PRACE
Instytutu Szk³a, Ceramiki Materia³ów Ogniotrwa³ych i Budowlanych
Scientific Works of Institute of Glass, Ceramics Refractory and Construction Materials
Nr 4
ISSN 1899-3230
Rok II Warszawa–Opole 2009
GERARD BURSY*
Sterowanie neuronowe procesem przemia³u cementu
Czêœæ 2 – Synteza regulatora neuronowego
!"#$% &'&()#*+,#''#-. /(#*&"01 /(2&34%,#1!*+ 235"2% 6# /#"25$47 1%'4% '#1!*+ (#21482%9 5$,%601 ",5:8*!*+ 6# /(2&34%,5 "5(#1*01 34'&(%;7 '!*+< =,#:#'#-. /(#*&"01 2%*+#628*!*+ /#6*2%" /(2&34%,5> 6&?&(34'5@&
"?#"#1%'4& '#1!*+ '%(2A624 1 5$,%6%*+ "?&(#1%'4% ?%$434 #B4&$?%34< %(7
?!$5;& /#6@A?# /(0B! 2%"?#"#1%'4% 6# (#21482%'4% ?&)# 2%6%'4% 3&?#6
#/%(?!*+ '% ?&#(44 "2?5*2'!*+ "4&*4 '&5(#'#1!*+< *2A-*4 /4&(1"2&@ /(2&67
"?%14#'# 46&'?!C4$%*@A /(#*&"5 /(2&34%,#1&)#< '4'4&@"2&@ D*2A-*4 EF /(2&6"?%14#'# "!'?&2A (&)5;%?#(% '&5(#'#1&)# #(%2 B%6%'4% "!35;%*!@'&
/(%*! (&)5;%?#(% B%25@8*&)# '% "2?5*2'!*+ "4&*4%*+ '&5(#'#1!*+< G(&2&'7
?#1%'& #/(%*#1%'4& @&"? /#6"53#1%'4&3 (#2/(%1! 6#$?#("$4&@ %5?#(%
#B(#'4#'&@ '% !624%;& H;&$?(#?&*+'4$4> I5?#3%?!$4 4 J'C#(3%?!$4 G#;4?&*+'4$4 K/#;"$4&@<
1. Wprowadzenie
W przemyœle mineralnych materia³ów budowlanych kluczow¹ rolê odgrywaj¹ procesy przemia³owe, które s¹ wykorzystywane na wszystkich etapach produkcji od rozdrabniania surowca, paliwa a¿ do produktu finalnego cementu. W wiêk- szoœci krajowych cementowni powszechnie stosowane s¹ wielokomorowe m³yny kulowe pracuj¹ce w uk³adzie otwartym lub zamkniêtym. S¹ one urz¹dzeniami charakteryzuj¹cymi siê nisk¹ sprawnoœci¹ energetyczn¹.
Zwiêkszenie tej sprawnoœci mo¿na uzyskaæ poprzez dzia³ania prowadzone w dwu kierunkach:
– modernizacjê technologii i urz¹dzeñ,
– zastosowanie nowych i niestandardowych algorytmów sterowania, realizowa- nych w oparciu o technikê komputerow¹.
Zadaniem sterowania prac¹ m³yna jest stabilizacja stopnia rozdrobnienia cementu w oparciu o pomiar powierzchni w³aœciwej przy minimalizacji jednostkowego zu-
¿ycia energii elektrycznej i zachowaniu wymaganej jakoœci produktu finalnego.
! "#$%& '#()*)+) ,-./0& 12!03"."& 40)2!"0/56 78#"9)!60/*:; " <+=96>0#*:; 6 ?0!(-06"2&
7==-"0/ '#$*#"2!"" 40)2!"0/962@& A!9:2(962@ " B!9=96"(.0 6 7C9>+%
Brak dok³adnych modeli fizykochemicznych uwzglêdniaj¹cych równoczeœnie zachodz¹ce procesy rozdrobnienia, transportu i mieszania, a tak¿e opóŸnienia transportowe oraz nieliniowoœci charakterystyk procesu przemia³u powoduj¹ ograniczone mo¿liwoœci poprawy jakoœci regulacji parametrów cementu z wy- korzystaniem tradycyjnych algorytmów regulacji. W zwi¹zku z powy¿szym w artykule zaproponowano wykorzystanie algorytmów opartych na teorii sztucz- nych sieci neuronowych (SSN) do sterowania procesem przemia³u.
