Модифицированный нечеткий регулятор с оптимизацией режимных параметров технологического процесса

Рассмотрена авторская модификация многомерного нечеткого регулятора с блоком оптимизации режимных параметров и блоком предсказания термов. Приведена блок-схема регулятора, схемы фаззификации и дефаззификации непрерывных величин. Описан механизм работы блока логического вывода, который формирует идентификационный номер общего составного продукционного правила из порядковых номеров термов входных и выходных переменных с обратной связью. Идентификационный номер используется в качестве ключа для выборки из базы данных информации о способах получения конкретных числовых значений управляющих воздействий, которая затем передается в блок дефаззификации регулятора. Показано общее назначение блока предсказания термов и блока оптимизации. Блок предсказания предназначен для передачи в блок фаззификации регулятора рекомендаций по набору термов, с которых следует начинать обработку значений входных переменных в каждом цикле сканирования. Блок оптимизации используется для выработки рекомендаций по оптимизации режимных параметров в соответствии с заданными критериями. В блоке оптимизации реализованы авторские алгоритмы оптимизации, основанные на использовании методов эволюционного моделирования и адаптированных под конкретный технологический процесс эволюционных алгоритмов. Приведена постановка задачи оптимального управления динамическим процессом и алгоритм ее решения. В качестве примера рассмотрена задача поиска оптимального температурного режима в реакторе идеального смешения периодического действия для каталитической реакции димеризации α-метилстирола в присутствии цеолитного катализатора NaHY. В результате расчетов с помощью генетического алгоритма с вещественным кодированием, где геном является вещественное число, вычислена субоптимальная температура хладоагента процесса димеризации α-метилстирола продолжительностью 2 и 3 ч и соответствующие ей концентрации реагентов. Проведенный вычислительный эксперимент демонстрирует процесс получения и выдачи удаленным модулем рекомендаций по изменению режимных параметров и/или системы продукционных правил регулятора

1. Mohamed A. W., Mohamed A. K. Adaptive guided differential evolution algorithm with novel mutation for numerical optimization // Int. J. Mach. Learn. & Cyber. 2019. Vol. 10. P. 253—277. DOI: 10.1007/s13042-017-0711-7.

2. Kozuch D. J., Stillinger F. H., Debenedetti P. G. Genetic Algorithm Approach for the Optimization of Protein Antifreeze Activity Using Molecular Simulations // J. Chem. Theory Comput. 2020. Vol. 16, N. 12. P. 7866—7873. DOI: 10.1021/acs. jctc.0c00773.

3. Migov D. A., Volzhankina K. A., Rodionov A. S. Genetic Algorithms for Drain Placement in Wireless Sensor Networks Optimal by the Relibility Criterion // Optoelectronics, Instrumentation and Data Processing. 2021. Vol. 57, N. 3. P. 240—249. DOI: 10.3103/S8756699021030110.

4. Быковцев Ю. А., Лохин В. М. Оценка точности системы управления с нечетким ПИД регулятором на основе аппроксимации статической характеристики регулятора // Мехатроника, автоматизация, управление. 2021. Т. 22, № 12. С. 619—624. DOI: 10.17587/mau.22.619-624.

5. Kocian J., Koziorek J., Pokorný M. Implementation of fuzzy logic control based on PLC // IEEE International Conference on ETFA. 2011. P. 1—8. DOI: 10.1109/ETFA.2011.6059049.

6. Игнатьев В. В., Соловьев В. В. Метод синтеза нечетких регуляторов на основе кластеризации // Программные продукты и системы. 2021. Т. 34, № 4. С. 597—607. DOI: 10.15827/0236-235X.136.597-607.

7. Богачёв И. С., Коломыцев В. Г. Методика настройки нечеткого регулятора с нелинейной характеристикой P-типа средствами Matlab // Современные наукоемкие технологии. 2020. № 11-1. С. 9—14.

8. Buriboev A., Kang H. K., Ko M.-C., Oh R., Abduvaitov A., Jeon H. S. Application of Fuzzy Logic for Problems of Evaluating States of a Computing System // Applied Sciences. 2019. Vol. 9, N. 15. P. 3021. DOI: 10.3390/app9153021.

9. Пегат А. Нечеткое моделирование и управление. М.: БИНОМ. Лаборатория знаний, 2009. 798 с.

10. Митрошин В. Н., Рогачев Г. Н., Чостковский Б. К., Рогачев Н. Г. Применение нечеткой логики в задачах оптимизации непрерывно-дискретных систем управления многооперационными технологическими процессами // Автометрия. 2019. Т. 55, № 4. С. 71—78. DOI: 10.15372/AUT20190408.

11. Dumitrescu C., Ciotirnae P., Vizitiu C. Fuzzy Logic for Intelligent Control System Using Soft Computing Applications // Sensors. 2021. Vol. 21, N. 8. P. 2617. DOI: 10.3390/s21082617.

12. Bobyr M. V., Milostnaya N. A., Kulabuhov S. A. А method of defuzzification based on the approach of areas’ ratio // Applied Soft Computing. 2017. Vol. 59. P. 19—32. DOI: 10.1016/j. asoc.2017.05.040.

13. Li Y., Li Y., Ma Z. Computation tree logic model checking based on possibility measures // Fuzzy Sets and Systems. 2015. Vol. 262. P. 44—59. DOI: 10.48550/arXiv.1401.4658.

14. Антипина Е. В., Мустафина С. А., Антипин А. Ф. Поиск оптимального температурного режима химической реакции на основе генетического алгоритма // Вестник Тверского государственного университета. Серия: Химия. 2019. № 3. С. 14—23. DOI: 10.26456/vtchem2019.3.2.

15. Байтимерова А. И. Математическое моделирование и численное исследование каталитических процессов в каскаде реакторов. Дисс. ... канд. физ.-мат. наук. Уфа: Баш. гос. ун-т, 2009. 127 с.

16. Антипин А. Ф., Антипина Е. В. Моделирование и анализ программ многомерных интервально-логических регуляторов // Программные продукты и системы. 2019. № 4. С. 744—749. DOI: 10.15827/0236-235X.128.744-749.

17. Антипин А. Ф., Антипина Е. В. Среда визуальной разработки программ многомерных нечетких интервально-логических регуляторов // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 5. С. 1041—1049. DOI: 10.17586/2226-1494-2023-23-5-1041-1049.