КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Ориентировочная ранжировка параметров
При использовании метода группового ранжирования математическую модель строят итерационным (шаговым) способом: на каждом r -ом шаге исследуют структуру вида y (k) = f (k) (X (k- 1) , X (k) ), (7.18) где X ( k ) – совокупность факторов k -го ранга, вводимых в модель на r -ом шаге построения; X ( k- 1) – оптимальная совокупность факторов из 1, 2,..., k -1 рангов, полученная в результате предыдущих шагов. Условием остановки итерационной процедуры построения модели является выполнение условия
R ³ R зад , (7.19) где R зад – заданное значение критерия (выбирается в зависимости от условий и характера использования модели). Критерием выбора оптимального состава факторов внутри итерационного шага (ранга) могут быть численные значения различных статистических или динамических оценок свойств модели. Это могут быть и некоторые логические условия, например, минимальное число членов в уравнении с заданным количеством факторов, выбор структуры модели с приоритетом некоторых заданных факторов ранга, отсутствие в уравнениях модели членов с нежелательными факторами или их комбинацией и т. д. Таким образом, алгоритм построения математической модели при введении ранговой группировки параметров процесса обеспечивает формирование структуры по двум путям – в направлении возрастания ранга и внутри самого ранга. В зависимости от специфики технологического процесса, а также области применения математической модели, возможно изменение состава параметров в каждом ранге и числа рангов. При этом за счет исключения неэффективных структур значительно сокращаются затраты машинного времени, а также возможен направленный перебор, обоснованный технологическими особенностями экспериментального объекта. Адаптивная модель. На основе результатов, полученных при проведении экспериментальных работ и моделировании отдельных элементов систем управления, разработана адаптивная математическая модель пиролизной печи, устанавливающая взаимосвязь основных выходных характеристик процесса от режимных параметров. Модель можно рассматривать как эталонную (с заданной структурой), в которой изменения характеристик объема управления, в том числе и качества сырья, выражают изменением коэффициентов при соответствующих факторах (переменных). В общем виде эталонную адаптивную математическую модель пиролизной печи (рис. 7.1) можно записать так:
бензиновой (р= 1, 2,..., m) G рэт = f р (api, S p, V p, Т р, Р р, М); (7.21) G рпр = jр (bpi, S p, V p, Т р, Р р, М); (7.22) r р = yр (cpi, S p, V p, Т р, Р р, М); (7.23) m р = x р (d pi, S p, V p, Т р, Р р, М), (7.24) где а, b, с, d – коэффициенты уравнений, r – плотность пирогаза, m – степень газообразования (конверсии), при переработке этана-рецикла принимается m ~ 1, этановой (р = m +1, m +2,..., n) G рэт = f р (api, S p, V p, Т р, Р р); (7.25) G рпр = jр (bpi, S p, V p, Т р, Р р); (7.26) r р = yр (cpi, S p, V p, Т р, Р р,); (7.27) Каждое из уравнений математических моделей (7.21) – (7.27) представлено как полином второго порядка , (7.28) где у р – выходные параметры (G рэт, G рпр, r, m); xpi – входные параметры (S, V, Т, Р, М); kpj – коэффициенты уравнений (а, b, с, d). Уравнения (7.21), (7.22), (7.25) и (7.26) используются при решении задачи текущей оптимизации пиролизных печей, уравнения (7.23), (7.24), (7.27) – для вспомогательных расчетов текущих значений выходов компонентов G рэт и G рпр при выполнении цикла адаптации основных уравнений. Последние связаны зависимостями: G рэт = S m C эт g эт /r; (7.29) G рпр = S m C пр g пр /r, (7.30) где С эт, С пр – содержание этилена и пропилена в пирогазе, % (об.); g эт, g пр – удельный вес чистых компонентов. Зависимость (7.28) определяет максимально возможную структуру уравнений математической модели пиролизной печи. В процессе отработки системы управления на объекте возможно некоторое упрощение исходной структуры, что улучшает адаптацию коэффициентов уравнений и приводит к сокращению вычислительных процедур при решении задачи оптимизации, а следовательно, и продолжительности реализации программы на ЭВМ. Поэтому в промышленной АСУТП предусматривается возможность изменения структуры любых уравнений математических моделей с пульта управления ЭВМ. Исследования показывают, что даже для линейной структуры эталонной модели с входными параметрами S и Т ошибка аппроксимации статических характеристик выходов этилена и пропилена не превышает погрешности измерения выходов этих компонентов с помощью хроматографического метода, которая составляет не более 4 % (отн.). Практически все входные и выходные переменные, включенные в эталонную математическую модель, можно измерить на промышленном объекте с помощью автоматических датчиков.
Дата добавления: 2014-10-23; Просмотров: 451; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |