Методы и алгоритмы построения адаптивных виртуальных анализаторов для систем усовершенствованного управления ректификационными колоннами тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Снегирев Олег Юрьевич
- Специальность ВАК РФ00.00.00
- Количество страниц 138
Оглавление диссертации кандидат наук Снегирев Олег Юрьевич
Введение
1. Литературный обзор и постановка задач исследования
1.1 Системы усовершенствованного управления технологическим процессом ректификации
1.2 Адаптивные виртуальные анализаторы
1.2.1 Типы моделей виртуальных анализаторов
1.2.2 Использование алгоритма чередующихся условных математических ожиданий для построения модели виртуального анализатора
1.2.3 Изменчивость параметров технологического процесса ректификации
1.2.4 Адаптация модели в составе виртуального анализатора
1.2.5 Использование кластеризации в адаптивных виртуальных анализаторах
1.2.6 Эвентуальная прогнозирующая функция для прогноза ошибки виртуального анализатора
1.3 Динамические виртуальные анализаторы
1.3.1 Анализ динамических виртуальных анализаторов
1.3.2 Наблюдатель состояния в качестве динамического виртуального анализатора
1.3.2.1 Математическое описание процесса ректификации
1.3.2.2 Анализ наблюдаемости технологического объекта многокомпонентной ректификации
1.4 Постановка цели и задач исследования
1.5 Выводы по главе
2 Разработка адаптивных ВА для СУУТП массообменными технологическими процессами
2.1 Построение и обновление модели на базе АСЕ
2.1.1 Построение модели
2.1.2 Обновление модели на базе АСЕ
2.2 Использование кластеризации в предлагаемых алгоритмах
2.2.1 Выбор значения количества кластеров
2.2.2 Описание ситуации с разделением на два кластера
2.3 Построение адаптивного виртуального анализатора с применением кластеризации
2.4 Эвентуальная прогнозирующая функция и использование ее в алгоритме адаптивного виртуального анализатора
2.5 Алгоритм определения целесообразности использования в обучении нового наблюдения режима технологического процесса
2.6 Выводы по главе
3 Применение разработанных методов и алгоритмов для технологического процесса производства метил-трет-бутилового эфира
3.1 Описание технологического процесса производства метил-трет-бутилового эфира
3.2 Апробация предлагаемых алгоритмов на промышленных данных
3.2.2 Сравнение предлагаемой модели на базе АСЕ в составе адаптивных виртуальных анализаторов по методу «движущегося окна»
3.2.3 Сравнение предлагаемого адаптивного виртуального анализатора с применением кластеризации и эвентуальной прогнозирующей функцией
3.2.4 Апробация алгоритма оценки целесообразности использования в обучении наблюдения технологического процесса
3.3 Выводы по глав
4 Применение разрабатываемых методов для технологического процесса ректификации установки первичной переработки нефти
4.1 Описание технологического процесса первичной переработки нефти
4.2 Апробация предлагаемых алгоритмов на промышленных данных
4.2.1 Сравнение модели на базе АСЕ с линейной регрессией
4.2.2 Сравнение предлагаемой модели на базе АСЕ в составе адаптивных виртуальных анализаторов по методу «движущегося окна»
4.2.3 Сравнение предлагаемого адаптивного виртуального анализатора с применением кластеризации и эвентуальной прогнозирующей функцией
4.3 Выводы по главе
5 Применение адаптивных виртуальных анализаторов в составе СУУТП процесса производства МТБЭ
5.1 СУУТП процесса производства МТБЭ
5.1.1 Интервальное управление на основе прогнозирующих моделей
5.1.2 Описание разработанной СУУТП
5.2 Программная реализация СУУТП и разработанных модулей
5.2.1 Связь СУУТП с технологической установкой
5.2.2 Функциональный блок адаптивного виртуального анализатора
5.2.3 Функциональный блок оценки целесообразности использования в обучении нового наблюдения
5.3 Выводы по главе
Заключение
Список литературы
109
Приложение А. Свидетельство о государственной регистрации программы для ЭВМ для разработки и исследования функционирования адаптивного виртуального анализатора с применением кластеризации
Приложение Б. Акт внедрения на ОНПЗ
Приложение В. Акт внедрения на ГНС
Приложение Г. Код функционального блока адаптивного виртуального анализатора на visual basic
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Разработка виртуальных анализаторов для системы управления массообменными технологическими процессами производства метил-трет-бутилового эфира2020 год, кандидат наук Самотылова Светлана Александровна
Разработка моделей массообменных технологических процессов для подсистемы АСУТП оценки качества выходных продуктов2022 год, кандидат наук Можаровский Игорь Сергеевич
Адаптивное управление температурным профилем ректификационной колонны тарельчатого типа2014 год, кандидат наук Шаровина, Светлана Олеговна
Методы управления технологическими процессами на основе ассоциативных прогнозирующих моделей2023 год, кандидат наук Черешко Алексей Анатольевич
Разработка методов идентификации виртуальных анализаторов для АСУ ТП ректификации нефти2016 год, кандидат наук Гончаров, Антон Александрович
Введение диссертации (часть автореферата) на тему «Методы и алгоритмы построения адаптивных виртуальных анализаторов для систем усовершенствованного управления ректификационными колоннами»
Введение
Актуальность. В зависимости от поставленной цели эффективности управление производством заключается в достижении максимального количества качественной выпускаемой продукции при ограничениях на энергозатраты или в минимизации энергозатрат при заданных границах качества. В практическом смысле на предприятиях нефтеперерабатывающей и нефтехимической промышленности для решения данного типа задач используются системы усовершенствованного управления технологическим процессом (СУУТП). Одним из основных принципов работы СУУТП является управление на основе прогнозирующих моделей (Model Predictive Control - MPC), которое позволяет решить проблему оптимального управления многомерными системами с сопутствующими ограничениями на управляющие (MV) и управляемые (CV) переменные.
В роли контролируемых переменных выступают показатели качества выпускаемой продукции. Качество продукции определяется с помощью лабораторного анализа, но пробы для анализа отбираются достаточно редко (максимум 2 раза в сутки), что не позволяет оперативно управлять технологическим процессом. Для решения данной проблемы в промышленности используют поточные анализаторы, но они имеют высокую стоимость внедрения и необходимость периодической калибровки и регулярного обслуживания. В связи с этим широкое распространение получили виртуальные анализаторы для оценки качества выходного продукта в период между проведением лабораторного анализа (ВА). Виртуальные анализаторы представляют собой математические модели, на основе которых производится расчет показателя качества продукта с использованием доступных промышленных данных (данных со встроенных измерительных приборов), что позволяет осуществлять контроль технологическим процессом в режиме реального времени.
Со временем в ходе работы параметры технологического процесса могут изменяться, например, происходит старение катализатора реакционно-ректификационного процесса, и виртуальный анализатор не может обеспечить достаточную точность оценки качества выходного продукта для текущего режима технологического процесса. В таких случаях использование адаптивных виртуальных анализаторов позволяет подстроить модели к изменению параметров технологического объекта.
Существует достаточно много работ, направленных на разработку виртуальных анализаторов и алгоритмов их адаптации к изменению параметров технологического процесса, но не существует точного определения, какой метод наиболее эффективный. В связи с этим исследования в рамках построения более качественных адаптивных виртуальных анализаторов на промышленном производстве являются востребованными и актуальными.
Актуальность выбранного направления исследований подтверждается грантом Российского фонда фундаментальных исследований «Разработка методов предсказательного моделирования массообменных технологических процессов» (№ 20-37-90027 Аспиранты).
Работа выполнена в рамках госбюджетной темы научных исследований ИАПУ ДВО РАН по теме «Развитие теории и методов повышения эффективности сложных технических систем и процессов» (номера в системе гос. задания Минобрнауки № 0262-2019-0003 (2018-2020) и № 0202-2021-0003 (2021-2022)).
Степень проработанности темы. В работах Д.В. Кнеллера [1, 2], Ю.В. Голованова [3], А.И. Удугама [4], X. Цянь [5, 6], П. Цао [7], М. Пчолка [8], Д.Х. Ли, X. Ян [9] и других описано применение ВА в работе СУУТП.
Существуют различные подходы к построению ВА для СУУТП. Использование линейных и нелинейных регрессионных моделей в составе ВА представлено в работах А.П. Веревкина [10, 11], А.А. Мусаева, П. Гелади [12], Б.Р. Ковальски, Ю. Цзян, С. Инь [13], Б. Рекке, Е.А. Пеналоза [14], В.А. Оливейра, Ф. Каррери [15], М.Г. Сибилия, Г. Фьюмара.
Различные методы адаптации ВА представлены в работах А.П. Веревкина, Н.Н. Бахтадзе, А.Г. Шумихина, П. Кадлека [16], Р. Грбича [17], K. Фунацу [18], Б. Габрис, Х. Канеко [19], X. Юань, X. Чен, З. Сонг, Ю. Ванг, В Шао, X. Тянь, Ф.А.А. Соуза, Р. Араужо, Д. Мендес, Ф. Каррери, М.Г. Сибилия, M. Кано, K. Фудзивара, Л. Чианг, Б. Лу. Выделяют несколько основных подходов к адаптации: метод «движущегося окна» (Moving window), рекурсивные методы (Recursive method), метод ансамбля моделей (Ensemble method), метод «точно-в-срок» (Just-in-Time) и другие. Методы адаптации ВА «движущегося окна» встречаются в работах Х. Юан, Л. Жао, Т. Чаи, Б. Алакент, Х. Канеко, К. Фунатсу, Л. Яо, Х. Ванг [20], У. Кругер, Г.В. Ирвин, Х. Йин, Л. Щанг, П. Кадлек, Й. Лиу, Д.С. Чен, Й.Ф. Шен. Методы адаптации на основе метода ансамбля моделей встречаются в работах Х. Канеко [21], К. Фунатсу, Р. Грбич [22], Д. Сличковис, П. Кадлек [23], З. Ге, Х. Чен, Х. Йин, А. Сапторо, Д.В. Поерио, С.Д. Бровн, В. Шао, Х. Тиан, Х. Юан, Р. Бакиров, П. Кумар и др. Методы адаптации «точно-в-срок» встречаются в работах К. Фуйивара [24], М. Кано, С. Хасебе, А. Такинами, В. Женг, З. Гао [25, 26], З. Ге, З. Сонг, Х. Юан, Х.К. Моханта, А. Урхан [27], Й. Садегхи, Б. Бидар и др.
