Нейросетевые информационные системы для автоматизации технологических процессов

Во введении обоснована актуальность темы, определены цели и задачи исследования, сформулированы научная новизна и практическая значимость работы, приведена структура диссертации.

В первой главе дается постановка основной задачи исследования, проводится анализ возможных вариантов ее решения, определяется наиболее эффективный.

Рассматриваются автоматизированные системы управления (АСУ). Коротко приводятся основные вехи развития теории управления. Формулируется проблема автоматизации сложных систем (СС). Предлагается рассматривать АСУСС в рамках адаптивного подхода, где для решения задач отдельных этапов используются методы искусственного интеллекта.

Адаптация занимает важное место в процессе управления сложной системой, выступая в роли более глубокой обратной связи.

Представленные на рисунке четыре уровня адаптации систем управления решают одну и ту же задачу - обеспечение достижения системой поставленных целей и необходимы в случае отсутствия адекватного математического описания, нестационарности объекта управления, общей изменчивости среды функционирования.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Рис. 1. Последовательность этапов управления

Приведенная последовательность этапов управления показывает определяющую роль модели объекта управления в синтезе АСУ.

Задача синтеза АСУСС имеет ряд особенностей и специфических проблем.

Дается определение понятия “сложная система”: система определяется как сложная, если для построения ее модели недостаточно информации.

Приводятся характерные черты сложной системы:

1. Отсутствие математического описания, какого-либо алгоритма вычисления состояния системы на основании информации о предыдущем состоянии и наблюдаемых входных сигналах.

2. Зашумленность. Причина - обилие всякого рода второстепенных, с точки зрения решаемой задачи, процессов. Вызываемую этими второстепенными процессами неожиданность в поведении системы удобнее рассматривать как случайный фактор, зашумленность, чем разбираться в их механизме.

3. Нетерпимость к управлению по причине независимости существования СС от целей субъекта, желающего управлять ею.

4. Нестационарность СС, проявляющаяся в дрейфе характеристик системы, в изменении ее параметров, в эволюции сложной системы во времени.

5. Невоспроизводимость экспериментов со сложной системой, что связано, прежде всего, с зашумленностью и нестационарностью СС. Проявляется эта черта в различной реакции системы на одну и ту же ситуацию или управление в различные моменты времени.

Перечисленные черты не являются формальными признаками и отсутствие одной или даже нескольких из указанных черт вовсе необязательно делает систему простой.

Реальные технологические процессы нестационарны, многомерны, со сложными внутренними связями, априорная информация о форме и силе зависимости между параметрами минимальна, что усложняет получение адекватного математического описания.

В качестве примера сложной системы рассматривается технологический процесс производства этилена на нефтехимическом предприятии, описываемый 48 доступными непосредственному измерению параметрами (рис. 2).

Исходное сырье для ТП в виде прямогонного бензина поступает на печи пиролиза. Высокотемпературный нагрев превращает прямогонный бензин в пирогаз. Под большим давлением пирогаз сжимается и разделяется на этан-этиленовую фракцию (ЭЭФ), пропан-пропиленовую, фракции более высокого порядка. ЭЭФ поступает в реактор, последовательно проходит три зоны, где взаимодействует с катализатором, гидрируется водородом и подвергается другим технологическим преобразованиям при заданном температурном режиме. На выходе получаем полезный продукт в виде сжиженного газа этилена, содержащего некоторое количество примесей, из которых наибольшее влияние на качество оказывает ацетилен. Чем меньше ацетилена в готовом продукте, тем выше его качество.

Процесс непрерывен и строго регламентирован, к его безопасности предъявляются повышенные требования, проведение активного эксперимента на действующем производстве невозможно, что затрудняет сбор данных.

Априорная информация минимальна, существует проблема выявления значимых факторов, оценки их влияния на технологический процесс.

Отсутствует алгоритм вычисления состояния системы на основании информации о предыдущем состоянии и известных входных параметрах, кроме понимания общих закономерностей протекания процесса.

Износ и старение оборудования реактора и приборов контроля, изменение свойств химических компонентов и других параметров технологического процесса приводит к нестационарности системы.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Рис. 2. Упрощенная схема ТП производства этилена

В описанных условиях управление неэффективно и сводится к ведению технологического процесса с запасом, что приводит к перерасходу сырья и низкому качеству конечного продукта.

Требование автоматизации определяет необходимость синтеза адекватной модели технологического процесса. Спектр методов моделирования широк, в главе приводится их классификация.

Модель “черного ящика” открывает возможности изучения систем, устройство которых либо совершенно неизвестно, либо слишком сложно для того, чтобы можно было по свойствам составных частей и связям между ними сделать выводы о поведении системы в целом. Это определяет широкое применение модели при решении задач идентификации и моделировании реакции на управляющее воздействие в АСУ сложными объектами управления.

По целям исследования, технологии построения, характеру используемой информации математические модели можно разделить на четыре класса: аналитические, имитационные, эмпирико-статистические и модели, в основе которых методы искусственного интеллекта.

Моделирование с использованием методов искусственного интеллекта популярное и активно развивающееся направление синтеза моделей сложных систем. В рамках данного направления представлено множество самых различных методов и алгоритмов, реализующих разные подходы к процессам обучения, самоорганизации и эволюции: логическое, эволюционное, имитационное и структурное. В главе дается их описание.

Рассматривается сложная система как объект моделирования.

Модель объекта управления - эмулятор поведения реальной системы, основное ее назначение - прогноз изменения состояния системы, настройка управляющего устройства. При этом нет необходимости в моделировании внутренней структуры, достаточно моделировать внешнее функционирование, что определяет тип модели - “черный ящик”. Структурный синтез модели состоит в выборе некоторой произвольной архитектуры позволяющей адекватно описать поведение реальной системы. Подобный подход расширяет сферу применяемых методов моделирования, снимая необходимость “объяснения” выдаваемых моделью результатов.

Задача в общем виде может быть сформулирована следующим образом.

Пусть, вектор, компоненты которого представляют входные параметры системы, в том числе внешние воздействия. Отклик системы описан некоторой вектор функцией : , где - вектор выходных параметров. Задачей моделирования является нахождение функционального отношения , ассоциирующей каждому вектору вектор таким образом, что и близки в некоторой метрике, отражающей цели моделирования.

Функционирование сложной системы в рамках модели “черного ящика” описывается чисто информационно, на основе данных экспериментов или наблюдений над реальной системой. Необходимо основываясь на эмпирической информации построить адаптивную функциональную модель сложного технологического процесса, адекватную целям в реальных условиях эксплуатации, при воздействии помех, изменчивости параметров системы и внешней среды.

Определив сложную систему и требования к моделированию, более подробно рассматриваются методы синтеза моделей сложных систем, в том числе множественная регрессия, метод группового учета аргумента, искусственные нейронные сети. Отсутствие априорной информации о виде моделируемой зависимости и необходимость адаптации существенно ограничивают применение традиционных эмпирико-статистических методов. Эффективное моделирование сложных нелинейных отображений, возможность обучения и заложенная в самой архитектуре адаптивность, перспективная аппаратная реализация, определяют выбор аппарата искусственных нейронных сетей (ИНС), как основного инструмента при синтезе моделей сложных систем.

В заключительной части сформулированы основные выводы по главе, в частности необходимость разработки методики нейросетевого моделирования для решения практически важных задач автоматизации реальных сложных технологических процессов.

Во второй главе изложена методика нейросетевого моделирования сложных систем. Подробно рассмотрены этапы моделирования и их специфика, приведены конкретные алгоритмы анализа данных.

Существует базовый укрупненный алгоритм, определяющий общую последовательность шагов моделирования, на основании которого исследователь, в зависимости от специфики объекта моделирования, собственных предпочтений и практического опыта формирует свой “ритуал” анализа данных, определяет конкретные методики и алгоритмы, применяемые на каждом этапе моделирования.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Рис. 3. Схема анализа данных

Использование генетического алгоритма (ГА) позволяет автоматизировать этапы синтеза и оценки модели, заменив эти шаги адаптацией модели в процессе эволюции. Помимо собственно моделирования, ГА находит применение на этапе предобработки данных, при решении задачи понижения размерности признакового пространства, отбора наиболее информативных признаков.

