Ковалюк Д.О., Москвіна С.М. Моделювання теплотехнологічних об’єктів з розподіленими параметрами

Подождите немного. Документ загружается.

140

5. ПРИКЛАДИ ПРАКТИЧНОЇ РЕАЛІЗАЦІЇ

ЗАПРОПОНОВАНИХ ПІДХОДІВ В СИСТЕМАХ УПРАВЛІННЯ

ТЕХНОЛОГІЧНИМИ ПРОЦЕСАМИ

В цьому розділі описано сучасні тенденції розвитку систем

управління технологічними процесами, з урахуванням яких здійснена

практична реалізація запропонованих в роботі методів та моделей.

Наведено структуру розробленого програмного забезпечення,

використання якого дозволило провести експериментальні досліджен-

ня на ВАТ “Керамік” та ДП “Браїлівський цегельний завод”.

5.1. Структура сучасних систем управління технологічними

процесами

Експлуатація теплових об’єктів часто протікає в умовах нестабі-

льності зовнішнього середовища та умов функціонування. З огляду на

це перед сучасними системами управління ставляться нові завдання,

пов’язані як безпосередньо з управлінням такими об’єктами, так і з

оперативним реагуванням на зміну зовнішніх умов [72, 166]. Основ-

ними засобами для виконання таких завдань сьо

годні виступають [47,

159, 162]:

–

нелінійне управління;

–

адаптація;

–

управління, основане на прогнозуванні стану об’єкта;

–

оператори-технологи процесу;

–

багатофакторний контроль.

Протягом років ці технології застосовувалися переважно окре-

мо, але практичні промислові системи для врахування збурень зовні-

шнього середовища вимагають поєднання принципів класичної теорії

автоматичного управління та нових інтелектуальних технологій. Таке

поєднання об’єкта та методів для його управління може бути предста-

влено у вигляді схеми, показаної на рис. 5.1.

Основними складовими при такому управлінні виступают

ь опе-

ративна ідентифікація процесу, механізм прийняття рішень, адапта

ція.

Функціонування цієї схеми управління здійснюється за таким

алгоритмом.

141

Багаторівневе управління

- зважування обмежень, перемикання

- діагностика

- каскадне управління

- інтегровано-виробниче управління

- експертне оцінювання

Моделювання в

реальному

масштабі часу

- ідентифікація

Інтелектуальний

аналіз

Аналіз

експлуатаційних

характеристик

Регулятори

Технологічний

процес

Адаптація

- механізм адаптації

- планування вигоди

- масштабування

Рис. 5.1. Схема інтелектуального управління ТП

Безперервно виконується моніторинг параметрів процесу, які

подаються на вхід блока ідентифікації, що визначає стан об’єкта. Крім

того, як показано в [163], блок ідентифікації може також містити де-

який вид рекурсивного алгоритму оцінювання, головна мета якого по-

лягає у знаходженні найкращої моделі процесу для поточного випад-

ку. В цьому випадку нова отримана модель, яка мож

е бути представ-

лена у вигляді передатної функції

, дискретної лінійної моделі, нечіт-

кої чи лінгвістичної моделі, використовується для подальшого прийн-

яття рішень. Стан об’єкта подається в систему вищого рівня, яка, ви-

користовуючи механізм прийняття рішень, приймає рішення стосовно

подальшого перебігу процесу. Це рішення надається людині-

оператору процесу, або при повній авт

оматизаці

ї процесу подається в

блок адаптації. З використанням відповідних алгоритмів блок адапта-

ції розраховує нові значення параметрів процесу та управляючі впли-

ви для їх отримання. Безпосереднє управління реалізується контроле-

рами прямого та зворотного зв’язку.

