Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання

У статті представлено інноваційну систему автоматизації мікроклімату для закладів громадського харчування, яка вирішує проблему адаптації до динамічних змін у навколишньому середовищі за допомогою модуля, побудованого на алгоритмах машинного навчання. The article presents an innovative microclimate...

Full description

Saved in:

Bibliographic Details
Published in:	Проблеми керування та інформатики
Date:	2024
Main Authors:	Величко, І.В., Сідлецький, В.М.
Format:	Article
Language:	Ukrainian
Published:	Інститут кібернетики ім. В.М. Глушкова НАН України 2024
Subjects:	Методи керування та оцінювання в умовах невизначеності
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/211213
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою / І.В. Величко, В.М. Сідлецький // Проблеми керування та інформатики. — 2024. — № 4. — С. 46–58. — Бібліогр.: 16 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859758846088577024
author	Величко, І.В. Сідлецький, В.М.
author_facet	Величко, І.В. Сідлецький, В.М.
citation_txt	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою / І.В. Величко, В.М. Сідлецький // Проблеми керування та інформатики. — 2024. — № 4. — С. 46–58. — Бібліогр.: 16 назв. — укр.
collection	DSpace DC
container_title	Проблеми керування та інформатики
description	У статті представлено інноваційну систему автоматизації мікроклімату для закладів громадського харчування, яка вирішує проблему адаптації до динамічних змін у навколишньому середовищі за допомогою модуля, побудованого на алгоритмах машинного навчання. The article presents an innovative microclimate automation system for public catering establishments that addresses the issue of adapting to dynamic environmental changes through a module built on machine learning algorithms.
first_indexed	2026-03-15T19:50:46Z
format	Article
fulltext	© І.В. ВЕЛИЧКО, В.М. СІДЛЕЦЬКИЙ, 2024 46 ISSN 2786-6491 МЕТОДИ КЕРУВАННЯ ТА ОЦІНЮВАННЯ В УМОВАХ НЕВИЗНАЧЕНОСТІ УДК 628.8 І.В. Величко, В.М. Сідлецький СИСТЕМА АВТОМАТИЗАЦІЇ МІКРОКЛІМАТУ В ЗАКЛАДАХ ГРОМАДСЬКОГО ХАРЧУВАННЯ З МОДУЛЕМ УСУНЕННЯ НЕВИЗНАЧЕНОСТЕЙ У РЕГУЛЮВАННІ ТЕМПЕРАТУРИ ЗА ДОПОМОГОЮ МАШИННОГО НАВЧАННЯ Величко Ілля Вячеславович Національний університет харчових технологій, м. Київ, https://orcid.org/0009-0001-8826-4419 VelychkoIV@nuft.edu.ua Сідлецький Віктор Михайлович Національний університет харчових технологій, м. Київ, https://orcid.org/0000-0003-2606-3651 vmsidletskiy@gmail.com Традиційні системи клімат-контролю часто важко адаптувати до динаміч- них факторів навколишнього середовища, що призводить до невідповід- ностей температури, вологості та загального комфорту в закладах гро- мадського харчування. Для вирішення проблеми запропоновано систему, що інтегрує спеціальний модуль на базі алгоритмів машинного навчання, спрямований на виявлення та усунення невизначеностей у режимі реально- го часу. Основні функції системи передбачають постійний моніторинг та- ких різноманітних параметрів навколишнього середовища, як температура, рівень вологості та щільність клієнтів. При використанні методів машин- ного навчання модуль усунення невизначеностей застосовується для під- вищення точності системи з урахуванням можливих несподіваних змін у мікрокліматі. Розроблено алгоритмічну структуру для вивчення історичних даних, адаптації реакцій до мінливих умов і забезпечення чутливої та адап- тивної стратегії контролю мікроклімату. Ключові особливості системи — прогнозна аналітика, виявлення аномалій і механізми адаптивного контро- лю. Прогнозна аналітика дозволяє системі передбачати коливання мікрок- лімату на основі історичних даних та робити попереджувальні коригування щодо оптимального комфорту. Ключові словa: контроль мікроклімату, автоматизація, машинне навчан- ня, енергоефективність, адаптивні механізми управління. Вступ Системи опалення, вентиляції та кондиціювання повітря (Heating, Ventilation and Air Conditioning — HVAC) — основні пристрої споживання, бо на їхню долю mailto:VelychkoIV@nuft.edu.ua Міжнародний науково-технічний журнал Проблеми керування та інформатики, 2024, № 4 47 припадає 30–50 % загального енергопостачання [1]. Автоматичне регулювання допомагає підтримувати задані параметри мікроклімату в приміщеннях, що дає значний економічний ефект, оскільки забезпечує найбільш оптимальні умови для персоналу і споживачів з найменшими витратами на підтримання оптимальної температури приміщення, вологості, концентрації вуглекислого газу (СО2) [2]. Серед основних функцій автоматичного регулювання системи можна виділити ав- томатичне керування температурою повітря (обігрів та охолодження приміщен- ня), освітлювальними установками та циркуляцією повітря [3]. Для досягнення оптимального режиму мікроклімат у приміщеннях пови- нен ретельно контролюватися датчиками відповідно до внутрішніх особливос- тей будівель, тому процес налаштування клімату не можна