NEU-2003

Производство таблетированного ядерного топлива с воспроизводимой в заданном диапазоне плотностью определяется сложно связанными между собой свойствами порошка керамической двуокиси урана, удовлетворяющими определенным критериям. Получение порошка с гарантированными свойствами во многом зависит от надлежащего качества многопараметрического управления технологическими процессами, протекающими в сгруппированных аппаратах и технологическом оборудовании (переделах) технологической линии.

Стремление к повышению производительности технологической линии без ее существенной модернизации вынуждает проводить автоматизацию технологических процессов, формировать базу данных для принятия технологических решений. Принудительное повышение производительности линии приводит к изменению скорости и характера протекания химических процессов, прежде всего в переделах начальных стадий. В их числе передел жидкостной экстракции, в котором наблюдается турбулентное движение растворов. Автоматическое либо автоматизированное управление переделами с повышенной производительностью при небольшом браке на выходе технологической линии не возможно без использования моделей технологических процессов-систем. Опыт практиков показывает, что затруднительно создание для такой производственной ситуации приемлемой математической модели объекта управления (ОУ) — пространственно распределенной динамической системы.

В настоящее время на роль универсального инструмента, позволяющего анализировать и моделировать сложнейшие процессы в локальных и пространственно распределенных нелинейных динамических системах, претендуют методы клеточных автоматов. Их использование с нейросетевыми методами позволяет, как показывают наши исследования, организовать приемлемое протекание жидкостной экстракции в технологических аппаратах, в контур управления которыми включен человек-оператор.

В первой части сообщения рассматривается обобщенная технологическая схема передела жидкостной экстракции с повышенной производительностью. Описывается его работа. Анализируются особенности воспроизводимого в нем технологического процесса и технологических параметров, подлежащих измерению, контролю и регулированию.

Во второй части сообщения обсуждаются результаты компьютерных экспериментов, полученные на моделях жидкостной экстракции, представляющих собой детерминированные и вероятностные клеточные структуры. Сопоставление результатов компьютерного моделирования с данными, полученными на переделе жидкостной экстракции, показывает целесообразность использования вероятностного клеточного автомата (ВКА).

Третья часть сообщения посвящена анализу двух предлагаемых и моделируемых структур автоматизированных многоканальных систем управления жидкостной экстракцией с нейросетевыми компонентами (НК). В структуре первой, адаптивной системы имеется нейросетевой регулятор (НР) и нейросетевой идентификатор (НИ). НИ не только идентифицирует вектор параметров ОУ по известному вектору результатов измерений, но и вырабатывает прогнозирующие данные для НР. Обучение НК этой системы осуществляется на основе ВКА. В состав второй системы входят НР и нейросетевая модель ОУ. Они настраиваются на основе ВКА в реальном времени.