В начале главы дается необходимое введение в генетические алгоритмы. Описывается собственно алгоритм, его преимущества перед другими методами оптимизации. Применяемый в рамках нейросетевого моделирования сложных систем генетический алгоритм, сохраняя основные принципы традиционного, несколько отличается в реализации: фиксированный размер популяции и число скрещиваемых особей, использование случайного выбора для формирования родительской пары и элитного отбора особей в новую популяцию. Быстрая сходимость, обеспечиваемая элитным отбором, компенсирована случайным выбором родительских пар.

Большая часть главы посвящена последовательному детальному изложению этапов методики нейросетевого моделирования и алгоритмов анализа данных и сопровождается примерами решения практических задач планирования режимов энергопотребления, автоматизации технологического процесса производства этилена, моделирования теплопотребления учебного корпуса.

Первый этап - подготовка данных.

Модель системы “черный ящик” строится в терминах соотношения между состояниями входов и выходов, входы соответствуют внешним воздействиям на изучаемую систему, выходы - её реакциям на них. Необходимая информация может быть получена либо в результате проведения экспериментов с реальной системой, что зачастую сопряжено с определенными трудностями или вообще невозможно, либо в результате наблюдений (пассивного эксперимента) за реальной системой - наиболее распространенный на практике при анализе сложных систем вариант. Определим две группы переменных - вектор входных параметров и - вектор выходных параметров. Как правило, на каждую выходную переменную вектора строится своя модель, подобный подход более эффективен. Информация о поведении сложной системы представлена в виде выборки , сопряженных измерений. В общем случае измерения независимы, одни наблюдения не оказывают систематического влияния на другие.

На практике напрямую использовать имеющиеся “сырые” данные для синтеза модели не представляется возможным, необходима обработка, которая включает очистку, трансформацию данных, устранение незначащих факторов.

Процедура очистки данных состоит из редактирования аномалий, восстановления пропущенных значений, фильтрации и сглаживания, удаления дубликатов и противоречий. При этом используются алгоритмы классической статистики, робастной фильтрации, спектрального и вейвлет анализа, аппарат нейронных сетей.

Для заполнения пропущенных значений используют интерполяцию, быстрого и устойчивого к погрешностям результата позволяет добиться интерполяция кубическими сплайнами. Возможно применение нейронных сетей для восстановления пропущенных значений, однако решение подобной задачи зачастую оказывается сопоставимо по сложности с решением изначальной.

Сглаженные, очищенные от шума данные позволяют получить больше информации об исследуемом процессе, тенденциях его протекания, упрощая последующий синтез модели. Эффективные алгоритмы сглаживания - низкочастотная фильтрация с использованием быстрого преобразования Фурье и вейвлет преобразование.

Если в данных присутствуют противоречия, анализируется причина их появления, определяется единственно верный вариант, остальные удаляются, либо удаляются все противоречивые примеры. В случае некорректной постановки задачи моделирования необходима регуляризация, дополнительные предположения для разрешения вопроса неоднозначности.

Трансформация необходима для включения нечисловой информации. Числовые данные в свою очередь, как правило, нормируются.

Понижение размерности признакового пространства, устранение незначащих факторов - достаточно сложный и чрезвычайно важный этап предобработки данных. Реальная система взаимодействует со средой множеством способов. Строя модель системы, из всего множества связей отбирают конечное их число и включают их в список входов и выходов. Сложность в том, что в действительности заранее не известно, какие входные параметры оказывают существенное влияние на выходные целевые параметры, а какие нет.

Значимость параметра определяется силой его взаимосвязи с другими параметрами. Выбор определенной меры взаимосвязи в конкретном исследовании зависит от числа переменных, используемых шкал измерения, природы зависимостей. Наиболее часто на практике в качестве меры линейной зависимости двух переменных используют коэффициент корреляции. Одним из наиболее распространенных методов понижения размерности является анализ главных компонент, позволяющий в результате линейного преобразования вместо исходных признаков, получить набор независимых факторов. Однако линейные методы не учитывают некоторые важные характеристики структуры данных, что ограничивает их применимость.

Для более глубокой предобработки входов применяют самообучающиеся нейронные сети. Метод нелинейных главных компонент реализуется автоассоциативными нейронными сетями с узким горлом.