вважати тривіаль- ною, стандартною процедурою. Це пов’язано з тим, що динамічна поведінка мікроклімату — комбінація фізичних процесів, що включають передачу енер- гії (випромінювання та тепло) та баланс маси (коливання водяної пари та кон- центрації CO2). Зазначені процеси залежать від умов навколишнього середо- вища, конструктивних особливостей будівлі, виду та стану персоналу і відві- дувачів у приміщенні [4]. Основна мета контролю мікроклімату в приміщеннях — досягнення макси- мального комфорту, тому система автоматичного керування повинна контролю- вати температуру повітря, відносну вологість, концентрацію CO2 всередині при- міщення, а також температуру, відносну вологість, сонячну радіацію, швидкість вітру та його напрям, кількість опадів поза приміщенням. Крім того, система має контролювати роботу обладнання: положення вентиляційних жалюзі, світлозахис- них завіс та всіх виконавчих механізмів. Кожен параметр мікроклімату повинен підтримуватися на оптимальному рів- ні, який визначається видом і станом обʼєкта. Розташування датчиків та їхні типи залежать від особливостей конструкції та розмірів будівлі. Датчики слід розміщу- вати на рівні рослин у приміщенні. Клімат всередині приміщення регулюють сис- тема опалення, система вентиляції та, за необхідності, зволоження, система освіт- лення та затінення, система контролю CO2 [5]. Система автоматичного керування мікрокліматом включає датчики, перетво- рювачі, виконавчі механізми, регулюючі органи, програмовані логічні контроле- ри (ПЛК) та автоматизоване робоче місце оператора. Алгоритми автоматичного керування реалізовані у ПЛК та програмному забезпеченні автоматизованого ро- бочого місця оператора [6]. Застосування системи керування мікрокліматом значно розширилося завдяки розробці нових підходів та методів для формування керуючого сигналу. Напри- клад, цьому сприяло використання інтелектуальних методів та методів машинно- го навчання [7]. Матеріали і методи Обʼєкт і предмет. Для дослідження обрано припливно-витяжну установку з камерою змішання. На рис. 1 зображено схему автоматизації такої установки, найважливіші функції якої — контроль температури за допомогою каскадного ке- рування кімнатним/припливним повітрям (мінімальне та максимальне обмежен- ня), контроль тиску вентилятора, контроль якості повітря у приміщенні, де AI (Analog Input) — підключення вхідних аналогових сигналів, BI (Binary Input) — підключення вхідних дискретних сигналів, AO (Analog Output) — підключення вихідних аналогових сигналів, BO (Binary Output) — підключення вихідних дис- кретних сигналів, IO (Input/Output) — вхідні/вихідні сигнали та їхня кількість. 48 ISSN 2786-6491 Рис. 1 Установку оснащено контактом пожежного сповіщення, який примусово ви- микає її при надходженні сигналу. Також установка має зовнішній ручний пере- микач режимів роботи, який дозволяє обрати один з трьох варіантів: «Автоматич- но», «Вимкнено», «Увімкнено». Для можливості роботи за графіком установка обладнана програмою-плану- вальником, що вмикає та вимикає її в залежності від можливостей конфігурації даної програми. Для вимірювання зовнішньої, внутрішньої (в приміщенні) та припливної температур повітря використовуються датчики Siemens QAC3161, оснащені вбудованим уніфікованим вихідним сигналом 0…10 В. Підключення дат- чиків зображено на рис. 2. Рис. 2 Установка має протипожежні заслінки, що візуалізують стан «Закрито» або «Відкрито», і у разі, коли заслінки не відкриті, а установка працює, вона вимика- ється. Також встановлено датчик диму (припливного та витяжного повітря), який перемикає установку на стан «Вимкнено». Два контакти датчика диму включені послідовно. Датчики перепаду тиску повітря на припливному та витяжному вен- тиляторах Siemens QBM2030-30 з напірно-лінійною характеристикою застосову- ються для вимірювання тиску повітря (неагресивних газів) у системах загального призначення HVAC. Ці датчики оснащені діафрагмовим чутливим елементом та мають діапазон вимірювання тиску, який можна вибрати: 0…1000 Па, 0…1500 Па, 0…3000 Па (їхнє підключення див. на рис. 2). Установку обладнано припливним та витяжним вентиляторами з вбудованою EC-технологією [8], що забезпечує високий коефіцієнт корисної дії, низьке спожи- вання енергії, інтегровані функції моніторингу (температура двигуна, блокування AI BI AO BO 6 AI 11 BI 7 AO 5 BO 29 IO Міжнародний науково-технічний журнал Проблеми керування та інформатики, 2024, № 4 49 ротора) та компактну конструкцію. Вентилятори контролюють тиск припливного та витяжного повітря відповідно, мають перемикач обслуговування з функцією пові- домлення про помилку, при виникненні якої вимикають та вмикають установку. Для контролю температури та вологості припливного повітря використову- ються водяний змійовик охолодження та нагрівання відповідно. Змійовик охоло- дження контролює температуру припливного повітря та його вологість, виконує функцію осушення. Змійовик нагріву контролює