книги / Управление большими системами. УБС-2017

Информационные технологии в управлении техническими системами и технологическими процессами

лизатором, имитационная модель производства – агентамиисполнителями.

Агент-супервизор – интерфейсный агент, решающий задачу взаимодействия агентов МАС и связи с пользователем. Он выдает плановое расписание, отчет по анализу «узких мест» и варианты их корректировки, формирует задания нижестоящим агентам МАС на обработку производственных заказов в соответствии с принятым к реализации расписанием. Агент-оптимизатор – гибридный агент, в задачу которого входит построение оптимального расписания на основе правил и ограничений производства. Агент-реализатор – гибридный агент, который осуществляет проверку сформированного расписания на реализуемость.

Агент-исполнитель – партнерский агент, задачей которого является слежение за работой конкретного технологического агрегата, входящего в реализуемый технологический маршрут.

3.3. ПРИНЦИП МНОГОАЛЬТЕРНАТИВНОГО АГЕНТА

Как правило, структура и алгоритм принятия решений каждого агента определяется проектировщиком на начальном этапе проектирования системы. Этому предшествует анализ различных методов, которые могут быть положены в основу функционирования агентов. В итоге из этого набора выбирается один конкретный метод или алгоритм на основании демонстрации им лучшего или оптимального результата по сравнению с другими.

В случае если рассматриваемые подходы и методы тестировались на реальных производственных данных за определенный временной промежуток, нет гарантии сохранения оптимального результата в ходе реализации алгоритма в ходе технологического процесса в целом.

Для компенсирования недостатка такого рода предлагается рассмотреть многоальтернативную структуру агента (рис. 3).

Основные принципы многоальтернативности рассмотрены в работе [2]. При такой реализации агента в конкретный момент времени для принятия решения могут быть использованы альтернативные подходы. Механизм управления агента выбирает алгоритм работы в зависимости от текущего состояния производственной системы.

293

331

Управление большими системами. Выпуск XX

Рис. 3. Структура многоальтернативного агента

Актуальной задачей для агентов такого рода является разработка системы правил для выбора алгоритма в зависимости от текущей производственной ситуации. В качестве таких ситуаций в системе ОУ и ТК производства могут выступать смена режима объекта управления с ручного на автоматический и необходимость корректировки исполняемого расписания в реальном времени.

Рассматривая структуру МАС ОУ и ТК, целесообразно рассмотреть многоальтернативные реализации агентов-исполнителей

иагента-оптимизатора.

Впроцессе решения задачи мониторинга состояния производственных агрегатов агентами-исполнителями предлагается рассмотреть две альтернативные методики в зависимости от режима управления этими объектами. В случае автоматического характера управления предлагается рассматривать агрегативный подход Бусленко [4], а в случае ручного или полуавтоматического – нечеткую логическую модель [5].

Для составления реализуемого расписания агентом-опти- мизатором целесообразно использовать иммунный алгоритм клональной селекции [3]. Но при его корректировке стоит рассмотреть альтернативные варианты. Перспективным инструментом для решения такой задачи представляется адаптация фрактальных вычислений, например фрактала Кантора.

294

332

Информационные технологии в управлении техническими системами и технологическими процессами

4. Заключение

Такой подход к реализации системы ОУ и ТК позволит повысить качество составления производственных расписаний, эффективно выявлять нарушения в ходе реализации производственной программы, определять источник нарушения и реализовать корректировку расписания, что в итоге позволит сократить производственные издержки.

Литература

1.БОДЯНСКИЙ Е.В., КУЧЕРЕНКО В.Е., КУЧЕРЕНКО Е.И.

Гибридные нейро-фаззи-модели и мультиагентные техно-

логии в сложных системах. – Днепропетровск: Системные технологии, 2008. – 357 с.

2.ПОДВАЛЬНЫЙ С.Л. Многоальтернативные системы: об-

зор и классификация // Системы управления и информаци-

онные технологии. – 2012. – Т. 48, № 2. – С. 4–13.

3.ЦУКАНОВ М.А., БОЕВА Л.М. Построение контактного графика сложноструктурированного дискретно-непрерыв- ного производства с использованием иммунного алгоритма //

Вестн. Воронеж. гос. техн. ун-та. – 2012. – Т. 8, №4. – С. 66–70.

