РАЗРАБОТКА И РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ НЕЧЕТКОЙ СИСТЕМЫ УПРАВЛЕНИЯ ДЛЯ ТЕПЛОЭНЕРГЕТИЧЕСКИХ ОБЪЕКТОВ

Vol.2 №10 (2025). October “NAZARIY VA AMALIY FANLARDAGI USTUVOR ISLOHOTLAR VA ZAMONAVIY TA’LIMNING INNOVATSION YO’NALISHLARI” www.innovativepublication.uz 292 РАЗРАБОТКА И РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ НЕЧЕТКОЙ СИСТЕМЫ УПРАВЛЕНИЯ ДЛЯ ТЕПЛОЭНЕРГЕТИЧЕСКИХ ОБЪЕКТОВ Баҳрамов Муҳаммадали Ералиевич асистент, Alfraganus University m.bahramo[email protected] Аннотация В данной работе рассматривается разработка интеллектуальной нечеткой системы управления теплоэнергетическими объектами. Современные энергетические системы сталкиваются с задачами повышения энергоэффективности, снижения негативного воздействия на окружающую среду и функционирования в условиях неопределенности данных. В этих условиях методы нечеткой логики представляют собой эффективный инструмент для построения адаптивных систем управления. Представлены основные принципы применения нечеткой логики в управлении теплоэнергетическими установками, включая моделирование объекта, выбор ключевых параметров, формирование нечетких правил и базы знаний. Особое внимание уделено интеграции нечеткой логики с интеллектуальными технологиями — машинным обучением и искусственными нейронными сетями. Такой подход обеспечивает адаптацию системы к изменяющимся условиям и позволяет принимать решения в реальном времени на основе анализа больших данных. Практическая апробация на реальном теплоэнергетическом объекте показала повышение стабильности, надежности и энергоэффективности управления, что подтверждает перспективность применения гибридных интеллектуальных систем в энергетике. Ключевые слова: parametric identification, sine wave generator, optimization, hybrid network, controller, intelligent systems. Введение Современные теплоэнергетические объекты — котельные установки, теплоэлектростанции и системы централизованного отопления — требуют высокой надежности, адаптивности и энергоэффективности. Для решения этих задач все большее значение приобретают интеллектуальные технологии, основанные на нечеткой логике и машинном обучении. Нечеткие системы управления обеспечивают устойчивое функционирование при наличии неопределенностей, шумов и неполных данных. Они позволяют использовать Vol.2 №10 (2025). October “NAZARIY VA AMALIY FANLARDAGI USTUVOR ISLOHOTLAR VA ZAMONAVIY TA’LIMNING INNOVATSION YO’NALISHLARI” www.innovativepublication.uz 293 экспертные знания в виде правил «если–то», что упрощает интерпретацию и повышает качество принятия решений. Процесс синтеза нечеткой системы включает моделирование объекта, выбор входных и выходных переменных (например, температура, давление, расход топлива), формирование базы знаний и разработку управляющих правил с использованием методов Мамдани и Сугено. Интеграция нечеткой логики с искусственными нейронными сетями и алгоритмами машинного обучения позволяет системе адаптироваться к изменениям внешних условий и работать в режиме реального времени. Практическая реализация на примере барабанного котла ТЭС показала, что такая гибридная система повышает стабильность, снижает энергетические потери и обеспечивает оптимальный температурный режим даже при изменении нагрузок. Таким образом, применение адаптивных интеллектуальных систем управления является перспективным направлением для повышения эффективности и устойчивости теплоэнергетических процессов. Метод решения Структура гибридной адаптивной системы регулирования представлена на рис. 1. Принята обозначения: – коэффициент передачи объекта, – постоянная времени объекта, – запаздывание, – порядок объекта,– выходной параметр. Рис. 1. Структура адаптивной нечеткой АСР Структура передаточной функции объекта состоит из нескольких инерционных звеньев с запаздыванием вида: со значениями, изменяющимися на протяжении времени в определенном диапазоне в зависимости от вида нагрузки или режима работы парового котла. Идентификатор определяет значения параметров объекта и его порядок. В дальнейшем данные значения Vol.2 №10 (2025). October “NAZARIY VA AMALIY FANLARDAGI USTUVOR ISLOHOTLAR VA ZAMONAVIY TA’LIMNING INNOVATSION YO’NALISHLARI” www.innovativepublication.uz 