Нейро-нечеткий алгоритм адаптации регулятора системы управления теплогенерацией котла-утилизатора тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Лысенко Дмитрий Сергеевич
Лысенко Дмитрий Сергеевич
кандидат наук
2025
- Специальность ВАК РФ00.00.00
- Количество страниц 145
Оглавление диссертации кандидат наук Лысенко Дмитрий Сергеевич
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1 ПРОБЛЕМЫ МОДЕЛИРОВАНИЯ И УПРАВЛЕНИЯ ТЕПЛОГЕНЕРАЦИЕЙ КОТЛА-УТИЛИЗАТОРА
1.1 Постановка задачи исследования
1.1.1 Эффективность эксплуатации ПИД-регуляторов
1.1.2 Объект управления
1.1.3 Экономический эффект от модернизации системы управления теплогенерацией котла-утилизатора
1.1.4 Модель объекта управления
1.2 Современное состояние вопроса
1.2.1 Математические модели теплообменных аппаратов
1.2.2 Анализ методов идентификации приближённой модели объекта
1.2.3 Анализ методик оптимизации ПИД-регуляторов
1.2.4 Повышение эффективности ПИД-регуляторов с помощью аппарата нечёткой логики и нейронных сетей
1.3 Выводы по первой главе
2 ДИНАМИЧЕСКАЯ МОДЕЛЬ КОТЛА-УТИЛИЗАТОРА НА БАЗЕ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ
2.1 Исследование пространственно-распределенной модели котла-утилизатора
2.2 Динамическая модель котла-утилизатора на базе рекуррентной нейронной сети
2.3 Выводы по второй главе
3 СИСТЕМА УПРАВЛЕНИЯ ТЕПЛОГЕНЕРАЦИЕЙ КОТЛА-УТИЛИЗАТОРА
3.1 Постановка задачи разработки системы управления теплогенерацией котла-утилизатора
3.2 Система управления теплогенерацией котла-утилизатора
3.3 Алгоритм расчёта параметров нейро-нечёткой адаптации системы управления теплогенерацией котла-утилизатора
3.4 Выводы по третьей главе
4 АВТОМАТИЗАЦИЯ РАСЧЁТА КОЭФФИЦИЕНТОВ ПИД-РЕГУЛЯТОРА НЕЧЁТКОГО КОНТРОЛЛЕРА АДАПТАЦИИ
4.1 Постановка задачи автоматизации расчёта коэффициентов ПИД-регулятора
4.2 Алгоритм автоматического расчёта коэффициентов ПИД-регулятора
4.3 Реализация алгоритма автоматического расчета коэффициентов ПИД-регулятора на промышленном контроллере
4.4 Выводы по четвертой главе 101 ЗАКЛЮЧЕНИЕ 103 СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 105 ПРИЛОЖЕНИЕ А 133 ПРИЛОЖЕНИЕ Б 136 ПРИЛОЖЕНИЕ В
ВВЕДЕНИЕ
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Повышение эффективности судового водотрубного котла-утилизатора на основе моделирования тепловых и газодинамических процессов2015 год, кандидат наук Пискулин, Владислав Георгиевич
Совершенствование конструкции вакуумного котла на основе разработки эффективных поверхностей теплообмена2019 год, кандидат наук Слободина Екатерина Николаевна
Разработка технологии ступенчатого подогрева конденсата в котлах-утилизаторах для парогазовых энергоблоков2017 год, кандидат наук Хуторненко Сергей Николаевич
Алгоритмизация счисления пути судна на основе нейросетевых технологий2020 год, доктор наук Дерябин Виктор Владимирович
Система энергосберегающего автоматического управления процессом сжигания топлива в котельных установках2022 год, кандидат наук Васильев Михаил Иванович
Введение диссертации (часть автореферата) на тему «Нейро-нечеткий алгоритм адаптации регулятора системы управления теплогенерацией котла-утилизатора»
Актуальность темы исследования
В 2024 году на тепловых электростанциях было выработано 65,2% всей электроэнергии России [1]. При производстве электрической энергии тепловыми электростанциями, около 60% энергии топлива являются невосполнимыми тепловыми потерями [2,3]. В то же время энергетическая стратегия России на период до 2035 года предполагает переход к более эффективной энергетике [4]. Основу современной теплоэнергетики составляют котлоагрегаты различного типа и назначения [5]. Эффективность работы теплоэнергетических установок зависит от их оснащения современными системами управления [6].
Как объект моделирования и управления, котлоагрегат представляет собой многомерную термодинамическую систему с нелинейными характеристиками [7,8]. Большинство существующих систем управления котлоагрегатов построены на базе линейных ПИД-регуляторов [9-15]. ПИД-регуляторы получили распространение благодаря простоте проектирования и ясности функционирования.
Нелинейные характеристики объекта, без перенастройки коэффициентов ПИД-регулятора, приводят к ухудшению качества управления, что выражается в снижении энергоэффективности и преждевременном износе установки [9,16].
Настройка коэффициентов ПИД-регулятора может быть выполнена как специалистом, так и алгоритмом автоматической настройки. На практике, перенастройка коэффициентов регулятора силами специалиста представляется трудоёмким и не всегда эффективным решением [17].
Производители средств автоматизации ведут постоянную работу по повышению эффективности ПИД-регулирования. Алгоритмы адаптации ПИД-регулятора включены в продукты компаний ABB, Siemens, Schneider Electric, Omron [18-22]. В связи с чем повышение эффективности ПИД-регулятора представляет интерес не только с научной стороны, но и имеет потенциал для практической реализации в контроллерах и SCADA-системах.
Нейронные сети и аппарат нечёткой логики применимы в задачах: моделирования, идентификации и управления теплообменными установками.
Созданию нейро-нечётких моделей теплообменных установок посвящены работы [23-26]. Идентификация приближенных моделей теплообменных установок частотными методами с применением нейронных сетей описана в исследованиях [27-30]. Синтез супервизоров и нейро-нечётких ПИД-регуляторов теплообменных установок описан в работах [16, 31-41].
Степень разработанности тем исследования
Применению нейронных сетей и аппарата нечёткой логики в задачах моделирования и управления посвящены работы И.М. Макарова, В.М. Лохина, М.П. Романова, Ю.И. Ерёменко, А.И. Глущенко, М.В. Буракова, С. Омату, А.Г. Трофимова. Вопросам управления процессами теплопередачи на базе теории управления системами с распределёнными параметрами посвящены исследования А.Г. Бутковского, Э.Я. Рапопорта, М.Ю. Лившица, И.М. Першина, В.А. Коваля. Задачи создания и исследования теплогидравлических моделей теплоэнергетического оборудования рассматриваются в работах Ф.Ф. Пащенко, Г.А. Филиппова, Г.А. Пикиной. Идентификация технологических объектов экспериментальными методами освещены в исследованиях В.Я. Ротача, А.Г. Александрова, К. Острёма, Д. Гропа, А. Дейча. Основополагающие методы настройки коэффициентов ПИД-регулятора приводятся в работах А.М. Шубладзе, Е.Г. Дудникова, Ю.Н. Вишняковой.
Многие вопросы, связанные с моделированием и управлением теплообменными аппаратами на базе нейронных сетей и нечёткой логики, остаются открытыми. В работах А.Г. Трофимова [24-26] на базе нейронных сетей были разработаны модели объектов с распределёнными параметрами. Автор приводит подробные данные по выбору архитектуры обучению нейронных сетей. Однако, в сферу рассматриваемых автором вопросов не вошла апробация полученных нейросетевых моделей на данных эксплуатации реальной технологической установки в разных диапазонах изменения технологических параметров.
Ю.И. Ерёменко и А.И. Глущенко [16, 39-41] предложили нейронную сеть для настройки ПИ-регулятора в основе которой лежит принцип настройки по продукционной модели. Продукционная модель позволила учесть специфику
объекта, однако для её создания требуется эксперт, обладающий знанием о технологическом процессе.
Работы А.Г. Шумихина [27-30] посвящены идентификации приближенных моделей на базе нейронных сетей. Автором предложено использовать многомерную нейросетевую модель установки охлаждения кубового остатка для получения частотных характеристик и приближенных моделей. Технологический процесс в установке охлаждения кубового остатка отличается от процессов, протекающих в котлоагрегатах.
Проведённый обзор источников свидетельствует о необходимости дальнейшего развития направлений, связанных с применением аппарата нейронных сетей и нечёткой логики в задачах моделирования и управления теплообменными установками.
Исследование должно фокусироваться на разработке нейросетевых моделей теплообменных установок и алгоритмов адаптации ПИД-регуляторов систем управления котлоагрегатами. Наиболее актуальными являются задачи создания нейросетевых моделей на основе данных, собранных в процессе эксплуатации реальной технологической установки; создания универсальных алгоритмов адаптации ПИД-регуляторов.
Цель диссертационного исследования: снижение расхода газа тепловой электростанции за счёт повышения точности поддержания заданных режимов теплогенерации котла-утилизатора в условиях нелинейности и нестационарности объекта управления.
Основные задачи диссертационного исследования
Для достижения цели диссертационного исследования поставлены и последовательно решены следующие задачи:
1) разработка многомерной динамической модели котла-утилизатора, учитывающей изменение основных технологических параметров процесса теплогенерации;
2) создание и обучение нейросетевой модели котла-утилизатора, на базе
рекуррентной NARX-сети;
3) разработка методики структурно-параметрической идентификации приближенных моделей котла-утилизатора;
4) разработка алгоритма адаптации коэффициентов ПИД-регулятора на базе нечёткой логики;
5) автоматизация процедуры расчёта коэффициентов ПИД-регулятора с помощью нейронных сетей;
6) разработка на основе предложенных методик комплекса моделей в пакете MATLAB Simulink и апробация системы управления теплогенерацией котла-утилизатора.
Объект исследования: процесс теплогенерации котла-утилизатора водогрейного с нелинейными и нестационарными характеристиками.
Предмет исследования: алгоритмы управления и вопросы их адаптации к изменениям режима теплогенерации установки.
Научная новизна полученных результатов
1) На базе рекуррентных нейронных сетей разработана многомерная динамическая модель котла-утилизатора, которая, в отличие от известных позволяет воспроизводить процессы теплообмена в условиях изменения нелинейных и нестационарных характеристик и режимов работы котла-утилизатора с повышенной точностью, что подтверждено на данных, полученных в процессе эксплуатации реальной установки. (п.8)
2) Разработаны методики идентификации приближённой модели по частотным и переходным характеристикам, которые, в отличие от известных включают процедуру идентификации структуры приближенной модели, что позволяет определить изначально не заданную типовую структуру идентифицируемой аналитической модели объекта, с применением нейросетевых технологий моделирования. (п.8)
3) На базе нечёткой логики разработан алгоритм адаптации ПИД-регулятора, который, в отличие от известных позволяет на основе аналитического расчёта найти коэффициенты регулятора, оптимальные по заданному критерию качества в
зависимости от режима работы технологической установки. (п.6)
4) Разработана базирующаяся на предлагаемых методиках структурно-параметрической идентификации приближенной модели объекта система управления процессом теплогенерации котла-утилизатора с нейро-нечетким алгоритмом адаптации ПИД-регулятора, которая обеспечивает большую по сравнению с известными структурами точность стабилизации заданного температурного режима технологической установки. (п.3)
Теоретическая и практическая значимость работы
Теоретическая значимость работы заключается в разработке многомерной динамической модели котла-утилизатора, методик структурно-параметрической идентификации и алгоритма адаптации коэффициентов ПИД-регулятора.
