Перспективы методов регулирования в инженерных системах

Полный текст

ВВЕДЕНИЕ

В настоящее время сложно представить работу инженерных систем без хорошо изученных и отработанных устройств регулирования технологических параметров. Широкая популярность регуляторов объясняется необходимостью поддержания каких-либо целевых параметров системы в установленном диапазоне для обеспечения ее нормального функционирования.

С каждым годом сложность и стоимость разрабатываемых инженерных систем существенно возрастает. Российскими учеными ведутся активные исследования конструкционных материалов, поиск методов автоматизации и оптимизации технологических процессов в таких проектах как ITER (International Thermonuclear Experimental Reactor), NICA (Nuclotron based Ion Collider fAcility) [1] и др. Например, в процессе анализа потенциального объема получаемых экспериментальных данных и требований к быстродействию регулирования технологических параметров при работе многоцелевого детектора MPD (Multi-Purpose Detector) в составе комплекса NICA становится очевидным, что существующие подходы к регулированию и обработке данных не способны на должном уровне выполнять поставленную задачу, поскольку речь идет о детектировании десятков и сотен миллионов событий в течение нескольких секунд.

Эффективная работа подобных систем регулирования должна быть обеспечена в условиях целого ряда внешних воздействий в том числе тех, о существовании которых может быть неизвестно ранее, или влияние которых задано неявно. При этом классический подход к регулированию целевых параметров видится малопригодным в силу его большой инерционности по отношению к самой системе, и возникает необходимость поиска новой стратегии регулирования. Настоящая статья посвящена анализу опыта, наработанного исследователями и инженерами за более чем 120 лет, и рассмотрению путей и возможностей его интеграции с прогрессивными информационными технологиями.

АНАЛИЗ РАЗВИТИЯ МЕТОДОВ РЕГУЛИРОВАНИЯ

Выделяют два основных принципа регулирования: (a) по отклонению регулируемого параметра (ошибке регулирования) и (b) по изменению возмущающего воздействия. Принципиальные схемы систем с регуляторами соответствующих типов представлены на рис. 1.

 

Рис. 1. Структурные схемы регуляторов, построенных на принципах по отклонению (а) и по возмущению (b). Обозначения на схеме: R – регулятор, OR – объект регулирования, D – датчик, Xs – уставка целевого параметра, XOR – целевой параметр регулирования, XD – показания датчика, ex – ошибка регулирования, F – внешнее воздействие, G – управляющее воздействие.

Fig. 1. Structural diagrams of regulators based on the principles of deviation (а) and perturbation (b). Designations: R – controller, OR – control object, D – sensor, Xs – target parameter setting, XOR – control target parameter, XD – sensor readings, ex – control error, F – external influence, and G – control action.

 

Устройства, реализующие соответствующие методы, называются – регулятор Ползунова-Уатта (a) и регулятор Понселя (b). Каждый метод регулирования имеет как достоинства, так и недостатки. Ключевым отличием является принципиальная неустойчивость систем, построенных на основе регулирования по отклонению. Однако, ввиду более приемлемых эксплуатационных характеристик и относительной простоте определения отклонения целевого параметра от заданного значения метод регулирования по отклонению реализован в более чем 90% инженерных систем [2, 3].

Следует отметить, что впервые принцип действия регулятора по отклонению был описан в 1910 г. [4], а в 1942 г. разработан метод его настройки [5]. Основная мотивация исследователей к развитию устройств регулирования заключалась в улучшении эффективности их работы, которая, в широком смысле, заключается в снижении времени достижения заданного значения целевого параметра с наименьшей ошибкой.

Достижение высокой эффективности снижает время переходных процессов, повышает прогнозируемость параметров системы, а самое важное – существенно экономит материальные и финансовые ресурсы в случае своевременного и точного реагирования на события, которые потенциально могут привести к разрушению элементов системы или гибели людей.

