Повышение эффективности систем управления электроприводами линии гранулирования и экструзии

Повышение эффективности систем управления электроприводами линии гранулирования и экструзии

Россия, г. Воронеж, ВГТУ

В докладе отмечены возможности применения нейро–нечётких систем управления для оптимизации параметров производства масел в ходе технологических циклов гранулирования и экструзии.

Ключевые слова — экономический критерий оптимальности производства, цикл гранулирования и экструзии в производстве масел, система управления, нейро – нечёткие сети

Производство масел (подсолнечного, рапсового, оливкового) является важным звеном переработки сельскохозяйственной продукции и получения важных ищевых ресурсов. Его особенностями являются: непрерывно-поточный характер, высокое значение потоков материала и энергии, сложность процессов массотеплообмена, большая протяженностью производственных линий. Данное производство, как объект управления представляет собой многопараметрическую задачу с высокой размерностью векторов состояния (исчисляется несколькими сотнями векторов) отдельных циклов, объединённых единой конечной целью.

Существующие схемы автоматизации такого технологического процесса (например, МЖУ-90) охватывают все технологические участки производства, для которых спроектированы независимые системы управления, предусматривающие наряду со стабилизацией режимных параметров, оптимизацию отдельных процессов за счет использования серийных средств автоматики [1,2].

Однако, при таком подходе по определению невозможно добиться комплексной оптимизации производства «в целом», что обусловлено высокой степенью локализации систем управления, отрывом технологии производства от экономических факторов.

Для задачи оптимизации производства «в целом». ключевыми факторами, являются экономические параметры, в частности, показатель чистой прибыли производства.

При этом, величина чистой прибыли определяется:

Пр = Bp — С/с                                        (1),

где Bp — выручка от реализации; С/с — себестоимость (затраты на производство и реализацию) [1,3].

Следовательно, задача технико-экономической оптимизации производства «в целом» в реальном времени сводится к снижению полной себестоимости продукции и корректному прогнозированию и выполнению уровня выручки.

Для достижения второго требования целесообразно применение подходов, подробно описанных в [4-6].

Рассмотрим первое требование. Для достоверного анализа данного положения требуется полноценный учёт всех этапов производства и граничных условий перехода от одного этапа к другому. Однако, без учёта ограничений, можно указать на условие (идеальное) для минимизации себестоимости как функции от технологического процесса:

                                       (2),

где - себестоимость отдельного цикла.

Т. е. для каждого элемента производства требуется нахождение минимума затрат на производство единицы продукции требуемого качества. Затем, при взаимном анализе всех элементов определяются граничные условия, и ведётся технологический процесс с учётом критерия (3):

                                       (3) ,

где - себестоимость всего технологического процесса с учётом взаимных ограничений.

При этом, всегда . В самом оптимальном случае последнее неравенство будет вырождаться в равенство.

В случае применения существующих систем автоматизации, как правило, не выделяют в явном виде решение задачи (3). Полагается, что частичное выполнение условия (2) доводит величину потерь в себестоимости производства до экономически обоснованного уровня. Применение такого подхода объясняется высокой размерностью процессов, их нелинейностью и сложностью аналитического описания, необходимого для классических методов (в том числе и адаптивных), применяемых в существующих системах управления. Однако, уровень невосполнимых потерь при этом, в значительной мере увеличивает стоимость продукции.

Эффективным решением рассмотренных выше вопросов служат методы нейро-нечётких сетей (ННС). Их практическое применение позволяет выполнить условие (3) с высокой степенью эффективности и служить в основных, вспомогательных, консультативных системах управления.

Отметим, что в экструзионной установке извлекается масло, содержащееся в зёрнах подсолнечника (подготовленной спрессованной массе). Полученный экструзивный продукт на последующих участках подвергают очистки и обработки в целях получения товарного подсолнечного масла. Эффективность работы экструзивного отделения определяется его производительностью, содержанием масла в отжиме и потерями масла в жоме. На экструзию масла влияют: температурные режимы по зонам аппарата, качество жома, время экструзии, рН среды в аппарате [2].

С учетом специфики объекта управления типовая схема автоматизации предусматривает стабилизацию удельной загрузки аппарата; стабилизацию концентрации экструзионной массы; стабилизацию температурных режимов по зонам диффузионного аппарата; стабилизацию уровня в головной части аппарата.