В рамках проведенного исследования был предложен подход к использованию кластеризации в работе адаптивных виртуальных анализаторов. Существующие методы и алгоритмы представлены в работах А.Г. Шумихина [28], А.А. Гончарова [29], З. Гао [30], Х. Чен, Щ. Гуо, Х. Йин, Л. Ванг, Л. Ву, Н. Ямада, Х. Канеко, В. Шао, З. Сонг, Л. Яо, Т.Х. Пан, Д.С.Х. Щонг, С.С. Янг, И. Норхаяти, М. Рашид и др.
Цель диссертационной работы заключается в повышении эффективности функционирования процессов ректификации в условиях изменчивости параметров управляемого объекта путем разработки и применения методов и алгоритмов построения адаптивных виртуальных анализаторов, используемых в составе систем усовершенствованного управления технологическими процессами.
Для достижения поставленной цели диссертационной работы поставлены и решены следующие научные и технические задачи:
1. Создание методов построения и адаптации нелинейной модели в составе ВА.
2. Разработка метода построения адаптивного ВА с кластеризацией.
3. Разработка метода построения адаптивного ВА с эвентуальной функцией прогноза (ЭПФ) ошибки.
Объект исследования: системы усовершенствованного управления промышленными ректификационными колоннами производства метил-трет-бутилового эфира (МТБЭ) и первичной переработки нефти.
Предмет исследования: методы и алгоритмы построения и адаптации моделей в составе виртуальных анализаторов для оценки показателей качества и управления промышленными ректификационными процессами.
Научная новизна выполненной диссертационной работы заключается в следующем:
1) Предложены методы построения и адаптации нелинейных моделей в составе ВА на основе полиномиальной аппроксимации оптимальных преобразований, полученных методом чередующихся условных математических ожиданий, отличающиеся тем, что при построении и адаптации модели происходит автоматический подбор минимально допустимой степени аппроксимирующего полинома, что позволило учесть нестационарность реакционно-ректификационных технологических процессов [31 - 33].
2) Предложен метод построения адаптивных ВА с применением кластеризации, отличающийся тем, что кластеризация используется для определения целесообразности обновления моделей, что позволило снизить затраты вычислительных ресурсов при неизменной точности ВА [34 - 38].
3) Разработан метод построения адаптивных ВА, функционирующих по принципу «движущегося окна», отличающийся тем, что в условиях
неравноотстоящих моментов времени измерения выходной переменной используются эвентуальные функции прогноза ошибки, что позволило принципиально реализовать адаптивный ВА с предиктором ошибки для СУУТП с любым заданным периодом управления [39 - 41].
4) Предложена методика построении эвентуальных функции прогноза ошибки адаптивного ВА для реакционно-ректификационного процесса, основанная на определении порядка характеристического полинома с использованием спектрального анализа, что позволило повысить точность адаптивного ВА входящего в структуру СУУТП и получить максимальный выход конечного продукта МТБЭ марки «А».
В диссертации изложены результаты исследований, соответствующие паспорту научной специальности 2.3.3 «Автоматизация и управление технологическими процессами и производствами (технические науки)» и областям исследования по пунктам: П.5. Научные основы, алгоритмическое обеспечение и методы анализа и синтеза систем автоматизированного управления технологическими объектами; П.12. Методы создания специального математического и программного обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистем АСУТП, АСУП, АСТПП и др., включая управление исполнительными механизмами в реальном времени.
Методы исследования. В диссертационной работе использовались методы теории управления, методы математической статистики и кластеризации, современные средства разработки программных комплексов и моделирования.
Положения, выносимые на защиту: 1. Методы построения и адаптации нелинейных моделей в составе ВА на основе полиномиальной аппроксимации оптимальных преобразований, полученных методом чередующихся условных математических ожиданий, с автоматическим подбором минимально допустимой степени аппроксимирующего полинома.
2. Метод построения адаптивных ВА с применением кластеризации для определения целесообразности обновления моделей.
3. Метод построения адаптивных ВА, функционирующих по принципу «движущегося окна» в условиях неравноотстоящих моментов времени измерения выходной переменной с использованием эвентуальных функций прогноза ошибки.
4. Методика построения ЭПФ ошибки адаптивных ВА для реакционно-ректификационного процесса, основанная. на определении порядка характеристического полинома с использованием спектрального анализа. Достоверность и обоснованность результатов. Достоверность
определяется корректным использованием методов математического моделирования и обработки экспериментальных данных и подтверждается апробацией основных положений работы в рецензируемых журналах, входящих в перечень журналов ВАК и свидетельством о государственной регистрации программы для ЭВМ. Обоснованность полученных методов и алгоритмов основывается на сопоставлении полученных результатов с результатами, полученными другими известными методами и алгоритмами.
Практическая значимость результатов диссертации. Реализация и внедрение. Применение разработанных в ходе исследования методов и алгоритмов функционирования адаптивных ВА в составе СУУТП позволяет обеспечить заданную точность оценки показателей качества выходного продукта, что приводит к повышению точности управления технологическим процессом. Разработанные методы и алгоритмы функционирования адаптивных ВА внедрены в СУУТП промышленной установки реакционно-ректификационного процесса производства МТБЭ нефтеперерабатывающего завода. Отмечен положительный эффект от внедрения программного обеспечения в виде уменьшения средней абсолютной ошибки (САО) внедренного адаптивного ВА в сравнении с существующим в среднем на 60%: для адаптивного ВА по массовой доле изобутилена в отработанной бутан-бутиленовой фракции - 60,8%, для
адаптивного ВА по массовой доле суммы спиртов в выходном продукте МТБЭ -61,5%, для адаптивного ВА по массовой доле метанола в кубовом продукте ректификационной колонны К-2 - 59,5%; что позволило максимизировать выход конечного продукта МТБЭ марки «А».
Апробация работы. Основные результаты исследований, выполненные по теме диссертации, представлены на международных и всероссийских конференциях: XXXV Международная научная конференция «Математические Методы в Технике и Технологиях ММТТ-35» (г. Ярославль, 2022); «14th International Symposium on Process Systems Engineering - PSE2021+» (Япония, г. Киото, 2022).
Публикации. Результаты диссертационного исследования опубликованы в 12 работах, из них 6 статей в журналах из списка ВАК из них 3 работы переводные версии в журналах индексируемые в Web of Science, 1 публикация в материалах конференции, индексируемой в Scopus, 5 публикаций в материалах конференций, индексируемых в РИНЦ, получено 1 свидетельство о регистрации программы для ЭВМ и 2 акта о внедрении.
Личный вклад автора. Все результаты, составляющие основное содержание диссертации, получены автором самостоятельно. Автор принимал участие в постановке цели и задач по теме исследования, разработал подходы и алгоритмы адаптивных ВА, предложенные в диссертационной работе, и программные комплексы для апробации алгоритмов на производственных данных, обработал и проанализировал экспериментальные данные. Автор принимал участие в обсуждении полученных результатов, написании научных статей, материалов конференций, оформлении свидетельства о государственной регистрации программы для ЭВМ, принимал участие на конференциях.
Структура и объём диссертации. Диссертационная работа состоит из введения, 5 глав, заключения, списка используемой литературы, состоящего из 139 источников и 4 приложений. Содержание работы изложено на 138 страницах (включая 9 страниц приложений). В работе содержится 49 рисунков и 9 таблиц.
1. Литературный обзор и постановка задач исследования
1.1 Системы усовершенствованного управления технологическим процессом
ректификации
В настоящее время системы усовершенствованного управления технологическими процессами (СУУТП) получили широкое применение в нефтехимической отрасли производства. Это связано с тем, что даже малое повышение производительности или выхода целевого продукта приводит к существенной экономической выгоде для предприятия [42]. СУУТП -программно-алгоритмический комплекс, выполняющий функцию автоматического управления многомерным технологическим объектом на основе встроенной прогнозирующей модели [1]. СУУТП является надстройкой над базовой распределенной системой управления (РСУ) [43].
Принцип работы СУУТП на производстве заключается в том, что регулятор СУУТП принимает фактическое значение управляемой переменной от РСУ и сопоставляет с заданным значением. Если фактическое значение отличается от заданного, то регулятор СУУТП генерирует необходимое воздействие в соответствии с заложенной прогнозирующей моделью и отправляет задание ПИД-регулятору в РСУ [2, 44].
СУУТП обеспечивает снижение нагрузки на оператора, оптимизацию режима в реальном времени (снижение колебаний процесса и т.д.), непрерывную оценку и управление качеством конечных продуктов.
В качестве управляемых переменных в основном используются показатели качества производимого продукта. Одним из них является фракционный состав, который определяет соотношений фракций и их состав (фракции - составляющие нефти отличающиеся пределами температуры начала и конца кипения). Контроль за качеством производимого продукта на производстве происходит путем отбора проб для лабораторного анализа выходного продукта. Период отбора проб для проведения лабораторного контроля довольно большой (на
нефтеперерабатывающих производствах не чаще 2 раз в день), что не может обеспечить достаточную информативность и оперативность в компенсации отклонений от требуемого значения показателя качества продукта реакционно-ректификационного процесса в период между отборами проб [3].
Для решения этой задачи на производстве можно использовать поточные анализаторы, но их стоимость высока, и они нуждаются в частой калибровкеи и регулярное техническое обслуживание [45]. Помимо этого, оценка качества продукта поточным анализатором происходит с временной задержкой [46]. Это связано с тем, что прибору необходимо время для анализа отобранной пробы, а во время цикла на выходе прибора фиксируется последнее показание [47]. Из-за этого управляющие воздействия поступают не вовремя и снижается оперативность и качество управления процессом.
