Модели адаптивные математические

В адаптивных математических моделях нестационарных объектов параметр а (i) также рассматривается как функция номера i очередного эксперимента по снятию данных (ti) = х 2 t ) = = zf u (t ) = u однако а (t ) = а (i) определяется из решения экстремальной задачи типа (1-5) в течение всего времени функционирования объекта. При этом в качестве функции невязки используется выражение (1-4) с весовыми коэффициентами р (i), ослабляющими влияние старой информации на текущее значение и (i), или критерий типа [c.28]

На основе результатов, полученных экспериментально и при моделировании, разработана упрощенная адаптивная математическая модель пиролиза углеводородов в печи. Она отражает зависимости выходов товарных продуктов от наиболее важных режимных параметров — расхода сырья и температуры пирогаза на выходе из змеевика. В качестве примера рассмотрим модель пиролиза прямогонного бензина для случая, когда товарными продуктами являются этилен, пропилен, этан (как ценное сырье пиролиза), фракция углеводородов С 4, гидростабилизированный бензин (ГСБ) и тяжелое жидкое топливо (ТЖТ). Структура ее не изменяется при переходе к другим видам сырья или изменении совокупности целевых продуктов. [c.57]

Для адаптивных математических моделей выбирается метод минимизации функции (93) или (95), позволяющий при сравнительно малых затратах машинного времени получать оценки x (t). В случае адаптивной статической модели вектор a (i), i=l, 2,. .., k, определяется из условия минимума функции (93), в которой используются параметры угэ, э, 2<э, полученные при обследовании объекта управления в моменты времени 4 =1, 2,. .., d fi— [c.80]

Отсюда можно сделать вывод, что одной из задач создания адаптивной АСЗ является составление развитых алгоритмов, основывающихся не на интуитивном представлении о характере процесса, а на строгом математическом описании его. При этом математическое описание его должно включать как математическое описание самого химико-технологического процесса с учетом его кинетики, гидродинамической модели, теплового баланса в условиях аварийных ситуаций, так и описание процессов, происходящих в аппарате после исполнительного управляющего воздействия АСЗ того или иного типа. Система защиты, построенная на основе этого алгоритма, учитывает все особенности защищаемого процесса и за счет варьирования уставки срабатывания позволяет избежать значительных потерь. [c.30]

Неопределенность наших априорных знаний об объекте управления, а также случайные ненаблюдаемые возмущения, приводящие к отклонениям в работе объекта, заставляют прибегать к систематическому уточнению математической модели процесса (адаптация модели к изменяющимся внешним условиям). Та им образом поставленную задачу следует решать с помощью стохастических адаптивных методов. [c.122]

При нахождении экстремума критерия управления обычно учитываются ограничения. Некоторые алгоритмы управления [4] базируются на предположении, что весь процесс осуществляют на изменяющихся под действием возмущений технологических ограничениях. Учитываются также ограничения на диапазон изменения управляющих воздействий и на скорость их изменения [87]. Число управляющих воздействий в различных системах варьируется от двух [129] до десяти [12]. Для корректировки математической модели широко используются адаптивные методы [12, 128]. При решении задач управления учитывается шум в измерениях [4]. [c.140]

В системе были впервые опробованы алгоритмы адаптивного управления РРБ, описанные в главе IV и построенные на базе стохастической математической модели. [c.178]

Представляют интерес системы статической и динамической оптимизации с применением адаптивных моделей (рис. 1-29). В этих случаях математическое описание получают методами математической статистики, отработав экспериментальные данные, характеризующие зависимость между входными и выходными величинами. Особенность адаптивных моделей заключается [c.73]

Обычные аналоговые системы регулирования не обеспечивают оптимального технологического режима, так как параметры производственных процессов с течением времени меняются (т. е. меняется математическая модель процесса), а коэффициенты настройки регулятора остаются неизменными и поэтому не оптимальными. Настройка регуляторов с помощью самонастраивающихся систем не эффективна, так как требует довольно продолжительного анализа характеристик систем. Поэтому наиболее целесообразно применение адаптивных систем управления, которые вырабатывают-управля- [c.76]

