На кафедре Автоматизированных и информационных систем управления (АИСУ) СТИ НИТУ «МИСиС» производится выполнение гранта Российского фонда фундаментальных исследований (РФФИ) №15-07-06092 на тему «Разработка методов и алгоритмов интеллектуального управления сложными технологическими процессами и системами в условиях стохастических возмущений и динамически меняющихся параметров». Руководителем темы является заведующий кафедрой АИСУ д.т.н., профессор Еременко Юрий Иванович.

Период выполнения гранта: 2015-2017 гг.

Объем финансирования в 2015 году: 650 тыс. руб.

В 2015 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., доц.
  • Соловьев А.Ю., к.т.н., ассистент
  • Канищева О.И., к.ф-м.н., доц.
  • Цуканов М.А., к.т.н., ст. преп.
  • Халапян С.Ю., к.т.н., доц.
  • Фомин А.В., аспирант
  • Петров В.А., аспирант

В процессе выполнения НИР за 2015 год были достигнуты следующие основные результаты:

  1. Разработан метод построения нейросетевого оптимизатора параметров ПИ-регулятора, применяемого для управления технологическими объектами, описываемыми апериодическими звеньями с постоянной времени более 800 секунд со звеном запаздывания. Основной особенностью данного подхода является то, что при синтезе такого оптимизатора и для его последующей работы не требуется модель объекта управления. Оптимизатор не подбирает параметры регулятора заново, а подстраивает имеющиеся в соответствии с изменениями (имеется в виде как плавный "дрифт" параметров,так и резкие их изменения, например, ввиду загрузки печи), происходящими в объекте управления. Предложены функциональная схема оптимизатора и алгоритм его работы.
  2. Математически обоснован выбор количества нейронов во входном слое нейронной сети нейросетевого оптимизатора. Проведены исследования по экспериментальному выбору количества нейронов и функции активации в скрытом слое. Предложен подход к определению значения дискретности вызова нейронной сети и времени запаздывания для входов нейронной сети.
  3. Усовершенствована база правил, определяющая моменты обучения нейронной сети и скорости обучения ее отдельных нейронов. Доработан блок правил для адекватной настройки параметров ПИ-регулятора для процессов остывания нагревательных объектов.
  4. Проведены модельные и натурные эксперименты, объектами управления в которых выступали две муфельных электронагревательных печи. Такие эксперименты проведены для трех разработанных систем управления: с обычным ПИ-регулятором, с адаптивным ПИ-регулятором фирмы Siemens, с нейросетевым оптимизатором параметров ПИ-регулятора. Полученные результаты позволяют сделать вывод о том, что адаптивный регулятор фирмы Siemens позволяет экономить около 2% по времени и расходу энергоносителя при отслеживании графика уставок, а нейросетевой оптимизатор - около 4% по тем же критериям. При этом регулятор фирмы Siemens требует наличия модели объекта управления, идентификация которой даже из сходных условий приводит к весьма различающимся результатам. По этой причине лишь около 20% опытов с таким регулятором оказались успешными. Нейросетевой оптимизатор подобного недостатка не имеет и из одних и тех же начальных условий позволяет в каждом последующем опыте получать результаты, сходные с предыдущим.
  5. Исследована задача стабилизации гибкого перевернутого маятника, управляющим воздействием на который являлся выход гистерезисного преобразователя – люфта. Данная задача решалась с использованием формализма Лагранжа, при этом управление синтезировалась в рамках принципа обратной связи. Физическая модель гибкого перевернутого маятника была формализована в виде системы дифференциальных уравнений с распределенными параметрами с учетом операторных нелинейностей гистерезисного типа в правой части. Принимая во внимание существенную нелинейность изучаемой системы, ее решение было получено в рамках численных методов, основанных на разностных схемах. Была доказана устойчивость использованных разностных схем. Исследована задача нахождения оптимальных (в смысле минимизации квадратичного целевого функционала) управляющих параметров. Проведенное численное моделирование показало, что наличие люфта в точке крепления гибкого перевернутого маятника осложняет задачу стабилизации (в смысле квадратичного критерия), однако при малых значениях его раствора, приводит к возможности стабилизации такой системы. Численно были найдены границы области возможных начальных значений и раствора люфта, при которых изучаемая система является стабилизируемой.

Основные публикации по тематике проекта за 2015 год:

  1. Semenov M.E., Solovyov A.M., Meleshenko P.A. Elastic inverted pendulum with backlash in suspension: stabilization problem // Nonlinear Dynamics. – 2015. – Vol.82. – P. 677–688.
  2. Semenov M.E., Kabulova E.G., Mikhailov V. , Kanisheva, O.I. Hysteretic synchronization models of biological neurons // Journal of Theoretical and Applied Information Technology. – 2015. – Vol.81. – №2. – P.182-187.
  3. Matveew M., Kabulova E.G., Kanisheva O.I. Fuzzy modeling for steel making processes // ARPN Journal of Engineering and Applied Sciences. – 2015. – Vol.10. – №18. – P. 8271-8277.
  4. Eremenko Y.I., Poleshchenko D.A., Glushchenko A.I. Study On Neural Networks Usage To Analyse Correlation Between Spectrum of Vibration Acceleration Signal From Pin of Ball Mill And Its Filling Level // Applied mechanics and materials. - 2015. - Vol. 770. - P.540-546.
  5. Eremenko Y.I., Poleshchenko D.A., Glushchenko A.I., Fomin A.V. On PID-controller Parameters Neural Tuner Usage for Nonlinear Plants Control // Applied mechanics and materials. - 2015. - Vol. 789-790. - P.1099-1104.
  6. Semenov M.E., Meleshenko P.A., Solovyov A.M., Semenov A.M. Hysteretic Nonlinearity in Inverted Pendulum Problem // Springer Proceedings in Physics. Structural Nonlinear Dynamics and Diagnosis. – 2015. – Vol.168. – 463-506.
  7. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О применении нейросетевого оптимизатора параметров ПИ-регулятора для управления нагревательными печами в различных режимах работы // Управление большими системами. – 2015. – Вып. 56. – С.143-175.
  8. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. К вопросу о разработке базы правил настройки параметров пи-регулятора при управлении нагревательными металлургическими объектами // Известия высших учебных заведений. Черная металлургия. - 2015. - №11 (58). - С.846-850.
  9. Михайлов В.В., Семенов М.Е., Кирносов С.Л. Учет фрактальных свойств при функционировании авиационной системы поддержки принятия метеозависимых решений // Приборы и системы. Управление, контроль, диагностика. – 2015. – №1. – С. 12-18.
  10. Eremenko Y.I., Poleshchenko D.A., Glushchenko A.I. About Ball Mill Fill Level Monitoring System Development and Research on Its Efficiency. 2015 International Siberian Conference on Control and Communications (SIBCON). Proceedings. Omsk State Technical University. Russia, Omsk, May 21?23, 2015. IEEE Catalog Number: CFP13794-CDR. ISBN: 978-1-4799-7103-9.
  11. Eremenko Y.I., Poleshchenko D.A., Glushchenko A.I. On Applying Neural Tuner to PI-Controller Parameters Calculation for Heating Furnaces Control. 2015 International Siberian Conference on Control and Communications (SIBCON). Proceedings. Omsk State Technical University. Russia, Omsk, May 21?23, 2015. IEEE Catalog Number: CFP13794-CDR. ISBN: 978-1-4799-7103-9.
  12. Semenov M.E., Solovyov A.M, Semenov A.M, Gorlov V.A., Meleshenko P.A. Elastic inverted pendulum under hysteretic nonlinearity in suspension: Stabilization and optimal control. 5th ECCOMAS Thematic Conference on Computational Methods in Structural Dynamics and Earthquake Engineering, COMPDYN 2015; Creta Maris Conference CentreHersonissos, Crete; Greece; 25 May 2015 through 27 May 2015. – Athens: National Technical University of Athens, 2015. – P. 2995-3003.
  13. Еременко Ю.И., Полещенко Д.А., Глущенко А.И.  Разработка и исследование метода нейросетевого анализа спектра сигнала виброускорения цапфы шаровой мельницы. Труды X Международной конференции Идентификация систем и задачи управления SICPRO'15 [Электронный ресурс]. - Электронные текстовые дан. (121 файл, 68,5 Мб). -  М.: Институт проблем управления им.В.А. Трапезникова РАН, 2015. - С. 668-679.
  14. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О влиянии динамики объекта управления на расчетные значения задержек входных каналов нейросетевого оптимизатора параметров ПИ-регулятора. Труды XVII Международной конференции «Проблемы управления и моделирования в сложных системах». – Самара: Самарский научный центр РАН, 2015. - С.347-353.
  15. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О методе построения нейросетевого оптимизатора параметров ПИ-регулятора и оценке его эффективности при решении задачи управления нагревательными печами. Труды 5-го юбилейного международного научно-технического семинара Современные проблемы прикладной математики, информатики, автоматизации и управления. – Москва: Изд-во ФИЦ ИУ РАН, 2015. – С.146-153.
  16. Полещенко Д.А., Глущенко А.И. О разработке метода определения  значения времени задержки входных сигналов каналов нейросетевого оптимизатора параметров ПИ-регулятора. Управление большими системами. Материалы XII Всероссийской школы-конференции молодых ученых [Электронный ресурс]. - М.: ИПУ РАН, 2015. – С.498-510.
  17. Молодых А.В., Петров В.А., Глущенко А.И. О целесообразности применения алгоритмов адаптации параметров ПИД-регулятора при управлении электроприводом ДУО-реверсивной прокатной клети с двухзонным регулированием скорости. Управление большими системами. Материалы XII Всероссийской школы-конференции молодых ученых [Электронный ресурс]. - М.: ИПУ РАН, 2015. ¬ С. 768-779.