Альтернативным способом решения данной задачи является использование виртуальных анализаторов (ВА), которые являются математическими моделями, оценивающими трудно измеряемые переменные на основании доступных измеряемых переменных процесса (температура, давление, расход и др.) [48 - 52].
Одной из основных составляющих СУУТП является Model Predictive Control (MPC), которая позволяет решить проблему оптимального управления многомерных (многопеременных) систем с наложенными ограничениями на управляющие и контролируемые переменные [8, 53].
Существует достаточно большое количество научных работ, описывающих совмещение в СУУТП MPC регулятора и виртуальных анализаторов [4 - 7, 54 -55]. На рисунке 1.1 представлена структура системы управления содержащей MPC регулятор и виртуальный анализатор.
Виртуальные анализатор на основе значений переменных процесса (и) оценивает качество выходного продукта (у) и подает полученное значение на вход MPC регулятора в качестве текущего значения управляемой переменной. В регулятор MPC поступает задание - требуемое значения показателя качества (Утр). Учитывая поступившую информацию регулятор, на основе моделей
процессов зависимостей выхода от входа, выдает необходимые изменение значений управляющих переменных для достижения качества заданного уровня.
Так же в СУУТП поступают измерения (лабораторные данные) выходной переменной, которые используются для подстройки ВА, т.е. повышения качества оценки выходной переменной и соответственно управления процессом.
Рисунок 1.1 - Структура системы управления содержащей MPC регулятор и ВА
1.2 Адаптивные виртуальные анализаторы
1.2.1 Типы моделей виртуальных анализаторов Выделяют два отдельных типа ВА: модели «белого ящика» (получены на основе знаний о процессе) и модели «черного ящика» (основаны на эмпирических данных процесса) [56]. Модели «белого ящика» требуют строгие (физико-химические закономерности) знания о процессе и тратят огромное количество вычислительного времени на построение модели [57 - 59]. Они обычно сфокусированы на описании идеальных устойчивых состояний и не могут описать реальные состояния процесса [16]. Также для сложных систем модели «белого ящика» могут быть нереализуемы.
Модели «черного ящика» основаны на экспериментальных данных процесса и способны описать реальные состояния процесса, также они требуют немного знаний о процессе. [60 - 61] Тем не менее построение моделей «черного ящика» требует огромной работы над данными процесса, например, необходимо определить структуру модели.
При разработке модели «черного ящика» необходимо определить, какой из двух видов моделей лучше подходит: линейные и нелинейные. Многие авторы рассматривают в начале линейные модели, и, если качество оценки ВА на основе линейной модели неудовлетворительно, то предполагают, что система имеет нелинейный характер и выбирают нелинейные ВА [62]. Наиболее часто применяют регрессионные и нейросетевые модели в составе ВА.
В качестве линейных моделей широко используются метод робастной регрессии (Robust regression) [10, 11, 63], метод главных компонент [13, 14, 64] (Principle Component Analysis), метод частичных наименьших квадратов (Partial Least Squares) [12, 65] и другие. В качестве нейросетевых моделей ВА часто используются радиально-базисные нейронные сети (RBF) [66, 67], многослойный персептрон (MLP) [68, 69], рекурсивные нейронные сети (RNN) [70, 71] и самоорганизующиеся карты Кохонена (SOM) [15, 72, 73].
1.2.2 Использование алгоритма чередующихся условных математических ожиданий для построения модели виртуального анализатора
Для получения модели ВА можно использовать алгоритм чередующихся условных математических ожиданий (Alternating conditional expectations (АСЕ)) [74 - 78]. В данной работе алгоритм АСЕ используется из-за того, что он позволяет выявить сложные нелинейные зависимости входных и выходных переменных на основе их преобразований. В работах [79 - 82] приводятся результаты успешного применения данного метода для построения математических моделей для слабо формализованных объектов.
Регрессионная модель ACE имеет следующий вид:
т
в(У) = bo (ыг),
t=i
где в - функция оптимальных преобразований выходной переменной Y, b0 -свободный член, - функция оптимальных преобразований входной переменной U, i = 1,...,т - номер входной переменной.
Для вычисления оптимальных преобразований используется следующий алгоритм АСЕ:
Задаем 6(1) = У/\\У\\ и ^(ХД...,^(Хя) = 0 Выполнять пока в2(6,р1,...,рт) не перестанет снижаться:
Выполнять пока в2(6,р1,...,рт) не перестанет снижаться: Для к от 1 до т
(рк д№) = е [) - ) | хк \
Записать сркл(хк) в <рк X) Конец цикла Конец цикла
E
i:, ъ х )\у'
вФ) = E \Ц=! <Pt( X )\Y
Записать ) в 0(Y) Конец цикла
Полученные 6,фх,..,фт являются искомыми в ,ъ*,...,%
где е2(0,ф1,...,фт) = E
0(Y) -Ъъ()
j=i
2
Часто в известных работах показывают общую формулу регрессионной модели на базе АСЕ, но не указывают используемую функцию аппроксимации зависимости оптимальных преобразований от соответствующих входных переменных. В известных работах одним из способов аппроксимации является регрессия опорного вектора (support vector regression, SVR).
В настоящей работе предложен алгоритм применения АСЕ при построении модели ВА на основе полиномиальной аппроксимации, а также алгоритм адаптации модели к изменившимся параметрам технологического процесса.
1.2.3 Изменчивость параметров технологического процесса ректификации Одной из особенностей нефтяных ректификационных колонн является изменение динамических характеристик как во времени, так и в зависимости от режима работы [83].
Одной из возможных причин такого изменения может являться коррозия и/или загрязнение нефтяного оборудования в ходе работы [84]. Практика показала, что основными местами коррозионного поражения являются узлы нефтепроводящих и нефтеперерабатывающих линий -трубопроводы, клапаны и вентили, теплообменники, трубчатые печи и др. [85].
Еще одну возможную причину изменения характеристик процесса можно представить на примере реакционно-ректификационного процесса (РРП) производства эфиров (этерификация), которая происходит путем подачи спиртов в изо-олефины в присутствии ионообменной смолы. В настоящей работе рассматривается реакция синтеза метил трет-бутилового эфира (МТБЭ). Реакция этерификации катализируется кислотной ионообменной смолой макро-сшитого сульфонового типа (сополимер полистирола и дивинилбензола). Особенностью смолы является то, что ее объем увеличивается, а сшитая структура разрушается при контакте с водой или метанолом при температурах примерно от 100 до 110 °C (предел механической прочности смолы) [86]. Из-за данной особенности смолы в процессе этерификации происходит деградация катализатора, что со временем приводит к серьезному изменению свойств установки производства эфиров, тем самым подтверждается необходимость обновления моделей в составе ВА.
1.2.4 Адаптация модели в составе виртуального анализатора
Для решения проблемы ухудшения точности ВА в связи с изменением характеристик процесса необходимо подстраивать параметры ВА к изменившимся условиям [28, 87]. Существуют различные методы адаптации виртуальных анализаторов [17, 23]. Выделяют несколько основных подходов к адаптации: метод «движущегося окна» (Moving window) [18, 20, 88], рекурсивные методы (Recursive method) [89, 90], метод ансамбля моделей (Ensemble method) [22, 91], метод «точно-в-срок» (Just-in-Time) [24, 25] и другие.
Метод адаптации «движущегося окна» («скользящего окна») заключается в пересчете параметров ВА на основе обновленной обучающей выборки (ОВ)
выходной и входных переменных [27, 92]. Обновление ОВ происходит при поступлении нового наблюдения путем добавления его в ОВ и удаления из нее наиболее раннего наблюдения.
Метод ансамбля моделей заключается в том, что набор исторических данных разбивается на группы, для каждой группы строится модель, а финальная оценка выходной переменной ВА вычисляется как взвешенная сумма оценок выходной переменной моделями групп [93]. При реализации данного метода адаптации ВА на производстве в условиях малого количества данных при разбиении на группы возможна ситуация, когда количество наблюдений в группе будет недостаточным для построения адекватной модели. Также важным вопросом в настройке данного метода адаптации является поиск весов для взвешенной суммы оценок моделей групп.
Еще одним методом адаптации ВА к изменениям параметров технологического процесса является метод «точно-в-срок», работа которого заключается в том, что при поступлении значений входных переменных в наборе исторических данных производится поиск схожих наблюдений [94]. На основе этих наблюдений вычисляются параметры ВА и производится оценка выходной переменной. Недостатком данного метода является то, что полученные модели являются «узкими» и используются только для определенного момента времени, в следующий момент времени снова происходит поиск наблюдений для ОВ, для чего требуются значительные вычислительные и временные затраты.
1.2.5 Использование кластеризации в адаптивных виртуальных анализаторах В настоящей работе предлагается использование кластеризации в работе адаптивного ВА. В настоящее время кластеризация используется в алгоритмах ВА работающих по методу ансамбля моделей для разделения имеющегося набора исторических данных на группы для дальнейшего построения моделей для каждой подгруппы [21, 29, 95 - 98]. Выходное значение ВА получается путем взвешенной суммы выходов моделей подгрупп, либо на выход ВА передается
значение модели наиболее близкой подгруппы. В отличии от известных работ, предлагается использование методов кластеризации для определения целесообразности обновления модели ВА.
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Информационная поддержка принятия решений при производстве метил-трет-бутилового эфира2012 год, кандидат технических наук Тарасенко, Роман Юрьевич
Идентификационный анализ в задачах автоматизации технологического и логистического циклов производства2005 год, доктор технических наук Бахтадзе, Наталья Николаевна
Совершенствование управления процессом ректификации нефти в условиях малого нефтеперерабатывающего завода2018 год, кандидат наук Тугашова, Лариса Геннадьевна
Оптимизация процесса синтеза высокооктановых добавок в колоннах реакционной ректификации2011 год, кандидат технических наук Митянина, Ольга Евгеньевна
Синтез систем управления для массообменных технологических процессов в условиях неопределенности2010 год, доктор технических наук Торгашов, Андрей Юрьевич
Список литературы диссертационного исследования кандидат наук Снегирев Олег Юрьевич, 2023 год
Список литературы
1. Логунов П.Л., Шаманин М.В., Кнеллер Д.В., Сетин С.П., Шундерюк М.М. Усовершенствованное управление ТП: от контура регулирования до общезаводской оптимизации // Автоматизация в промышленности. - 2015. -№4. - C. 4-14.
