Разработка методов идентификации виртуальных анализаторов для АСУ ТП ректификации нефти тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Гончаров, Антон Александрович

• Гончаров, Антон Александрович
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Гончаров, Антон Александрович

Оглавление

Введение

1 Оценивание качества продуктов процесса первичной переработки нефти с

помощью виртуальных анализаторов

1.1 Назначение виртуальных анализаторов

1.2 Особенности процесса ректификации нефти и разработки ВА

1.3 Роль ВА в системе управления

1.4 Процедура идентификации модели виртуального анализатора

1.5 Постановка цели и задач исследования

2 Идентификации моделей ВА без учета ограничений на параметры модели

2.1 Описание технологического объекта

2.2 Обработка данных измерений

2.3 Формирование обучающей и проверочной выборок

2.4 Выбор структуры модели

2.5 Выбор входов и определение параметров модели

2.6 Определение значимых параметров при идентификации модели ВА

2.7 Динамическая модель ВА

2.8 Выводы

3 Применение строгой модели процесса для построения ВА

3.1 Назначение аналитических моделей при построении ВА

3.2 Строгая модель атмосферного блока ЭЛОУ АВТ-2

3.3 Выводы

4 Идентификации моделей ВА с учетом ограничений на параметры модели

4.1 Алгоритм идентификации ВА с использованием ограничений на

параметры модели

4.2 Тестирование предложенных алгоритмов на промышленных данных

4.3 Выводы

5 Приложение для определения модели ВА с учетом ограничений

5.1 Назначение программы для ЭВМ

5.2 Описание программы для ЭВМ

5.3 Выводы

Заключение

Обозначения и сокращения

Список используемых источников

Приложение А Акт внедрения динамических ВА в составе АСУ ТП

первичной переработки нефти ЭЛОУ-АВТ-2

Приложение Б Акт внедрения ВА в составе АСУ ТП установки первичной

переработки нефти АВТ-8

Приложение В Свидетельство о государственной регистрации программы

для ЭВМ

Приложение Г Акт об использовании методов и алгоритмов идентификации ВА при проектировании АСУ ТП атмосферного блока установки

первичной переработки нефти

Приложение Д Код реализации ДВА для АРС-сервера Honeywell

Введение диссертации (часть автореферата) на тему «Разработка методов идентификации виртуальных анализаторов для АСУ ТП ректификации нефти»

Введение

Общая характеристика работы. На промышленных предприятиях, в том числе и на нефтеперерабатывающих заводах, контроль и управление качеством получаемых продуктов в режиме реального времени является одной из важных задач. Как правило, оценка качества выходного продукта осуществляется на основе результатов лабораторных анализов и данных поточных анализаторов. Данные заводской лаборатории и поточных анализаторов не позволяют своевременно оценить качество товарной продукции, а задержка информации о характеристиках выходного продукта приводит к излишним материальным и энергетическим затратам, получению производственного брака, либо к получению меньшего объема целевых продуктов с большим запасом по качеству.

Широкое распространение для прогнозирования качества выпускаемой продукции и контроля технологического режима в реальном времени получили виртуальные анализаторы (ВА) [1]. Они представляют собой программно-алгоритмические комплексы, содержащие в себе модели, связывающие оперативно измеряемые показания контрольно-измерительных приборов (КИП) с данными лабораторного контроля.

Эффективность технологического процесса зависит от качества полученной модели ВА, показания которого используются в системе управления технологическим процессом для формирования управляющего воздействия. Для ситуации пуско-наладочных работ на установке, в условиях наличия малого объема выборки данных, когда на один оцениваемый параметр модели приходится до пяти измерений выхода модели ВА и малого диапазона изменчивости входов модели ВА, зачастую неверно оцениваются параметры модели.

В диссертационной работе разработаны методы идентификации моделей ВА с учетом ограничений на коэффициенты модели. Данные методы включает в себя алгоритм определения входов модели ВА. Полученные результаты работы

апробированы в промышленных условиях на установке первичной переработки нефти.

Актуальность темы исследования. В настоящее время остро стоит вопрос об эффективном управлении сложными технологическими объектами, в том числе и тепло-массообменными технологическими процессами (ТП), такими как ректификация на установке первичной переработки нефти. Основная цель управления данного ТП заключается в максимизации выхода целевых продуктов заданного качества при минимизации затрат энергетических и материальных ресурсов.

Поступающее на установку первичной переработки нефти сырье изменяется по составу, соответственно, варьируется и состав полученных продуктов. Для получения продуктов регламентированного качества требуется информация о качестве получаемых продуктов, на основании которой корректируется режим работы ректификационной колонны. Для поддержания требуемых характеристик выходного продукта, например, температуры начала кипения (Тнк) и температуры конца кипения (Ткк) целевого продукта, необходимо корректировать режим работы установки, параметры технологического процесса, на что может потребоваться от нескольких часов до нескольких суток.

Для оценки основных показателей качества выпускаемой продукции обычно отбираются пробы, которые затем анализируются около 6 часов в лаборатории. Лабораторные анализы, в свою очередь, проводят один раз в сутки. Использование поточных анализаторов позволяет повысить оперативность оценивания основных характеристик выходных продуктов за счет измерения проб раз в час, однако, они имеют высокую стоимость. Продолжительное отсутствие данных о характеристиках продуктов приводит к снижению эффективности управления процессом. В результате может поддерживаться такой режим работы установки, при котором получается меньший объем целевого продукта с большим запасом по качеству [2-4].

Регулярно поступающая информация с контрольно-измерительных приборов установки дает возможность оператору спрогнозировать изменение

качества выходного продукта и через управляющее воздействие по контуру обратной связи поддерживать качество продуктов на требуемом технологическим регламентом уровне. Но данная оценка качества продуктов проводится по плохо формализованным критериям и зависит от опыта обслуживающего персонала. Присутствует также временная задержка от момента обнаружения изменений показаний приборов до принятия решений.

