ГІБРИДНА СИСТЕМА КЕРУВАННЯ РОЗПИЛЮВАЛЬНИМ СУШІННЯМ ЕКСТРАКТУ З НЕЙРО-НЕЧІТКОЮ КОРЕКЦІЄЮ ЗАВДАНЬ
DOI:
https://doi.org/10.20998/2078-5364.2026.1.07Ключові слова:
розпилювальне сушіння, нейро-нечітка мережа, ANFIS, ПІД-регулятор, корекція завдань, MATLAB/SimulinkАнотація
У статті запропоновано гібридну систему керування розпилювальною сушаркою екстракту, орієнтовану на підвищення точності стабілізації вологості сухого продукту за наявності перехресних зв’язків між контурами та зовнішніх збурень, що зумовлені зміною властивостей сировини й параметрів повітряного середовища. Базова структура керування зберігає типову для промислових установок реалізацію локальних контурів на ПІД-регуляторах, а координація взаємодіючих контурів здійснюється верхнім рівнем у вигляді ANFIS-коректора уставок. Коректор формує додаткові прирости до уставок температури вхідного сушильного агента та його витрати, використовуючи поточні значення температури вихідних газів, вологості продукту та абсолютної вологості вхід-ного повітря. Така побудова дозволяє компенсувати частину взаємних впливів каналів, не змінюючи структуру локального ПІД-регулювання і не потребуючи модифікації апаратної частини системи.
Математичну модель об’єкта побудовано в середовищі MATLAB/Simulink шляхом ідентифікації каналів за статичними залежностями та динамічними реакціями у вибраній робочій області з подальшою апроксимацією передавальними функціями із запізнюванням. Адекватність моделі підтверджено зіставленням вихідних змінних мо-делювання з опублікованими експериментальними даними з відкритих джерел та ітера-тивним уточненням параметрів передавальних функцій до досягнення середньої відносної похибки 3%. Оскільки експериментальні дані з реальної установки для нав-чання нейро-нечіткої моделі були відсутні, навчання ANFIS виконано на навчальних вибірках, сформованих у середовищі моделювання на основі отриманої математичної моделі, статичних залежностей і серії імітаційних прогонів.
Ефективність запропонованого підходу оцінено шляхом порівняльного моделю-вання класичної системи на ПІД-регуляторах і гібридної системи з ANFIS-корекцією уставок. Як показники якості використано перерегулювання, час регулювання та інте-гральний критерій ISE у базовому сценарії. Встановлено, що застосування ANFIS-коректора забезпечує зменшення часу регулювання на 33 % (зі 180 до 120 с), зниження перерегулювання у 2,4 раза (з 12 % до 5 %) та зменшення значення критерію ISE на 48 % (з 1,00 до 0,52) порівняно з системою на ПІД-регуляторах. Подальші дослідження доцільно спрямувати на апробацію алгоритму на реальному обладнанні, донавчання ANFIS на експериментальних даних і перевірку роботи верхнього рівня за наявності вимірювальних шумів та обмежень виконавчих механізмів.
Посилання
Ozmen L., Langrish T. A. G. A study of the limitations to spray dryer outlet per-formance. Drying Technology. 2003. Vol. 21, No. 5. P. 895–917. DOI: https://doi.org/10.1081/DRT-120021691
Schuck P., Dolivet A., Méjean S., Jeantet R. Relative humidity of outlet air: the key parameter to optimize moisture content and water activity of dairy powders. Dairy Science and Technology. 2008. Vol. 88, No. 1. P. 45–52. DOI: https://doi.org/10.1051/dst:2007007.
Ohtani S., Matsuda I., Hasegawa T. Low-temperature spray drying for aroma reten-tion. Food Science and Technology Research. 1995. Vol. 1, No. 2. P. 105–111.
Domínguez-Niño N. A., Cantú-Lozano D., Ragazzo-Sánchez J. A., Andrade-González I., Luna-Solano G. Energy requirements and production cost of the spray drying process of cheese whey. Drying Technology. 2018. Vol. 36, No. 5. P. 597–608. DOI: https://doi.org/10.1080/07373937.2017.1350863.
Shabde V. S., Hoo K. A. Optimum controller design for a spray drying process. Control Engineering Practice. 2008. Vol. 16, No. 5. P. 541–552. DOI: https://doi.org/10.1016/j.conengprac.2007.06.004.
Petersen L. N., Poulsen N. K., Niemann H. H., Utzen C., Jørgensen J. B. Compari-son of three control strategies for optimization of spray dryer operation. Journal of Process Control. 2017. Vol. 57. P. 1–14. DOI: https://doi.org/10.1016/j.jprocont.2017.05.008.
Poozesh S., Karam M., Akafuah N., Wang Y. Integrating a model predictive control into a spray dryer simulator for a closed-loop control strategy. International Journal of Heat and Mass Transfer. 2021. Vol. 170. P. 121010. DOI: https://doi.org/10.1016/j.ijheatmasstransfer.2021.121010.
Takagi T., Sugeno M. Fuzzy identification of systems and its applications to model-ing and control. IEEE Transactions on Systems, Man, and Cybernetics. 1985. Vol. SMC-15, No. 1. P. 116–132. DOI: https://doi.org/10.1109/TSMC.1985.6313399.
Zubkova K., Sherstjuk V. Neuro-fuzzy control of spray drying food machine. CEUR Workshop Proceedings. 2023. Vol. 3373. URL: https://ceur-ws.org/Vol-3373/paper4.pdf
Jang J. S. R. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23, No. 3. P. 665–685. DOI: https://doi.org/10.1109/21.256541.
MathWorks. Fuzzy Logic Toolbox User’s Guide. MATLAB Documentation. 2023. URL: https://www.mathworks.com/help/fuzzy/
Iaheliuk S. V., Artiukh T. N., Danylchuk A. M. Zabezpechennia yakosti roz-chynnoi kavy. Tovaroznavchyi visnyk. 2023. No. 1 (16). P. 224–234. DOI: https://doi.org/10.36910/6775-2310-5283-2023-17-18/104.
Villegas-Santiago J., Rodríguez-Hernández G., Hernández-Sánchez H. Spray dry-ing of coffee: process optimization and product quality. Food and Bioprocess Technology. 2020. Vol. 13, No. 2. P. 265–275.
Schuck P., Dolivet A., Jeantet R. Advances in spray-drying of dairy products. Journal of Food Engineering. 2005. Vol. 68, No. 3. P. 305–312.
Wahyu Karyadi M., Pangestu R., Wijayanti R. Effect of feed concentration and in-let temperature on spray drying performance. International Journal of Food Science. 2020. Vol. 2020. P. 1–8.
Corrêa J. L. G., de Andrade R. S., Peixoto M. F. Spray drying of coffee leaf ex-tract: influence of process conditions on powder properties. Journal of Food Processing and Preservation. 2016. Vol. 40, No. 5. P. 934–942.
