О В Поркуян - Использование нейронной сети для управления аппаратами итн производства аммиачной селитры - страница 1

Страницы:
1  2 

УДК 681.322

Поркуян О.В., Самойлова Ж.Г.

ИСПОЛЬЗОВАНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ УПРАВЛЕНИЯ АППАРАТАМИ ИТН ПРОИЗВОДСТВА АММИАЧНОЙ СЕЛИТРЫ.

В данной статье приведены результаты исследований построения искусственных нейронных сетей, используемых в автоматизированных системах управления аппаратами ИТН производства аммиачной селитры с помощью программного симулятора Matlab (Neural Network Toolbox). Приведены структурные схемы подобных систем. рис.2, табл.2, лит. ист. 17

Для управления сложными системами необходимо построить модель, которая адекватно отображает свойства объекта управления. Во многих случаях параметры такой модели определяются непосредственно в процессе эксплуатации объекта, то есть осуществляется идентификация по случайным входным и выходным сигналам. В наше время достаточно активно развивается способ построения автоматизированных систем управления на основе использования технологий искусственного интеллекта (нейронные сети, нечеткая логика, генетические алгоритмы) [1-7]. Обобщению могут подлежать такие факторы, которые плохо формализуются с использованием обычных математических методов (например, собственный опыт или интуиция специалистов и так далее). Известно немного попыток использования в химической промышленности технологий искусственного интеллекта. Их используют для интерпретации показаний сенсоров, отбора сенсоров для контроля химических процессов, прогноза температурного режима технологических процессов [8-17].

Моделирование и исследование работы искусственных нейронных сетей можно проводить с помощью программных симуляторов. Наиболее распространёнными пакетами для моделирования свойств нейросетей являются: Neural Works Pro Plus, Neuro Solution, Matlab (Neural Network Toolbox), Neuro Wisard, ANsim, Neural Ware и другие. Программы отличаются сложностью, количеством типов нейронов и алгоритмов обучения, которые поддерживаются в системе.

В данной работе для построения и исследования свойств сети использовалась среда программного симулятора Neural Network Toolbox MATLAB 7.1.0. Этот пакет рекомендован для моделирования нейросетей на основе персептронов с разным типом функции активации.

Для моделирования использовались статистические данные аппаратов ИТН Северодонецкого СГПП «Азот», используемых при производстве аммиачной селитры.

В качестве входных параметров использовались:

1. Концентрация азотной кислоты на входе в цех (ык).

2. Температура азотной кислоты на входе в цех (Тк).

3. Температура газообразного аммиака после подогревателя (ТА).

4. Давление газообразного аммиака после подогревателя (ТА).

5. Расход аммиака (FA)

В качестве выходных параметров использовались:

1. Температура реакции внутри ИТН (Т)

2. Концентрация селитры (ыС).

3. Давление сокового пара (Р).

В процессе обучения нейронной сети было задействовано 50% основной выборки (другая часть выборки использовалась для проверки).

В результате работы программного симулятора Neural Network Toolbox MATLAB 7.1.0. была построена и обучена нейронная сеть прямого распространения, структура которой приведена на рис.1.

Рисунок 1. Структура сети.

Сеть была построена на основе персептронов (Feed-Forward Back Propagation) с пятью сигмоидными (TANSIG) нейронами скрытого слоя и тремя линейными (PURELIN) нейронами выходного слоя. Для построенной сети были определены функции, реализующие алгоритм обучения, функции тренировки и ошибки, обеспечивающие минимальную относительную погрешность. В таблице 1 приведены соответствующие параметры сети для трёх аппаратов ИТН.