В последнее время для оперативной оценки показателей качества продуктов процесса нефтепереработки в составе АСУ ТП широко внедряются виртуальные анализаторы. Методы разработки моделей ВА для задач управления процессом ректификации нефти получили развитие как в трудах отечественных ученых О. С. Кожинского [5], Р. А. Аузан [6, 7], Г. М. Бакана [8], Т. И. Копысицкого [9], Н. Н. Бахтадзе [1, 10-12], А. П. Веревкина [13-17], А. Г. Шумихина [18, 19], А. А. Мусаева [20, 21], так и трудах зарубежных ученых D.N. Saraf [22-25], N. Bolf [26-33], P. Angelov [34, 35], L. Fortuna [2, 36], P. Kadlec [3, 4, 37-40], M. Kano [41-47] и др.

ВА позволяют получать оценку качества продуктов процесса, но низкое качество моделей ВА не позволяет использовать преимущества оперативного оценивания качества продуктов. Причиной низкого качества моделей ВА, полученных традиционными методами, являются:

1) малая обучающая выборка данных измерений показателя качества продукта;

2) погрешности показаний контрольно-измерительных приборов;

3) малый диапазон изменчивости величины входов ВА;

4) воздействие внешних неизмеряемых возмущений;

5) неточные данные о времени отбора проб продуктов для лабораторных измерений качества.

Невозможность регулярной оценки состава сырья, частое отсутствие стационарных состояний технологического объекта, сложность динамики массообменного процесса препятствует применению строгой (аналитической) модели процесса. Строгая (аналитическая) модель процесса ректификации

состоит из системы уравнений, которая содержит уравнения фазового равновесия, материального баланса и энергетического баланса [48-50]. В связи с этим выбор структуры модели ВА часто делается с отрывом от физико-химических особенностей технологического процесса.

Учитывая изложенное, можно заключить, что проблема оперативного оценивания качества продуктов процесса первичной переработки нефти является актуальной. С целью решения указанных проблем и повышения эффективности АСУ ТП требуется разработка новых алгоритмов и методов для идентификации моделей ВА.

Объектом исследования в представленной работе является установка первичной переработки нефти, для эффективного управления процессом на которой требуется оперативное определение показателей качества продуктов.

Предметом исследования являются методы оценки качества продуктов процесса ректификации на установке первичной переработки нефти.

Цель данной работы.

Цель настоящей работы заключается в разработке алгоритмов и методов идентификации моделей ВА, реализуемых в составе АСУ ТП, для процесса первичной переработки нефти.

Для достижения поставленной цели решались следующие задачи:

1) провести анализ существующих методов идентификации моделей ВА.

2) определить класс моделей ВА, обеспечивающих более точную оценку качества продуктов;

3) разработать алгоритмы обработки данных поточного анализатора, других контрольно-измерительных приборов;

4) разработать метод определения набора входов для модели ВА при малой обучающей выборке данных;

5) разработать алгоритмы и методы идентификации моделей ВА в условиях малой обучающей выборки данных;

6) получить модели ВА на примере процесса первичной переработки нефти.

Методы исследования. В диссертационной работе при решении поставленных задач были использованы: теория идентификации объектов управления, теория ректификации, математическое моделирование, теория автоматического управления, методы оптимизации, теория вероятности, математическая статистика. В качестве инструментов моделирования и программирования применялись пакеты прикладных программ: MATLAB, UniSim (моделирование промышленных процессов, корпорация Honeywell™), Visual Studio Express.

Научная новизна.

1. Разработан алгоритм для определения набора входов модели ВА, исходя из данных пошагового тестирования, полученных на основе строгой модели процесса ректификации нефти.

2. Предложен метод сглаживания переходных характеристик ВА с использованием вейвлет-преобразования.

3. Разработаны алгоритмы получения моделей ВА процесса первичной переработки нефти с учетом ограничений на параметры модели. Интервалы изменения параметров модели находятся в результате строго моделирования процесса ректификации нефти.

Положения, выносимые на защиту.

1. Метод сглаживания переходных характеристик модели ВА с использованием вейвлет-преобразования.

2. Метод определения набора входов для модели ВА, исходя из промышленных данных и данных строгого моделирования процесса.

3. Алгоритм идентификации линейной регрессионной модели статического ВА с использованием ограничений на параметры модели.

4. Алгоритм идентификации динамической модели ВА в виде импульсных характеристик с использованием ограничений на коэффициенты модели.

Обоснование и достоверность результатов и выводов обеспечивается корректным применением используемых в работе теоретических методов и

подтверждается полученными в диссертации результатами численных и экспериментальных исследований.

Практическая ценность и внедрение результатов работы.

Разработанные модели приняты Киришским нефтеперерабатывающим заводом (НПЗ) для их использования в управлении процессом первичной и вторичной переработки нефти на установке ЭЛОУ АВТ-2 (Приложение А).

Модели, полученные с использованием разработанного алгоритма идентификации, внедрены на АВТ-8 Омского НПЗ (Приложение Б).

Разработана и зарегистрирована программа «Расчёт параметров модели виртуального анализатора с учетом ограничений», предназначенная для определения параметров модели ВА в составе АСУ ТП (Приложение В).

Динамические модели ВА реализованы на программных средствах АСУ ТП, Profit Suite for Advanced Control & Optimization (АРС-сервер Honeywell) на базе АСУ ТП Experion PKS (Приложения Г и Д).

Апробация работы. Основные положения и результаты работы докладывались и обсуждались на XXXVI Дальневосточной математической школе-семинаре имени академика Е.В. Золотова (Владивосток, 2012г.), XXXVII Дальневосточной математической школе-семинаре имени академика Е.В. Золотова (Владивосток, 2013г.), XXXVIII Дальневосточной математической школе-семинаре имени академика Е.В. Золотова (Владивосток, 2014г.), Международной конференции «Нефть и Газ - АТР 2015. Ресурсы, транспорт, сотрудничество» (Владивосток, 2015г.), Международной научной конференции «Дискретная оптимизация и исследование операций» (Владивосток, 2016г.), XII Всероссийском совещании по проблемам управления (Москва, 2014г.), XXVIII Международной научной конференции «Математические методы в технике и технологиях» (Саратов, 2015г.), XXIX Международной научной конференции «Математические методы в технике и технологиях» (Санкт-Петербург, 2016г.), Международной научно-практической конференции

«НЕФТЕГАЗОПЕРЕРАБОТКА-2016» (Уфа, 2016г.).

