Нейросетевой алгоритм настройки ПИ регулятора в системе управления очистного комбайна

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.

1. Бабокин 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.

2. 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.

3. 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.

4. Стариков Б. Я., Азарх В. Л., Рабинович З. М. Асинхронный электропривод очистных комбайнов. М.: Недра, 1981. 288 с.

5. 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.

6. 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.

7. Глущенко А. И. Нейросетевая адаптивная настройка регуляторов для управления нестационарными технологическими объектами в металлургии: дис. докт. техн. наук. Воронеж, 2020. 304 с.

8. 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.

9. Astrom K. J., Hagglund T. Advanced PID Control. Research Triangle Park: ISA — The Instrumentation, Systems, and Automation Society, 2006. 461 p.

10. 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.

11. 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.

12. 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.

13. 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.

14. Змеу К. В., Ноткин Б. С., Дьяченко П. А. Безмодельное прогнозирующее инверсное нейроуправление // Мехатроника, автоматизация, управление. 2006. № 9. С. 8—15.

15. 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.

16. 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.

17. 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.

18. 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.

19. Shepherd A. J. Second-Order Methods for Neural Networks. London: Springer-Verlag, 1997. 145 p.