МОДЕЛЮВАННЯ НЕЙРОМЕРЕЖЕВОЇ СИСТЕМИ ІДЕНТИФІКАЦІЇ ТА КЕРУВАННЯ ПАРАМЕТРАМИ ТЕХНІЧНОГО ОБ'ЄКТА
DOI:
https://doi.org/10.34185/1562-9945-3-146-2023-02Ключові слова:
система автоматичного управління; нейромережевий контролер, ПІД–регулятор; паровий котел; перехідний процесАнотація
У статті проводиться аналіз ефективності роботи нейромережевої системи управління змістом лужності (РН) у поживній воді парового котла. Інтелектуальна система управління реалізує принцип зворотного проходження похибки через нейроемулятор. Як об'єкт дослідження використовувалася модель підсистеми про-дувки водотрубного парового котла. Об'єктів управління характеризуються частою зміною режимів роботи та впливом зовнішніх збурень Навчання нейромережевого контролера та нейроемулятора проводилося на моделі САУ з ПІД–регулятором за методикою експертного коригування настроювальних коефіцієнтів: пропорцій-ності, сталої інтегрування та диференціювання на основі аналізу показників якості перехідного процесу. Зміна значень параметрів моделі об'єкта по каналах керування та збурення відповідала динамічним режимам роботи парового котла в широкому діапазоні парового навантаження. Аналіз перехідних процесів отриманих на основі імітаційного моделювання дозволяє стверджувати, що навчена нейромережева система управління успішно компенсує збурення на широкому діапазоні зміни зна-чень параметрів об'єкта по каналах управління і збурення (імітація зміни парового навантаження).
Посилання
Zhang Y. Neural network-based PID prediktivní kontrolʹ dlya neliniynykh time-delay systems / Y. Zhang, Z.Q. Chen, P. Yang, ZZ. Yuan // Proceedings of Interna-tional Conference on Machine Learning and Cybernetics.Vol. 2. 2017.
P. 1014 - 1018.
Yongquan Y.A. PID neural network controller/ Y.A.Yongquan, H.Ying, Z.Bi // Protsedury mizhnarodnoho menedzhmentu na Neural Networks.Vol. 3. 2017.
P. 1933 - 1938.
Klyuyev O.S. Nalahodzhennya system avtomatychnoho rehulyuvannya parovykh kotloahrehativ / O.S. Klyuyev, A. H. Tovarnov. M.: Enerhiya, 1970. - 270 s.
Ho S.J. Optimizing fuzzy neural networks dlya tuning PID controllers vykorystovuyuchy ortohonalʹni simulated annealing algorithm OSA/ S.J. Ho, L.S. Shu, S.Y. Ho / IEEE Transactions on Fuzzy Systems.Vol. 14. Issue 3. 2016.
P. 421 -434.
Yang P. Neural networks internal model control for water level of boiler drum in power station / P.Yang, D.G.Peng, Y.H. Yang, ZP. Wang // Proceedings of 2017 In-ternational Conference on Machine Learning and Cybernetics.Vol. 5. 2017. P. 3300 - 3303.
Mykhaylenko V.S. Syntez neyromerezhevoyi systemy avtomatychnoho rehulyuvannya rivnya vody v barabani kotla enerhobloku TES / Mykhaylenko V.S., Kharchenko R.YU. // Naukovi visti NTUU «KPI». - 2012. - №5. - S. 45 - 51.
Sen P. Adaptive Neural Controller/P.Sen, G.E. Hearn, Y. Zhang // In Neural Net-work Systems Techniques and Aplications. HRSG. Leondes C.T. 1998. - Vol.4. -
R. 274 - 343.
Boiler Operating Mistakes On Ships That Can Cost Big Time. URL: https://www.marineinsight.com/tech/boiler.
Artificial Neural Network and Machine Learning using MATLAB// https://www.udemy.com.
Yongquan, Y.A. PID neural network controller / Y.A.Yongquan, H. Ying, Z. Bi // Proceedings of International Joint Conference on Neural Networks.Vol. 3. 2017.
P. 1933 - 1938.
Mikhaylenko V.S. Analysis of Traditional and Neuro Fuzzy Adaptive System of Controlling the Primary Steam Temperature in Direct Flow Steam Generators in Thermal Power Stations / V. S. Mikhailenko, R. Yu. Kharchenko. // Automatic Con-trol and Computer Sciences - 2014. - Vol. 48 №. 6. - R. 334 -344.
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