Публикации. По теме диссертации опубликовано 17 печатных работ, из них 7 статей в изданиях, рекомендованных ВАК, 1 статья в издании, индексированном Scopus, 1 авторское свидетельство о регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертационная работа включает в себя введение, 5 глав основного текста, выводы по диссертации, список литературы из 126 наименований и 5 приложений. Работа изложена на 133 страницах, содержит 22 рисунка, 21 таблицу.

Благодарность Самотыловой Светлане Александровне за помощь и поддержку при оформлении диссертации.

1 Оценивание качества продуктов процесса первичной переработки нефти с

помощью виртуальных анализаторов

В связи с жесткими требованиями к качеству нефтепродуктов предприятия нефтепереработки вынуждены непрерывно повышать экономическую эффективность производства и качество выпускаемой продукции с помощью новых технологий.

В настоящее время основные характеристики нефтепродуктов, например, такие как температуры кипения фракций, как правило, определяют в лабораторных условиях в соответствии с нормами ASTM. В реальных условиях, для анализа таких показателей качества продуктов первичной переработки нефти, как температура начала и конца кипения фракции, используется стандарт ASTM D86 или ГОСТ 2177-85. В соответствии с технологией, для выполнения анализа требуется длительный период времени.

В зависимости от оцениваемых характеристик продуктов на анализ пробы с помощью поточного анализатора требуется от десяти и более минут, при отборе пробы с частотой около одного раза в час. На лабораторные анализы могут уходить часы, а то и сутки. Отсутствие своевременно полученной информации приводит к тому, что операторами устанавливается такой режим функционирования установки, когда получается меньший объем целевого продукта с большим запасом по качеству.

В настоящее время для повышения экономической эффективности на установках первичной переработки нефти иностранных государств и в России в рамках системы усовершенствованного управления технологическим процессом (СУУ ТП) актуальной становиться задача управления и контроля свойств продуктов с помощью on-line мониторинга [18, 20, 51-53]. Для этого разрабатывают специальные виртуальные анализаторы, необходимые для прогнозирования качества продукта, с использованием оперативно измеряемых показателей технологического процесса. Такой тип управления и

прогнозирования снижает затраты на техническое обслуживание и повышает эффективность функционирования процесса [54].

1.1 Назначение виртуальных анализаторов

Виртуальный анализатор - инструмент, используемый во многих процессах нефтепереработки: первичной переработки нефти, каталитическом крекинге, висбрекинге и т.д. Он используются для решения различных проблем, таких как: дублирование (back-up), анализа чувствительности (what-if analysis), прогнозирования в реальном времени для управления установкой, проверки достоверности работы датчиков и для диагностирования неисправностей.

Последние годы от нефтеперерабатывающих компаний в соответствии с изменением законодательства требуют соблюдать все более строгие ограничения на качество продуктов и на выбросы загрязняющих веществ. Учет данных ограничений требует глубоких знаний о процессе и его параметрах. Очевидна и необходимость использования адекватной поставленным задачам измерительной системы.

Измерительные устройства работают в различных неблагоприятных погодных условиях, требуют регулярной замены, возможны и непредвиденные поломки. Кроме того, некоторые измерительные устройства работают со значительной временной задержкой, что может понизить эффективность работы установки. Исходя из минимизации материальных затрат на обслуживание измерительной системы, стремятся использовать минимальное количество измерительных устройств. Обычно для оценки качества характеристик товарных продуктов применяется анализ проб в лаборатории. В связи с чем, необходимая информация поступает со значительной задержкой [2].

Невозможность оперативного измерения показателей качества продуктов, ввиду ограничений технологии измерения, приводит к ситуации, когда недоступны показания по целевым (контролируемым) параметрам процесса, необходимым для формирования управляющего воздействия.

Виртуальные анализаторы имеют ряд преимуществ:

1) являются доступной альтернативой дорогостоящим измерительным устройствам, таким как поточный анализатор (ПА), позволяют реализовать более полную измерительную систему;

2) могут работать параллельно с обычными датчиками, позволяют получать информацию для выявления неисправностей;

3) легко могут быть реализованы на имеющемся оборудовании (компьютеры);

4) способствуют оперативному прогнозированию технологического режима, избегая значительных временных задержек (рисунок 1.1).

сырье

(Го

----"у-Ц^ верхний

продукт

Модель ВА

П

Оценка качества продукта

кубовый продукт

Рисунок 1.1 - Оперативное оценивание показателя качества продукта

с помощью ВА

1.2 Особенности процесса ректификации нефти и разработки ВА

Первичная переработка нефти является непрерывным процессом. Показания ВА, полученного на данных измерений параметров процесса, фокусируются обычно на описании такого статического (установившегося) состояния и не

способны удовлетворительно описывать переходное состояние, какое наблюдается при пуске установки, либо ее остановки.

На практике причинами изменения режима работы установки являются изменение требований по качеству продуктов; колебания состава сырья, поступающего на установку; изменение активности катализатора; засорение теплообменников и т.д. [2].

Физико-химический (тепло-массообменный) процесс, как правило, сложен и изменяется во времени, что приводит к трудностям идентификации технологического объекта, возможны погрешности измерения датчиков, а также их отказы. Под воздействием этих факторов надежность виртуального анализатора уменьшается, что приводит к появлению ошибок в оценке качества производимой продукции. Чтобы избежать ухудшения производительности ВА часто необходимо проводить калибровку модели [55].

1.3 Роль ВА в системе управления

Условная схема взаимодействия ВА с типовой АСУ ТП представлена на

ВА либо существуют самостоятельно, в форме некоторой интеллектуальной надстройки контура управления, либо входят в состав АСУ ТП. Они позволяют восстановить необходимые сведения по имеющимся данным, идентифицировать скрытую динамику протекающих процессов и визуализировать ее на экране дисплеев дежурной смены [20].

Целью управления процессом является максимизация выхода целевых продуктов заданного качества, по возможности, при минимальном расходе энергетических и материальных затрат.

Управляющее воздействие на процесс формируется на основании показаний ВА. Учитываются ограничения на величину управляющих переменных и контролируемых параметров технологического процесса.