  18. Еременко Ю.И., Полещенко Д.А., Фомин А.В. Об использовании нейросетевого оптимизатора параметров ПИ-регулятора для управления нагревательными печами в режиме борьбы с возмущениями. Управление большими системами. Материалы XII Всероссийской школы-конференции молодых ученых [Электронный ресурс]. - М.: ИПУ РАН, 2015. ¬ С. 659-670.
  19. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О выборе значений задержек входных сигналов нейронной сети при реализации нейросетевого оптимизатора параметров ПИ-регулятора. Материалы 8-й Всероссийской мультиконференции по проблемам управления. - Ростов-на-Дону: Издательство Южного федерального университета, 2015. – Т.2. – С.127-129
  20. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. Определение уровня загрузки шаровой мельницы путем применения конкурентной нейронной сети. Материалы 8-й Всероссийской мультиконференции по проблемам управления. - Ростов-на-Дону: Издательство Южного федерального университета, 2015. – Т.12. – С.65-67.
  21. Еременко Ю.И., Полещенко Д.А., Глущенко А.И.,  Фомин А.В. К вопросу о применении нейросетевого оптимизатора параметров ПИ-регулятора в условиях действия возмущений. Сборник трудов VIII Международной конференции Современные метод прикладной математики, теории управления и компьютерных технологий "ПМТУКТ-2015". – Воронеж: Изд-во "Научная книга", 2015. – С. 136-138.
  22. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Петров В.А. О применении нейросетевого оптимизатора параметров линейных регуляторов в системе тиристорный преобразователь - двигатель постоянного тока. Сборник трудов VIII Международной конференции Современные метод прикладной математики, теории управления и компьютерных технологий "ПМТУКТ-2015". – Воронеж: Изд-во "Научная книга", 2015. – С. 133-135.
  23. Еременко Ю.И., Полещенко Д.А., Глущенко А.И.,Фомин А.В. К вопросу о настройке коэффициентов ПИ-регулятора в процессе отработки различных типов возмущений с помощью нейросетевого оптимизатора. Сборник материалов Всероссийской научно-практической конференции «Информационно-телекоммуникационные системы и технологии», 16-17 окт. 2015 г., Кемерово [Электронный ресурс] / ФГБОУ ВПО «Кузбасский государственный технический университет им. Т. Ф. Горбачева»; редкол.: Трофимов И.Е. (отв. ред.) [и др.]. – Кемерово, 2015.
  24. Еременко Ю.И., Полещенко Д.А., Глущенко А.И.,  Петров В.А. О применении нейросетевого оптимизатора параметров П- и ПИ-регуляторов в системе управления электроприводом прокатной клети при захвате заготовки. Сборник материалов Всероссийской научно-практической конференции «Информационно-телекоммуникационные системы и технологии», 16-17 окт. 2015 г., Кемерово [Электронный ресурс] / ФГБОУ ВПО «Кузбасский государственный технический университет им. Т. Ф. Горбачева»; редкол.: Трофимов И.Е. (отв. ред.) [и др.]. – Кемерово, 2015.
  25. Еременко Ю.И., Петров В.А., Глущенко А.И. Анализ применимости методов настройки линейных регуляторов в электроприводах постоянного тока ДУО-реверсивной клети для решения задач адаптивного управления. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы Двенадцатой Всероссийской научно-практической конференции. – Старый Оскол: типография ОАО ОЭМК, 2015. – Т.2. – С.151-156.
  26. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Фомин А.В. О разработке метода определения типа действующего на тепловой объект возмущения для его последующей отработки с помощью нейросетевого оптимизатора параметров ПИ-регулятора. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы Двенадцатой Всероссийской научно-практической конференции. – Старый Оскол: типография ОАО ОЭМК, 2015. – Т.2. – С.156-161.
  27. Еременко Ю.И., Халапян С.Ю., Супруненко В.В. О применении технологии нейронных сетей для определения состояния дуговой сталеплавильной печи. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы Двенадцатой Всероссийской научно-практической конференции. – Старый Оскол: типография ОАО ОЭМК, 2015. – Т.2. – С.171-174.
  28. Соловьев А.Ю., Родионов Н. О возможности использования метода сингулярно-спектрального анализа для очистки сигналов от шумов. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы Двенадцатой Всероссийской научно-практической конференции. – Старый Оскол: типография ОАО ОЭМК, 2015. – Т.2. – С.299-303.
  29. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Фомин А.В. Применение нейросетевого настройщика параметров ПИ-регулятора для отработки возмущающих воздействий различных типов. Современная металлургия нового тысячелетия. Сборник трудов Международной научно-практической конференции. 8-11 декабря. – Липецк: Издательство Липецкого государственного технического университета, 2015. – Ч.1. – С. 253-260.
  30. Еременко Ю.И., Глущенко А.И., Петров В.А. Анализ применимости методов настройки линейных регуляторов для решения задачи адаптивного управления двигателем ДУО-реверсивной прокатной клети. Современная металлургия нового тысячелетия. Сборник трудов Международной научно-практической конференции. 8-11 декабря. – Липецк: Издательство Липецкого государственного технического университета, 2015. – Ч.1. – С. 337-342.