142

Основними складовими при такому підході виступають моделі

об’єкта управління. Незважаючи на те, що моделі об’єктів використо-

вуються для управління уже давно, основною проблемою є те, що

промислові теплові об’єкти вимагають адекватних за точністю моде-

лей, які не так просто отримати. Більшість розроблених систем управ-

ління тунельними печами базуються на емпіричних моделях. Стр

к-

тура і параметри емпіричних моделей не обов’язково враховують фі-

зичні значення, а тому ці моделі не можуть напряму бути адаптовані

до різних операційних умов. Тому останнім часом почали застосову-

ватися підходи з використанням Data-driven моделей, які базуються на

загальній апроксимації функцій (чорний ящик), що можуть коректно

враховувати динаміку та нелінійність цих систем.

Моделі, отримані внаслідок обробки даних, та ком

п’ютерний

ін-

телект забезпечують додаткові альтернативи моделювання для систем

управління, представлені на рис. 5.2.

Рис. 5.2. Альтернативи моделювання систем управління

143

Зазначимо, що реалізація цих напрямків моделювання знайшла

своє відображення в новому класі систем управління – гібридних сис-

темах, які поєднують функції моніторингу, оптимізації та управління

технологічними процесами і дістають все більшого поширення

останнім часом.

5.2. Застосування інтелектуальних технологій в підсистемі

управління тунельною піччю випалювання

Беручи до уваги сучасний стан вітчизняних систем автоматич-

ного управління [13, 27, 56, 66, 69], можна зробити висновок, що ос-

новними їх функціями є: вимірювання параметрів процесу; порівнян-

ня виміряних значень з еталонними; розрахунок управляючих впливів

для мінімізації відхилення між заданими та поточними значеннями

температури. Разом з тим для оптимального управління процесом ви-

палювання в роботі запропоновано метод ви

значення

оптимальних

параметрів моделі теплотехнологічного ОРП, який передбачає:

 прогнозування максимально можливої якості продукції, вра-

ховуючи дані попередніх етапів технологічного процесу;

 розрахунок температурного поля (уточнених параметрів мо-

делі) для отримання прогнозованої якості.

Враховуючи складність настроювання існуючих систем управ-

ління теплотехнологічними ОРП, для розв’язання описаних вище за-

дач в роботі запропонований перехід до багаторівневої схеми управ-

ління, такої, яка показана на рис. 5.3.

Така схема складається з двох рівнів [100]. Нижній рівень реалі-

зує традиційні функції систем управління ТП (вим

ірювання, розраху

нок відхилення, управління) і включає інформаційно-вимірювальні

пристрої, встановлену АСУТП, інформаційну систему для зберігання

параметрів процесу. Верхній рівень, що представлений інтелектуаль-

ною підсистемою, реалізує запропоновані в роботі моделі та методи і

здійснює розрахунок оптимального температурного поля (уточнені

параметри моделі ОРП) та вектора управління для його підтримання.

144

Оператор

Інтелектуальна підсистема

Інформаційна система

АСУТП Лабораторія

Інформаційно-вимірювальні пристрої Ручні проби

Процес випалювання в тунельній печі

Корегування

оператора

Задані

значення

Управляючий

вплив

Інформація

Рис. 5.3. Схема управління процесом випалювання

Розглянемо складові багаторівневої системи управління, наве-

деної на рис. 5.3. для об’єкта дослідження – тунельної печі випалю-

вання ВАТ “Керамік”.

Існуюча АСУТП відноситься до класу розподілених систем і

забезпечує відтворення заданого температурного профілю печі, взає-

модію з інформаційно-вимірювальними та виконавчими пристроями.

Управляючі функції АСУТП здійснюються в основних контурах, ха-

рактерист

ики яких наведені

в табл. 5.1.