4.ЦУКАНОВ М.А., БОЕВА Л.М. Сталеплавильное производство как агрегативная система // Управление большими системами: тр. VI школы-семинара молодых ученых. – 2009. – С. 5311–136.

5.ЦУКАНОВ М.А. Нечеткая модель как основа технологической координации производства // Теория активных систем:

материалымеждунар. науч.-практ. конф. – 2014. – С. 187–188.

295

333

Управление большими системами. Выпуск XX

USING OF THE MULTI-ALTERNATIVE PRINCIPLE IN MULTIAGENT SYSTEMS

Tsukanov Mikhail, Oskol Institute of Technology branch of the “National University of Science and Technology “MISiS”, Stary Oskol, Cand.Sc., Senior Lecturer (tsukanov_m_a@mail.ru).

Abstract: The article deals with the technological coordination and operational control problem of a complex-structured discretecontinuous manufacture system. Algorithms for solving individual subtasks within the framework of a multi-agent system are considered, the principle of which is based on the technological coordination and operational control task decomposition. There is a need to use the multialternativeity principle to improve the decision-making efficiency on issues of operational control and technological coordination.

Keywords: operational control, technological coordination, multialternativeity, multi-agent systems.

296

334

Информационные технологии в управлении техническими системами и технологическими процессами

УДК 681.51 + 622.73 ББК 32.966

О ВОЗМОЖНОСТИ РАЗРАБОТКИ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ШАРОВОЙ МЕЛЬНИЦЫ

Еременко Ю.И.1, Полещенко Д.А.2, Цыганков Ю.А. 3, Боровинских М.Д.4

(Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ «МИСиС», Старый Оскол)

В данной работе разработана математическая модель шаровой мельницы. Актуальность работы обусловлена отсутствием универсального механизма контроля состояния агрегата. Наиболее перспективным направлением является построение модели, которая позволит учесть многофакторный характер объекта и нелинейность взаимосвязи переменных, характеризующих процесс помола. Все это обеспечит возможность построения системы управления на основе измеряемых в данный момент технологических показателей. Для реализации данного подхода был использован регрессионный анализ с применением полиномов различного типа. Также были проведены исследования по применению аппарата нейронных сетей для решения данной задачи.

Ключевые слова: шаровая мельница, математическая модель, регрессионный анализ, нейронная сеть, MatLab.

1 Юрий Иванович Еременко, доктор технических наук, профессор

(erem49@mail.ru).

2Дмитрий Александрович Полещенко, кандидат технических наук,

доцент (po-dima@yandex.ru).

3Юрий Александрович Цыганков, аспирант (TsY-18@yandex.ru).

4Максим Дмитриевич Боровинских, студент (bruh1100@gmail.com).

297

335

Управление большими системами. Выпуск XX

1.Введение

Внастоящее время на горно-добывающих предприятиях крайне актуален вопрос энергоэффективности работы промышленных объектов, причем особое внимание уделяется тем агрегатам, которые имеют значительные показатели энергопотребления ввиду высокой мощности. К объектам подобного типа относится и шаровая мельница, осуществляющая помол руды на стадии измельчения в замкнутом цикле с двухспиральным классификатором [1]. Мельница перерабатывает весь поток измельчаемого материала, при этом на процесс помола расходуется более 50 % энергии, потребляемой обогатительной фабрикой. А ввиду широкого использования мельниц в различных областях промышленности около 3–4 % всей мировой электроэнергии расходуется на стадиях измельчения [9].

Учитывая названные причины, можно сказать, что задача разработки системы, позволяющей осуществлять управление шаровой мельницей в наиболее энергоэффективном режиме при соблюдении качества выходного продукта, достаточно актуальна для предприятий.

2.Разработка модели шаровой мельницы

Основной проблемой при попытках разработки подобной системы является необходимость построения математической модели мельницы. Данный процесс затруднен многопараметрическим характером объекта, выражающимся во влиянии нескольких входных воздействий на выходной параметр, а также во взаимной корреляции входных воздействий [3, 4]. Поэтому необходимо разработать модель мельницы, которая позволит осуществлять управление объектом с учетом переменных, учитывать изменение состояния объекта и на основе имеющихся данных прогнозировать изменение значения выхода при различных характеристиках входного материала [6, 7].