2. Файрузов Д.Х., Бельков Ю.Н., Кнеллер Д.В., Торгашов А.Ю. Система усовершенствованного управления установкой первичной переработки нефти: создание, внедрение, сопровождение // Автоматизация в промышленности. -2013. - №8. - С. 3-10.
3. Голованов Ю.В., Храпов Д.В. Система управления качеством // Нефтепереработка и нефтехимия. Научно-технические достижения и передовой опыт. - 2015. - №8. - C. 10-12.
4. Udugama A.I., Alvarez Camps M., Taube M.A., Thawita C., Anantpinijwatna A., Mansouri S.S., Young B.R., Yu W. A novel soft sensor for measuring and controlling recovery in a high-purity, multicomponent, side-draw distillation column // Industrial& Engineering Chemistry Research. - 2019. - № 43. - P. 20026-20035.
5. Qian X., Jia S., Huang K., Chen H., Yuan Y., Yuan X., Zhang L. MPC-PI cascade control for Kaibel dividing wall column integrated with data-driven soft sensor model // Chemical Engineering Science. - 2020.
6. Qian X., Huang K., Jia S., Chen H., Yuan Y., Zhang L., Wang S. Composition/temperature cascade control for a Kaibel dividng-wall distilation column by combining PI controllers and model predictive control integrated with soft sensor // Computers and Chemical Engineering. - 2019.
7. Cao P., Luo X., Song X. Feasibility analysis and online adjustment of constraints in model predictive control integrated with soft sensor // Chinese Journal of Chemical Engineering. - 2017. - № 9. - P. 1230-1237.
8. Pcolka M., Zacekova E., Robinett R., Celikovsky S., Sebek M. Bridging the gap between the linear and nonlinear predictive control: Adaptations for efficient
building climate control // Control Engineering Practice. - 2016. - № 53. - P. 124138.
9. Yuan X., Qi S., Shardt Y., Wang Y., Yang C., Gui W. Soft sensor model for dynamic processes based on multichanal convolutional neural network // Chemometrics and Intelligent Laboratory Systems. - 2020. - P. 104050 - .
10.Веревкин А.П., Кирюшин О.В. Автоматизация технологических процессов и производств в нефтепереработке и нефтехими. - Уфа: изд-во УГНТУ, 2005. -71 с.
11. Веревкин А.П., Тигулева Д.В. Получение формальных моделей с использованием бутстраповского подхода // Концепции развития и эффективного использования научного потенциала общества. - 2021. - С. 4446.
12.Geladi P., Kowalski B.R. Partial least-squares regression: a tutorial // Analytica Chimica Acta. - 1986. - № 185. - P. 1-17.
13.Jiang Y., Yin S., Dong J., Kaynak O. A Review on Soft Sensors for Monitoring, Control, and Optimization of Industrial Processes // IEEE Sensors Journal. - 2021. -Vol. 21. - № 11. - P. 12868-12881.
14.Penaloza E.A., Oliveira V.A., Cruvinel P.E. Soft-sensor approach based on principal components analysis to improve the quality of the application of pesticides in agricultural pest control // International conference on advances in sensors, actuators, metering and sensing-allsensors. - 2018. - № 3. - P. 95-100.
15.Curreri F., Fiumara G., Xibilia M.G. Input Selection Methods for Soft Sensor Design: A Survey // Future Internet. - 2020. - № 12. - P. 97-.
16.Kadlec P., Gabrys B., Strandt S. Data-driven soft sensor in the process industry // Computers &Chemical Engineering. - 2009. - № 33 (4). - P. 795-814.
17.Kadlec P., Grbic R., Gabrys B. Review of adaptation mechanisms for data-driven soft sensors // Computers & Chemical Engineering. - 2011. - № 35 (1). - P. 1-24.
18.Kaneko H., Funatsu K. Moving window and Just-in-time soft sensor modelbased on time differences considering a small number of measurements // Industrial & Engineering Chemistry Research. - 2015. - № 54 (2). - P. 700-704.
19.Kaneko H., Funatsu K. Adaptive soft sensor based on online support vector regression and Bayesian ensemble learning for various states in chemical plants // Chemometrics and Intelligent Laboratory Systems. - 2014. - Vol. 137. - P. 57-66.
20.Wang X., Kruger U., Irwin G.W. Process monitoring approach using fast moving window PCA // Ind Eng Chem Res. - 2005. - № 44. - P. 5691- 5702.
21.Yamada N., Kaneko H. Adaptive soft sensor ensemble for selecting both process variables and dynamics for multiple process states // Chemometrics and Intelligent Laboratory Systems. - 2021. - Vol. 219. - P. 104443-.
22.Grbic R., Sliskovic D., Kadlec P. Adaptive soft sensor for online prediction and process monitoring based on a mixture of Gaussian process models // Computers & Chemical Engineering. - 2013. - Vol. 58. - P. 84-97.
23.Kadlec P., Gabrys B. Local learning-based adaptive soft sensor for catalyst activation prediction // AIChE Journal. - 2010. - № 57(5). - P. 1288-1301.
24.Fujiwara K., Kano M., Hasebe S., Takinami A. Soft-sensor development using correlation-based just-in-time modeling // AIChE Journal. - 2009. - № 55(7). - P. 1754-1765.
25.Zheng W., Liu Y., Gao Z., Yang J. Just-in-time semi-supervised soft sensor for quality prediction in industrial rubber mixers // Chemometrics and Intelligent Laboratory Systems. - 2018. - № 180. - P. 36-41.
26.Shang C., Gao X., Yang F., Huang D. Novel bayesian framework for dynamic soft sensor based on support vector machine with finite impulse response // IEEE Trans. Control Syst. Technol. - 2014 - Vol. 22. - № 4. - P. 1550-1557.
27.Urhan A., Alakent B. Integrating adaptive moving window and just-in-time learning paradigms for soft-sensor design // Neurocomputing. - 2020. - Vol. 392. - P. 23-37.
28.Шумихин А.Г., Зорин М.П., Немтин А.М., Плехов В.Г. Опыт разработки системы виртуального анализа показателей качества продуктов установок
каталитического риформинга бензиновых фракций и системы их подстройки в режиме реального времени // Вестник Пермского национального исследовательского политехнического университета. Химическая технология и биотехнология. - 2017. - № 2. - С. 45-62.
29.Гончаров А.А., Богомолов А.С., Чумаков М.Д. Использование метода ансамбля при разработке адаптивного виртуального анализатора // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2020. - № 7(564). - С. 34-37.
30.Liu Y., Gao Z. Real-time property prediction for an industrial rubber-mixing process with proБуду имbabilistic ensemble Gaussian process regression models // Journal of Applied Polymer Science. - 2014. - № 132(6). - P. 41432.
31. Снегирев О.Ю., Торгашов А.Ю. Разработка адаптивных виртуальных анализаторов для промышленных ректификационных колонн с применением кластеризации // Автоматизация в промышленности. - 2020. - № 8. - С. 44-50 (Eng. ed.: Snegirev O.Yu., Torgashov A.Yu. Development of Clustering-Based Adaptive Soft Sensors for Industrial Distillation Columns // Automation and Remote Control. - 2021. - № 82. - P. 1763-1773)
32. Снегирев О.Ю., Торгашов А.Ю. Адаптация структуры и параметров нелинейных виртуальных анализаторов на примере промышленного реакционно-ректификационного технологического процесса // Автоматизация в промышленности. - 2021. - № 3. - С. 3-11 (Eng. ed.: Snegirev O.Yu., Torgashov A.Yu. Adaptation of the Structure and Parameters of Nonlinear Soft Sensors by the Example of an Industrial Reactive Distillation Process // Automation and Remote Control. - 2021. - № 82. - P. 1774-1786)
33. Снегирев О.Ю., Торгашов А.Ю. Аппроксимация оптимальных преобразований при построении нелинейных виртуальных анализаторов // Математические методы в технике и технологиях - ММТТ. - 2020. - № 12-1. - С. 17-21.
34. Снегирев О.Ю., Козенко И.Ж., Попов В.В. Применение методов кластеризации в разработке адаптивных виртуальных анализаторов для установки первичной
переработки нефти // Научно-технический вестник Поволжья. - 2021. - № 2. -С. 37-41.
35.Снегирев О.Ю., Козенко И.Ж., Попов В.В. Разработка адаптивного виртуального анализатора для массообменного технологического процесса // Научно-технический вестник Поволжья. - 2021. - № 2. - С. 33-36.
36.Torgashov A.Yu., Snegirev O.Yu., Yang F. Methyl sec-butyl ether content estimation in MTBE products via clustering-based adaptive nonlinear soft sensors // Computer Aided Chemical Engineering. - 2022. - № 49. - P. 1387-1392.
37.Снегирев О.Ю., Торгашов А.Ю. Разработка адаптивного виртуального анализатора показателя качества выходного продукта процесса ректификации // Математические методы в технике и технологиях - ММТТ. - 2019. - № 4. -С. 49-52.
38.Снегирев О.Ю., Торгашов А.Ю. Определение оптимальных параметров адаптивного виртуального анализатора для массообменного технологического процесса // Сборник трудов XIII Всероссийского совещания по проблемам управления ВСПУ-2019. Институт проблем управления им. В.А. Трапезникова РАН. - 2019. - С. 2655-2659.
39.Климченко В.В., Снегирев О.Ю., Шевлягина С.А., Торгашов А.Ю. Разработка адаптивного виртуального анализатора с использованием прогнозирующего фильтра для нестационарного технологического процесса // Автоматика и телемеханика. - 2022. - № 12. - С. 141-155. (Eng. ed.: Klimchenko V.V., Snegirev O.Yu., Shevlyagina, S.A., Torgashov A.Yu. Developing an adaptive soft sensor using a predictive filter for a nonstationary process // Automation and Remote Control. - 2022. - Vol.83. - № 12. - P. 1984-1994.)
