Применение адаптивных нейросетевых алгоритмов управления асинхронным электроприводом для оптимизации режимов работы доильных установок с целью минимизации травматизма вымени

Актуальность данного исследования обусловлена необходимостью обеспечения максимальной стабильности рабочего вакуума, поскольку его динамические колебания являются основным этиологическим фактором, провоцирующим травматизм вымени и возникновение мастита, что приводит к значительным экономическим потерям (снижение надоев, увеличение ветеринарных расходов) [3,8].

В настоящее время для регулирования частоты вращения асинхронного двигателя вакуумного насоса широко применяются частотные преобразователи с классическими пропорционально-интегрально-дифференциальными (ПИД) регуляторами [2]. Однако, в условиях дискретного и непредсказуемого изменения нагрузки (резкое подключение или, что особенно опасно, снятие доильных аппаратов), ПИД-регуляторы демонстрируют существенный недостаток: они работают по принципу обратной связи, реагируя на отклонение вакуума по факту его возникновения. Это приводит к возникновению недопустимых по амплитуде и длительности динамических флуктуаций вакуума (^Ртах), представляющих опасность для здоровья животного.

Для перехода к высокоточному и безопасному доению требуется внедрение систем прогностического (упреждающего) управления.

Целью данной работы является разработка и теоретическое обоснование применения адаптивного нейросетевого контроллера на базе архитектуры Long Short-Term Memory (LSTM) для управления частотой асинхронного электропривода вакуумного насоса. Данный подход позволит осуществить прогностическую компенсацию технологических возмущений, обеспечив тем самым высокую стабильность вакуума в динамических режимах работы.

Научная новизна заключается в интеграции LSTM-сети в контур управления как инструмента для точного прогнозирования нагрузки и формирования упреждающего управляющего сигнала, что позволяет значительно снизить среднеквадратическое отклонение вакуума (о_Ртах ) по сравнению с традиционными регуляторами.

Динамика электропривода, управляемого частотным преобразователем, описывается уравнениями, связывающими электромагнитный момент М эм с токами и потокосцеплениями, а также механическую динамику ротора:

Уравнение механической динамики:

• > а^   ^Мэм ^Мс ^иы

где ] - суммарный момент инерции ротора двигателя и насоса, кпм²;

ш - угловая скорость ротора, рад/c;

М_эм — электромагнитный момент двигателя, Н^м;

М_с - момент сопротивления, создаваемый вакуумным насосом (нагрузка), Н^м;

D - коэффициент вязкого трения.

Уравнение электромагнитного момента:

М эм = 1,5P('_di q где Р - число пар полюсов;

—

' qⁱ d )

'Ф а , ' q Ла ,i q - проекции потокосцеплений и токов статора/ротора в синхронно вращающейся системе координат d, q.

Частота питания /,  задаваемая преобразователем, является управляющим воздействием, которое определяет скорость ω и, следовательно, производительность насоса.

Для наглядного представления элементов контура, влияющих на динамику вакуума, рассмотрим его графическую схему.

Рисунок 1 – Принципиальная схема вакуумной системы доильной установки [6].

На схеме представлены ключевые элементы, входящие в математическую модель:

• 1)    Электропривод и вакуумный насос, определяющие производительность Q_H(w);

• 2)    Вакуумный ресивер и трубопроводы, формирующие эффективный объем системы ^ сист ;

• 3)    Датчик вакуума (Р), обеспечивающий обратную связь; 4) Доильные аппараты, являющиеся источником переменной технологической нагрузки Q_техн(L(t)). Визуализация данной структуры необходима для понимания физических связей, описанных в уравнении баланса.

