Разработка модели автоматческого управления пароперегревателем котлоагрегата с помощью искусственных нейронных сетей

скачать Разработка модели автоматческого управления пароперегревателем котлоагрегата с помощью искусственных нейронных сетей Чернов А.С., Абруков В.С. Чувашский государственный университет Московский пр., 15, Чебоксары, 428015 Россия e-mail: abrukov@yandex.ru Введение С технологической точки зрения, задача управления пароперегревателем заключается в обеспечении заданного температурного режима в паровом тракте котла [1-3]. Изменение температуры пара осуществляется за счет увеличения или уменьшения количества впрыскиваемой в пароохладитель воды, – как правило, с целью стабилизации желаемого уровня температуры пара на выходе пароперегревателя. В отечественной теплоэнергетике в основном применяется типовая схема автоматического управления, получившая название каскадной системы регулирования температуры перегретого пара, в состав управляющего контура которой входят ПИ-регулятор и корректирующее устройство [2, 4]. Практика эксплуатации такой системы показывает, что при существенных изменениях задания, т.е. желаемых значений параметров температурного режима, возникает потребность в перенастройке значений коэффициентов ее контура управления. Фактически это важный объективный признак того, что функционирование системы управления протекает в условиях априорной неопределенности. Действительно, анализ эксплуатационных характеристик пароперегревателя показывает, что объект управления имеет переменную величину транспортного запаздывания, его динамические свойства существенно зависят от содержания кислорода в уходящих газах, расхода пара, загрязнения поверхности нагрева, а также от режимных факторов – нагрузки, вида и сорта сжигаемого топлива, состояния поверхностей нагрева, избытка воздуха и т.п. Кроме того [3], получение математической модели пароперегревателя обычно связано с применением экспериментальных методов, в частности метода кривых разгона, и как следствие – математическое описание априори становится неточным. Таким образом, разработку системы управления температурным режимом пароперегревателя, функционирующего в условиях априорной неопределенности, целесообразно проводить с использованием адаптивных или робастных методов управления. В данной работе такой адаптивной частью регулятора является искусственный нейрон. При построении схемы основного контура управления применяется стабилизирующее устройство [5-11]. ^ Математическое описание основного контура системы управления В качестве объекта управления (рис.1) будем рассматривать пароперегреватель совместно с термопарой. Передаточную функцию , полученную в результате обработки семейства кривых разгона [3, 4], запишем в явном виде следующим образом: , (1) где - комплексная переменная; и - изображения скалярных функций выхода и входа объекта; - коэффициент впрыска; - транспортное запаздывание; - параметры характеристического уравнения функции ; и - постоянная времени и статический коэффициент термопары типа «хромель-копель». Уровень априорной параметрической неопределенности в объекте (1), следуя [3], зададим соотношениями (2) и , где верхние индексы и - значение границ коэффициентов, определяющие известное множество ; - вектор неизвестных параметров. ^ Рис.1. Основной контур управления температурным режимом пароперегревателя Передаточную функцию исполнительного механизма (перемещающего регулирующий орган объекта управления – клапан), учитывая его малую по отношению к объекту инерционность, опишем в виде , (3) где - постоянная времени исполнительного механизма. С целью придать линейной части системы управления желаемые свойства, аналогично [5, 11] введем в основной контур стабилизирующее устройство (см. рис.1) со следующим описанием: , (4) где и - коэффициент передачи и постоянные времени стабилизирующего устройства. Структуру адаптивного регулятора зададим в виде , (5) , (6) , (7) где и - коэффициент передачи и постоянная времени линейной части адаптивного регулятора; - управляющее воздействие; - выход нелинейной части адаптивного регулятора, представленной одним нейроном с сигмоидной функцией активации и весовыми коэффициентами и . Входом нейрона является обобщенная ошибка регулирования ; - задающее воздействие, равное в режиме стабилизации значению ; - обобщенный выход системы управления вида . ^ Постановка задачи синтеза При известном уровне априорной неопределенности вида (2), заданном относительно коэффициентов объекта (1) для системы управления (1), (3)-(7), требуется определить явный вид алгоритма самонастройки нелинейной части регулятора (7) – нейрона, адаптивного регулятора (6) таким