Z³o¿onoœæ cyklu przemia³owego wynika z zachodz¹cych wewn¹trz m³yna pro- cesów rozdrabniania, mieszania i transportu materia³u. Charakteryzuj¹ siê one wielowymiarowoœci¹, nieliniowoœci¹, fluktuacjami parametrów (zw³aszcza opóŸ- nienia) oraz niestacjonarnym charakterem zak³óceñ. Wiele zale¿noœci opi- suj¹cych uk³ad przemia³owy ma charakter empiryczny. W tej sytuacji uk³ady te s¹ obiektami niezwykle z³o¿onymi i trudnymi do analizy z u¿yciem klasycznych metod. W pracy postanowiono wykorzystaæ cenne w³aœciwoœci sztucznych sieci neuronowych, do których zaliczyæ mo¿na: ³atwoœæ budowy uk³adów wielowy- miarowych, mo¿liwoœæ aproksymacji dowolnych ci¹g³ych zale¿noœci nielinio- wych oraz zdolnoœæ adaptacji, czyli dopasowania wartoœci parametrów do zmian charakterystyk obiektu i zak³óceñ. Wykorzystanie tych cennych w³asno- œci sztucznych sieci neuronowych do identyfikacji oraz sterowania procesem przemia³u cementu pozwoli uwzglêdniæ wystêpuj¹ce w nim z³o¿one nieliniowe zale¿noœci. Stwarza to mo¿liwoœæ poprawy racjonalnego prowadzenia tego pro- cesu.
Podczas badañ do obliczeñ i symulacji w pracy wykorzystano pakiet programo- wy Matlab ver. 7.5 wraz z przybornikiem Neural Network ver. 5.1 (R2007b), bêd¹cy na wyposa¿eniu Wydzia³u Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej.
Artyku³ jest kontynuacj¹ czêœci 1, oraz podsumowaniem rozprawy doktorskiej autora przeprowadzonej na Wydziale Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej.
2. Propozycja sterowania neuronowego m³ynem cementu
Modele matematyczne obiektów statycznych i dynamicznych odgrywaj¹ podsta- wow¹ rolê w uk³adach sterowania. Istnieje dobrze opracowana teoria sterowa- nia obiektami liniowymi, lecz problem sterowania nieliniowego jest trudny i wymaga poszukiwañ odpowiednich rozwi¹zañ.
W praktyce przemys³owej do sterowania procesem przemia³owym wykorzystu- je siê jedynie uk³ady dozowania wielkoœci¹ strumienia wejœciowego do m³yna.
Czêœæ zak³adów podjê³a próby w³¹czenia lokalnych pêtli regulacji w celu stabili- zacji wybranych wielkoœci procesowych. Na przyk³ad w jednym z zak³adów
uruchomiona zosta³a pêtla stabilizacji ca³kowitego strumienia nadawy do m³yna.
Pozwoli³o to na unikniecie zamielenia m³yna w przypadku zmiany w³asnoœci fi- zycznych materia³u, np. wiêkszej twardoœci dozowanego surowca. W tym celu wykorzystano klasyczny regulator PID zaimplementowany w sterowniku PLC.
Prowadzono równie¿ próby polegaj¹ce na uzale¿nieniu strumienia nadawy wej- œciowej od informacji pochodz¹cej z czujnika wype³nienia m³yna i stabilizowa- nie iloœci materia³u znajduj¹cego siê w m³ynie. W wy¿ej wymienionych pêtlach regulacji stosuje siê klasyczne regulatory PID dostrajane w sposób doœwiadczal- ny na obiekcie tak, aby uk³ad pracowa³ stabilnie. W literaturze proponuje siê wykorzystanie adaptacyjnego systemu sterownia w oparciu o ró¿ne modele od- niesienia [17]. Nie znalaz³y one jednak zastosowania w warunkach przemys³o- wych.
Z uwagi na wiele ograniczeñ i trudnoœci zwi¹zanych z syntez¹ uk³adów stero- wania dla obiektów i procesów nieliniowych metodami analitycznymi wydaje siê, ¿e alternatywnym i atrakcyjnym podejœciem jest zastosowanie teorii sztucz- nych sieci neuronowych. Wraz z pomiarem stopnia rozdrobnienia cementu po- zwoli to na poprawê racjonalnego prowadzenia tego procesu. Uwzglêdniaj¹c jego z³o¿onoœæ, postanowiono wykorzystaæ w propozycji uk³adu regulacji wie- dzê ekspertów!. Na podstawie zarejestrowanych danych przeprowadzono próby przetworzenia tych informacji poprzez zastosowanie metod opartych na sztucz- nych sieciach neuronowych.
W trakcie badañ oparto siê na wiedzy zdobytej podczas identyfikacji procesu przemia³owego oraz oceniono u¿ytecznoœæ poszczególnych struktur sieci neuro- nowych do realizacji zadania sterowania m³ynem cementu wraz z separatorem.
2.1. Neuronowa realizacja decyzji eksperta
Zadanie sterowania prac¹ m³yna sprowadza siê do stabilizacji stopnia rozdrob- nienia cementu w oparciu o pomiar powierzchni w³aœciwej, przy zachowaniu minimalizacji jednostkowego zu¿ycia energii elektrycznej i utrzymaniu wyma- ganej jakoœci produktu. Ze wzglêdu na opóŸnienia wystêpuj¹ce w torach stero- wania uk³adów przemia³owych oraz brak mo¿liwoœci pomiaru wielkoœci jedno- znacznie okreœlaj¹cych jakoœæ produktu finalnego w sposób ci¹g³y, stosuje siê ró¿ne sposoby sterowania w oparciu o ró¿ne wielkoœci poœrednie (sygna³ stop- nia nape³nienia m³yna, obci¹¿enie przenoœnika elewatorowego, itp.). Bior¹c pod uwagê z³o¿onoœæ procesu, postanowiono wykorzystaæ w proponowanym uk³adzie regulacji wiedzê ekspertów.