40. Снегирев О.Ю. Разработка адаптивных виртуальных анализаторов для систем усовершенствованного управления ректификационными колоннами // Математические методы в технологиях и технике - ММТТ. - 2022. - № 7. - С. 80-84.
41.Снегирев О.Ю., Климченко В.В., Торгашов А.Ю. Построение адаптивного виртуального анализатора в условиях неравноотстоящих измерений выхода // Математические методы в технологиях и технике - ММТТ. - 2022. - № 2. - С. 15-18.
42.Шинкевич А.И., Барсегян Н.В. Пути повышения эффективности организации производственных процессов на нефтехимических предприятиях за счёт применения систем автоматизации // Русский инженер. - 2019. - №4 (65). - C. 48-51.
43.Константинов А.Е., Лыжина Н.В. СУУТП как инструмент повышения эффективности производства // Сборник научных трудов VIII Международной научно-практической конференции «Экономическое Развитие в XXI Веке: Тенденции, Вызовы и Перспективы». - 2020. - Т. 1. - C. 95-99.
44.Веревкин А.П. Системотехника «продвинутого» управления в нефтепереработке // Проблемы автоматизации технологических процессов добычи, транспорта и переработки нефти и газа: сборник трудов II Всероссийской научно-практической интернет-конференции. - 2014. - С. 5-19.
45.Тугашова Л.Г. Виртуальные анализаторы показателей качества процесса ректификации // Электротехнические и информационные комплексы и системы. - 2013. - №3. - C. 97-103.
46.Rani A., Singh V., Gupta J.R.P. Development of soft sensor for neural network based control of distillation column // ISA Transactions. - 2013. - 52 (3). - P. 438 -449.
47.Улазевич В.Ю. Идентификация виртуального анализатора с применением EM-алгоритма на обучающих выборках различной частоты // Известия Тульского государственного университета. Технические науки. - 2021. - № 3. - С. 348353.
48.Гурьева Е.М., Кольцов А.Г. Применение виртуальных анализаторов для определения качества нефтепродуктов // Динамика систем, механизмов и машин. - 2016. - Vol. 1. - № 1. - С. 296-301.
49.Jalee E.A., Aparna K. Neuro-fuzzy soft sensor estimator for benzene toluene distillation column // Procedia Technology. - 2016. - № 25. - P. 92-99.
50.Yuan X., Qi S., Shardt Y., Wang Y., Yang C., Gui W. Soft sensor model for dynamic processes based on multichanal convolutional neural network // Chemometrics and Intelligent Laboratory Systems. - 2020. - P. 104050 - .
51.Yan W., Xu R., Wang K., Di T., Jiang Z. A soft sensor modeling method based on semi-supervised deep learning and its application to wastewater treatment plant // Industrial & Engineering Chemistry Research. - 2020.
52.Торгашов А.Ю., Гончаров А.А., Самотылова С.А. Современные методы построения систем усовершенствованного управления технологическими процессами // Вестник Дальневосточного отделения Российской академии наук. - 2018. - № 4 (188). - С. 102-107.
53.Lee J.H. Model predictive control: review of the three decades of development // International Journal of Control, Automation and Systems. - 2011. - № 9 (3). - P. 415-424.
54.Yang S.H., Wang X.Z., McGreavy C., Chen Q.H. Industrial practice of soft sensor based predictive control in fluid catalytic cracking processes // IFAC Proceedings Volumes. - 1998. - № 11. - P. 423-428.
55.Torgashov A., Skogestad S., An D. A rigorous model for evaluating moving window soft sensor for industrial distillation processes // Chemical Engineering. - 2018. - № 69.
56.Souza F.A.A., Araujo R., Mendes J. Review of soft sensor methods for regression applications // Chemometrics and Intelligent Laboratory Systems. - 2016. - № 152. - P. 69-79.
57.Zahedi G., Elkamel A., Lohi A., Jahanmiri A., Rahimpor M.R. Hybrid artificial neural network-first principle model formulation for the unsteady state simulation and analysis of a packed bed reactor for CO2 hydrogenation to the methanol // Chemical Engineering journal. - 2005. - № 115 (1-2). - P. 113-120.
58.Shang C., Yang F., Huang D., Lyu W. Data-driveb soft sensors development based on deep learning technique // Journal of Process Control. - 2014. - №24. - P. 223233.
59.Самотылова С.А., Торгашов А.Ю. Алгоритм построения виртуального анализатора показателя качества выходного продукта ректификационной колонны в условиях малой обучающей выборки // Известия Санкт-Петербургского государственного технологического института (технического университета). - 2019. - № 48 (74). - С. 36-41.
60.Агафонов Е.Д., Медведев А.В., Орловская Н.Ф., Синюта В.Р., Ярещенко Д.И. Прогнозная модель процесса каталитической гидродепарафинизации в условиях недостатка априорных сведений // Известия Тульского государственного университета. Технические науки. - 2018. - № 9. - С. 456468.
61. Медведев А.В. Основы теории адаптивных систем: монография. // Красноярск, Сиб. гос. аэрокосмич. ун-т - 2015. - 526 с
62.Nelles O. Nonlinear system identification - From classical approaches to neural Networks and fuzzy models // Springer. - 2001
63.Диго Г.Б., Диго Н.Б., Торгашов А.Ю., Козлов А.В., Самотылова С.А. Структурно-параметрическая идентификация моделей виртуальных анализаторов технологических объектов управления на основе робастной регрессии и информационных критериев // Автоматизация в промышленности. - 2015. - №10. - C. 58-62.
64. Дубров A.M. Компонентный анализ и эффективность в экономике: Учебное пособие. - М.: Финансы и статистика - 2002 - 352 с.
65.Zheng J., Song Z. Semisupervised learning for probabilistic partial least squares regression model and soft sensor application // Journal of Process Control. - 2018. -Vol. 64. - P. 123-131.
66.Du J., Zhang J., Yang L., Li X., Guo L., Song L. Mechanism Analysis and Self-Adaptive RBFNN Based Hybrid Soft Sensor Model in Energy Production Process: A Case Study // Sensors. - 2022. - № 22. - P. 1333-.
67.Zheng R., Pan F. Soft Sensor for Glutamate Fermentation Process Using Gray Least Squares Support Vector Machine // 2018 37th Chinese Control Conference (CCC). -2018. - P. 8110-8115.
68.Sun K., Wu X., Xue J., Ma F. Development of a new multi-layer perceptron based soft sensor for SO2 emissions in power plant // Journal of Process Control. - 2019. -Vol. 84. - P. 182-191.
69.Sun K., Sui L., Wang H., Yu X., Jang S.-S. Design of an Adaptive Nonnegative Garrote Algorithm for Multi-Layer Perceptron- Based Soft Sensor // IEEE Sensors Journal. - 2021. - Vol. 21. - №. 19. - P. 21808-21816.
70.Gilbert Chandra D., Vinoth B., Srinivasulu Reddy U., Uma G., Umapathy M. Neural Network based Soft Sensor for flow estimation in Liquid Rocket Engine Injector calibration // Flow Measurement and Instrumentation. - 2022. - Vol. 83. - P. 102105-.
71.Song M.J., Kim S., Oh S.H., Jo P.S., Lee J.M. Soft Sensor for Melt Index Prediction Based on Long Short-Term Memory Network // IFAC-PapersOnLine. - 2022. - Vol. 55. - № 7. - P. 857-862.
72.Krishna V.V.S.V., Pappa N., Rani S.P.J.V. Deep Learning based Soft Sensor for Bioprocess Application // 2021 IEEE Second International Conference on Control, Measurement and Instrumentation (CMI). - 2021. - P. 155-159.
73.Sun Y., Du N., Sun Q., Chen X., Yang J. Research and application of biological potency soft sensor modeling method in the industrial fed-batch chlortetracycline fermentation process // Cluster Computing. - 2018.
74.Kharghoria A., Alshammari A., González S., Sanwoolu A.O., Al-Rabah A.A.K., Montero J., González G. Data Driven Predictive Modelling Assists in Proactive Water Cut Management in a North Kuwait Heavy Oilfield // Conference: SPE Kuwait Oil & Gas Show and Conference. - 2019.
75.Esteban-Diez I., Gonzalez-Saiz J.-M., Pizarro C., Forina M. GA-ACE: Alternating conditional expectations regression with selection of significant predictors by genetic algorithms // Analytica Chimica Acta. - 2006. - № 555 (1). - P. 96-106.
76.Можаровский И.С., Самотылова С.А., Торгашов А.Ю. Предсказательное моделирование массообменного технологического объекта с использованием алгоритма чередующихся условных математических ожиданий // Математическое Моделирование. - 2020. - № 3. - C. 127-142.
77.Schnetzler E. Productivity Prediction Using Alternating Conditional Expectations // Geostatistics Valencia. - 2016.
78.Liu X. Regression Method Based on ACE for Humidity Measurement on Colorimetric Sensor Array // 2020 2nd International Conference on Computer, Communication and Network Technology (CCNT 2020). - 2020. - P. 210-214.
79.Walter E., Pronzato L. On the identifiability and distinguishability of nonlinear parametric models // Mathematics and Computers in Simulation. - 1996. - Vol. 42. -P. 125-134.
80.Bellman R., Astrom K.J. On structural Identifiability // Mathematical Biosciences. -1970. - Vol. 7. - P. 329-339.
81.Chapppell M.J., Godfrey K.R. Structural Identifiability of the parameters of a nonlinear batch reactor model // Mathematical Biosciences. - 1992. - Vol. 108. - P. 241-251.
82.Cobelli C., Distefano J.J. Parameter and structural identifiability concepts and ambiquities: a critical review and analysis // American Physiological Society. -1980. - Vol. 239. - № 1. - P. 7-24.
