Файл: Юсупбеков Н.Р. Автоматизация технологических процессов производства растительных масел.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 25.06.2024
Просмотров: 108
Скачиваний: 0
|
Уъ — fb (.x w -M.0; |
|
|
(224) |
|
|
Уо~/в(-^12« -Из)! |
|
|
(225) |
|
Уравнения (220 —225) |
представлены |
в виде ли |
|||
нейных регрессионных зависимостей |
типа |
|
|||
У = а0 |
П |
( г =1, 2......... я). |
(226) |
||
|
|||||
Заметим, что линейные зависимости типа (226) мо |
|||||
гут не удовлетворять требованиям адекватности |
мате |
||||
матической модели реальному объекту. |
Если же ис |
||||
пользовать идеи |
кусочно-линейной |
аппроксимации |
|||
характеристик процесса [37] |
и процедуру |
корректиров |
|||
ки модели с целью приспособления ее |
к текущему |
||||
состоянию объекта, |
то можно достичь требуемой |
адек |
ватности и при линейном представлении уравнений
связи |
(219). |
|
|
|
|
|
|
|
|
|
|
||
В уравнении (226) неизвестные ап, а1— коэффициен |
|||||||||||||
ты регрессии. При известных значениях у, |
х |
(имеется |
|||||||||||
в виду, |
что |
статистика |
достаточная) |
величины ап, |
at |
||||||||
определяют |
методами |
классического |
регрессионного |
||||||||||
или корреляционного |
анализов с использованием |
ЭВМ. |
|||||||||||
Достаточную |
статистику |
о поведении |
параметров |
||||||||||
у, л: набирают путем |
организации непосредственно |
на |
|||||||||||
объекте |
регистрационного эксперимента [38]. |
|
|
|
|||||||||
Результаты эксперимента |
заносятся |
в табл. 20. |
|
||||||||||
|
|
|
|
|
|
|
|
|
Т а б л и ц а |
20 |
|||
Н о м е р э к с |
|
У |
|
X, |
|
|
|
|
|
|
|
|
|
п е р и м е н т а |
|
|
|
|
х к |
|
|
|
хп |
|
|||
|
|
|
|
|
|
|
|
|
|||||
1 |
|
|
У 1 |
|
Х 11 |
|
|
Х К, |
|
|
|
ч |
|
|
|
|
|
|
|
|
|
|
|
||||
2 |
|
|
Уз |
|
* 1 2 |
|
|
ч |
|
|
|
ч |
|
|
|
|
|
|
|
|
|
|
|
||||
N |
|
|
У н |
|
Х 2 Ц |
|
|
x k N |
|
|
|
x n N |
|
|
|
|
|
|
|
|
|
|
|
||||
В этой |
таблице у — значения выходного |
параметра |
|||||||||||
объекта при /-ом эксперименте. |
объекта |
при |
|||||||||||
у — значения |
выходного |
параметра |
|||||||||||
у- ом |
эксперименте |
(или |
в у- ый момент |
времени) |
|||||||||
у = 1, |
N.. |
х и — значение i-ой входной |
величины при |
у'-ом эксперименте.
311 |
181 |
Стало быть, табл. 20 представляет собой запись входных и выходных переменных эксперимента.
Для достаточности статистики число экспериментов {количество строк в табл. 20) должно отвечать следу ющему условию [39].
|
|
|
> 20, |
(227) |
|
где |
« — число |
входных переменных в |
представлении |
||
(226). |
|
регистрационного |
эксперимента |
||
При организации |
|||||
[38] |
следует обратить |
внимание на тот факт, что у |
и |
||
|
1,«) на |
одной |
строке таблицы |
фиксируются |
с |
учетом инерционных свойств объекта по соответству ющим каналам вход — выход, ибо практически всем технологическим объектам присуще явление запазды вания.
Рассматриваемому процессу также свойственно чис тое запаздывание. Определение времени запаздывания и его учет необходимы для разделения моментов съема данных о входных и выходных параметрах объекта.