1.4 Процедура идентификации модели виртуального анализатора

Существуют различные подходы к построению ВА: физическое моделирование, искусственное (интеллектуальное) моделирование (нейронные сети), нечеткая логика и гибридные методы.

В большинстве случаев выделяют два способа построения ВА: на основе строгой (детерминированной) модели процесса (model-driven) и на основе статистической обработки данных измерений параметров технологического процесса, включая данные лабораторного контроля (data-driven) [4]. ВА, построенные на основе аналитической модели процесса, также называют моделями, построенными в соответствии с концепцией «белого» ящика. Они основаны на известных физических, химических законах и свойствах процесса. Данные модели разрабатываются главным образом при проектировании установок и обычно фокусируются на описании идеального установившегося состояния процесса, что препятствует получения качественных моделей ВА на их основе. Использованию строгой модели процесса для ВА для оценивания качества продуктов препятствует отсутствие данных о изменяющемся составе

сырья. Тем не менее ВА на основе строгой модели процесса также активно используется в качестве инструмента анализа технологического процесса [56].

Трудности идентификации строгой модели процесса вынуждают разработчиков использовать ВА на основе статистической обработки данных технологического процесса. Данный подход известен как «черный» ящик и предполагает отсутствие знаний о процессе [4]. Оценка качества продукта с помощью статистической модели ВА определяется на основании оперативно измеряемых параметров технологического процесса. С помощью данных моделей оперативно производится оценка целевого (оцениваемого) показателя качества процесса на основе его взаимосвязи (корреляции) с другими значимыми переменными процесса, что позволяет использовать показания модели для управления процессом в замкнутом контуре [2].

Существует также модели, являющиеся комбинацией указанных двух типов, такие модели называют гибридными или моделями на основе «серого» ящика [57, 58].

Основные этапы построения моделей ВА включают в себя обработку данных, выбор структуры модели, выбор входов и определение параметров модели, а также валидацию (проверку) полученной модели.

1.4.1 Обработка данных

Подготовка данных является первым важным этапом, поскольку качество полученной модели в первую очередь зависит от используемых данных.

Разработчику ВА желательно проводить обработку данных во взаимодействии с инженером установки (технологом), поскольку знание о работе конкретной установки позволяются избежать как удаления значимых данных, так и очистить данные от некорректных измерений.

Данные записываются в базу данных установки при дискретизации аналогового сигнала. Теория дискретизации, корреляции данных рассмотрены в [59].

Наличие значительных ресурсов для хранения информации ведет к использованию периода дискретизации намного меньшего необходимого, определяемого теоремой Котельникова (Шеннона). В таком случае, может быть полезна передискретизация, позволяющая избежать работы с большими объемами данных, а также уменьшить мультиколлинеарность данных.

Описание негативного влияния уменьшения объема хранимых данных, часто применяемого на производстве, связанного с политикой уменьшения материальных затрат, можно найти в [60].

Накопленные данные измерений являются основным источником информации, используя которые можно анализировать особенности работы, идентифицировать модели процесса [2]. Но данные предварительно нуждаются в обработке, в связи с:

- выбросами;

- отсутствием измерений;

- шумовой составляющей;

- мультиколлинеарность данных;

- смещением данных;

- задержкой измерения выхода.

1.4.1.1 Выбросы

Собранные данные измерений содержат выбросы. Данные несопоставимые с большинством измерений конкретного параметра, которые могут оказывать значительное влияние на эффективность процедуры определения параметров модели ВА. При удалении таких данных также должно учитываться и то, что они могут описывать важную составляющую динамики процесса. Поэтому результаты любой автоматической процедуры обработки данных желательно оценивать совместно с инженером установки (технологом) для предотвращения удаления ценной информации. Проверка данных позволяет снизить риск как оценивания нормального измерения, как выброса, так и классификации выброса, как нормального измерения.

Выбросы могут быть как изолированными, так и присутствовать в данных группами. Изолированные выбросы интерполируются, но интерполяция неэффективна, когда обнаружена группа последовательных выбросов. В таком случае они должны быть удалены и оригинальные данные будут разбиты на блоки для сохранения времени измерений данных, что является необходимым при идентификации динамической модели.

Первый шаг для обнаружения выбросов состоит из определения данных автоматически помечаемых тегом недостоверности (ЫаЫ, Ва1а_по1_УаНё, и ОИ_о1_Кап§е). Далее могут быть выполнены некоторые виды процедур определения выбросов [2]:

1) правило 3 а;

2) параметры Джолиффа;

3) анализ остатков линейной регрессии.

Различные методы для определения выбросов, некорректных (ошибочных) измерений, вызванных сбоем оборудования, проблемами с передачей данных, описаны в [61-65].

После определения выбросов данные могут быть все еще неудовлетворительными для определения модели ВА, требуется операция, называемая предварительной фильтрацией. Роль предварительной фильтрации при идентификации модели рассматривается в [66]. Роль предварительной фильтрации в идентификации нелинейных систем анализируется в [67].

1.4.1.2 Отсутствие измерений

Отсутствие данных по одному из измеряемых технологических параметров процесса может быть единичным, либо отсутствуют последовательность значений измерений, когда одна или более измеряемых переменных процесса не отображают реальное состояние процесса. В таком случае переменные обычно принимают значение 0 или любое другое постоянное значение. Причинами отсутствия значений измерений могут служить неисправность датчиков, проблемы с передачей данных, ошибки в базе данных измерений и т.д.

Для замены отсутствующих значений измерений применяются различные стратегии. Нежелательный, но распространенный подход состоит в замене отсутствующего значения на среднее значение данного параметра. Другой альтернативный подход состоит в пропускании данных измерений, содержащих отсутствующие значения [68]. Более эффективный подход состоит в обработке отсутствующих значений, используя многомерную статистику данных и восстанавливая зависимость отсутствующих значений от других доступных переменных [69] (многомерный подход максимального правдоподобия для восстановления отсутствующих значений). Отсутствующие значения измерений могут заменяться в один шаг, также данная процедура может носить итеративный характер [68].