!"#$%$&#$ ' ()*%# &!+"#$,&$ -*.$/&#$&#$ "/*&! "!0$,#!/$" # .1.,)$) 01 20,!03 )+1%&14(#
,1)+,!5&#!&#! "!0$,#!/2 - 26/!+)#$ .,)$"#!/1-*"7
!869.$,0!"# - 0*" .,)*.!+62 9: 1.$,!01,)* .,1($92 )-!&# .101()&#$ "/*&!,)!"#7
Na podstawie zarejestrowanych danych przeprowadzono próby aproksymacji tych informacji przez wykorzystanie metod opartych na sztucznych sieciach ne- uronowych, posi³kuj¹c siê zaproponowan¹ przez Jordana i Jacoba technik¹ in- verse modelling [9], realizuj¹c odwrotn¹ charakterystykê obiektu (ryc. 1). Tak nauczona sieæ pozwala na wykorzystanie zaproksymowanej informacji po- chodz¹cej od wielu ekspertów, którzy prowadz¹ proces przemia³u w ró¿nych warunkach technologicznych oraz w obecnoœci wielu zak³óceñ mierzalnych i niemierzalnych.
Wyniki dzia³ania opracowanego w ten sposób regulatora porównane zosta³y z decyzjami operatorów, bazuj¹c na danych pomiarowych zarejestrowanych w trakcie normalnej pracy m³yna kulowego. Decyzje te przyjêto jako rozwi¹za- nia optymalne.
Tworz¹c neuronowy regulator wykorzystano doœwiadczenia uzyskane podczas identyfikacji uk³adu przemia³owego. Pominiête w trakcie syntezy zosta³y sieci liniowe oraz jednokierunkowe. Skupiono siê na sieciach dynamicznych, takich jak TDNN, LRN i NARX, oraz metodach treningu Levenberga-Marquardta i regularyzacji Bayesa. Do uczenia i weryfikacji pracy regulatora wykorzystano dane zarejestrowane w zak³adzie cementowym.
Realizuj¹c zadanie sterowania jako aplikacjê przeznaczan¹ do wdro¿enia na rze- czywistym obiekcie przemys³owym oraz uwzglêdniaj¹c czynniki ekonomiczne i ruchowe zak³adu, w pierwszym etapie postanowiono przygotowaæ uk³ad do pracy w systemie doradczym.
Ze wzglêdu na ograniczon¹ objêtoœæ artyku³u skupiono siê w nim jedynie na ne- uroregulatorze opartym na sieci NARX.Regulator ten powinien najlepiej rea- lizowaæ postawione zadanie, gdy¿ sieæ posiada zarówno sprzê¿enie zwrotne, jak i linie opóŸnieñ TDL, które pozwalaj¹ na uwzglêdnienie stanu obiektu w przesz³oœci. Ogólny schemat regulatora bazuj¹cego na takiej strukturze sieci przedstawiono na rycinie 2.
!"# $# %"&'()* +",'-.) -'+/0/'1+2)*0/) , 2.-.)(. 0345-.'6 7 .8'-*!9.:)";) .-<'/=;.
Sprawdzono pracê neuroregulatorów zawieraj¹cych w swej strukturze od 10 do 50 neuronów w warstwie ukrytej oraz dobieraj¹c horyzont czasowy linii TDL od 5 do 20 minut. W pocz¹tkowym etapie przetestowano pracê sieci reali- zuj¹cych sterowanie iloœci¹ nadawy do m³yna. Przyk³adowe wielkoœci steruj¹ce wygenerowane przez sieæ zawieraj¹c¹ 20 neuronów w warstwie wewnêtrznej, co przedstawiono na rycinie 3. Na wejœciu sieci zastosowano liniê TDL zawie- raj¹c¹ sygna³y opóŸnione z 9 poprzednich chwil czasowych oraz 10 w sprzê¿e- niu zwrotnym. Po analizie otrzymanych w trakcie badañ wielkoœci mo¿na stwierdziæ, ¿e rozbudowa sieci nie prowadzi do wiêkszej zgodnoœci pracy regu- latora z decyzjami podejmowanymi przez operatora. Sieæ zawieraj¹ca ok. 20 neu- ronów w warstwie wewnêtrznej generuje sterowania, których trend jest zgodny z decyzjami operatora (ryc. 3).