Описанные подходы позволяют представить исходные входные данные в максимально информативном виде, однако ни как не учитывают зависимость выходов от входов. Простейший метод устранения незначащих факторов - исследование взаимной корреляции между каждой входной и выходными переменными. В предположении о линейной зависимости оценить значимость входов достаточно легко, но в этом случае применение нейронных сетей теряет всякую привлекательность, построение линейной регрессионной модели - более простое и эффективное решение.

Другой вариант селекции информативных переменных использует генетический алгоритм и обобщенно-регрессионные нейронные сети. Генетический алгоритм перебирает комбинации входных переменных, нейронные сети определяют качество модели. Однако определение информативности входных переменных на основе обученной нейронной сети - процедура спорная, и, безусловно, трудоемкая.

Перспективный метод редукции пространства входов, учитывающий влияние признаков на отклик и инвариантный к специфике зависимости - алгоритм “box-counting”. В соответствии с алгоритмом, значимость входов определяется на основании оценки предсказуемости выходов, обеспечиваемой набором входных переменных. Мерой предсказуемости случайной величины является ее энтропия. В методике “box-counting” энтропия приближенно оценивается по числу заполненных ячеек, на которые разбивается интервал ее возможных значений, качественно, энтропия есть логарифм эффективного числа заполненных ячеек. Предсказуемость случайного вектора , обеспечиваемая знанием другой случайной величины , дается кросс-энтропией, которая оценивается, как

(1)

Чем больше кросс-энтропия, тем больше определенности вносит знание значения в предсказание значения переменной .

Пример реальной анализируемой зависимости при моделировании технологического процесса производства этилена.

Рис. 4. График зависимости концентрации ацетилена на выходе первой зоны реактора от объема ЭЭФ (к расчету кросс-энтропии)

Остается открытым вопрос о выборе оптимальной комбинации признаков. Полный перебор с расчетом кросс-энтропии в пространстве все более высокой размерности по мере увеличения числа отобранных признаков задача уже при небольшом числе переменных достаточно сложная. Для упорядоченного перебора возможных комбинаций предлагается использовать генетический алгоритм, для этого определяем входные переменные позиционно в виде бинарной последовательности, где 1 означает, что данный признак используется. Мера приспособленности особи определяется кросс-энтропией, подсчитанной на данном наборе признаков и скорректированной на количество переменных.

Алгоритм расчета приспособленности:

1) Нормируем значения переменных. Выбираем единицу дискретности, ориентируясь на максимально полное покрытие интервалов для выходной переменной. Пересчитываем значения переменных на номера интервалов . Определяем .

2) Используя хромосому как битовую маску, подсчитываем число уникальных комбинаций значений параметров в выборке .

3) Рассчитываем значение кросс-энтропии по формуле (1), скорректировав на число участвующих входных переменных.

Наиболее остро проблема понижения размерности пространства входных переменных стояла при моделировании технологического процесса производства этилена. В ходе решения задачи исследовались метод главных компонент и модифицированный “box-counting” алгоритм. Методы используют разные подходы, если в первом случае в результирующем наборе факторов обычно присутствуют все исходные переменные в виде линейных комбинаций, то во втором из выборки непосредственно удаляются те переменные, влияние которых на выход признается незначимым. Однако в данном исследовании важна, прежде всего, практическая сторона вопроса, результат - адекватность синтезированной модели, к тому же сравнение позволяет сделать некоторые выводы.

Оценка проводилась опосредованно по характеристикам синтезированных на основании трех (исходная и полученные в результате работы алгоритмов) выборок моделей.

При сравнении моделей основными показателями качества определим: коэффициент корреляции между наблюдаемыми и предсказанными значениями , скорректированный коэффициент детерминации , величину среднеквадратического отклонения оценок от реальных значений и максимальную ошибку предсказания .

Методом главных компонент из исходных 47 параметров были сформированы 20 факторов, которые описывают 95% общей дисперсии в данных. Модифицированный “box-counting” алгоритм выделил оптимальный набор из 26 переменных. Характерно, что попытка сокращения пространства факторов, сформированного методом главных компонент, не увенчалась успехом, максимальной информативностью обладает набор из всех 20 факторов.