Основной трудностью в развитии методов регулирования являлась необходимость разработки механических устройств, обладающих возможностью гибкой настройки параметров, которые способны выполнять математические операции: интегрирование, дифференцирования, умножение и сложение. Все регуляторы до 1980 г. были реализованы исключительно на механическом принципе действия. Интенсивное развитие авиации способствовало активному исследованию механизмов, используемых в регуляторах.

Действия механизмов в составе регуляторов имеют исключительно аналоговую природу, т.е. формирование управляющего воздействия происходит непрерывно без дискретизации по времени. После адаптации методов регулирования на вычислительные устройства математические операторы были реализованы программными методами. Фактически, аналоговый подход к регулированию был подвергнут дискретизации по времени с шагом, пропорциональным тактовому генератору вычислительного устройства, на котором реализуется работа регулятора.

В настоящее время, механические регуляторы относятся к консервативному типу и используются в составе дублирующих систем особо ответственных агрегатов. В работе [6] описаны механические аналоги звеньев ПИД-регулятора (Пропорциональный-интегральный-дифференциальный), разработанные с учётом современного уровня развития техники, конструктивных материалов и информационных технологий (3D-моделирование и печать, аддитивные технологии, CFD (Computational fluid dynamics) расчёты и пр.).

В 1950–1970 гг. наблюдалось существенное усложнение инженерных систем в промышленности. Возникла необходимость в совершенствование методов регулирования. Основная проблема, которую не удавалось решить, заключалась в увеличении быстродействия регулятора не только в номинальном режиме работы системы, но и в переходных процессах. В 1965 г. был предложен ПИД-регулятор с нечёткой логикой [7]. Принципиальная схема регулятора представлена на рис. 2.

 

Рис. 2. Структурная схема регулятора с нечеткой логикой. Обозначения на схеме: OR – объект регулирования, D – датчик, БП – база правил, >Ф – фаззификатор, Ф> – дефаззификатор, Л – логический вывод, X_s – уставка целевого параметра, X_OR – целевой параметр регулирования, X_D – показания датчика, e_x – ошибка регулирования, Ф – фаза регулирования, F – внешнее воздействие, G – управляющее воздействие.

Рис. 2. Структурная схема регулятора с нечеткой логикой. Обозначения на схеме: OR – объект регулирования, D – датчик, БП – база правил, >Ф – фаззификатор, Ф> – дефаззификатор, Л – логический вывод, X_s – уставка целевого параметра, X_OR – целевой параметр регулирования, X_D – показания датчика, e_x – ошибка регулирования, Ф – фаза регулирования, F – внешнее воздействие, G – управляющее воздействие.

 

В зависимости от качественной оценки величин ошибки регулирования («слабо», «средне», «сильно») и скорости изменения ошибки динамически подстраиваются коэффициенты при соответствующих звеньях регулятора. Так для тройной градации оценок указанных ранее величин используется девять различных наборов коэффициентов, которые обеспечивают лучшую эффективность регулирования на отличных от номинального режимах работы.

Регуляторы с нечеткой логикой хорошо описаны в литературе [7-9], однако глобального распространения они не получили.

Следующим витком в развитии систем регулирования стало внедрение достижений информационных технологий – нейронных сетей. Нейронные сети относятся к методам машинного обучения и по сути являются теоретически идеальным аппроксиматором. Как бы ни была сложна зависимость целевого параметра регулирования от возмущающих факторов, нейронная сеть способна предсказать последующее состояние системы как для совокупного влияния воздействий, так и для каждого конкретного воздействия по отдельности.

В настоящее время, широкое практическое применение нейронных сетей в инженерных системах ограничено отсутствием инструментов для разметки и хранения экспериментальных и эксплуатационных данных.

Концепция применения нейронных сетей в регуляторах была предложена в 1943 г. Мак-Каллоком и Питтсом. Ввиду отсутствия доступных вычислительных ресурсов для автоматизации расчёта весов в нейронных сетях методами линейной алгебры и удобного формата хранения данных для их быстрого ввода в процесс обучения сети, развитие нейронносетевых технологий в этом направлении было отложено.

