На кафедре Автоматизированных и информационных систем управления (АИСУ) СТИ НИТУ «МИСиС» производится выполнение гранта Российского фонда фундаментальных исследований (РФФИ) №12-07-00252/12 на тему «Разработка методов и алгоритмов интеллектуального управления сложными технологическими процессами и системами в условиях стохастических возмущений». Руководителем темы является заведующий кафедрой АИСУ д.т.н., профессор Еременко Юрий Иванович.

Период выполнения гранта: 2012-2014 гг.

Объем финансирования:

  • 2012 год - 355 тыс. руб.
  • 2013 год - 340 тыс. руб.
  • 2014 год - 430 тыс. руб.

 

В 2012 году исполнителями по данной теме являлись:

  • Еременко Ю.И., д.т.н., проф.
  • Семенов М.Е., д.ф-м.н., проф.
  • Полещенко Д.А., к.т.н., доц.
  • Глущенко А.И, к.т.н., ст.преп.
  • Соловьев А.Ю., к.т.н., ассистент
  • Канищева О.И., к.ф-м.н., доц.
  • Матвеев М.Г., д.т.н., проф.

 

В процессе выполнения НИР за 2012 год были достигнуты следующие основные результаты:

1.) Проведен анализ систем автоматического регулирования с гистерезисными звеньями. Был выделен класс систем автоматического регулирования с гистерезисными нелинейностями, в которых реализуется корректные вынужденные периодические режимы, приведен алгоритм их приближенного построения, получена оценки точности. Корректность вынужденных периодических режимов доказывалась для классов систем с обычными функциональными нелинейностями. Полученные в проекте результаты расширяют этот класс, в том числе, и на системы с гистерезисными нелинейностями.

2.) Проведен анализ биологических систем с гистерезисными нелинейностями (нейронов с гистерезисными свойствами). Разработан алгоритм работы нейронной сети, основанной на нейронах с гистерезисными своствами. Он является развитием LEGION, предложенный Wang и развитый впоследствии в работах Guoshen Yu, и следует схожим идеям синхронизации нейронов и группировки зрительных объектов.

3.) Разработаны метод и алгоритм функционирования нейросетевого оптимизатора параметров ПИД-регулятора, в частности:

3.1) Разработано алгоритмическое обеспечение решаемой задачи. При решении данной задачи было выявлено, что использование лишь только нейронной сети не приносит желаемого результата: система управления ведет себя также, как и САУ с ПИД-регулятором. В связи с этим, был разработан ряд продукционных правил, определяющих режим работы и правила обучения нейронной сети в той или иной ситуации. На основе такой базы правил, правил работы и обучения нейронной сети был построен алгоритм работы нейросетевого оптимизатора параметров ПИД-регулятора в реальном масштаб времени;

3.2) Подобрана структура нейронной сети под решаемую задачу. Выбор структуры сети производился опытным путем. В основу экспериментов была положена гипотеза о достаточности трехслойной сети для аппроксимации функции любой степени сложности. В результате была подобрана следующая структура: 5-15-3. Во входном слое расположено 5 нейронов (текущее задание по температуре; задержанный на 1 секунду, на 20 секунд и на 40 секунд сигнал по выходу объекта управления; задержанный на 1 секунду сигнал управления), в выходном слое – три нейрона (отвечают за коэффициенты ПИД-регулятора KP, KI, KD). В качестве функций активации использованы гистерезисные функции.

3.3) Исследована применимость методов обучения нейронной сети для решения поставленной задачи. Для этих целей были выбраны наиболее популярные методы обучения: обратного распространения ошибки, сопряженных градиентов, наискорейшего спуска с адаптируемым шагом, переменной метрики BFGS. Обучение велось в оперативном режиме. Результаты экспериментов показали, что минимальное время в таких условиях требует наиболее простой алгоритм - обратного распространения ошибки.