Влияние отсутствующих измерений, получаемых в результате неисправности датчиков, описано в [70], где метод проекции на скрытые структуры (РЬБ) используется для разработки ВА. Методы главных компонент и проекции на скрытые структуры в случае ошибочных измерений использованы в [71].

Список литературы диссертационного исследования кандидат наук Гончаров, Антон Александрович, 2016 год

Список используемых источников

1 Бахтадзе, Н. Н. Виртуальные анализаторы (идентификационный подход) / Н. Н. Бахтадзе // Автоматика и телемеханика - 2004. - № 11. - С. 3-24.

2 Soft sensors for monitoring and control of industrial processes // L. Fortuna, S. Graziani, A. Rizzo, M. G. Xibilia. - 2007. - 284 p.

3 Kadlec, P. Data-driven soft sensors in the process industry / P. Kadlec, B. Gabrys, S. Strandt // Comput. Chem. Eng. - 2009. - Vol. 33. - P. 795-814.

4 Kadlec, P. On robust and adaptive soft sensors / P. Kadlec. - Bournemouth University. - 2009. - 217 p.

5 Кожинский, О. С. Информационная система измерения состава продуктов ректификации / О. С. Кожинский // Академия наук СССР. Автометрия. -1965. - № 5. - С. 37-44.

6 Аузан, Р. А. Автоматизированная система управления технологическим процессом первичной переработки нефти (АСУ «Нефть-3») / Р. А. Аузан, О. С. Соболев // Сб. научн. тр.: АСУ технологическими процессами и производствами. ЦНИИКА. - 1978. - С. 146-155.

7 Аузан, Р. А. Модель процесса ректификации нефти для задач управления // Вопросы промышленной кибернетики. Труды ЦНИИКА. - 1978. - Вып. 55. -С. 23-29.

8 Бакан, Г. М. Математическое описание сложной колонны в АСУТП первичной переработки нефти / Г. М. Бакан, А. П. Несенюк, Ю. П. Тарновский // Автоматизация и КИП. - 1979. - № 6. - С. 5-6.

9 Копысицкий, Т. И. Исследование параметров регрессии процесса первичной переработки нефти / Т. И. Копысицкий, С. Р. Расулов, Е. В. Сергеенкова // Автоматизация и КИП. - 1982. - № 3. - С. 5-7.

10 Бахтадзе, Н. Н. Современные методы управления производственными процессами / Н. Н. Бахтадзе, В. А. Лотоцкий // Специальный выпуск журнала «Проблемы управления». - 2009. - № 3.1. - С. 56-63.

11 Мокров, Д. В. Перспективы применения виртуальных анализаторов в системах управления ресурсами производства / Д. В. Мокров, Н. Н. Бахтадзе // Проблемы управления. - 2004. - № 1. - С. 40-45.

12 Bakhtadze, N. N. The intelligent identification technique with associative search / N. N. Bakhtadze, E. A. Sakrutina // Int. J. Math. Model. Methods Appl. Sci. -2015. - Vol. 9. - P. 418-431.

13 Веревкин, А. П. Автоматизация технологических процессов и производств в нефтепереработке и нефтехимии / А. П. Веревкин, О. В. Кирюшин. - Уфа: Изд-во УГНТУ, 2005. - 171 с.

14 Верёвкин, А. П. Задачи усовершенствованного управления в технологических процессах добычи и транспорта нефти / А. П. Верёвкин, И. Д. Ельцов, О. В. Кирюшин // Территория нефтегаз. - 2007. - № 5. - С. 14-17.

15 Верёвкин, А. П. Модернизация систем управления технологическими процессами на основе анализа показателей технико-экономической эффективности / А. П. Веревкин, А. С. Зеленов // Территория нефтегаз. -2008. - № 4. - С. 24-29.

16 Верёвкин, А. П. Проблемы повышения эффективности управления процессами добычи и переработки нефти и газа / А. П. Веревкин, О. В. Кирюшин // Территория нефтегаз. - 2009. - № 5. - С. 12-15.

17 Верёвкин, А. П. Усовершенствованное управление (APC) нефтехимическим производством на основе многоуровневой нейросетевой системы поддержки принятия решений / А. П. Веревкин, М. С. Слетнёв // Нефтегазовое дело. -2012. - Т. 10, № 2. - С. 61-64.

18 Власов, С. С. Моделирование процесса отбензинивания нефти при прогнозировании показателей качества бензина / С. С. Власов, А. Г. Шумихин // Вестник СГТУ. - 2012. - № 1 (63), выпуск 1. - С. 90-94.

19 Опыт разработки и внедрения систем усовершенствованного управления технологическими процессами нефтепереработки на базе виртуальных анализаторов качества / А. Г. Шумихин, Д. А. Мусатов, С. С. Власов, А. М. Немтин, В. Г. Плехов // Вестник ПНИПУ. - 2016. - № 2. - С. 39-53.

20 Мусаев, А. А. Виртуальные анализаторы: концепция построения и применения в задачах управления непрерывными технологическими процессами / А. А. Мусаев // Автоматизация в промышленности. - 2003. - № 8. - С. 28-33.

21 Костенко, А. В. Виртуальный анализатор сырьевых потоков / А. В. Костенко, А. А. Мусаев, А. В. Тураносов // Нефтепереработка и нефтехимия. - 2006. -№ 1. - С. 1-13.

22 Chatterjee, T. On-line estimation of product properties for crude distillation units / T. Chatterjee, D. N. Saraf // J. Process Control. - 2004. - Vol. 14. - P. 61-77.

23 Dam, M. Design of neural networks using genetic algorithm for on-line property estimation of crude fractionator products / M. Dam, D. Saraf // Computers and Chemical Engineering. - 2006. - Vol. 30. - P. 722-729.

24 Dam, M. Design of neural networks using genetic algorithm for on-line property estimation of crude fractionator products / M. Dam, D. N. Saraf // Comput. Chem. Eng. - 2006. - Vol. 30. - P. 722-729.

25 Singh, C. P. P. Simulation of side fired steam-hydrocarbon reformers / C. P. P. Singh, D. N. Saraf // Ind. Eng. Chem. Process Des. Dev. - 1979. - Vol. 18, № 1. -P. 1-7.

26 Andrijic, Z.U. Optimizing configurable parameters of model structure using genetic algorithms / Z. U. Andrijic, N. Bolf, T. Rolich // TEDI - International Interdiscip. J. Young Sci. from Fac. Text. Technol. - 2011. - Vol. 1. - P. 49-54.

27 Andrijic, Z.U. Soft sensor development for the estimation of benzene content in catalytic reformate / Z. U. Andrijic, T. Rolich, N. Bolf // Ind. Eng. Chem. Res. -2012. - Vol. 51, № 7. - P. 3007-3014.

28 Application of soft sensor for monitoring and control of refinery emission [Электронный ресурс] / I. Mohler, N. Bolf, G. Galinec, M. Golob. - Режим доступа:

http://www.aig.si/09/images/stories/aig09/sekcije/Avtom Ind Procesov/FCET Bo lf.pdf, свободный.

29 Bolf, N. Soft sensors for kerosene properties estimation and control in crude distillation unit / N. Bolf, G. Galinec, M. Ivandi // Chem. Biochem. Eng. - 2009. -Vol. 23, Issue 3. - P. 277-286.

30 Distillation end point estimation in diesel fuel production / I. Mohler, U. Andrijiœ, N. Bolf, G. Galinec // Chem. Biochem. Eng. - 2013. - Vol. 27 (2). - P. 125-132.

31 Mohler, I. Development of soft sensors for crude distillation unit control / I. Mohler, Z. U. Andrijic, N. Bolf // IFAC DYCOPS-CAB. - 2011. - P. 5407-5412.

32 Soft sensor for continuous product quality estimation (in crude distillation unit) / A. Rogina, I. "Sfsko, I. Mohler, "Z. Ujevi'c, N. Bolf // Goriva i maziva. - 2011. -Vol. 50, Issue 3. - P. 187-214.

33 Soft sensors for diesel fuel property estimation / I. Mohler, G. Galinec, N. Holbling, N. Bolf, Z. Ujevic // Chemical Engineering Transactions. - 2010. - Vol. 21. - P. 1477-1482.

34 Macias-Hernandez, J. J. Soft sensor for predicting crude oil distillation side streams using Takagi Sugeno evolving fuzzy models / J. J. Macias-Hernandez, P. Angelov, X. Zhou // IEEE. - 2007. - Vol. 44, № 1524. - P. 3305-3310.

35 Macias-Hernandez, J. J. Using evolving fuzzy models to predict crude oil distillation side streams / J. J. Macias-Hernandez, P. Angelov, X. Zhou // Applied Mechanics and Materials. - 2011. - Vol. 88-89. - P. 432-437.

36 Fortuna, L. Soft sensors for product quality monitoring in debutanizer distillation columns / L. Fortuna, S. Graziani, M. G. Xibilia // Control Eng. Pract. - 2005. -Vol. 13, Issue 4. - P. 499-508.

37 Grbicr, R. Adaptive soft sensor for online prediction and process monitoring based on a mixture of Gaussian process models / R. Grbicr, D. Slis^kovicr, P. Kadlec // Computers and Chemical Engineering. - 2013. - Vol. 58. - P. 84-97.

38 Kadlec, P. Adaptive on-line prediction soft sensing without historical data / P. Kadlec, B. Gabrys // IEEE. - 2010. -P. 1-8.

39 Kadlec, P. Review of adaptation mechanisms for data-driven soft sensors / P. Kadlec, R. Grbic, B. Gabrys // Comput. Chem. Eng. - 2011. - Vol. 35. - P. 1-24.

40 Kadlec, P. Soft sensors: Where are we and what are the current and future challenges / P. Kadlec, B. Gabrys // IFAC DYCOPS-CAB. - 2009. - Vol. 42, Issue 19. - P. 572-577.

41 Fujiwara, K. Input variable selection for PLS modeling using nearest correlation spectral clustering / K. Fujiwara, H. Sawada, M. Kano // Chemom. Intell. Lab. Syst. - 2012. - Vol. 118. - P. 109-119.

42 Input variable scaling for statistical modeling / S. Kim, M. Kano, H. Nakagawa, S. Hasebe // Comput. Chem. Eng. - 2015. - Vol. 74. - P. 59-65.

43 Kano, M. Virtual sensing technology in process industries: Trends and challenges revealed by recent industrial applications / M. Kano, K. Fujiwara // J. Chem. Eng. Japan. - 2013. - Vol. 46, № 1. - P. 1-17.

44 Long-term industrial applications of inferential control based on just-in-time soft-sensors: Economical impact and challenges / S. Kim, M. Kano, S. Hasebe, A. Takinami, T. Seki // Ind. Eng. Chem. Res. - 2013. - Vol. 52. - P. 12346-12356.

45 Satoyama, Y. Variable elimination-based contribution for accurate fault identification / Y. Satoyama, K. Fujiwara, M. Kano // IFAC DYCOPS-CAB. -2016. - P. 383-388.

46 Uchimaru, T. Sparse sample regression based just-in-time modeling (SSR-JIT): beyond locally weighted approach / T. Uchimaru, M. Kano // IFAC DYCOPS-CAB. - 2016. - P. 502-507.

47 Vinyl acetate monomer (VAM) plant model: a new benchmark problem for control and operation study / Y. Machida, S. Ootakara, H. Seki, Y. Hashimoto, M. Kano, Y. Miyake, N. Anzai, M. Sawai, T. Katsuno, T. Omata // IFAC DYCOPS-CAB. -2016. - P. 533-538.

48 Simultaneous process optimization and heat integration based on rigorous process simulations / Y. Chena, J. C. Eslicka, I. E. Grossmanna, D. C. Miller // Computers and Chemical Engineering. - 2015. - Vol. 81. - P. 180-199.

49 Choe, Y.-S. Rigorous dynamic models of distillation columns / Y.-S. Choe, W. L. Luyben // Ind. Eng. Chem. Res. - 1987. - Vol. 26. - P. 2158-2161.

50 Grossmanna, I. E. Optimal synthesis of complex distillation columns using rigorous models / I. E. Grossmanna, P. A. Aguirre, M. Barttfeld // Computers and Chemical Engineering. - 2005. - Vol. 29. - P. 1203-1215.