Синтезированные нейросетевые модели, построенные на исходном и редуцированных наборах признаков, близки по основным показателям.

Результаты моделирования на полном наборе переменных (47): , , , . Синтезированная нейросетевая модель имеет три слоя, 47 нейронов во входном слое, 14 в скрытом и 1 нейрон в выходном слое (47х14х1).

Результаты моделирования на редуцированном методом главных компонент наборе факторов (20х6х1): , , , .

Модель 26х10х1 (переменные отобраны модифицированным “box-counting” алгоритмом): , , , .

В наборе переменных, полученном с помощью алгоритма “box-counting” отсутствуют некоторые параметры ТП, однозначно причисляемые технологами производства к значимым, что позволяет говорить о недостаточной презентативности имеющейся выборки, значимые переменные были отброшены на основании их слабого вклада в определение величины отклика на исследуемом наборе данных. Информативность переменных при моделировании сложных систем в условиях недостатка априорной информации мы можем оценить только по имеющейся выборке. Низкое качество выборки влечет построение модели, возможно достаточно точно описывающей данные, используемые при ее построении, однако неадекватной целям моделирования (существенное расхождение в поведении модели и оригинала на данных, не представленных в выборке), что определяет необходимость адаптации модели.

Следующий этап - синтез модели. Структурный и параметрический синтез нейросетевой модели тесно связаны. Нейронная сеть уже модель. Выбирая топологию сети, количество слоев, нейронов в слое, связи между нейронами, функцию состояния и функцию активации конкретного нейрона, мы определяемся с видом нейросетевой модели, синтезируем структуру. От вида модели зависит выбор метода обучения ИНС, обучение - суть параметрической идентификации, при этом в ходе обучения изменяются веса, могут обнуляться некоторые межнейронные связи, варьироваться параметры функций активации нейронов, что находит отражение в структуре модели.

Для целей моделирования главным образом используют полносвязные многослойные нейронные сети с прямым распространением сигнала и нелинейной функцией активации нейронов скрытых слоев - многослойные персептроны (МСП). В главе описывается подробно архитектура МСП, проблемы связанные с выбором оптимальной структуры, приводятся алгоритмы обучения, в том числе нейроэволюция, сочетающая структурный и параметрический синтез в единый эволюционный процесс.

Трехслойная полносвязная сеть, содержащая в скрытом слое радиально-симметричные нейроны - сеть радиально-базисных функций (РБФ-сеть) по своим возможностям близка МСП. Однако РБФ-сети более чувствительны к “проклятию размерности” и испытывают значительные трудности, когда число входов велико, они совершенно не приспособлены экстраполировать свои выводы за область предъявленных при обучении данных.

Схожие проблемы у обобщенно-регрессионной нейронной сети, основанной на методе аппроксимации плотности вероятности с помощью ядерных функций. Сеть фактически вмещает в себя все обучающие данные, поэтому требует много памяти и медленно работает.

Сеть встречного распространения отличается гибридной организацией и наличием слоя распознавания, при этом традиционно данная архитектура для целей моделирования непосредственно используется редко, выполняя, как правило, вспомогательные функции.

На основе сети встречного распространения можно достаточно быстро синтезировать грубую кусочную аппроксимацию моделируемой зависимости. В случае сильно зашумленных данных, такое представление обладает хорошими регуляризирующими свойствами. Эта способность позволяет использовать сеть для оценки корректности постановки задачи моделирования.

В общем случае задача может иметь корректное (единственное и устойчивое решение) решение для некоторых областей множества значений и являться некорректно поставленной для других.

Выделение областей некорректности осуществляется следующим образом:

1) Строится распределение векторов обучающей выборки по кластерам карты Кохонена.

2) На каждый кластер настраивается своя нейронная сеть, оценивается ошибка сети, которая является характеристикой степени некорректности отображения в области данного кластера.

3) На основании порогового значения ошибки по каждому кластеру выносится решение о некорректности задачи на подмножестве значений кластера.

Предварительная кластеризация данных и раздельное решение задачи аппроксимации на полученных кластерах позволяет не только решить проблему выделения областей некорректности, но и повысить точность модели за счет потенциальной возможности достижения меньшей ошибки обобщения для значений отдельного кластера.

