novtexmechМехатроника, автоматизация, управлениеMekhatronika, Avtomatizatsiya, Upravlenie1684-64272619-1253Commercial Publisher «New Technologies»10.17587/mau.23.13-22novtexmech-1111Research ArticleАВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИAUTOMATION AND CONTROL TECHNOLOGICAL PROCESSESНейросетевой алгоритм настройки ПИ регулятора в системе управления очистного комбайнаNeural Network Algorithm for Adjusting the PI Controller in the Shearer Control SystemШпрехерД. М.ShprekherD. M.

д-р техн. наук, проф.

г. Тула

Tula, 300012

shpreher-d@yandex.ruБабокинГ. И.BabokinG. I.

д-р техн. наук, проф.

г. Москва

Moscow

babokinginov@yandex.ruЗеленковА. В.ZelenkovA. V.

аспирант

г. Тула

Tula, 300012

sashazelnkv@mail.ruТульский государственный университетРоссияTula State UniversityRussian FederationНациональный исследовательский технологический университет "МИСиС", Горный институтРоссияNational Research Technological University "MISIS"Russian Federation2022180120222311322Copyright © Commercial Publisher «New Technologies», 20222022Commercial Publisher «New Technologies»Commercial Publisher «New Technologies»https://mech.novtex.ru/jour/about/submissions#copyrightNoticehttps://mech.novtex.ru/jour/article/view/1111

Рассматривается система управления очистным комбайном, который предназначен для разрушения горной породы и погрузки ее на забойный конвейер. При отработке комбайном пласта угля внешние возмущения — сопротивляемость угля резанию, твердые включения породы, изменение ширины захвата шнеков, изменяющиеся неопределенно, приводят к ухудшению качества переходных процессов. В работе акцентируется внимание на системе управления комбайном, ключевыми элементами в которой являются: привод подачи, привод резания, угольный забой и типовой регулятор, обеспечивающий системе желаемые показатели качества управления.Типовой регулятор тока резания в виде ПИ регулятора с параметрами, настроенными на конкретный режим работы комбайна, не может обеспечить оптимальное функционирование системы управления во всех режимах в силу нелинейности объекта управления и случайного характера изменения сопротивляемости угля резанию. Для улучшения показателей качества управления необходимо выбирать параметры ПИ регулятора так, чтобы минимизировать амплитуды бросков тока двигателя резания, а значит, и снизить амплитуды момента в трансмиссии привода резания и минимизировать время успокоения системы.В настоящей работе предлагается алгоритм настройки, в основе которого лежит идентификация вида возмущающего воздействия по кривым отклика системы, доступным наблюдению, в целях получения значений параметров регулятора для каждого из возможных режимов функционирования комбайна.При этом предложено применять искусственную нейронную сеть прямого распространения сигнала, выступающую в качестве оперативного средства распознавания многомерной кривой отклика в контуре управления. Была использована нейронная сеть двух архитектур: со скалярной и векторной выходными функциями. Алгоритм распознавания кривых удовлетворяет ограничениям по быстродействию решения задачи управления электромеханической системой, так как распознавание возмущения происходит за время, не превосходящее время выхода процесса на максимум броска тока. Корректность полученных результатов была подтверждена результатами компьютерного моделирования.

The control system of a shearer is considered, which is designed for destroying rock and loading it onto a scraper conveyor. When working out a coal seam by a shearer, external disturbances — the coal resistance to cutting, solid inclu- sions of rock, changes in the width of the screw, which vary indefinitely, lead to a deterioration in the quality of transients. The paper focuses on the shearer control system, the key elements of which are: a movement drive, a cutting drive, a coal face and a standard regulator that provides the system with the desired control quality indicators. A typical cutting current controller in the form of a PI controller with parameters configured for a specific mode of operation of the shearer cannot ensure the optimal functioning of the control system in all modes due to the non-linearity of the control object and the random of changes in the coal resistance to cutting. To improve the control quality indicators, it is necessary to choose the parameters of the PI controller so as to minimize the amplitudes of the current steps of the cutting motor, and therefore reduce the amplitudes of the moment in the transmission of the cutting drive and minimize the system quieting time. In this paper, we propose a tuning algorithm based on obtaining the values of the controller parameters for each of the possible modes of operation of the shearer, identifying the type of disturbing effect by the response curves of the system available to observation. At the same time, the use of an artificial feed forward neural network, acting as an operational means of recognizing a multidimensional response curve in the control loop, is proposed. A neural network of two architectures was used: with a scalar and a vector output function. The curve recognition algorithm satisfies the limitations on the speed of solving the problem of controlling an electromechanical system, since the recognition of a disturbance occurs in a time that does not exceed the output of the process to the maximum of the current step. The correctness of the obtained results was confirmed by the results of computer modeling.

