Моделювання лінійної нейронної мережі з зворотним поширенням помилки для основних каналів керування реактором синтезу оцтової кислоти
DOI:
https://doi.org/10.33216/1998-7927-2023-279-3-31-36Ключові слова:
нейронні мережі, зворотне поширення помилки, реакторАнотація
В наш час для управління технологічними об'єктами можуть бути використані нейронні мережі, нечітка логіка чи генетичні алгоритми. Було небагато спроб використати технології штучного інтелекту для побудови автоматичних систем керування.
Однак тільки в останні роки, зі зростанням досліджень у галузі нелінійного управління, використання технологій штучного інтелекту в керуванні технологічними процесами набуло широкого поширення.
Моделювання та дослідження роботи штучних нейронних мереж можна проводити за допомогою програмних симуляторів. Найбільш поширеними пакетами для моделювання властивостей нейромереж є Neural Works ProPlus, NeuroSolution, Matlab (NeuralNetworkToolbox), NeuroWisard, ANsim, NeuralWare та інші. Програми відрізняються складністю, кількістю типів нейронів та алгоритмів навчання, що підтримуються в системі.
У статті досліджується побудова лінійних нейронних мереж із зворотним розповсюдженням помилки для основних каналів управління реактора синтезу оцтової кислоти.
Для побудови та дослідження властивостей нейронної мережі використовувалися статистичні дані реактора синтезу оцтової кислоти у стаціонарному режимі цеху оцтової кислоти Сєвєродонецького ЗАО «Азот». Для моделювання використовувалося середовище програмного симулятора MATLAB 2021. Ця програма рекомендована для моделювання різних нейронних мереж із різною кількістю нейронів і різним типом функції активації. Для побудови нейронної мережі використовувалася ітераційна процедура.
Архітектура нейронної мережі: перший шар містить спочатку 9 нейронів, потім 23 нейрона, а згодом 46 нейронів з функцією активації tansig. Другий шар містить один нейрон з функцією активації purelin. Діапазон зміни входу [8900-9800].
Навчання нейронної мережі виконувалося протягом 50 циклів. Потім виконувалося моделювання мережі. Наприкінці моделювання розраховували відносну похибку для виходу мережі.
У тому випадку, якщо залежності мають лінійний характер для апроксимації даних можна використовувати лінійні нейронні мережі з зворотнім поширенням помилки. Всі створені та промодельовані нейронні мережі для всіх основних каналів керування показали задовільну якість апроксимації даних. Якість апроксимації даних складала во всіх випадках менше 1%. Це дозволить використовувати нейромережі для управління технологічними процесами синтезу оцтової кислоти та перспективність подальших досліджень цього напряму.
Посилання
1. Бойко С. Застосування нейронних мереж при автоматизації діагностики стану авіаційного генератора гвинтокрила.// С. Бойко, Є. Волканін, О. Городній, О. Борисенко, Л. Вершняк.- ТЕХНІЧНІ НАУКИ ТА ТЕХНОЛОГІЇ.- 2018.-№ 3 (13), С.152-160
2. Маковецька, С. В. Застосування штучних нейронних мереж для прогнозування динаміки технологічного процесу в умовах невизначеності / С. В. Маковецька, О. М. Мягшило // Сучасні методи, інформаційне, програмне та технічне забезпечення систем управління організаційно-технічними та технологічними комплексами: програма та матеріали ІІ Міжнародної науково-технічної Internet-конференції, 25 листопада 2015 р. [Електронний ресурс] – К.: НУХТ, 2015. – С. 188-189. - Режим доступу: https://nuft.edu.ua/page/view/konferentsii.
3. Гончаренко Т. А. Застосування технології штучних нейронних мереж для моделювання рельєфу будівельного майданчика/Т. А. Гончаренко// Управління розвитком складних систем: зб. наук. робіт / Київ. нац. ун-т буд-ва та архітектури; гол. ред. Лізунов П. П. – Київ: КНУБА, 2017. – № 29. – С. 116 – 120.
4. Paredes-Astudillo Y.A. Comparing linear and non-linear modelling approaches of learning effects in 2-stage flow-shop scheduling problems/ Y. A. Paredes-Astudillo, V. Botta-Genoulaz, J. R. Montoya-Torres // IFAC Papers OnLine .- 55-10 (2022), P. 842–847
5. Steentjes Tom R.V. Handling unmeasured distur-bances in data-driven distributed control with virtual reference feedback tuning/ Tom R.V. Steentjes, Paul M.J. Van den Hof, Mircea Lazar // IFAC Pa-persOnLine.- 54-7 (2021), P. 204–209
6. Borg D. Neural networks as a diagnosing tool for industrial level measurement through non contacting radar type and support to the decision for its better application / D. Borg, F. F. Pinto, M. Suetake, D. Brandão// IFAC-PapersOnLine.- 49-30 (2016).-p. 349–354
7. Topolski N.G. Computer Aided Fire safety Systems in Chemical Industries. / N.G.Topolski, V.S.Vatagin, // Mary Kay O’Connor Process Safety Center Symposium. -Proceeding.- October 24-25.- 2000.- Reed Arena.- Texas A&M. -University, College Station, Texas- p.348-349.
8. Baskin I.I. Quantitative chemical structure – proper-ty/activity relationship studies using artificial neural networks. / I.I. Baskin, M.I.Skvortsova, V.A.Palyulin, N.S.Zefirov // Foun-dations of Com-puting and Decision Sciences. - 1997. - Vol. 22, № 2. – P. 107-116.
9. PorkujanOlga «Neuralnetworksimulationinrunningofaceticacids-yntesisunitwhilestart-up»/ OlgaPorkujan, ZhannaSamojlova.- TEKA, Польща, AcademyofSciences (PAN), withregisteredofficesinWarsaw, 2013, p.188-192
10. Tronci S. A Gain-Scheduling PI Control Based on Neural Networks/ Stefania Tronci , Roberto Barat-ti//Hindawi Complexity Volume 2017, Article ID 9241254, 8 pages
11. Joschka W. Overcoming the modeling bottleneck: A methodology for dynamic gray-box modeling with optimized training data / Winz J. , Fromme F., Engell S. Process Dynamics and Operations Group, TU Dortmund University, Energy reports, -Issue 10. - November 2023, pages 396-406
12. Moon Un-Chul. A comparative study of water wall model with a linear model and a neural network model/ Un-Chul Moon, Jaewoo Lim, Geon Go, Kwang. Y. Lee//Proceedings of the 19th World Congress The International Federation of Automatic Control Cape Town, South Africa. August 24-29, 2014, p.1446-1451
13. Самойлова Ж.Г. Розробка математичної моделі технологічних процесів в реакторі синтезу оцтової кислоти/ Ж.Г.Самойлова// Eastern-European Journal of Enterprise Technologies, 5/2 ( 113 ), 2021, С.94-104
