Нейросетевые регуляторы для систем водоснабжения

i

Ситуация на объекте: исходные параметры и оборудование

Объектом выступает водопроводная насосная станция второго подъема, обеспечивающая подачу воды в жилой микрорайон с переменным графиком потребления. Установлены три насосных агрегата Grundfos CR 45-3 с частотными преобразователями Vacon NXP (IP54, мощность 30 кВт). Система управления построена на базе промышленного контроллера Siemens S7-1200 с реализованным ПИД-алгоритмом.

На момент начала работ станция обслуживала 12 000 абонентов, суточный расход варьировался от 800 до 3400 м³. Давление в магистрали поддерживалось на уровне 4,2 ±0,3 бар. Основной проблемой являлись систематические гидравлические удары при смене режима работы насосов, а также запаздывание реакции ПИД-регулятора на резкие изменения потребления (более 20% за 30 секунд). Среднее количество аварийных остановок достигало 3–4 в месяц.

Техническое задание: спецификации и требования к точности

Заказчик сформулировал следующие критерии: точность поддержания давления не ниже ±0,05 бар в статике и не более ±0,1 бар при динамических изменениях расхода до 30% за 15 секунд. Временная задержка реакции на возмущение — не более 2 секунд. Дополнительно требовалась полная совместимость с существующим полевым оборудованием: датчиками давления Vegabar 82 (токовая петля 4–20 мА) и расходомерами Endress+Hauser Promag W 400 (HART-протокол).

После анализа технической документации и 72-часовой регистрации переходных процессов было принято решение о проектировании нейросетевого регулятора на базе аппаратной платформы National Instruments cRIO-9047 с модулем FPGA. Используемая модель нейронной сети — многослойный перцептрон с двумя скрытыми слоями: первый — 32 нейрона с функцией активации ReLU, второй — 16 нейронов с сигмоидной активацией. Входной слой принимал 8 параметров: текущее давление, расход, положение задвижки, скорость вращения насоса 1, скорость вращения насоса 2, скорость вращения насоса 3, давление на выходе фильтров и температура подшипников.

Отличия от классического ПИД-регулирования: архитектура и материалы

Классический ПИД-регулятор, реализованный в контроллере Siemens, оперирует одним измерением (давление) и выдает управляющий сигнал на преобразователь частоты. Нейросетевой регулятор обрабатывает многомерный вектор состояния системы. Ключевое отличие — предиктивная способность: обученная сеть распознает паттерны изменения расхода и упреждающе корректирует частоту вращения насосов до момента возникновения отклонения давления.

При проектировании регулятора использовались следующие спецификации: корпус — алюминиевый сплав AlMg3 с анодированием (толщина покрытия 25 мкм), степень защиты IP65. Монтажная плата выполнена из FR-4 TG170 (температура стеклования 170 °C). Все соединители — промышленные серии Phoenix Contact SACC (4–20 мА, 24 В). Диапазон рабочих температур электронного модуля: от –25 °C до +70 °C. Для передачи данных между контроллером и нейросетевым модулем использовалась шина Profinet IRT (время цикла 1 мс).

Обучение сети проводилось на выборке из 14 560 записей, собранных за 6 месяцев эксплуатации. Валидационная выборка составила 20% от общего объема. Метрика качества — среднеквадратичная ошибка (MSE) на валидационном наборе: 0,0047. Время обучения на промышленном сервере Xeon Gold 6230 (8 ядер, 32 ГБ ОЗУ) — 4 часа 12 минут.

Этапы внедрения: от лабораторного стенда до промышленной эксплуатации

Первый этап — моделирование на стенде. Создан эмулятор насосной станции на базе Matlab/Simulink с использованием физических моделей насосов и трубопроводов. Проверена работа регулятора на 120 тестовых сценариях, включая экстремальные: ступенчатое изменение расхода на 50%, обрыв фазы на насосе, засорение фильтра.

Результаты внедрения: количественные показатели и качественные изменения

За первые три месяца эксплуатации зафиксировано 0 аварийных остановок, связанных с гидроударами. Точность поддержания давления в точке контроля (абонентская задвижка на удалении 800 метров от станции) составила 4,21 ±0,04 бар при расчетном значении 4,20 бар. Количество включений насосов снизилось на 63% — с 18 до 7 циклов пуск/стоп в сутки. Энергопотребление станции уменьшилось на 11,4% при идентичном графике водопотребления.

Анализ эксплуатационных логов за полный календарный период (12 месяцев) показал:

Технические выводы и применимость решения

Нейросетевой регулятор продемонстрировал стабильную работу в условиях, когда классический ПИД-алгоритм не способен обеспечить требуемую точность без постоянного участия оператора. Ключевой инженерный фактор — предиктивная составляющая, основанная на анализе многомерного входа. При этом важно подчеркнуть: решение не является универсальным. Оно оправдано на объектах с переменным, непредсказуемым графиком потребления и наличием высокоскоростных шин управления (время цикла менее 2 мс).

С точки зрения стоимости, внедрение нейросетевого регулятора на базе cRIO обходится в 3,2–3,8 раза дороже замены ПИД-контроллера на более быстродействующий промышленный регулятор. Однако для объектов с высокой ценой аварийного простоя (более 250 000 руб/час) срок окупаемости составляет от 8 до 14 месяцев. Для типовых станций с равномерным графиком потребления классический ПИД-регулятор остается экономически более обоснованным решением.

  1. Перед переходом на нейросетевое управление обязателен сбор не менее 10 000 записей с частотой дискретизации 100 мс.
  2. Для обеспечения надежности в контуре должна присутствовать аппаратная блокировка перехода к аварийному режиму управления.
  3. Обучение сети рекомендуется проводить на данных, включающих нештатные режимы (не менее 5% от выборки).
  4. Для длительной промышленной эксплуатации следует использовать модули с рабочей температурой от –40 °C до +85 °C (промышленные исполнения).

Добавлено: 25.04.2026