Таблиця 5.1

Основні контури управління

Контрольовані змінні Керовані змінні

Температурне поле печі

Розрідження по довжині печі

Середня теплоємність палива

Температура матеріалу

Витрати газу на пальники

Витрати повітря на горіння

Інтервал проштовхування вагонеток

Відбір димових газів з печі з зони

підготовки

Нагнітання холодного повітря в зону

охолодження

Інформаційна система є частиною АСУТП і використовується

для збору та попередньої обробки сигналів від датчиків технологічних

параметрів процесу випалювання (фіксація моменту проштовхування

145

вагонеток), здійснює обчислення середніх значень показників процесу

за різні часові інтервали (розрахунок середньомасових температур це-

гли на позиціях зони випалювання) та зберігає поточну інформацію в

базі даних в реальному масштабі часу.

Інтелектуальна підсистема являє собою надбудову існуючої

АСУТП і призначена для розрахунку оптимальних значень параметрів

моделі теплотехнологічного ОРП на основі інформації про склад си-

ровини та етапи підготовки виробів.

Оскі

льки основним показником ефект

ивності ТП виготовлення

будівельної кераміки в роботі обрано якість продукції, що формується

під впливом вектора температур, то для інтелектуальної підсистеми

вибрано керовані та контрольовані змінні, наведені в табл. 5.2.

Таблиця 5.2

Контрольовані та керовані змінні інтелектуальної підсистеми

Контрольовані змінні Керовані змінні

Якість продукції Q

Температурне поле печі T

Витрати газу на пальники V

Витрати повітря на горіння P

В роботі запропоновано структуру інтелектуальної підсистеми,

наведену на рис. 5.4, що включає такі складові: блок прогнозування

якості продукції, блок оптимізації температурного поля, блок прийн-

яття рішень.

Блок прогнозування якості продукції використовує логіко-

імовірнісну модель класифікації марки міцності, що дозволяє врахо-

вувати ризик прийнятого рішення з управління даним процесом. В ос-

нові блоку оптимізації температурного поля використовує

ться задача

оптимізації (4.63),

(4.64), з критерієм ефективності (4.57), розв’язання

якої дозволяє отримати оптимальний в сенсі енергетичних витрат век-

тор температурного поля. Призначення блока прийняття рішень (БПР)

полягає у розрахунку управляючих впливів для підтримання заданого

температурного поля.

146

Процес

Блок оптимізації

Блок прогнозування

якості продукції

Оператор

БПР

opt

прогн

реал

Рис. 5.4. Структурна схема інтелектуальної підсистеми управління

Запропонована інтелектуальна підсистема [95] функціонує та-

ким чином: значення параметрів підготовчих етапів (вектор парамет-

рів сировини

S та вектор параметрів процесу сушіння D) подаються в

блок прогнозування якості продукції, на виході якого отримуємо об-

меження на варіювання температурного поля

G та максимально мож-

ливий клас міцності

. Ці значення подаються в блок оптимізації те-

мпературного поля, в якому розраховуються значення температурного

поля

opt

T для отримання відповідного класу міцності. Розрахований

вектор температур як еталонний подається в БПР, що розраховує

управляючі впливи

V (кількість повітря, об’єм газу) для підтримання

визначеного температурного режиму печі. Оператор посилає сигнал

управління

U безпосередньо на виконавчі механізми. Після виходу

продукції прогнозоване значення якості

прогн

Q порівнюється з реаль-

ним

реал

Q , що дає змогу вносити корективи в параметри математич-

них моделей та підвищувати їх точність.

Така підсистема дозволяє здійснювати управління якістю про-

дукції за рахунок коригування температурного поля печі відповідно

до параметрів сировини та сушіння.

147

5.3. Алгоритм визначення оптимальних параметрів моделі

випалювання

Як зазначено в попередньому розділі, метод визначення оптима-

льних параметрів моделі теплотехнологічного ОРП дозволяє розрахо-

вувати вектор температур для двох різних випадків:

 перед процесом випалювання – для визначення оптимального

температурного поля, що гарантує отримання максимальної якості

продукції;

 безпосередньо в процесі випалювання – для коригування ро-

зрахованого температурного поля у випадку неможливості його підт-

римання з технологічних причин.