Вторая глава посвящена изучению и исследованию протекания в электродинамических реакторах под действием СВЧ-излучения процессов дегидрирования бутенов в бутадиен и разложения известняка, созданию математической модели процесса получения извести, разработке методики настроечных параметров адаптивного управления процессами. [c.8]

Предложенная математическая модель адекватно описывает процесс в электродинамическом реакторе. Предложенная адаптивная система управления обеспечивает устойчивость регулирования, повышая его надежность, а следовательно, и безопасность процесса в целом. [c.14]

Особенно важен при определении математических моделей вопрос адаптации. Модели, построенные по информации о начальном процессе, могут приводить к ошибочным выводам о коррозионной ситуации. Для исключения таких ошибок применяют адаптивные модели, позволяющие осуществлять их корректировку в требуемый момент времени в соответствии с изменяющимися условиями [8]. [c.104]

Одной из основных задач построения математических моделей является их идентификация, чаще всего сводящаяся к определению такого вектора параметров а, при котором точность ММ удовлетворяет предъявляемым к ней требованиям. Эта задача может быть решена на стадиях технического задания или технического проектирования АСУ или в процессе эксплуатации автоматизированного комплекса. Подобная альтернатива объясняется тем, что в АСУ используются как неадаптивные, так и адаптивные (приспосабливающиеся) ММ. Решение о выборе того или иного типа модели принимается именно на этапе предпроектных научно-исследовательских работ в зависимости от степени нестационарности объекта и возможности постановки на нем экспериментов. [c.27]

Для того чтобы результатами имитационного моделирования можно было воспользоваться, необходимо иметь гарантию того, что модель идентична объекту. Для этого, во-первых, модели должны быть гибкими , т. е. иметь 1-2 изменяемых параметра, с помощью которых можно обеспечить совпадения реальных и модельных значений и, во-вторых, в состав математического обеспечения должны входить программы для решения задачи оптимальной идентификации, часто называемой при этом адаптивной. Спектр используемых для этих целей алгоритмов довольно широк от обычных. алгоритмов поиска корней системы нелинейных уравнений до различных адаптивных алгоритмов стохастической аппроксимации [ПО] (разумеется, такие задачи приходится решать и в системах реального времени, и это вновь подтверждает их связь с имитационным моделированием). [c.210]

Проверка математической модели по данным непрерывного производственного процесса на одном из отечественных заводов синтетического каучука подтвердила адекватность модели. В то же время выявлено, что некоторые из коэффициентов модели (связанные с активностью катализатора) медленно дрейфуют во времени, что обусловливает необходимость при построении системы управления с использованием ЭВМ производить их адаптивную коррекцию [135]. Это же относится и к параметрам, характеризующим управляемость реактора-полимеризатора [133]. [c.239]

Малая изученность процессов вносит функциональную неопределенность в математическую модель системы и алгоритмы оптимизации ХТС. Нестационарность течения процессов приводит к параметрической неопределенности. Для расчета параметров с целью оптимального управления процессом, производством необходимо учитывать обе указанные неопределенности. Для нестационарных систем важен прогноз значений параметров, иначе управление, рассчитанное по текущим значениям параметров, будет оптимальным для вчерашнего дня , то есть для прошедших времени и условий процесса. Эта проблема решается на основе применения адаптивно-эвристических моделей, учитывающих текущее состояние оборудования и тенденцию его изменения в будущем. Для целей оптимального проектирования адаптивно-эвристические модели упрощаются до детерминированных, использующих статистические зависимости изменения параметров за цикл работы оборудования. [c.12]

