ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ ДВИЖЕНИЕМ РОТОРА В АКТИВНЫХ ГИБРИДНЫХ ОПОРАХ НА ОСНОВЕ МОДЕЛИ И НА ОСНОВЕ ТЕХНОЛОГИЧЕСКИХ ДАННЫХ

INTELLECTUAL CONTROL OF ROTOR MOTION IN ACTIVE HYBRID BEARINGS BASED ON MODEL AND ON DATA

Для создания систем диагностики и управления сложными техническими системами на практике используются два ключевых подхода: модельно-ориентированный и подход на основе данных [1, 2].

В модельно-ориентированном подходе используются модели объектов управления, позволяющие рассчитывать состояния реальных объектов и формировать для них управляющие воздействия, корректирующие регулируемые величины до требуемых значений, причем во взаимосвязи с зависящими от них параметрами. Минусом подхода является то, что для сложных систем модели также могут быть крайне сложными и поэтому быть недостаточно точными, либо требовать больших вычислительных ресурсов для корректного функционирования.

В подходе на основе данных используются фактические данные о работе контролируемой системы. Для формирования управляющих воздействий могут использоваться методы машинного обучения. Точность таких систем достигается обработкой больших объемов фактических данных, получаемых от реальных объектов в разных режимах работы, при этом обычно не требуется значительных вычислительных ресурсов.

В случае с активными гибридными подшипниками в многоопорных системах [3] на работу системы управления влияют такие факторы как:

- силы, возникающие в смазочном слое подшипника скольжения;

- вязкостные параметры смазочного материала;

- внешние силы различной природы, влияющие на ротор машины;

- температурные деформации роторов;

- иные факторы.

В общем случае схема системы управления (САУ) одним активным гибридным подшипником будет выглядеть как на рисунке 1.

САУ содержит в себе: регуляторы Р, реализующие законы управления; усилители У, обеспечивающие согласование выходных сигналов регуляторов и силовых управляющих сигналов исполнительных устройств; сами исполнительные устройства СК, обычно представленные регулирующими давление смазочного материала сервоклапанами; измерительные каналы обратной связи ИК; преобразователи измеренного сигнала П; задающее устройство ЗУ, которое обеспечивает формирование сигнала уставки – координат X0, Y0; линии перекрестных связей CXY и CYX для учета связей между контурами управления посредством поля давления смазочного слоя компонентов опоры; непосредственно роторно-опорный узел РОУ, включающий в себя по крайней мере подшипник и установленный в него ротор, который также может быть дополнен демпфирующими, уплотняющими устройствами.

 

Рисунок 1 – Структурная схема системы управления активной гибридной опорой

 

В случае модельно-ориентированного подхода модель роторно-опорного узла действует параллельно с физическим узлом и по измерительным каналам в систему управления передаются данные о выходных параметрах модели. В такой модели ввиду существенно нелинейных свойств смазочного слоя используется численное решение уравнений гидродинамики, а именно – модифицированного уравнения Рейнольдса [4]. При увеличении разрядности вычислительной сетки экспоненциально возрастает требуемое для вычислений время, поэтому получение результатов достаточной точности требует значительных вычислительных мощностей или времени. Работа модели в реальном времени при этом возможна в основном в стационарных применениях и для не слишком сложных машин, например, стационарных турбин общего применения.

Для других машин, где сложность модели дополнительно возрастает ввиду параллельно протекающих в них процессов (например, турбогенераторы), а также для нестационарных машин (например, авиационные двигатели), где ограничены вычислительные мощности для модели, более целесообразным является применения подхода на основе анализа данных. В таком случае по каналам обратной связи ИК к регуляторам Р будут поступать данные о фактических процессах в активных опорах и машине в целом. Регуляторы в данном случае будут содержать в себе расчетные модули, использующие методы машинно обучения для формирования управляющих сигналов.

Например, в качестве таких методов могут использоваться искусственные нейронные сети. Такая сеть через процесс самообучения способна корректировать функции линейных регуляторов, а также, при достаточной степени обучения, выступать в роли самостоятельного регулятора САУ. На рисунке 2 представлена концепция такой нейронной сети. Она имеет на входе временные последовательности сигналов с сенсоров машины, а на выходе – управляющие сигналы для исполнительных механизмов опоры.

Рисунок 2 – Нейрорегулятор САУ активной гибридной опоры

 

Выбор необходимого подхода к системе управления активной гибридной опорой осуществляется на основе детального анализа протекающих в роторной машине процессов на стадии ее проектирования, либо модернизации.

Финансирование представленной в данной статье работы осуществляется в рамках выплаты стипендий Президента по проекту СП-282.2019.1.

 

Литература:

  1. Ming, D. He. Hidden semi-Markov model-based methodology for multi-sensor equipment health diagnosis and prognosis // European Journal of Operational Research, Vol. 178. P. 858-878.
  2. Changsheng, A.W. Yuri, S. Shardt, W. Yalin. Data-Driven Design of Feedback-Feedforward Control Systems for DynamicProcesses / IFAC-PapersOnLine, Vol. 50, Issue 1, 2017. P. 13916-13921.
  3. V. Shutin, L.A. Savin. Control of rotor motion using active fluid-film bearings / Mechanisms and Machine Science. Proceedings of 9th IFToMM International Conference on Rotor Dynamics, Vol. 21, 2015. P. 1115-1122.
  4. Савин Л.А., Соломин О.В. Моделирование роторных систем с подшипниками жидкостного трения. М.: Машиностроение-1, 2006. 334 с.
  5. An, C. Zhijun, M.S. de Queiroz. Model-Based Control of Active Tilting-Pad Bearings / IEEE/ASME Transactions on Mechatronics, 2008. P. 112-122.

 

 

  1. Ming, D. He. Hidden semi-Markov model-based methodology for multi-sensor equipment health diagnosis and prognosis // European Journal of Operational Research, Vol. 178. P. 858-878.
  2. Changsheng, A.W. Yuri, S. Shardt, W. Yalin. Data-Driven Design of Feedback-Feedforward Control Systems for DynamicProcesses / IFAC-PapersOnLine, Vol. 50, Issue 1, 2017. P. 13916-13921.
  3. V. Shutin, L.A. Savin. Control of rotor motion using active fluid-film bearings / Mechanisms and Machine Science. Proceedings of 9th IFToMM International Conference on Rotor Dynamics, Vol. 21, 2015. P. 1115-1122.
  4. Savin L.A., Solomin O.V. Modelirovanie rotornyh sistem s podshipnikami zhidkostnogo trenija. M.: Mashinostroenie-1, 2006. 334 s.
  5. An, C. Zhijun, M.S. de Queiroz. Model-Based Control of Active Tilting-Pad Bearings / IEEE/ASME Transactions on Mechatronics, 2008. P. 112-122.