 |
Ученые ПНИПУ обучили нейросеть помогать в управлении промышленными газовыми горелками
Ученые ПНИПУ предложили использовать нейросеть для получения точных данных о параметрах работы устройства.
Аппараты с газовыми горелками широко используются на производстве, когда нужно, например, быстро нагреть сырье или высушить сыпучие материалы. Контролируют их работу алгоритмы усовершенствованного управления. Однако для них нужны точные данные о параметрах работы устройства, получать и своевременно обновлять которые затруднительно в условиях непрерывного производства. Для решения данной проблемы ученые ПНИПУ предложили более точный и эффективный метод – использовать нейросеть.
Исследование опубликовано в журнале «Научно-технический вестник Поволжья», № 10, 2023.
Как работают газовые горелки? Ученые ПНИПУ поясняют, что на вход устройства под давлением поступают топливный газ и первичный воздух (он нужен для поддержания факела горелки). Затем к получившемуся потоку дымовых газов примешивается вторичный воздух, он увеличивает его объемный расход и снижает температуру.
Для управления работой горелок используют алгоритмы усовершенствованного управления. Это специальные программно-алгоритмические средства, которые более точно контролируют работу промышленных аппаратов и повышают качество, производительность, энергоэффективность их функционирования. Для этого им требуется специальная модель, содержащая данные о состоянии устройства, например, значение коэффициента потерь тепла.
Как выяснили ученые Пермского Политеха, если подставлять в модель данные прошлых измерений и стандартизированные значения, она будет содержать серьезные ошибки. Так, исследователи использовали справочное значение коэффициента потерь тепла в топке, и модель выдала погрешность в 5,9% (примерно 33 градуса по Цельсию). Это значит, что данные некорректны, не определены.
Чтобы модель была точной, ее нужно параметризировать, т.е. найти адекватные значения неопределенных коэффициентов. Но все основные методы параметризации требуют проведения специальных экспериментов на объекте, в данном случае на аппарате с горелками. Это не всегда возможно в условиях непрерывного производства. Поэтому для расчета неопределенных параметров процесса ученые Пермского Политеха предложили использовать нейросеть.
– Для обучения нейросети требуется время и большое количество данных, однако после этого больше не нужно проводить эксперименты на объекте моделирования, а процесс расчета будет занимать доли секунд, – рассказывает аспирант кафедры оборудования и автоматизации химических производств ПНИПУ Дмитрий Корнилицин.
Политехники сгенерировали выборку тренировочных данных и на их основе обучили нейросеть, которая будет уточнять данные для модели и делать ее погрешность незначительной.
– Нейросеть повысила точность эмпирической (полученной способом измерений) модели: относительная ошибка снизилась с 5,9% до 0,35%. Цикл работы нейросети составляет всего 0,03 миллисекунд. Это позволяет оперативно использовать ее в задачах управления и адаптировать модель в каждый момент измерения, – подводит итог доктор технических наук, профессор кафедры оборудования и автоматизации химических производств ПНИПУ Александр Шумихин.
Разработка ученых ПНИПУ уникальна. Она будет востребована во всех сферах, где используются газовые горелки: при сварке и резке материалов, в работе котлов и печей. Использование нейросети даст возможность оперативно определять изменение теплотворной способности топливного газа, зарастание, забивание стенок топочной камеры нагаром, изменение количества тепла, выделяющегося при сгорании газа. Это позволит оптимизировать работу аппарата горелки, чтобы она функционировала максимально эффективно и без перебоев, без остановки производственного процесса.
Контактное лицо: Марина Козаченко (написать письмо автору)
Компания: ПНИПУ (все новости этой организации)
Добавлен: 21:41, 19.12.2023
Количество просмотров: 208
Страна: Россия
| Подкастная студия Сообщества ВЫЗОВ откроет двери на IV Конгрессе молодых ученых, Молодежное сообщество ВЫЗОВ, 18:57, 29.11.2024, Россия |
148 |
| Подкастная студия, организованная Молодежным сообществом ВЫЗОВ, примет гостей IV Конгресса молодых ученых. С 27 по 29 ноября на федеральной территории «Сириус» каждый сможет стать героем подкаста и обсудить актуальные вопросы науки. Интерактивная зона будет работать в креативном пространстве «Новые лица». |
|
| Ученые Пермского Политеха выяснили, как сделать лесные дороги более прочными, ПНИПУ, 08:08, 27.11.2024, Россия |
241 |
| Для добычи древесины необходимо прокладывать лесные дороги. Они испытывают повышенную нагрузку от тяжелых машин, из-за чего покрытие быстрее разрушается и приходит в негодность. Один из способов их укрепления - использование геосинтетических оболочек. Ученые Пермского Политеха выяснили эффективность применения таких оболочек под колесами автомобиля. |
 |
| В ТГУ начала работу новая лаборатория, Тольяттинский государственный университет, 07:30, 27.11.2024, Россия |
150 |
| Сотрудники научно-исследовательского института прогрессивных технологий Тольяттинского государственного университета (НИИПТ ТГУ) проводят в ней испытания биорезорбируемых металлических материалов. |
 |
| Ученые Пермского Политеха изучили, какие реагенты эффективны для очистки лопаток авиадвигателя, ПНИПУ, 07:17, 27.11.2024, Россия |
30 |
| Для сохранения характеристик лопаток газотурбинного двигателя важно качественно очищать их от нагара и оксидной пленки, которые образуются в процессе эксплуатации. Очистка химически стойких оксидов металлов требует более тщательного изучения и подбора реагентов. Ученые ПНИПУ доказали перспективность галогенидсодержащих составов для восстановления поверхности лопаток. |
|
| Ученые Пермского Политеха улучшили работу синхронного двигателя при высоких нагрузках, ПНИПУ, 07:07, 27.11.2024, Россия |
29 |
| Для упрощения работы синхронных двигателей используют наблюдателя - систему бездатчикового управления. Она косвенно получает информацию о положении ротора и скорости вращения двигателя. Но при изменении условий эксплуатации система может терять контроль. Ученые Пермского Политеха разработали более надежный подход к адаптации наблюдателя двигателя. |
 |
|
|