Объем финансирования в 2016 году: 650 тыс. руб.

В 2016 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., доц.
  • Соловьев А.Ю., к.т.н., доц.
  • Канищева О.И., к.ф-м.н., доц.
  • Цуканов М.А., к.т.н., ст. преп.
  • Халапян С.Ю., к.т.н., доц.
  • Фомин А.В., аспирант
  • Петров В.А., аспирант, ассистент

В процессе выполнения НИР за 2016 год были достигнуты следующие основные результаты:

  1. Усовершенствованный метод построения нейросетевого оптимизатора для настройки ПИ-регуляторов с возможностью его применения для управления объектами с постоянными времени менее 800 секунд, в частности, с порядком постоянной времени 1-10 секунд. Объект должен иметь один вход и один выход и описываться апериодическими и интегральными звеньями со звеном запаздывания. Этого удалось добиться путем разработки методики расчета дискретности вызова нейронной сети оптимизатора. Еще одним отличием от результатов 2015 года является наличие возможности работы не только в условиях использования ступенчатой смены заданий для контура управления, но и в случаях, когда картина изменения уставок имеет другую форму.
  2. Математически обоснованный метод определения дискретности вызова нейронной сети и времени задержки ее входных сигналов, являющихся измеренным значением выхода объекта управления. Установлена математическая зависимость данного параметра от параметров объекта управления. Однако модель объекта не известна в реалиях производства, поэтому применена теорема Хуанга для определения количества точек переходного процесса, которые необходимо предъявить нейронной сети оптимизатора для адекватной работы. Проведенные эксперименты подтверждают данную теорему и позволяют вычислять дискретность вызова сети без использования математической модели объекта управления.
  3. Доработанная база правил и условий, определяющих моменты обучения нейронной сети и скорости обучения отдельных ее нейронов. Подобная доработка потребовалась, поскольку для высокодинамичных объектов управления, как правило, значения задания меняются не ступенчато, а линейно (или в соответствии с произвольной кривой). Подобная база разработана для картины заданий с линейно нарастающим/убывающим сигналом с насыщением (задание имеет форму трапеции). Кроме того, база правил позволяет работать с заданием произвольной формы, но при условии, что данное задание является выходом регулятора внешнего по отношению к рассматриваемому контура управления, причем во внешнем контуре задание является ступенчатым или линейно нарастающим/убывающим с насыщением.
  4. Результаты модельных экспериментов с многоконтурной моделью системы управления реверсивной прокатной клетью. Оптимизатор был установлен как в контур управления током якоря электродвигателя (внутренний контур), так и в контур управления скоростью двигателя (внешний контур). В процессе экспериментов параметры электродвигателя плавно изменялись. Применение неросетевого оптимизатора позволило нивелировать подобный "дрифт" параметров объекта, сохранив требуемое качество переходных процессов в обоих контурах. Это, в свою очередь, позволило сэкономить порядка 2% электроэнергии на ведение технологического процесса по сравнению с использованием обычных линейных регуляторов без подстройки их параметров.
  5. Функциональная схема, алгоритм работы и база правил нейросетевого оптимизатора усовершенствованы для решения задачи отработки ступенчатых и импульсных возмущающих воздействий ограниченной амплитуды, действующих на объект управления. Данные результаты позволяют оптимизатору находить не только наборы коэффициентов регулятора для отработки картины заданий, но и подавлять возмущения. Сделаны выводы о влиянии настройки каждого из параметров регулятора на эффективность отработки возмущений.
  6. Получены результаты модельных и натурных экспериментов по применению нейросетевого оптимизатора параметров линейных регуляторов для отработки возмущающих воздействий, действующих на объект управления - нагревательную печь. Для импульсных возмущений, действующих на выход объекта управления экономия времени на отработку возмущающих воздействий  составила 26% относительно системы с постоянными параметрами регулятора, для ступенчатых возмущений - 20%.
  7. Разработан бионический алгоритм, основанный на модели адаптивного поискового поведения личинок ручейника, для поиска оптимального управления при стабилизации физической модели обратного гибкого маятника с наличием люфта в основании его крепления. Стабилизация производится в окрестности его вертикального положения. Модель рассматриваемой системы построена с использованием функций Лагранжа и принципов вариационного исчисления. Принимая во внимание существенную нелинейность изучаемой системы, ее решение было получено в рамках численных методов, основанных на разностных схемах. Была доказана устойчивость использованных разностных схем. Решение задачи стабилизации маятника заключается в поиске оптимальных значений управляющих коэффициентов путем применения бионического алгоритма поискового поведения личинок ручейника. Динамика представленной физической системы успешно проиллюстрирована с помощью численного моделирования.

 

Основные публикации по тематике проекта за 2016 год:

  1. Eremenko Y.I., Glushchenko A.I., Fomin A.V. On Development of Method to Calculate Time Delay Values of Neural Network Input Signals to Implement PI-Controller Parameters Neural Tuner. Proc. IEEE 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2016, South Ural State University. IEEE Catalog Number: 38536. ISBN: 978-1-5090-1322-7
  2. Eremenko Y.I., Glushchenko A.I., Fomin A.V.. PI-Controller Parameters Tuning Method to Reject Disturbances Acting on Heating Furnaces. Proc. IEEE 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2016, South Ural State University IEEE Catalog Number: 38536. ISBN: 978-1-5090-1322-7
  3. Eremenko Y.I., Glushchenko A.I., Petrov V.A. On Neural Network Based Online Tuning of Rolling Mill Drive Armature Current PI-controller Parameters. X International Scientific and Technical Conference “Dynamics of Systems, Mechanisms and Machines (Dynamics)”. Proceedings. Omsk: Omsk State Technical University, Omsk, Russia, November 15-17, 2016. IEEE Catalog Number: CFP16RAB-CDR. ISBN: 978-1-5090-4049-0.
  4. Semenov M.E., Abbas Z.H., Ishchuk I.N., Kanishcheva O.I., Meleshenko P.A. State-feedback control principles for inverted pendulum with hysteresis in suspension // Journal of Siberian Federal University. Mathematics & Physics. – 2016. – № 4(9). – P. 498-509.
  5. M.E. Semenov, A.M. Solovyov, A.G. Rukavitcyn, V.A.Gorlov, P.A. Meleshenko. Hysteretic damper based on the Ishlinsky-Prandtl model. Proc. of 3rd International Conference on Structural Nonlinear Dynamics and Diagnosis. May 23–25, 2016, Marrakech.
  6. Semenov M. E. et al. Charged inverted pendulum as a new model for control of unstable systems. In Proc. of Progress in Electromagnetic Research Symposium (PIERS). – IEEE, 2016. – P. 1938-1942.
  7. Semenov M. E. et al. Fresh look at Lorenz-like system. In Proc. of Progress in Electromagnetic Research Symposium (PIERS). – IEEE, 2016. – P. 2255-2259.
  8. Semenov M. E. et al. On the interaction of electromagnetic waves with charged aerosol particles in atmosphere. In Proc. of Progress in Electromagnetic Research Symposium (PIERS). – IEEE, 2016. – P. 3542-3545.
  9. Poleshchenko D. A., Tsygankov Y. A. Ball Mill States Classification using Competitive Neural Networks. In Proceedings of 2016 International Siberian Conference on Control and Communications (SIBCON). – IEEE, 2016. – P.1-5.
  10. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Пожарский Ю.М. О возможности определения уровня загрузки шаровой мельницы в результате нейросетевого анализа спектра сигнала виброускорения ее цапфы // Горный информационно-аналитический бюллетень (научно-технический журнал). – 2016. – №1. – С.38-47.
  11. Еременко Ю.И., Глущенко А.И., Фомин А.В. Применение нейросетевого настройщика параметров ПИ-регулятора нагревательной печи для отработки возмущающих воздействий различных типов // Системы управления и информационные технологии. – 2016. – № 2(64). – С. 86-91.
  12. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Пожарский Ю.М., Солодов С.В. Нейросетевая альтернатива амплитудному анализу спектра в задаче определения уровня загрузки шаровой мельницы // Мехатроника, автоматизация, управление. – 2016. – № 8(17). – С.540-546.
  13. Еременко Ю.И., Глущенко А.И. О разработке метода выбора структуры нейронной сети для решения задачи адаптации параметров линейных регуляторов // Управление большими системами. – Выпуск 62. – М.: ИПУ РАН, 2016. – С.75-123.
  14. Еременко Ю.И., Глущенко А.И., Петров В.А. О нейросетевой адаптации параметров ПИ-регулятора контура тока системы управления прокатной клетью в реальном времени // Системы управления и информационные технологии. – 2016. – № 3(65). – С.62-68.
  15. Семенов М.Е., Хатиф З., Решетова О.О., Демчук А.А., Мелешенко П.А. Модель динамики обратного маятника с гистерезисным управлением // Вестник Воронежского государственного университета. Серия: физика, математика. – 2016. – №4. – С.165-177.
  16. Соловьев А.М., Семенов М.Е. Искусственная нейронная сеть с гистерезисной функцией активации: стабилизация неустойчивых объектов // Теория и техника радиосвязи. – 2016. – №3. – С.11-19.
  17. Еременко Ю.И., Глущенко А.И., Фомин А.В. Об оценке эффективности нейросетевого настройщика параметров ПИ-регулятора при управлении нагревательным объектом в условиях действия возмущений. Труды IV Всероссийской научной конференции молодых ученых с международным участием «Информатика, управление и системный анализ». – Т. I. – Тверь: Тверской государственный технический университет, 2016.– С. 14-27.
  18. Еременко Ю.И., Глущенко А.И., Петров В.А. О разработке нейросетевого настройщика параметров ПИ-регулятора контура тока при управлении электроприводом прокатной клети. Труды IV Всероссийской научной конференции молодых ученых с международным участием «Информатика, управление и системный анализ». – Т. I. – Тверь: Тверской государственный технический университет, 2016.– С. 61-71.
  19. Еременко Ю.И., Глущенко А.И., Петров В.А., Полещенко Д.А. О применении нейросетевого настройщика параметров ПИ-регулятора скорости в условиях действия возмущений при управлении прокатной клетью. Современные методы прикладной математики, теории управления и компьютерных технологий: сборник трудов IX международной конференции «ПМТУКТ-2016». – Воронеж: Издательство «Научная книга», 2016. – С. 138-141.
  20. Еременко Ю.И., Глущенко А.И., Фомин А.В., Полещенко Д.А. О применении нейросетевого настройщика параметров ПИ-регулятора на лабораторной муфельной печи электрического нагрева для отработки возмущений различных типов. Современные методы прикладной математики, теории управления и компьютерных технологий: сборник трудов IX международной конференции «ПМТУКТ-2016». – Воронеж: Издательство «Научная книга», 2016. – С. 368-370.
  21. Еременко Ю.И., Глущенко А.И., Петров В.А., Полещенко Д.А. О разработке метода построения нейросетевого настройщика параметров пропорционально-интегрального регулятора для управления технологическими процессами с различной динамикой. Материалы 9-й Всероссийской конференции «Информационные технологии в управлении» (ИТУ-2016). – СПб.: АО «Концерн «Электроприбор», 2016. –С. 334-344.
  22. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Цыганков Ю.А. Разработка системы идентификации состояния предзавала шаровой мельницы на базе сети АРТ-2. Материалы 9-й Всероссийской конференции «Информационные технологии в управлении» (ИТУ-2016). – СПб.: АО «Концерн «Электроприбор», 2016. –С. 345-354.