Nastêpnie sprawdzono pracê regulatora realizuj¹cego zadanie sterowania prêd- koœci¹ obrotow¹ separatora powietrznego Przebadano regulatory zawieraj¹ce w swej strukturze od 10 do 50 neuronów w warstwie ukrytej. Przyk³adowe syg- na³y steruj¹ce, generowane przez sieæ NARX zawieraj¹c¹ 20 neuronów w warst- wie wewnêtrznej, przedstawiono na rycinie 4. Porównuj¹c otrzymane wyniki z decyzjami operatorów widaæ, ¿e sieci zawieraj¹ce mniejsz¹ liczbê neuronów wypracowuj¹ sterowania zgodne z trendami realizowanymi przez operatorów.
Nadmierna rozbudowa sieci generuje sygna³y o zbyt du¿ych wahaniach wartoœci.
Sprawdzono tak¿e jakoœæ pracy regulatora neuronowego generuj¹cego oba syg- na³y steruj¹ce. Przyk³adowe charakterystyki dynamiczne generowane przez sieæ zawieraj¹c¹ 25 neuronów w warstwie ukrytej w odniesieniu do decyzji operato- ra przedstawiono na rycinie 5. Trendy proponowanych sterowañ neuroregulato- ra s¹ zgodne z decyzjami operatora. Rozbudowa sieci ponad 35 neuronów war- stwy wewnêtrznej oraz zwiêkszenie zakresu wykorzystywanego horyzontu cza- sowego dla wybranych opóŸnieñ nie spowodowa³y wiêkszej zbie¿noœci stero- wañ generowanych przez regulator w porównaniu z decyzjami podejmowanymi przez operatorów.
!"# $# %"&'()* +,'", -. / 0')1,2345"'4 2)6)7,' 7'3080'931)*80)
!"# $# %!&'() *+,-./0"! ',.-1-,&.2(+1-( 13(-+,&1 '( *4,"4
56 7 8 '(9(:( 91 ;)!'(< 1=-1+! *,3(-(+1-(< >$ ',.-1'?: : :(-*+:4, .@-!+,/
!"# A# %!&'() *+,-./0"! ',.-1-,&.2(+1-( 13(-+,&1 '( *4,"4 56 7 8 1=-1+! *,3(-(+1-(< >B ',.-1'?: : :(-*+:4, .@-!+,/
!"# C# %!&'() *+,-./0"! ',.-1-,&.2(+1-( 13(-+,&1 '( *4,"4 56 7 8 '(9(:( 91 ;)!'(< >B ',.-1'?: : :(-*+:4, .@-!+,/
Neuroregulator oparty na sieciach typu NARX w sterowaniu m³ynem cementu z separatorem powietrznym daje lepsze rezultaty przy wykorzystaniu jednego regulatora zapewniaj¹cego kompleksowe zadanie sterowania, zarówno strumie- niem nadawy do m³yna, jak i prêdkoœci¹ obrotow¹ separatora. Sieæ tego typu, zawieraj¹ca ok. 20–25 neuronów w warstwie ukrytej i wykorzystuj¹ca informa- cje o stanie obiektu w poprzednich 10 minutach, generuje sterowania zgodne z decyzjami podejmowanymi przez ekspertów, jakimi s¹ operatorzy. Na podsta- wie przeprowadzonych badañ mo¿na stwierdziæ, ¿e wykorzystanie sztucznych sieci neuronowych do sterowania procesem przemia³u cementu w uk³adzie tech- nologicznym zamkniêtym z separatorem powietrznym – przy posi³kowaniu siê wiedz¹ ekspertów – jest mo¿liwe do zrealizowania. Cenna wiedza jak¹ posia- daj¹ operatorzy i u¿ycie jej do budowy regulatora neuronowego pozwoli na „na- œladowanie” ich decyzji. Po odpowiednim nastrojeniu regulatorów – na podsta- wie informacji pochodz¹cej od wybranych ekspertów – mo¿liwe bêdzie wyeli- minowanie b³êdów pope³nianych przez tych ma³o doœwiadczonych, przyniesie oszczêdnoœci szacowane na poziomie ok. 10%. Równie¿ sterowanie procesem przemia³u bêdzie przebiega³o w sposób mniej zró¿nicowany.
2.2. Adaptacja uk³adu sterowania w przypadku produkcji ró¿nych marek cementu
W praktyce przemys³owej czêsto ma miejsce sytuacja, w której zachodzi potrze- ba produkowania kilku marek cementu w jednym uk³adzie przemia³owym. Wy- maga to przygotowania wielu regulatorów, pracuj¹cych optymalnie podczas ste- rowania uk³adem przemia³owym w trakcie produkcji danego asortymentu.
Podjêto zatem próby przygotowania systemu sterowania, który mo¿e sterowaæ prac¹ uk³adu przemia³owego z uwzglêdnieniem produkowanej marki cementu.
W tym celu sporz¹dzono szereg nowych wzorców ucz¹cych na podstawie da- nych zarejestrowanych podczas produkcji ró¿nych marek cementu w jednym uk³adzie przemia³owym. Przeprowadzono kolejny proces uczenia sieci, bazuj¹c na wczeœniej nabytych doœwiadczeniach. W wyniku przeprowadzonych prób zmodyfikowano rozmiary istniej¹cych sieci, tak aby mog³y one zachowaæ doda- tkowe informacje dotycz¹ce wymaganej powierzchni w³aœciwej oraz udzia³ów procentowych poszczególnych sk³adników nadawy dla szerszego asortymentu produkowanego w danym uk³adzie przemia³owym.