Нейронносетевые технологии используются для динамической подстройки коэффициентов ПИД-регулятора последние 20 лет [10]. Активное внимание к этой технологии было обращено в период 1990–1995 гг., когда на базе института NIST (National Institute of Standards and Technology) были созданы первые нейронные сети для распознавания текста с фотографий [11]. Принципиальная схема такого регулятора представлена на рис. 3.

 

Рис. 3. Структурная схема ПИД–регулятора с нейронной сетью для подстройки коэффициентов. Обозначения на схеме: R – регулятор, OR – объект регулирования, D – датчик, NW – нейронная сеть, X_s – уставка целевого параметра, X_OR – целевой параметр регулирования, X_D – показания датчика, e_x – ошибка регулирования, F – внешнее воздействие, G – управляющее воздействие, K, T_i, T_d – соответствующие коэффициенты ПИД–регулятора.

Fig. 3. Structural diagram of a PID controller with a neural network for adjusting the coefficients. Designations in the diagram: R – controller, OR – control object, D – sensor, NW – neural network, X_s – target parameter setting, X_OR – target control parameter, X_D – sensor readings, e_x – control error, F – external influence, G – control action, K, T_i, T_d – the corresponding coefficients of the PID controller.

 

Работа нейронной сети в режиме предсказания происходит с определенной задержкой. В течении которой регулятор работает с коэффициентами, полученными сетью на предыдущем этапе. Данные для обучения таких нейронных сетей размечаются экспертами, хорошо понимающими специфику объекта регулирования.

У рассматриваемого регулятора явно прослеживается дискретизация по времени, вызванная ожиданием результатов работы нейронной сети и природой самого контроллера. Если нейронная сеть работает в том же вычислительном потоке, где происходит формирование управляющего воздействия, то в момент ожидания новых коэффициентов регулирование не осуществляется вообще. Это накладывает определённые требования к устройству и программным методам, обеспечивающим работу такого регулятора.

Регуляторы с нейронными сетями для динамической подстройки коэффициентов не получили широкого распространения. Это связано с принципиальной нецелесообразностью обеспечения глубокой интеграции аналогового принципа регулирования и дискретных цифровых методов.

С учётом опыта развития регуляторов и колоссального прироста производительности вычислительных устройств, который за последние 30 лет составил 5 порядков и сохраняет эту динамику [12, 13], следует приступить к исследованию принципиально нового метода регулирования на базе нейронных сетевых аппроксиматоров и контроллеров.

ПЕРСПЕКТИВНЫЙ НЕЙРОННОСЕТЕВОЙ ДИСКРЕТНЫЙ РЕГУЛЯТОР

Нейронносетевой дискретный регулятор на основании данных о состоянии системы в момент получения входного вектора значений показаний должен предсказать ее вероятное состояние в следующий момент времени, определить вес каждого исполнительного устройства при формировании стратегии и сформировать саму стратегию регулирования, которая заключается в изменении физических характеристик исполнительных устройств с учетом нового потенциального состояния системы. Принципиальная схема такого регулятора представлена на рис. 4.

 

Рис. 4. Структурная схема дискретного нейронного сетевого регулятора. Обозначения на схеме: OR – объект регулирования, D – датчик, NWA – нейронносетевой аппроксиматор, NWC – нейронносетевой контроллер, X_s – уставка целевого параметра, X_OR – целевой параметр регулирования, e_x – ошибка регулирования, S – стратегия регулирования управляющим воздействием, С – исполнительное устройство, F – внешнее воздействие, G – управляющее воздействие.

Fig. 4. Block diagram of a discrete neural network controller. Designations: OR – control object, D – sensor, NWA – neural network approximator, NWC – neural network controller, X_s – target parameter setting, X_OR – control target parameter, e_x – control error, S – control strategy by control action, С – executive device, F – external action, G – control action.