  23. Eremenko Y.I., Glushchenko A.I., Petrov V.A. On PI-controller Parameters Adjustment for Rolling Mill Drive Control Loop Using Neural Networks. Proceedings of XII International Symposium «Intellingent Systems-2016» INTELS’2016. – Moscow: RUDN, 2016. – P. 41.
  24. Еременко Ю.И., Глущенко А.И., Петров В.А. Об адаптации параметров регулятора скорости электропривода прокатной клети при захвате заготовки. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIII Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2016. – Т.2. – С.30-32.
  25. Еременко Ю.И., Глущенко А.И., Фомин А.В. О реализации нейросетевого настройщика параметров ПИ-регулятора на базе контроллеров фирмы Siemens Simatic S7-300/400. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIII Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2016. – Т.2. – С.33-35.
  26.  Еременко Ю.И., Глущенко А.И., Петров В.А. Адаптивная система нейросетевой настройки параметров ПИ-регулятора скорости электропривода постоянного тока. Сборник трудов ХV Международной конференции NIDays-2016, Москва 25 ноября 2016 г. – М.: ДМК-пресс, 2016. – С.10-12.
  27. Глущенко А.И., Фомин А.В., Полещенко Д.А. О реализации в нейросетевом настройщике параметров ПИ-регулятора функции отработки возмущающих воздействий различных типов. Управление большими системами (УБС’2016) [Электронный ресурс] : Материалы XIII Всерос. школы-конф. молодых ученых, 5–9 сент. 2016 г, Самара / под общ. ред. Д.А. Новикова, В.Г. Засканова ; Ин-т проблем упр. им. В.А. Трапезникова; Самарский ун-т. – Электрон. текстовые дан. (215 Мб.). – М.  ИПУ РАН, 2016. – С. 81-93.
  28. Глущенко А.И., Петров В.А. О применении нейросетевого настройщика для адаптации П-регулятора скорости при управлении реверсивной прокатной клетью. Управление большими системами (УБС’2016) [Электронный ресурс] : Материалы XIII Всерос. школы-конф. молодых ученых, 5–9 сент. 2016 г, Самара / под общ. ред. Д.А. Новикова, В.Г. Засканова ; Ин-т проблем упр. им. В.А. Трапезникова; Самарский ун-т. – Электрон. текстовые дан. (215 Мб.). – М.: ИПУ РАН, 2016. – С. 577-589.
  29. Соловьев А.Ю. Идентификация альфа-ритмов в сигналах электрической активности мозга человека. Управление большими системами (УБС’2016) [Электронный ресурс] : Материалы XIII Всерос. школы-конф. молодых ученых, 5–9 сент. 2016 г, Самара / под общ. ред. Д.А. Новикова, В.Г. Засканова ; Ин-т проблем упр. им. В.А. Трапезникова; Самарский ун-т. – Электрон. текстовые дан. (215 Мб.). – М.: ИПУ РАН, 2016. – С. 186-195.
  30. Цуканов М.А., Ульянова О.П., Мамян К.А. Расширенная мультиагентная система технологической координации и оперативного управления производством. Управление большими системами (УБС’2016) [Электронный ресурс] : Материалы XIII Всерос. школы-конф. молодых ученых, 5–9 сент. 2016 г, Самара / под общ. ред. Д.А. Новикова, В.Г. Засканова ; Ин-т проблем упр. им. В.А. Трапезникова; Самарский ун-т. – Электрон. текстовые дан. (215 Мб.). – М.: ИПУ РАН, 2016. – С. 675-687.
  31. Еременко Ю.И., Полещенко Д.А., Цыганков Ю.А. О возможностипостроения экстремальной шаговой САУ шаровой мельницы. Управление большими системами (УБС’2016 [Электронный ресурс] : Материалы XIII Всерос. школы-конф. молодых ученых, 5–9 сент. 2016 г, Самара / под общ. ред. Д.А. Новикова, В.Г. Засканова ; Ин-т проблем упр. им. В.А. Трапезникова; Самарский ун-т. – Электрон. текстовые дан. (215 Мб.). – М.: ИПУ РАН, 2016. – С. 611-622.
  32. Полещенко Д.А. Идентификация состояния предзавала шаровой мельницы с помощью сети АРТ-2. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIII Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2016. – Т.2. – С.83-85.
  33. Еременко Ю.И., Глущенко А.И, Петров В.А. Об апробации нейросетевого настройщика параметров ПИ-регулятора  тока на физической модели электропривода прокатной клети. Сборник научных трудов Международной научно-практической конференции  «Современная металлургия нового тысячелетия». – Липецк: издательство ЛГТУ, 2016. – С. 53-57.
  34. Еременко Ю.И., Глущенко А.И., Фомин А.В. О перспективах применения нейросетевого настройщика параметров ПИ-регудлятора для отработки возмущающих воздействий различных типов на тепловых объектах металлургической отрасли. Сборник научных трудов Международной научно-практической конференции  «Современная металлургия нового тысячелетия». – Липецк: издательство ЛГТУ, 2016. – С. 81-86.
  35. Коврижных Ю.А., Полещенко Д.А. Разработка системы контроля наличия шлака при сливе стали из стальковша в промковш. Сборник научных трудов Международной научно-практической конференции  «Современная металлургия нового тысячелетия». – Липецк: издательство ЛГТУ, 2016. – С. 155-159.
  36. Семенов М.Е., Попов М.А. Колебания неустойчивых связанных осцилляторов. Труды XVI Международной научно-методической конференции «Информатика: проблемы, методология, технологии». – Воронеж: Издательско-полиграфический центр Воронежского государственного университета, 2016. – С.472-477.
  37. Соловьев А.М., Семенов М.Е., Мелешенко П.А. Модели динамики гистерезисного демпфера. Труды XVI Международной научно-методической конференции «Информатика: проблемы, методология, технологии». – Воронеж: Издательско-полиграфический центр Воронежского государственного университета, 2016. – С.489-493.
  38. Халапян С.Ю., Анпилов А.О. Организация управления процессом обезвоживания железорудного концентрата на основе косвенных измерений. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIII Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2016. – Т.2. – С.114-116.
  39. Соловьев А.Ю. О проблеме обработки биогенных сигналов.Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIII Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2016. – Т.2. – С.105-107.
  40. Рукавицын А.Г., Канищева О.И. Излучение заряженного обратного маятника, стабилизируемого электрическим полем. Информатика: проблемы, методология, технологии. Материалы XVI Международной научно-методической конференции. – Воронеж: Издательство: Издательство «Научно-исследовательские публикации», 2016. – С.453-457.
  41. Цуканов М.А. Интеграция систем планирования производства и обеспечивающих подсистем на основе мультиагентных технологий. Труды Международной научно-практической конференции ТЕОРИЯ АКТИВНЫХ СИСТЕМ (ТАС-2016). Москва, 16–17 ноября 2016 г. В печати.