Produkcja kilku marek cementu. Dotychczasowe badania przeprowadzono w oparciu o dane zarejestrowane w trakcie produkcji jednej marki cementu CEM III A 32.5NA. Aby umo¿liwiæ prowadzenie procesu przemia³u podczas produkcji kilku marek cementu, przygotowano dodatkowe ci¹gi ucz¹ce i testu-
!"#$% &' ( %"%)#(! (*+!,#% -"-./## 0.(-1#%2* 0'3,(%4 0.'3*$,5# ( .'(3(#%2-1 "% 0'4(,(-/6)7
"!,8 '0-.%&'.69:
j¹ce, które zawieraj¹ dane zarejestrowane w trakcie produkcji dwóch marek ce- mentu, wykorzystanego wczeœniej CEM III A 32.5NA oraz CEM II SB 32.5R.
Do realizacji regulatora neuronowego wykorzystano sieci neuronowe typu NARX (ryc. 2.) zawieraj¹ce w swej strukturze od 15 do 50 neuronów w war- stwie ukrytej oraz informacjê o stanie obiektu z poprzednich chwil czasowych obejmuj¹cych od 10 do 20 minut.
Mimo wielu prób nie uda³o siê zaproponowaæ regulatora bazuj¹cego na sieci ne- uronowej, który poprawnie sterowa³by procesem przemia³u dla dwóch marek cementu. Przyk³adowe sygna³y steruj¹ce generowane przez czêœæ z testowanych sieci w odniesieniu do decyzji podejmowanych przez operatora przedstawiono na rycinie 6 i 7. Wynika z nich, ¿e sieæ poprawnie realizowa³a zadanie sterowa- nia dla jednej marki cementu. Wynika³o to z niesymetrycznoœci zbioru
!"# $# %!&'() *+,-./0"! ',.-1-,&.2(+1-( 13(-+,&1 '( *4,"4 56 7 8 '(9(:( 91 ;)!'(< 1=-1+! *,3(-(+1-(< >? ',.-1'@: : :(-*+:4, .A-!+,/
!"# B# %!&'() *+,-./0"! ',.-1-,&.2(+1-( 13(-+,&1 '( *4,"4 56 7 8 '(9(:( 91 ;)!'(< 1=-1+! *,3(-(+1-(< C? ',.-1'@: : :(-*+:4, .A-!+,/
ucz¹cego, który zawiera³ ró¿n¹ iloœæ informacji pochodz¹cych z produkcji wy- branych marek cementu. Przygotowanie wzorców zawieraj¹cych równomierne iloœci danych dla poszczególnych marek produkowanego cementu spowoduje problemy podczas dodatkowego douczania otrzymanego regulatora. Stwarza to w momencie douczania sieci problemy z przygotowaniem odpowiednich ci¹gów ucz¹cych w warunkach przemys³owych.
Realizacja neuroregulatora w przypadku cementu CEMII B-S 32.5R.
W zwi¹zku z negatywn¹ prób¹ wykonania regulatora realizuj¹cego zadanie ste- rowania procesem przemia³u do produkcji kilku marek cementu, postanowiono sprawdziæ mo¿liwoœæ budowy odrêbnych regulatorów przystosowanych do pro- dukcji wybranej marki cementu. Pozwoli³o to równie¿ na dodatkowe zweryfiko- wanie wczeœniejszych badañ. W pierwszym etapie sprawdzono regulator pod- czas produkcji cementu CEM II BS 32.5R. Przebadano regulatory oparte na sie- ci typu NARX (ryc. 2), która zawiera w swej strukturze od 15 do 45 neuronów w warstwie ukrytej i informacjê o stanie obiektu w poprzednich chwilach czasu.
Wykorzystano zredukowane ci¹gi zawieraj¹ce informacjê z przesz³oœci obej- muj¹ce: opóŸnienie o 12, 15 i 20 minut.
Sprawdzono pracê neuroregulatorów realizuj¹cych zadanie sterowania strumie- niem nadawy do m³yna i prêdkoœci¹ obrotow¹ separatora (ryc. 8) oraz wyko- nuj¹cych odrêbnie zadania sterowania wsadu masy materia³u do m³yna i prêdko- œci obrotowej separatora. Porównuj¹c generowanie przez sieci wartoœci syg- na³ów steruj¹cych z decyzjami podejmowanymi przez operatorów stwierdzono,
¿e istnieje du¿a ich zgodnoœæ. Zarówno trend przebiegów, jak i wartoœci s¹ zbli-
¿one (przyk³adowe przebiegi przedstawione zosta³y na ryc. 8). Oznacza to mo¿- liwoœæ u¿ycia neuroregulatorów do produkcji ró¿nych marek cementu.