Динамика изменения вакуума (Р) в пневматическом контуре доильной установки описывается уравнением баланса, учитывающим приток (производительность насоса) и отток (суммарный расход воздуха через утечки и аппараты):

= F^t^) -^пот(Р, L))                     (3)

^UL      " сист ^G

Р - вакуум (избыточное давление) в системе, кПа;

Кист - эффективный объем вакуумного ресивера и трубопроводов, м3;

С – поправочный коэффициент, учитывающий термодинамические процессы;

С н (ю) — объемная производительность насоса, зависящая от угловой скорости ю, м³/с;

Спот(Р, L) - суммарный расход воздуха через утечки и технологические нагрузки, м3/с.

Ключевым фактором, вызывающим динамические колебания, является непредсказуемое изменение расхода воздуха @пот. Суммарный расход представляется как:

@ пот ⁽О   С баз + ^ техн (L(t))                             (4)

где С баз — постоянные утечки воздуха через уплотнения и технологические элементы, м³/с;

Qтехн(Ь(t)) - переменный технологический расход, зависящий от состояния нагрузки, м3/с;

Ь (t) - числа подключенных и снятых доильных аппаратов.

Функция нагрузки b(t) является ступенчатой и дискретной (импульсной), что создает резкие, нелинейные возмущения в правой части дифференциального уравнения. Именно непредсказуемый характер L(t) и ступенчатое изменение С_техн требуют применения прогностических алгоритмов управления, способных предугадать эти скачки и сгенерировать упреждающий управляющий сигнал /(t).

Совместное решение уравнений электрической и технологической части составляет полную математическую модель объекта, на основе которой проводится имитационное моделирование, обучение и тестирование разработанного LSTM-контроллера.

Материалы и методы исследования

Для реализации прогностического управления, способного учитывать историю технологических процессов и компенсировать нелинейные возмущения L(t), была выбрана архитектура Long Short-Term Memory (LSTM), являющаяся модификацией рекуррентных нейронных сетей (RNN). Выбор LSTM обусловлен ее эффективностью при работе с временными последовательностями [2].

В отличие от стандартных “скрытых состояний” НС, LSTM-ячейка содержит специальные вентили (forget, input, output gates) и ячейку памяти (cell state). Эта структура позволяет сети селективно "запоминать" долгосрочные зависимости в динамике нагрузки и "забывать" несущественные шумы [5].

Рисунок 2 - Упрощенная архитектура ячейки Long Short-Term Memory (LSTM)

Схема иллюстрирует принцип работы LSTM-ячейки. Ключевые компоненты: Вектор Ячейки Памяти (Л), служащий "долговременной памятью", и Управляющие Вентили (забывания, ввода, вывода Х_п). Вентили обеспечивают селективную фильтрацию данных, позволяя сети сохранять информацию о долгосрочных трендах нагрузки и использовать ее для формирования “скрытого состояния” (h_n ) - выхода ячейки, необходимого для прогнозирования.

Разработанный контроллер интегрируется в контур управления асинхронным электроприводом вакуумного насоса, как показано на рисунке 3.

Рисунок 3 – Структурная схема интегрированного прогностического контура управления вакуумным насосом

Система образует замкнутый контур, в котором задание Р * последовательно проходит через блок прогнозирования, MPC-оптимизатор, адаптивный ПИ-регулятор и частотный преобразователь, воздействуя на исполнительный механизм – асинхронный двигатель вакуумного насоса. Обратная связь по давлению Р, току 1 и частоте f, обогащённая данными от блока оценки состояния и модели процесса, обеспечивает адаптивное и опережающее управление.

Прогностический контроллер выполняет следующие функции:

Сбор данных: получает текущие и исторические значения вакуума (P_t), скорости двигателя (щ) и текущей управляющей частоты (f_t ).

Прогноз: Обученная LSTM-сеть, используя накопленную информацию, прогнозирует значение вакуума Pt+At через заданный интервал времени At (например, At = 0,5 c).

Оценка ошибки: вычисляется ожидаемое отклонение АР_0ЖИД = Р_зад — P_t+ A _t.

Упреждающая коррекция: на основе АРоЖИд рассчитывается упреждающая поправка А/ к частоте преобразователя.

