NEU-2003

Как правило, современные горнообогатительные фабрики работают на сырье не одного, а нескольких карьеров. Параметры руды этих карьеров различны не только между собой, но и различаются во времени даже для одного карьера.

В связи со сложностью технологического процесса обогащения: большого количества параметров промпродукта, регулируемых и изменяющихся в результате износа параметров оборудования, а также взаимовлияния контуров регулирования друг на друга комплексное экстремальное управление технологическим процессом в настоящее время не осуществляется.

Между тем процесс обогащения является энергоемким производством. С учетом больших объемов производства снижение затрат даже на доли процента приводит к значительному экономическому эффекту.

Применение классических современных систем адаптивного автоматического управления достаточно проблематично: стоимость разработки и настройки системы, а так же затраты на ее обслуживание не удовлетворяют требованиям минимальности затрат.

В качестве альтернативы классическим системам предлагается использование моделей искусственных нейронных сетей как регулирующего органа системы управления. К достоинствам нейросетей можно отнести возможность «обучения» на примере действий операторов и «накопления опыта», «на своих ошибках».

Стабилизация процесса обеспечивается стандартными системами автоматического регулирования. Оптимальность управления может быть реализована нейросетями. Адекватность и точность управления, а также скорость обучения нейросети зависят от выбранного типа сети, ее структуры, и алгоритмов обучения.

В качестве регулирующих органов исследуются следующие модели сети: прямонаправленная сеть без обратных связей и сеть радиального базиса

Первично рассматривается управление только одной установкой из технологического цикла. Для упрощения расчетов при выборе модели сети объект моделирования замещен моделью в первом приближении – апериодическим звеном первого порядка. Требуемая точность регулирования при использовании более сложных моделей объекта управления может быть достигнута усложнением структуры регулирующей сети: увеличением числа нейронов, связей между нейронами, числа слоев, усложнения вида передаточных функций нейронов.

Средой моделирования выбран пакет MATLAB (SIMULINCK и Neural Network).

Предлагаемая упрощенная структура системы адаптивного управления показана на рисунке 1.

Рисунок 1. Упрошенная структура системы управления.

Первоначально рассмотрена схема регулирования на базе прямонаправленной сети без обратных связей. Для достижения требуемой точности использована сеть, состоящая из трех слоев нейронов с сигмоидальными функциями и одним выходным слоем с линейными функциями.

Сеть обеспечивает работу модели при условии стабильности или незначительных отклонений входных параметров и параметров системы от параметров заданных при обучении. При больших отклонениях система не обеспечивает адекватного управления объектом. Дообучение сети невозможно, приходится производить переобучение сети.

Использование сети радиального базиса обеспечивает наиболее быструю настройку системы для работы. Однако в условия малого количества примеров в обучающей выборке или больших интервалах между точками возможны значительные отклонения от оптимальных параметров. Сеть так же не позволяет производить донастройку в случае изменения входных параметров объекта.

Обе сети могут работать как регуляторы только при соблюдении определенных условий: малого интервала между точками в обучающей выборке и небольших интервалов изменения параметров системы. В настоявший момент ведется поиск структуры и типа сети, позволяющий устранить эти недостатки.