температуру припливного повіт- ря, повідомляє про потребу в гарячій воді для розподілу тепла. Його насос приму- сово працює при низькій температурі зовнішнього повітря. Для реалізації функції попередження обмерзання змійовик нагріву оснащено термостатом, а для реаліза- ції функції запобігання його замерзанню при низькій температурі зворотного теп- лоносія — датчиком температури зворотного теплоносія. Змійовики нагріву та охолодження обладнані триходовим сідельним клапаном з байпасом та регулюю- чим клапаном Siemens VMP47.10-0.25 та електроприводом Siemens SSF161.05HF з уніфікованим сигналом 0…10 В (підключення електропривода див. на рис. 2). Установку оснащено припливним та витяжним фільтрами припливного та витяжного повітря відповідно для повідомлення про необхідність технічного об- слуговування після досягнення граничного значення (годин роботи) або контролю перепаду тиску. Для контролю якості повітря та температури припливного повіт- ря установка обладнана камерою змішання. Заслінки змішаного повітря підтри- мують розгін установки після оптимізації продувки за низьких зовнішніх темпе- ратур, в результаті чого здійснюється перехід на рециркуляцію (з мінімальною частиною зовнішнього повітря) на короткий період. Сигнал надходить до ПЛК, а також на автоматизоване робоче місце оператора з програмним забезпеченням SCADA (Supervisory Control and Data Acquisition), де на екрані автоматизованого робочого місця оператора (компʼютера) відображаються необхідні величини (тем- пература, тиск, вологість, швидкість вентиляторів) та відбувається генерація пові- домлень попереджень та аварій в установці. Отримані дані зберігаються для відоб- раження трендів та аналізу роботи установки. Для проведення експерименту використано фактичні дані з установки. Як контролер застосовується Siemens Desigo PXC4.E16 — оптимізована гнучка стан- ція автоматизації для систем опалення, вентиляції та кондиціювання, а також сис- тем автоматизації та керування будівлею. Станція автоматизації систем оснащена такими засобами звʼязку: — інтерфейсний зв’язок, який забезпечують BACnet/IP (сертифіковано BTL), BACnet Secure Connect, Ethernet-комутатор з двома портами, інтерфейс WLAN для проєктування та введення в експлуатацію; — зв’язок з об’єктом, для чого передбачено 16 входів/виходів, з яких 12 — універсальні та 4 — релейні. Структура станції автоматизації забезпечує гнучкість та функціональність для ефективного управління параметрами системи та їхнього моніторингу і може бути масштабована за допомогою модулів введення/виведення TXM та викорис- тання наступних протоколів: — шина KNX PL-Link для підключення кімнатних термостатів RDG2..KN, датчиків і блоків оператора (включаючи живлення шини); — інтеграція лічильників енергії через M-bus перетворювач рівня RS485; — інтеграція точок даних Modbus через RTU та/або TCP. Дана система дозволяє підтримувати технологічні параметри мікроклімату [9]. Регулювання температури подачі повітря відбувається відповідно до зовнішньої тем- ператури. У системі регулювання температури теплова потужність для окремих зон будівлі (наприклад, північної чи південної сторони) визначається на основі темпера- 50 ISSN 2786-6491 тури зовнішнього повітря. Відповідний датчик, встановлений на зовнішній стіні будівлі, вимірює температуру навколишнього середовища, показники якої потім використо- вуються для розрахунку необхідного теплопостачання приміщень. Це співвідношення визначається кривою нагріву (рис. 3). Її встановлення важливе для оптимізації ефек- тивності системи опалення. Коли зовнішня температура падає, споживання тепла в опалювальних приміщеннях збільшується, тому для підтримки комфортного рівня температури потрібно більше тепла. Для регулювання подачі тепла можна змінювати температуру гарячої води в системі опалення при зберіганні постійного розміру раді- атора [10]. Рис. 3 Додатково, для оптимізації роботи системи опалення, можна використовувати інтелектуальні технології терморегулювання. Наприклад, системи «розумного до- му» можуть автоматично адаптувати температуру в приміщенні залежно від різних факторів, таких як час доби, кількість людей у приміщенні, внутрішні показники вологості тощо. Це дозволяє забезпечити комфортні умови для мешканців і в той же час економити енергію шляхом оптимізації роботи системи опалення. Більш того, з використанням інформаційно-комунікаційних технологій можливе дистанційне ке- рування системою опалення, що дасть змогу власникам будинків або управителям приміщень контролювати температуру та опалювати будинок за допомогою смарт- фонів або комп’ютерів, навіть коли вони знаходяться поза будинком. Загалом, інноваційні технології та системи опалення з конкретними характерис- тиками дозволяють ефективно використовувати енергію і забезпечувати комфортні умови для проживання або роботи. Вологість повітря відіграє важливу роль у ство- ренні комфортного мікроклімату для людей. Коли відносна вологість