3.4) Определены границы применимости нейросетевого оптимизатора. Для этого объект управления представлен как два последовательно соединенных апериодических звена первого порядка (печь и термопара, измеряющая температуру внутри печи) и звена запаздывания. Разработан критерий качества для оценки результатов опытов. Проведено моделирование работы оптимизатора при различных сочетаниях значений параметров такого объекта управления. Определены предельно допустимые значения параметров объекта, при которых оптимизатор сохраняет работоспособность;

3.5) Разработанный метод апробирован на математических моделях реальной муфельной электронагревательной печи при ее различной загрузке (пустая печь, частичная загрузка, полная загрузка). Смена состояния печи производилась непосредственно в процессе моделирования. Сравнение велось с контуром управления с обычным ПИД-регулятором, управляющим таким же объектом. Полученные результаты позволяют утверждать, что с использованием нейросетевого оптимизатора удалось снизить энергопотребление на 3%.

4) По результатам исследований в 2012 году опубликовано 7 статей из перечня ВАК РФ, 4 статьи в сборниках трудов международных и всероссийских конференций.

Основные публикации коллектива исполнителей НИР за 2012 год:

  1. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. Анализ методов реализации схемы нейросетевого управления с самонастройкой // Приборы и системы. Управление. Контроль. Диагностика. – 2012. - №6. – С.50-55.
  2. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. Об особенностях практической реализации схемы пид-нейрорегулятора с самонастройкой для управления печами нагрева // Приборы и системы. Управление. Контроль. Диагностика. – 2012. - №1. – С.25-30.
  3. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. К вопросу о совершенствовании схемы ПИД-нейрорегулятора с самонастройкой // Системы управления и информационные технологии. - 2012. - №4(50). - С. 27-31.
  4. Семенов М.Е., Лебедев Г.Н., Матвеев М.Г., Канищева О.И. Методы решения задач управления предприятием в условиях расплывчатой неопределенности // Вестник ВГУ, Серия: Системный анализ. - 2012. – № 1. – С.102-107.
  5. Семенов М.Е., Мишин М.Ю., Абаполова Е.А., Кабулова Е.Г. Динамическая модель рыночного равновесия в условиях гистерезисного поведения экономических агентов // Современная экономика: проблемы и решения. -2012. - № 8. - с.62-70.
  6. Семенов М.Е., Лебедев Г.Н., Абаполова Е.А., Матвеев М.Г., Гринева Е.А. Модель оптимальной производственной стратегии в условиях нечетких параметров функции спроса // Современная экономика: проблемы и решения. - 2012. - №6. - с.71-76.
  7. Семенов М.Е., Матвеев М.Г., Канищева О.И, Шевлякова Д.В. Зоны устойчивости и периодические решения перевернутого маятника с гистерезисным управлением // Мехатроника, автоматизация, управление. - 2012. - №11. - с.8-14.
  8. Semenov M.E., Grachikov D.V., Mishin M.Y. , Shevlyakova D.V. Stabilization and Control Models of Systems With Hysteresis Nonlinearities // European Researcher . 2012. – Vol. (20) № 5-1., pp. 523-528.
  9. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О совершенствовании систем автоматизации технологических процессов на основе использования нейронадстройки над ПИД-регулятором. Материалы международной научно-технической конференции Современные сложные системы управления X. HTSC’12. – Старый Оскол: ООО «ТНТ», 2012. – 27-30.
  10. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О разработке эвристических правил для совершенствования алгоритма работы схемы нейроуправления с подбором коэффициентов ПИД-регулятора // Материалы международной научно-технической конференции Современные сложные системы управления X. HTSC’12. – Старый Оскол: ООО «ТНТ», 2012. – 35-38.
  11. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. К вопросу совершенствования работы ПИД-регулятора для управления нагревательными объектами // Управление большими системами. Материалы IX Всероссийской школы-конференции молодых ученых. - Липецк.: ЛГТУ, 2012. – С.199-201.

