ОЦІНЮВАННЯ ВОЛОГОСТІ ЦУКРУ У ПРОЦЕСІ СУШІННЯ НА ОСНОВІ ГІБРИДНОЇ МАТЕМАТИЧНОЇ МОДЕЛІ

Г. В. Григорчук; Л. І. Григорчук

Г. В. Григорчук Івано-Франківський національний технічний університет нафти і газу https://orcid.org/0000-0003-1674-9828
Л. І. Григорчук Івано-Франківський національний технічний університет нафти і газу https://orcid.org/0000-0003-0924-5090

Ключові слова: сушіння цукру, гібридна модель, soft-sensor, оцінювання вологості, математичне моделювання

Анотація

У роботі розглянуто задачу оцінювання вологості цукру в процесі сушіння, яка є важливим етапом технологічного виробництва та визначає якість готової продукції, умови її зберігання і енергоефективність процесу. Безпосереднє вимірювання вологості в промислових умовах є складним і пов’язане із значними часовими затримками, що обумовлює необхідність використання непрямих методів оцінювання на основі технологічних параметрів. Запропоновано гібридну математичну модель для оцінювання вологості в режимі реального часу, яка поєднує фізичний опис процесів тепломасообміну з нейромережевим soft-sensor, що виконує функцію нелінійної корекції. Лінійна дискретна модель описує основну інерційну динаміку процесу сушіння, а нелінійний блок дозволяє врахувати змінність параметрів, невизначеність моделі та вплив зовнішніх збурень. Проведено моделювання роботи системи з урахуванням затримок вимірювання, характерних для промислових умов. Досліджено вплив кроку дискретизації на точність оцінювання та стійкість роботи системи. Результати показали, що використання гібридної моделі дозволяє зменшити похибку оцінювання вологості приблизно на 25–30 % порівняно з лінійною моделлю та забезпечує стабільну роботу при зміні режимів. Запропонований підхід може бути використаний у промислових системах автоматизованого керування для моніторингу, стабілізації та оптимізації процесу сушіння цукру в режимі реального часу.

Посилання

1. Mujumdar A. S. Handbook of Industrial Drying. 4th ed. Boca Raton : CRC Press, 2014. 1312 p.
2. Keey R. B. Drying of Loose and Particulate Materials. New York : Hemisphere Publishing, 1992. 320 p.
3. Strumillo C., Kudra T. Drying: Principles, Applications and Design. New York : Gordon and Breach Science Publishers, 1986. 448 p.
4. Ljung L. System Identification: Theory for the User. 2nd ed. Upper Saddle River : Prentice Hall, 1999. 609 p.
5. Ogata K. Discrete-Time Control Systems. 2nd ed. Upper Saddle River : Prentice Hall, 1995. 745 p.
6. Franklin G. F., Powell J. D., Emami-Naeini A. Feedback Control of Dynamic Systems. 7th ed. Boston : Pearson, 2015. 912 p.
7. Åström K. J., Murray R. M. Feedback Systems: An Introduction for Scientists and Engineers. Princeton : Princeton University Press, 2008. 396 p.
8. Richard J.-P. Time-delay systems: an overview of some recent advances and open problems. Automatica. 2003. Vol. 39, No. 10. P. 1667–1694. DOI: 10.1016/S0005-1098(03)00167-5
9. Hespanha J. P. Linear Systems Theory. Princeton : Princeton University Press, 2009. 240 p.
10. Qin S. J. Statistical process monitoring: basics and beyond. Journal of Chemometrics. 2003. Vol. 17, No. 8–9. P. 480–502. DOI: 10.1002/cem.800
11. Kadlec P., Gabrys B., Strandt S. Data-driven soft sensors in the process industry. Computers & Chemical Engineering. 2009. Vol. 33, No. 4. P. 795–814. DOI: 10.1016/j.compchemeng.2008.12.012
12. Åström K. J., Hägglund T. PID Controllers: Theory, Design, and Tuning. 2nd ed. Research Triangle Park : ISA, 1995. 343 p.
13. Ogata K. Modern Control Engineering. 5th ed. Upper Saddle River : Prentice Hall, 2010. 905 p.
14. Ge Z., Song Z., Ding S. X., Huang B. Data mining and analytics in the process industry: The role of machine learning. IEEE Transactions on Industrial Informatics. 2017. Vol. 13, No. 3. P. 123–135. DOI: 10.1109/TII.2017.2703123
15. Zhang H., Liu J. Soft sensor modeling for industrial processes based on deep learning: A review. Journal of Process Control. 2020. Vol. 89. P. 1–14. DOI: 10.1016/j.jprocont.2020.04.002
16. Wang J., Chen T., Huang B. Deep learning for industrial process monitoring and control: Methods and applications. Annual Reviews in Control. 2021. Vol. 52. P. 292–305. DOI: 10.1016/j.arcontrol.2021.04.002