Научно-практическая статья
УДК 65.011.56; 621.224
DOI: 10.55326/22278400_2023_2_2
Аннотация. Технические параметры функционирования гидроагрегата как элемента замкнутой системы управления (СУ) изменяются с течением времени из-за изменения действующего напора, износа оборудования, загрязнения магистралей подачи воды, помех и других внешних возмущений, поэтому автоматическая настройка и адаптация являются наиболее актуальными задачами при построении регуляторов, используемых в СУ. Обоснована модель и представлен пилотный вариант нейросетевого автоматического настройщика регулятора гидротурбины, позволяющего повысить точность регулирования ее параметров в условиях изменяющихся параметров объекта управления. Для проведения испытаний математическая модель П-регулятора с нейросетевым настройщиком была реализована в среде динамического моделирования и встроена в модель замкнутой системы «турбина — нагрузка», после чего были произведены ее испытания при работе на нагрузку. Показатели работы сравнивались в моменты снижения нагрузки. Все снижения нагрузки производились ступенчато. Максимальное снижение — от 100% до нагрузки холостого хода, минимальное — от 100% до 75%. В результате применения нейросетевого настройщика П-регулятора удается достичь небольшого снижения величины угонной скорости генератора при снижениях нагрузки.
Ключевые слова: автоматизация, система регулирования гидротурбины, нейронная сеть, математическое моделирование
Для цитирования: Армер А. И., Волков Д. Р., Бахтияров Р. А., Киселев С. К., Шарова С. В. Нейросетевой автоматический настройщик регулятора гидротурбины // Гидротехника. 2023. № 2. С. 2–6.
Список источников:
1. Vrančić D., Petrovčič J., Peng Y., Hanus R. A New Tuning Method for PID Controllers // IFAC Proceedings Volumes. 1997. Volume 30. Issue 27. Pр. 399–404.
2. Волков Ю. С., Мирошниченко В. Л., Салиенко А. Е. Математическое моделирование универсальной характеристики поворотно-лопастной гидротурбины // Машинное обучение и анализ данных. 2014. Т. 1 (10). С. 1439–1450.
3. Жмудь В. А., Терешкин Д. О., Прыткова О. В. Адаптивные системы автоматического управления // Cб. науч. трудов НГТУ. 2011. № 1 (63). C. 23–40.
4. Guang-Bin Huang, Qin-Yu Zhu, Chee-Kheong Siew Extreme learning machine: Theory and applications // Neurocomputing. 2006. Volume 70, Issues 1–3. Pр. 489–501.
5. Yazdizadeh А., Mehrafrooz A., Jouzdani J. and Barzamini R. Adaptive Neuro-PID Controller Design with Application to Nonlinear Water Level in NEKA Power Plant // Journal of Applied Sciences. 2009. Volume 9, Issue 19. Pр. 3513–3521.
6. Терехов В. А. и др. Нейросетевые системы управления. СПб: Издательство С.‑Петербургского ун-та, 1999. 265 с.
7. Liu X. J., LaraRosano F., Chan C. W. Model-reference adaptive control based on neurofuzzy networks // IEEE Transactions on Systems, Man аnd Cybernetics Part C: Applications And Reviews. 2004. V. 34, n. 3. Pр. 302–309.
8. Глущенко А. И. Нейросетевая адаптивная настройка регуляторов для управления нестационарными технологическими объектами в металлургии // Дисс. на соиск. уч. ст. доктора технических наук. Старый Оскол, 2020. 304 с.
9. Fidan Ş., Cebeci M., Gündoğdu A. Extreme Learning Machine Based Control of Grid Side Inverter for Wind Turbines // Tehnički vjesnik [Internet]. 2019. № 26 (5). Pр. 1492–1498.
10. Rojas R. Neural Networks: A Systematic Introduction. Berlin: Springer, 1996. 453 р.