В 2013 году исполнителями по данной теме являлись:

  • Еременко Ю.И., д.т.н., проф.
  • Семенов М.Е., д.ф-м.н., проф.
  • Глущенко А.И, к.т.н., ст.преп.
  • Халапян С.Ю., к.т.н., доц.
  • Канищева О.И., к.ф-м.н., доц.
  • Матвев М.Г., д.т.н., проф.

 

В процессе выполнения НИР за 2013 год были достигнуты следующие основные результаты:

  • Проведен анализ существующих методов автоматизации операторского уровня управления сложными технологическими процессами. Предложен метод автоматизации, предусматривающий использование накопленного опыта оперативного управления путем нейросетевого моделирования поведения оператора, управляющего сложным технологическим процессом. Преимущество предлагаемого метода заключается в использовании проверенного временем и доказавшего свою эффективность операторского поведения.
  • Проведенный анализ позволил сформулировать основные требования к объекту управления и существующему уровню его автоматизации, ограничивающие область применения разработанного метода.
  • В ходе исследования была разработана методика построения нейросетевой поведенческой модели оператора, т.е. описана последовательность необходимых действий, позволяющих на основе ретроспективных данных, накопленных существующей системой автоматизации технологического объекта и содержащих информацию о динамике технологических параметров и ответных управляющих действиях (решениях) оператора, выполнить синтез поведенческой модели, использующей нейронные сети с гистерезисной функцией активации.
  • С целью экспериментальной проверки применимости нейросетевой поведенческой модели для оперативного управления технологическим процессом было проведено моделирование поведения оператора, управляющего лабораторной установкой – муфельной электронагревательной печью. На основе полученной нейросетевой модели была разработана информационная система, которая, будучи встроена в подсистему верхнего уровня системы автоматизации установки, получила возможность осуществлять управление ею вместо оператора. Проведенный эксперимент показал, что нейросетевая информационная система управляет лабораторной установкой в целом не хуже оператора, что свидетельствует о возможности нейросетевого моделирования поведения оператора, управляющего сложными технологическими процессами, и эффективности применения поведенческих моделей на верхнем уровне автоматизации.
  • По результатам исследований в 2013 году опубликовано 3 статьи из перечня ВАК РФ, 10 статей в сборниках трудов международных и всероссийских конференций.
Основные публикации коллектива исполнителей НИР за 2013 год:
  1. Еременко Ю.И., Халапян С.Ю., Полещенко Д.А., Ярмуратий Д.Ю. Разработка модели шахтной печи металлизации на основе технологии нейронных сетей // Мехатроника, автоматизация, управление. - 2013. - №4. - С.50-56.
  2. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю. Моделирование поведения оператора с целью сохранения его опыта и знаний в задачах управления технологическими агрегатами. Материалы международной научно-технической конференции Современные сложные системы управления X. HTSC’12. – Старый Оскол: ООО «ТНТ», 2012. – С.24-26.
  3. Еременко Ю.И., Рассолов В.М., Халапян С.Ю., Ярмуратий Д.Ю. Повышение качества операторского управления на основе нейроэкспертного тренажера. Материалы Шестой всероссийской мультиконференции по проблемам управления (МКПУ-2013). - Ростов-на-Дону: Издательство Южного федерального университета, 2013. - С.84-89.