Сравнивая соответствующие параметры сетей, можно видеть, что для первого и второго аппарата ИТН наименьшую относительную погрешность обеспечивает сеть, для которой использовали обучающую функцию метода Левенберга-Маркара (Levenberg-Marquardt), функцией тренировки являлась функция градиентного спуска с учетом моментов (LEARNGDM), функцией ошибки являлась средняя квадратичная ошибка (MSE). Для третьего аппарата ИТН наименьшую относительную погрешность обеспечивает сеть, которая обучалась с помощью метода градиентного спуска с учетом моментов, функцией тренировки являлась функция градиентного спуска с учетом моментов (LEARNGDM), функцией ошибки являлась средняя квадратичная ошибка ( MSE).

Таблица 1.

Параметры нейронных сетей линейного распространения

Номер

Номер

Функция,

Функция

Функция

Выход-

Относи-

Средняя

аппа-

сети

реализующая

тренировки

ошибки

ной

тельная

относи-

рата ИТН

 

алгоритм обучения

 

 

пара­метр

погреш­ность

тельная погрешность

1

2

3

4

5

6

7

8

1

1

Метод

Обучающая

Сред-

1

0,0145

0,0273

 

 

градиен-

функция

няя

2

0,0079

 

 

 

тного

градиент-

квадра-

3

0,7692

 

 

 

спуска

ного спуска

тичная ошибка

 

 

 

 

2

Метод

Обучающая

Сред-

1

0,0211

2,9235

 

 

градиент-

функция

няя

2

0,0074

 

 

 

ного спуска

градиент-

квадра-

3

6,446

 

 

 

с учетом

ного спуска

тичная

 

 

 

 

 

моментов

 

ошибка

 

 

 

 

3

Метод

Обучающая

Сред-

1

0,0139

0,0263

 

 

Левен-

функция

няя

2

0,0145

 

 

 

берга-

градиент-

квадра-

3

0,6932

 

 

 

Маркара

ного спуска

тичная

 

 

 

 

 

(Leven-

с учетом

ошибка

 

 

 

 

 

berg-Mar-

моментов

 

 

 

 

 

 

quardt)

 

 

 

 

 

2

1

Метод

Обучающая

Сред-

1

0,0104

0,0236

 

 

градиент-

функция

няя

2

0,0080

 

 

 

ного спуска

градиент­ного спуска

квадра­тичная ошибка

3

0,7948

 

 

2

Метод

Обучающая

Сред-

1

0,0105

0,0235

 

 

градиент-

функция

няя

2

0,0078

 

 

 

ного спуска

градиент-

квадрати

3

0,0800

 

 

 

с учетом

ного спуска

чная о

 

 

 


1

2

3

4

5

6

7

8

2

 

моментов

 

ошибка

 

 

3

Метод

Обучающая

Сред-

1

0,0081

0,0231

 

 

Левен-

функция

няя

2

0,0079

 

 

 

берга-

градиент-

квадра-

3

0,8174

 

 

 

Маркара

ного спуска

тичная

 

 

 

 

 

(Levenberg-

с учетом

ошибка

 

 

 

 

 

Marquardt)

моментов

 

 

 

 

3

1

Метод

Обучающая

Сред-

1

0,0105

0,0275

 

 

градиент-

функция

няя

2

0,0104

 

 

 

ного спуска

градиент­ного спуска

квадра­тичная ошибка

3

0,7446

 

 

2

Метод

Обучающая

Сред-

1

0,0108

0,0228

 

 

градиент-

функция

няя

2

0,0094

 

 

 

ного спуска

градиент-

квадра-

3

0,5771

 

 

 

с учетом

ного спуска

тичная

 

 

 

 

 

моментов

 

ошибка

 

 

 

 

3

Метод

Обучающая

Сред-

1

0,0084

0,0236

 

 

Левенбер-

функция

няя

2

0,0069

 

 

 

га-Маркара

градиент-

квадра-

3

0,6566

 

 

 

(Levenberg-

ного спуска

тичная

 

 

 

 

 

Страницы:
1  2 


Похожие статьи

О В Поркуян - Использование нейронной сети для управления аппаратами итн производства аммиачной селитры