очистной комбайнперегрузкаПИ регуляторпереходный процесснейронная сетьсистема управлениядостоверность распознаванияпозиционный кодsheareroverloadPI controllertransientsneural networkcontrol systemrecognition reliabilitypositional codeReferencesБабокин Г. И., Шпрехер Д. М., Колесников Е. Б. Математическое моделирование электропривода очистного комбайна с встроенной системой перемещения // Известия Тульского государственного университета. Технические науки. 2019. № 3. С. 645—651.Babokin G. I., Shprekher D. M., Kolesnikov E. B. Mathematical modeling of the electric drive of a shearer with a built-in moving system, Izvestija Tulskogo gosudarstvennogo universiteta. Tehnicheskie nauki, 2019, no. 3, pp. 645—651 (in Russian).Morkun V., Morkun N., Tron V., Paraniuk D., Sulyma T. Adaptive control of drilling by identifying parameters of object model under nonstationarity conditions // Mining of Mineral Deposits. 2020. Vol. 14, Iss. 1. P. 100—106.Morkun V., Morkun N., Tron V., Paraniuk D., Sulyma T. Adaptive control of drilling by identifying parameters of object model under nonstationarity conditions, Mining of Mineral Deposits, 2020, vol. 14, iss. 1, pp. 100—106.Воронин В. А., Непша Ф. С. Имитационное моделирование электропривода очистного комбайна для оценки показателей энергоэффективности системы электроснабжения // Записки Горного института. 2020. Т. 246. С. 633—639.Voronin V. A., Nepsha F. S. Simulation of the electric drive of the shearer for assessing the energy efficiency of the power supply system, Zapiski Gornogo institute, 2020, no. 246, pp. 633—639 (in Russian).Стариков Б. Я., Азарх В. Л., Рабинович З. М. Асинхронный электропривод очистных комбайнов. М.: Недра, 1981. 288 с.Starikov B. Ya., Azarh V. L., Rabinovich Z. M. Asynchronous electric drive of shearers, Moskow, Nedra, 1981, 288 p. (in Russian).Liu C., Qin D., Liao Y. Electromechanical dynamic analysis for the drum driving system of the long-wall shearer // Advances in Mechanical Engineering. 2015. Vol. 7, N. 10. P. 1—14.Liu C., Qin D., Liao Y. Electromechanical dynamic analysis for the drum driving system of the long-wall shearer, Advances in Mechanical Engineering, 2015, vol. 7, no. 10, pp. 1—14.Pfeiffer B. M. Towards "plug and control": self—tuning temperature сontroller for PLC // International journal of Adaptive Control and Signal Processing. 2000. N. 14. P. 519—532.Pfeiffer B. M. Towards "plug and control": self—tuning temperature сontroller for PLC, International journal of Adaptive Control and Signal Processing, 2000, no. 14, pp. 519—532.Глущенко А. И. Нейросетевая адаптивная настройка регуляторов для управления нестационарными технологическими объектами в металлургии: дис. докт. техн. наук. Воронеж, 2020. 304 с.Glushchenko A. I. Neural network adaptive tuning of regulators to control non-stationary technological objects in metallurgy, Doctor of Technical Sciences (Engineering) dissertation, Voronezh, 2020, 304 p. (in Russian).Еременко Ю. И., Глущенко А. И., Фомин А. В. О применении нейросетевого настройщика параметров ПИрегулятора на тепловых объектах горно-металлургической отрасли в режиме отработки возмущений // Горный информационно-аналитический бюллетень (научно-технический журнал). 2017. № 12. С. 122—133.Eremenko Yu. I., Poleshchenko D. A., Glushchenko A. I., YArmuratij D. Yu. On intelligent adaptation of PID controller parameters to reduce energy consumption of a controlled process, Nauchnye vedomosti. Seriya Istoriya. Politologiya. Ekonomika. Informatika. 2013, vol. 22 (165), no. 28/1, pp. 210—217 (in Russian).Astrom K. J., Hagglund T. Advanced PID Control. Research Triangle Park: ISA — The Instrumentation, Systems, and Automation Society, 2006. 461 p.Astrom K. J., Hagglund T. Advanced PID Control, Research Triangle Park: ISA, The Instrumentation, Systems, and Automation Society, 2006, 461 p.Емельянов А. В., Гордеев В. Н., Жабин И. П. Использование нейронных сетей для идентификации текущих параметров объекта управления электроприводом постоянного тока // Известия ТулГУ. Технические науки. 