Предложенная гибридная архитектура использовалась при моделировании технологического процесса получения этилена.

Неоднородность собранных данных не позволяет синтезировать модель с приемлемо низкой ошибкой. С помощью карты Кохонена исследуемая выборка была разделена на три кластера.

Рис. 5. Распределение данных по кластерам карты Кохонена

Табл. 1. Результаты моделирования

Сравниваемые показатели: - среднее значение ошибки, - максимальная ошибка предсказания, - среднеквадратическое отклонение оценок от реальных значений, - коэффициент корреляции между наблюдаемыми и предсказанными значениями.

В первый кластер оказались сгруппированы “некорректные” данные, по второму и третьему были получены существенно более точные модели.

Верификация - завершающий этап разработки модели, который включает, прежде всего, оценку адекватность модели. Распространенный способ - проверка соответствующей гипотезы на основе статистических критериев.

В условиях недостатка информации и невозможности проведения активного эксперимента при моделировании сложных систем приходится ограничиваться оценкой адекватности с использованием имеющихся актуальных данных. Оценить в полной мере устойчивость модели не представляется возможным, в некотором роде устойчивость достигается за счет адаптации модели с поступлением новых данных.

Важный шаг - оценка чувствительности модели к изменению параметров входных сигналов и внутренних параметров самой системы. Процедура в том числе помогает выявить и проанализировать проблемные места синтезированного решения. Нейросетевая модель обычно имеет по каждому параметру относительный коридор стабильности, в пределах которого функционал качества изменяется незначительно в силу распределения вычислительных функций между отдельными нейронами сети. Благодаря этому резкого падения качества модели при повреждении структуры не происходит, и наблюдается постепенная деградация работоспособности. Свойство определяет надежность схем на нейронных сетях и позволяет использовать нейросетевые модели для автоматизации ответственных и опасных процессов.

При оценке качества нейросетевой модели используются как методы, разработанные в рамках статистического подхода, так и специфичные для ИНС методы, их совместное применение позволяет провести анализ наиболее полно.

На практике при сравнении различных моделей используют численные показатели качества: коэффициент корреляции между наблюдаемыми и предсказанными значениями , скорректированный коэффициент детерминации , величина среднеквадратического отклонения оценок от реальных значений , среднее значение ошибки и максимальная ошибка предсказания .

Создание универсального инструмента на основе предложенной методики, позволяющего в автоматическом режиме синтезировать модель сложного технологического процесса, начиная от этапа обработки данных и до принятия решения об адекватности модели - задача привлекательная, но практически неразрешимая. Сложность современных ТП, их большое разнообразие и высокие требования к качеству моделирования определяют необходимость применения для решения конкретной задачи специфических подходов.

Следование предложенной методике моделирования, применение оригинальных эффективных алгоритмов обработки и анализа данных позволяет облегчить процедуру синтеза за счет четкого определения последовательности шагов и сужения области выбора применяемых на каждом шаге алгоритмов. Чему доказательством успешная апробация методики при решении ряда практических задач моделирования сложных технологических процессов.

Третья глава посвящена автоматизации сложных технологических на основе разработанной методики.

Внедрение системы оперативного контроля основных параметров ТП производства ЭП-300 “Томскнефтехим”, модернизация имеющихся хроматографов, автоматизация обработки, качественного и количественного анализа хроматографических данных позволило сократить длительность анализа в 5 раз и существенно повысило его точность.

Задача повышения эффективности управления технологическим реактором производства этилена сводится к нахождению оптимальных параметров технологического процесса, которые позволили бы без снижения объема производства повысить качество выпускаемого продукта, минимизировать содержание примесей, прежде всего ацетилена. Отсутствие приемлемой модели технологического процесса и невозможность проведения оптимизации непосредственно на реакторе по причине соблюдения необходимых требований по безопасности к ведению технологического процесса определило необходимость синтеза модели для прогнозирования концентрации ацетилена на выходе реактора на основании известных значений других параметров технологического процесса. Процесс синтеза модели приводится при рассмотрении конкретных алгоритмов решения задач отдельных этапов разработанной методики.