  4. Ярмуратий Д.Ю., Юфрос А.С., Халапян С.Ю. Нейросетевой поведенческий контроллер в задачах дискретного управления тепловым объектом. Материалы Восьмой всероссийской научно-практической конференции студентов и аспирантов с международным участием. – Старый Оскол: ООО «ТНТ», 2012. – С.362-365.
  5. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю. Методы обучения оператора технологического процесса. Материалы 10 Всероссийской научно-практической конференции с международным участием Современные проблемы горно-металлургического комплекса. Энергосбережение. Экология. Новые технологии. - Белгород: ИД "Белгород" НИУ "БелГУ", 2013. - С. 435-438.
  6. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю. Исследование возможности разработки нейросетевого тренажера оператора АСУ ТП. Материалы 9 Всероссийской школы-конференции молодых ученых. - М.: ИПУ РАН, 2012. - С.45-47
  7. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю. Разработка нейроэкспертного тренажера оператора шахтной печи. Материалы 10 Всероссийской школы-конференции молодых ученых. - М.: ИПУ РАН, 2013. - С.87-90.
  8. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю. Актуальность разработки тренажера оператора шахтной печи. Материалы Международной научной конференции Проблемы автоматизации региональное управление связь и автоматика. - Ростов-на-Дону: Издательство Южного федерального университета, 2012. - С.79-83.
  9. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю. Нейроэкспертный тренажер как система обучения оператора шахтной печи. Материалы Всероссийской научной конференции Новые технологии в научных исследованиях, проектировании, управлении, производстве. - Воронеж: ФГБОУ ВПО Воронежский государственный технический университет,2013. - С.66-67.
  10. Соловьев А.М., Семенов М.Е., Мишин М.Ю., Кабулова Е.Г. Искусственные нейронные сети с гистерезисной функцией активации // Теория и техника радиосвязи. - 2013. - №3. - С.102-110.
  11. Еременко Ю.И.,  Халапян С.Ю., Невзоров А.А. О проблемах моделирования поведения человека-оператора сложных объектов управления. Материалы 10 Всероссийской научно-практической конференции с международным участием Современные проблемы горно-металлургического комплекса. Энергосбережение. Экология. Новые технологии. - Белгород: ИД "Белгород" НИУ "БелГУ", 2013. - С. 406-409.
  12. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю. К вопросу организации обучения оператора сложного технологического процесса. Сборник научных трудов по материалам МНПК Современные тенденции в образовании и науке. - Тамбов: ТРОО Бизнес-Наука-Общество, 2013. - С.51-53.
  13. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. Об условиях применения ПИД-нейрорегулятора для управления объектами, описываемыми апериодическим звеном второго порядка с запаздыванием // Приборы и системы. Управление. Контроль. Диагностика. - 2013. - №6. - С.39-45.
  14. Eremenko Yuri, Poleshchenko Dmitry, Glushchenko Anton About the Features of the PID-neuroregulator with Self-adjustment Scheme Practical Realization for Heating Furnaces Control // Information Engineering Letters. - 2013. - Vol.3. - №2. - P.44-51.