При организации регистрационного эксперимента не обходимо правильно определить интервалы времени между замерами значений параметров. Чрезмерное увеличение этого интервала уменьшает точность ап проксимации характеристик объекта уравнениями, по лученными на основе собранной информации; умень шение приводит к частым опросам датчиков, так как очередные замеры могут быть сильно коррелирован ными друг с другом, информативность полученной та ким образом статистики окажется низкой. Поэтому значение интервала для конкретного технологического процесса рассчитывается и определяется, исходя из специфических особенностей процесса: время запазды вания по каналам регулирования, скорость изменения характеристик оборудования, скорость изменения спе цифических параметров самого моделируемого процесса, возможность работы информационных каналов (ско рость отбора информации, время лабораторных анали зов и т. д.).
Технологической процесс производства хлопкового масла и шрота в каждый момент времени представлен нами в виде машинных значений 19 параметров, среди которых имеются данные о расходах, давлениях, тем
182
пературах и, наконец, лабораторные анализы. Длитель ность анализов остается узким звеном в окончатель ной фиксации текущей статистики.
Последние исследования времени запаздывания по каналам регулирования и учет длительности лабора торных анализов для данного объекта позволили опре делить интервал между замерами очередных значений параметров, составляющий 2 часа.
Таким образом, с учетом соответствующего време ни запаздывания собрана статистика с объекта по ме тоду пассивного эксперимента [39] в течение 15 дней (по 12 групп замеров в сутки). За это время на Янгиюльском масложиркомбинате провели эксперименты при различных режимах функционирования технологи ческого процесса, обеспечивая весь диапазон измене ния расходов исходного сырья и других продуктов.
Суточный режим объекта эквивалентировался 12 группами значений упомянутых 19 параметров, т. е. фиксировался материал, состоящий из 19X12=228 слов. Следовательно, 15-дневная статистика содержала 3420 слов. Итак, исследуемый объект при моделировании можно заменить устройством, на котором записаны числа, состоящие из значений выходных и входных па раметров объекта. На целесообразность такого подхода уже указывалось в ряде работ [40].
В качестве указанного устройства наиболее разум но использовать запоминающее устройство электрон ной машины. Мы использовали память ЭВМ М-20.
Собранный с помощью регистрационного экспери мента и зафиксированный в памяти ЭВМ М-20 стати стический материал обработали с помощью стандарт ных программ, получили в явном виде регрессионные уравнения (220) —(225) и провели их подробный ста тистический анализ.
Уравнения сведены в табл. 21. Эти уравнения мож но принять за приближенную модель объекта. Оче видно, что такая модель может не соответствовать, не быть адекватной процессу в каждый конкретный мо мент времени. Со временем она будет расходиться с реальным объектом, так как характеристики изменя ются под воздействием ряда случайных неконтроли руемых возмущающих факторов. Поэтому модель не обходимо периодически корректировать. В конкретной
183
Т а б л и ц а 21
Номер |
|
|
|
|
а1 |
|
|
|
|
|
|
урав |
«0 |
|
|
|
Ох |
|
«г |
|
г |
|
|
нения |
|
«а |
|
|
«7 |
|
|
|
|||
220 |
1 7 ,8 4 |
2 , 6 9 |
— 0 ,9 7 7 |
0 , 1 6 |
- 0 , 0 6 |
0 , 1 5 |
0 ,0 8 9 |
0 , 8 9 |
5 , 5 8 |
1,0 |
0 ,9 1 |
221 |
1 9 ,7 6 |
— 1 , 3 3 |
0 ,4 1 |
— 0 ,0 1 |
0 ,0 1 6 |
0 , 0 6 |
— 0 ,0 1 |
0 , 0 7 8 |
9 , 2 0 |
1 ,0 |
0 , 9 5 |
|
«0 |
«8 |
«, |
|
*11 |
- |
- |
- |
|
|
|
222 |
— 0 , 9 6 |
0 , 8 2 |
- 0 , 0 1 4 |
— 0 , 2 9 |
0 ,0 0 3 |
|
|
|
9 , 8 8 |
1 ,3 5 |
0 , 9 5 |
223 |
— 1 ,8 2 |
0 , 3 9 |
0 ,0 0 3 |
— 0 , 0 2 ! |
0 ,0 0 0 4 |
|
|
|
1 ,9 2 5 |
1 ,3 5 |
0 ,7 0 5 |
|
«о |
«.а |
«■а |
- |
- |
- |
- |
- |
|
|
|
224 |
0 , 4 4 |
— 0 ,0 2 4 |
—0,022 |
|
|
|
|
|
1 ,6 0 9 |
1 ,4 5 |
8 ,6 2 5 |
225 |
9 2 , 0 |
3 , 5 4 3 |
3 5 ,9 6 |
|
|
|
|
|
3 , 4 9 |
1 , 5 |
0 ,8 4 9 |
постановке корректируются параметры модели, образу ющие множество коэффициентов регрессионных урав нений [а'\. Корректировку проводят по схеме метода обучающейся модели с применением алгоритма ста тистического поиска с пересчетом, используя текущую информацию о состоянии объекта [41; 42; 43]. В про цессе приспосабливания модели минимизируется функ ция качества (Q), зависящая от степени рассогласова ния выходов модели и объекта.