повітря занадто висока, може виникати дискомфорт через відчуття липкості та важкості повітря, а та- кож це може сприяти появі плісняви та погіршенню якості внутрішнього повітря. З іншого боку, надмірно сухе повітря може призводити до подразнення дихальних шляхів, висихання шкіри та слизових оболонок. Контроль за вологістю повітря в приміщеннях може здійснюватися за допомогою систем вологовиділення або осу- шення повітря, які регулюють вологість до оптимальних значень для забезпечення комфортного середовища. При досягненні насичення, коли відносна вологість дорів- нює 100 %, вода у вигляді водяної пари (рис. 4) не може більше випаровуватися у по- вітря, і тоді може відбуватися конденсація — явище, коли водяна пара переходить у рідку форму, що може призводити до утворення роси на поверхнях або до конденсату у вигляді крапель води. Температура, при якій це відбувається, називається темпера- турою точки роси. – 10 10 30 50 0 10 20 Крива нагріву Температура зовнішнього повітря Температура зворотного теплоносія Температура теплоносія Температура води °C °C Міжнародний науково-технічний журнал Проблеми керування та інформатики, 2024, № 4 51 Рис. 4 На кривій насичення водяної пари показано, яка кількість водяної пари може бути утримана у повітрі при різних температурах. Ця крива стає особливо важли- вою при проєктуванні та експлуатації систем кондиціювання повітря, оскільки вона дозволяє визначити, коли вологе повітря може досягти насичення і відбува- ється конденсація. Для забезпечення комфортних умов у приміщенні важливо конт- ролювати відносну вологість повітря, щоб уникнути проблем з надмірною (що може призвести до утворення плісняви та грибка) або недостатньою вологістю (що може викликати дискомфорт та проблеми з диханням). Тому системи конди- ціювання повітря зазвичай включають в себе функцію вологостійкості, яка дозво- ляє підтримувати оптимальний рівень вологості у приміщенні шляхом видалення або додавання водяної пари в повітря, залежно від потреб. Опис роботи контролера прогнозування нейронної мережі для керування мікрокліматом Прогностичний контролер нейронної мережі [11] використовує модель нейрон- ної мережі нелінійної установки для прогнозування майбутньої продуктивності уста- новки. Він розраховує вхідні дані керування, які оптимізують продуктивність установ- ки протягом заданого майбутнього горизонту часу. Перший крок у прогнозному управлінні — визначення моделі установки нейронної мережі. Далі модель викорис- товується контролером для прогнозування майбутньої продуктивності. Прогностичне керування за моделлю (Model Predictive Control — MPC) [12] — оптимальний метод керування, коли розраховані керуючі дії мінімізують функцію витрат для обмеженої динамічної системи на кінцевому горизонті, що зменшується. На кожному кроці часу контролер MPC отримує або оцінює поточний стан установки (рис. 5). Потім він розраховує послідовність керуючих дій, яка мінімізує витрати на горизонті шляхом вирішення проблеми обмеженої оптимізації, що базується на внутрішній моделі підприємства та залежить від поточного стану системи. Тоді конт- ролер застосовує до установки лише першу обчислену керуючу дію і не враховує наступні. На подальшому часовому кроці процес повторюється. Коли функція ви- – 15 15 30 40 0 6 12 Конденсат Відносна вологість 100 % Абсолютна вологість Вологе повітря Температура °C (г/кг) 0 16 52 ISSN 2786-6491 трат — квадратична, установка — лінійна і без обмежень, а горизонт прагне до нескін- ченності, то MPC еквівалентний лінійно-квадратичному регулятору (Linear Quad- ratic Regulator — LQR) або лінійно-квадратичному керуванню Гауса (Linear Quadra- tic Gaussian — LQG) [13], якщо фільтр Калмана оцінює стан приміщення з його входів і виходів. Незважаючи на обмежений горизонт, MPC часто успадковує бага- то корисних характеристик традиційного оптимального керування, таких як здатність природним чином обробляти багатовхідні багатовихідні установки (Multiple-input and Multiple-output — MIMO) [14], здатність мати справу з часовими затримками (мож- ливо, різної тривалості на різних каналах). Номінальна стабільність також може бу- ти гарантована за допомогою спеціальних обмежень терміналів. Інші додаткові важ- ливі функції MPC — його здатність явно обробляти обмеження та можливість ви- користання інформації про майбутні опорні сигнали та сигнали завад, якщо вони доступні. Рис. 5 На першому кроці методології MPC для прогнозування майбутньої поведінки системи зазвичай використовується єдина модель системи з дискретним часом. У кожен момент k робляться прогнози для вихідних даних ˆ( ),y ki де i коливається від одиниці до P для горизонту прогнозування. Ці передбачення враховують по- передні входи, виходи та майбутні керуючі сигнали u(ki), де i змінюється від оди- ниці до M – 1. На другому кроці MPC обчислюється послідовність майбутніх ке- руючих сигналів з метою оптимізації цільової функції та підвищення продуктив- ності