В процессе выполнения НИР за 2014 год были достигнуты следующие основные результаты:

1. Разработана методика синтеза оптимального управления и стабилизации динамических объектов с гистерезисными свойствами, в частности:

            1.1. Решена задача нахождения минимума (максимума) функционала качества для классической задачи оптимального управления.

            1.2. Решена задача стабилизации для систем с гистерезисными нелинейностями.

            1.3. Разработана методика решения задач многокритериальной динамической оптимизации для систем с гистерезисными нелинейностями.

2. Сделаны выводы о необходимости дополнительных исследований для разработки методики синтеза алгоритмического обеспечения интеллектуального контроллера.

3. Результаты НИР внедрены в образовательный процесс.

4. Проведена технико-экономическая оценка полученных результатов.

5. По результатам исследований в 2014 году опубликовано 3 статьи в журналах, входящих в международные базы Web of Science и SCOPUS, 4 статьи из перечня ВАК РФ, 6 статей в сборниках трудов международных и всероссийских конференций.

Основные публикации коллектива исполнителей НИР за 2014 год:

  1. Eremenko Y.I., Poleshchenko D.A., Glushchenko A.I., Litvinenko A.M., Ryndin A.A., Podval’nyi E.S. On Estimating the Efficiency of a Neural Optimizer for the Parameters of a PID Controller for Heating Objects Control // Automation and Remote Control. - 2014. - Vol. 75. - No. 6. - Pp. 1137–1144.
  2. Eremenko Y.I., Poleshchenko D.A., Glushchenko A.I. About Heating Plants Control System Developing on Basis of Neural Network Usage for PID-Regulator Parameters Optimization // Applied mechanics and materials. - 2014. - Vol. 682. - P.80-86.
  3. Mikhail E. Semenov, Darya V. Shevlyakova, Peter A. Meleshenko Inverted pendulum under hysteretic control: stability zones and periodic solutions // Nonlinear Dynamics. - 2014. - Vol.75. - №1-2. - P.247-256.
  4. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Солодов С.В. Исследование эффективности применения нейросетевого оптимизатора параметров пид-регулятора при решении задач управления нагревательными объектами в металлургии // Известия высших учебных заведений. Черная металлургия. - 2014. - №7 (57). - C.61-65.
  5. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Ярмуратий Д.Ю. Об интеллектуальной адаптации параметров ПИД-регулятора для снижения электропотребления управляемого процесса // Научные ведомости Белгородского государственного университета. История. Политология. Экономика. Информатика. - 2013. -№22(165). - Вып. 28/1. - С.210-217.
  6. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю., Невзоров А.А. О проблемах решения задачи автоматизированного управления шахтной печью на основе создания тренажера оператора // Фундаментальные и прикладные проблемы техники и технологии. - 2014. - №3. - С.38-44.
  7. Еременко Ю.И., Халапян С.Ю., Ярмуратий Д.Ю., Невзоров А.А. О построении нейросетевой поведенческой модели оператора, управляющего тепловыми агрегатами // Приборы и системы. Управление. Контроль. Диагностика. - 2014. - №2. - С.20-25.
  8. Еременко Ю.И., Полещенко Д.А.Глущенко А.И. Исследование применимости нейросетевого оптимизатора параметров ПИД-регулятора для управления нагревательным объектом. Теория и практика системного анализа. Труды III Всероссийской научной конференции молодых ученых с международным участием, 21-24 мая 2014 г. - Т.1. - Рыбинск: РГАТУ имени П.А. Соловьева, 2014. - 43-54 с.
  9. Еременко Ю.И., Полещенко Д.А.Глущенко А.И. Об оценке энергетической эффективности применения нейросетевого оптимизатора в решении задач управления нагревательными объектами. Труды XII Всероссийского совещания по проблемам управления 2014, 16-19 июня 2014 г. - М.: ИПУ РАН, 2014. - С. 4713-4724.
  10. Еременко Ю.И., Полещенко Д.А.Глущенко А.И. Об универсальности применения нейросетевого оптимизатора для настройки параметров ПИД-регулятора при управлениии динамическими объектами с запаздыванием. Проблемы управления и моделирования в сложных системах. Труды XVI Международной конференции. - Самара: Самарский научный центр РАН, 2014. - С.68-74.
  11. Еременко Ю.И., Полещенко Д.А.Глущенко А.И. О нейросетевой адаптации параметров ПИД-регулятора при управлении нагревательной печью в различных режимах работы. Управление большими системами. Материалы XI Всероссийской школы-конференции молодых ученых. - М.: ИПУ РАН, 2014. - С. 997-1017.
  12. Цуканов М.А., Еременко Ю.И. Описание звеньев сложноструктурированной производственной системы на основе нечеткой модели. Управление большими системами. Материалы XI Всероссийской школы-конференции молодых ученых. - М.: ИПУ РАН, 2014. - С. 874-885.
  13. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Фомин А.В. О реализации нейросетевого оптимизатора параметров ПИ-регулятора на базе контроллера SIMATIC S7-300 для управления нагревательными объектами. Информационно-телекоммуникационные системы и технологии (ИТСиТ-2014): Материалы Всероссийской научно-практической конференции. - Кемерово: Кузбас. гос. техн. ун-т им. Т.Ф. Горбачева, 2014. - С.281-282.