УДК 681.142.2
1, 2
(1РИИ, г. Рудный, зав. кафедрой АИСиБ, к. т.н., доцент;
2РИИ, г. Рудный, зав. кафедрой ЭиМ, к. э.н., доцент)
РАЗРАБОТКА АЛГОРИТМА РАБОТЫ ОПТИМИЗИРУЮЩЕЙ АДАПТИВНОЙ САУ ТП НА БАЗЕ ПРОМЫШЛЕННОГО КОНТРОЛЛЕРА SIEMENS SIMATIC S7-300
Аңдатпа. Мақалада Қазақстан Республикасының тау-кен байыту кешенінің күрделі технологиялық үдерістерін оңтайландыру мәселелері қарастырылған. Қолданыстағы басқару жүйесінің өзіндік ерекшеліктері талданды. Басқарудың бейімделген жүйесін «нәзік» жүйеге келтірудің бар әдістерінің ерекшелерін қолдану қажеттілігі анықталып, дәлелденді. Жүргізілген зерттеулердің негізінде автормен радиал-базистік функцияның жасанды нейрожелісін қолдану арқылы тұрғызылған.
Жүйені аппаратты жүзеге асыруда өндірістік атоматика дамуының беталысы қарастырылған. Жүргізілген талдаудың негізінде Siemens Simatic S7-300 өндірістік контроллерінде жүйені тұрғызу туралы шешім қабылданды. Жүйенің жұмыс істеу алгоритмі әзірленіп олардың бағдарламалық коды жүзеге асырылды.
Summary. The article deals with the problem of optimization complex technological processes of mining and processing complexes of the Republic of Kazakhstan. Analyzed characteristics used control systems. The article has revealed and substantiated the necessity of the use of non-existing approaches to "fine" adjustment adaptive control systems. On the basis of the research proposed structure of an adaptive control system grinding process, built using artificial neural network of radial basis function.
For a hardware implementation of system were considered the tendencies of development industrial automation. Based on the analysis was made the decision on the construction of the industrial controller Siemens Simatic S7-300. We developed algorithms of the system operation and implemented their programme code.
Түйін сөздер: технологиялық үдерісті оңтайландыру, ресурсты үнемдеу, басқарудың бейімделген жүйесі, жасанды нейротәріздес желі, өндірістік контроллер.
Keywords: technological process optimization, resource saving, adaptive control system, artificial neural network, industrial controller.
Ключевые слова: оптимизация технологического процесса, ресурсосбережение, адаптивная система управления, искусственная нейроподобная сеть, промышленный контроллер.
Развитие предприятий горно-перерабатывающей промышленности невозможно без формирования эффективной ERP-системы. И если вопросы оптимизации бизнес-процессов достаточно успешно реализуются, то создание интегрированной взаимосвязанной системы управления всем технологическим оборудованием до сих пор имеет ряд проблемных моментов.
Несмотря на предысторию исследований в области разработки больших и адаптивных систем, данные вопросы остаются актуальными и на текущий момент. Основными ограничениями являются:
- отсутствие или недостаточная точность контрольно-измерительной аппаратуры,
- усложнение условий работы обогатительного оборудования в связи с истощением минерально-сырьевой базы и работой на разносортных рудах,
- необходимость многопараметрической оптимизации и проведения исследований для предварительной настройки оборудования,
- значительное влияние, а точнее взаимовлияние, технологических процессов и линий друг на друга,
- постоянный «дрейф» зоны оптимальной работы в связи с нестабильностью входного рудопотока и износом оборудования [1].
В статье приводятся результаты разработки алгоритмов работы для адаптивной системы оптимального управления технологическим процессом измельчения железной руды в стержневой мельнице, построенной на искусственной нейроподобной сети. Разработка САР и анализ эффективности САР выполнены в рамках государственного гранта Республики Казахстан 0113РК00617 по теме «Разработка адаптивной самообучающейся системы автоматического управления оборудованием горно-обогатительного производства для оптимизации процессов в условиях нестабильности входных параметров».
При разработке структуры системы предложено, что в система управления соотношением «руда/вода» процесса измельчения в стержневой мельнице должна являться комбинацией самообучающейся системы и системы с поиском [2]. Структура системы предложена на рисунке 1.
где V – входные параметры (объемы руд месторождений);
М – параметры оптимизации;
% – управляющий параметр (соотношение «руда/вода»).
Рисунок 1 – Структура САУ с самонастройкой и обучением
Блок памяти реализован на основе искусственной нейроподобной сети радиально-базисной функции (RBFN) [2].
Для программно-аппаратной реализации системы по результатам проведенного анализа условий эксплуатации и тенденций развития систем автоматики выбран контроллер SIEMENS SIMATIC S7-300 [2].
Для работы САУ ТП, предложенной на рисунке 1, разработаны алгоритмы управления. Для работы контроллера SIEMENS SIMATIC S7-300 разработан алгоритм базовой программы (рисунок 2).
Рисунок 2 – Блок-схема алгоритма работы адаптивной системы
Для обучения сети радиально-базисной функции используются различные методы:
– основной EM алгоритм;
– медианные модификации EM алгоритма;
– стохастический EM алгоритм;
– классификационный EM алгоритм и другие.
Предложено использовать модификацию алгоритма обучения сети на основании градиентного алгоритма, основанного на минимизации целевой функции ошибки сети, предложенную (рисунок 3) [3]. Данный алгоритм позволяет использовать для RBFN свойство пластичности и перенастройки только в заданных точках.
Рисунок 3 – Блок-схема модифицированного алгоритма обучения
Разработанные алгоритмы программно реализованы на языке Step 7.
Список литературы
. Проблема управления горным производством в реальном времени. Горно-перерабатывающая промышленность: реальность и перспективы сотрудничества: матер. междунар. науч.-практ. конф. – Рудный, 2005. – С. 172-176 M. Zarubin, Results of development optimized adaptive ACS on neural network for mining. Journal of Chemical Technology and Metallurgy. – 2016. – №4 (51). – PP. 473-482. . Модифицированный градиентный алгоритм обучения радиально-базисных нейронных сетей. Известия Томского политехнического университета. – 2009. – Т. 315, № 5 – C. 149-152