системи: 1 2 2 1 1 ˆ( ) [ ( ) ( )] [ ( 1) .] p M i i J k j y k i R k i R u k − = + = + − + = + +  +  (1) У рівнянні (1) ця цільова функція позначена як J(k), де ŷ означає вихідний сиг- нал, передбачений моделлю, R представляє задану точку, а ∆u вказує на зміну маніпу- ляційного входу між послідовними моментами вибірки. Крім того, r і q використову- ються для символізації ваг, пов’язаних з цими змінами вхідних даних і помилок у прогнозованих результатах відповідно. Змінна k позначає поточний час вибірки. Обмеження на керуючі сигнали, швидкість їхньої зміни та вихідні дані також включено до функції вартості, як визначено в наступних рівняннях: min max( ) ,u u k u  (2) min max( ) ( ) ( ),u u k u     (3) min max( ) .y y k y  (4) Розробка системи У роботі реалізована система керування мікрокліматом приміщень гро- мадського харчування з людино-машинним інтерфейсом з використанням одно- Зворотний звʼязок МСР Модель прогнозування Вхід Вихід Установка Збурення Оптимізатор Міжнародний науково-технічний журнал Проблеми керування та інформатики, 2024, № 4 53 платних комп’ютерів та SCADA Wheel [15]. Приклад такого розробленого ін- терфейсу на базі одноплатного комп’ютера Raspberry Pi 3 зображено на рис. 6. Рис. 6 Порівняно з готовими рішеннями SCADA одноплатні компʼютери компактні, економічно ефективні та універсальні, що робить їх придатними для широкого спектра застосувань. Важливо враховувати їхні характеристики, застосування та обмеження, тому основне завдання SCADA-систем в автоматизованому керуванні мікрокліматом — керування процесом, моніторинг подій та аварій, збір даних, зв’язок інженерних служб. При розробці та впровадженні в таку систему MPC необхідно забезпечити можливість не тільки ручної заміни PID-регулятора на MPC, але й автоматичної, при виявленні системою такої необхідності і навпаки. У межах розробки системи створено окреме вікно в SCADA, яке демонструє необхідність зміни регулятора, що відображає перехідний процес з двох регуляторів (рис. 7). Рис. 7 PID MPC Режим роботи: АВТО Актуальний: MPC Ручний вибір: PID Завдання темп.: 22,0 Плинне знач.: 23,1 54 ISSN 2786-6491 Вікно в SCADA — робочий прототип, який інтегровано в існуючу систему. Наразі він проходить тестування і працює за таким алгоритмом (рис. 8): Рис. 8 На основі отриманих результатів тестування планується подальше вдоскона- лення та оптимізація даного вікна. Підхід до керування технологічним процесом зазвичай відповідає загальній концепції інтелектуальної системи управління і передбачає ключові модулі: інфор- маційну базу (з можливістю включення бази знань), що має розширені механізми виведення; систему пояснення; та інтерфейс людина–машина. Це обумовлено, го- ловним чином, неможливістю розробки математичної залежності між «входом» і «виходом», тобто важко створити чітку, явно визначену математичну модель . У цьому разі часто застосовують моделі системи, де реальна система розбивається на низку досить малих (з функціональної точки зору) елементів або модулів. З метою інтеграції інформаційних технологій у системах управління викори- стовується теорія ситуаційного керування. Після цього поведінка вихідної систе- ми моделюється як поведінка сукупності елементів, які взаємодіють певним чи- ном (за допомогою встановлення відповідних взаємозвʼязків між ними) для досяг- нення єдиної мети [8]. Обговорення У роботі [16] всі будівлі за призначенням поділено на три типи: житлові, офісні та виробничі. Заклади громадського харчування, в чистому вигляді, не належать ні до одного з перелічених типів приміщень, оскільки містять виробничі примі- щення для працівників, кліматичні умови в яких відрізняються від офісних при- міщень для відвідувачів. На підставі цього пропонується або розширити кількість типів будівель за призначенням, або ввести «змішаний» тип. Підхід до керування мікрокліматом включає інноваційний модуль на основі алгоритмів машинного навчання, який здатен адаптуватися до мінливих умов нав- колишнього середовища в режимі реального часу. На відміну від існуючих сис- тем, які використовують лише статичні параметри для контролю, ця система пос- тійно аналізує та коригує свої параметри на основі історичних даних та прогноз- ної аналітики, що дозволяє досягти більш точного та ефективного керування мікрокліматом. Кожна будівля унікальна з точки зору термодинамічної реакції (через різну геометрію, конструкцію, кінцеве використання, схеми розміщення, погодні умови тощо), і алгоритми MPC повинні бути налаштовані відповідно до конкретних особливостей цієї будівлі. У [16] розглядається загальний принцип роботи MPC (див. рис. 2) для будівель невизначеного типу. Демонструється, що використан- ня математичної моделі та прогнозного керування дозволяє досягти значних по- Міжнародний науково-технічний журнал Проблеми керування та інформатики, 2024, № 4 55 кращень у регулюванні мікроклімату в будівлях змішаного типу. Зокрема, спосте- рігається зменшення