В зависимости от объема предоставленной исходной информации, от требований, предъявляемых к точности расчета по модели, от ограничений на затраты машинного времени, объема занимаемой . памяти ЦВМ, организации и периодичности расчетов в математической модели может быть усилена либо стохастическая, либо детерминированная часть. Возможно применение только стохастической адаптивной модели, приведенной на с. 43 сл. Про-гра(мма расчетов параметров по математической модели, составленная на алгоритмическом языке Фортран-4 приведена в табл. 17 [13]. Примеры расчетов даны в табл. П-15. Исходная информация для расчетов взята из таблиц 18—27 [13]. Погрешность расчета концентраций растворенных веществ в анолите и католите по математической модели не превышает б—7% от измеренных значений. Примеры расчета других параметров процесса и его погрешности даны при получении соответствующих зависимостей для этой цели (см. с. 47—61). [c.73]

Решаются задачи оптимизации работы цеха вывода сульфата натрия, рассмотренные в разделе 4 гл. VII. Содержание сульфата натрия в очищенном рассоле как задание поступает в подсистему ВС с уровня оптимизации производства. После очередного цикла ввода информации проводится проверка математической модели на адекватность, пересчет коэффициентов адаптивных зависимостей модели (см. раздел 3 гл. VII). При необходимости корректируется модель путем пересчета регрессионных коэффициентов. После этого решаются задачи оптимизации, приведенные в разделе 4 гл. VII. Результаты их решения выдаются как задания в систему управления процессом через диспетчера или непосредственно на изменение заданий регулятора и на верхний уровень для согласования полученных решений и выработки задания для нижних уровней оптимизации производства. [c.235]

Построение таких систем целесообразно вести на основе адаптивного подхода. Общий принцип адаптивных систем базируется на том, что одновременно в системе управления решаются задачи получения модели объекта (идентификации) и управления. Эти системы обладают значительной степенью универсальности в том смысле, что они основаны на одних и тех же принципах идентификации и прямого цифрового управления, имеют практически одинаковое математическое обеспечение, и специфика объекта учитывается только составом средств получения информации от объекта и согласующими устройствами. Эта универсальность является важной предпосылкой для серийного производства таких систем. [c.202]

В адаптивных статических моделях параметр х уточняется постепенно, по мере получения новых экспериментальных данных Угэ, г э, Щэ, т. е. формально рассматривается как функция номера эксперимента . В этом случае задача нахождения л (г) минимизацией функции невязки Ф[х(/)] решается многократно при все возрастающем числе с1 опытных данных Угэ. Процесс уточнения прекращается, как только достигается приемлемая степень адекватности математической модели объекту. [c.79]

Задача определения вектора параметров а адаптивной математической модели на этапе предпроектных назпшо-исследовательских работ не решается, здесь производится только предварительный выбор метода нахождения минимума функции невязки Ф [а (i)b [c.28]

При использовании стохастических зависимостей для математического описания процесса необходимо предварительно получить вероятностные характеристики, функции распределения. Для этого надо обработать большое число результатов предварительных испытаний или априорную информацию. Так как статистические данные получены при определенных входных условиях, то рассчитанные по этим данным вероятности и функции раапраделения имеют условный характер. При изменении условий (технологических, конструктивных) еобходимо пересчитывать указанные выше характеристики процесса. Причем данные для расчета можно получить на системе, работающей в новых условиях. Адаптивные математические модели применяют, если в системе имеется параметрическая неодределенность [90]. Эта неопределенность умень- [c.34]

Модели можно подразделять на стохастические, детерминированные и адаптивные. При использовании стохастических зависимостей для математического описания процесса необходимо предварительно получить вероятностные характеристики и функ-ШП1 распределения. Для этого необходимо обработать большое число результатов предварительных испытаний и надежную информацию. В связи с тем, что статистические данные обычно получаются при определенных входных условиях, рассчитанные по этим данным вероятности и функции распределения имеют условный характер. Если условия изменяются, то это надо учитывать и проводить соответствующие перерасчеты. Для характеристики детерминированных моделей используют классический аналитико-математический аппарат, применяемый для 01шсания процессов, протекающих в рассматриваемых объектах. Адаптивные математические модели применяют в тех случаях, когда в системе имеется параметрическая неопределенность. Эта неопределенность уменьп]ается, если есть надежная информация о рассматриваемом процессе. [c.150]

