Разработка интеллектуального метода настройки ПИ-регулятора для управления нагревательными объектами в различных режимах работы

На большинстве предприятий различных отраслей промышленности перенастройка коэффициентов ПИД- или ПИ-регулятора в процессе работы технологических объектов, в частности нагревательных, не производится, что ввиду нелинейности таких агрегатов ведет к снижению качества переходных процессов и повышенному расходу энергоресурсов.

Решением данной проблемы является построение адаптивной системы, настраивающей параметры регулятора в режиме реального времени. Существует множество методов настройки ПИД-регуляторов. Их можно разделить на две группы: классические и интеллектуальные. Классические методы позволяют рассчитать коэффициенты на основе модели объекта управления, получить которую в условиях производства затруднительно. Интеллектуальные методы, включают в себя экспертные системы, нечеткую логику и нейронные сети. Такие методы либо не способны к оперативному обучению, а, значит, привязаны к динамике объекта управления, либо требуют автономную выборку для обучения, получение которой в условиях производства является нетривиальной задачей.

В работе предлагается создание нейросетевого оптимизатора состоящего из двух частей: нейронной сети, способной к оперативному обучению и выдаче оптимальных коэффициентов регулятора, и базы правил, определяющей моменты обучения и скорости обучения для отдельных нейронов.

В пакете программ Matlab проведено моделирование работы нагревательной печи в различных режимах работы с применением ПИ-регулятора без изменений коэффициентов (рис.1) и с их корректировкой при помощи разработанного нейросетевого настройщика (рис.2). Объект меняет свои параметры каждые три смены задания.

 

Рисунок 1 – Результаты эксперимента системы без настройщика

 

Рисунок 2 – Результаты эксперимента системы с настройщиком

 

По результатам эксперимента определено, что суммарное управление, а, значит, и энергозатраты, во втором случае меньше на 14,4%, чем в первом. Кроме того, необходимо отметить снижение перерегулирования в среднем на 5% при смене задания.

 

Научный руководитель – к.т.н., доцент Глущенко А.И.