51 Исследование моделей виртуальных анализаторов массообменного технологического процесса ректификации / Г. Б. Диго, Н. Б. Диго, И. С. Можаровский, А. Ю. Торгашов // Моделирование систем. - №4 (30). - 2011. -С. 17-27.

52 Olanrewaju, M. J. Online composition estimation and experiment validation of distillation processes with switching dynamics / M. J. Olanrewaju, B. Huang, A. Afacan // Chemical engineering science. - 2010. - Vol. 65, Issue 5. -P. 1597-1608.

53 Торгашов, А. Ю. Современные методы построения систем усовершенствованного управления технологическими процессами. / А. Ю. Торгашов, А. А. Гончаров, С. А. Самотылова // Вестник ДВО РАН. - 2016. -№ 4 (188). - С. 102-107.

54 An industrial application of virtual analyzer for distillation columns / V. Conz, J. Trierweiller, O. Santos, S. Facchin // 2nd Mercosur Congress on Chemical Engineering. - 2005. - P. 1-10.

55 Wu, Y. A novel calibration approach of soft sensor based on multirate data fusion technology / Y. Wu, X. Luo // Journal of Process Control. - 2010. - Vol. 20, Issue 10. - P. 1252-1260.

56 Doyle, F. J. Nonlinear inferential control for process applications / F. J. Doyle // Journal of Process Control. - 1998. - Vol. 8 (5-6). - P. 339-353.

57 Hybrid artificial neural network - First principle model formulation for the unsteady state simulation and analysis of a packed bed reactor for CO2 hydrogenation to methanol / G. Zahedi, A. Elkamel, A. Lohi, A. Jahanmiri, M. R. Rahimpor // Chemical Engineering Journal. - 2005. - Vol. 115. - P. 113-120.

58 Van Deventer, J. S. J. Dynamic modelling of a carbon-in-leach process with the regression network / J. S. J. Van Deventer, K. M. Kam, T. J. Van Der Walt // Chem. Eng. Sci. - 2004. - Vol. 59. - P. 4575-4589.

59 Oppenheim, A. V. Discrete-time signal processing / A. V. Oppenheim, R. W. Schafer. - New Jersey : Prentice-Hall, 1989. - 896 p.

60 The impact of compression on data-driven process analyses / N. F. Thornhill, M. A. A. Shoukat Choudhury, S. L. Shah // Journal of Process Control. - 2004. - Vol. 14. - P. 389-398.

61 Statistical and computational intelligence techniques for inferential model development: A comparative evaluation and a novel proposition for fusion / K. Warne, G. Prasad, S. Rezvani, L. Maguire // Eng. Appl. Artif. Intell. - 2004. - Vol. 17. - P. 871-885.

62 Englund, C. A hybrid approach to outlier detection in the offset lithographic printing process / C. Englund, A. Verikas // Engineering Applications of Artificial Intelligence. - 2005. - Vol.18. - P. 759-768.

63 A systematic approach for soft sensor development / B. Lin, B. Recke, J. Knudsen, S. B. Jrgensen // Computers and Chemical Engineering. - 2007. - Vol. 31 (5). - P. 419-425.

64 Pearson, R. K. Outliers in process modeling and identification / R. K. Pearson // IEEE Transactions on Control Systems Technology. - 2002. - Vol. 10 (1). - P. 5563.

65 Chiang, L. H. Exploring process data with the use of robust outlier detection algorithm / L. H. Chiang, R. J. Perl, M. B. Seasholtz // Journal of Process Control. - 2003. - Vol. 13. - P. 437-449.

66 Ljung, L. System identification: theory for the user, 2nd ed. // L. Ljung. - NJ : Prentice Hall PTR, 1999. - 609 p.

67 Spinelli, W. On the role of prefiltering in nonlinear system identification / W. Spinelli, L. Piroddi, M. Lovera // IEEE transactions on automatic control. -2005. -Vol. 50, № 10. - P. 1597-1602.

68 Scheffer, J. Dealing with missing data / J. Scheffer // Research letters in the information and mathematical sciences. - 2002. - Vol. 3 (1). - P. 153-160.

69 Walczak, B. Dealing with missing data. Part II / B. Walczak, D. L. Massart // Chemometrics and Intelligent Laboratory Systems. - 2001b. - Vol. 58 (1). - P. 2942.

70 Lopes, V. V. Inferential sensor design in the presence of missing data: a case study / Lopes VV, Menezes JC // Chemometrics and Intelligent Laboratory System. -200. - Vol. 578. - P. 1-10.

71 Nelson, P. R. C. Missing data methods in PCA and PLS: score calculations with incomplete observations / P. R. C. Nelson, P. A. Taylor, J. F. MacGregor // Chemometrics and Intelligent Laboratory Systems. - 1996. - Vol. 35 (1). - P. 4565.

72 Zamprogna, E. Development of a soft sensor for a batch distillation column using linear and nonlinear PLS regression techniques / E. Zamprogna, M. Barolo, D. E. Seborg // Control Engineering Practice. - 2004. - Vol. 12. - P. 917-929.

73 Jolliffe, I. T. Principal component analysis // I. T. Jolliffe. - USA : Springer, 2002. - 487 p.

74 Abdi, H. Partial least squares (PLS) regression. In Encyclopedia of social sciences, research methods / H. Abdi. - Thousand Oaks (CA) : Sage, 2003. - 13 p.

75 Guyon, I. An introduction to variable and feature selection / I. Guyon, A. Elisseeff // Journal of Machine Learning Research. - 2003. - Vol. 3 (7-8). - P. 1157-1182.

76 Recursive PCA for adaptive process monitoring / W. Li, H. H.Yue, S. Valle-Cervantes, S. J. Qin // Journal of Process Control. - 2000. - Vol. 10 (5). - P. 471486.

77 Wang, X. Process monitoring approach using fast moving window PCA / X. Wang, U. Kruger, G. W. Irwin // Industrial & Engineering Chemistry Research. -2005. - Vol. 44 (15). - P. 5691-5702.

