Науковий вісник НГУ

Мультиагентна технологія побудови предиктору для керування барабанною сушаркою

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №4 2024

Останнє оновлення: 28 серпня 2024

Опубліковано: 30 листопада -0001

Перегляди: 1140

Authors:

І.С.Конох, orcid.org/0000-0001-5930-1957, Кременчуцький національний університет імені Михайла Остроградського, м. Кременчук, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Н.М.Істоміна*, orcid.org/0000-0002-6811-8115, Кременчуцький національний університет імені Михайла Остроградського, м. Кременчук, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А.І.Ломонос, orcid.org/0000-0002-5001-1280, Кременчуцький національний університет імені Михайла Остроградського, м. Кременчук, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (4): 121 - 127

https://doi.org/10.33271/nvngu/2024-4/121

Abstract:

Мета. Підвищення ефективності технологічних ліній сушіння сипучих продуктів шляхом автоматизації керування із застосуванням інтелектуальної технології визначення стану продукту та прогнозування його вихідної вологості з використанням аналізу масиву сигналів керування й повідомлення в часовій області.

Методика. Використана авторську модель барабанної сушарки з аксіальними й топковими пальниками для сушіння шихти, що використовується для виробництва залізорудного концентрату – окотків. На моделі виконана генерація навчальних і контрольних прикладів. Проведене дослідження працездатності мультиагентної технології та оцінка точності прогнозування вихідної вологості.

Результати. У роботі проаналізовані фактори, що ускладнюють якісне автоматичне керування процесом сушіння сипучих продуктів у барабанних сушарках, які обертаються всередині топки з пальниками. Запропонована модель інтелектуального предиктору, що ідентифікує стан продукту та прогнозує його вихідну вологість за доступними керуючими сигналами й сигналами зворотного зв’язку. Доведена працездатність моделі мультиагентної системи та алгоритмів обчислення прогнозного значення вологості, можливість використання технології для забезпечення автоматичного керування технологічним процесом і якісної стабілізації керованого параметра.

Наукова новизна. Предиктор реалізується у вигляді однорангової мультиагентної системи, що зберігає та проводить роботу з сигнальними векторами, в яких значення сигналів розміщене з урахуванням часових затримок між зміною відповідного сигналу та зміною вологості продукту на виході сушарки. Кожний агент містить опис окремої конкретної ситуації в динаміці. Технологія передбачає автоматичне налаштування мультиагентної системи шляхом аналізу масивів сигналів на тривалому проміжку часу й генерацію нових агентів у випадках, коли фіксується ситуація, яку неможливо описати масивом існуючих агентів.

Практична значимість. Технологія забезпечує розрахунок вихідної вологості масивом агентів і дозволяє реалізувати автоматичне керування сушаркою з нівелюванням часової затримки в каналі зворотного зв’язку.

Ключові слова: сушіння сипучих продуктів, автоматичне керування, модельні експерименти

References.

1. Konokh, I., Oksanych, I., & Istomina, N. (2020). Automatic Search Method of Efficiency Extremum for a Multi-stage Processing of Raw Materials. Advances in Intelligent Systems and Computing, 1020, 225-241. https://doi.org/10.1007/978-3-030-26474-1_17.

2. Yusupbekov, A. N., Sevinov, J. U., & Botirov, T. V. (2021). Synthesis Algorithms for Neural Network Regulator of Dynamic System Control. 14^th International Conference on Theory and Application of Fuzzy Systems and Soft Computing, 723-730. https://doi.org/10.1007/978-3-030-64058-3_90.

3. Endo, A., Cartagena, O., Ocaranza, J., Sáez, D., & Muñoz, C. (2022). Fuzzy and Neural Prediction Intervals for Robust Control of a Greenhouse. 2022 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 1-8. https://doi.org/10.1109/fuzz-ieee55066.2022.9882701.

4. Areed, F. F. G., El-Kasassy, M. S., & Mahmoud, Kh. A. (2012). Design of Neuro-Fuzzy Controller for a Rotary Dryer. International Journal of Computer Applications, 37(5), 34-41. https://doi.org/10.5120/4606-6584.

5. Khin, A. M., & Thwe, A. M. (2020). Fuzzy Logic Based Dryer Controller. International Journal of Advances in Scientific Research and Engineering, 6(4), 106-112. https://doi.org/10.31695/ijasre.2020.33795.