Розв’язання задачі оптимізації (4.63), (4.64) для коригування те-

мпературного поля, проведено з використанням методу квадратичного

програмування.

Для визначення оптимального температурного поля, яке має пі-

дтримуватися в процесі випалювання, в задачі оптимізації

(4.63), (4.64) використовується нейромережева модель прогноз

ування

якості

продукції. В цьому випадку розв’язання задачі оптимізації кла-

сичними методами ускладнюється, оскільки нейромережева модель не

задана в явному вигляді. Проте, в цій моделі відома кількість нейро-

нів, їх вагові коефіцієнти, зміщення та функції активації, тому вона

може бути реалізована у вигляді суми добутків входів нейронів на їх

вагові коефіцієнти.

Враховуючи вищев

икладен

е, для розв’язання задачі оптимізації

з використанням нейромережевої моделі, в роботі запропоновано ал-

горитм, що включає такі етапи:

1. Прогнозування класу міцності виробів за допомогою ЛІ-

моделі, на вхід якої надходять значення параметрів підготовчих ета-

пів. Особливістю ЛІ-моделі є те, що при класифікації використову-

ються не самі значення факто

рів процесу, а відповідні

ймовірності, що

характеризують інтервал (градацію), в який потрапляють значення

цих факторів. Тому після розв’язання задачі класифікації отримуємо

максимально можливий клас виробів і градації (діапазон значень

змінних) температурного поля

min max

≤

≤TGT, при яких отримується

потрібна марка виробів. Оскільки в ЛІ-моделі градації факторів тем-

148

пературного поля впорядковані за зростанням, то для знаходження мі-

німальних значень температури буде достатнім провести аналіз чут-

ливості моделі:

 Підставити в модель ризику (4.5) значення параметрів підго-

товчих етапів (вектор параметрів сировини

S та вектор параметрів

процесу сушіння

D) та градації з найбільшим значенням для кожної

змінної температурного поля і розрахувати максимально можливу ма-

рку виробів.

 Зменшувати номер градацій для змінних температурного по-

ля поки клас міцності не стане меншим за максимально можливий.

В результаті отримаємо градації

min max

≤

≤TGT

, що гарантують

максимально можливу марку виробів з використанням мінімальних

значень температурного поля і звужують область допустимих значень

розв’язків задачі оптимізації.

2. Варіювання температурного поля для визначення мінімаль-

них енергетичних ресурсів. В області

min max

≤

≤TGT

вибирається ве-

ктор температурного поля

T, значення якого підставляються в нейро-

мережеву модель якості продукції NN (5.1). Вибір вектора

T здійс-

нюється на основі перебору (рис. 5.5) шляхом почергового збільшення

попередніх значень

№1 №3

№2

позиція

Рис. 5.5. Покрокова зміна температури на позиціях

Згідно з методом визначення оптимальних параметрів моделі

теплотехнологічного ОРП, значення міцності, розраховане за допомо-

гою моделі якості NN , прирівнюється нижній межі максимального

класу міцності, прогнозованого на кроці 1:

149

min

max

(,,,,,)

CLASS

NN M

≥+WB TSD , (5.1)

де

W – вектор ваг нейронів; B – вектор зміщення нейронів;

– фу-

нкції активації;

T – вектор температурного поля;

min

max

CLASS

M – мі-

німальне значення максимально можливого класу міцності;

– запас

міцності, що визначається точністю моделі NN .

так

ні

Розрахунок

Початок

клас виробів, обмеження

Класифікація марки

виробів

DS,

maxmin

TGT ≤≤

Отримання значень

ТП

Вибір вектора

min

)( MNN ≥T

Кінець

Розрахунок об'єму

палива

Розрахунок критерію

ефективності F

Рис. 5.6. Алгоритм оптимізації температурного поля

У випадку, якщо нерівність (5.1) виконується (рис. 5.6), то

 за формулою (4.58) розраховуються значення температури

садки

T на всіх позиціях ОРП, починаючи з першої;