Практическая значимость работы заключается в применении разработанных моделей, методик и алгоритмов инженерными организациями, направление деятельности которых является проектирование и наладка систем управления котлоагрегатов.
Методы исследований
Результаты диссертационного исследования основываются на методах и средствах теории автоматического управления, структурной теории и спектрального метода анализа распределённых систем, теории искусственных нейронных сетей, теории нечёткой логики.
Положения, выносимые на защиту
1) Многомерная динамическая нейросетевая модель процесса теплогенерации котла-утилизатора.
2) Методика пассивной структурно-параметрической идентификации приближенной модели котла-утилизатора по частотным характеристикам нейросетевой модели.
3) Методика активной структурно-параметрической идентификации приближенной модели объекта по его переходным характеристикам.
4) Нечеткий алгоритм адаптации ПИД-регулятора системы управления
процессом теплогенерации котла-утилизатора.
5) Система управления процессом теплогенерации котла-утилизатора с нейро-нечетким алгоритмом адаптации ПИД-регулятора.
Соответствие паспорту специальности
Диссертационное исследование соответствует научной специальности 2.3.3 Автоматизация и управление технологическими процессами и производствами по следующим пунктам:
п.3. Методология, научные основы, средства и технологии построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т. д.
п.6. Научные основы и методы построения интеллектуальных систем управления технологическими процессами и производствами.
п.8. Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления и их цифровых двойников.
Степень достоверности и апробация результатов
Результаты диссертационной работы внедрены на предприятии ООО «Энергостандарт» при разработке систем управления котлоагрегатов, а также внедрены в учебный процесс кафедры «Автоматика и управление в технических системах» ФГБОУ ВО «СамГТУ» при подготовке бакалавров и магистров по направлению «Управление в технических системах».
Результаты диссертационного исследования и его основные положения были озвучены на семи международных и пяти всероссийских научных конференциях: XXI Международная научная конференция «Проблемы управления и моделирования в сложных системах» (сентябрь, 2019 г.); Международная научно-техническая конференция «Автоматизация» (сентябрь, 2020 г., сентябрь, 2022 г.); Международная научно-техническая конференция «Пром-Инжиниринг» (май, 2021 г., май, 2022 г.); XII международная научная конференция «Приоритетные
направления инновационной деятельности в промышленности» (декабрь, 2021 г.); VII Международная научно-техническая конференция «Проблемы и перспективы развития энергетики, электротехники и энергоэффективности» (ноябрь, 2023 г.). XI Всероссийская научная конференция с международным участием «Математическое моделирование и краевые задачи» (май, 2019, г.). XII Всероссийская научно-техническая конференция «Информационные технологии в электротехнике и электроэнергетике» (июнь, 2020 г., июнь 2022 г.); XIV Всероссийская научная конференция молодых учёных «Наука. Технологии. Инновации» (декабрь 2020 г.); XIV Всероссийская научно-техническая конференция «Динамика нелинейных дискретных электротехнических систем» (июнь 2021 г.).
Публикации
По результатам диссертационного исследования опубликовано 17 научных работ в том числе, 5 публикаций в рецензируемых журналах, входящих в список ВАК РФ и 12 публикаций, индексируемых в прочих базах цитирования.
Личный вклад автора
В работах [42-46] опубликованных в соавторстве, автору принадлежат динамическая модель котла-утилизатора, методики структурно-параметрической идентификации и алгоритмы настройки коэффициентов ПИД-регулятора. Работы [47-56] написаны единолично.
Структура диссертации
Диссертация состоит из введения, четырех глав, заключения, списка литературы, состоящего из 237 наименований, включает 145 страниц текста, 36 рисунков, 19 таблиц, 3 приложения.
Краткий обзор глав
Во введении обоснована актуальность темы диссертационного исследования, сформулированы цели и задачи исследования, научная новизна и практическая ценность предложенных алгоритмов и методик.
В первой главе сформулирована необходимость создания системы управления котлом-утилизатором, обеспечивающей более высокую точность
поддержания заданных режимов работы в условиях нелинейности и нестационарности объекта управления. Показано, что повышение точности регулирования позволит повысить экономичность работы тепловой станции, в состав которой входит котёл-утилизатор.
Выполнен обзор современного состояния проблемы моделирования и управления теплообменными установками: анализ традиционных подходов к разработке математических моделей теплообменных установок; анализ методик идентификации приближенной модели; оценка применимости методик для идентификации теплообменных аппаратов; анализ методик оптимизации коэффициентов ПИД-регулятора и их применимости в системах управления теплообменных установок. Проведён анализ исследований отечественных и зарубежных авторов, посвященных решению задач моделирования и управления теплообменными установками.
В качестве теоретической базы диссертационного исследования выбраны методы идентификации по частотным характеристикам и переходным функциям, аппарат нейронных сетей и нечёткой логики. Данные инструменты позволяют создать систему управления, обеспечивающую требуемую точность стабилизации заданного температурного режима теплообменной установки.
Вторая глава. Исследована пространственно-распределённая модель котла-утилизатора, обоснована необходимость разработки алгоритма адаптации коэффициентов ПИД-регулятора, разработана нейросетевая модель, учитывающая изменение основных технологических параметров в разных режимах работы установки. Нейросетевая модель описывает изменение температуры сетевой воды на выходе из котла в режиме разгона, номинальной нагрузки и останова газотурбинной установки (ГТУ). Созданная модель учитывает изменение расхода сетевой воды, изменение температуры воды на входе, рост и уменьшение температуры и давления отработанного газа на входе котла-утилизатора. Для создания динамической модели котла-утилизатора использовалась нелинейная авторегрессионная нейронная сеть с внешним входом (КАКХ). При формировании обучающих и тестовых выборок использовались архивные тренды, полученные в
процессе эксплуатации реальной установки. При апробации нейросетевая модель котла-утилизатора показала высокую точность, ошибки моделирования не превысили заранее определённые значения.
Третья глава посвящена разработке системы управления теплогенерацией котла-утилизатора, состоящей из последовательных этапов: идентификация структуры и параметров приближенных моделей для каждого режима работы котла, расчёт коэффициентов ПИД-регулятора для каждого режима, создание нечёткого алгоритма адаптации. Идентификация приближённых моделей осуществлена по данным частотных характеристик нейросетевой модели. На основе приближённых моделей рассчитаны оптимальные коэффициенты ПИД-регулятора. Нечёткий алгоритм адаптации ПИД-регулятора использует наборы оптимальных коэффициентов регулятора для разных режимов функционирования котла-утилизатора. В основе алгоритма лежит применение нечёткой модели определения режима функционирования котла и выбора оптимальных коэффициентов ПИД-регулятора.
Четвертая глава посвящена автоматизации процедуры расчёта коэффициентов ПИД-регулятора базы правил нечёткого алгоритма адаптации. Одним из этапов разработки нечёткого алгоритма адаптации является расчёт коэффициентов ПИД-регулятора, проводимый экспертом. В условиях нестационарности объекта управления нейронные сети используются для расчёта оптимальных коэффициентов ПИД-регулятора и для определения параметров приближённых моделей по переходной функции котла-утилизатора. После выбора наилучшей приближённой модели объекта управления, нейронные сети рассчитывают коэффициенты ПИД-регулятора. Рассчитанные коэффициенты регулятора передаются в базу правил нечёткого алгоритма адаптации.
1 ПРОБЛЕМЫ МОДЕЛИРОВАНИЯ И УПРАВЛЕНИЯ ТЕПЛОГЕНЕРАЦИЕЙ
КОТЛА-УТИЛИЗАТОРА
1.1 Постановка задачи исследования
1.1.1 Эффективность эксплуатации ПИД-регуляторов
Задача создания систем автоматического управления сложными технологическими объектами не имеет однозначного решения. Традиционный подход предполагает разработку адекватной математической модели, формирование критериев оптимальности, синтез системы автоматического управления в соответствии с выбранными критериями, решение вопросов реализации полученных алгоритмов, проверку их работоспособности с помощью компьютерных моделей, внедрение и опытную эксплуатацию. Результатом синтеза системы автоматического управления во многих случаях является уникальный алгоритм, принцип действия и область применимости которого «непрозрачны» для эксплуатирующего персонала. Как результат - отказ от применения сложных оптимальных алгоритмов в пользу «понятных», хотя и неоптимальных классических ПИД-регуляторов.
Ситуацию может исправить применение адаптивных алгоритмов в ПИД-регуляторах. ПИД-регулятор оснащается дополнительной надстройкой в виде алгоритма адаптации коэффициентов в зависимости от текущего режима функционирования объекта [31, 37-41, 57-60]. Применение подобного подхода многократно опробовано и доказало свою эффективность [61-69]. Одним из основных вопросов применения этого подхода является разработка алгоритма адаптации коэффициентов. Наиболее очевидным является способ, при котором алгоритм адаптации основывается на точной математической модели. При всех своих достоинствах такой способ обладает рядом недостатков:
1) математическая модель объекта управления должна обладать высокой степенью адекватности. Такое требование приводит к существенным затратам на разработку математической модели;
2) математическая модель должна учитывать возможность параметрических
возмущений. Это приводит, во-первых, к ещё большему усложнению модели, а, во-вторых, к необходимости измерять параметрические возмущения в процессе функционирования объекта и системы, что труднореализуемо.
В диссертационном исследовании используется методика, основанная на процедуре идентификации приближённой модели объекта управления. Приближённая модель используется непосредственно в окрестностях текущего режима функционирования объекта. Таким образом, вместо одной точной и сложной модели используется несколько приближённых моделей, переключение между которыми происходит одновременно с изменением режима функционирования объекта. При этом структура приближённой модели в каждом из режимов определяется как наиболее подходящая из набора шаблонов, для которых существует возможность эффективного использования ПИД закона регулирования.
В рамках применения методики решены следующие задачи:
1) идентификация приближённых моделей объекта управления в различных режимах функционирования;
2) определение оптимальных коэффициентов ПИД-регулятора в зависимости от режима функционирования;
3) реализация адаптивного алгоритма определения коэффициентов ПИД-регулятора.
1.1.2 Объект управления
В качестве объекта управления выступает котел-утилизатор водогрейный КУВ-24-114 производства ОАО «Энергомаш» (г. Белгород, РФ), предназначенный для нагрева сетевой воды за счёт утилизации энергии отработанного газа, поступающего от газотурбинной установки ГТЭС-16ПА производства «Авиадвигатель» (г.Пермь, РФ).
Котёл-утилизатор представляет собой теплообменный аппарат с перекрёстными потоками агентов. Отработанный газ, поступающий от газотурбинной установки (ГТУ), проходит через основной газоход, омывает поверхности нагрева теплообменника в трубах которого циркулирует вода. Сетевая
вода поступает в теплообменник котла через входной коллектор. Остывая, горячий газ отдает свою энергию и нагревает трубы теплообменника. Остывший газ направляется через дымовую трубу. Проходя по трубам поверхности нагрева, сетевая вода нагревается и через выходной коллектор поступает через трубопровод к потребителю. Котлы данного типа предназначены для подогрева сетевой воды, до заданной температуры [70-72]. Функциональная схема котла-утилизатора водогрейного КУВ-24-114 приводится на рис. 1.1.