6. Mamboundou, J., & Langlois, N. (2011). Indirect adaptive model predictive control supervised by fuzzy logic. 2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011), 2979-2986. https://doi.org/10.1109/fuzzy.2011.6007612.

7. Garcia-Magarino, I. (2011). A set of method fragments for developing multi-agent systems assisted with model transformations. 11 ^th International Conference on Intelligent Systems Design and Applications, 30-35. https://doi.org/10.1109/isda.2011.6121626.

8. Goodrich, M. A., Adams, J. A., & Scheutz, M. (2022). Autonomy Reconsidered: Towards Developing Multi-agent Systems. Lecture Notes in Networks and Systems, 294. Springer, Cham. https://doi.org/10.1007/978-3-030-82193-7_38.

9. Zeng, X., & Yu, C. (2014). Multivariable IMC-PID within air-conditioned room temperature and relative humidity control system. Proceedings of the 33 ^rd Chinese Control Conference, 3609-3613. https://doi.org/10.1109/chicc.2014.6895539.

10. Demazeau, Y., Dignum, F., Corchado, J. M., Bajo J., Corchuelo R., Corchado E., Fernández-Riverola F., …, & Campbell, A. (2011). Trends in practical applications of agents and multiagent systems. Berlin: Springer. https://doi.org/10.1007/978-3-642-12433-4.

11. Sharma, D., & Shadabi, F. (2014). Multi-agents based data mining for intelligent decision support systems. 2 ^nd International Conference on Systems and Informatics (ICSAI 2014), Shanghai, China, 241-245. https://doi.org/10.1109/icsai.2014.7009293.

12. Konokh, I. S., Istomina, N. M., & Sribnyi, S. D. (2019). Using multiagent systems for identification and automatic control tasks. Bulletin of the Kherson National Technical University, 3(70), 49-62. https://doi.org/10.35546/kntu2078-4481.2019.3.5.

13. Palau, A. S., Dhada, M. H., Bakliwal, K., & Parlikad, A. K. (2019). An Industrial Multi Agent System for real-time distributed collaborative prognostics. Engineering Applications of Artificial Intelligence, 85, 590-606. https://doi.org/10.1016/j.engappai.2019.07.013.

14. Benedetti, M., Cesarotti, V., Introna, V., & Serranti, J. (2016). Energy consumption control automation using Artificial Neural Networks and adaptive algorithms: Proposal of a new methodology and case study. Applied Energy, 165, 60-71. https://doi.org/10.1016/j.apenergy.2015.12.066.

15. Sideratos, G., Ikonomopoulos, A., & Hatziargyriou, N. D. (2020). A novel fuzzy-based ensemble model for load forecasting using hybrid deep neural networks. Electric Power Systems Research, 178, 106025. https://doi.org/10.1016/j.epsr.2019.106025.

16. Quanmin, Zh., Weicun, Zh., Jianhua, Zh., & Bei, S. (2019). U-neural network-enhanced control of nonlinear dynamic systems. Neurocomputing, 352, 12-21. https://doi.org/10.1016/j.neucom.2019.04.008.

17. Ketata, R., Rezgui, Y., & Derbel, N. (2011). Stability and robustness of fuzzy adaptive control of nonlinear systems. Applied Soft Computing, 11(1), 166-178. https://doi.org/10.1016/j.asoc.2009.11.007.

18. Romagnoli, J. A., & Palazoglu, A. (2016). Process Optimization and Control. In Introduction to Process Control, (2 ^nd ed.). CRC Press. https://doi.org/10.1201/b11674-30.

19. Minh Khue, N. T. (2012). Developing an Intelligent Multi-Agent System based on JADE to solve problems automatically. 2012 International Conference on Systems and Informatics (ICSAI2012), 684-690. https://doi.org/10.1109/icsai.2012.6223087.

20. Chen, Y., Lu, Yu, J. X., & Hill, D. J. (2013). Multi-Agent Systems with Dynamical Topologies: Consensus and Applications. IEEE Circuits and Systems Magazine, 13(3), 21-34. https://doi.org/10.1109/mcas.2013.2271443.

• < Попередня
• Наступна >