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: 106
Скачиваний: 0
{Qj, соответствующие некоторым требованиям, предъяв ляемым к оптимизируемой системе. Например, к этому подмножеству относят все значения функции качества меньше заданного или же равные нулю.
Основное достоинство метода — наличие элемента случайности, вводимого при поиске. Это позволяет вести систему в лучшем направлении, минуя скользя щие режимы, к которым часто приводят регулярные методы поиска. Случайный поиск не попадет в ловуш ку из-за элемента случайности, выводящего систему из затруднительных положений. Примером распростра ненной ловушки является „хребет“ для метода ГауссаЗейделя и „седло" для градиентного метода [43].
Рассмотрим шаговый алгоритм случайного поиска, использованный при корректировке модели исследуемо го объекта.
Поиск с пересчетом. Блок-схема алгоритма приве дена на рис. 42. При возврате системы после неудач ного случайного шага в какую-то ранее пройденную точку на ней не производится повторного вычисления функции качества и его удобно применять для опти мизации систем с мало изменяющейся функцией ка чества.
Рекуррентная формула смещения на г -f-1 -ом шаге
имеет вид а] , —щ + Ааг+1;
* _ *
а;, если Q (а[) < Qi-t
Д а ;+1 =
— Аа\ + а£, если Q(a,) > Q*_х
Для корректировки модели исследуемого объекта остановимся на алгоритме случайного поиска с перес четом. Это связано с тем, что из-за сильной инерцион ности объекта однажды рассчитанная в точке прост
ранства оптимизируемых параметров [а'\ функция качества Q практически остается постоянной за время работы алгоритма в контуре настройки.
Для работы контура корректировки необходима те кущая информация с объекта. При решении задачи непрерывной идентификации с помощью цифровой си стемы, подключенной непосредственно к действующему объекту [44], получение новой информации связано с опросом датчиков и преобразующих устройств, т. е. с необходимостью учитывать скорость работы информа
187
нионной части цифровых систем. Поэтому, хотя быст родействие УВМ само по себе большое, скорость на стройки модели в конечном счете зависит от скорости получения и преобразования информации с объекта. Это в какой-то степени нейтрализует высокоскорост ные качества вычислительных блоков управляющих машин.
Представление объекта эквивалентной статистикой, записанной заранее в памяти машин, необязательно управляющей, позволяет при идентификации перейти от реального масштаба времени к шкале машинного времени. Так, если цифровая система идентификации, связанная с объектом, вынуждена дожидаться очеред ного замера параметров через определенные интервалы времени, то при представлении объекта эквивалентной статистикой режимы выбирают из памяти машин, т. е.
“ I
Рис. 42. Блок-схема алгоритма с пересчетом.
188
скорость моделирования определяется лишь быстро действием ЭВМ или УВМ.
Поэтому в общем случае в последнем варианте на идентификацию затрачивают намного меньше времени. Эквивалентирование объекта статистикой в памяти ЭВМ. выгодно и тем, что пока не доказана необходимость установки на объекте средств вычислительной техники на производственных предприятиях, можно не устанав ливать сложных дорогостоящих технических средств.
Принятый в работе метод эквивалентирования объ екта позволил исключить все затруднения, связанные, например, с длительностью лабораторных анализов или необходимостью учета инерционных характеристик ка налов. Кроме того, в этом случае удобно по шкале машинного времени исследовать дрейф коэффициентовполученных регрессионных уравнений. Этот дрейф свя зан с изменением характеристик и режимов работы объекта. Его исследование необходимо, так как коли чественные оценки, получаемые при этом, нужны для эффективной организации настройки модели объекта с использованием алгоритма случайного поиска.
Разумеется, такое эквивалентирование целесообраз но, когда необходимо получить наиболее полные дан ные об объекте, математически описать его и выявить необходимость создания цифровой системы оптималь ного управления. Если все этапы уже пройдены, нд объекте функционирует система, модель корректируеется на основе текущей информации, получаемой че рез систему. Иными словами, работы по оптимальному управлению с использованием периодически коррек тируемой модели ведут через цифровую систему не посредственно на объекте.
С использованием эквивалентной статистики, накоп ленной в памяти машины, установлена практическая, возможность применения процедуры настройки для выбранного реального объекта и работоспособность алгоритма случайного поиска в контуре такой наст ройки.
Из совокупности уравнений (220) —(225) корректи ровке подвергли уравнение (222). Корректировку про водили по методике, изложенной в работе [41], с при менением алгоритма с пересчетом при величине шага; поиска а = 0,1. Результаты корректировки приведены
189
на рис. 43 для уравнения (222). На рис. 44 показаны изменения функции качества для уравнения (222). По оси абсцисс отмечено число шагов поиска, а по оси ординат — значения корректируемых коэффициентов регрессионных уравнений. Значения коэффициентов, помеченных индексом (к), соответствуют ко-нцу процес са настройки, когда обеспечивается такое множество
коэффициентов \а'\ , что уравнение по определенному критерию оказывается адекватным реальному объекту.