Рис. 1.1 - Функциональная схема котла-утилизатора водогрейного КУВ-24-114 1 - газотурбинная установка (ГТУ); 2 - основной газоход подачи отработанного газа; 3 -обводной газоход подачи отработанного газа (байпас); 4 - теплообменник котла-утилизатора; 5 -трубопровод подачи сетевой воды в теплообменник котла; 6 - трубопровод подачи сетевой воды к потребителю; Т1 - датчик температуры отработанного газа на входе в котёл; Д1 - датчик давления отработанного газа на входе в котёл; К1 - клапан основного газохода; К2 - клапан обводного газохода; Т2 - датчик температуры газа на выходе из котла; Д2 - датчик давления газа на выходе из котла; Т3 - датчик температуры сетевой воды на входе в котёл; Д3 - датчик давления сетевой воды на входе в котёл; Т4 - датчик температуры сетевой воды на выходе из котла; Д4 - датчик давления сетевой воды на выходе из котла; Р1 - датчик расхода сетевой воды
Котёл-утилизатор работает в структуре Зауральской ТЭЦ (г. Сибай). Основную тепловую нагрузку на Зауральской ТЭЦ в отопительный период несут два водогрейных газовых котла (КВГ) типа Е-50-1,4-250ГМ, которые были реконструированы в водогрейный режим [73] и котёл-утилизатор водогрейный (КУВ). Производительность котлов (КВГ) - 144 ГДж/час каждый.
Производительность котла-утилизатора - 84 ГДж/час. Водогрейные котлы и котёл-утилизатор включены параллельно и обеспечивают подачу теплоносителя заданной температуры при постоянном расходе на потребителя. На рис. 1.2 приводится тепловая схема совместной работы газовых водогрейных котлов и котла-утилизатора.
Рис. 1.2 - Тепловая схема ГТУ - газотурбинная установка; ГДК - газодожимной компрессор; КВГ - котёл водогрейный газовый; КУВ - котёл-утилизатор водогрейный
Существуют два варианта реализации схемы совместного управления группой газовых водогрейных котлов и котлом-утилизатором (рис. 1.3, рис. 1.4).
Рис. 1.3 - Схема стабилизации температуры после смешения
Рис. 1.4 - Схема стабилизации температуры после каждого котла
Первая схема (рис. 1.3) предполагает регулирование температуры воды на выходе из котельного цеха за счёт изменения расхода газа на группу газовых водогрейных котлов. Расход воды через поверхности нагрева котлов определяется потребителем. При высоком общем расходе воды заданная температура на выходе котельной поддерживается за счёт «перегрева» воды газовыми водогрейными котлами. Такой способ может привести к выходу газовых водогрейных котлов на технологические ограничения по максимальной температуре.
Вторая схема (рис. 1.4) предполагает, что температура воды регулируется как на выходе водогрейных котлов, так и на выходе котла-утилизатора. При выходе на ограничение по расходу воды через газовые водогрейные котлы, осуществляется включение дополнительного котла из группы. Поэтому, в качестве управляемой величины рассматривается температура воды на выходе котла-утилизатора. В качестве управляющего воздействия выступает расход сетевой воды через котёл. На станции, где функционирует котёл-утилизатор, управление осуществляется по второй схеме.
1.1.3 Экономический эффект от модернизации системы управления теплогенерацией котла-утилизатора
Организация отвода тепла от сетевых подогревателей тепловой электростанции для теплоснабжения внешних потребителей наиболее экономичным образом является одной из главных задач теплоэнергетики. Существуют требования по параметрам сетевой воды [74]: отклонение от заданного значения по температуре воды за головными задвижками узла подачи теплоносителя должно быть не более +3 °С.
Отпуск тепла потребителю определяется температурным графиком [75], который определяет температуру подачи воды в теплосеть и температуру воды, поступающей из теплосети в зависимости от температуры наружного воздуха (рис 1.5).
160
40-1-1-1-1-
10 5 0 -5 -10 -15 -20 -25 -30 -35
Температура наружного воздуха, °С
Рис. 1.5 - Зависимость температуры воды подачи и возврата от температуры наружного воздуха
Номинальный расход насосов теплосети г. Сибай составляет 1150 т/час [76]. С учётом температурного графика (рис. 1.5) и номинального расхода произведена оценка теплопотребления г. Сибай (рис. 1.6).
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Разработка мультипроцессной системы адаптивного управления электрическими печами сопротивления2012 год, кандидат технических наук Смирнов, Максим Александрович
Разработка системы управления электроприводом дымососа водогрейного котла2013 год, кандидат наук Сапожников, Сергей Сергеевич
Способы и алгоритмы эффективной оценки переменных состояния и параметров асинхронных двигателей регулируемых электроприводов2016 год, кандидат наук Глазырин, Александр Савельевич
Методы управления угловой стабилизацией беспилотного летательного аппарата2024 год, кандидат наук Хтет Сое Паинг
Нейросетевые модели систем автоматического регулирования промышленных объектов2003 год, кандидат технических наук Широков, Роман Викторович
Список литературы диссертационного исследования кандидат наук Лысенко Дмитрий Сергеевич, 2025 год
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Сайт АО «Системный оператор Eдиной энергетической системы»: информация о функционировании ЕЭС России в 2024 году. — URL: https://www.so-ups.ru/functioning/tech-disc/tech-disc2025/tech-disc2025ups/ (Дата обращения 17.04.2025).
2. Смил В. Энергия и цивилизация / Вацлав Смил; [перевод с английского Д. Л. Казакова]. — Москва: Эксмо, 2020. — 480 с. — (Большая наука).
3. Хуторненко С. Н. Разработка технологии ступенчатого подогрева конденсата в котлах-утилизаторах для парогазовых энергоблоков: диссертация на соискание учёной степени кандидата технических наук: 05.14.14 / С. Н. Хуторненко; Алтайский государственный технический университет им. И. И. Ползунова. -Барнаул, 2017. - 143 с.
4. Министерство энергетики Российской Федерации: энергетическая стратегия Российской Федерации на период до 2035 года. — URL: https://minenergo.gov.ru/node/1026 (Дата обращения 09.02.22).
5. Орлов, М. Е. Повышение эффективности ТЭЦ и подключённых к ним городских теплофикационных систем за счёт структурно-технологической модернизации: диссертация на соискание учёной степени доктора технических наук: 05.14.14 / М. Е. Орлов; Ульяновский государственный технический университет. - Ульяновск, 2017. - 337 с.
6. Марков В.А., Шатров В.И. Системы автоматического управления и регулирования теплоэнергетических установок и тенденции их совершенствования // Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение. — 2016. — №5. — С. 96-116.
7. Лузин П.А., Дунаев М.П. Динамическая модель котельного агрегата с пылеугольной топкой // Вестник Иркутского государственного технического университета. — 2017. — Т. 21. — №1. — С. 113-119.
8. Хапусов В.Г., Подкорытов А.А., Ермаков А.А. Моделирование котельного агрегата по каналу «температура уходящих газов в поворотной камере топочного устройства — расход дымовых газов» // Вестник Иркутского государственного
технического университета. — 2019. — Т. 23. — №4. — С. 797-804. — DOI: 10.21285/1814-3520-2019-4-797-804.
9. Кулаков Г.Т., Горелышева М.Л. Исследование влияния качества регулирования температуры перегретого пара на срок службы металла пароперегревателя котлов // Известия высших учебных заведений и энергетических объединений СНГ — Энергетика: научно-технический и производственный журнал. — 2009. — №4. — С. 62-69.
10. Царегородцев Е.Л., Сибильникова Н.П., Гольцев И.Ю. К вопросу моделирования и анализа системы управления водонагревателя, работающего на газе // Инновации и инвестиции. — 2020. — №4. — С. 190-194.
11. Пьявченко Т.А., Карась В.М. Расчёт параметров настройки регуляторов для сложных объектов с транспортным запаздыванием // Известия ЮФУ Технические науки. — 2010. — Т.102. — №1. — С. 41-47.
12. Куцый Н.Н., Лукьянов Н.Д. Синтез системы управления многосвязным объектом с помощью генетического алгоритма на примере прямоточного котла // Научный вестник НГТУ — 2014. — Т.55. — №2. — С. 36-42.
13. Никольский Д.И., Теличенко Д.А. Применение ПИД-регулятора для управления сложными объектами с запаздыванием // Вестник АмГУ — 2015. — Вып. 71. — С. 91-98.
14. Муравьёва Е.А., Юрасов А.О. Применение нейронных сетей, имитирующих ПИД-регулятор для управления деаэратором // Электротехнические и информационные комплексы и системы. — 2020. — Т. 16. — №2. — С. 59-65.
15. Епихин А.И. Обзор современных способов управления судовых энергетических установок // Вестник ВГАВТ. — 2018. — Вып. 54. — С. 153-157.
16. Глущенко А. И. Нейросетевая адаптивная настройка регуляторов для управления нестационарными технологическими объектами в металлургии: диссертация на соискание учёной степени доктора технических наук: 05.13.06 / А. И. Глущенко; Воронежский государственный технический университет. - Воронеж, 2021. - 304 с.
17. Проблемы создания и эксплуатации эффективных систем регулирования /
Ш.Е. Штейнберг, Л.П Сережин, И.Е. Залуцкий, И.Г. Варламов // Промышленные АСУ и контроллеры. - 2004 - № 7 - С. 1-7.
18. Сайт компании ABB: настройка ПИД-регулятора. — URL: hhttps://new.abb.com/search/results#query=pid°/o20tune (Дата обращения 15.05.22).
19. Сайт компании Eurotherm (подразделение Schneider Electric): настройка ПИД-регулятора: URL: https://www.eurotherm.com/us/auto-tuning-pid-control-in-a-plc/ (Дата обращения 15.05.22).
20. Сайт компании Omron: настройка ПИД-регулятора. — URL: https://www.ia.omron.com/ (Дата обращения 15.05.22).
21. K.H. Ang, G. Chong, Y Li. PID control system analysis, design, and technology. IEEE Trans. Contr. Syst. Tech., vol. 13, no. 4, pp. 559-576, 2005.
22. Li Y, Ang K.H., Chong G.C.Y. Patents, software, and hardware for PID control: an overview and analysis of the current art. IEEE Control Systems Magazine, vol. 26, Issue 1, Feb. 2006, p.42 — 54.
23. Головко Н.А., Логунова О.С. Оценка архитектуры искусственных нейронных сетей для моделирования процессов нагрева стальной полосы на агрегате непрерывного горячего цинкования // Вестник Национального технического университета «Харьковский политехнический институт». Серия: Информатика и моделирование. — 2012. — №62 (968). — С. 33-39.
24. Two neural network models for nuclear engineering applications Two neural network models for nuclear engineering applications / О. A. Mishuhna, V. S. Khantonov, A. G. Trofimov, et al // Optical Memory & Neural Networks (Information Optics) — 2005. —Vol 14, №1. — P 23-44.
25. Мишулина О.А., Трофимов А.Г. Нейросетевое моделирование распределенных процессов энерговыделения в активной зоне реакторной установки // Нейрокомпьютеры: разработка и применение. — 2007. — №29. — С. 5770.
26. Трофимов А. Г. Синтез нейросетевых структур для моделирования управляемых объектов с распределёнными параметрами: автореферат диссертации на соискание учёной степени кандидата технических наук: 05.13.01 / А. Г.
Трофимов; Московский инженерно-физический институт. - Москва, 2008. - 26 с.
27. Шумихин А.Г., Бояршинова А.С. Параметрическая идентификация управляемого объекта в режиме его эксплуатации с применением технологии нейронных сетей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2016. - № 19. - С. 102-110.