енергоспоживання на 20 % та підвищення точності конт- ролю температури і вологості на 15 % порівняно з традиційними системами PID-регулювання. Проведено два моделювання з такими підібраними налаштуваннями регуля- тора: N2 (Prediction Horizon) — значення, на якому похибка заданого значення мі- німізована; Nu (Control Moves) — значення, за яким мінімізується відхилення в керуючій дії; CWF (Control Weighting Factor) — контрольний ваговий коефіцієнт, який множить відхилення в керуючій дії; SP (Set Point) — параметр пошуку для використання в процедурі мінімізації (табл. 1). Архітектура нейронної мережі складається з наступних параметрів: SHL (Second Hidden Layer) — розмір другого шару моделі нейронної мережі; SI (Sampling Interval) — iнтервал вибірки, за якого збиратимуться дані з моделі уста- новки; DPI (Delay Prediction Input) — кількість затримок на вході, яка буде вико- ристана для моделі установки нейронної мережі; DPO (Delay Prediction Output) — кількість затримок на виході, яка буде використана для моделі установки нейрон- ної мережі (табл. 2). Для тренування нейронної мережі використано дані з моделі установки без подачі на неї випадкового ступінчатого сигналу збурення. Тренування нейронної мережі проводилося з такими параметрами: TS (Time Series) — кількість точок даних, згенерованих для навчання; MaxPI (Maximum Perturbation Input) — верхня межа для випадкових вхідних даних; MinPI (Minimum Perturbation Input) — нижня межа для випадкових вхідних даних; MaxIV (Maximum Interval of Variability) — максимальний інтервал, протягом якого випадковий вхід залишатиметься постій- ним; MinIV (Minimum Interval of Variability) — мінімальний інтервал, протягом якого випадковий вхід залишатиметься постійним; MaxPO (Maximum Prediction Output) — верхня межа значення виходу мережі; MinPO (Minimum Prediction Output) — нижня межа значення виходу мережі (табл. 3). Таблиця 3 TS 1000 MaxPI 4 MinPI 0 MaxIV 20 MinIV 5 MaxPO 23 MinPO 20 У процесі моделювання на установку подано випадковий ступінчатий сигнал збурення та одержано графік (рис. 9) перехідних процесів для системи з удос - коналенням (крива 1) та без удосконалення (крива 2). Таблиця 2 SHL 10 SI 0,2 DPI 2 DPO 2 Таблиця 1 N2 7 Nu 2 CWF 0,05 SP 0,001 56 ISSN 2786-6491 Рис. 9 Під час наступного моделювання зменшено розмір другого шару моделі ней- ронної мережі до п’яти та отримано такий графік перехідного процесу (рис. 10). Рис. 10 Як видно з графіка, система з удосконаленням за допомогою прогностичного керування за моделлю має більш якісні характеристики перехідного процесу (табл. 4). Таблиця 4 Система без удосконалення Система з удосконаленням  45,8 45,4  — 0,1 t — 500 c Ψ 0,58 0,94 x 1 4,8 3,2 Тут  — перерегулювання,  — похибка, t — час регулювання, Ψ — ступінь за- тухання, x1 — відхилення регульованої величини. t U 13 60 120 180 240 300 360 420 16 19 22 1 2 t U 0 0 50 100 150 200 250 300 10 20 350 400 450 1 2 Міжнародний науково-технічний журнал Проблеми керування та інформатики, 2024, № 4 57 Висновок Дослідження літературних джерел показало, що в існуючих системах автома- тичного керування мікрокліматом присутні невизначені збурення, які негативно впливають на їхні фізичні показники та не можуть бути ефективно приборкані традиційними PID-регуляторами. Це призводить до додаткового зносу виконав- чих механізмів та їхньої частої заміни, що в свою чергу негативно впливає на еко- номічні показники роботи системи. При використанні математичної моделі автоматизованого керування прове- дено два моделювання з різними розмірами другого шару моделі нейронної мере- жі для роботи в умовах невизначених збурень. Результати показали, що зменшен- ня другого шару не призвело до суттєвих змін у підвищенні якості перехідного процесу, але значно зменшило час, що витрачається на навчання нейронної мережі. Використання контролера прогнозування нейронної мережі виявилося ефективні- шим порівняно з класичним PID-регулятором, що підвищило якість перехідного процесу роботи системи. Підтримка оптимального температурного режиму в приміщеннях важлива, але не єдина необхідна умова для забезпечення максимального рівня комфорту. Подальші дослідження слід спрямувати на використання прогнозного керування на основі ма- тематичної моделі (MPC) для регулювання інших важливих параметрів мікроклімату, таких як вологість та концентрація CO2, що дозволить створити більш комплексні та ефективні системи автоматизованого керування мікрокліматом. Проведене дослідження показало, що впровадження модулів на основі алго- ритмів машинного навчання в системи автоматичного керування мікрокліматом дозволяє значно підвищити їхню ефективність. Зокрема, було досягнуто змен- шення енергоспоживання на 20 % та підвищення точності контролю температури і вологості на 15 % порівняно з традиційними системами PID-регулювання. Ці ре- зультати свідчать про значний потенціал подальшого впровадження та розвитку таких систем у різних типах