Details

В работе представлен гибридный подход к управлению, сочетающий нейросетевую идентификацию с модельно-прогнозирующим управлением (MPC) для управления имитационной моделью химического реактора. Нейросеть предсказывает температуру и уровень жидкости на основе управляющих воздействий и текущих показаний датчиков, обучаясь и дообучаясь на реальных данных в онлайн-режиме. Управляющий алгоритм использует стратегию скользящего горизонта и оптимизацию методом L-BFGS-B для минимизации отклонений от заданных траекторий. Результаты экспериментов подтверждают, что предложенный подход обеспечивает более стабильное и точное регулирование по сравнению с классическим ПИД-регулятором, снижая перерегулирование и повышая устойчивость к периодическим и стохастическим возмущениям. Точность прогноза сохраняется в пределах допустимой погрешности 5%, что делает систему перспективной для применения в условиях реального промышленного производства.

This paper presents a hybrid control approach combining neural network-based system identification with Model Predictive Control (MPC) for managing a simulated chemical reactor. The neural network predicts temperature and liquid level based on control inputs and sensor readings. The model is trained and fine-tuned using real-time data, enabling adaptive behavior in non-stationary environments. The control algorithm minimizes deviation from reference trajectories under both periodic and stochastic disturbances using a receding horizon strategy and L-BFGS-B optimization. Experimental results show that the proposed system significantly outperforms classical PID regulation, reducing overshoot, improving stability, and ensuring prediction accuracy within a 5% error margin. The architecture demonstrates robustness to noise and fast convergence, making it suitable for real-world industrial applications.