28. Шумихин А.Г., Александрова А.С., Мустафин А.И. Параметрическая идентификация технологического объекта в режиме его эксплуатации с применением технологии нейронных сетей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2018. - № 26. - С. 29-41.
29. Шумихин А.Г., Бояршинова А.С. Алгоритм выбора структурных параметров искусственной нейронной сети и объема обучающей выборки при аппроксимации поведения динамического объекта // Компьютерные исследования и моделирование. - 2015. - Т. 7, № 2. - С. 243-251.
30. Работников М.А., Бояршинова А.С., Шумихин А.Г. Автоматизация поиска значений параметров передаточной функции канала передачи по экспериментальной комплексной частотной характеристике // Вестник Пермского национального исследовательского политехнического университета // Химическая технология и биотехнология. - 2017. - № 2. - С. 63-76.
31. Фомин А. В. Адаптивное управление печами отжига металла на основе нейросетевой настройки параметров линейных регуляторов: диссертация на соискание учёной степени кандидата технических наук: 05.13.06 / А. В. Фомин; Московский государственный технический университет. - Москва, 2018. - 172 с.
32. Муравьёва Е. А., Юрасов А. О. Применение нейронных сетей, имитирующих ПИД-регулятор для управления деаэратором // Электротехнические и информационные комплексы и системы. — 2020. — Т. 16, № 2. — С. 59-65.
33. Song Z., Wang Y., Yuan M. The Application of Fuzzy PID Control used in the Control of Car Distance // World Journal of Modelling and Simulation. 2007. Vol. 3. N 2. P. 141-148.
34. Надеждин И.С., Горюнов А.Г., Маненти Ф. Системы управления нестационарным объектом на основе MPC-регулятора и ПИД-регулятора с нечеткой логикой // Управление большими системами. — 2018. — Вып. 75. — С. 50-75.
35. Qiu C., Huang Y. The Design of Fuzzy Adaptive PID Controller of Two-Wheeled Self-Balancing Robot // International Journal of Information and Electronics Engineering. 2015. Vol. 5. N 3. P. 193-197.
36. Бураков М.В., Коновалов А.С. Нечеткий супервизор ПИД-регулятора // Информационно-управляющие системы. — 2018. — №5. — С. 13-21.
37. Об оценке применимости различных структур нейронной сети в реализации нейросетевого оптимизатора параметров ПИ-регулятора для управления тепловыми объектами / Ю. И. Ерёменко, Д. А. Полещенко, А. И. Глущенко, А. В. Фомин // Системы управления и информационные технологии. — 2014. — № 3.2(57). — С. 236-241.
38. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О применении нейросетевого оптимизатора параметров ПИ-регулятора для управления нагревательными печами в различных режимах работы // Управление большими системами. — 2015. — Вып. 56. — С. 143-175.
39.Глущенко А.И. О методе определения скорости обучения нейронной сети для задачи оперативной настройки линейных регуляторов при управлении нелине йными объектами // Управление большими системами. — 2018. — Вып. 72. — С. 52-107.
40. Еременко Ю.И., Глущенко А.И., Фомин А.В. Об оценке эффективности применения нейросетевого настройщика ПИ-регулятора, реализованного средствами Siemens Simatic S7 300/400, при управлении муфельной электронагревательной печью // Промышленные АСУ и контроллеры. - 2017. -№.9. С.47-54.
41. Глущенко А.И. Адаптивный нейросетевой настройщик ПИД-регулятора для управления нагревательными печами // Проблемы управления. — 2019. — №2. — С. 60-69.
42. Данилушкин И.А., Колпащиков С.А., Лысенко Д.С. Динамическая модель водогрейного котла-утилизатора // Вестник Самарского государственного технического университета. Серия: Технические науки. — 2023. — Т. 31. — №2. — С. 31-42.
43. Лысенко Д.С., Данилушкин И.А., Динамическая модель котла-утилизатора на базе рекуррентной нейронной сети // Вестник Самарского государственного технического университета. Сер. Технические науки. - 2020. -Том 28. №2(66). - С. 59-72.
44. D. Lusenko, I. Danilushkin, "Development of a Waste-Heat Boiler Model Based on Recurrent Neural Networks," 2020 International Russian Automation Conference (RusAutoCon), 2020, pp. 560-565.
45. D. Lusenko, I. Danilushkin, "Adaptation Algorithm for the Parameters of the Heat Carrier Temperature Controller of the Waste Heat Boiler Based on Neural Network," 2021 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2021, pp. 536-540.
46. Лысенко Д.С., Данилушкин И.А. Моделирование котла-утилизатора на базе рекуррентной нейронной сети // Информационные технологии в электротехнике и электроэнергетике: материалы XII Всероссийской научно-технической конференции. — Чебоксары: Издательство Чувашского государственного университета имени И.Н. Ульянова, 2020. — С. 142-145.
47. Лысенко Д.С. Интеллектуальная система адаптации типовых законов автоматического регулирования с функцией идентификации структуры и параметров объекта // Вестник Самарского государственного технического университета. Сер. Технические науки. - 2022. - Том 30. №1. - С. 46-61.
48. Лысенко Д.С. Адаптивная система управления температурой сетевой воды на выходе котла-утилизатора // Вестник Самарского государственного технического университета. Сер. Технические науки. - 2022. - Том 30. №4. - С. 3348.
49. Лысенко Д.С. Использование нейронных сетей для идентификации приближенных моделей котлоагрегата, функционирующего в разных режимах // Автоматизация и информатизация ТЭК. - 2024. - № 10 (615). - С. 16-23.
50. D. Lusenko, "Waste Heat Boiler Control System Based on Neural network Technology and Fuzzy Logic," 2022 International Russian Automation Conference (RusAutoCon), 2022, pp. 772-776.
51. D. Lusenko. Intelligent System For Adapting Typical Laws Of Automatic Control Based On Neural Networks. 2022 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2022, pp. 1123-1127.
52. Лысенко Д.С. Разработка модели котла-утилизатора на базе рекуррентной нейронной сети. Фундаментальные проблемы управления производственными процессами в условиях перехода к индустрии 4.0: тезисы докладов научного семинара в рамках международной научно-технической конференции "Автоматизация". - Челябинск: Издательский центр ЮУрГУ, 2020. - С. 202-205.
53. Лысенко Д.С. Нейросетевая адаптация параметров регулятора температуры воды на выходе котла-утилизатора // Наука. Технологии. Инновации: сборник научных трудов в 9 частях. Ч. 2. — Новосибирск: Издательство Новосибирского государственного технического университета, 2020. — С. 189-193.
54. Лысенко Д.С. Алгоритм нейросетевой идентификации параметров и структуры объекта. Приоритетные направления инновационной деятельности в промышленности: сборник научных статей XII международной научной конференции. 30-31 декабря 2021 г. Часть 1- Казань: ООО «Конверт», - 2021. -С.95-97.
55. Лысенко Д.С. Алгоритм адаптации параметров ПИ-регулятора температуры воды на выходе из котла-утилизатора // Динамика нелинейных дискретных электротехнических и электронных систем: материалы 14-й Всерос. науч.-техн. конф. - Чебоксары: Издательство Чувашского государственного университета имени И.Н. Ульянова, 2021. - С. 24-28.
56. Лысенко Д.С. Нейросетевая система проектирования типовых регуляторов// Информационные технологии в электротехнике и электроэнергетике:
материалы XIII Всерос. науч.-техн. конф. Чебоксары: Издательство Чувашского государственного университета имени И.Н. Ульянова, 2022. - С. 18-20.
57. Stuart M., Manic M. Survey of progress in deep neural networks for resource-constrained applications // Proc. IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society.
58. Ignatyev Vladimir & Finaev V.I. The use of hybrid regulator in design of control systems // World Applied Sciences Journal. - 2013. - № 23. - P. 1291-1297.
59. Пегат А. Нечеткое моделирование и управление. - М.: БИНОМ. Лаборатория знаний, 2015. - 798 с.
60. Май, Т. А. Разработка алгоритмов настройки нечётких логических регуляторов на основе исследования их динамических характеристик: автореферат диссертации на соискание ученой степени кандидата технических наук: 05.13.01 / Т. А. Май; Национальный исследовательский университет «МЭИ». — Москва, 2018. — 20 с.
61. Patent 6353766B1 United State. G05B13/042. Inventors: K. Weinzierl. Current Assignee: Siemens AG. Method for generating control parameters from a response signal of a controlled system and system for adaptive setting of a PID controller. 2002.
62. Patent 5297489B2 Japanese. G05B13/027. Inventors: S. Ganesamoorthi, T. L. Blevins, V. Tzovla, W. K. Wojsznis, A. Mehta. Current Assignee: Fisher-Rosemount Systems, Inc. Adaptive predictive model INA process control system. 2004.
63. Patent 6278962B1 United State. G05B19/042. Inventors: C. C. Klimasauskas, J. P. Guiver. Current Assignee: Aspen Technology, Inc. Hybrid linear-neural network process control. 2001.
64. Патент 2644843C1 Российская Федерация, МПК G05B 13/00. Автоматический нейросетевой настройщик параметров ПИ-регулятора для управления нагревательными объектами / Еременко Ю. И., Глущенко А. И., Полещенко Д. А., Фомин А. В., Петров В. А.; патентообладатель Федеральное государственное автономное образовательное учреждение высшего "Национальный исследовательский технологический университет "МИСиС» - № 2016147344; заявл. 02.12.2016; опубл. 14.02.2018, Бюл. № 5.
65. Патент 2579987C2 Российская Федерация, МПК G05B 11/00, G05B 13/02, G06F 15/18. Адаптивный интеллектуальный логический регулятор, работающий в условиях нечётко заданной информации / Сагдатуллин А. М.; патентообладатель Государственное бюджетное образовательное учреждение высшего профессионального образования "Альметьевский государственный нефтяной институт" - № 2014121436/08; заявл. 27.05.2014; опубл. 10.04.2016, Бюл. № 10.
66. Патент 2653938С2 Российская Федерация, МПК G05B 13/00, F02D 19/00. Способ автоматической настройки ПИД-регулятора для управления дизельным двигателем в составе электроагрегатов и электростанций / Хрящев Ю.Е., Епанешников Д. А., Овчинников С. В. патентообладатель Общество с ограниченной ответственностью "Электротехнический завод ЭЛЗА" - № 2016109585; заявл. 17.03.2016; опубл. 21.09.2017, Бюл. № 27.
67. Patent 06647271A China. G05B13/042. Inventors: Song Yongduan, Guo Junxia, Tan Miqian, Jiye Fujin. Current Assignee: Chongqing University. Neural network theory-based non-linear system adaptive proportional integral control method. 2017.
68. Patent 110161841A China. G05B11/42. Inventors: Du Ning, Wu Junqiang, Yi Fan. Current Assignee: High Speed Aerodynamics Research Institute of China Aerodynamics Research and Development Center. A kind of feedforward-fuzzy PID control method suitable for temporarily rushing formula transonic wind tunnel. 2019.
69. Патент 143268U1 Российская Федерация, МПК F22B 35/00. Система автоматического регулирования температуры перегретого пара барабанного котла / Акилов Н. А., Еремин Е. Л., Теличенко Д. А. патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Амурский государственный университет" (ФГБОУ ВПО "АмГУ") - № 2014105397/06; заявл. 13.02.2014; опубл. 20.07.2014, Бюл. № 20.
