Выходной вектор Z: масса (расход) полученного клинкера; характеристики клинкера; параметры отводимых газов.

Сложность объекта, неопределенность большинства пара­мет­ров и их взаимосвязей, указывают на целесообразность прибегнуть для решения задачи управления к методам имитационного моделирования.

К наиболее популярным системам имитационного моделиро­вания относятся AnyLogic, Aimsun, Arena, GPSS, ИМИТАК, , РДО, PTV, Tecnomatix Plant Simulation, NS-2, Transyt, Vision VISSIM, eM-Plant, Powersim.

Моделирование технологических процессов термической обработки цементного клинкера проведено в диссертации с использованием системы имитационного моде­лирования РДО (РЕСУРСЫ – ДЕЙСТВИЯ – ОПЕРАЦИИ), которая позволяет более глубоко и точно учитывать особенности динамики объекта автоматизации. В среде РДО удобно не только проводить имитационное моделирование технологического процесса, но и проводить анимацию для наблюдения его хода в реальном времени, что немаловажно при решении задач оптимизации управления.

Сложная динамическая система на концептуальном уровне пред­ставляется в виде множества некоторых взаимодействующих между собой ресурсов.

Ресурс — это элемент сложной системы, внутренней структурой которого можно пренебречь, в то время как его наличие и свойства как целого важны для целей описания.

Все ресурсы Сложных Дискретных Систем (СДС) образуют некоторое множество:

  ,        (22)

  где: ri — i-ый ресурс СДС, а N(t) — число ресурсов СДС в данный момент времени. Основным составляющим СДС, каковыми являются ее элементы, производственный процесс, законы функционирования, соответствуют следующие информационные объекты: ресурсы, действия, нерегулярные события и операции. Представление СДС в РДО-методе показано на рис.5.


Рис.5. Представление СДС в РДО-методе

Ресурсы могут быть разбиты на несколько типов; каждый ре­сурс определенного типа описывается одними и теми же пара­метрами.

В среде РДО можно моделировать информационные потоки с различными законами распределения (равномерным, нормальным, экспоненциальным и т. п.). Обобщенно процесс анализа системы посредством вычис­лительной модели показан на рис.6.

Процесс моделирования начинается с определения структуры системы, на основе которого устанавливаются границы составляю­щих модели и необходимый уровень детализации моделируемых про­цес­сов. Обосновывается выбор зависимых и независимых пере­менных, опреде­ляется тип модели (стохастическая, детерминиро­ванная и др.). Исходные данные определяются на основе эмпири­чес­ких данных, иден­тификации и специфи­кации определяемых переменных. Что касается рассматриваемого технологического процесса — термической обработки цементного клинкера, то для формирования исходных данных необходимо учитывать сложность объекта: про­цесс обжига клинкера в печи подвержен влиянию множества раз­нородных факторов. Главные из них — количество, химический сос­тав шлама, расход, температура, калорийность топлива, расход и темпера­тура вторичного воздуха и множество других.        

 

Рис.6. Обобщенное  представление процесса моделирования

Исходные данные и начальные условия, уровень детализации которых на начальном этапе определяется оператором, могут быть представлены, например, в виде некоторой матрицы, строки кото­рой соответст­вуют определенной операции процесса, а столбцы как раз и являются харак­теристиками операции. Успешность моделиро­вания за­висит от того, насколько хорошо оператор умеет выделять существен­ные элементы и взаимосвязи между ними.

Исходя из специфики технологического процесса, могут быть сформулированы следующие ограничения на:

    количество операций, заданных технологией; последовательность вы­полнения операций; расход шлама; производительность печи (по техническому паспорту печи); удельный расход условного топлива; влажность шлама, температура вторичного воздуха; скорость вращения печи (не более 1 об/мин).

Частота поступления шлама в печь может быть определена, например, законом распределения, устанавли­ваю­щим длительность интервалов между входными сигналами предыдущей операции.

Перечисленные ограничения представляются общими для лю­бого варианта исходных данных.

В четвертой главе решаются задачи разработки имитационной модели и проведения имитационных экспериментов.

Исходным этапом моделирования представляется определе­ние ресурсов мо­дели, в данном случае — элементов вращающейся печи, которые непосредственно связаны с процессами обжига и охлаждения клин­кера. В качестве таковых выступают определенные параметра агрегата, технологические зоны печи, устройства контро­ля и управ­ления, так что для конкретной задачи могут быть предложены различные варианты моделей. Наиболее рациональным решением представ­ляется расс­мотрение печи в целом — агрегата для получения клинкера — как единого ресурса, поскольку именно в этой модели возможно размещение и хра­нение практически всей инфор­мации об его функционировании.