2.1.РЕГРЕСИОННЫЙ АНАЛИЗ

Внастоящее время существует ряд методов построения математических моделей технологических объектов. Наиболее

298

336

Информационные технологии в управлении техническими системами и технологическими процессами

распространенным методом разработки моделей на основе данных его промышленной эксплуатации является регрессионный анализ (РА), позволяющий аппроксимировать график технологического процесса при помощи определенной функциональной зависимости [8]. В качестве данных нами использовались сведения о существующей системе автоматизации предприятия. Изначально данные предварительно были отфильтрованы и подвергнуты нормировке для исключения ошибочных результатов измерений.

Для реализации в MatLab нами была разработана математическая модель по схеме, представленной на рис. 1, где в качестве выходного сигнала использовались значения тока спирали классификатора как косвенный параметр состояния объекта, на который ориентируется оператор мельницы. В качестве входов были выбраны значения объема подаваемой руды, объемы подачи воды в мельницу и бутару мельницы [5].

Рис. 1. Схема математической модели шаровой мельницы

Для выбора функции регрессии нами были проведены опыты, в которых использовались линейная, квадратичная функции и степенные зависимости до 5-го порядка включительно, экспоненциальная и дробная функции. Качество моделирования оценивалось на основе таких численных показателей, как функционал МНК и коэффициентов корреляции реального и моделируемого графиков тока.

Наилучший результат был получен при использовании полинома Колмогорова–Габора, используемого при описании нелинейных объектов [2]. Общий вид полинома представлен в формуле.

299

337

Управление большими системами. Выпуск XX

где Y – значение выходного параметра объекта; x [1..n] – входные воздействия; n – количество входных параметров; bijk – коэффициенты полинома.

После получения коэффициентов регрессии была реализована модель в MatLab, окончательный вид которой представлен на рис. 2. С целью придания динамических свойств модели в каналы входных переменных были добавлены апериодические звенья. Идентификация параметров звеньев была произведена также на основе имеющихся данных.

Рис. 2. Математическая модель шаровой мельницы, реализованная в среде MatLab

Стоит оговориться, что для нахождения коэффициентов регрессии использовалась выборка объемом 4500 точек, а для тестирования модели на ее вход подавалась выборка данных объемом 500 точек. После проведения симуляции работы модели на основе полинома Колмогорова–Габора были получены графики работы данной модели, представленные на рис. 3, где жирной линией обозначен реальный график тока, а пунктиром – выходной сигнал модели.

Из графика работы модели видно, что, несмотря на повторение общего характера, модельный график тока не дает достаточной точности при работе на тестовой выборке.

300

338

Информационные технологии в управлении техническими системами и технологическими процессами

Рис. 3. Результат работы модели на основе полинома Колмогорова–Габора

2.2. НЕЙРОННЫЕ СЕТИ

После проведения экспериментов на основе регрессионного анализа и получения результатов не слишком высокой точности было принято решение о разработке математической модели шаровой мельницы с использованием аппарата нейронных сетей (НС), которые, обладая способностью выявлять скрытые и аппроксимировать нелинейные зависимости за счет нелинейных функций активации в слоях, предположительно должны повысить качество моделирования.

Для моделирования использовались многослойные сети прямого распространения сигнала. Типовая структура, адаптированная для решения данной задачи, представлена на рис. 4.

С целью выявления архитектуры нейронной сети, которая позволит получить наиболее качественный результат, были проведены эксперименты с изменением количества нейронов в слоях, использованы различные функций активации. Первоначально положительный результат был получен при использовании НС с двумя скрытыми слоями с 60 и 30 нейронами соответственно. После достижения высоких показателей качества при обучении на вход нейронной сети была подана тестовая выборка. В результате выход модели повторял сигнал тока, однако имели место колебания, снижающие качество моделирования.

301

339

Управление большими системами. Выпуск XX

Рис. 4. Типовая архитектура многослойной нейронной сети

Поэтому было принято решение об усложнении структуры НС. Опыты с НС с тремя скрытыми слоями показали, что наиболее качественный результат получается при использовании структуры с 55, 50 и 45 нейронами соответственно и функциями активации – гиперболический тангенс, сигмоидная функция во 2-м и 3-м скрытом слое, а также с линейной функцией активации в выходном слое. Результат работы данной НС на тестовой выборке представлен на рис. 5. Здесь и далее реальный график тока показанжирнойлинией, авыходнойсигналмодели– пунктирной.

Рис. 5. График работы нейронной сети с тремя скрытыми слоями

302

340