО ГИПРОБУМ Зам.начальника отдела электрооборудования и автоматизации —1. Ю. Ф. Бутов

177. От СПбГТУ РП Зав. Кафедрой АХТП, Д.т.н. профессор

178. Г. А. Кондрашкова Аспирант кафедры АХТП А. В. Бахтин^ У"щтг