С целью последовательного улучшения технологического ре­жима вращающегося печи и снижения удельного расхода топлива целесообразно обеспечить следующие условия:

    Нормализация работы шламопитателя. Снижение удельного расхода топлива на обжиг клинкера. Увеличение часовой производительности печи.

Имитационное моделирование представляет собой процесс построения обобщенной компьютерной модели с алгоритмическим описанием основных правил ее поведения.

В методе РДО знания о моделируемой системе представляют­ся в виде модифицированных продукционных правил. Состояние любого моделируемого объекта системы определяется набором значений параметров всех элементов, принадлежащих системе и соответствующей базе данных (БД).

Пусть характеристики системы Zi(t) будут случайными функциями времени, зависящими от параметров ф1, ф2, …, фn. Разобьем эти параметры на две группы: управления — ф1, ф2, …, фm, опреде­ляющие дальнейший порядок функционирования системы, и собственные — фm+1, ф m+2, …, фn, характеризующие свойства системы и ее элементов и не зависящие от управления. Пусть некоторое свойство системы описывается функционалом Ф, взятым в качестве показателя и определенным в пространстве Zi(t):

Ф = Ф(ф1, ф2, …, фm; фm+1, ф m+2, …, фn).        (23)

На величины фi накладываются ограничения вида:

лi(ф1, ф2, …, фm; фm+1, ф m+2, …, фn),                (24)

                       h = 1, 2, …, h*, 0 ≤ фj ≤ бi.                         (25)

Можно утверждать, что задача оптимального управления сведется к выбору параметров фm+1, ф m+2, …, фn, удовлетворяющих условиям (24) и обеспечивающих минимум функционала Ф (23).

Если Ф = Ф(ф1, ф2, …, фn) и лh(ф1, ф 2, …, фn), заданные модели­рующим алгоритмом, является выпуклыми и непрерывно диффе­ренцируемыми функциями n переменных, то задача выбора опти­мального управления асимптотически эквивалентна задаче нахож­дения минимума функции

                                (26)

при условиях 0 ≤ фj ≤ бi (c > 0 — некоторое постоянное число). Под асимптотической эквивалентностью мы будем понимать эквивалентность при c → ∞. Таким образом, в результате замены (23) эквивалентным соотношением (26) мы пришли к задаче, которая может быть решена любым из известных методов отыскания экстремума.

Суть его сводится к следующему. Пусть искомыми величинами будут ф1, ф2,.., фw. Тогда в W-мерном пространстве выбираем произвольную точку б1, б2, …, бn, которую будем называть точкой нулевого приближения, а значение V(ф1, ф2, …, фw) обозначим V0. Отправляясь от этой точки, используем итерационную процедуру покомпонентной минимизации величины V как функции одной переменной. Минимизация функции V по каждой переменной может быть проведена различными способами. Рассмотрим алгоритм минимизации функции:

,

приняв во внимание физи­ческую особенность функционирования технологической операции:

при и .

Пусть минимум функции находится в интервале (0, ф), то есть, правая граница интервала неизвестна. Произвольно выбираем значение аргумента ф = ф1 и методом агрегативного моделирования определяем функционал F1 при этом аргументе, соответственно увеличиваем значение аргумента  ф = ф2 = 2ф1. Значение функцио­нала F2 варьируется аналогичным образом — до тех пор, пока не выполнится условие

Fn > F1 (n = 2, 3, 4, …).

Для определения левой границы интервала поступаем следующим образом. Интервал (0, ф) делим пополам (значение функ­ции при аргументе ф/2 было определено при поиске правой грани­цы). Вновь полученный интервал (ф/2, ф) снова делим пополам, и в этой точке также определяем значение функции. Рассмотрим два случая взаимного соответствия этих значений.

Случай 1-й (рис.7,а). Если соблюдается условие FA>FB<FN, то минимум функции находятся в интервале (a, n). Для определения минимума функции отрезки a, b и b, n делим пополам, получая, соответственно, точки c и d, и вычисляем при этих аргументах зна­чения функции (точки C, D), и далее — с заданной степенью точ­ности опреде­ляем мини­мальное значение функции методом пяти точек.        

Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 4 5