70. Зыков А. К. Паровые и водогрейные котлы: справочное пособие / А. К. Зыков. - М.: Энергоатомиздат, 1987. - 128 с.
71. Сайт ОАО «Энергомаш»: каталог оборудования. - URL: http://www.energomash.ru/upload/iblock/bd2/boilers.pdf (Дата обращения 26.05.22).
72. Воинов А. П., Куперман Л. Н., Зайцев В. А., Сидельковский, Л. Н. Котлы-утилизаторы и энерготехнологические агрегаты / под ред. Л. Н. Сидельковского. -М.: Энергоатомиздат, 1989. - 270 с.
73. Сайт Энциклопедия теплоснабжения: описание Зауральской ТЭЦ. - URL: https: //www.rosteplo .ru/w/Зауральская ТЭЦ (Дата обращения 10.01.23).
74. Правила технической эксплуатации электрических станций и сетей Российской Федерации: утв. приказом Минэнерго России от 19.06.2003 №2 229 (ред. от 13.02.2019) // Зарегистрировано в Минюсте России 20.06.2003 № 4799.
75. Сайт Совета городского округа Салават: схема теплоснабжения городского округа Салават. - URL: http://www.salavatsovet.ru/wp-content/uploads/2021/06/Схема-теплоснабжения.pdf (Дата обращения 18.03.24).
76. Тимиршин М. Р. Совершенствование тепловой схемы ТЭЦ г. Сибай путем установки ГПА Janbaher, ГТЭС-16ПА, водогрейных котлов Е-50-140: выпускная квалификационная работа / М. Р. Тимиршин; Юж.-Урал. гос. ун-т. - Челябинск: ЮУрГУ, 2016. - 72 с.
77. СНиП 23-02-2003. Тепловая защита зданий. / Госстрой России. - Изд. офиц. - Москва: ФГУП ЦПП, 2004. - 26 с.
78. Сайт Дом.МинЖКХ: площадь жилого фонда г. Сибай. - URL: https://don^.n^ingkh.щ/bashkortostan/sibay/(Дата обращения 05.08.24).
79. Сайт Газпром межрегионгаз Уфа: ценовая политика. - URL: https://www.bashgaz.ru/ (Дата обращения 12.08.24).
80. Автоматизация теплоэнергетических установок: учеб. пособие / Ю. М. Голдобин, Е. Ю. Павлюк. — Екатеринбург: УрФУ, 2017. — 186 с.
81. Мерзликина Е. И. Оптимизация распределения тепловых и электрических нагрузок между энергоблоками ТЭС с учётом неопределённости исходной информации: автореферат диссертации на соискание учёной степени кандидата технических наук: 05.13.06 / Е. И. Мерзликина; Московский энергетический институт (технический университет). - Москва, 2004. - 20 с.
82. Щинников П. А., Ноздренко Г.В., Сафронов А.Ф. Экономия топлива на ТЭС за счет применения согласования энергобалансов // Научный вестник НГТУ. - 2014. - №1(54). - С. 151-158.
83. Теплогидравлические модели оборудования электрических станций / А. Р. Аветисян, А. Ф. Пащенко, Г. А. Филиппов; под общ. ред. Г. А. Филиппова, Ф. Ф. Пащенко. - М.: ФИЗМАТЛИТ, 2013. - 448 с.
84. Плютинский, В. И. Статические и динамические характеристики ядерных энергетических установок: учебное пособие / В. И. Плютинский; Моск. энерг. инт. - М.: МЭИ, 1980. - 82 с.
85. Беляев Г. Б., Сабанин В. Р. Принципы математического моделирования теплоэнергетических объектов: учебное пособие / Г. Б. Беляев, В. Р. Сабанин; под ред. А. А. Бакластова; Моск. энерг. ин-т. - М.: МЭИ, 1986. - 82 с.
86. Протопопов, И. И., Пащенко, Ф. Ф. Компьютерное моделирование биотехнических систем: учебное пособие / И. И. Протопопов, Ф. Ф. Пащенко; Моск. гос. ун-т пищевых производств. - М.: МГУ ПБ, 2003. - Ч. 1. - 124 с.
87. Пащенко Ф. Ф., Пикина Г. А. Основы моделирования энергетических объектов / Ф. Ф. Пащенко, Г. А. Пикина; под ред. Ф. Ф. Пащенко; Грант РФФИ № 12-08-07128. - М.: ФИЗМАТЛИТ, 2011. - 464 с.
88. Пикина Г. А. Математические модели технологических объектов: учебное пособие по курсу «Моделирование систем управления» специальности «Автоматизация технологических процессов и производств», направления подготовки «Теплоэнергетика» / Г. А. Пикина; Московский энергетический институт (технический университет); под ред. А. В. Андрюшина. - М.: Изд. дом МЭИ, 2007. - 299 с.
89. Пикина Г. А. Методологические основы построения аналитических моделей теплоэнергетических процессов: автореферат диссертации на соискание учёной степени доктора технических наук: 05.13.06 / Г. А. Пикина; Московский энергетический институт (технический университет). - Москва, 2007. - 40 с.
90. Жук Т. И. Разработка и анализ распределенных математических моделей тепловых процессов: диссертация на соискание учёной степени кандидата
технических наук: 05.13.06 / Т. И. Жук; Московский энергетический институт (технический университет). - Москва, 2006. - 120 с.
91. Пикина Г.А., Чикунова О.М. Математические модели прямоточного пароперегревателя котла в системе регулирования температуры // Вестник МЭИ, №10, 2001 - С 60-69.
92. Пикина Г. А., Чикунова О. М. Математические модели противоточного конвективного пароперегревателя котла в системе регулирования температуры // Теплоэнергетика. - 2002. - № 8. - С. 25-33.
93. Ле Ван Динь. Разработка моделей с распределёнными параметрами теплового оборудования блоков типа ВВЭР: автореферат диссертации на соискание учёной степени кандидата технических наук: 05.13.06 / Ле Ван Динь; Национальный исследовательский университет «МЭИ». - Москва, 2017. - 20 с.
94. Авдеенко Т. В. Разработка и исследование структурной идентифицируемости моделей в пространстве состояний: автореферат диссертации на соискание учёной степени доктора технических наук: 05.13.18 / Т. В. Авдеенко; Новосибирский государственный технический университет. - Новосибирск, 2003. - 36 с.
95. Методы классической и современной теории автоматического управления: учебник в 3-х т. Т. 1: Синтез регуляторов и теория оптимизации систем автоматического управления / под ред. Н. Д. Егупова; Московский государственный технический университет им. Н. Э. Баумана. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2000. - 736 с.
96.Ордынцев В. М. Математическое описание объектов автоматизации/В.М. Ордынцев. - М.: Машиностроение, 1965. - 360 с.
97. Эйкхофф П., Ванечек А., Савараги Е. Современные методы идентификации систем / П. Эйкхофф, А. Ванечек, Е. Савараги и др.; под ред. П. Эйкхоффа; пер. с англ. под ред. Я. З. Цыпкина. - М.: Мир, 1983. - 400 с.: граф.; 21 см.
98. Семенов А. Д., Артамонов Д. В., Брюхачев А. В. Идентификация объектов управления: учебное пособие / А. Д. Семенов, Д. В. Артамонов, А. В. Брюхачев;
Пензенский государственный университет. - Пенза: Изд-во ПГУ, 2003. - 211 с.: ил. 59, табл. 12, библиогр. 141 назв.
99. Стрижнёв А.Г., Марков А.В., Русакович А.Н. Идентификация объекта управления по переходной характеристике замкнутой системы // Доклады БГУИР-2012. -№5 (67) - с.65-72.
100. Пикина Г.А., Пащенко Ф.Ф. Идентификация переходных характеристик объектов в человеко-машинных системах // Моделирование систем №3 (37) - 2013.
- 53-59.
101. Волков В. В. Моделирование и экспериментальная отработка системы терморегулирования калибровочного источника излучения на базе ПИД-регулятора // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. - 2017. - Т. 16, № 4. - С. 101-107.
102. Панферов В.И., Панферов С.В., Халдин К.С. Параметрическая идентификация модели объекта управления по переходной функции работающей системы автоматического регулирования // Вестник ЮУрГУ Серия «Компьютерные технологии, управление, радиоэлектроника». - 2019. - Т. 19, № 3.
- С. 52-59.
103. Ефимов С.В., Замятин С.В. Структурно-параметрическая идентификация объекта управления на основе характеристик переходного процесса // Известия Томского политехнического университета. - 2010. - Т. 317. - № 5. - С. 107-112.
104. Свитек А. С. Разработка алгоритма идентификации параметров моделей объектов на примере системы управления температурой // Инженерный вестник Дона. - 2021. - № 8.
105. Пьявченко Т.А. Метод идентификации промышленного объекта по его временной и частотной характеристикам // Известия ЮФУ Технические науки. -2010. - № 7 (108). - С. 216-219.
106. Идентификация параметров динамических моделей апериодических объектов / А. М. Шубладзе, А. Д. Модяев, С. В. Федоров, С. И. Кузнецов // Проблемы управления. - 2011. - № 6. - С. 14-20.
107. Кузин П. К., Кулькова Н. С. Определение коэффициентов передаточной функции объекта управления по экспериментальным разгонным характеристикам / Тверской государственный технический университет // Символ науки. - 2020. - С. 325-326.
108. Дышлюк, Е. Н., Котляров Р.В., Пачкин С.Г. Методы структурной и параметрической идентификации объектов управления на примере эмулятора печи ЭП10 // Техника и технология пищевых производств. - 2017. - Т. 47, № 4. - С. 159165.
109. Дилигенская А. Н. Идентификация объектов управления: учебное пособие / А. Н. Дилигенская. - 2-е изд. - Самара: АСИ СамГТУ, 2017. - 140 с.
110. Денисенко В. ПИД-регуляторы: принципы построения и модификации. Ч. 1 / В. Денисенко // Современные технологии автоматизации. - 2007. - № 1. - С. 78-88.
111. Теличенко Д.А., Никольский Д.И. Математические модели для одного класса сложных инерционных объектов с изменяющейся динамикой и запаздыванием // Учёные заметки ТОГУ - 2016. - Т.7, №3. - С. 142-151.
112. Еремин Е. Л., Теличенко Д. А. Адаптивное и робастное управление в теплоэнергетике / Е. Л. Еремин, Д. А. Теличенко; Амурский государственный университет. - Благовещенск: Изд-во АмГУ, 2009. - 226 с.
113. Ерёмин Е.Л., Теличенко Д.А. Автоматизированная система регулирования расхода топлива на ТЭЦ. // Автоматизированные системы и комплексы - 2011. - № 2(28). - С. 157-168.
114. Клюев А. С., Лебедев А. Т., Новиков С. И. Наладка систем автоматического регулирования барабанных паровых котлов / А. С. Клюев, А. Т. Лебедев, С. И. Новиков. - М.: Энергоатомиздат, 1985. - 280 с.
115. Елисеев В. Л. Разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами: диссертация на соискание учёной степени кандидата технических наук: 05.13.01 / В. Л. Елисеев; Национальный исследовательский университет «МЭИ». - Москва, 2012. - 208 с.
116. Pfeiffer B. M. Towards «plug and control»: self-tuning temperature
controller for PLC // International journal of Adaptive Control and Signal Processing. -2000. - No.14. - P.519-532.
117. Сайт компании Omron: контроллеры и регуляторы температуры. - URL: https://assets.omron.eu/downloads/technote/ru/v2/пособие_по_регулированию_темпе ратуры._fact_sheet_m.pdf (Дата обращения 07.07.22).
