Оптимальный синтез АСР с добавочными информационными каналами
В первом примере рассматривается применение МГА в задаче оптимального синтеза автоматических систем регулирования (АСР) с добавочными информационными каналами, получивших широкое распространение в практике автоматизации технологических процессов, в том числе на ТЭС.
Из этого класса АСР наиболее известными являются системы с дифференцированием вспомогательных величин, в частности АСР температуры перегретого пара в энергетических паровых котлах.
В России техническая реализация подобных систем регулирования в настоящее время осуществляется на базе традиционных линейных алгоритмов. Однако представляет интерес исследование потенциальных возможностей регулирующих устройств, функционирующих на основе нейросетевых технологий - нейроконтроллеров. Структурные схемы таких АСР приведены на рис 6.
В системе с дифференцированием вспомогательной величины (рис. 6 а) регулятор функционирует, как правило, по ПИ-алгоритму и имеет два настроечных параметра и , а дифференциатор выбирается в виде реального дифференцирующего звена с параметрами и . Таким образом, анализируемая система имеет четыре настроечных параметра.
Рис. 4. Графики функций распределения вероятности
Рис. 5. Иллюстрация эволюции популяции от поколения к поколению в процессе работы МГА
Рис 6. Структурные схемы АСР
а) с дифференциатором; б) с нейроконтроллером.
|
|
На рис. 6.б показана схема с нейроконтроллером, имеющим выходной сигнал для исполнительного механизма постоянной скорости в виде приращения положения регулирующего органа на каждом шаге решения , в результате интегрированя которого реализуется регулирующее воздействие . Сигналами на входе нейроконтроллера являются отклонение основной регулируемой величины от заданного значения и его первая производная , а также первая и вторая производные вспомогательной величины . В первом приближении такая структура соответствует ПИ- алгоритму по основной переменной и ПД - алгоритму по вспомогательной переменной .
Нейроконтроллер в анализируемой системе реализован в виде трехслойной искусственной нейросети с двумя нейронами в скрытом слое и шестью синаптическими весовыми коэффициентами , являющимися настроечными параметрами [7].
Расчет настроечных параметров традиционной АСР с дифференциатором в случае малой инерционности вспомогательного канала может быть выполнен известным аналитическим методом (АМ) [8]. Дифференциатор рассчитывается на заданный запас устойчивости по отношению передаточных функций основного и вспомогательного каналов , а регулятор по передаточной функции эквивалентного объекта
|
|
. (4.1)
Для случая, когда инерционность вспомогательного канала сравнима с инерционностью основного , рекомендуется итерационная процедура до выполнения условия сходимости [9].
При таком подходе в эквивалентном объекте для уточнения настроек дифференциатора появляется замкнутый контур и необходимость учета настроек дифференциатора на предыдущем шаге итерационной процедуры, что сказывается на сходимости и заметно усложняет решение задачи за счет увеличения числа расчетных циклов.
В работе [10] предложен эффективный метод многомерного сканирования (ММС). Однако и он является достаточно громоздким и не гарантирует попадание в область глобального экстремума целевой функции.
В схеме с нейроконтроллером расчет синаптических коэффициентов аналитическими методами практически невозможен.
Необходимость поиска глобального экстремума при наличии большого числа локальных в подобных системах и возрастающая с увеличением числа настроечных параметров сложность вычислительных процедур делает решение подобных задач возможным лишь с применением алгоритмов численной оптимизации с использованием приемов имитационного моделирования.
|
|
Раскроем подробнее сущность задачи оптимизации с использованием целевой функции вида (1.1) для ступенчатых входных воздействий, внесенных раздельно по каналу регулирующего органа и по каналу задания . Интеграл по модулю в этом случае примет вид
, (4.2)
где - вектор настроечных параметров , для схемы с дифференциатором, и для схемы с нейроконтроллером; - вектор входных воздействий , .
С учетом того, что минимальное значение интеграла (1.1) не является инвариантным относительно входных воздействий, действующих по различным каналам, предлагается определять компромиссные настройки, обеспечивающие суммарное значение интегралов при раздельной подаче возмущений и . В этом случае вектор можно представить в виде
(4.3)
Интеграл по модулю в отличие от применяемого в аналитических методах линейного интеграла устраняет влияние отрицательных значений , имеющих место в колебательных процессах. При этом поверхность отклика с таким критерием имеет наиболее предсказуемый характер с точки зрения численных поисковых процедур.
Оценку интеграла и поиск экстремума принято производить при единичных ступенчатых входных воздействиях и
|
|
, (4.4)
где b - масштабный коэффициент.
Для обеспечения заданного запаса устойчивости, при необходимости, может быть использован прямой показатель в виде степени затухания , вводимый в целевой критерий в виде функции штрафа
. (4.5)
Изложенный подход позволяет также накладывать ограничения и на отдельные настроечные параметры, исходя из условия их практической реализуемости.
Численный пример оптимального синтеза рассмотренных вариантов систем регулирования выполнен для АСР температуры перегрева пара котла БМ-35-РФ с поверхностным охладителем [9]. Динамика основной и вспомогательной переменной представлена передаточными функциями
, (4.6)
.
Результаты расчета оптимальных настроечных параметров для двух вариантов АСР, полученные методом модифицированного генетического алгоритма (МГА) приведены в табл. 2.
Для сравнения здесь же представлены параметры и показатели качества, полученные для АСР с дифференциатором с использованием аналитического метода (АМ) и метода многомерного сканирования (ММС).
Характер переходных процессов в анализируемых АСР по результатам настроек, приведенных в табл.2, показан на рис.7. Следует отметить способность предложенного алгоритма к устойчивому поиску настроечных параметров, минимизирующих выбранную целевую функцию.
Применение МГА в рассмотренном численном примере позволяет получить настройки, уменьшающие площадь под графиком переходных процессов в АСР с дифференциатором по сравнению с настройками по АМ и ММС соответственно в 4.9 и 1.5 раза, а в АСР с нейроконтроллером в 5.2 и 1.6 раза.
Табл. 2
Метод настройки | Настроечные параметры АСР с дифференциатором | Интегральные критерии для входного воздействия | ||||||||
МГА | 169.9 | 0.133 | 39.8 | 3.560 | 0.321 | 0.281 | ||||
АМ | 3.5 | 3.000 | 29.4 | 0.927 | 1.582 | 1.079 | ||||
ММС | 13.0 | 1.500 | 44.6 | 2.165 | 0.479 | 0.462 | ||||
Метод настройки | Настроечные параметры АСР с нейроконтроллером | Интегральные критерии для входного воздействия | ||||||||
МГА | -1.226 | -0.172 | 0.185 | 0.022 | -3.221 | -4.510 | 0.301 | 0.253 | ||
Рис.7. Переходные процессы регулирования
Дата добавления: 2016-01-05; просмотров: 41; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!