Объем финансирования в 2017 году: 650 тыс. руб.

В 2017 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., доц.
  • Соловьев А.Ю., к.т.н., доц.
  • Канищева О.И., к.ф-м.н., доц.
  • Цуканов М.А., к.т.н., ст. преп.
  • Халапян С.Ю., к.т.н., доц.
  • Фомин А.В., аспирант
  • Петров В.А., аспирант, ассистент

В процессе выполнения НИР за 2017 год были достигнуты следующие основные результаты:

  1. Разработана обобщенная методика построения нейросетевого оптимизатора параметров линейных регуляторов для объектов управления с различной динамикой. Оптимизатор возможно построить без идентификации модели объекта управления. При этом необходимо иметь информацию о параметрах регулятора, которые используются до установки оптимизатора, значениях уставок, структуре регулятора, ограничениях на сигнал управления. Определены ограничения на применение данной методики.
  2. Разработан математически обоснованный метод выбора структуры оптимизатора и входящих в его состав нейронных сетей. Предложены подходы по вычислению количества нейронов во входном, скрытом, выходном слоях.
  3. Разработан метод определения максимально допустимой скорости обучения для текущего вызова нейросетевого оптимизатора. Дело в том, что скорость обучения рассчитывается в следствии сработавшего правила из базы правил. Однако вычисленное значение может оказаться слишком большим, и система выйдет за границу устойчивости. Поэтому разработан метод оценки максимально допустимой скорости обучения сети путем применения критериев технической и асимптотической устойчивости. В частности, предельное значение скорости обучения определяется с использованием второго метода Ляпунова, но для конкретного момента времени, поэтому знание модели объекта управления не потребуется.
  4. Получены результаты экспериментов по применению нейросетевого оптимизатора для управления скоростью вращения физической модели двигателя постоянного тока в условиях различной и динамически меняющейся (возмущения) нагрузки и изменений параметров обмотки якоря электродвигателя. Для проведения данных экспериментов использовались системы с нейросетевым оптимизатором, с обычными П и ПИ-регуляторами и адаптивным регулятором фирмы Siemens. Полученные результаты подтверждают эффективность предложенного подхода, поскольку система с оптимизатором удерживала качество переходных процессов в требуемых пределах несмотря на изменения параметров обмотки якоря и механики привода (применение оптимизатора позволило снизить перерегулирование на 10% и повысить динамику контура скорости. Поддержание требуемого качества регулирования в контуре скорости позволило добиться экономии электроэнергии 1% за время эксперимента по сравнению с системой управления без нейросетевой настройки), а также действие ступенчатых возмущений (применение оптимизатора позволило снизить максимальное отклонение по скорости от задания на 8% и время отработки возмущения на 30%).
  5. Модуль нейросетевого оптимизатора был реализован средствами пакета программирования промышленных контроллеров Step-7. Интеграция полученного модуля в программное обеспечение контроллера позволила повысить надежность системы управления, так как было исключено взаимодействие с пакетом Matlab, в котором реализован нейросетевой оптимизатор. Проведены экспериментов по апробация подобной реализации на нагревательной печи. В результате удалось сократить время эксперимента и расход энергоносителя на 3%-25% по сравнению с обычным ПИ-регулятором.
  6. Проведены исследования системы с двумя маятниками, линейной жёсткостью и управлением, приложенным к одному из маятников, а также системы с нелинейной жёсткостью и управлением, приложенным к обоим маятникам. Задача стабилизации нулевого положения, соответствующего вертикальному положению обоих маятников свелась к подавлению эффекта положительного собственного числа. Найдено единственное стационарное решение. Исследована устойчивость этого решения с использованием первого метода Ляпунова по линейному приближению. Исследована зависимость устойчивости стационарного решения от параметров Ko и D. В результате исследования показано, что сложная неустойчивая система, состоящая из осцилляторов с нелинейной связью, может быть описана достаточно простой системой уравнений, а её стабилизация, при соблюдении определенных условий, возможна с помощью достаточно простого управления периодической функцией по обратной связи.

 

Основные публикации по тематике проекта за 2017 год:

  1. Eremenko Y.I., Glushchenko A.I., Petrov V.A. Efficiency Analysis of P-controller Neural Tuner and Adaptive Controller Based on Observer for DC Drive Speed Control Problem // Advances in Intelligent Systems and Computing. – 2018. – Vol. 658. – P. 284-292.
  2. Glushchenko A. Method of Calculation of Upper Bound of Learning Rate for Neural Tuner to Control DC Drive // Studies in Computational Intelligence. – 2018. – Vol. 736. – P. 104-109.
  3. Eremenko Y., Glushchenko A., Petrov V. On PI-controller Parameters Adjustment for Rolling Mill Drive Current Loop Using Neural Tuner // Procedia Computer Science. – 2017. – Vol. 103. – P. 355–362.
  4. Eremenko Y.I., Glushchenko A.I., Petrov V.A. DC Electric Drive Adaptive Control System Development Using Neural Tuner. Proceedings of the 2017 IEEE Russia Section Young Researchers in Electrical and Electronic Engineering Conference (2017 ElConRus). Saint-Petersburg, Russia, February 1-3, 2017. IEEE Catalog Number: 40847. ISBN 978-1-5090-4865-6
  5. Glushchenko A.I. Neural Tuner Development Method to Adjust PI-controller Parameters On-line. Proceedings of the 2017 IEEE Russia Section Young Researchers in Electrical and Electronic Engineering Conference (2017 ElConRus). Saint-Petersburg, Russia, February 1-3, 2017. IEEE Catalog Number: 40847. ISBN 978-1-5090-4865-6
  6. Eremenko Y.I., Glushchenko A.I., Petrov V.A. Neural Tuner Based Adaptive Control System Development to Improve Roll Bite Process Effectiveness. Proc. 2017 IEEE International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2017, Peter the Great Saint-Petersburg Polytechnic University, IEEE Catalog Number: 40534. ISBN: 978-1-5090-5648-417
  7. Eremenko Y.I., Glushchenko A.I., Fomin A.V. On PI-controller Neural Tuner Implementation in Programmable Logic Controller to Improve Rejection of Disturbances Effecting Heating Plant. Proc. 2017 IEEE International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2017, Peter the Great Saint-Petersburg Polytechnic University, IEEE Catalog Number: 40534. ISBN: 978-1-5090-5648-417
  8. Glushchenko A.I. On Maximal Learning Rate Value Calculation for Neural Network of PI-controller Neural Tuner Solving Heating Plants Control Problem. 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM). Proceedings. Saint Petersburg Electrotechnical University "LETI", Saint Petersburg, Russia, May 24-26, 2017. P.547-550. ISBN: 978-1-5386-1810-3.
  9. Eremenko Y.I., Poleshchenko D.A., Glushchenko A.I., Tsygankov Yu.A., Kovriznich Yu.A. ART-2 Neural Network Usage to Determine Moment of Slag Discharge During Steel Teeming Process. 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM). Proceedings. Saint Petersburg Electrotechnical University "LETI", Saint Petersburg, Russia, May 24-26, 2017. P.547-550. ISBN: 978-1-5386-1810-3.
  10. Eremenko Y.I., Glushchenko A.I., Fomin A.V. On Comparison of PI-Controller Neural Tuner and Siemens Simatic Adjustment System for Heating Furnaces Control Problem. 2017 International Siberian Conference on Control and Communications (SIBCON). Proceedings. S. Seifullin Kazakh Agrotechnical University. Kazakhstan, Astana, June 29−30, 2017. Catalog Number: CFP17794-CDR. ISBN: 978-1-5090-1080-6.
  11. Glushchenko A.I., Petrov V.A. On Neural Tuner Application to Adjust Speed P-controller of Rolling Mill Main DC Drive. 2017 International Siberian Conference on Control and Communications (SIBCON). Proceedings. S. Seifullin Kazakh Agrotechnical University. Kazakhstan, Astana, June 29−30, 2017. Catalog Number: CFP17794-CDR. ISBN: 978-1-5090-1080-6.
  12. Eremenko Y.I., Poleshchenko D.A., Tsygankov Yu.A., Kovriznich Yu.A. Determination of Slag Outflow Moment during Steel Teeming using Competitive Neural Network. 2017 International Siberian Conference on Control and Communications (SIBCON). Proceedings. S. Seifullin Kazakh Agrotechnical University. Kazakhstan, Astana, June 29−30, 2017. Catalog Number: CFP17794-CDR. ISBN: 978-1-5090-1080-6.
  13. Еременко Ю.И., Глущенко А.И., Петров В.А. Об использовании нейросетевого настройщика для адаптации П-регулятора скорости электропривода прокатной клети // Мехатроника. Автоматизация. Управление. – 2017. – №10(18). – С. 685-692.
  14. Еременко Ю.И., Глущенко А.И., Фомин А.В. О влиянии исполнительного механизма на эффективность применения нейросетевого настройщика для управления нагревательными печами // Системы управления и информационные технологии. – 2017. – № 3(69). – С. 32-37.
  15. Еременко Ю.И., Глущенко А.И., Фомин А.В., Петров В.А. О применении нейросетевого настройщика параметров ПИ-регулятора для отработки возмущающих воздействий для объектов с различной динамикой // Информационные технологии и вычислительные системы. –2017. – № 4. – С.83-94.
  16. Семенов М. Е., Соловьев А. М., Попов М. А. Стабилизация неустойчивых объектов: связанные осцилляторы //Труды МАИ. – 2017. – №. 93. – С. 2-16.
  17. Глущенко А.И. О методе вычисления допустимой скорости обучения нейронной сети при решении задачи управления двигателем постоянного тока. Материалы 10-й Всероссийской мультиконференции по проблемам управления (с. Дивноморское, Геленджик, Россия, 11–16 сентября 2017 г.): в 3 т. / [редкол.: И. А. Каляев (отв. ред.) и др.]. – Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2017. – Т.2. – С.146-148.
  18. Еременко Ю.И., Глущенко А.И., Петров В.А. О снижении динамических нагрузок в главном электроприводе прокатной клети путем применения нейросетевого настройщика линейных регуляторов. Материалы 10-й Всероссийской мультиконференции по проблемам управления (с. Дивноморское, Геленджик, Россия, 11–16 сентября 2017 г.): в 3 т. / [редкол.: И. А. Каляев (отв. ред.) и др.]. – Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2017. – Т.2. –  С. 155-157.
  19. Еременко Ю.И., Глущенко А.И., Петров В.А. Сравнение нейросетевого настройщика и наблюдающего устройства идентификации для задачи настройки П-регулятора скорости электропривода постоянного тока. Сборник трудов X Международной конференции Современные методы прикладной математики, теории управления и компьютерных технологий "ПМТУКТ-2017". – Воронеж: Изд-во "Научная книга", 2017. – С. 163-166.
  20. Еременко Ю.И., Глущенко А.И., Петров В.А. О совместной работе нейросетевых настройщиков регуляторов тока якоря и скорости для решения задачи адаптивного управления электроприводом прокатной клети. Труды XIX Международной конференции «Проблемы управления и моделирования в ложных системах». – Самара: ООО «Офорт», 2017. – С.117-122.
  21. Глущенко А.И., Петров В.А. Разработка нейросетевого настройщика для повышения эффективности компенсации возмущающих воздействий при управлении электроприводом постоянного тока. Управление большими системами (УБС’2017) [Электронный ресурс] : Материалы XIV Всерос. школы-конф. молодых ученых, 4–8 сент. 2017 г, Пермь / под общ. ред. Д.А. Новикова, В.Ю. Столбова; Ин-т проблем упр. им. В.А. Трапезникова; Пермский национальный исследовательский политехнический ун-т. – Электрон. текстовые дан. – М.: ИПУ РАН, 2017. – С. 386-396.

 

Сайт СТИ НИТУ "МИСИС"
 ​Версия сайта для слабовидящих

    © 2024 СТИ НИТУ "МИСИС"