АЛГОРИТМИ РЕГУЛЮВАННЯ ПАРАМЕТРІВ ТЕХНОЛОГІЧНОГО ПРОЦЕСУ В ЕНЕРГЕТИЧНИХ УСТАНОВКАХ
Анотація
DOI: https://doi.org/10.32820/2079-1747-2023-31-33-41
В статті розглянуто можливість розроблення алгоритмів адаптації систем регулювання
параметрів технологічної установки на основі нейро-мережевого підходу та проектування
даної системи регулювання на основі сучасних засобів автоматичного управління. Розробка
алгоритмів та програмно-апаратних засобів автоматичного регулювання енергетичними
установками у реальному часі виконувалась на основі реалізації наступних задач: розробки
структури автоматичної системи та структури системи регулювання; здійснення програмноапаратної реалізації системи регулювання, а саме реалізації структури програмного
забезпечення та програмної реалізації пропорційно-інтегрально-диференціального регулятора.
Реалізовано систему адаптивного навчання нейронної мережі.
Для розв’язання поставлених задач використовувались методи: нейро-мережевого
підходу до вирішення проблем пошуку оптимальних параметрів регулятора технологічного
процесу в енергетичних установках; об’єктно-орієнтованого програмування для реалізації
системи управління. Для пошуку параметрів пропорційно-інтегрально-диференціального
регулятора пропонується застосувати нейро-мережевий підхід, під час якого нейронна
мережа вбудовується в систему регулювання. Пропорційно-інтегрально-диференціального
регулятор має найбільш широкі можливості по доданню системі регулювання необхідних
властивостей. Він застосовується в тих випадках, коли необхідно отримати якісну систему
автоматичного регулювання без великих витрат на проведення досліджень по синтезу більш
складного закону регулювання.
Спираючись на результати досліджень проведено аналіз технологічного процесу, що
протікає в паровому котлі, узагальнення алгоритмів управління параметрами, підбір апарату
штучних нейронних мереж для розрахунку коефіцієнтів пропорційно-інтегральнодиференціального регулятора.
Завантаження
Посилання
Hrinchenko, NS, Kovtun, OA, Mykolaiko, VV, Nesterenko, RO & Antonenko, NS 2022, “Zabezpechennia ekspluatatsiinoi bezpeky AES u ponadproektnyi termin v konteksti perekhodu do tsyrkuliarnoi ekonomiky: Yevropeiskyi Zelenyi Kurs”, [Ensuring AES operational safety beyond the design period in the context of the transition to a circular economy: European Green Deal], Mashynobuduvannia, iss. 30, pp. 61–72. DOI: https://doi.org/10.32820/2079-1747-2022-30-61-72.
Hrinchenko, N, Trisch, R, Burdeina, V & Chelysheva, S 2019, “Algorithm of technical diagnostics of the complicated damage to the continued resource of the circulation pipeline of the nuclear power plant” Problems of Atomic Science and Technology. Section: Physics of Radiation Effect and Radiation Materials Science, no 2 (120), pp. 104–110. DOI : https://doi.org/10.46813/2019-120-104 .
Hrinchenko, NS, Artiukh, SM, Hrinchenko, VV & Nehodov, SS 2022, “Unifikatsiia metodiv tekhnichnoi diahnostyky truboprovidnykh system z metoiu zabezpechennia bezpechnoi ekspluatatsii”, [Unification of methods for technical diagnostics of pipeline systems to ensure safe operation], Mashynobuduvannia, iss. 29, pp. 62–69. DOI : https://doi.org/10.32820/2079-1747-2022-29 .
Stoliar, OM 2016, “Alhorytmy rehuliuvannia parametriv tekhnolohichnoho protsesu v enerhetychnykh ustanovkakh”, [Algorithms for controlling process parameters in power units], Suchasni kompiuterni informatsiini tekhnolohii : materialy VI Vseukrain. shkoly-seminaru molodykh vchenykh i studentiv ASIT2016 (20-21 trav. 2016 r., m. Ternopil), Ternopil, pp. 51–54.
Podryhailo, M, Polianskyi, O, Podryhailo, N & Baitsur, M 2019, ‘Vplyv podatlyvosti lanok na KKD mekhanizmiv i mashyn’, [Influence of link flexibility on the efficiency of mechanisms and machines], Suchasni tekhnolohii v mashynobuduvanni ta transporti, no 1, pp. 113–120. DOI: https://doi.org/10.36910/automash.v1i12.57.
Yesaulov, S, Babichevа, O & Zakurdai, V 2022, ‘Synthesis of Thermal Diagnostic Expert Components with an Artificial Neuron: Array’ Municipal Economy of Cities, no 1(168), pр. 18–29. DOI : https://doi.org/10.33042/2522-1809-2022-1-168-18-29 .
Tripathi, ND, Reed, JH & Vanlandingham, HF 2001, ‘Fuzzy Logic and Neural Networks’ Radio Resource Management in Cellular Systems. The Springer International Series in Engineering and Computer Science, Vol. 618. DOI : https://doi.org/10.1007/0-306-47318-6_2 .
Pavlenko, Y & Parfyonova, O 2021, ‘The Future of Neural Networks’ Hraal nauky, no 4, pр. 297–298. DOI : https://doi.org/10.36074/grail-of-science.07.05.2021.053 .
Trishch, R, Maletska, O, Hrinchenko, H, Artiukh, S, Burdeina, V & Antonenko, N 2019, ‘Development and validation of measurement techniques according to ISO/IEC 17025:2017’ Proceedings of the 8th International Conference on Advanced Optoelectronics and Lasers (Sozopol, 6-8 September 2019), Sozopol, pр. 715–720.
Akkouchi, K, Rahmani, L & Lebied, R 2021, ‘New application of artificial neural network-based direct power control for permanent magnet synchronous generator’ Electrical Engineering & Electromechanics, no 6, pр. 18–24. DOI : https://doi.org/10.20998/2074-272X.2021.6.03 .
Mendis, N, Muttaqi, KM & Perera, S 2014, ‘Management of battery-supercapacitor hybrid energy storage and synchronous condenser for isolated operation of PMSG based variable-speed wind turbine generating systems’ IEEE Transactions on Smart Grid, Vol. 5, no. 2, pp. 944-953. Doi: https://doi.org/10.1109/tsg.2013.2287874.
IEC 61131-3:2013 Programmable controllers. Part 3: Programming languages 2013, viewed 11 March 2023, <https://webstore.iec.ch/publication/4552>.
Hassan, Adel A, Abo-Zaid, S & Refky, A 2015, ‘Improvement of direct torque control of induction motor drives using neuro-fuzzy controller’ Journal of Multidisciplinary Engineering Science and Technology, Vol. 2, no. 10, pp. 2913-2918.
Halvaei, Niasar A & Rahimi, V 2015, ‘Sensorless Direct Power Control of Induction Motor Drive Using Artificial Neural Network’ Advances in Artificial Neural Systems, Vol. 2015, pp. 1-9. Doi: https://doi.org/10.1155/2015/318589.
Benbouhenni, H 2021, ‘Robust direct power control of a DFIG fed by a five- level NPC inverter using neural SVPWM technique’ Tecnica Italiana-Italian Journal of Engineering Science, vol. 65, no. 1, pp. 119-128. Doi: https://doi.org/10.18280/ti-ijes.650118.