Оптимизация технологического процесса осуществляется на его модели с использованием генетического алгоритма. Варьируются в заданных пределах доступные для непосредственного изменения параметры при фиксированных значениях остальных. Решается задача минимизации содержания ацетилена в конечном продукте при ограничениях на выход полезного продукта. Генетический алгоритм перебирает возможные варианты в поисках наилучшего, оцениваются решения по спрогнозированным с помощью модели значениям выхода. Результат выдается операторам технологического процесса.

Нестационарность процесса определяет необходимость постоянной адаптации модели.

Синтезированная нейросетевая модель технологического процесса является частью разработанной в рамках договора для ЭП - 300 автоматизированной информационной системы хроматографического контроля ацетилена. Система внедрена в июле 2003 года и успешно эксплуатируется в непрерывном режиме.

Другим успешным объектом применения разработанной методики нейросетевого моделирования является процесс планирования режимов энергопотребления на АО “Томскэнерго”.

Планирование режимов энергопотребления играет ключевую роль в обеспечении экономной и безопасной работы энергосистемы. Недооценка ожидаемой нагрузки приводит к необходимости использования дорогих пиковых станций. Завышенное предсказание выливается в увеличение издержек на поддержание в рабочем состоянии излишних резервных мощностей. Эффективность мероприятий по управлению энергопотреблением, качество планирования и экономичность режимов работы энергосистемы определяются достоверностью прогноза.

Процесс энергопотребления определяется как сложный. Практически невозможно проанализировать и учесть все факторы, которые оказывают влияние на уровень энергопотребления. Прогноз в этих условиях осуществляется главным образом на основе накопленных данных об энергопотреблении за прошедшие периоды времени. Для выполнения прогноза необходима адекватная модель энергопотребления.

Существование системы-аналога снимает проблему сбора данных и позволяет сфокусироваться на их анализе для определения оптимальной структуры прогностической модели. В результате исследования были выявлены наиболее существенные факторы, оказывающие влияние на уровень энергопотребления - суточная и годовая периодичность природных явлений, недельный цикл работы и отдыха, принятый в обществе, температура окружающей среды. Проанализировать и учесть влияние других факторов представляется практически невозможным в современных условиях.

Синтезированная нейросетевая модель на основе многослойного персептрона позволяет осуществлять краткосрочный прогноз энергопотребления более достоверно, чем находящаяся в эксплуатации на момент проведения исследования статистическая модель, что подтверждено результатами тестирования разработанной АИС “Прогноз энергопотребления Томской области” специалистами Расчетной Группы АО “Томскэнерго”.

Другим примером практического применения предложенной методики является нейросетевая модель теплопотребления учебного корпуса ТУСУР. Модель - основа находящейся на этапе внедрения автоматизированной системы оптимизации теплопотребления. Система предназначена для контроля и управления теплопотреблением здания, позволяет оптимизировать энергозатраты и поддерживать комфортные условия жизнедеятельности.

Преимущества разработанной системы в применении web-технологий для сбора, обработки, отображения и хранения информации и выполнения функций управления процессом теплопотребления. В состав программно-аппаратного комплекса входит помимо компьютера, выполняющего функции web-сервера, датчики температуры, средства учета параметров теплоносителя, исполнительные устройства. Система обладает широкими возможностями по наращиванию количества датчиков, числа управляемых контуров теплопотребления, способностью работать в любых тепловых схемах регулирования. Гибкое программное обеспечение позволяет осуществлять регулирование с использованием, как стандартных алгоритмов, применяемых в существующих аналогах: релейные, ПД-, ПИД-регуляторы; так и нетрадиционных, зачастую более эффективных: нейросетевые, основанные на нечеткой логике регуляторы; гибридных вариантов с учетом сложных многофакторных критериев оптимизации.

Модель синтезирована на основе собранных в результате тестирования системы контроля основных температурных параметров данных, качество низкое: многочисленные пропуски, нестабильный интервал опроса датчиков, помехи. В ходе работы исследовались алгоритмы предобработки данных, было показано положительное влияние предварительного сглаживания с использованием низкочастотной фильтрации на процесс моделирования.

Синтезированная прогностическая модель влияния уличной температуры и температуры воды в подающем трубопроводе системы теплоснабжения здания на температуру внутри здания позволяет проводить исследования различных законов управления процессом теплопотребления, определить оптимальный закон регулирования.