294 используются оптимизатором в виде нейронечеткой сети, действующей по алгоритму Сугено [2-3] для поиска оптимальных значений настроек регулятора управления ( , ). Обучение гибридной сети должно производится с учетом мнения экспертовналадчиков АСУ ТП. Разработка нечеткой системы Нейронечеткая сеть (ННС) или гибридная сеть (ГС) является многослойной нейронной сетью без обратных связей [3]. В такой сети входы представлены в виде лингвистических переменных (малое значение, среднее, большое). В программе Matlab (ANFIS) был проведен процесс построения адаптивной системы нейронечеткого вывода (рис. 2) для аппроксимации зависимости представляющий причинноследственную связь между и , . Исходя из рекомендации [5, 6] и компьютерных экспериментов в среде Matlab (Fuzzy Logic Toolbox), был выбран и тип функций принадлежности (трапецеидальный и треугольный) [4], описывающий входные значения. В процессе обучения было использовано количество циклов, равное 40, и выбран метод обучения – обратного распространения ошибки [7]. Изменение параметров функционального преобразователя позволяет корректировать как динамические, так и статические характеристики системы управления. Такая структура регулятора в сочетании с оптимальным выбором параметров нечеткого регулятора, позволяет при минимуме настроек реализовывать адаптивные системы управления неопределенными и нестационарными механизмами вне зависимости от их структуры. Для придания адаптивных свойств нечеткому регулятору, с целью обеспечения устойчивости динамической системы к возмущениям (изменениям параметров объекта управления и внешних воздействий), осуществлена оценка скорости изменения ошибки регулирования Для обучения нечеткого регулятора с функциональным преобразователем предлагается алгоритм, основанный на теории интерактивной адаптации. Сущность данного алгоритма заключается в том, что ошибка, которая требуется для обучения, вычисляется неявным образом. При использовании алгоритма интерактивной адаптации система разбивается на - подсистем, каждый из которых имеет интегрируемый выходной сигнал yn и интегрируемый входной сигнал , отношение между ними представляется в виде функциональной зависимости Отношение го элемента системы имеет вид: Vol.2 №10 (2025). October “NAZARIY VA AMALIY FANLARDAGI USTUVOR ISLOHOTLAR VA ZAMONAVIY TA’LIMNING INNOVATSION YO’NALISHLARI” www.innovativepublication.uz 295 Пусть взаимодействие между элементами и внешним сигналом линейно и описывается уравнением: (1) где множества связных входов го элемента; - веса связей, то отношение входа и выхода i-го элемента описывается следующим уравнением: Целью алгоритма обучения является настройка весов связей таким образом, что бы минимизировать функцию потерь которая представляет собой функцию ошибки системы. Обучение нейронных сетей заключается в минимизации ошибки системы управления. Это осуществляется за счет настройки весов связей нейронной сети. Если система описывается уравнением (1), то веса связей настраивается по следующему правилу: (2) где - коэффициент, определяющий скорость обучения; - производная Фреше; функция потерь (ошибка) При условии, что уравнение (2) имеет единственное решение для , где функция потерь будет монотонно убывать во времени и будет удовлетворяться следующее равенство: При таком подходе нейросеть может быть разложена на составные элементы, представляемые как элементарная нейросеть. Математический нейросетевой алгоритм обучения представим в виде: , где: индекс нейрона; индекса синапса; – набор входных синапсов нейрона ; и – пресинаптический и постсинаптический нейрон, соответствующий синапсу ; - вес синапса ; мембранный потенциал нейрона ; частота возбуждения нейрона ; - функция активации типа сигмоид, которая представляется виде: Vol.2 №10 (2025). October “NAZARIY VA AMALIY FANLARDAGI USTUVOR ISLOHOTLAR VA ZAMONAVIY TA’LIMNING INNOVATSION YO’NALISHLARI” www.innovativepublication.uz 296 При этом вес синапсов определяется по формуле: , где , где коэффициент непосредственной обратной связи для всех нейронов, φn – сигнал непосредственной обратной ошибки. Следует отметить, что данный алгоритм обучения эквивалентен алгоритму обратного распространения ошибки, но для передачи