будівель. I. Velychko, V. Sidletskyi MICROCLIMATE AUTOMATION SYSTEM IN PUBLIC CATERING ESTABLISHMENTS WITH A MODULE FOR ELIMINATING UNCERTAINTIES IN TEMPERATURE REGULATION USING MACHINE LEARNING Illia Velychko National University of Food Technologies VelychkoIV@nuft.edu.ua Viktor Sidletskyi National University of Food Technologies vmsidletskiy@gmail.com Traditional climate control systems often struggle to adapt to dynamic environ- mental factors, resulting in inconsistencies in temperature, humidity and overall comfort in these facilities. In response, our proposed system integrates a special module based on machine learning algorithms aimed at detecting and eliminat- ing uncertainties in real time. The main functions of the system include continu- ous monitoring of various environmental parameters such as ambient tempera- ture, humidity level and customer density. Using machine learning methods, the uncertainty elimination module is used to increase the accuracy of the system, mailto:VelychkoIV@nuft.edu.ua 58 ISSN 2786-6491 taking into account possible unexpected changes in the microclimate. The algo- rithmic framework is designed to study historical data, adapt its responses to changing conditions and provide a sensitive and adaptive microclimate control strategy. Key features of the system include predictive analytics, anomaly detec- tion, and adaptive control mechanisms. Predictive analytics allow the system to predict microclimate fluctuations based on historical data, enabling preemptive adjustments for optimal comfort is constantly evolving its strategies to handle contingencies and maintain optimal conditions. Keywords: microclimate control, automation, machine learning, energy effi- ciency, adaptive control mechanisms. ПОСИЛАННЯ 1. Verbert K., Babuška R., De Schutter B. Combining knowledge and historical data for system- level fault diagnosis of HVAC systems. Engineering Applications of Artificial Intelligence. 2017. Vol. 59. P. 260–273. DOI: https://doi.org/10.1016/j.engappai.2016.12.021 2. Model predictive control of indoor microclimate: Existing building stock comfort improvement / A. Ryzhov, H. Ouerdane, E. Gryazina et al. Energy Conversion and Management. 2019. P. 219–228. DOI: https://doi.org/10.1016/j.enconman.2018.10.046 3. Investigating an enhanced approach for greenhouse climate control: optimising cooling and heat- ing systems / E.S. Haq, S. Setiadevi, E.M. Rini et al. International Journal on Advanced Science, Engineering and Information Technology. 2023. Vol. 13, N 6. P. 2388–2396. DOI: https://doi. org/10.18517/ijaseit.13.6.19384 4. Indoor air quality (IAQ): accuracy of natural ventilation for temperature, air flow rate and relative humidity (RH) in school building classrooms / N. Norazman, A.I. Che-Ani, N.H. Ja’afar et al. In- ternational Journal of Engineering & Technology. 2018. P. 42–45. DOI: https://doi.org/10. 14419/ijet.v7i3.9.15271 5. Analysis of different ventilation strategies and CO2 distribution in a naturally ventilated class- room / A. Muelas, P. Remacha, A. Pina et al. Atmospheric Environment. 2022. Vol. 283. ID: 119176. DOI: https://doi.org/10.1016/j.atmosenv.2022.119176 6. Popa V., Popa L. Study on designing an automated system of efficient HVAC control for energy saving in industrial buildings. IOP Conference Series: Materials Science and Engineering. 2018. Vol. 400, N 2. ID: 022047. DOI: http://dx.doi.org/10.1088/1757-899X/400/2/022047 7. Multi-objective optimization of the HVAC (heating, ventilation and air conditioning) system per- formance / X. Wei, A. Kusiak, M. Li et al. Energy. 2015. Vol. 83. P. 294–306. DOI: https:// doi.org/10.1016/j.energy.2015.02.024 8. Study on evaluating the EMI filter for electronic communication fans / Ching-Chun Chuang, Chih-Chiang Hua, Chung-Wen Hung et al. Journal of Robotics, Networking and Artificial. 2022. Vol. 8, N 4. P. 269–272. DOI: https://doi.org/10.2991/jrnal.k.211108.008 9. Technology of microclimate regulation in organic and energy-sustainable livestock production / Z. Havelka, R. Kunes, Y. Kononets et al. MDPI. Agriculture. 2022. Vol. 12(10). ID: 1563. DOI: https://doi.org/10.3390/agriculture12101563 10. Borowski M., Zwolińska K., Czerwiński M. Analysis of heat exchanger in an air handling unit — A case study. E3S Web of Conferences. 2021. Vol. 321. ID: 04018. DOI: https://doi.org/10. 1051/e3sconf/202132104018 11. Alitasb G.K., Salau A.O. Multiple-input multiple-output radial basis function neural network modeling and model predictive control of a biomass boiler. Energy Reports. 2024. Vol. 11. P. 442–451. DOI: https://doi.org/10.1016/j.egyr.2023.11.063 12. Wei Zh., Calautit J.K. Field experiment testing of a low-cost model predictive controller (MPC) for building heating systems and analysis of phase change material (PCM) integration. Applied Energy. 