Математическое обеспечение мониторинга состояния и управления режимами эксплуатации систем хранения криогенных продуктов
Автор: Ларкин Евгений Васильевич, Солдатов Евгений Сергеевич, Богомолов Алексей Валерьевич
Рубрика: Математика
Статья в выпуске: 1 т.16, 2024 года.
Бесплатный доступ
Рассмотрены вопросы разработки математического обеспечения мониторинга состояния и управления режимами эксплуатации систем хранения криогенных продуктов, задачей которого является повышение безопасности и предотвращение потерь при хранении и транспортировке. Большое количество стационарных и транспортных систем хранения криопродуктов, эксплуатируемых на разнородных предприятиях, высокие требования по безопасности и скорости реакции системы на возникающие предаварийные ситуации обусловливают необходимость автоматизации процессов управления режимами хранения с применением технологий искусственного интеллекта. Представлена структура разработанной двухслойной нейронной сети мониторинга состояния и выбора режима хранения криогенных продуктов, включающей нейроны первого слоя, связанные с системой мониторинга, и нейроны второго слоя, выходы которых подключены к входам логических блоков выбора режима функционирования системы хранения. Предложены варианты обработки сигналов нейросети при помощи линейной фильтрации, а также с использованием фильтра, основанного на порядковых статистиках, применение которого целесообразно в условиях импульсных помех в каналах передачи данных от сенсоров к сети мониторинга. Приведено математическое описание процедуры, инициирующей запуск алгоритмов коррекции состояния объекта мониторинга. Разработанная схема может быть использована для широкого спектра стационарных и транспортных систем хранения, в том числе оборудованных холодильной машиной для реконденсации паров криопродуктов.
Хранение криогенных продуктов, мониторинг систем хранения, управление режимами эксплуатации, нейронная сеть, конституента единицы, мониторинг термодинамических процессов, сжиженный природный газ
Короткий адрес: https://sciup.org/147242629
IDR: 147242629 | DOI: 10.14529/mmph240103
Список литературы Математическое обеспечение мониторинга состояния и управления режимами эксплуатации систем хранения криогенных продуктов
- Исмагилова, В.С. Транспортировка трубопроводного и сжиженного природного газа: сравнительный анализ достоинств и недостатков / В.С. Исмагилова, Т.В. Чекушина // Науки о Земле и недропользование. – 2023. – Т. 46, № 1 (82). – С. 61–71.
- Солдатов, Е.С. Программное обеспечение моделирования и мониторинга процессов в резервуарах и цистернах при длительном хранении криогенных продуктов // Известия Тульского государственного университета. Технические науки. – 2019. – № 10. – С. 385–393.
- Larkin, E. Discrete Model of Mobile Robot Assemble Fault-Tolerance / E. Larkin, A. Bogomolov, A. Privalov // Lecture Notes in Computer Science. – 2019. – Vol. 11659 LNAI. – P. 204–215.
- Инерциально-спутниковая навигационная система управления транспортными средствами / В.Г. Макаренко, А.А. Подорожняк, С.В. Рудаков, А.В. Богомолов // Проблемы управления. – 2007. – Вып. 1. – С. 64–71.
- Архаров, И.А. О необходимости возрождения криогенного машиностроения в России / И.А. Архаров // Вестник Международной академии холода. – 2023. – № 1. – С. 6–9.
- Soldatov, E. Issues of Energy-Efficient Storage of Fuel in Multimodal Transport Units / E. Soldatov, A. Bogomolov // Smart Innovation, Systems and Technologies. – 2022. – Vol. 232. – P. 393–402.
- Епихин, А.И. Мониторинг и прогнозирование расхода топлива судами с помощью нейронных сетей / А.И Епихин, М.И. Фадеев, И.Ю. Васаган // Эксплуатация морского транспорта. – 2023. – № 2 (107). – С. 104–107.
- Голосовский, М.С. Алгоритм настройки систем нечёткого логического вывода на основе статистических данных / М.С. Голосовский, А.В. Богомолов, Д.С. Тобин // Научно-техническая информация. Серия 2: Информационные процессы и системы. – 2023. – № 1. – С. 1–9.
- Nowak G. Using the Artificial Neural Network to Control the Steam Turbine Heating Process / G. Nowak, A. Rusin // Applied Thermal Engineering. – 2016. – Vol. 108. – P. 204–210.
- Digital Control of Continuous Production with Dry Friction at Actuators / E. Larkin, A. Bogomolov, T. Akimenko, A. Privalov // Smart Innovation, Systems and Technologies. – 2022. – Vol. 232. – P. 427–436.
- Large Scale Model Predictive Control with Neural Networks and Primal Active Sets / S.W. Chen, T. Wang, N. Atanasov et al. // Automatica. – 2022. – Vol. 135. – P. 109947.
- Технология построения инерциально-спутниковой навигационной системы управления транспортными средствами с нейросетевой оптимизацией состава вектора измерений / В.Г. Макаренко, А.В. Богомолов, С.В. Рудаков, А.А. Подорожняк // Мехатроника, автоматизация, управление. – 2007. – № 1. – С. 39–44.
- Sutton R.S. Reinforcement Learning, second edition: An Introduction / R.S. Sutton, A.G. Barto. – MIT Press, 2018. – 552 p.
- Application of Artificial Neural Networks in Condition Based Predictive Maintenance / J. Krenek, K. Kuca, P. Blazek, O. Krejcar, D. Jun // Recent Developments in Intelligent Information and Database Systems. Studies in Computational Intelligence book series (SCI, Vol. 642). – 2016. – P. 75–86.