!"# $# %!&'() *+,-./0"! ',.-1-,&.2(+1-( 13(-+,&1 '( *4,"4 56 7 8 '(9(:( 91 ;)!'(< 1=-1+!
*,3(-(+1-(< >? ',.-1'@: : :(-*+:4, .A-!+,/
Z przeprowadzonych badañ wynika, i¿ regulator zbudowany w oparciu o sztucz- ne sieci neuronowe typu NARX potrafi w³aœciwie sterowaæ procesem przemia³u wybranej marki cementu. Do produkcji w jednym uk³adzie przemia³owym kilku marek cementu wymagane jest przygotowanie odrêbnych neuroregulatorów, re- alizuj¹cych zadanie sterowania dla danej marki cementu. Wybór konkretnego regulatora mo¿e nastêpowaæ podczas wyboru marki produkowanego cementu w skomputeryzowanym systemie wizualizacyjnym.
3. Podsumowanie
W pracy przedstawiono mo¿liwoœci zastosowania algorytmów neuronowych do rozwi¹zywania zadañ identyfikacji i sterowania procesem przemia³u cementu.
Celem pracy by³o przedstawienie propozycji racjonalnego sterowania procesem przemia³u cementu w zamkniêtym uk³adzie przemia³owym, przy uwzglêdnieniu ró¿nych uwarunkowañ zwi¹zanych z niepewnoœci¹ modelu procesu, nieliniowo- œciami, fluktuacjami jego parametrów (zw³aszcza opóŸnienia) oraz niestacjonar- nym charakterem zak³óceñ oddzia³uj¹cych na proces.
Zadaniem sterowania prac¹ m³yna jest stabilizacja stopnia rozdrobnienia cemen- tu w oparciu o pomiar powierzchni w³aœciwej przy minimalizacji jednostkowe- go zu¿ycia energii elektrycznej i zachowaniu wymaganej jakoœci produktu final- nego.
W artykule wykorzystano metodê sterowania uk³adem przemia³owym w oparciu o algorytmy bazuj¹ce na teorii sztucznych sieci neuronowych. Charakteryzuj¹ siê one mo¿liwoœci aproksymacji dowolnych nieliniowoœci oraz dostrojenia struktury sieci na podstawie rzeczywistych danych zarejestrowanych w trakcie eksperymentu pomiarowego i rzeczywistej pracy tego uk³adu.
Zdaniem autora do istotnych oryginalnych osi¹gniêæ, uzyskanych w pracy nale-
¿y zaliczyæ:
– przeprowadzenie analizy metrologicznej uk³adu przemia³owego cementu pra- cuj¹cego w uk³adzie technologicznym otwartym i zamkniêtym dla celów stero- wania w warunkach rzeczywistej jego pracy (opisano w czêœci 1 artyku³u);
– opracowanie i przeprowadzenie autorskiej koncepcji eksperymentu pomiarowo- -identyfikacyjnego uk³adu przemia³owego, z wykorzystaniem quasi-ci¹g³ego po- miaru stopnia rozdrobnienia i neuronowych algorytmów identyfikacyjnych m³yna kulowego cementu wraz z separatorem powietrznym (opisano w czêœci 1 artyku³u);
– opracowanie i przetestowanie metod¹ symulacji komputerowej neuronowego algorytmu sterowania, opartego na nieliniowej sieci neuronowej ze sprzê¿eniem zwrotnym (NARX), który daje mo¿liwoœæ uwzglêdnienia ró¿nych przypadków pracy uk³adu przemia³owego, w tym produkcji kilku marek cementu w jednym uk³adzie przemia³owym;
– ocena mo¿liwoœci przenoszenia opracowanych algorytmów identyfikacji i ste- rowania, rozwi¹zañ struktur neuronowych na inne uk³ady przemia³owe spotyka- ne w pracuj¹cych cementowniach.
Wykorzystanie wiedzy najlepszych operatorów procesu w trakcie identyfikacji oraz budowy neuroregulatora pozwoli³o na zaproponowanie uk³adu neuronowe- go realizuj¹cego zadanie sterowania przez naœladowanie ich decyzji. Dziêki temu mo¿liwe by³o wyeliminowanie b³êdów operatorskich, co prowadzi do po- prawy jakoœci produktu finalnego, jakim jest cement, oraz pozwala na oszczêd- noœæ energii elektrycznej na poziomie ok. 10%.
Oszacowanie to przeprowadzono w oparciu o dane uk³adu przemia³owego w warunkach eksploatacji m³yna w trakcie badañ eksperymentalnych.
Przeprowadzone badania symulacyjne potwierdzaj¹ mo¿liwoœæ wykorzystania teorii sztucznych sieci neuronowych do realizacji zadañ identyfikacji i sterowa- nia z³o¿onym uk³adem nieliniowym, niestacjonarnym, z opóŸnieniami w torach sterowania. Dodatkowo dziêki wykorzystaniu informacji pochodz¹cych od ope- ratorów procesu ustabilizowano jakoœæ produktu i racjonalizacjê prowadzenia procesu przemia³u.