 

Алгоритм работы такого регулятора заключается в следующем:

• объект регулирования OR находится под постоянным влиянием большого числа возмущающих воздействий $F_i$;
• поддержание значения целевого параметра регулирования обеспечивается исполнительными устройствами $C_i$;
• с помощью измерительных приборов D происходит сбор данных о текущем состоянии системы, формируется входной вектор значений показаний в системе:

$<T_1,T_2\mathrm{...}{T}_i,p_1,p_2\mathrm{...}{p}_i,r_1,r_2\mathrm{...}{r}_i>$, (1)

где: $T_1,T_2\mathrm{...}{T}_i,p_1,p_2\mathrm{...}{p}_i$– температура и давление в соответствующих частях объекта регулирования, соответственно; $r_1,r_2\mathrm{...}{r}_i$– числовое представление событий, фиксируемых в системе.

• рассчитывается текущее значение целевого параметра:

$X_{OR}=f(T_1,T_2\mathrm{...}{T}_i,p_1,p_2\mathrm{...}{p}_i,r_1,r_2\mathrm{...}{r}_i)$; (2)

• рассчитывается ошибка регулирования ;
• вектор-столбец значений показаний в системе и ошибка регулирования подаются на вход в нейронный сетевой аппроксиматор NWA, основная задача которого определить вес влияния исполнительных устройств в формируемой стратегии регулирования, соответствующей следующему наиболее вероятному состоянию системы;
• ошибка регулирования, вектор-столбец значений показаний в системе и веса влияния исполнительных устройств подаются на вход в нейронный сетевой контроллер NWC, который формирует стратегию регулирования S на основании предсказания следующего состояния системы:

$G_i=G_i^0+W_{{}_{C_i}}^T(k+1)\cdot S{\left(Q\right(k+1\left)\right)}_{C_i}$, (3)

где: $k$– момент времени, в который был сформирован входной вектор значений показаний в системе; $G_i^0$– начальное состояние исполнительного устройства $C_i$; $W_C^T\left(k+1\right)$– вектор-столбец весов влияния исполнительного устройства $C_i$в формируемой стратегии регулирования для момента времени $k+1$; $Q(k+1)$– функция интерпретации входного вектора значений показаний в системе в характеристику физического состояния регулируемой системы; $S{\left(Q\right(k+1\left)\right)}_{C_i}$– функция интерпретации характеристики физического состояния регулируемой системы в физическое состояние исполнительного устройства , которая должна принимать значения, удовлетворяющие граничным значениям физического состояния для каждого исполнительного устройства $C_i$.

Полученная стратегия может быть интерпретирована с позиции: (1) степень участия конкретного исполнительного устройства в процессе регулирования $G_i$, (2) количественная оценка воздействия, которая преобразуется в конкретное физическое состояние исполнительного устройства $C_i$(частота вращения ротора, положение золотника и пр.).

Поскольку работа нейронной сети происходит с задержкой, целесообразно использовать цифровые измерительные приборы. Такой подход позволит существенно снизить капитальные затраты на оцифровку аналоговых сигналов при их конвертации в преобразователях. Скорость работы регулятора в основном определяется качеством оптимизации архитектуры нейронных сетей и грамотной настройкой гиперпараметров и в меньшей степени скоростью получения данных от цифровых измерительных приборов, которая зависит от точности оцифровки. Основная проблема достижения высокой скорости работы сети в процессе оптимизации – дефицит экспериментальных и эксплуатационных данных, представленных (размеченных) соответствующим образом.

ЗАКЛЮЧЕНИЕ

Благодаря наработанным графическим данным, нейронные сети успешно оптимизированы для классификации объектов на фотографиях, распознавания текста, генерации изображений по текстовому описанию и пр. В частности, это произошло из-за глубокой заинтересованности крупнейших производителей графических процессоров и цифровых устройств компаний Nvidia и Samsung, которые осознают перспективные возможности графических ускорителей при параллельных вычислениях линейных операций в нейронных сетях [14-16].

