Любое производство представляет собой множество технологических процессов, требующих постоянного контроля и своевременной реакции. Для этого разрабатывают систему управления. Со временем под воздействием внешних и внутренних факторов изменяются характеристики процесса, что может привести к ухудшению качества продукции, выпускаемой на производстве.

С такой проблемой позволяет справиться адаптивная система управления, которая оперативно подстраивается под изменения. Ее эффективность во многом зависит от точности математических моделей технологических процессов. Ученые Пермского Политеха разработали метод оперативной идентификации, основанный на использовании нейросетей. Он позволит точнее и безопаснее отслеживать изменения на производстве.

Статья опубликована в сетевом научном журнале «Инженерный вестник Дона» № 9 за 2024 год. Исследование проведено в рамках программы стратегического академического лидерства «Приоритет 2030».­­­­

Адаптивный тип управления применяется в производствах химической, нефтегазовой, целлюлозно-бумажной и других отраслях промышленности. Он заключается в том, что система автоматически меняет свои характеристики и (или) структуру в зависимости от изменений значений параметров моделей технологических процессов, полученных в результате их оперативной идентификации. Такое управление позволяет повысить качество выпускаемой продукции или минимизировать расход энергии, затрачиваемой на производство. Ученые Пермского Политеха протестировали метод параметрической идентификации на регрессионных моделях.

«Проведение экспериментов на действующих производствах может привести к негативным последствиям. Для нашего же метода идентификации этого не требуется, то есть, нет нарушения плановой работы, что делает данный метод безопасным», — комментирует Рустам Исламов, аспирант кафедры «Оборудование и автоматизация химических производств» ПНИПУ.

«Мы провели вычислительные эксперименты с применением нашего метода и выяснили, что среднее значение относительной ошибки полученных регрессионных моделей при оперативной идентификации не превышает 0,43%. Это означает, что разработанный метод применим в адаптивном управлении. Одно из его достоинств в том, что для обучения нейросетей не нужны статистические экспериментальные значения переменных технологического процесса. Это ускоряет подготовку данных», — рассказывает Александр Шумихин, профессор кафедры «Оборудование и автоматизация химических производств» ПНИПУ, доктор технических наук.

Исследование ученых ПНИПУ способствует построению более эффективных адаптивных систем управления технологическими процессами, что позволяет сократить риск снижения качества производства.