ошибки от выхода сети к ее входу не требуется применения нейросети с обратным распространением. Рассмотрим возможности данного алгоритма для конструкции адаптивного нейроконтроллера. Пусть нейроконтроллер имеет два входа – сигнал ошибки, – задержанный сигнал . Ведение сигнала заключается в том, что нейроконтроллер есть устройство без памяти. Выходной сигнал объекта управления зависит как от текущего сигнала управления, так и от предыдущих сигналов управления. При таком представлении нейросети математические соотношения контроллера имеют следующий вид: Тогда функция потерь (сигнал ошибки) пишется в следующем виде: Тогда В этом случае настройка весов нейросети осуществляется следующим образом: , где , Функция определяется из выходных синапсов нейрона n следующим образом: Vol.2 №10 (2025). October “NAZARIY VA AMALIY FANLARDAGI USTUVOR ISLOHOTLAR VA ZAMONAVIY TA’LIMNING INNOVATSION YO’NALISHLARI” www.innovativepublication.uz 297 , где набор выходных сигналов нейрона Для вычисления используя производную Фреше, получим: , где - скорость обучения; - производная Фреше; – внешний сигнал. При условии, что если производная Фреше будет аппроксимирована константой, то включая ее в скорость обучения , получим: Для уменьшения времени регулирования и перерегулирования системы необходимо изменить начальные веса системы, приняв их значения равными установившимся. В алгоритме нечеткого логического регулятора [1] используются следующие четыре переменные, описывающие управляемый процесс: - отклонение давления в паровом котле, определенное как разность между текущим значением и выбранным заранее значением, соответствующим норме; - скорость изменения ; - изменение отклонения давления, определяемое как разность между текущим давлением и значением давления, полученным в предыдущем измерении; - изменение скорости отклонения . Регулирование осуществляется по двум алгоритмам: по одному корректируется степень подогрева пара, т.е. регулируется давление ( - изменение подогрева), по другому изменяется положение дросселя ( - изменение положение дросселя). В каждом алгоритме учитываются все приведенные выше переменные. Заключение Результаты экспериментов показали, что предложенная адаптивная нечеткая система автоматического регулирования температуры перегретого пара превосходит традиционные методы адаптации по частотным характеристикам и автоколебаниям. Она обеспечивает более быстрое определение оптимальных настроек регулятора, снижает время переходного процесса и амплитуду отклонений. Система демонстрирует устойчивую работу во всех режимах барабанного котла и может быть эффективно применена в различных автоматизированных системах управления технологическими процессами теплоэнергетики. Vol.2 №10 (2025). October “NAZARIY VA AMALIY FANLARDAGI USTUVOR ISLOHOTLAR VA ZAMONAVIY TA’LIMNING INNOVATSION YO’NALISHLARI” www.innovativepublication.uz 298 Литература 1. Siddikov Isamidin Xakimovich, Bakhrieva Xurshida Askarxodjaevna Designs NeuroFuzzy Models in Control Problems of a Steam Heater // Universal Journal of Electrical and Electronic Engineering 6(5), 2019.-P. 359-365. (№29; Scopus; IF:0.283). 2. Siddikov Isamiddin Xakimovich, Umurzakova Dilnoza Maxamadjonovna and Bakhrieva Hurshida Askarxodjaevna Adaptive system offuzzy-logical regulation by temperature mode of a drum boiler // IIUM Engineering Journal, Vol.21, №.l, 2020.-P. 182-192. (№6; Scopus; IF:0.281). 3. И.Х. Сидиков, Х.А.Бахриева Нечетко-логические управления технологическими процессами в теплоэнергетических объектах// Монография – ТГТУ, «Fan Ziyosi»нашриёти, 89 б. Тошкент 2022 й. ISBN 978-9943-7478-2-1 4. Плетнев Г. П. Автоматизированное управление объектами тепловых электростанций / Г. П. Плетнев. – М.: Автоматика и информационно-измерительная техника Наукові праці ВНТУ, 2012, № 1 9 Энергоиздат, 1986. – 368 с. 5. Клюев А. С. Наладка систем автоматического регулирования котлоагрегатов / А. С. Клюев, А. Г. Товарнов. – М.: Энергия, 1970 – 280 с. 6. Леоненков А. Ю. Нечеткое моделирование в среде Matlab и fuzzyTech / А. Ю. Леоненков. – С. – Птб.: БХВ, 2003. – 720 с. 7. Круглов В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, Н. Н. Борисов. – М.: Горячая линия – Телеком, 2001. – 382 с.