83.Стопакевич А.А. Разработка робастной системы управления колонной атмосферной перегонки нефти // Восточно-Европейский журнал передовых технологий. - 2015. - Vol. 5. - №. 2 (77). - C. 49-57.
84.Зейналов Э.Б., Аббасов В.М., Алиева Л.И. Нефтяные кислоты и коррозия (обзор) // Нефтехимия. - 2009. - № 49. - C. 203-210.
85.Slavcheva E., Shone B. Turnbull Review of naphthenic acid corrosion in oilrefining // British Corrosion Journal. - 1999. - Vol.34. - № 2 - P. 125-131.
86.Leprince P. Petroleum Refining Volume 3 - Conversion Processes. Editions Technip. - 2001. - P. 301.
87.Gallagher N., Wise B., Butler S., White D., Barna G. Development and benchmarking of multivariate statistical process control tools for a semiconductor etch process: improving robustness through model updating // IFAC ADCHEM'97, Alberta, Canada. - 1997. - P. 78-83.
88.Zhao L., Chai T. Adaptive moving window MPCA for online batch monitoring // Proceedings of the Fifth Asian Control Conference. - 2004. - Vol. 2. - P.190.
89.Dayal B.S., MacGregor J.F. Recursive exponentially weighted PLS and its applications to adaptive control and prediction // Process Control. - 1997. - № 7. -P. 169-179.
90.Li W., Yue H.H., Valle-Cervantes S., Qin S.J. Recursive PCA for adaptive process monitoring / // Process Control. - 2000. - № 10. - P. 471-486.
91.Kaneko H., Funatsu K. Adaptive soft sensor based on online support vector regression and Bayesian ensemble learning for various states in chemical plants // Chemometrics and Intelligent Laboratory Systems. - 2014. - Vol. 137. - P. 57-66.
92.Liu J., Chen D.-S., Shen J.-F. Development of Self-Validating Soft Sensors Using Fast Moving Window Partial Least Squares // Industrial & Engineering Chemistry Research. - 2010. - № 49 (22). - P. 11530-11546.
93.Shao W., Tian X. Adaptive soft sensor for quality prediction of chemical processes based on selective ensemble of local partial least squares models // Chemical Engineering Research and Design. - 2015. - Vol. 95. - P. 113-132.
94.Ge Z., Song Z. A comparative study of just-in-time-learning based methods for online soft sensor modeling // Chemometrics and Intelligent Laboratory Systems. -2010. - № 104(2). - P. 306-317.
95.Fu Y., Su H., Zhang Y., Chu J. Adaptive Soft-sensor Modeling Algorithm Based on FCMISVM and Its Application in PX Adsorption Separation Process // Chinese Journal of Chemical Engineering. - 2008. - № 16(5). - P. 746-751.
96.Jin H., Chen X., Wang L., Yang K., Wu L. Dual learning-based online ensemble regression approach for adaptive soft sensor modeling of nonlinear time-varying processes // Chemometrics and Intelligent Laboratory Systems. - 2016. - № 151. -P. 228-244.
97.Chen Y., Deng X., Cao Y. Nonlinear Soft Sensor Modeling Method Based on Multimode Kernel Partial Least Squares Assisted by Improved KFCM Clustering // 2019 Chinese Automation Congress (CAC). - 2019. - P. 4245-4250.
98.Guo W. A review on data-driven approaches for industrial process modelling // International Journal of Modelling, Identification and Control. - 2020. - №. 2. - P. 75-89
99.Liu J. On-line soft sensor for polyethylene process with multiple production grades // Control. Eng. Pract. - 2007. - № 15. - P. 769-778.
100. Yu J. Multiway Gaussian mixture model based adaptive kernel partial least squares regression method for soft sensor estimation and reliable quality prediction of nonlinear multiphase batch processes // Ind. Eng. Chem. - 2012. - № 51. - P. 13227-13237.
101. Yamada N., Kaneko H. Adaptive soft sensor ensemble for selecting both process variables and dynamics for multiple process states // Chemometrics and Intelligent Laboratory Systems. - 2021. - Vol. 219. - P. 104443-.
102. Shao W., Song Z., Yao L. Soft Sensor Development for Multimode Processes Based on Semisupervised Gaussian Mixture Models // IFAC-PapersOnLine. - 2018. - Vol. 51. - № 18. - P. 614-619.
103. Liang H.B., J L.Z., Khan M.J., Han J.X. An sand plug of fracturing intelligent early warning model embedded in remote monitoring system // IEEE Access. -2019. - Vol. 7. - P. 47944-47954.
104. Zhang S., Li L.J., Yao L.J., Yang S.P., Zou T. Datadriven process decomposition and robust online distributed modelling for large-scale processes // International Journal of Systems Science. - 2018. - Vol. 49. - № 3. - P. 449-463.
105. Pan T.H., Wong D.S.H., Jang S.S. Development of a novel soft sensor using a local model network with an adaptive subtractive clustering approach // Industrial and Engineering Chemistry Research. - 2010. - Vol. 49. - №. 10. - P. 4738-4747.
106. Norhayati I., Rashid M. Adaptive neuro-fuzzy prediction of carbon monoxide emission from a clinical waste incineration plant // Neural Computing and Applications. - 2018. - Vol. 30. - № 10. - P. 3049-3061.
107. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование // М.: Финансы и статистика, Инфра-М. - 2010. - 320 c.
108. Лоскутов А.Ю., Котляров О.Л., Истомин И.А., Журавлев Д.И. Проблемы нелинейной динамики. III. Локальные методы прогнозирования временных рядов // Вестн. Моск. ун-та, сер. Физ.-астр. - 2002. - № 6. - C. 3-21.
109. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление / // М.: Мир. - 1974. - C. 157-160
110. Harvey A.C., Todd P.H.J. Forecasting Economic Time Series With Structural and Box-Jenkins Models: A Case Study // Journal of Business & Economic Statistics. -1983. - № 1(4). - P. 299-307.
111. Villegas M.A., Pedregal D.J. Supply chain decision support systems based on a novel hierarchical forecasting approach // Decision Support Systems. - 2018. - № 114. - P. 29-36.
112. Alho J., Lassila J. Assessing Components of Uncertainty in Demographic Forecasts with an Application to Fiscal Sustainability // The Research Institute of the Finnish Economy. - 2022. - № 92.
113. Wang C. Hybrid Deep Learning Model for Short-Term Wind Speed Forecasting Based on Time Series Decomposition and Gated Recurrent Unit // Complex System Modeling and Simulation - 2021. - № 1(4). - P. 308-321.
114. Гончаров А.А., Диго Г.Б., Диго Н.Б., Торгашов А.Ю. Идентификация параметров моделей динамических виртуальных анализаторов технологических объектов управления // Автоматизация в промышленности. -2014. - № 7. - С. 31-33.
115. Музыкин С.Н., Родионова Ю.М. Моделирование динамических систем. Ярославль: Верх. Волж. кн. изд. - 1984.
116. Chen С., Mo S., Chen X. Dynamic soft-sensor based on finite impulse response model for dual-rate system // 2009 Chinese Control and Decision Conference. -2009
117. Кривоносов В.А., Бабенков В.А. Непрерывно-дискретный наблюдатель состояния химико-технологического процесса // Фундаментальные и прикладные проблемы техники и технологии. - 2014. - Т. 136. - С. 128.
118. Самборская М.А., Кравцов А.В., Митянина О.Е. Формирование математической модели и исследование множественности стационарных состояний реакционно-ректификационного процесса // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2011. - Vol. 319.
- № 3. - C. 90-95.
119. Peng J., Edgar T.F., Eldridge R.B. Dynamic rate-based and equilibrium models for a pack distillation column // Chemical Engineering Science. - 2003. - № 58. - P. 2671-2680.
120. Rueda L.M., Edgar T.F., Eldridge R.B. A Novel Control Methodology for a Pilot Plant Azeotropic Distillation Column // Ind. Eng. Chem. Res. - 2006. - № 45. - P. 8361-8372.
121. Hauan S., Hertzberg T., Lien K.M. Why Methyl tert-Butyl Ether Production by Reactive Distillation May Yield Multiple Solutions // Ind. Eng. Chem. Res. - 1995.
- Vol. 3. - № 34. - P. 987-991.
122. Kataria G. Soft Sensing And Control Of Product Composition Of Reactive Distillation Column Using Dynamic Neural Network: дис. - MNIT Jaipur - 2019
123. Ушева Н.В., Мойзес О.Е., Митянина О.Е., Кузьменко Е.А. Математическое моделирование химико-технологических процессов: учебное пособие // Томский политехнический университет. - Томск: Изд-во Томского политехнического университета. - 2014 - C. 40-42.
124. Singh B.P. Steady State Analysis of Reactive Distillation Using Homotopy Continuation // Chemical Engineering Research and Design. - 2005. - Vol. 83. - № 8 - P. 959-968.
125. Поляк Б.Т., Щербаков П.С. Робастная устойчивость и управление // М.: Наука - 2002.
126. Снегирев О.Ю., Торгашов А.Ю. Наблюдаемость непрерывного технологического процесса многокомпонентной ректификации // Информатика и системы управления. - 2018. - №2(56). - C. 62-72.
127. Цей Р., Шумафов М.М. Число обусловленности матрицы как показатель устойчивости при решении прикладных задач // Труды ФОРА. - 2011. - № 16.
128. Singh A., Hahn J. On the use of empirical Gramians for controllability and observability analysis // Proc. of American Control Conference. - Portland, 2005. -P. 140-146.
129. Qi J., Sun K., Kang W. Optimal PMU placement for power system dynamic state estimation by using empirical observability Gramian // IEEE Transactions on Power Systems. - 2015. - Vol. 30. - № 4. - P. 2041-2054.
130. Hartigan J.A., Wong M.A. Algorithm AS 136: A K-Means Clustering Algorithm // Applied Statistics. - 1979. - № 28(1). - P. 100.
131. Булыга Ф.С., Курейчик В.М. Кластеризация корпуса текстовых документов при помощи алгоритма k-means // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. - 2022. - № 3 (215). - P. 33-40.
