Вестник МГТУ, 2022, Т. 25, № 4.

Вотинов М. В. и др. Формирование цифровых двойников объектов автоматического управления. Результаты и обсуждение Для формирования цифрового двойника малогабаритной сушильной установки по температурному контуру были взяты формируемые ее системой автоматического управления архивированные данные о мощности работы ТЭН и изменяющейся во времени температуре в следующем виде: Техн. процесс, номер Время работы, сек Мощность ТЭН, % Температура в термокамере, °С Номер t P Ткам В общей сложности это составило более 1 600 000 строк данных по более 20 процессам. Из полученного множества данных сформировался обучающий датасет. В соответствии с теорией управления обучающий датасет формировался по подобию матрицы Якоби, который содержит в себе вектора предыдущих состояний объекта управления (табл.). Экспериментально было определено, что оптимальными являются три последних вектора. Таблица. Структура обучающей выборки Table. The structure of the training sample Входные ней юны Выходной нейрон Нейрон 1 Нейрон 2 Нейрон 3 Нейрон 4 Нейрон 5 Нейрон 6 Нейрон 7 Нейрон 1 Рг-3 Pi-2 Pi-1 Р, Ti-3 T-2 T-1 T, Текущее и предыдущие значения мощности, подаваемой на ТЭН Текущее и предыдущие значения температуры в термокамере Соответственно нейронная сеть получила семь нейронов входного слоя, которые описывали предыдущие состояния мощности, подаваемой на исполнительные механизмы, а также значения температуры в термокамере малогабаритной сушильной установки. Обучение нейронной сети проводилось на обычном персональном компьютере (Intel CoreI7 4710HQ, x64, DDR3 8 ГБ). При этом какие-либо серверные высокопроизводительные платформы не были задействованы. В процессе обучения нейронная сеть сопоставляла входные данные с выходными, определяя между ними корреляционную связь и получая оптимальные веса соответствующих синапсов. В результате за период времени порядка 45 минут нейронная сеть завершила обучение, т. е. определила веса синапсов нейронов таким образом, при котором для всего обучающего датасет ошибка выхода не превышает 0,01 в нормализованном виде. Таким образом, сформировалось состояние нейронной сети, представляющее собой цифровую модель изменения температуры в термокамере малогабаритной сушильной установки. Для определения адекватности полученной модели был проведен эксперимент. Выбран технологический процесс тепловой обработки рыбного сырья, который не вошел в обучающий датасет. С шагом квантования в 2 секунды - именно с таким шагом работает реальная система автоматического управления исследуемой установки - на входы цифровой модели подавались записанные параметры мощности исполнительных механизмов и параметры температуры, и отмечался результат выхода. На рис. 3 представлен график переходного процесса изменения температуры, снятый во время реального технологического процесса тепловой обработки гидробионтов. На рис. 4 представлен график изменения температуры, полученный в результате моделирования, а также график ошибки моделирования. %,°с 120 Ткам Р сек Рис. 3. График изменения температуры реального технологического процесса Fig. 3. Graph of the temperature change of the real technological process 294