Метод управления системой орошения конденсатора холодильной установки, расположенной на хоккейном стадионе при помощи нейросетевого регулятора

Обложка

Цитировать

Полный текст

Аннотация

Актуальность и цели. Необходимость повышения энергетической эффективности и надежности холодильных систем на спортивных сооружениях обусловливает потребность в совершенствовании методик управления процессом орошения конденсаторов. Основные ограничения существующих подходов связаны с отсутствием гибкости и сложности тонкой калибровки параметров. Основная цель исследования заключается в создании и внедрении нейросетевого регулятора, способного оперативно реагировать на текущие значения переменных внешней среды, таких как атмосферная температура, относительная влажность и уровень тепловой нагрузки на холодильную установку. Материалы и методы. Был проведен комплексный сравнительный анализ известных алгоритмов управления охлаждением, выявивший характерные проблемы традиционного подхода. Реализованная нейросетевая архитектура основана на принципах генеративно-состязательной сети (Generative Adversarial Networks, GAN), прошедшей этап обучения на эмпирическом наборе исторических данных, собранных с действующего промышленного оборудования. Практическая проверка эффективности разработанной модели выполнялась посредством натурного эксперимента на функционирующей холодильной установке крупного спортивного сооружения с детальным мониторингом климатической обстановки и теплофизических свойств хладагента. Результаты и выводы. Экспериментально подтверждено статистически достоверное повышение устойчивости поддерживаемых технологических параметров и заметное снижение уровня энергопотребления системы охлаждения. Сокращено время задержки реакционной способности контроллера на случайные возмущения, что способствует улучшению динамики и адаптивности режима охлаждения к изменяющимся режимам эксплуатации. Практика применения нейросетевых технологий открывает перспективы оптимизации энергосбережения и повышения производительности охлаждающих агрегатов на специализированных объектах массового пользования. Эффективность предлагаемого решения подтверждает целесообразность его дальнейшей реализации на аналогичных технических комплексах.

Об авторах

Дмитрий Александрович Корнюшкин

Санкт-Петербургский государственный университет телекоммуникаций имени профессора М. А. Бонч-Бруевича

Автор, ответственный за переписку.
Email: kornyushkin_98@mail.ru

аспирант

(Россия, г. Санкт-Петербург, пр-кт Большевиков, 22, корп. 1, литера А, Ж)

Список литературы

  1. Кубасов И. А., Иванов А. И. Энтропийно-нейросетевой метод устранения противоречивости оценок экспертов // Надежность и качество сложных систем. 2021. № 4. С. 56–63.
  2. Сычугов А. А., Греков М. М. Применение генеративных состязательных сетей в системах обнаружения аномалий // Моделирование, оптимизация и информационные технологии. 2021. Т. 9, № 1. С. 1‒9.
  3. Иванов А. И., Иванов А. П., Куприянов Е. Н. Мультипликативно-нейросетевое объединение статистических критериев Херста и Мурота – Такеучи при проверке гипотезы нормальности малых выборок // Надежность и качество сложных систем. 2021. № 4. С. 27–33.
  4. Царькова Е. Г. Математическая модель искусственной нейронной сети для управления робототехническим комплексом в экстремальных условиях // Инженерный вестник Дона. 2022. № 11. URL: ivdon.ru/ru/magazine/archive/n11y2022/8026
  5. Белов А. М., Белов М. П. Применение нейронных сетей в электроприводных системах насосных агрегатов // Международная конференция по мягким вычислениям и измерениям. 2022. Т. 1. С. 91–94.
  6. Воевода А. А., Шипагин В. И. Синтез нейросетевого регулятора управления нелинейной моделью перевернутого маятника на тележке // Научный вестник Ново- сибирского государственного технического университета. 2020. № 2–3 (79). С. 25–36. doi: 10.17212/1814-1196-2020-2-3-25-36
  7. Филюшов В. Ю. Полиномиальный метод синтеза регуляторов для многоканальных объектов с неквадратной матричной передаточной функцией : дис. … канд. техн. наук : 2.3.1. СПб., 2022. 177 с.
  8. Воевода А. А., Шипагин В. И. Об управляемости и наблюдаемости многоканальных САУ при синтезе модальным методом с использованием полиномиального матричного разложения объекта и регулятора // Безопасность цифровых технологий. 2022. № 3 (106). С. 26–48. doi: 10.17212/2782-2230-2022-3-26-48
  9. Воевода А. А., Шипагин В. И. Расчет регулятора для многоканального объекта с нестационарными параметрами, содержащего звенья запаздывания // Системы анализа и обработки данных. 2022. № 1 (85). С. 7–24. doi: 10.17212/2782-2001- 2022-1-7-24
  10. Хасцаев Б. Д., Хмара В. В., Аликов А. Ю., Марсов В. И., Суворов Д. Н. Дистанционный измеритель температуры с улучшенными характеристиками для автоматизированной системы управления технологическим процессом // Вестник ГГНТУ. Технические науки. 2022. Т. 18, № 2 (28). С. 33‒40.
  11. Лысенко Д. С. Интеллектуальная система адаптации типовых законов автоматического регулирования с функцией идентификации структуры и параметров объекта // Вестник Самарского государственного технического университета. Серия: Технические науки. 2022. Т. 30, № 1. С. 46–62. doi: 10.14498/tech.2022.1.3
  12. Моисеенко Н. А., Цуев М. М., Саратова Э. Х. Большие данные и некоторые возможности их применения // Вестник ГГНТУ. Технические науки. 2023. Т. 19, № 3 (33). С. 15‒23.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».