118. Сайт компании ОВЕН: регуляторы ТРМ 10. - URL: https://insat.ru/products/owen/re_trm10m.pdf (Дата обращения 07.07.22).
119. Моисеева Е.В. Алгоритм идентификации промышленного объекта по его временной и частотной характеристикам для целей обучения на тренажерном стенде // Известия ЮФУ Технические науки. Тематический выпуск: «Методы 1 средства адаптивного управления в электроэнергетике». - 2011. - №2(115). - С.32-38.
120. Пьявченко Т.А., Моисеева Е.В. Математический метод синтеза алгоритма управления с использованием частотных критериев на основе данных натурного эксперимента // Известия ЮФУ. Технические науки. Тематический выпуск: «Перспективные системы и задачи управления». -2011. -№3(116). - С. 93-99.
121. Ливаткин П. А. Конечно-частотная идентификация запаздывания с использованием фазовых сдвигов // Управление большими системами. - 2020. -Вып. 84. - С. 66-88.
122. Александров А. Г., Орлов Ю.Ф., Паленов М.В. Конечно-частотная идентификация объектов с запаздыванием // Автоматика и телемеханика. - 2014. -№ 2. - С. 5-15.
123. Шатов Д. В. Идентификация запаздывания одномерных линейных объектов конечно-частотным методом // Проблемы управления. - 2015. - № 4. - С. 2-8.
124. Александров А. Г., Паленов, М. В. Состояние и перспективы развития адаптивных ПИД-регуляторов // Автоматика и телемеханика. - 2014. - № 2. - С. 1630.
125. Лапин Э.С., Силачев В.В. Способ идентификации объектов управления
// Изв. высш. учеб. заведений. Горный журнал. - 2008. - № 6. - С. 52-56.
126. Солодовников В. В., Дмитриев А. Н., Егупов Н. Д. Спектральные методы расчета и проектирования систем управления / В. В. Солодовников, А. Н. Дмитриев, Н. Д. Егупов. - М.: Машиностроение, 1986. - 440 с.
127. Краснов М. Л. Интегральные уравнения: введение в теорию: учебное пособие для вузов / М. Л. Краснов; Министерство высшего и среднего специального образования СССР. - М.: Наука, Главная редакция физико-математической литературы, 1975. - 303 с.
128. Грачев А. Н., Понятский В.М., Во Конг Ту. Структурная и параметрическая идентификация линейных динамических объектов корреляционными методами // XII Всероссийское совещание по проблемам управления ВСПУ-2014: труды / Институт проблем управления им. В. А. Трапезникова РАН. - М.: ИПУ РАН, 2014. - С. 2926-2935.
129. Корреляционная идентификация линейных динамических объектов с использованием генетического алгоритма / А. Н. Грачев, В. М. Понятский, Аль-Сабул Али Хуссейн Хасан, А. А. Мартынов // Идентификация систем и задачи управления: труды X Международной конференции SICPRO '15 / Институт проблем управления им. В. А. Трапезникова РАН. - М.: ИПУ РАН, 2015. - С. 123134.
130. Льюнг Л. Идентификация систем. Теория для пользователя / Л. Льюнг. -М.: Наука, 1991. - 432 с.
131. Гроп Д. Методы идентификации систем / Д. Гроп. - М.: Мир, 1979. -
304 с.
132. Михлин С. Г., Смолицкий Х. Л. Приближенные методы решения дифференциальных и интегральных уравнений / С. Г. Михлин, Х. Л. Смолицкий. -М.: Наука, 1965. - 384 с.
133. Пакулина А. Н. Практикум по методам вычислений. Часть 2 / А. Н. Пакулина; Санкт-Петербургский государственный университет. - СПб.: СПбГУ, 2019. - 113 с.
134. Типовые линейные модели объектов управления / С. А. Анисимов, И. С.
Зайцева, Н. С. Райбман, А. А. Яралов; под ред. Н. С. Райбмана. - М.: Энергоатомиздат, 1983. - 264 с.
135. Аль-Сабул Али Хуссейн, Грачев А. Н. Быстрый генетический алгоритм для приложений реального времени // Известия Тульского государственного университета. Технические науки. - 2013. - Вып. 2. - Тула: Издательство ТулГУ -С. 71-79.
136. Воевода А. А., Трошина Г. В. Рекуррентный метод оценивания параметров в динамическом объекте // Научный вестник Новосибирского государственного технического университета. - 2016. - № 4 (65). - С. 7-18.
137. Воевода А. А., Трошина Г. В. Реализация итерационного метода наименьших квадратов для оценивания параметров статических объектов в среде МЛТЬАВ // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2017. - № 1. - С. 2836.
138. Воевода А. А., Востриков А. С., Трошина Г. В. Оценивание параметров статических объектов с матричным входом и матричным выходом // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2018. - № 4. - С. 7-15.
139. Круглов С. П. Модификации рекуррентного метода наименьших квадратов с фактором забывания для функциональной устойчивости текущего параметрического оценивания динамических процессов / С. П. Круглов // Информационные технологии и математическое моделирование в управлении сложными системами: электронный научный журнал. - 2019. - № 1. - С. 1-12.
140. Иванов Д.В., Кацюба О.А. Рекуррентная параметрическая идентификация многомерных линейных динамических систем на основе метода нелинейных наименьших квадратов // Вестник Самарского государственного технического университета. Серия Физико-математические науки - 2010. - №4(27). - С. 102-104. 104.
141. Иванов Д.В. О состоятельности оценок параметров многомерных по входу линейных динамических систем при наличии помех во входных и
выходных сигналах методом стохастической аппроксимации // Вестник Херсонского национального технического университета. Вып. 2(31). - Херсон: ХНТУ, 2008. С.221-224.
142. Невельсон М. Б., Хасьминский Р. З. Стохастическая аппроксимация и рекуррентное оценивание / М. Б. Невельсон, Р. З. Хасьминский. - М.: Наука, 1972.
- 304 с.
143. Пискунов А. А. Стохастическая параметрическая идентификация электроприводов: автореферат диссертации на соискание ученой степени кандидата технических наук: 05.09.03 / А.А. Пискунов; Вологодский государственный технический университет. - СПб., 2006. - 18 с.
144. Михалевич С. С. Частотный метод параметрического синтеза ПИД-регулятора для стационарных, интервальных и многосвязных САУ: диссертация на соискание ученой степени кандидата технических наук: 05.13.06 / C.C. Михалевич; Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет». - Томск: НИ ТПУ, 2015. - 149 с.
145. Денисенко Б. ПИД-регуляторы: вопросы реализации. Часть 1 / Б. Денисенко // Современные технологии автоматизации. - 2007. - № 4. - С. 86-97.
146. Парфёнов С. В., Парфёнов Б.И. Об одном решении задачи синтеза автоматических регуляторов в адаптивной системе управления отоплением. Вестник ЮУрГУ - 2012. - № 23. - С. 142-149.
147. Плетнев Г. П. Автоматизация технологических процессов и производств в теплоэнергетике: учебник для студентов вузов / Г. П. Плетнев. - 4-е изд., стереот.
- М.: Издательский дом МЭИ, 2007. - 352 с.
148. Ziegler J.G., Nichlos N.B. Optimum settings for automatic controllers // Trans. ASME. 1942. V. 64. P.759-768.
149. Chien K.L., Hrones J.A., Reswick J.B. On the Automatic Control of Generalized Passive Systems // Transactions of the American Society of Mechanical Engineers. - 1952. - Vol.74. - P.175-185.
150. Сайт компании Master SCADA: настройка ПИД-регулятора. -URL:
https://masterscada.insat.ru/files/documentation/PID-Expert.pdf (Дата обращения 22.07.22).
151. Сайт компании SCADA Trace Mode: настройка ПИД-регулятора. - URL: http: //www.adastra.ru/products/runtime/scada/doc/news/adaptivePID_mtm (Дата обращения 22.07.22).
152. Сайт компании EVCO: настройка ПИД-регулятора. - URL: https://www.evco.it/en/15985-uni-pro-3 (Дата обращения 22.07.22).
153. Ротач В. Я., Вишнякова Ю. Н. Расчет систем регулирования с двумя вспомогательными регулируемыми величинами // Теплоэнергетика. - 2006. - №.2. - с. 40-47.
154. Вишнякова Ю.Н. Оптимизация многоконтурных систем автоматического управления тепловыми процессами методом многомерного сканирования: автореферат диссертации кандидата технических наук: 05.13.06. Москва, 2006 - 16 c.
155. Свидетельство о регистрации программы ДАЯ ЭВ М № 200561041 3 «Расчет систем автоматического управления методом многомерного сканирования» / Вишнякова Ю.Н., Ротач В.Я.
156. Вишнякова Ю. Н. Программный комплекс для расчета промышленных систем автоматического управления // Тезисы докладов 11-й международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика». - М.: МЭИ, 2005. - Т. 3. - С. 180.
157. Ротач В. Я., Вишнякова Ю. Н. Системы управления технологическими процессами с моделью состояния объекта //Теплоэнергетика. - 2005. - №. 10. -С.42-47.
158. Дудников Е. Г. Определение настройки регулятора по динамическим характеристикам регулируемого объекта и регулятора, полученным из опыта / Е. Г. Дудников // Автоматика и телемеханика. - 1953. - Т. 14, № 3. - С. 294-307.
159 Дудников Е. Г. Основы автоматического регулирования тепловых процессов: учебное пособие / Е. Г. Дудников. - М.: Госэнергоиздат, 1956. - 264 с.
160. Дудников Е.Г. Автоматическое управление в химической
промышленности: учебник для вузов по специальности «Автоматизация и комплексная механизация химико-технологических процессов» / Е. Г. Дудников, А. В. Казаков, Ю. Н. Софиева [и др.]; под ред. Е. Г. Дудникова. - М.: Химия, 1987. -367 с.
161. Ротач В. Я. Теория автоматического управления: учебник / В. Я. Ротач. -5-е изд., перераб. и доп. - М.: Издательский дом МЭИ, 2008. - 396 с.
162. Ротач В. Я. Теория автоматического управления теплоэнергетическими процессами: учебник для вузов по специальности «Автоматизация теплоэнергетических процессов» / В. Я. Ротач. - М.: Энергоатомиздат, 1985. - 294 с.
163. Программное определение настроек ПИ-регулятора методом расширенных частотных характеристик // Ю. И. Кудинов, Р.В. Батищев, Е.С. Дуванов, А.А. Понамарёв // Вестник Липецкого государственного технического университета. - 2021. - №3(46). - С. 31-37.
164. Бажанов В. Л. Метод масштабирования-эффективный инструмент для практической настройки регуляторов в замкнутых САР // Приборы и системы. Управление, контроль, диагностика. - 2006. - №. 6. - С. 1-8.
165. Бажанов В. Л., Кузьмин А. В., Кузьмин Н. В. Настройка ПИД-регуляторов с помощью метода масштабирования на объектах управления с запаздыванием и на объектах высокого порядка // Автоматизация в промышленности. - 2009. - №. 2. - С. 15-20.
166. Бажанов В. Л. Функция самонастройки по методу масштабирования для цифровых ПИД регуляторов // Промышленные АСУ и контроллеры. - 2007. - №. 12. - С. 39-42.
167. Александров А. Г. Метод частотных параметров // Автоматика и телемеханика. - 1989. - № 12. - С. 3-15; Autom. Remote Control. - 1989. - Vol. 50, № 12. - P. 1609-1620.