Uzyskane wyniki potwierdzaj¹ tak¿e mo¿liwoœæ wykorzystania nabytych do- œwiadczeñ w identyfikacji i sterowaniu z³o¿onymi wielowymiarowymi obiekta- mi, tak¿e w tych ga³êziach przemys³u, w których wystêpuj¹ procesy i obiekty podobnej klasy.
Znacz¹cym aspektem pracy jest wskazanie na mo¿liwoœci zastosowania nowo- czesnych pakietów s³u¿¹cych do obliczeñ numerycznych w dziedzinie identyfi- kacji uk³adów dynamicznych oraz badania i projektowania uk³adów sterowania tymi obiektami.
Wszystkie przeprowadzone w ramach pracy analizy oraz symulacje komputero- we zosta³y zrealizowane z wykorzystaniem pakietu programowego MatLab 7.5 (R2007b) wraz z przybornikiem Neural Network 5.1, bêd¹cego na wyposa¿eniu Wydzia³u Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej.
Zagadnienia zwi¹zane z rejestracj¹ danych na obiekcie, ich przygotowaniem oraz prezentacj¹ otrzymanych wyników zaimplementowano w postaci progra- mów komputerowych przygotowanych w œrodowiskach Delphi, Visual Basic oraz zaadaptowano istniej¹ce na obiekcie uk³ady pomiarowo-monitoruj¹ce.
Wszystkie wymienione czynniki sprawiaj¹, ¿e poruszona w pracy problematyka jest w pewnym zakresie zbie¿na z aktualnymi tendencjami, zmierzaj¹cymi do zast¹pienia cz³owieka w wykonywaniu powtarzaj¹cych siê czynnoœci i podejmo- wania decyzji przez uk³ady tzw. sztucznej inteligencji.
Literatura
!" # $ % & #'( !"#$ % %"#&'()%*+,-+ ./!,#012 *$+0()%*+,-% % 3%#$#&%+( )*%+,-.- /0$123% 4-5+,%6 7,128- 9:5-:;%&+1;%6 3 <=2>$? !@AB( :& CD )E>%1.&-10? ,' F'
C" # $ + . ; : G'( H 2 I % & + H'( J & 0 K % 1 L'( 7 . $ M ; N 0 : O'( 4 /+.%" ,!3.5'+'%!&+$ ./!,#"56 /# )!/ 5&0'#+#"(60'+'# 7+$$ 3%$$ ,%/,5%' 0%35$+'%!&0( )P23Q%& R%NS:2>2I-? !@BB( T2>' UD(
+' !V!!'
W" X % K $ . S Y'( J % 0 > % Z'( Y 0 I 0 : Z'( 8#5/+$ 8#'2!/* 9!!$7!: ; <0#/=0 >5%"# +'?+7(
RS% Z0.S42&1+ 9:N'( /0.;N1 C[[A'
F" X $ Q 0 4'Y'( @/A#B$C" '#,D&%* % '#,D&!$!B%% 2 E2%+'!2(3 ,#3#&'!2&%,'2%#( *0180Q P2>;I&0\;;
]%:.&0>:%I2 <^&2Q10 9:\2&K0N6; J$Q23:;N.30( 40&+,030 !@A@'
U" X $ Q 0 4'Y'( F#3#&'6"+'+67!!*( J0$_%&>0I `KMY( 4;%+M0Q%:VJ%&>;: !@BU'
D" Y % & M + . O'( a $ % & + . % : 0 $ X'( !"#$67+0#" ,!&'/!$ !) 3%&#/+$ ./!,#00%&B !.#/+'%!&0G )P23Q%& R%NS:2>2I-? !@@C( T2>' D@( +' C!VWC'
A" O 0 : N , 0 1 #'( H"#&'%)%,+'%!& !) 8!&$%&#+/ I(0'#30 <0%&B 8#5/+$ 8#'2!/*0 +&" @!$(&!3%+$
!"#$0J 4 K$!,*6L/%#&'#" 4../!+,D( 7=&;:I%&bT%&>0I( J%&>;:VY%;Q%>M%&I C[[U'
B" L $ & Q 2 3 + 1 ; 4'( M;N $+' ./A#3(0O5 ,#3#&'!2#B! &+ A%#3%+,D .!$0*%,D( )J$Q23:;N.32(
R%NS:2>2I;%( #&NS;.%1.$&0? C[[A( :& W'