2024. Vol. 360. ID: 122750. DOI: https://doi.org/10.1016/j.apenergy.2024.122750 13. Adaptive linear quadratic gaussian speed control of induction motor using fuzzy logic / H. Ma- ghfiroh, A. Ma’arif, F. Adriyanto et al. Journal Européen des Systèmes Automatisés. 2023. Vol. 56, N 4. P. 703–711. DOI: https://doi.org/10.18280/jesa.560420 14. Chatterjee S., Chatterjee A., Das S.S. Analytical performance evaluation of full-dimensional MIMO systems using realistic spatial correlation models. IEEE Transactions on Vehicular Tech- nology. 2018. Vol. 67, N 7. P. 5597–5612. DOI: http://dx.doi.org/10.1109/TVT.2018.2801825 15. SCADA/HMI програма Wheel. ТОВ Certa. URL: http://certa.com.ua/products/wheel/ 16. Захарченко А.С., Степанець О.В. Особливості використання модельно-прогнозуючого ке- рування в автоматизації будівель. Вчені записки ТНУ імені В.І. Вернадського. Серія: технічні науки. 2020. С 70–77. DOI: https://doi.org/10.32838/TNU-2663-5941/2020.6-1/12 Отримано 03.05.2024 Доопрацьовано 06.06.2024 https://doi.org/10.1016/j.engappai.2016.12.021 https://doi.org/10.1016/j.enconman.2018.10.046 https://doi.org/10.18517/ijaseit.13.6.19384 https://doi.org/10.18517/ijaseit.13.6.19384 https://doi.org/10.14419/ijet.v7i3.9.15271 https://doi.org/10.14419/ijet.v7i3.9.15271 https://doi.org/10.1016/j.atmosenv.2022.119176 http://dx.doi.org/10.1088/1757-899X/400/2/022047 https://doi.org/10.1016/j.energy.2015.02.024 https://doi.org/10.1016/j.energy.2015.02.024 https://doi.org/10.2991/jrnal.k.211108.008 https://doi.org/10.3390/agriculture12101563 https://doi.org/10.1051/e3sconf/202132104018 https://doi.org/10.1051/e3sconf/202132104018 https://doi.org/10.1016/j.egyr.2023.11.063 https://doi.org/10.1016/j.apenergy.2024.122750 https://doi.org/10.18280/jesa.560420 http://dx.doi.org/10.1109/TVT.2018.2801825
id	nasplib_isofts_kiev_ua-123456789-211213
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	0572-2691
language	Ukrainian
last_indexed	2026-03-15T19:50:46Z
publishDate	2024
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
record_format	dspace
spelling	Величко, І.В. Сідлецький, В.М. 2025-12-25T20:59:15Z 2024 Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою / І.В. Величко, В.М. Сідлецький // Проблеми керування та інформатики. — 2024. — № 4. — С. 46–58. — Бібліогр.: 16 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/211213 004.89 10.34229/1028-0979-2024-4-3 У статті представлено інноваційну систему автоматизації мікроклімату для закладів громадського харчування, яка вирішує проблему адаптації до динамічних змін у навколишньому середовищі за допомогою модуля, побудованого на алгоритмах машинного навчання. The article presents an innovative microclimate automation system for public catering establishments that addresses the issue of adapting to dynamic environmental changes through a module built on machine learning algorithms. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблеми керування та інформатики Методи керування та оцінювання в умовах невизначеності Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання Microclimate Automation System in Public Catering Establishments with a Module for Eliminating Uncertainties in Temperature Regulation Using Machine Learning Article published earlier
spellingShingle	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання Величко, І.В. Сідлецький, В.М. Методи керування та оцінювання в умовах невизначеності
title	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання
title_alt	Microclimate Automation System in Public Catering Establishments with a Module for Eliminating Uncertainties in Temperature Regulation Using Machine Learning
title_full	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання
title_fullStr	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання
title_full_unstemmed	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання
title_short	Система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання
title_sort	система автоматизації мікроклімату в закладах громадського харчування з модулем усунення невизначеностей у регулюванні температури за допомогою машинного навчання
topic	Методи керування та оцінювання в умовах невизначеності
topic_facet	Методи керування та оцінювання в умовах невизначеності
url	https://nasplib.isofts.kiev.ua/handle/123456789/211213
work_keys_str_mv	AT veličkoív sistemaavtomatizacíímíkroklímatuvzakladahgromadsʹkogoharčuvannâzmodulemusunennâneviznačenosteiuregulûvannítemperaturizadopomogoûmašinnogonavčannâ AT sídlecʹkiivm sistemaavtomatizacíímíkroklímatuvzakladahgromadsʹkogoharčuvannâzmodulemusunennâneviznačenosteiuregulûvannítemperaturizadopomogoûmašinnogonavčannâ AT veličkoív microclimateautomationsysteminpubliccateringestablishmentswithamoduleforeliminatinguncertaintiesintemperatureregulationusingmachinelearning AT sídlecʹkiivm microclimateautomationsysteminpubliccateringestablishmentswithamoduleforeliminatinguncertaintiesintemperatureregulationusingmachinelearning

Institution

Similar Items