168. Паленов М.В. Частотный адаптивный ПИДД-регулятор // Проблемы управления - 2011. - №1. - С.14-20.
169. Шубладзе А. М., Кузнецов С. И. О возможностях ПИД-управления
типовыми инерционными и колебательными объектами // Автоматика и телемеханика. - 2007. - №. 7. - С. 18-30.
170. Автоматически настраивающиеся адаптивные промышленные регуляторы / А.М Шубладзе, С.В. Гуляев, В.А. Малахов, В.Р Ольшванг, С.И. Кузнецов // Промышленные АСУ и котроллеры. - 2007. - №7 - С. 12-17.
171. Автоматически настраивающийся адаптивный промышленный регулятор (АНАП регулятор) / А. М. Шубладзе, С. В. Гуляев, А. А. Шублазде, В. Р. Ольшванг // Приборы и системы. Управление, контроль, диагностика. - 2005. - № 3. - С. 32-35.
172. Воробьёв В.Ю., Саблина Г.В. Расчёт и оптимизация параметров дискретного ПИД-регулятора методом Циглера-Николса // Автоматика и программная инженерия. - 2019. - №. 1(27). - С. 9-14.
173. Демин И.О., Саблина Г.В. Исследование методов настройки параметров ПИД-регулятора //Автоматика и программная инженерия. - 2020. - №. 1(31). - С. 174-181.
174. Kuhn U. Practice-Oriented Controller Adjustment Rules for PID Controllers: The T-Sum Rule // Automation Engineering Practice. - 1995. - №5. -P.10-16.
175. Игуменов И. В. Метод Нелдера-Мида для настройки регулятора, функционирующего на основе искусственных нейронных сетей: диссертация на соискание ученой степени кандидата технических наук: 05.13.05 / И. В. Игуменов. - Томск, 2020. - 166 с.
176. Богданов А. В. Автоматическое управление котлоагрегатом теплоэлектроцентрали с нечеткой адаптацией коэффициентов ПИД-регуляторов, использующей четкие терм-множества: диссертация на соискание ученой степени кандидата технических наук: 05.13.06 / А. В. Богданов. - Оренбург, 2017 - 200 с.
177. Лохин В.М., Романов М.П. Интеллектуальные системы управления -перспективная платформа для создания техники нового поколения // Вестник Московского государственного технического университета МИРЭА. - 2015. -Номер 1 (2). - С. 1-24.
178. Романов М.П. Высокоточная система управления для сборочных роботов на основе ассоциативной памяти // Вестник Московского государственного технического университета МИРЭА. Сер. Роботизированные комплексы и системы технологии. - 2015. - Вып.3 (8). - С. 60-87.
179. Романов М.П., Киор С.В. Нейросетевая система управления прецизионного мехатронного модуля геостационарного космического аппарата // Вестник Московского государственного технического университета МИРЭА. Сер. Роботизированные комплексы и системы технологии. - 2015. - Вып.3 (8). - С. 88107.
180. Омату С. Нейроуправление и его приложения Кн.2 / Сигеру Омату, МарзухиХалид, Рубия Юсуф. Пер. Н.В. Батина. Под.ред. А.И. Галушкина, В.А. Птичкина - ИПРЖР. 2000 - 272 с. (Нейрокомпьютеры и их применение).
181. Чернодуб А. Н., Дзюба Д. А. Обзор методов нейроуправления // Проблемы программирования. - 2011. - № 2. - С. 79-94.
182. Нейронные сети и нейроконтроллеры: учеб. пособие / М. В. Бураков. -СПб.: ГУАП, 2013. - 284 с.
183. B. Hamed, M. Almobaied. Fuzzy PID Controllers Using FPGA Technique for Real Time DC Motor Speed Control,"Intelligent Control and Automation, Vol. 2 No. 3, 2011, pp. 233-240.
184. Mann G.K.I., Hu B.-G., Gosine R.G. Analysis of direct action fuzzy PID controller structures. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. — 1999. — Vol. 29, No. 3. — pp. 371-388.
185.Бураков М.В., Кирпичников А. П. Нечёткий регулятор для нелинейного объекта // Вестник технологического университета. - 2015. - Т. 18, № 4. - С. 242244.
186. Бураков М. В., Коновалов А. С., Яковец О. Б. Эволюционный синтез нечетких регуляторов // Информационно-управляющие системы. - 2015. - № 6. -С. 28-33.
187. Шмидт И.А., Калинин И.А., Пономарева Н.А. ПИД-подобный нечёткий регулятор в САР расхода жидкости // Вестник ПНИПУ. Электротехника, информационные технологии, системы управления. — 2021 — №38. С.67-89.
188. Burakov M. V., Kurbanov V. G. Neuro-PID Control for Nonlinear Plants with Variable Parameters. ARPN Journal of Engineering and Applied Sciences, 2017, vol. 12, no. 4, pp. 1226-1229
189. Lu W. The PID Controller Based on the Artificial Neural Network and the Differential Evolution Algorithm / W. Lu, J. Yang, X. Liu // Journal of computers. -2012. - Vol. 7. - P. 2368-2375.
190. Елисеев В. Л., Филаретов Г. Ф. Моделирование ПИД-контроллера с помощью искусственной нейронной сети // Перспективные технологии автоматизации. - Вологда, 1999. - С. 108.
191. Елисеев В. Л. Нейросетевой аналог ПИД регулятора при управлении нелинейным объектом // Труды XVI всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях». Рязань: 2011. — С. 199-201.
192. Бураков М.В., Кирпичников А.П. Синтез дискретного нейро-ПИД регулятора // Вестник Казанского технологического университета. — 2014. — Т. 17 (№3). — С.286-288.
193. Система управления мультироторным беспилотным летательным аппаратом на основе гибридного нейрорегулятора / М. Б. Будько, М. Ю. Будько, А. В. Гирик, В. А. Грозов // Научно-технический вестник информационных технологий, механики и оптики. - 2019. - Т. 19, № 2. - С. 209-215.
194. Змеу К.В., Марков H.A., Ноткин Б.С. Прогнозирующее инверсное йейроуправление пневмоприводом в условиях неконтролируемых возмущений // Информатика, и системы управления. — 2011. — №4(30) — С.116-123.
195. P. Sastry, G. Santharam, K. Unnikrishnan. Memory neuron networks for identification and control of dynamical systems. IEEE transactions on neural networks, vol. 5, no. 2, pp. 306-319, 1994.
196. H. D. Patino, D. Liu. Neural network-based model reference adaptive control system. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 30, no. 1, pp. 198-204, Feb. 2000.
197. Кузнецов Б. И., Василец Т. Е., Варфоломеев А.А. Синтез нейроконтроллера с предсказанием для двухмассовой электромеханической системы // Электротехника и электромеханика. - 2008. - Т. 3. - С. 27-32.
198. Камышова Г.Н. Моделирование нейропрогнозирующего управления дождевальными машинами // Природообустройство. - 2021. - № 1. - С. 14-22.
199. Белов М.П., Носиров И.С., Белов А.М. Исследование системы стабилизации мощности и усилия резания токарного станка с использованием нейронных сетей // СПБГЭТУ ЛЭТИ — 2019 — №4. — С.40-47.
200. Patent 6353766B1 United State. G05B13/042. Inventors: K. Weinzierl. Current Assignee: Siemens AG. Method for generating control parameters from a response signal of a controlled system and system for adaptive setting of a PID controller. 2002.
201. Рапопорт Э. Я. Анализ и синтез систем автоматического управления с распределенными параметрами: учебное пособие / Э. Я. Рапопорт. - М.: Высшая школа, 2005. - 292 с.
202. Бутковский А. Г. Структурная теория распределенных систем / А. Г. Бутковский. - М.: Наука, 1977. - 320 с.
203. Данилушкин И. А. Численно-аналитическая модель теплообмена для потока с переменной скоростью // Проблемы управления и моделирования в сложных системах: труды XXI Международной конференции в 2-х томах / под ред. С. А. Никитова, Д. Е. Быкова, С. Ю. Боровика, Ю. Э. Плешивцевой. - Самара: ООО «Офорт», 2019. - Т. 1. - С. 262-265.
204. Данилушкин И. А., Россеев Н. Н. Синтез системы автоматического управления температурным полем трубчатого теплообменника // Вестник Самарского государственного технического университета. Серия «Технические науки». - 2006. - Выпуск 40. - С. 5-11.
205. Гусева М.А., Данилушкин И.А. Применение пространственной аппроксимации распределенных сигналов при моделировании теплообменных аппаратов// Вестник Самарского государственного технического университета. Серия «Технические науки». -2010 - Выпуск №7(28) - С. 151-157.
206. Данилушкин А.И., Данилушкин И.А. Численно-аналитическая модель транспортировки газа по линейному участку газопровода // Известия Томского политехнического университета - 2015. - Т. 326. - № 12. - С. 96-103.
207. Дудников Е.Е. Универсальные программные пакеты для моделирования систем с распределенными параметрами // Автоматика и телемеханика, №1.2009.- С. 3-24.
208. Данилушкин И.А., Кавкаев К.В. Моделирование температурного поля потока с переменной скоростью в SIMULINK // Вестник Самарского государственного технического университета. Серия «Технические науки». Выпуск №1(53) -2017: Самара: СамГТУ, 2017. С. 174-178.
209. Коваль В. А. Спектральный метод анализа и синтеза распределенных систем: учебное пособие / В. А. Коваль. - Саратов: Издательство СГТУ, 2010. - 145 с.
210. Danilushkin I. State-Space Model of Spatially Distributed Flow Heating with Time-Varying Parameters. 2023 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), Sochi, Russian Federation, 2023, pp. 993997.
211. Сайт компании SolidWorks. - URL: https://help.solidworks.com/2012/Russian/solidworks/cworks/Convection Heat Coeffi cient.htm (Дата обращения 12.10.22).
212. Горбунов В.А. Использование нейросетевых технологий для повышения энергетической эффективности теплотехнологических установок / ФГБОУВПО «Ивановский государственный энергетический университет имени В.И. Ленина». - Иваново, 2011.- 476 с.
213. Трыков Е.Л., Трыкова И.В., Коцоев К.И. Обнаружение аномалий в работе реакторного оборудования с помощью нейросетевых алгоритмов //
Моделирование процессов в объектеядерной энергетики - 2020. - Номер 3 - С. 136147.
214. Горбатенко В.И., Алкезуини М.М. Моделирование объектов с распределёнными параметрами на нейронных сетях // Модели, системы, сети в экономике, технике, природе и обществе - 2019. - №4(32). - С.50-64.
215. Горбаченко В. И., Катков С.Н. Использование мемристорных сетей для решения дифференциальных уравнений в частных производных // Модели, системы, сети в экономике, технике, природе и обществе. - 2016. - № 4 (20). - С. 97-107.
216. Горбаченко В. И., Катков С.Н. Применение нейроподобных сетей для решения задачи термоупругости // Модели, системы, сети в экономике, технике, природе и обществе. - 2015. - № 2 (14). - С. 167-176.
217. Кузнецов А. В., Макарьянц Г. М. Разработка нейросетевой модели малоразмерного газотурбинного двигателя // Вестник Самарского государственного аэрокосмического университета имени академика С. П. Королёва (национального исследовательского университета). - 2016. - Т. 15, № 2. - С. 131-144.