|
|
Рис. |
41. Схема |
метода обучающейся модели. |
|||
на |
Схема |
метода |
обучающейся модели [42] изображена |
||||
рис. |
41, |
|
|
|
|
||
где: X |
= |
(хх, х г, |
. . . , |
х п) — общий вход объекта и его |
|||
|
|
|
|
|
|
модели; |
|
|
У = |
(У\, |
У2, |
• •• . Ут) — ВЫХОД объекта; |
|||
|
У' = |
(Уь У2, |
• • • . Ут) — выход модели; |
||||
|
|
|
|
|
|
Q— функция |
качества; |
|
А = |
(аъ а 2, |
. . . , |
а'2) — вектор параметров модели. |
|||
ся |
Смысл метода сводится к следующему. Выдвигает |
||||||
исходная |
гипотеза |
об объекте, |
сформированная в |
виде определенной математической структуры, прини
маемой за первоначальную модел_ь объекта. |
При |
об |
|
щем выходе X выходы объекта У и модели |
У |
со |
|
поставляются между собой, а |
вычислительное устрой |
||
ство ВУ формирует величину |
Q = Q ( y , У'), |
характе |
ризующую степень несоответствия выходов объекта и его математической модели. При этом модель выби рают так, чтобы величина Q была минимальной, а в идеальном случае равнялась бы нулю.
185
Таким образом, задача построения модели объекта сводится к минимизации функции Q, определяющей степень точности модели. Минимизация производится
оптимизатором, так подбирающим вектор А' |
коэффи |
|
циентов модели, чтобы величина Q была минимальной. |
||
Начальное условие работы по этой схеме — наличие |
||
исходной гипотезы, |
сформулированной в виде некото |
|
рой математической |
структуры. Для нашего |
объекта, |
включающего в себя процессы форпрессования и экс тракции,—это совокупность регрессионных уравнений, приведенных в табл. 21.
При минимизации функции качества Q применяют различные алгоритмы поиска.
Существующие методы поиска разделяют на два класса: детерминированные (регулярные) и статисти ческие (случайные) методы поиска.
В первом случае алгоритм поиска представляет си стему действия, строго предопределяющуюся сложив шейся ситуацией. Это значит, что в одинаковых ситуа циях система действий будет также одинаковой, в про тивоположность случайным алгоритмам, допускающим систему действий в тождественных случаях.
Имеется много методов регулярного поиска: по очередного изменения параметров (метод Гаусса-Зей- деля), градиента, наискорейшего спуска и другие. Пе рейдем сразу же к характеристике статистического (случайного) поиска [43; 47].
Допустим, в пространстве оптимизируемых парамет ров из какого-то исходного состояния система делает случайный шаг. Если он не уменьшает функцию ка чества, то происходит возврат в исходное состояние. При уменьшении функции качества новое состояние принимается за исходное и из него делается следую щий случайный шаг. Процедура повторяется, пока не получаем требуемое минимальное значение функции качества.
Каждое состояние системы при случайном блуждении порождает определенное значение функции ка чества и, естественно, множество таких состояний дает на выходе системы некоторое множество функций ка чества (Q).
Очевидно, задача многопараметрической оптимиза ции в этом случае — выделить подмножества {Q*} с
186