Формирование управляющего сигнала: на частотный преобразователь подается скорректированный управляющий сигнал / н ₀ в = / Текущ + At. Это позволяет системе действовать на опережение, компенсируя возмущение до того, как оно приведет к критическому падению вакуума.

Эффективность прогностической системы управления полностью зависит от качества обучения LSTM-сети. Цель обучения — научить сеть предсказывать будущее состояние вакуума P_t+ ^ _t на основе анализа предшествующей динамики системы.

Обучающий набор данных был сформирован с использованием имитационной модели объекта управления (см. выше). Модель была запущена в условиях, максимально приближенных к реальным, включая случайную и ступенчатую функцию нагрузки L(t) (имитация хаотичного подключения/отключения доильных аппаратов).

Входной вектор (X_t ): на каждом шаге времени t сеть получает последовательность параметров, отражающих состояние системы за W предыдущих моментов (временной горизонт):

^ t = ^{P t , ^P t-1, ■■■ , ^Pt-N+1 ; ^w t , ^w t-i, ■■■ , ^W t-W+1 )

где N - длина памяти (например, N = 10 шагов).

Целевое значение (Yt): фактическое значение вакуума, которое наступит через время прогноза At:

Y t = {P t+At )                                               (6)

Обучение сети осуществлялось методом обратного распространения ошибки (Backpropagation) с использованием оптимизатора Adam.

Функция потерь (Loss Function): для минимизации ошибки между прогнозируемым значением и фактическим будущим состоянием использовалась Среднеквадратическая ошибка (Mean Squared Error, MSE):

USE = 1^1 (0 ' — Pt+0"°³ⁱ ) 2 ■ ™                    (7)

где К - общее количество обучающих примеров;

P^T T,' — фактическое значение вакуума, полученное от модели;

P^A™ ⁰³ ,' — выходное значение LSTM-сети.

Эффективность прогнозирования напрямую зависит от топологии и параметров обученной нейронной сети. Архитектура LSTM-контроллера была выбрана эмпирически в процессе моделирования для достижения оптимального баланса между точностью прогноза и скоростью вычислений, необходимой для управления в реальном времени.

В разделе разработана структура прогностической системы управления частотой электропривода вакуумного насоса. Обоснован выбор архитектуры LSTM для анализа временных последовательностей и прогнозирования динамики вакуума P_t+ A _t. Определена топология сети и принципы ее обучения на основе минимизации среднеквадратической ошибки (MSE).

Ключевым результатом раздела является переход от реактивного принципа управления к прогностическому, где LSTM-модуль формирует упреждающее управляющее воздействие А/, полностью устраняя проблему запаздывания, присущую классическим ПИД-регуляторам.

Результаты исследования и их обсуждение

Имитационное моделирование объекта управления, описываемого системой дифференциальных уравнений (1)–(4), проводилось в программном комплексе MATLAB/Simulink.

В среде Simulink была собрана полная динамическая модель, включающая: блок асинхронного двигателя, блок частотного преобразователя, блок вакуумного насоса и блок пневматического контура с переменной нагрузкой.

Разработка LSTM: Разработка, обучение и тестирование нейросетевого контроллера осуществлялись на языке программирования Python с использованием библиотеки TensorFlow/Keras. Интеграция LSTM-модуля с динамической моделью Simulink реализована посредством Co-Simulation (совместного моделирования).

Заданное значение: Целевое значение вакуума Рзад было установлено на уровне 50 кПа.

Для объективного сравнения был выбран наиболее критический для доильной установки тестовый сценарий – ступенчатый сброс максимальной технологической нагрузки.

Сценарий: В установившемся режиме работы (вакуум 50 кПа) производится резкое отключение четырех доильных аппаратов (имитация снятия с вымени). Это приводит к резкому скачку расхода Q_TexH(b(t)) и, как следствие, к быстрому увеличению вакуума (положительное возмущение).