218. Методика построения нейросетевой модели двухвального ГТД с соблюдением условий структурной адекватности / Г. Г. Куликов, Г. И. Погорелов, Б. И. Бадамшин, А. И. Абдулнагимов // Авиационно-космическая техника и технология. - 2014. - № 9 (116). - С. 68-73.
219. Замятин Н.В., Медянцев Д.В. Методика нейросетевого моделирования сложных систем // Известия Томского политехнического университета. - 2006. - Т. 309. - № 8. - С. 100-106.
220. Круглов В.В. Нечеткая логика и искусственные нейронные сети / В.В.Круглов, М.И.Дли, Р.Ю.Голунов. - М.: Физматлит, 2001.-221с.
221. Хайкин С. Нейронные сети: полный курс. 2-е изд.; [пер. с англ.]. М.: Вильямс, 2006. 1104 с.
222. Данилушкин И.А., Колпащиков С.А. Моделирование водяного тракта парового котла // Вестник Самарского государственного технического университета. Сер. Технические науки. - 2019. - Вып.2 (62). - С. 20-35.
223. Эшби У Р. Введение в кибернетику / У Р. Эшби; пер. с англ. Д. Г. Лахути; под ред. В. А. Успенского; с предисл. А. Н. Колмогорова. - М.: Издательство иностранной литературы, 1959. - 432 с.
224. Лященко А.Л. Математическая модель тепловых процессов парового котла тэплоэлектростанции // Известия ЮФУ Технические науки. - 2018. - Номер 5 (199) С.100-110.
225. Дьяконица С.А., Сугачевский И.Р. Синтез математической модели энергетического котла для исследования его динамических и статических характеристик // Евразийский Союз Учённых (ЕСУ) - 2015. - №4 (13)- С. 50-54.
226. Рубашкин А. С. Теоретические основы построения всережимных аналитических моделей тепломеханических процессов и систем управления энергоблоков ТЭС: автореферат диссертации на соискание ученой степени доктора технических наук: 05.13.06 / 05.14.01 / А.С. Рубашкин; Московский энергетический институт. - М., 2006. - 40 с.
227. Бесекерский В. А., Попов, Е. П. Теория систем автоматического регулирования / В. А. Бесекерский, Е. П. Попов. - СПб.: Профессия, 2004. - 749 с.
228. Филиповский В.М. Системы управления в пространстве состояний: Учебное пособие / В.М. Филиповский. - СПб., 2022. - 75 с.
229. Laub, A.J., "Efficient Multivariable Frequency Response Computations, "IEEE" Transactions on Automatic Control, AC-26 (1981), pp. 407-408.
230. Fletcher, R., "Practical Methods of Optimization," John Wiley and Sons,
1987.
231. Сайт компании MathWorks (MATLAB). - URL: https://www.mathworks.com/help/ident/ref/compare.html (Дата обращения 03.09.22).
232. Гурецкий Х. Анализ и синтез систем управления с запаздыванием / Х. Гурецкий; пер. с польского. - М.: Машиностроение, 1974. - 328 с.
233. Khobin V. A., Levinskyi M. V. Own motion filters optimization for self-tuning ACS with the technological type of control object. Radio Electronics, Computer Science, Control. 2016. № 4. pp.120-129.
234. Astrom K.J., Hagglund T. Advanced PID control. — ISA (The Instrumentation,
Systems, and Automation Society), 2006. — 460 p.
235. Сайт компании Экспонента (представитель MATLAB в РФ). - URL: https://docs.exponenta.ru/R2019b/control/getstart/tune-pid-controller-to-balance-tracking-and-disturbance-reiection.html (Дата обращения 05.09.23).
236. Системы подчинённого регулирования электроприводов постоянного тока: учебное пособие по курсу «Локальные системы управления» / Самарский государственный технический университет; сост. Э. Я. Рапопорт, В. К. Рыбаков. -Самара, 2003. - 52 с.
237. Сорокин Г.А. Фильтры нижних частот // Вестник ЮУрГУ Серия "Компьютерные технологии, управление, радиоэлектроника". - 2015. - Т. 15, № 1. - С. 100- 107.
ПРИЛОЖЕНИЕ А
52
¡j 51.5
0 51
80 U 70 60
Рис. А.1 - Тестовые данные нейросетевой модели котла-утилизатора (эпизод №1)
Температура воды па входе
0 100 200 300 400 Температура воды на выходе 500 600 700
i , г-\ i
0 100 200 300 400 Расход воды через котёл 500 600 700
0 100 200 300 400 Давление газа па входе 500 600 700
1 1 1 1 1 1 J^^t^L
---
0 100 200 1 1 300 400 Температура газа па входе 1 —. /—-1-1 500 1 _ 600 700 1 ^___._—" 1 I 1
450 445
440
0.6 « 0.4
В 0.2
и Q -0.2
500
100
200
300
400
500
600
700
1,мин.
Рис. А.2 - Тестовые данные нейросетевой модели котла-утилизатора (эпизод №2)
и 52
50
Я 600
ег
400
= 06
б2 0.5 0.4
Температура воды па входе
1
0 200 400 600 800 Температура воды па выходе 1000 1200 1400 1 1 II
1 1 Г* У
0 200 400 600 800 Расход воды через котёл 1000 1200 1400
1 1
0 200 400 600 800 Давление газа на входе 1000 1200 1400
¡ИШЙШШВС ивааявидиш
р 1 ■ 1 1 1 1 ■ ■ [ г , 1
0 200 400 600 800 Температура газа на входе 1000 1200 1400
и
510
505
200
400
600
800
1000
1200
1400
1, мин.
Рис. А.3 - Тестовые данные нейросетевой модели котла-утилизатора (эпизод №3)
Рис. А.4 - Тестовые данные нейросетевой модели котла-утилизатора (эпизод №4)
Рис. А.5 - Тестовые данные нейросетевой модели котла-утилизатора (эпизод №5)
ПРИЛОЖЕНИЕ Б
Б.1. MATLAB-скрипт нейросетевой модели котла-утилизатора
% Solve an Autoregression Problem with External Input with a NARX Neural Network
% Script generated by Neural Time Series app
% Created 24-Feb-2020 19:18:10
%
% This script assumes these variables are defined:
%
% A1 - input time series. % A2 - feedback time series.
X = tonndata(A1,false,false); T = tonndata(A2,false,false);
trainFcn = 'trainbr'; % Bayesian Regularization backpropagation.
% Create a Nonlinear Autoregressive Network with External Input
inputDelays = 1:3;
feedbackDelays = 1:3;
hiddenLayerSize = 10;
net =
narxnet(inputDelays,feedbackDelays,hiddenLayerSize,'open',train Fcn);
% Choose Input and Feedback Pre/Post-Processing Functions net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'}; net.inputs{2}.processFcns = {'removeconstantrows','mapminmax'};
% Prepare the Data for Training and Simulation [x,xi,ai,t] = preparets(net,X,{},T);
% Setup Division of Data for Training, Validation, Testing net.divideFcn = 'dividerand'; % Divide data randomly net.divideMode = 'time'; % Divide up every sample net.divideParam.trainRatio = 60/100; net.divideParam.valRatio = 20/100; net.divideParam.testRatio = 20/100;
% Choose a Performance Function net.performFcn = 'mse'; % Mean Squared Error
% Choose Plot Functions
net.plotFcns = {'plotperform','plottrainstate', 'ploterrhist',
'plotregression', 'plotresponse', 'ploterrcorr', 'plotinerrcorr'};
% Train the Network
[net,tr] = train(net,x,t,xi,ai);
% Test the Network y = net(x,xi,ai); e = gsubtract(t,y); performance = perform(net,t,y)
% Recalculate Training, Validation and Test Performance trainTargets = gmultiply(t,tr.trainMask); valTargets = gmultiply(t,tr.valMask); testTargets = gmultiply(t,tr.testMask); trainPerformance = perform(net,trainTargets,y) valPerformance = perform(net,valTargets,y) testPerformance = perform(net,testTargets,y)
% View the Network view(net)
% Closed Loop Network netc = closeloop(net);
netc.name = [net.name ' - Closed Loop']; view(netc)
[xc,xic,aic,tc] = preparets(netc,X,{},T); yc = netc(xc,xic,aic);
closedLoopPerformance = perform(net,tc,yc)
% Multi-step Prediction numTimesteps = size(x,2);
knownOutputTimesteps = 1:(numTimesteps-5); predictOutputTimesteps = (numTimesteps-4):numTimesteps; X1 = X(:,knownOutputTimesteps); T1 = T(:,knownOutputTimesteps); [x1,xio,aio] = preparets(net,X1,{},T1); [y1,xfo,afo] = net(x1,xio,aio);
% Next the network and its final states will be converted to % closed-loop form to make five predictions with only the five inputs % provided.
x2 = X(1,predictOutputTimesteps); [netc,xic,aic] = closeloop(net,xfo,afo); [y2,xfc,afc] = netc(x2,xic,aic); multiStepPerformance =
perform(net,T(1,predictOutputTimesteps),y2) nets = removedelay(net);
nets.name = [net.name ' - Predict One Step Ahead']; view(nets)
[xs,xis,ais,ts] = preparets(nets,X,{},T); ys = nets(xs,xis,ais);
stepAheadPerformance = perform(nets,ts,ys) % Deployment
Б.2. MATLAB-скрипт нечёткого алгоритма адаптации коэффициентов
ПИД-регулятора
[System] Name='F11' Type='sugeno' Version=2.0 NumInputs=2 NumOutputs=3 NumRules=9 AndMethod='prod' OrMethod='probor' ImpMethod='prod' AggMethod='sum' DefuzzMethod='wtaver'
[Inputl] Name='Two' Range=[72 92] NumMFs=3
MF1='Two1':'trimf' MF2='Two2':'trimf' MF3='Two3':'trimf'
[Input2] Name='e(t)' Range=[-25 25] NumMFs=3
MF1='NL':'zmf',[-25 -5] MF2='N':'trimf',[-5 0 5] MF3='NP':'smf',[5 25]
[Output1] Name='Kp' Range=[0 1] NumMFs=6 MF1='Kp1_1' MF2='Kp1_2' MF3='Kp1_3' MF4='Kp2_1' MF5='Kp2_2' MF6='Kp2_3'
[Output2] Name='Ki' Range=[0 1] NumMFs=6
MF1='Ki1_1':'constant',[-22. 64] MF2='Ki1_2':'constant',[-9.27] MF3='Ki1_3':'constant',[-13. 68] MF4='Ki2_1':'constant',[-4.31] MF5='Ki2_2':'constant',[-4.4 3] MF6='Ki2_3':'constant',[-2.58]
[Output3] Name='Kd' Range=[0 1]
,[50 72 78] ,[77 80 83] ,[82 92 100]
'constant' 'constant' 'constant' 'constant' 'constant' 'constant'
,[-11.67] ,[-10.68] ,[-19.26] ,[-14.97] ,[-3.34] ,[-3.25]
NumMFs=6
MF1='Kd1_1'
MF2='Kd1_2'
MF3='Kd1_3'
MF4='Kd2_1'
MF5='Kd2_2'
MF6='Kd2 3'
'constant', 'constant', 'constant', 'constant', 'constant', 'constant',
-1.51]
-3.07]
-5.1]
-3.81]
-0.65]
-1.02]
[Rules]
1 1, 1 1 1 (1) 1
1 2, 4 4 4 (1) 1
1 3, 1 1 1 (1) 1
2 1, 2 2 2 (1) 1
2 2, 5 5 5 (1) 1
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.