Мультиагентна технологія побудови предиктору для керування барабанною сушаркою
- Деталі
- Категорія: Зміст №4 2024
- Останнє оновлення: 28 серпня 2024
- Опубліковано: 30 листопада -0001
- Перегляди: 1023
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.
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. 14th 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.
Наступні статті з поточного розділу:
- Ринок праці як складова системи економічної безпеки України - 28/08/2024 03:19
- Етичні й соціальні стимули трансформації бізнес-моделі управління підприємством в умовах сталого розвитку - 28/08/2024 03:19
- Інноваційні підходи до кадрової безпеки в умовах воєнного стану - 28/08/2024 03:19
- Модель економічної співпраці в контексті реалізації ініціативи «Один пояс один шлях» - 28/08/2024 03:19
- Політика України щодо brain drain у воєнний і повоєнний періоди - 28/08/2024 03:19
- Методика оцінки інтелектуального потенціалу інноваційно-орієнтованого підприємства - 28/08/2024 03:19
- Дослідження стохастичних властивостей часових рядів даних про хімічний аналіз чавуну - 28/08/2024 03:19
- До питання зовнішньої балістики падаючих вантажів з літальних апаратів малої швидкості - 28/08/2024 03:19
Попередні статті з поточного розділу:
- Кумулятивний трикутник для візуального аналізу емпіричних даних - 28/08/2024 03:19
- Право на безпечне навколишнє середовище: економіко-правові гарантії забезпечення в Україні - 28/08/2024 03:19
- Флористична та екологічна структура рослинності сміттєзвалищ Західного Лісостепу України - 28/08/2024 03:19
- Вплив забруднення нафтопродуктами на екологічний стан ґрунту на території поблизу аеропорту - 28/08/2024 03:19
- Особливості оцінки професійних ризиків за шкідливих умов праці - 28/08/2024 03:19
- Оцінка токсичності відходів виробництва покинутої цинк-свинцеворудної (Zn-Pb) шахти для навколишнього середовища - 28/08/2024 03:19
- Застосування сучасного математичного апарату для визначення динамічних властивостей транспортних засобів - 28/08/2024 03:19
- Аналіз міцності вагону моделі 918 при нетипових навантаженнях сипучим вантажем - 28/08/2024 03:19
- Обґрунтування критерія оптимального керування процесом самоподрібнення руд у барабанних млинах - 28/08/2024 03:19
- Комбінована обробка випалюванням і вилуговуванням для зниження вмісту фосфору, алюмінію та кремнію в оолітовій залізній руді - 28/08/2024 03:19