Детальная информация

Данная работа посвящена разработке метода снижения механического износа клапанов в промышленных трубопроводных системах с использованием нейросетевых технологий. Актуальность исследования обусловлена необходимостью повышения надежности автоматизированных систем управления при одновременном сокращении эксплуатационных расходов. Задачи, которые решались в ходе исследования: анализ факторов, влияющих на износ клапанов в системах с неравномерным потоком сырья; разработка нейросетевой модели для оптимизации циклов срабатывания клапанов; сравнительная оценка эффективности традиционного ПИД-регулирования и нейросетевого управления. Работа выполнена на базе модели промышленной системы,  включающей систему из трех управляемых клапанов и двух расширительных баков. Полученным результатом является разработанная нейросетевая модель управления клапанами. Получены предварительные данные о: снижении количества циклов срабатывания клапанов и улучшении стабильности выходного потока.

This work is devoted to the development of a method for reducing mechanical wear of valves in industrial pipeline systems using neural network technologies. The relevance of the study is due to the need to increase the reliability of automated control systems while reducing operating costs. Tasks that were solved during the research: Analysis of factors affecting valve wear in systems with uneven flow of raw materials Development of a neural network model for optimizing valve actuation cycles Comparative evaluation of the effectiveness of traditional ПИД regulation and neural network management. The work is based on an industrial system model, which includes: A system of three controlled valves and two expansion tanks. The result is a developed neural network valve control model. Preliminary data have been obtained on: reducing the number of valve actuation cycles and improving the stability of the output flow.

• ВВЕДЕНИЕ
• 1 Обзор предметной области
  • 1.1 Система управления установкой стабилизации потока
  • 1.2 Обзор существующих исследований в данной области
  • 1.3 Варианты реализации
    • 1.3.1 ПИД регулирование
    • 1.3.2 Машинное обучение
    • 1.3.3 ПИД с нейронной сетью
  • 1.4 Сравнение подходов к реализации
    • 1.4.1 Классический ПИД-регулятор
    • 1.4.2 Нейронная сеть
    • 1.4.3 Гибридные системы
  • 1.5 Цифровая информационная модель
  • 1.6 Цифровые двойники
  • 1.7 Выводы по главе
• 2 Методологическая часть
  • 2.1 Ограничения и допущения модели
  • 2.2 Элементы цифровой информационной модели
  • 2.3 Преобразование входных данных
  • 2.4 Распределение полимера по элементам
  • 2.5 Цифровая информационная модель
  • 2.6 Нейронный агент
  • 2.7 Локальная нейронная сеть
  • 2.8 Глобальная нейронная сеть
  • 2.9 Каскад нейронных сетей
  • 2.10 Вывод по главе
• 3 Разработка программной системы
  • 3.1 Сбор требований к программной системе
  • 3.2 Концептуальный проект
  • 3.3 Разработка программной системы
    • 3.3.1 Генерация нейронной сети
    • 3.3.2 Описание операций, выполняемых нейронной сетью
    • 3.3.3 Работа со входными и выходными данными
  • 3.4 Выводы по главе
• 4 Экспериментальное тестирование
  • 4.1 Подсистема извлечения данных из файлов: формат CSV
    • 4.1.1 Проверка наличия файла
    • 4.1.2 Проверка прав на чтение файла
    • 4.1.3 Проверка корректности формата
  • 4.2 Подсистема извлечения данных из файлов: формат JSON
    • 4.2.1 Проверка наличия файла
    • 4.2.2 Проверка прав на чтение файла
    • 4.2.3 Проверка корректности формата
  • 4.3 Подсистема обработки данных: цифровой двойник
    • 4.3.1 Проверка корректности данных об элементах системы
    • 4.3.2 Проверка корректности установленных связей
    • 4.3.3 Поток полимера на основе входных данных
    • 4.3.4 Распространение полимера: в бак
    • 4.3.5 Распространение полимера: в клапан
    • 4.3.6 Распространение полимера: ветвление один во многие
    • 4.3.7 Распространение полимера: результат на выходе
  • 4.4 Подсистема обработки данных: нейронная сеть
    • 4.4.1 Проверка корректности данных о нейронах в НС
    • 4.4.2 Проверка корректности установленных связей в НС
    • 4.4.3 Проверка прямого распространения сигнала в НС
    • 4.4.4 Проверка обратного распространения ошибки в НС
    • 4.4.5 Проверка результатов работы нейронного агента
  • 4.5 Подсистема записи данных в файлы формата csv
    • 4.5.1 Проверка директории на предмет существования
    • 4.5.2 Проверка разрешений на запись по заданному пути
  • 4.6 Обсуждение полученных результатов
  • 4.7 Выводы по главе
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