SYNTHESIS OF A MULTI-MODE INTELLECTUAL SYSTEM OF MANAGEMENT OF A WEAKLY FORMED PROCESS

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.

multimode control system, neural network model, model uncertainty, control object, mode identification, carbon dioxide rate of change

1. Казеев И.В. Масштабирование процесса микробиологического синтеза рекомбинантных белков (на примере получения рекомбинантного человеческого а2-интерферона) 05.17.08 Процессы и аппараты химических технологий 03.00.23 Биотехнология. Автореф. дисс.. канд. техн. наук. Казеев Илья Владимирович; [Место защиты: Рос. хим.-технол. ун-т им. Д.И. Менделеева]. Москва, 2009. 16 с.

2. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. Сер. «Нейрокомпьютеры и их применение». Кн. 8. Под общ. ред. А.И. Галушкина. М.: ИРПЖ. 2002. 480 с.

3. Лубенцов В.Ф. Исследование САУ процессом ферментации с применением технологии нейронных сетей // Приборы и системы. Управление, контроль, диагностика, 2005. № 9. С. 1-4.

4. Рудакова Т.А. Сравнение и выбор нейросетевых моделей на основе метода анализа иерархий [Текст] / Т.А. Рудакова, Н.И. Червяков, В.Ф. Лубенцов // Приборы и системы. Управление, контроль, диагностика. 2008, № 5. С. 1-5.

5. Юсупбеков Н.Р., Бабаянц А.В., Мунгиев А.А., Якубов Э.М. Управление процессами ферментации с применением микро-ЭВМ. Ташкент: Фан, 1987. 200 с.

6. Бирюков В. В. Процесс ферментации как объект регулирования температуры / В. В. Бирюков, В. В. Кафаров // Химико-фармацевтический журнал. 1968. № 3. С. 36-39.

7. Бирюков В. В. Растворенный углекислый газ как параметр управления в процессах ферментации / В. В. Бирюков, С. Б. Ицыгин // Химико-фармацевтический журнал. 1976. № 4. С. 122-126.

8. Червяков Н.И. Сравнение алгоритмов обучения нейросетевой модели управления динамическими системами [Текст] / Н.И. Червяков, Т.А. Рудакова, СЮ. Щербина // Нейрокомпьютеры: разработка, применение. М.: Радиотехника, 2008, №1-2. С. 57-63.

9. Медведев B.C. Нейронные сети. МАТЛАВ 6 / В. С. Медведев, В. Г. Потемкин; Под общ. ред. к.т.н. В. Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. 496 с.