132. Na S., Xumin L., Yong G. Research on k-means Clustering Algorithm: An Improved k-means Clustering Algorithm // 2010 Third International Symposium on Intelligent Information Technology and Security Informatics. - 2010.
133. Воронцов К.В. Лекции по алгоритмам кластеризации и многомерного шкалирования // http://www.ccas.ru/ voron/ download/ Clustering.pdf , раздел 1.1.2.
134. Bylesjo M., Rantalainen M., Nicholson J.K., Holmes E., Trygg J. K-OPLS package: Kernel-based orthogonal projections to latent structures for prediction and interpretation in feature space // BMC Bioinformatics. - 2008. - № 9(1). - P. 106.
135. Shang C., Yang F., Huang D., Lyu W. Data-driven soft sensor development based on deep learning technique // Journal of Process Control. - 2014. - № 24(3). - P. 223-233.
136. Rong J., Zhou P., Zhang Z., Zhang R., Chai, T. Quality-related process monitoring of ironmaking blast furnace based on improved kernel orthogonal projection to latent structures // Control Engineering Practice. - 2021. - Vol. 117. -P. 104955-.
137. Qiu Y., Liu Y., Huang D. Date-Driven Soft-Sensor Design for Biological Wastewater Treatment Using Deep Neural Networks and Genetic Algorithms // Journal of chemical engineering ofjapan. - 2016. - № 49(10). - P. 925-936.
138. MacArthur J.W. Rmpct: A new robust approach to multivariable predictive control for the process industries // The 1996 Control Systems Conference. - 1996. -P. 53-60.
139. Lu J.Z. Challenging control problems and emerging technologies in enterprise optimization // Control Engineering Practice. - 2003. - Vol. 11. - № 8. - P. 847-858.
Приложение А
Свидетельство о государственной регистрации программы для ЭВМ для разработки и исследования функционирования адаптивного виртуального анализатора с применением кластеризации
Приложение Б Акт внедрения на ОНПЗ
УТВЕРЖДАЮ
И.о. заместителя генерального директора,технического директора
АО «Гг(зпро£Лнефть - ОНПЗ»
И.Р. Кветко
АКТ
о внедрении адаптивных виртуальных анализаторов в составе системы усовершенствованного управления на установке КТ-1/1 производства №2 АО «Газпромнефть-ОНПЗ»
В результате опытной эксплуатации адаптивных виртуальных анализаторов (ABA), разработанных с использованием методов, полученных в диссертационном исследовании младшего научного сотрудника ИАПУ ДВО РАН Снегирева О.Ю. «Разработка адаптивных виртуальных анализаторов для систем усовершенствованного управления ректификационными колоннами», на установке КТ-1/1 производства №2 в период с 02.09.2021 по 30.04.2022 установлено, что ABA обеспечивают более качественную оценку показателей качества выходного продукта, в сравнении с существующими виртуальными анализаторами (ВА) в составе системы усовершенствованного управления технологическим процессом (СУУТП):
♦ уменьшение средней абсолютной ошибки ABA в сравнении с ВА по МД изобутилена в отработанной ББФ составило 60.8%;
♦ уменьшение средней абсолютной ошибки ABA в сравнении с ВА по МД суммы спиртов в выходном продукте МТБЭ составило 61.5%;
♦ уменьшение средней абсолютной ошибки ABA в сравнении с ВА по МД метанола в кубовом продукте К-352 составило 59.5%.
Внедрение ABA для оценки показателей качества товарного продукта позволило сократить потери производства и повысить эффективность СУУТП производства МТБЭ.
Примечание: все вышеупомянутые работы выполнялись сотрудником ИАПУ ДВО РАН Снегиревым О.Ю в рамках работ по диссертации на безвозмездной основе.
Главный метролог АО "Газпромнефть-ОНПЗ"
Главный технолог АО "Газпромнефть-ОНПЗ"
Главный специалист-технолог АО "Газпромнефть-ОНПЗ"
Начальник комплекса по переработке вторичного сырья АО "Газпромнефть-ОНПЗ"
/
^tx
Д.С. Ан С.В. Чесак В.Н. Перин
С.Н. Бабушкин
Приложение В Акт внедрения на ГНС
Приложение Г
Код функционального блока адаптивного виртуального анализатора на
visual basic
'Подключение требуемых библиотек
Imports System.Runtime.InteropServices
Imports System.Reflection
Imports URT
Imports UrtTlbLib
Imports System.IO
Imports System.Globalization
Imports System.Math
Imports alglib
Imports System
Imports System.Array
Namespace URT
'Определение необходимым структур Public Structure Nabl_Info Dim Num_Lab As Integer Dim Num_Vars As Integer Dim Num_Obs As Integer Dim Names_lab() As String Dim Names_Vars() As String Dim Values_Lab(,) As Double Dim Values_Vars(,) As Double Dim Times() As DateTime End Structure
Public Structure Tags_Info_VA Dim Names_lab As String
Dim Names_Vars() As String Dim Num_lab As Integer Dim Num_vars As Integer End Structure
Public Structure Coef_Info_VA Dim Bias As Double Dim Coef_Vars() As Double Dim Names_Vars() As String Dim Num_vars As Integer End Structure
'Настроечные параметры базы функционального блока <ComClass(VA_lin.m_strGuid), ProgId(VA_lin.m_strProgIDVer)> _ Public Class VA_lin Inherits CUrtFBBase Public Sub New() MyBase.New() m_strName = "VA_lin" m_strDescription = "VA_lin Description" End Sub
Public Const m_strGuid As String = "b486dc89-9708-4204-8a3c-6c8f30f948d0"
'Задание имени функционального блока, который будет отображаться в UrtExplorer Public Const m_strFriendlyName As String = "User Function Block/VA_lin/VA_lin" Public Const m_strProgID As String = "URT.VA_lin.VA_lin" Public Const m_iProgIDVersion as Integer = 1 Public Const m_strProgIDVer As String = "URT.VA_lin.VA_lin.1"
Public dbgTM As IUrtTreeMember 'only used when debugging Overloads Function CmpPtr() As IUrtTreeMember If dbgTM Is Nothing Then
CmpPtr = MyB ase.CmpPtr() Else
CmpPtr = dbgTM End If End Function
'Определение типа датаайтемов
Private TagVar As IUrtArray Private CoefV ar As IUrtArray Private ValVar As IUrtArray Private VA_out As ConDouble Private Tag_pred As ConString Private PathHist As ConString Private PathTagsVA As ConString Private PathCoefs As ConString Private PathExe As ConString Private PathState As ConString Private PathPaths As ConString Private ToPred As ConBool Private UpdateModel As ConBool Private NumVars As ConInt Private WindSize As ConInt Private ExtraTag As ConString Private Time_n As ConDouble
'Создание датаайтемов, которых нет в заготовке функционального блока Private Sub ConnectDataItems(bInit as Boolean) Dim o As Object Dim sErr As String
o = Setup("TagVar", "Tags for model", CmpPtr(), GetType(ConArrayStringClass).GUID, -1) TagVar = CType(o, IUrtArray)
o = Setup("CoefVar", "Coefficient of model", CmpPtr(), GetType(ConArrayDoubleClass).GUID, -1) CoefVar = CType(o, IUrtArray)
o = Setup("ValVar", "Value of variable", CmpPtr(), GetType(ConArrayDoubleClass).GUID, -1) ValVar = CType(o, IUrtArray)
o = Setup("VA_out", "Out of virtual analyzer", CmpPtr(), GetType(ConDoubleClass).GUID, -1)
VA_out = CType(o, ConDouble)
o = Setup("Tag_pred", "Tag of predicted var", CmpPtr(), GetType(ConStringClass).GUID, -1) Tag_pred = CType(o, ConString) If bInit Then Tag_pred.Val = ""
o = Setup("PathHist", "Path to hictory file", CmpPtr(), GetType(ConStringClass).GUID, -1) PathHist = CType(o, ConString) If bInit Then PathHist.Val = ""
o = Setup("PathTagsVA", "Path to VA Tag's Names file", CmpPtr(), GetType(ConStringClass). GUID, -1)
PathTagsVA = CType(o, ConString) If bInit Then PathTagsVA.Val = ""
o = Setup("PathCoefs", "Path to VA Coefs file", CmpPtr(), GetType(ConStringClass).GUID, -1) PathCoefs = CType(o, ConString) If bInit Then PathCoefs.Val = ""
o = Setup("PathExe", "Path to .exe", CmpPtr(), GetType(ConStringClass).GUID, -1) PathExe = CType(o, ConString) If bInit Then PathExe.Val = ""
o = Setup("PathPaths", "Path to Paths file", CmpPtr(), GetType(ConStringClass).GUID, -1) PathPaths = CType(o, ConString) If bInit Then PathPaths.Val = ""
o = Setup("PathState", "Path to State file", CmpPtr(), GetType(ConStringClass).GUID, -1) PathState = CType(o, ConString) If bInit Then PathState.Val = ""
o = Setup("ToPred", "To predict out variable", CmpPtr(), GetType(ConBoolClass).GUID, -1) ToPred = CType(o, ConBool)
o = Setup("UpdateModel", "Update coefficient of model", CmpPtr(), GetType(ConBoolClass).GUID, -1)
UpdateModel = CType(o, ConBool)
o = Setup("NumVars", "Number of variables", CmpPtr(), GetType(ConIntClass).GUID, -1) NumVars = CType(o, ConInt)