Развитие нейронных сетей и машинного обучения в Российской Федерации происходит с 2012-2014 гг., когда вышеуказанные компании стали активно привлекать ученых, инженеров и специалистов из информационных технологий к работе над перспективными проектами. На сегодняшний день достигнут высокий уровень теоретической проработки нейронных сетей, работы проводятся исключительно над практической ориентацией разработанных инструментов, и, в контексте конкретной задачи, осуществляется поиск более глубоких аспектов в плане оптимизации работы сетей. Нерешенной во многих областях применения остается задача накопления и структуризация обучающих данных.

Предлагаемый вариант дискретного регулятора на базе двух нейронных сетей имеет ряд преимуществ:

• существенно более высокая скорость регулирования, поскольку стратегия формируется с учётом наиболее вероятного состояния системы в следующий момент времени;
• исключается проблема неустойчивости регулирования;
• снижение капитальных затрат на оцифровку аналоговых сигналов с измерительных приборов за счёт возможности использования цифровых приборов;
• динамическая настройка дискретизации формирования стратегии регулирования с учётом необходимой точности получения данных с цифровых приборов;
• возможность глубокого изучения принципов и причин изменения состояния объекта регулирования, выявления процессов, которые ранее оставались вне наблюдения.

С другой стороны, следует отметить недостатки:

• построение качественной архитектуры нейронной сети для аппроксиматора и контроллера – сложнейшая оптимизационная задача [17];
• обучение нейронной сети требует разработки и внедрения инструментов для разметки и хранения экспериментальных и эксплуатационных данных до ввода регулятора в состав системы.

К особенностям дискретного регулятора можно отнести тот факт, что контроль качества обучения нейронных сетей и настройка гиперпараметров может быть осуществлена специалистом с соответствующими знаниями об объекте регулирования и специфике работы с нейронными сетями.

Описание особенностей и принципов работы нейронных сетей в данной статье опущено умышленно. Методы построения нейронных сетей в настоящее время хорошо изучены и реализованы с использованием различных языков программирования (см., например, [18-20]). Основная цель, которая ставится авторами настоящего исследования, – показать готовность информационных технологий и соответствие уровня располагаемых вычислительных мощностей к разработке принципиально нового дискретного нейронного сетевого метода регулирования.

Первый шаг на пути активного развития и внедрения нейронных сетей в процесс регулирования – разработка и использование программно-аппаратных инструментов для разметки и хранения экспериментальных и эксплуатационных данных. При этом хорошо отработанный и изученный метод аналогового регулирования не следует отправлять на «свалку истории», но и прибегать к чрезмерному консерватизму в широком спектре инженерных задач сегодня нет необходимости.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Вклад авторов. В.М. Мамедов — обзор литературы, сбор и анализ литературных источников, написание текста статьи; И.А. Архаров — формулировка темы и названий разделов, редактирование статьи. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией).

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с проведенным исследованием и публикацией настоящей статьи.

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования и подготовке публикации.

ADDITIONAL INFORMATION

Authors’ contribution. V.M. Mamedov — literature review, collection, and analysis of literary sources, writing the text of the article; I.A. Arkharov —topic and section title wording, editing the article. All authors contributed substantially to the work’s conception, acquisition, analysis, and interpretation of data, drafting and revising the work, and final approval of the version to be published, and agree to be held accountable for all aspects of the work.

Competing interests. The authors declare that they have no competing interests.

Funding source. This study was not supported by any external sources of funding.

Об авторах

Владислав Марсельевич Мамедов

Московский государственный технический университет им. Н.Э. Баумана

Автор, ответственный за переписку.
Email: mamedov-vm@bk.ru
ORCID iD: 0009-0004-8780-7401
SPIN-код: 4095-0195

аспирант, ассистент

Россия, Москва

Иван Алексеевич Архаров

Московский государственный технический университет им. Н.Э. Баумана

Email: arkharov@bmstu.ru
ORCID iD: 0000-0002-1624-171X
SPIN-код: 9674-4585

д.т.н., профессор

Россия, Москва

Список литературы

Дополнительные файлы