LSTM-сети для управления метантенком

Рейтинг:   / 0
ПлохоОтлично 

Authors:

В.С.Есилевский, Кандидат технических наук, доцент, orcid.org/0000-0002-5935-1505, Национальный университет радиоэлектроники, г. Харьков, Украина, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

С.В.Дядюн, кандидат технических наук, доцент, orcid.org/0000-0002-1910-8594, Национальный университет городского хозяйства имени А. М. Бекетова, г. Харьков, Украина; Национальный университет имени В. Н. Каразина, г. Харьков, Украина, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

В.Н.Кузнецов, Кандидат технических наук, профессор, orcid.org/0000-0003-4638-5260, Старооскольский технологический институт имени А. А. Угарова, „Национальный исследовательский технологический университет „МИСиС“, г. Старый Оскол, Белгородская обл., Российская Федерация, e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Abstract:

Цель. Исследование возможности применения систем искусственного интеллекта на основе нейронных сетей для повышения эффективности технологического процесса производства биогаза в метантенке путем оптимизации нелинейной системы управления.

Методика. Математическое и имитационное компьютерное моделирование для построения системы адаптивного управления на основе нейронной LSTM-сети с использованием методов обучения с подкреплением. Исследование сходимости процесса обучения нейронной сети на нелинейной математической модели технологического процесса.

Результаты. Проведенный вычислительный эксперимент показал сходимость процесса обучения за 600 эпизодов на модели с двумя управляющими каналами и четырьмя каналами измерения и эффективность работы предложенной адаптивной системы управления для программной модели технологического процесса. Полученные результаты подтверждают принципиальную возможность использования этого подхода для управления реальным процессом производства биогаза в метантенке.

Научная новизна. Показано, что задача управления получением биогаза в метантенке может быть решена на основе подхода обучения с подкреплением, реализованного для непрерывной нелинейной динамической системы. Система может быть реализована в виде двух нейронных сетей в архитектуре актер-критик. Для построения модуля критики и модуля нейроконтроллера системы адаптивного управления предложено использовать архитектуру нейронной сети на основе специального вида рекурсивной нейронной сети – LSTM нейронных сетей, которая ранее не использовалась для управления производством биогаза в метантенке.

Практическая значимость. Предложенный метод построения системы управления метантенком приведет к повышению эффективности производства биогаза как альтернативного возобновляемого источника энергии. Расширение сферы применения метантенков также окажет существенное влияние на решение проблемы утилизации промышленных и бытовых отходов жизнедеятельности человека.

References.

1. Grando, R. L., de Souza Antune, A. M., Da Fonseca, F. V., Sánchez, A., Barrena, R., & Font, X. (2017). Technology overview of biogas production in anaerobic digestion plants: a European evaluation of research and development. Renewable and Sustainable Energy Reviews80, 44-53.

2. Malina, J. (2017). Design of Anaerobic Processes for Treatment of Industrial and Muncipal Waste, Volume VII. Routledge.

3. Rincón, A., Villa, J., Angulo, F., & Olivar, G. (2014). A Dynamic Analysis for an Anaerobic Digester: Stability and Bifurcation Branches. In Mathematical Problems in Engineering, 2014.

4. Jimenez, J., Latrille, E., Harmand, J., Robles, A., Ferrer, J., Gaida, D., … & Mendez-Acosta, H. (2015). Instrumentation and control of anaerobic digestion processes: a review and some research challenges. Reviews in Environmental Science and Bio/Technology14(4), 615-648.

5. Oppong, G., & Montague, G. (2013). Towards Model Predictive Control on Anaerobic Digestion Process. IFAC Proceedings Volumes, 46(32), 684-689. DOI: 10.3182/20131218-3-IN-2045.00063.

6. Lei Xue, Li, D., & Xi, Y. (2015). Nonlinear model predictive control of anaerobic digestion process based on reduced ADM1. In 10 th Asian Control Conference (ASCC), 2015. 31 May–3 June 2015. DOI: 10.1109/ASCC.2015.7244539.

7. Mnih, V., Kavukcuoglu, K., Silver, D., Andrei A. Rusu, Veness, J., Marc G. Bellemare, … & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533.

8. Timothy P. Lillicrap, Jonathan J. Hunt, Pritzel, A., Heess, N., Erez, T., Tassa, Y., … & Daan Wierstra (2015). Continuous control with deep reinforcement learning. Retrieved from https://arxiv.org/abs/1509.02971.

9. Spielberg, S., Gopaluni, R. B., & Loewen, P. D. (2017). Deep reinforcement learning approaches for process control. In 6 th International Symposium on Advanced Control of Industrial Processes (AdCONIP) (pp. 201-206). DOI: 10.1109/ADCONIP.2017.7983780. 2017.

10. Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia: Pearson Education Limited.

11. David, S., Lever, G., Heess, N., Degris, T., Wierstra, D., & Riedmiller, M. (2014). Deterministic policy gradient algorithms. In Proceedings of the 31st International Conference on Machine Learning, Beijing, China, 2014. JMLR: W&CP, volume 32.

12. Ghavamzadeh, M., Mannor, S., Pineau, J., & Tamar, A. (2015). Bayesian reinforcement learning: A survey. Foundations and Trends® in Machine Learning8(5-6), 359-483.

13. Van Hasselt, H., Guez, A., & Silver, D. (2016). Deep Reinforcement Learning with Double Q-Learning. AAAI, 2, p. 5.

14. Mnih, V., Badia, A.P., Mirza, M., Graves, A., Lillicrap, T., Harley, T., ... & Kavukcuoglu, K. (2016, June). Asynchronous methods for deep reinforcement learning. In International conference on machine learning (pp. 1928-1937).

15. Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., ... & Wierstra, D. (2015). Continuous control with deep reinforcement learning. arXiv preprint arXiv:1509.02971.

 повний текст / full article



Посетители

3480057
Сегодня
За месяц
Всего
89
883
3480057

Гостевая книга

Если у вас есть вопросы, пожелания или предложения, вы можете написать их в нашей «Гостевой книге»

Регистрационные данные

ISSN (print) 2071-2227,
ISSN (online) 2223-2362.
Журнал зарегистрирован в Министерстве юстиции Украины.
 Регистрационный номер КВ № 17742-6592ПР от 27.04.2011.

Контакты

40005, г. Днепр, пр. Д. Яворницкого, 19, корп. 3, к. 24 а
Тел.: +38 (056) 746 32 79.
e-mail: Этот адрес электронной почты защищен от спам-ботов. У вас должен быть включен JavaScript для просмотра.