|
|
Keywords: Oil and gas industry, intelligent regulation, transport and preparation of petroleum products.
Классическая теория линейного оптимального управления в применении к многомерным объектам имеет множество ограничений, из-за сложности представления проектируемых задач. Данная теория также включает разработку математической модели объекта управления, описывающую динамическую систему и применение аналитических подходов к интерпретации закона управления. Более того, математическая модель может быть настолько сложна, что имеющиеся средства электронно-вычислительной машины (ЭВМ) не будут способны удовлетворять требованиям по скорости вычисления в реальном времени технологического процесса. Также, система может изменяться непрерывно с течением времени и иметь параметры, которые невозможно представить в виде модели, но которые четко описываются в вербальной форме и знаниях экспертов. Вышеуказанные проблемы требуют переоценки существующих методов автоматизации производства и техник управления на основе классических алгоритмов. Мотивированные способностями высших биологических систем к обучению и управлению в сложных условиях, ученые предложили применить искусственные нейронные сети (ИНС) к области управления. Способности к парольным вычислениям, нелинейной организации и самообучению данных сетей явились ключевыми факторами для разработки интеллектуальных управляющих систем.
Модель нейрона и реализуемость ее на ЭВМ впервые была предложена Маккаллоком и Питтсом в 1943 [1]. С 1988 года стали появляться работы, посвященные нейроконтролю и различным путям применения нейронных сетей к управлению объектами. Некоторые работы были посвящены исследованию гибридных систем (нейронных сетей и существующих контроллеров и регуляторов) с возможностью подстройки параметров контроллеров. В то время как другие работы были нацелены на применение нейронных сетей в качестве адаптационных механизмов, в которых выходные параметры адаптируются согласно задающим параметрам входов по прямому методу или методу обратной связи методу, или объединяющему и тот и другой методы.
Saerens M и Soquet A. [2] представили возможность использования метода аппроксимации к оценке ошибки в сети обратного распространения, что позволяет нейронным сетям адаптироваться в изучении объекта управления. Goldenthal W и Farrell J. представили алгоритм обучения, который позволяет успешно применять нейронные сети в задачах адаптации к динамическим системам. В данной работе обучение построено на расширенном методе обратного распространения ошибки, включающем приближения, подобные
325
|