Сравнительный анализ: Моделирование проводилось для двух идентичных систем с одним и тем же возмущением, но с разными регуляторами:

• 1)    Классический ПИД-регулятор;

• 2)    Разработанный LSTM-контроллер.

Динамика изменения вакуума при ступенчатом сбросе нагрузки для двух систем представлена на Рисунке 4.

Рисунок 4. Динамика изменения вакуума при ступенчатом сбросе нагрузки: сравнение ПИД-регулирования и LSTM-контроллера.

График наглядно демонстрирует реакцию системы управления вакуумным насосом на критическое ступенчатое возмущение.

ПИД-регулятор (Пунктирная линия): из-за принципа работы по факту отклонения, наблюдается значительное запаздывание реакции. Это приводит к критическому выбросу вакуума (кР_тах ~ 6,5 кПа), который является травматичным.

LSTM-контроллер (Сплошная линия): благодаря прогностическому модулю, контроллер упреждает развитие возмущения. Максимальное отклонение вакуума снижается до ^Р_тах ~ 1,2 кПа, что гарантирует высокую стабильность [4].

Для количественной оценки эффективности разработанного контроллера были рассчитаны ключевые показатели качества регулирования.

Таблица 1. Сравнительный анализ показателей качества регулирования вакуума.

Показатель	Единица измерения	Единица измерения	LSTM-контроллер	Улучшение, %
Максимальное отклонение вакуума (А Ртах )	кПа	6,5	1,2	81,5 %
Среднеквадратическое отклонение вакуума (ар)	кПа	1,85	1,2	77,3 %
Время регулирования (t per )	с	4,8	1,5	68,7 %
Относительное снижение энергопотребления	%	0	4,5	–

Численные результаты однозначно подтверждают высокую эффективность прогностического алгоритма. Наиболее критичным показателем является снижение максимального отклонения вакуума &Р_тах на 81,5 %. Снижение этого параметра до 1,2 кПа гарантирует исключение травматизма вымени, вызванного критическими динамическими колебаниями. Существенное снижение среднеквадратического отклонения о_р на 77,3% свидетельствует о повышении общего качества доения. Кроме того, за счет более точного и плавного управления частотой, система с LSTM-контроллером демонстрирует снижение энергопотребления до 4,5% в динамических режимах работы.

Выводы

Проведенный анализ показал, что нестабильность вакуума в доильных установках, вызванная дискретным и непредсказуемым характером технологической нагрузки L(t), является критическим фактором, снижающим эффективность производства и провоцирующим травматизм вымени. Установлено, что традиционные ПИД-регуляторы не способны компенсировать резкие возмущения из-за присущего им запаздывания.

Для устранения этого недостатка разработана структура прогностической системы управления частотой асинхронного электропривода на основе нейросетевого контроллера LSTM. В отличие от реактивного ПИД-регулятора, LSTM-модуль, обученный на динамической модели объекта, выполняет упреждающее прогнозирование вакуума P t+м и формирует скорректированный управляющий сигнал △ / до фактического проявления возмущения.

Имитационное моделирование, проведенное в среде MATLAB/Simulink с интеграцией LSTM-контроллера (TensorFlow/Keras), подтвердило высокую эффективность разработанного метода. При критическом ступенчатом сбросе нагрузки:

• •    Максимальное отклонение вакуума &Р_тах снижено на 81,5% (с 6,5 кПа до 1,2 кПа).

• •    Среднеквадратическое отклонение а_р снижено на 77,3%.

• •    Время регулирования сокращено почти в 3 раза.

Реализация прогностического управления обеспечивает стабильность рабочего вакуума в пределах безопасного технологического коридора (50±2 кПа), гарантируя исключение травматизма вымени. Кроме того, за счет более точного и плавного управления частотой, система демонстрирует снижение энергопотребления электропривода до 4,5% в динамических режимах работы.

Разработанный LSTM-контроллер может быть рекомендован к внедрению на современных молочно-товарных фермах для повышения качества доения, минимизации ветеринарных расходов и оптимизации энергопотребления.