@" / I `'4'( 4..$%,+'%!& !) 8#5/+$ 8#'2!/*0 '! 4"+.'%P# F!&'/!$ !) &!&$%&#+/ I(0'#30( F!&'/!$
I(0'#30 F#&'#/ I#/%#0( )#$.2K0.;10? C[[[( T2>' WD( /2' !C( +' !@W!V!@WW'
![" / 2 3 0 1 E'( P 0 8 1 0 E'( P 8 2 N ; N 0 Z'( 7 . 0 : 2 N S 4'( 7 , % > ; I 0 #'( @/!,#0( ./A#6 3%#$+&%+ % 3O(&( 2 ./A#3(E$# ,#3#&'!2(3G .' Cc O(&!2&%#( )P&0N% 9ZZJ? C[[[( :& CA' !!" < M $ N S 2 3 ; N , #'( QP!$5'%!&+/( 4$B!/%'D30 )!/ >$!7+$ L.'%3%A+'%!& +&" R(&+3%, I(0'#3
R%+B&!0%0( G$M$+1;% R230&,-+.32 /0$123%( *;%>2:0 `d&0 C[[W'
!C" P 2 > % Q : ; 0 E'( 4 % & + , > % & #'( H0Q;2K%.&-N,:0 K%.2Q0 =2K;0&$ Q-+=%&+6; N;080 +.08%I2(
9:+.-.$. R%NS:;1; ];%=>:%6 ; Z%NS0:;1; P8-:d3 P2>;.%NS:;1; 4&2N803+1;%6( 4&2N803 !@@A(
=&0N0 Q21.2&+10'
!W" H 2 6 % 1 H'( Z2Q%> K0.%K0.-N,:- =&2N%+$ K;%>%:;0 N;eI8%I2 3 K8-:0NS MfM:23-NS Q>0 N%b
>d3 +.%&230:;0( 9:+.-.$. ]-M%&:%.-1; R%NS:;N,:%6 P2>;.%NS:;1; 4&2N803+1;%6( 4&2N803 !@AD(
=&0N0 Q21.2&+10'
!F" H 2 6 % 1 H'( @/!7$#3( 3!"#$!2+&%+ 2(7/+&#- *$+0( ./!,#012 ! .+/+3#'/+,D /!AO!S!&(,D "$+
,#$12 0'#/!2+&%+( 4-5+,0 7,1280 9:5-:;%&+10 3 <=2>$( <=2>% !@AB'
!U" H $ . 1 2 3 + 1 ; G'( #'!"( % '#,D&%*% 0A'5,A&#- %&'#$%B#&,-%( 4-Q03:;N.32 /0$123% P4/(
40&+,030 C[[D'
!D" R 0 Q % $ + ; % 3 ; N , H'( I%#,% /!&!2#( #10Q%K;N10 <\;N-:0 4-Q03:;N,0 H4( 40&+,030
!@@W'
!F" 4 & , $ + , N , 0 1 O'( J0Q0:;0 ;Q%:.-\;10N-6:% ; 2N%:0 %\%1.-3:2^N; 0>I2&-.Kd3 +.%&230:;0 0Q0=.0N-6:%I2 2M;%1.%K , 2=dg:;%:;%K :0 =&,-180Q,;% K8-:0 1$>23%I2 N%K%:.$( P2>;.%NS:;10 4&2N803+10( 4&2N803 !@@B( =&0N0 Q21.2&+10'
!U" 4 & , $ + , N , 0 1 O'( <*O+" 0'#/!2+&%+ +"+.'+,(-&#B! 3O( ,#3#&'5( 3c" +'#/%+O( THHH U/+-!2#- U!&)#/#&,-% 45'!3+'(*%( L.!$# VMWVX HT MYYY( .' C( <\;N-:0 4-Q03:;N,0 P2>;.%NSb :;1; <=2>+1;%6( <=2>% C[[['
!"#"$ %"&#'
'!%"()('*"(+ ,-*. /"()!00 (1 *.! "-'$-' (1 )!2!'*
/345 6 7 0895:;<=< >? ';@4>A>954>BB;4
.=C: ;9;4C8 A>9<@DE5=>9 >? C4=9F=9C E4>A;<<;< ?>4A;< 5> <;34A: ?>4 9;G <>H B@5=>9< 4;I@=4;F ?>4 C4=9F=9C D=9;43B >? 43G D35;4=3B<J )>DEB;K=58 >? C4=9F=9C
!"#$%%$% !$&'(!$% ) *(#)+(", "- ,$. +""*% +" #",+!"* +/$%$ "01$#+%2 3, +/$
!$ "!+ .)% #)!!($4 "'+ %+'45 "- (6 *$6$,+)+(", "- 6$+/"4% 0)%$4 ", +/$"!5
"- )!+(-(#()* ,$'!", 7!(42 3, )!+ 8 .)% (,+!"4'#$4 (4$,+(-(#)+(", "- 7!(,4(,7 !"#$%% %5%+$62
3, +/(% )!+ .)% (,+!"4'#$4 %5,+/$%(% "- ,$'!"#",+!"**$! ),4 %(6'*)+(", !$9
%$)!#/ "- #",+!"**$! " $!)+(", 0)%$4 ", )!+(-(#()* ,$'!", 7!(42
:/$ !$%$,+)+(", (% ), )'+/"!;% %'66)!5 "- 4"#+"!;% +/$%(% #)!!($4 "'+ ",
<)#'*+5 "- =*$#+!(#)* =,7(,$$!(,7> ?'+"6)+(# @",+!"* ),4 @"6 '+$! A#($,#$
"- :/$ B "*$ C,(D$!%(+5 "- :$#/,"*"752