В процессе статистического моделирования сравнивали два алгоритма первый—субоптимальный активно-адаптивный мо-ношаговый алгоритм [123], рассмотренный в предыдущем разделе. Преобразованный с учетом математической модели (IV-26) каталитического крекинга, этот алгоритм имеет вид [c.132]

Перейдем непосредственно к построению математической модели электролиза в соответствии >с поставленными задачами. Как отмечалось выше (см. с. 34), математическая модель электролизера п ри современном уровне знаний о процессе должна быть адаптивной с широ ким привлечением детерминированных зависимостей. В соответствии с этим в модели выделим две части стохастическую, в которой используются адаптивные. алгоритмы для расчета параметров процессов, протекающих в электролизере, в условиях нестационарности, учитывающую стохастиэм процессов, и детерминированную, в которую входят электрохимические законы, уравнения материальных и тепловых балансов, т. е. основанную на законе сохранения массы ветдеств и энергии. Такое деление целесообразно для привлечения математического аппарата при построении модели и решении задач на ней. [c.43]

При оптимизации процессов и производств необходимо из многочисленных их возможных состояний выбрать определенные, лучшие в некотором смысле. Оценка лучшего состояния проводится с помощью критерия. Таким критерием могут быть различные показатели процессов и производств технологические, технико-эко-номические, экономические. Выбор критерия зависит от уровня иерархии системы, постановки задач оптимизации и средств, с по- мощью которых они решаются. Полученные в гл. П математические модели единичного электролизера и их группы (отделение электролиза), использующие адаптивные алгоритмы расчета параметров процессов, протекающих в электролизере, позволяют ставить и решать широкий круг задач оптимизации работы как единичного аппарата, так и отделения в целом, отвечающих требованиям создаваемых АСУТП. [c.93]

Представляют интерес системы статической и динамической оптимизации с применением адаптивны хмоделей (рис. 1-30). В этих случаях математическое описание получают методами математической статистики, отработав экспериментальные данные, характеризующие зависимость между входными и выходными величинами. Особенность адаптивных моделей заключается в том, что-их коэффициенты вычисляются снова после каждого очередного изменения выходной величины с помощью методов регрессионного анализа. Полученные данные рассматриваются как источник до- [c.90]

Последняя, девятая глава посвящена применению динамического программирования для оптимизации стохастических процессов, модели которых формулируются на основе статистических вероятностных закономерностей. В этих случаях максимизируется математическое ожидание целевой функции (дохода), определяемой с помощью рекуррентного соотношения между N- а ф — 1)-й стадиями. Значительный интерес представляет проведенное автором с большой наглядностью и методичностью сопоставление детерминированных и стохастических процессов. Для современных химических процессов и больших химических систем (цех, завод) все более характерным становится замена однозначного детерминизма вероятностными связями между событиями. От изучения простых систем и единичных явлений переходят к изучению сложных систем и массовых явлений, когда важен уже не результат отдельного события, а общий эффект основной массы событий. Венцом практической реализации и управления стохастическими процессами являются адаптивные, или самоорганизующиеся, модели, основанные на стохастической природе явлений. [c.9]

С целью более точного определения параметров математической модели процесса алгоритм функционирования системы управления дополняется адаптивным алгоритмом, использующим рекуррент- [c.63]

Развитие систем ферментации направлено на увеличение числа измеряемых и регулируемых параметров, миниатюризацию блоков управления и создание комплексов ЭВМ—ферментер. Эти комплексы способны не только поддерживать условия процесса, но и менять его параметры по заданным программам. Например, система Ультраферм—1601 (фирмы ЛКБ , Швеция) управляет параметрами процесса культивирования микроорганизмов по заранее заданным жестким программам, однако это управление не всегда оказывается эффективным. Поэтому наряду с программно-временным управлением используется адаптивное, основанное на применении математической модели процесса. [c.85]

Справочник химика 21

Химия и химическая технология