2017. Вып. 11. Ч. 3, С.252—261.Emel’yanov A. V., Gordeev V. N., Zhabin I. P. The use of neural networks to identify the current parameters of the control object of a direct current electric drive, Izvestiya Tulskogo gosudarstvennogo universiteta. Tekhnicheskie nauki, 2017, vol. 11, no. 3, pp. 252—261 (in Russian).Ильясов Б. Г., Даринцев О. В., Мигранов А. Б. Использование нейросетевого предиктора в системе управления микротехнологическим процессом // Мехатроника, автоматизация, управление. 2005. № 8. С. 39—45.Il’yasov B. G., Darincev O. V., Migranov A. B. Using a neurael ntwork predictor in a microtechnological process control system, Mekhatronika, Avtomatizaciya, Upravlenie, 2005, no. 8, pp. 39—45 (in Russian).Волков В. Г., Демьянов Д. Н. Синтез и нейросетевая реализация ПИ регулятора адаптивного круиз-контроля грузового автомобиля // Мехатроника, автоматизация, управление. 2018. № 11. С. 707—713.Volkov V. G., Dem’yanov D. N. Synthesis and neural network implementation of the PI controller for the adaptive cruise control of a truck, Mekhatronika, Avtomatizaciya, Upravlenie, 2018, no. 11, pp. 707—713 (in Russian).Щербатов И. А., Артюшин В. А., Долгушев А. Н. Разработка нейросетевого блока автонастройки ПИДрегулятора для объектов энергетики // Информационные технологии. Проблемы и решения. 2019. № 1 (6). С. 190—195.Shcherbatov I. A., Artyushin V. A., Dolgushev A. N. Development of a neural network block for autotuning a PID controller for power facilities, Informacionnye tekhnologii. Problemy i resheniya., 2019, no. 1(6), pp. 190—195 (in Russian).Змеу К. В., Ноткин Б. С., Дьяченко П. А. Безмодельное прогнозирующее инверсное нейроуправление // Мехатроника, автоматизация, управление. 2006. № 9. С. 8—15.Zmeu K. V., Notkin B. S., D’yachenko P. A. Modelless predictive inverse neurocontrol, Mekhatronika, Avtomatizaciya, Upravlenie, 2006, no. 9, pp. 8—15 (in Russian).Иващук Д. Г. Алгоритм ПИД-регулирования на основе искусственных нейронных сетей // Совершенствование методологии познания в целях развития науки: сборник статей Международной научно-практической конференции. 2018. С. 16—18.Ivashchuk D. G. PID control algorithm based on artificial neural networks, Sovershenstvovanie metodologii poznaniya v celyah razvitiya nauki: sbornik statej Mezhdunarodnoj nauchno-prakticheskoj konferencii, 2018, pp. 16—18 (in Russian).Кравец П. И., Жеребко В. А., Шимкович В. Н. Методика аппаратно-программной реализации однонейронного нейросетевого ПИД-регулятора на FPGA // Вiсник Вiнницького полiтехнiчного iнституту. 2011. № 3 (96). С. 148—152.Kravec P. I., Zherebko V. A., Shimkovich V. N. Method of hardware and software implementation of the PID controller of a single neural network on an FPGA, Vestnik Vinnickogo politekhnicheskogo instituta, 2011, no. 3 (96), pp. 148—152 (in Ukr).Shprekher D. M., Kolesnikov E. B., Zelenkov A. V. Investigation of possibility to stabilize load current of shearer’s cutting electric drive // Proceedings 2020 International Russian Automation Conference, RusAutoCon 2020. Sochi, Russia. P. 248—254.Shprekher D. M., Kolesnikov E. B., Zelenkov A. V. Investigation of possibility to stabilize load current of shearer’s cutting electric drive, Proceedings — 2020 International Russian Automation Conference, RusAutoCon 2020, Sochi, Russia, pp. 248—254.Шпрехер Д. М., Бабокин Г. И., Колесников Е. Б., Зеленков А. В. Исследование динамики нагружения регулируемого электропривода очистного комбайна // Известия Тульского государственного университета. Технические науки. 2020. № 2. С. 514—525.Shprekher D. M., Babokin G. I., Kolesnikov E. B., Zelenkov A. V. Investigation of the dynamics of loading of the variable electric drive of the shearer, Izvestiya Tulskogo gosudarstvennogo universiteta. Tekhnicheskie nauki, 2020, no. 2, pp. 514—525 (in Russian).Shepherd A. J. Second-Order Methods for Neural Networks. London: Springer-Verlag, 1997. 145 p.Shepherd A. J. Second-Order Methods for Neural Networks, London, Springer-Verlag, 1997, 145 p.

The authors declare that there are no conflicts of interest present.