Температурный режим является средним и уточняется в зависимости от качества сырья, поступающего в переработку, и эффективности отжима зёрен [2].

Составим уравнения основных процессов цикла экструзии:

                               (4);

                                       (5);

               (6);

где - величина производительности по объёму масла; - показатель качества масла; - величина суммарных затрат на технологический процесс; – угловая суммарная скорость привода продвижных валов; – линейная скорость подачи массы жима с этапа грануляции; – распределение температуры по зонам диффузионного аппарата; – распределение давления пара по зонам диффузионного аппарата; – коэффициенты технологического процесса в соответствующих нормирующих единицах измерения; – величина нетехнических затрат на ведение процесса.

выражается в заданных значениях требуемой концентрации масла и количество примесей. Стоит заметить, что величина, в конечном счёте, определяет условную выручку данного цикла, а - величину условной себестоимости в единицу времени. Тогда поставленная задача минимизации себестоимости цикла гранулирования и экструзии будет сводится к минимизации величины с совместным  нахождением в диапазоне максимально близком к единице при произвольном изменении .

Оптимизация слабо формализуемых параметров (качество жома, масла, примесей) и их влияние на процесс «в целом», как правило, оценивается с помощью экспертной системы. Предлагаемая же ННС уточняет решения, принимаемые экспертами с возможностью оценки, поли факторной задачи и выработки наилучшего алгоритма с позиций получения наибольшей чистой прибыли. Иными словами, ННС призвана учесть прогнозные сценарии в пространстве многих слабо формализованных переменных и на основании этого выдавать соответствующие управляющие воздействия.

В соответствии с [7] предложена для реализации нейро–нечётких принципов организации цикла экструзии модель, состоящая из взаимосвязанных искусственной нейронной сети (ИНС) – представленной прямой и инверсной моделями объекта управления (ОУ) и нечёткой системы (НС) - формирования обучающих алгоритмов – рис. 1.

Рисунок 1. Функциональная схема СУ цикла экструзии

В ходе работы аппарата НС1 использует текущее изменение воспроизводимого вектора управляющих функций – и выхода прямой модели объекта – . Прямая модель – ИНС 2 обучается по прогнозу ошибки – , формируемому НС 2. В результате подобной настройки сеть ИНС 1, являющаяся управляющим контроллером, реализует инверсную модель ОУ.

При проведении имитационного моделирования процесса экструзии подсолнечного масла с включением в СУ ННС, функции и варьировались в широком диапазоне, а – от нормированной величины затрат до 1,0. При этом, следует отметить, что в качестве рабочего режима в настоящее время имеет место ситуация, при которой , , при которых . В тоже время, при реализации подобной оценки (при помощи СУ с ННС) для других этапов производства возможно более точное выполнение условия (3) и, при прогнозировании величины чистой прибыли предприятия – выражение (1), выработка величин производительности – , отличных от принятых экспериментальным путём. Так результаты проведённого математического моделирования свидетельствуют о возможности снижения величины затрат – в случае изменения соответствующих уровней аргументов.

Кроме того, данные моделирования демонстрируют возможности нейро – нечётких СУ при оценке затрат на использование потоков тепло – и электроэнергии, что само по себе является важной задачей в работе производственных предприятий. Также с помощью подобной оценки становится возможным анализ уровня амортизации оборудования без применения дополнительных средств [5 – 6].

В рамках решения задачи построения СУ цикла экструзии целесообразным является предложение создания прогнозно – корректирующей (или основной) ННС, сопряжённой с аналогичными системами производства и последующим созданием значительно более адаптивного производства в целом (в сравнении с МЖУ-90), позволяющей добиться лучших результатов оптимизации. Особо стоит отметить сопоставимость затрат на организацию ННС и классических подходов, что обусловлено одинаковой базой измерительной и исполнительной аппаратуры (датчики, заслонки, ключи), применяемой в обоих случаях.

Список литературы

1. Теоретические основы построения эффективных АСУ ТП [Электронный ресурс]. -  Учебное пособие написанно Оно выполнено в соответствии со стандартом Windows-HTML-справки. Оно представляет собой один файл. Он автоматически распазнаётся и запускается операционной системой Windows 98(NT, 2000). 2002. – 66с.

2. Инструкция по ведению технологического процесса свеклосахарного производства. / Документы СССР URL: //http://www. bestpravo. ru/sssr/eh-gosudarstvo/i2a/page-12.htm (дата обращения июль 2011г.)

3. Ребрин, экономики и управления производством. Конспект лекций [Текст] / . - Таганрог: Изд-во ТРТУ, 2000. 145 с.

4. Джеффри Оуэн Кац, акКормик. Энциклопедия торговых стратегий [Текст] / Перевод с англиского — М.: Альпина Паблишер. — 400 с. , 2002

5. Крысанов, принципов нейро – нечётких (ННС) для прогнозирования потребления электроэнергии в производственной сфере [Текст] / , // Вестник Воронежского государственного технического ниверситета. – 2013. – Т.9 – № 6-3. – С.62-66.

6. Крысанов, нейро – нечётких сетей для распределённых объектов [Текст] / , //Электротехнические комплексы и системы управления. – 2013. – № 1. – С.50-57.

7. Нейросетевые системы управления. Кн.8: Учеб. пособие для вузов [Текст] / ,  , Тюкин., И. Ю., . – М:, ИПРЖР, 2002. – 480 с.

, канд. техн. наук, доцент, старший научный сотрудник кафедры электропривода автоматики и управления в технических системах Воронежского государственного технического университета. Адрес: 394068 Воронеж ул. Хользунова д. 10Б кв 86.

e-mail:*****@***ru, тел.:[phone].

________________________________________________________________________________

Increase in efficiency of control systems of electric drives of the line of a granulation and extrusion.

Krysanov V. N.

Russia. Voronezh. Voronezh State University.

In the report possibilities of application of neuro-indistinct control systems for optimization of parameters of production of oils are noted during production cycles of a granulation and extrusion.

Keywords — economic criterion of an optimality of production, a cycle of a granulation and extrusion in production of oils, a control system, neuro – indistinct networks.

Bibliography

1. Teoriticheskie osnovy postroeniya effektivnyh sistem ASY TP [Elektronny resyrs]. – Ychebnoe posobie napisanno Lityugoy A. v. Ono vypolneno v sootvetstvii so standertom Windows-HTML-spravki. Ono predstavlyaet soboe odin fael/ On avtomaticheski raspoznaetsya I zapyskaetsz  Windows 98(NT, 2000). 2002. – 66с.

2. Instrykciay po vedenie tehnologicheskogo ghjcessa sveklosahornogo proizvodstva. / Dokymenty СССР URL: //http://www. bestpravo. ru/sssr/eh-gosudarstvo/i2a/page-12.htm (дата обращения июль 2011г.)

3. Rebrin, Y. I. Osnovy ekonomiki I ypravleniya proizvodstvom. Konspekt lekcy [Tekst] / Y. I. Rebrin. - Тaganrog: Izd-vo ТРТУ, 2000. 145 с.

4. Djeffri Ouen Kac, Donna L. MakKormik. Enciklopediya torgovyh stratigii [Tekst] / Perevod s angliskogo — М.: Alpina Pablisher. — 400 с. , 2002

5. Krysanov, V. N. Primenenie princupov neiro – nechetkih (HHC) dlya prognazirovania elektro energii v proizvodstvennoi sfere [Теkst] / Krysanov V. N., Ryckov A. L. // Vestnik Voronegskogo gosydarstvenogo yniversiteta. – 2013. – Т.9 – № 6-3. – С.62-66.

6. Krysanov, V. N. Primenenie neiro-nechetkih cetei dlya radpredelennyh obektov [Tekst] / V. N. Krysanov, А. L.Ryckov / Elektromechanicheskie kompleksy I sistemy ypravleniya. – 2013. – № 1. – С.50-57.

7. Terehov V. А. Neyrosetevye sistemy ypravleniya. Кн.8: Echeb. posobie dlya vyzov [Tekst] / Terhov V. А.,  Efimov D. V, Тюкин., I. Y., Glyshkina А. I.. – М:, IPRJR, 2002. – 480 с.

Krysanov Valery Nikolaevich, the candidate technical sciences, the associate professor, the senior research associate of department of the electric drive of automatic equipment and management in technical systems of the Voronezh state technical university. Address: Voronezh of Holzunov St. of 10B of kV 86.

e-mail:*****@***ru, ph.: [phone].