13.04.2024
Подписывайтесь на Telegram-канал по ссылке

Нейросеть поможет в управлении промышленными газовыми горелками

Industrial gas burner N

Аппараты с газовыми горелками широко используются на производстве, когда нужно, например, быстро нагреть сырьё 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 проблемы учёные Пермского Политеха предложили более точный и эффективный метод — использовать нейросеть. Исследование опубликовано в журнале «Научно-технический вестник Поволжья».

Учёные 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 объёмный 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 учёные, если подставлять в модель данные прошлых измерений и стандартизированные значения, она будет содержать серьёзные ошибки. Так, исследователи использовали справочное значение коэффициента потерь тепла в топке, и модель выдала погрешность в 5,9 процентов (примерно 33 градуса по Цельсию). Это значит, что данные некорректны, не определены. Чтобы модель была точной, её нужно параметризировать, то есть найти адекватные значения неопределённых 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 расчёта неопределённых параметров процесса ученые 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 расчёта будет занимать доли секунд. Политехники сгенерировали выборку тренировочных данных и на их основе обучили нейросеть, которая будет уточнять данные для модели и делать её погрешность незначительной. Нейросеть повысила точность эмпирической (полученной способом измерений) модели: относительная ошибка снизилась с 5,9 до 0,35 процентов. Цикл работы нейросети составляет всего 0,03 миллисекунд. Это позволяет оперативно использовать её в задачах управления и адаптировать модель в каждый момент измерения.

Разработка учёных 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.