Разработка интеллектуальной системы управления процессом подготовки и перекачки воды в контуре охлаждения аммиачной станции

Автор: Е.А. Муравьева, А.В. Коченков

Журнал: Нанотехнологии в строительстве: научный интернет-журнал @nanobuild

Статья в выпуске: 4 т.13, 2021 года.

Бесплатный доступ

Введение. В современном социально-экономическом и геополитическом развитии России на первый план выходит развитие промышленности. Среди множества отраслей промышленности важнейшая роль принадлежит аммиачным станциям. Основные закономерности процесса перекачки и подготовки воды. Процесс состоит из шести стадий, в данной статье рассматривается автоматизация 1 и 2 стадий: по подготовке воды и откачке её насосами H1 и H2 из резервуара P2. Продукция в виде очищенной воды является важнейшим критерием для последующего производства на аммиачной станции, поэтому к качеству готовой продукции предъявляются повышенные требования, в том числе к качеству очистки используемой воды с помощью нанофильтров. Требуемого качества невозможно достичь без управления процессом в автоматизированном режиме. Разработка нейронной сети. Для управления значениями частот преобразователей в процессе подготовки и перекачки воды использована искусственная нейронная сеть. Ее разработка произведена в среде Matlab в пакете Neural Network Toolbox, для этого определены входные и выходные данные, произведена обработка и подготовка данных, а также выбор типа и архитектуры нейросети. Описана архитектура нейросети Layer Recurrent, процесс её построения и обучения в Matlab. Тестирование нейронных сетей. В ходе тестирования сети Layer Recurrent на предмет степени обученности наименьшая погрешность была получена для 30 нейронов в скрытом слое. Близость к заданным значениям свидетельствует о применимости сети для управления параметрами частотных преобразователей. Разработка модели нейросетевого регулятора в пакете Simulink. Выполнено моделирование системы управления в пакете Simulink с использованием нейросетевого регулятора с архитектурой Layer Recurrent. Проверка частот частотных преобразователей Ч1вых и Ч2вых в Simulink для параметров уровня в резервуарах и в баке LT1_вх, LT2_вх, LT3_вх показала, что модель объекта работает корректно, таким образом симуляция нейросети показала, что обучение прошло успешно. Заключение. В результате проведенного исследования разработана искусственная нейронная сеть для управления процессом подготовки и перекачки воды в среде Matlab и симуляция нейросети в пакете Simulink

Еще

Процесс, аммиачная станция, нанофильтры, разработка, нейронная сеть

Короткий адрес: https://sciup.org/142228321

IDR: 142228321   |   DOI: 10.15828/2075-8545-2021-13-4-252-258

Список литературы Разработка интеллектуальной системы управления процессом подготовки и перекачки воды в контуре охлаждения аммиачной станции

  • Muravyova E., Popkov V. Development and Research of a Dynamic Flow Laboratory Bench Model. In: Advances in Intelligent Systems Research 7th Scientific Conference on Information Technologies for Intelligent Decision-Making Support (ITIDS). 2019. Р. 1–6.
  • Muravyova E., Gabitov R. Economic Features to Optimize the Catalyst Calcinations Process. In: International scientific multi-conference on industrial engineering and modern technologies (FAREASTCON). 2018. Р. 1–8.
  • Muravyova E., Sharipov M., Gabitov R. SCADA-System Based on Multidimensional Precise Logic Controller for the Control of a Cement Kiln. In: International scientific multi-conference on industrial engineering and modern technologies (FAREASTCON). 2018. Р. 1–9.
  • Muravyova E., Bondarev A. Method for Increasing the Speed and Reducing the Error of Multidimensional Precise Logic Controller. In: International scientific multi-conference on industrial engineering and modern technologies (FAREASTCON). 2018. Р. 1–11.
  • Muravyova E., Sharipov M. Method of optimal parameters control in three-phase separator using fuzzy controller. In: Proceedings of the International conference actual issues of mechanical engineering (AIME). 2018. Р. 1–8.
  • Muravyova E., Fedorov S., Bondarev A. Control Systems with Pulse Width Modulation in Matrix Converters. In: International conference on mechanical engineering, automation and control systems (MEACS). 2017. Р. 1–7.
  • Muravyova E., Bondarev A., Sharipov M., Galiaskarova G., Kubryak A. Power consumption analysis of pump station control systems based on fuzzy controllers with discrete terms in iThink software. In: International conference on mechanical engineering, automation and control systems (MEACS). 2017. Р. 1–8.
  • Muravyova E., Azanov A., Enikeeva E. Modeling power consumption by pump station control systems based on fuzzy controllers with discrete terms. In: Proceedings of the international conference: aviamechanical engineering and transport (AVENT). 2018; p. 1–6.
  • Muravyova E., Sharipov M., Radakina D. Method of fuzzy controller adaptation. In: Proceedings of the international conference actual issues of mechanical engineering (AIME). 2017. Р. 1–7.
  • Muravyova E., Bondarev A. Fuzzification Concept Using the Any-time Algorithm on the basis of Precise Term Sets. In: International conference on industrial engineering, applications and manufacturing (ICIEAM). 2017. Р. 1–9.
  • Muravyova E., Sharipov M. Two Fuzzy Controller Synthesis Methods with the Double Base of Rules: Reference Points and Training Using. In: International conference on industrial engineering, applications and manufacturing (ICIEAM). 2017. Р. 1–7.
  • Muravyova E., Kayashev A., Sharipov M., Emekeev A., Sagdatullin A. Verbally Defined Processes Controlled by Fuzzy Controllers with Input/Output Parameters Represented by Set of Precise Terms. In: International conference on mechanical engineering, automation and control systems (MEACS). 2014. Р. 1–8.
  • Yoshiko H., Shunji U., Taiko K. Evaluation of artificial neural network classifiers in small sample size situations. In: Pros. Int. It. Conf. Neural Networks. 2019. Р. 1–6.
  • Wasserman F. Brain-computer equipment. Transl. from Eng. Moscow: Mir; 1992.
  • Hrycej T. Neurocontrol: Towards An Industrial Control Methodology. John Willey & Sons. 2018. 380 р.
  • Istvan Szite, Andras Lorincz. Simple algorithm for recurrent neural networks that can learn sequence completion (IJCNN). 2019. Р. 1–6.
Еще
Статья научная