образом, чтобы при любых начальных условиях и произвольном наборе значений вектора , удовлетворяющих неравенствам (2), обеспечивалось бы достижение: во-первых, цели управления , (8) во-вторых, цели адаптации . (9) ^ Алгоритм настройки весовых коэффициентов нейрона Выполним тождественное преобразование линейной части системы управления (1), (3)-(7). Поскольку для эквивалентно преобразованной линейной части основного контура системы управления (1), (3)-(7), см. выделенный фрагмент структурной схемы на рис.2, можно записать уравнение , (10) то очевидно, что системы уравнений (1), (3)-(7) и (6),(7),(10) будут эквивалентными. ^ Рис.2. Эквивалентная структурная схема системы управления (1), (3)-(7) Если предположить, что в системе (6), (7), (10) целевые условия (8), (9) достижимы, то в установившемся режиме процесс стабилизации системы будет описываться уравнениями , (11) , (12) , (13) где индекс - обозначение установившихся значений соответствующих переменных. Уравнения (11)-(13) можно объединить и представить тождественным образом в виде выражения , (14) которое часто называют уравнением неявной эталонной модели. В частности, из (14) следует, учитывая равенство , что значение всегда существует и определяется выражением . (15) Покажем, что алгоритмом настройки адаптивного регулятора может быть алгоритм обратного распространения ошибки для настройки весовых коэффициентов искусственных нейронных сетей. Выходной сигнал нейрона в -ый момент времени определяется как , (16) причем . (17) Т.о. получаем множество выходных сигналов , (18) которое при выполнении (8) должно соответствовать эталонному значению выходного сигнала , т.е. . В нашем случае эталонным выходным сигналом будет являться (15), а эталонным входным сигналом . Можно сформулировать меру погрешности, основанную на сравнении сигналов (15) и (18), в виде полусуммы квадратов разностей . (19) Для коррекции весового коэффициента можно использовать правило наискорейшего спуска, которое в нашем случае принимает вид , (20) где определяет величину шага коррекции. Обратим внимание, что . (21) Введем обозначение , (22) тогда алгоритм (20) примет вид . (23) Способ расчета осуществляется следующим образом . (24) С учетом (24) алгоритм настройки весового коэффициента нейрона (25) и весового коэффициента нейрона . (26) Окончательно с учетом (15) , (27) . (28) Заключение Использование адаптивного регулятора, нелинейной частью которого является искусственный нейрон, совместно со стабилизирующим устройством позволяет обеспечить достаточно хорошее качество управления температурой перегретого пара. Нелинейность адаптивного регулятора можно усилить применением связной совокупности искусственных нейронов – искусственной нейронной сетью. Алгоритм обратного распространения ошибки для настройки весового коэффициента одного нейрона или множества весовых коэффициентов искусственной нейронной сети может применятся как алгоритм адаптации системы управления в условиях существенной априорной неопределенности или частичного изменения параметров объекта управления. Литература Плетнев Г.П. Автоматизированное управление объектами тепловых электростанций. М.: Энергоатомиздат, 1981. Иванов В.А. Регулирование энергоблоков. Л.: Энергия, 1982. Клюев А.С., Лебедев А.Т., Семенов Н.П., Товарнов А.Г. Наладка автоматических систем и устройств управления технологическими процессами. М.: Энергия, 1977. Ротач В.Я. Теория автоматического управления теплоэнергетическими процессами. М.: 1985. Мееров М.В. Адаптивные компенсирующие регуляторы с предиктором Смита //Автоматика и телемеханика. 2000. №1. С.125-135. Еремин Е.Л. Адаптивное шунтирование в системах управления неминимально-фазовыми объектами //Информатика и системы управления. 2001. №1. С.74-82. Еремин Е.Л., Цыкунов А.М. Синтез адаптивных систем управления на основе критерия гиперустойчивости. Бишкек: Илим, 1992. Солодовников В.В. Микропроцессорные автоматические системы регулирования. М.: Высш. шк., 1991. Деревицкий Д.П., Фрадков А.Л. Прикладная теория дискретных адаптивных систем. М.: Наука, 1981. Цыкунов А.М. Адаптивное управление объектами с последствиями. М.: Наука, 1984. Еремин Е.Л. Гиперустойчивость систем управления нелинейным объектом с запаздыванием //Автоматизация технологических процессов. Фрунзе: Фрунз. политех. ин-т, 1987. С.86-95. Серов Е.П., Корольков Б.П. Динамика парогенераторов. М.: Энергия, 1972. Еремин Е.Л., Теличенко Д.А., Чепак Л.В. Дискретно-непрерывная система адаптивного управления температурным режимом пароперегревателя //Адаптивные и робастные системы №1(7), 2004. Скачать 70,97 Kb. оставить комментарий Дата 28.09.2011 Размер 70,97 Kb. Тип Документы, Образовательные материалы