o = Setup("WindSize", "Size of moving window", CmpPtr(), GetType(ConIntClass).GUID, -1) WindSize = CType(o, ConInt)
o = Setup("ExtraTag", "Tag of Time_n Var", CmpPtr(), GetType(ConStringClass).GUID, -1) ExtraTag = CType(o, ConString)
If bInit Then ExtraTag.Val = ""
o = Setup("Time_n", "Time_n", CmpPtr(), GetType(ConDoubleClass).GUID, -1) Time_n = CType(o, ConDouble)
If bInit Or NumVars.Val <> CType(ValVar, ConArrayDouble).Size(urtBUF.dbWORK) Then CType(ValVar, IUrtArray).Resize(NumVars.Val, urtBUF.dbWORK)
End if
If bInit Or NumVars.Val <> CType(CoefVar, ConArrayDouble).Size(urtBUF.dbWORK) Then CType(CoefVar, IUrtArray).Resize(NumVars.Val + 1, urtBUF.dbWORK)
End if
If bInit Or NumVars.Val <> CType(TagVar, ConArrayString).Size(urtBUF.dbWORK) Then CType(TagVar, IUrtArray).Resize(NumVars.Val + 1, urtBUF.dbWORK)
End if
'Задание начальных значений датаайтемов-массивов
dim i as integer if (bInit) then
dim iSize as integer
iSize = CType(TagVar, ConArrayString).Size(urtBUF.dbWORK) Dim ArrTagVar(iSize -1) As String For i = 0 To iSize - 1
ArrTagVar(i) = ""
Next
TagVar.PutArray(ArrTagVar, sErr)
end if End Sub
'Выполняется когда функциональный блок добавляется в платформу
Public Overrides Sub InitNew(ByVal pIXE As UrtTlbLib.IXMLDOMElement) MyB ase. InitNew(pIXE)
' Create/connect to data items and set their default starting values. Call ConnectDataItems(true) End Sub
'Раздел с основным исполняемым кодом
Public Overrides Sub Execute(ByVal iCause As Integer, ByVal pITMScheduler As UrtTlbLib.IUrtTreeMember)
Time_n.value = Now.ToOADate() 'Проверка датаайтема сигнала для обновления модели
If UpdateModel.value Then 'Проверка доступности файлов с историческими данными, тегами переменных ВА If File.Exists(PathHist.value) Then
Dim HistoricalData As Nabl_Info = ReadHist(PathHist.value) If File.Exists(PathTagsVA.value) Then Dim WSV As Integer
If HistoricalData.Num_Obs < WindSize.value Then
WSV = HistoricalData.Num_Obs Else
WSV = WindSize.value End If
Dim TagsNames As Tags_Info_VA = ReadTagsVA(PathTagsVA.value) CType(Tag_pred, IUrtString).value = CStr(TagsNames.Names_lab) 'Запись в текстовый файл путей к файлам, требуемым для программы вычисления коэффициентов ВА
Dim ForPaths As StreamWriter = New StreamWriter(PathPaths.value) ForPaths.WriteLine(PathHist.value) ForPaths.WriteLine(PathTagsVA.value) ForPaths.WriteLine(PathCoefs.value) ForPaths.WriteLine(PathState.value) ForPaths.WriteLine(WSV.ToString()) ForPaths.Close() 'Запуск программы для вычисления коэффициентов ВА
Dim RetVal As Double RetVal = Shell(PathExe.value) System.Threading.Thread.Sleep(15000) 'Чтение коэффициентов из файла
Dim KOEF As Coef_Info_VA = ReadCoefsVA(PathCoefs.value) NumVars.value = KOEF.Num vars
CoefVar.Resize(NumVars.value + 1)
TagVar.Resize(NumVars.value + 1)
ValVar.Resize(NumVars.value)
For i As Integer = 0 To NumVars.value - 1
CType(TagVar, IUrtString).value(i) = CStr(KOEF.Names_Vars(i)) CType(CoefVar, IUrtDouble).value(i) = CDbl(KOEF.Coef_Vars(i)) Next
CType(TagVar, IUrtString).value(NumVars.value) = CStr("Bias") CType(CoefVar, IUrtDouble).value(NumVars.value) = CDbl(KOEF.Bias) Else End If Else End If
UpdateModel.value = False End If
'Проверка датаайтема для оценки выходной переменной ВА If ToPred.value Then
Dim VAout As Double = CType(CoefVar, IUrtDouble).value(NumVars.value) For i As Integer = 0 To NumVars.value - 1 VAout = VAout + CType(CoefVar, IUrtDouble).value(i) * CType(ValVar, IUrtDouble).value(i) Next
CType(VA_out, IUrtDouble).value = CDbl(VAout) End If End Sub
'Выполняется после реконфигурации филиала или перезагрузки платформы. Public
Overrides Sub OnPostBuild() MyBase.OnPostBuild() Call ConnectDataItems(false) End Sub
'Дополнительные функции:
'Чтение из csv информации о наблюдениях исторических данных
Function ReadHist(ByVal PathHIST As String) As Nabl_Info
Dim nfi As NumberFormatInfo = New NumberFormatInfo
nfi.CurrencyDecimalSeparator = "."
Dim trashSTR() As String 'Мусорный массив строк
Dim trashSTR2() As String 'Мусорный массив строк
Dim trash_str As String 'Мусорная строка
Dim trash_double As Double
Dim NumLab As Integer
Dim NumVars As Integer
Dim NumObs As Integer
Dim NamesLab() As String 'Переменная с именами строк переменных Dim NamesVars() As String 'Переменная с именами строк переменных Dim Time_hist() As DateTime 'Переменная с указанием времени наблюдения. Dim DataVarHist(,) As Double 'Переменная с значениями переменных процесса Dim DataLabHist(,) As Double 'Переменная с значениями переменных процесса Dim HIST As StreamReader HIST = New StreamReader(PathHIST) trash_str = HIS T. ReadToEnd() HIST.Close()
trashSTR = trash_str.Split(CChar(vbNewLine)) trashSTR2 = trashSTR(0).Split(CChar(",")) Integer.TryParse(trashSTR2(1), NumLab) Integer.TryParse(trashSTR2(3), NumVars) Integer.TryParse(trashSTR2(5), NumObs) trashSTR2 = trashSTR(1).Split(CChar(",")) ReDim NamesLab(NumLab - 1) For i As Integer = 1 To (NumLab)
NamesLab(i - 1) = trashSTR2(i).Trim() Next
ReDim NamesVars(NumVars - 1)
For i As Integer = (NumLab + 1) To (NumLab + NumVars)
NamesVars(i - (NumLab + 1)) = trashSTR2(i).Trim() Next
ReDim DataVarHist(NumObs - 1, NumVars - 1) ReDim DataLabHist(NumObs - 1, NumLab - 1)
ReDim Time_hist(NumObs - 1) For j As Integer = 0 To NumObs - 1
trashSTR2 = trashSTR(j + 2).Split(CChar(","))
Double.TryParse(trashSTR2(0), NumberStyles.Currency, nfi, trash_double) Time_hist(j) = DateTime.FromOADate(trash_double) For i As Integer = 1 To (NumLab)
Double.TryParse(trashSTR2(i), NumberStyles.Currency, nfi, DataLabHist(j, i - 1)) Next
For i As Integer = (NumLab + 1) To (NumLab + NumVars) Double.TryParse(trashSTR2(i), NumberStyles.Currency, nfi, DataVarHist(j, i - (NumLab + 1))) Next Next
Dim history As New Nabl_Info history.Num_Lab = NumLab history.Num_Vars = NumVars history.Num_Obs = NumObs history.Names_lab = NamesLab history.Names_Vars = NamesVars history.Values_Lab = DataLabHist history.Values_Vars = DataVarHist history.Times = Time_hist Return (history)
End Function
'Чтение из csv информации о тегах
Function ReadTagsVA(ByVal PathTags As String) As Tags_Info_VA Dim trashSTR() As String 'Мусорный массив строк Dim trashSTR2() As String 'Мусорный массив строк Dim trash_str As String 'Мусорная строка Dim num_lab As Integer Dim num_var As Integer Dim LabName As String Dim VarNames() As String Dim TAGS As StreamReader
TAGS = New StreamReader(PathTags) trash_str = TAGS.ReadToEnd() TAGS.Close()
trashSTR = trash_str.Split(CChar(vbNewLine)) trashSTR2 = trashSTR(0).Split(CChar(",")) Integer.TryParse(trashSTR2(1), num_lab) trashSTR2 = trashSTR(1).Split(CChar(",")) LabName = trashSTR2(0).Trim() trashSTR2 = trashSTR(2).Split(CChar(",")) Integer.TryParse(trashSTR2(1), num_var) ReDim VarNames(num_var - 1) For i As Integer = 3 To num_var + 2
VarNames(i - 3) = trashSTR(i).Split(CChar(","))(0).Trim() Next
Dim tagsn As New Tags_Info_VA tagsn.Names_lab = LabName tagsn.Names_Vars = VarNames tagsn.Num_lab = num_lab tagsn.Num_vars = num_var Return (tagsn) End Function
'Чтение коэффициентов ВА из csv файла Function ReadCoefsVA(ByVal PathCoefs As String) As Coef_Info_VA Dim nfi As NumberFormatInfo = New NumberFormatInfo nfi.CurrencyDecimalSeparator = "." Dim trashSTR() As String 'Мусорный массив строк Dim trashSTR2() As String 'Мусорный массив строк Dim trash_str As String 'Мусорная строка Dim num_var As Integer Dim VarNames() As String Dim VarVal() As Double Dim Bias As Double Dim KOEFS As StreamReader
KOEFS = New StreamReader(PathCoefs) trash_str = KOEF S.ReadToEnd() KOEFS.Close()
trashSTR = trash_str.Split(CChar(vbNewLine))
trashSTR2 = trashSTR(0).Split(CChar(","))
Integer.TryParse(trashSTR2(1), num_var)
trashSTR2 = trashSTR(1).Split(CChar(","))
Double.TryParse(trashSTR2(1), NumberStyles.Currency, nfi, Bias)
ReDim VarNames(num_var - 1)
ReDim VarVal(num_var - 1)
For i As Integer = 2 To num_var + 1
trashSTR2 = trashSTR(i).Split(CChar(","))
Double.TryParse(trashSTR2(1), NumberStyles.Currency, nfi, VarVal(i - 2)) VarNames(i - 2) = trashSTR2(0).Trim() Next
Dim Koef As New Coef_Info_VA Koef.Coef_Vars = VarVal Koef.Names_Vars = VarNames Koef.Bias = Bias Koef.Num_vars = num_var Return (Koef) End Function End Class End Namespace
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.