Организация настройки моделей поиском в прост ранстве параметров требует дальнейшего детального изучения возникающих при этом специфических воп росов: масштабирования шагов поиска; целесообразную организацию функции качества; выбор того или иного алгоритма из множества алгоритмов; обеспечение тре буемой надежности и достоверности статистического ма териала; создания быстродействующих систем получе ния и первоначальной переработки информации и др.
Решение этих вопросов, а также использование бо лее быстродействующих средств вычислительной тех ники позволяет резко повысить эффективность предла гаемых здесь методов и процедур настройки моделей технологических объектов управления.
УПРАВЛЕНИЕ ПРОЦЕССОМ ПРИ ПОМОЩИ ЛОГИЧЕСКОГО АВТОМАТА-СОВЕТЧИКА (ЛАС)
Для управления рассматриваемым процессом не тре буется высокой точности регулировки управляющих органов. Вполне достаточно той точности, которую соблюдает опытный оператор.
В этом случае возможно непрерывные величины за менить дискретными, разбив диапазон изменения пара метров на несколько участков. Тогда для реализации алгоритма управления вместо системы управлений ре шают логическую задачу оптимального выбора страте гии управления в соответствии с определенной ситуа цией в каждом конкретном случае. Во многих сложных ситуациях при одновременном отклонении нескольких параметров задача управления усложняется. Успешное ее решение зависит от опыта и интуиции оператора. Можно намного упростить задачу, формализовав и при менив логический автомат-советчик (ЛАС), реализую щий формализованный алгоритм управления.
190
Ж
&8 °9 °1в аП а
Рис 43. |
Корректировка уравнения 222 с применением алгоритма с пересчетом при величине |
|
0,02 |
шага поиска a = 0,1. |
|
ос10,1 |
|
|
0,01 |
|
|
|
\o.oi |
|
|
|
|
0.01 |
70 |
80 |
____^ |
|
|
0,02 |
|
|
Рис. 44. |
Изменения функции качества для уравнения 222 |
0,03 |
при величине поиска а = 0,1. |
Задача управления — определить величины управ ляющих воздействий Лер для компенсирования откло нений управляемых параметров от технологических норм. Возможные отклонения параметров процессов сведены в табл. 22.
Например, при увеличении количества бензина л:10 можно использовать один из вариантов: либо прикрыть (знак минус) регулятор расхода бензина ср3, либо для его компенсации увеличить (знак плюс) с помощью регулятора скорость оборотов вала загрузочной колон ны экстрактора <р5 (его производительность).
Аналогичные варианты существуют и для других параметров.
В работе [45; 46] описан метод, упрощающий ал горитм управления. Сущность его состоит в предвари тельном определении величин равнозначных отклоне ний каждого управляемого параметра. Сравнивая эти отклонения, можно в каждой конкретной ситуации произвести ранжировку отклонений по старшинству параметров. Для их определения используют следую щие формулы [45; 46]:
ЛУу(0 = Д*(0/Я /. |
(228) |
|
где Дуг;- — изменение |
величины функции отклика; |
|
&Xi— изменение |
величины параметра; |
|
аг — коэффициент уравнения регрессии. |
||
Регулировку производят со старшего |
параметра, |
|
т. е. наиболее важного (параметры объекта |
разделяют |
на группу старших, средних и младших).
Для облегчения задачи оператора по определению важности параметра разбивают рабочие части шкал приборов на равнозначные участки R ( отклонений тех нологических параметров, соответствующих значению Дyij(t). Величины равнозначного отклонения определя ют по формулам:
Я, = |
(229) |
/?le, = *L + *L; |
(230) |
Ахф |
|
ф |
|
а * /т а х |
U'i |
аmax |
(231) |
|
|
||
|
|
|
___ . |
(232) |
|
Р/тах |
||
|
192
СIо
Со
Исполнительный орган
Регулятор расхода |
пара в |
жаров- |
не, ? ! ................................................ |
|
|
Регулятор мощности |
форпресса, ?2 |
|
Регулятор расхода бензина, |
<р3 . . . |
|
Регулятор толщины жмыха, |
? 4 . . |
Регулятор скорости загрузочной ко
лонны экстрактора, ?5 ...................
Регулятор глухого пара в шнековом
испарителе, ?6 ..................................
Т а б л и ц а 22
параДавлениев жаровне |
|
мяткиасличностьМ |
|
|
u С |
|
|
|
|
|
Cl, О . |
|
|
|
|
|
«Ч |
|
|
|
|
|
п id |
|
|
|
|
|
£ S, |
|
|
|
|
|
НН |
|
|
|
|
|
о о |
|
|
|
|
|
2 « |
|
|
|
|
|
2"л |
\ |
|
|
|
|
|
^ |
± |
+ + + |
|
|
|
|
|
|
|
||
|
|
|
|
+ |
2_ |
|
|
2 |
2 |
+ |
|
|
|
|
|
||
|
|
+ |
+ |
|
+ |
|
|
|
|
|
о, .
2 ь
И S
о Л
К01 £Я>
Xх
о»0>
ЧX
оз х
«в —
+
Давление острого пара в шнековом испарит.
Регулятор острого пара в шнековом
испарителе, ф7 ..................................