Отмечены характерные особенности многих промышленных процессов биотехнических, биотехнологических, пищевых и других производств. К основным отнесены сложность получения математической модели вследствие неполноты знаний кинетических закономерностей, наличия нелинейностей различного вида в математической модели, нестационарность, а также значительная структурная и параметрическая неопределенность, проявляющаяся в процессе функционирования. Осуществлен синтез нейросетевой системы управления процессом с учетом многорежимности его функционирования в условиях неопределенности. Предложено режимы протекания процесса идентифицировать с помощью характерных изменений скорости изменения концентрации растворенного в среде культивирования автоматически контролируемого углекислого газа в отходящем из аппарата воздухе. На основе проведенного анализа результатов обучения нейронной сети различными методами установлена целесообразности применения алгоритма Левенберга-Марквардта, который обеспечивает большую точность и высокую скорость сходимости вблизи минимума, а, следовательно, позволяет существенно ускорить процедуру обучения. Используя алгоритм Левенберга-Марквардта, проведено обучение нейросетевых моделей объекта управления, каждая из которых на определенных режимах протекания процесса наиболее приближена к фактическому состоянию объекта. Это позволило реализовать основной принцип работы многорежимных систем управления, заключающийся в переключении алгоритмов управления с нейросетевыми моделями при смене режимов процесса, что позволяет обеспечить заданные показателей качества системы в каждом из режимов при изменяющихся условиях функционирования.
The characteristic features of many industrial processes of biotechnological, biotechnological, food and other industries are noted. The main ones are the difficulty of obtaining a mathematical model due to the incompleteness of knowledge of kinetic laws, the presence of various types of noniinearities in the mathematical model, non-stationarity, as well as significant structural and parametric uncertainty that manifests itself in the process of functioning. The synthesis of a neural network process control system was carried out taking into account the multi-mode of its functioning in conditions of uncertainty. It is proposed that the process flow modes be identified using characteristic changes in the rate of change in the concentration of automatically controlled carbon dioxide dissolved in the culture medium in the air leaving the apparatus. Based on the analysis of the results of training the neural network by various methods, the feasibility of applying the Levenberg-Marquardt algorithm, which provides greater accuracy and high convergence rate near the minimum, and, therefore, can significantly accelerate the training procedure, has been established. Using the Levenberg-Marquardt algorithm, we trained neural network models of the control object, each of which, at certain modes of the process, is closest to the actual state of the object. This allowed us to implement the basic principle of multimode control systems, which consists in switching control algorithms with neural network models when changing process modes, which allows us to provide specified system quality indicators in each of the modes under changing operating conditions.
The authors declare that there are no conflicts of interest present.