Оптимальный синтез двухсвязной АСР
Во втором примере рассмотрен оптимальный синтез двухсвязной системы регулирования.
Объектом регулирования является прямоточный котел с взаимосвязанными регулируемыми параметрами: давление пара за котлом с регулирующим воздействием на расход топлива и температура в промежуточной точке пароводяного тракта с регулирующим воздействием на расход питательной воды . Передаточные функции по каналам регулирования и каналам взаимных связей в соответствии с динамическими характеристиками, полученными на реальном котле [11], имеют вид
(4.7)
Исследование проводилось методом имитационного моделирования во временной области для регулирующих устройств, реализованных:
- с помощью двух не связанных между собой линейных ПИ-регуляторов (4 настроечных параметра);
- с помощью двухканального нейроконтроллера с взаимными связями между каналами (8 настроечных параметров).
Структурная схема двухсвязной АСР с нейроконтроллером показана на рис. 8.
Рис.8. Структурная схема двухсвязной АСР с нейроконтроллером
Параметрическая оптимизация анализируемой двухсвязной АСР для рассматриваемых вариантов реализации регулирующего устройства проводилась с помощью МГА. В качестве целевой функции при настройке использовался суммарный интегральный критерий по модулю вида (4.4) для двух регулируемых величин и с вектором входных воздействий
|
|
(4.8)
Переходные процессы для давления и температуры при одновременной подаче возмущений и для найденных настроечных параметров ПИ-регуляторов (первый вариант АСР) и оптимальных параметров нейрконтроллера (второй вариант АСР) представлены на рис 9а, (соответственно, красный и синий графики). Для сравнения там же показаны переходные процессы этих параметров в АСР с ПИ-регуляторами, настройки которых найдены аналитическим методом по эквивалентным объектам, учитывающим взаимные связи (пунктирная линия). На рис. 9 б показаны графики переходных процессов при одновременном изменении заданий и .
На рис. 10 а, б показаны переходные процессы в анализируемой АСР с оптимально настроенным двухканальным нейроконтроллером (синие графики) сравниваются с процессами, полученными в работе [12] для регулирующего устройства с двумя ПИ-регуляторами и динамическим компенсатором ДК “топливо -вода ” в виде реального дифференцирующего звена, параметры которого определялись с помощью алгоритма автоматизированной настройки (красные графики). Здесь же показаны графики переходных процессов в АСР такой же структуры, настроенные с использованием МГА (пунктирные графики). По интегральным оценкам качество регулирования в АСР с применением предлагаемого алгоритма повышается более чем в два раза.
|
|
Рис. 9. Переходные процессы в двухсвязной АСР
Рис. 10. Переходные процессы в двухсвязной АСР
Проведенные исследования показали, что предлагаемый модифицированный генетический алгоритм одинаково успешно позволяет оптимизировать настроечные параметры регулирующих устройств как в АСР с
традиционными линейными алгоритмами, так и в АСР с двухканальным нейроконтроллером. При этом структура регулирующих устройств может быть и более сложной, чем в приведенном примере.
Заключение
В статье приведено описание и программа для Mathcad модифицированной версии генетического алгоритма для решения задач многоэкстремальной оптимизации. Предлагаемый алгоритм совмещает свойства случайной селекции генетического алгоритма с регулярным поиском метода деформируемого многогранника.
Модификация существующего ГА сделана с целью создания алгоритма, который с помощью операций регулярного поиска способен с требуемой вероятностью достигнуть глобального экстремума с наименьшим числом обращений к функции цели.
Предназначен предлагаемый МГА для решения многоэкстремальных задач оптимизации в управлении, а также может быть использован в других прикладных задачах.
|
|
Алгоритм испытан на тестовых задачах. При тестировании сделано сравнение с результатами работы диплоидной версии генетического алгоритма.
Алгоритм реализован в пользовательской программе для Mathcad и универсальной программе. Пограммa для Mathcad установлена на Mathcad Application Server [13]. Универсальная программа под именем «Optim-MGA» зарегистрирована в Российском Агенстве по патентам и товарным знакам [14]. Она позволяет находить наилучшее значение функций, значения которых могут быть вычислены в пользовательских программах, представленных в виде динамически присоединяемой библиотеки (dll-файла).
В качестве примеров, иллюстрирующих применение МГА, рассмотрены задачи оптимального синтеза АСР с дополнительным информационным каналом и двухсвязной АСР. С помощью МГА были найдены оптимальные настроечные параметры линейных регуляторов и нейроконтроллеров.
Литература
1. Nelder J.A.,Mead R., A Simplex Method For Function Minimization, Computer J., No 7, 1964 P. 308-313.
2. Сабанин В.Р., Смирнов Н.И., Репин А.И. Оптимизация настроечных параметров регулирующих устройств в АСР// Сборник трудов конференции Control 2003. МЭИ, 2003. С. 144-148.
|
|
3. Goldberg D.E. Genetic Algorithms in Search Optimizations and Machine Learning.-Addison.Wesly, 1989.
4. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К.Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. – Харьков, Основа, 1997.
5. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления// Диссертация на соискание ученой степени кандидата технических наук.— Харьков, ХГПУ, 1998.
6. Attia A.A.,Horacek P. Adaptation of genetic algorithms for optimization problem solving// 7th International Conference on Computing MENDEL 2001. Brno, 2001. P. 36-41.
7. Сабанин В.Р., Смирнов Н.И., Репин А.И. Автоматические системы регулирования на основе нейросетевых технологий // Сборник трудов конференции Control 2003. МЭИ, 2003. С. 45-51.
8. Ротач В.Я. Теория автоматического управления теплоэнергетическими процессами. М.: Энергоатомиздат, 1985.
9. Панько М.А., Харахорин Д.А. Расчет оптимальных настроек регулятора в автоматической системе регулирования с сигналом по производной // Теория и практика построения и функционирования АСУТП / Сб. научн. тр. МЭИ. М.:Издательство МЭИ, 1998. С. 61-69.
10. Ротач В.Я. Метод многомерного сканирования в расчетах автоматических систем управления//Теплоэнергетика. №10. 2001. С. 33-38.
11. Биленко В.А., Давыдов Н.И. и др. Анализ динамики многосвязной системы регулирования мощности и температуры энергоблока с прямоточным котлом.//Теплоэнергетика. 1987. №10. С. 11-17.
12. Ротач В. Я., Кузищин В.Ф., Башарин Д.Ю. Анализ применимости алгоритма автоматизированной настройки для двухсвязной АСР подачи топлива и питательной воды прямоточного котла// Сб. научных трудов “Теория и практика построения и функционирования АСУТП”. МЭИ.1993. С.35-44.
13. http:/www.vpu.ru/mas
14. Сабанин В.Р., Смирнов Н.И., Репин А.И. Универсальная программа для оптимизации многоэкстремальных задач «Optim-MGA» // Свидетельство об официальной регистрации программы для ЭВМ № 2004610862, Зарегистрировано в Реестре программ для ЭВМ г. Москва, 8 апреля 2004 г.
Дата добавления: 2016-01-05; просмотров: 51; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!