78 Zhao, L. Adaptive moving window MPCA for online batch monitoring [Электронный ресурс] / L. Zhao, T. Chai. - Электрон. Текстовые дан. - In Proceedings of the 5th Asian control conference, 2004, Vol. 2. - Режим доступа: https://www.researchgate.net/publication/4141965 Adaptive moving window M PCA_for_online_batch_monitoring, свободный.

79 Qin, S. J. Recursive PLS algorithms for adaptive data modeling / S. J. Qin // Computers and Chemical Engineering. - 1998. - Vol. 22 (4-5). - P. 503-514.

80 Dayal, B. S. Recursive exponentially weighted PLS and its applications to adaptive control and prediction / B. S. Dayal, J. F. MacGregor, // Journal of Process Control. - 1997. - Vol. 7 (3). - P. 169-179.

81 Вучков, И. Прикладной регрессионный анализ / И. Вучков, Л. Бояджиева, Е. Солаков. - М. : Финансы и статистика, 1987. - 230 с.

82 Gosset, W. S. The probable error of a mean / Gosset, W. S. // Biometrika. - 1908.

- Vol. 6 (1). - P. 1-25.

83 Hastie, T. The elements of statistical learning: Data mining, inference, and prediction. / T. Hastie, R. Tibshirani, J. Friedman. - New York : Springer-Verlag, 2001. - 533 p.

84 Weiss, S. Computer systems that learn: classification and prediction methods from statistics, neural nets, machine learning, and expert systems / S. Weiss, C. Kulikowski. - San Francisco, CA, USA : Morgan Kaufmann Publishers Inc., 1991.

- 29 p.

85 Komulainen, T. An online application of dynamic PLS to a dearomatization process / T. Komulainen, M. Sourander, S. L. Jamsa-Jounela // Computers and Chemical Engineering. - 2004. - Vol. 28. - P. 2611-2619.

86 Александров, И. М. Программная реализация нечеткой нейронной сети для оценки концентрации этилена верха колонны К-11 установки ЭП-300 / И. М. Александров, Н. С. Благодарный // Вестник АГТА. - 2012. - № 6. - С. 34-37.

87 Благодарный, Н. С. Использование экспертных знаний для построения виртуальных датчиков / Н. С. Благодарный, И. М. Александров // Винеровские чтения. - 2011. - C. 5-12.

88 Verhaegen, M. Subspace model identiication. I-the output-error state-space model identiication class of algorithms / M. Verhaegen, P. Dewilde // Int. J. Control. -1992. - Vol. 56. - P. 1187-1210.

89 Overschee, P. N4SID: Subspace Algorithms for the Identiication of Combined Seterministic-Stochastic Systems / P. Overschee, B. Moor // Automatica. - 1994. -Vol. 30. - P. 75-93.

90 Nonlinear black-box modeling in system identification: a unified overview / J. Sjoberg, Q. Zhang, L. Ljung, A. Benveniste, B. Delyon, P. Y. Glorennec, H. Hjalmarsson, A. Juditsky // Automatica. - 1995. - Vol. 31. - P. 1691-1724.

91 Sjoberg, J. Neural networks in system identification / J. Sjoberg, H. Hjalmarsson, L. Ljung. - Электрон. текстовые дан. - Cophenagen : 10th IFAC System Identification-Symposium, 1994. - Режим доступа : http://www.diva-portal.org/smash/get/diva2:315793/FULLTEXT02, свободный.

92 Kuncheva, L. I. Combining pattern classifiers: Methods and algorithms / L. I. Kuncheva. - NJ : Wiley, 2004. - 350 p.

93 Valentini, G. Ensembles of learning machines / G. Valentini, F. Masulli // In Proceedings of the 13th Italian workshop on neural nets. - 2002. - Vol. 2486 of series lecture notes in computer sciences. - P. 3-22.

94 Тугашова, Л. Г. Виртуальные анализаторы показателей качества процесса ректификации / Л. Г. Тугашова // Информационные комплексы и системы. -2013. - № 3, Т. 9. - С. 97-103.

95 Neural virtual sensor for the inferential prediction of product quality from process variables / R. Rallo, J. Ferre-Gin, A. Arena, F. Giralt // Computers and Chemical Engineering. - 2002. - Vol. 26. - P. 1735-1754.

96 Yan, W. Soft sensing modeling based on support vector machine and Bayesian model selection / W. Yan, H. Shao, X. Wang // Computers and Chemical Engineering. - 2004. -Vol. 28. - P. 1489-1498.

97 Feng, S. Nonlinear system identification with shortage of input-output data [Электронный ресурс] / S. Feng, J. Chen, X. Y. Tu. - Электрон. текстовые дан. - Prague : 16th IFAC World Congress, 2005. - Режим доступа: http://www.nt.ntnu.no/users/skoge/prost/proceedings/ifac2005/Papers/JsPaper2318 .html, свободный.

98 Kohavi, R. A study of cross-validation and bootstrap for accuracy estimation and model selection / R. Kohavi // In Proceedings of the fourteenth international joint conference on artificial intelligence. - 1995. - Vol. 2. - P. 1137-1145.

99 Freund, Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R. E. Schapire // Journal of Computer and System Sciences. - 1997. - Vol. 55 (1). - P. 119-139.

100 Breiman, L. Bagging predictors / L. Breiman // Machine Learning. - 1996. - Vol. 24 (2). - P. 123-140.

101 Rawlings, J. Applied regression analysis: a research tool. - 2nd ed. // J. Rawlings, S. Pentula, D. Dickey - N. Y. : Springer-Verlag, 1998. - [205-234] р.

102 Копысицкий, Т. И. Тенденция усовершенствования системы управления процессом первичной переработки нефти : обзор. информ. / Т. И. Копысицкий, С. Р. Расулов, В. П. Сухарев. - М. : ЦНИИТЭнефтехим. - 1992. - 66 с.

103 Khalaf, G. Choosing Ridge Parameter for Regression Problems / G. Khalaf, G. Shukur // Communications in statistics -theory and methods. - 2005. - Vol. 34. -P. 1177-1182.

104 Большаков, А. А. Методы обработки многомерны данных и временных рядов // А. А. Большаков, Р. Н. Каримов. - М. : Горячая линия-Телеком, 2007. - 522 с.

105 Marquardt, D. Ridge regression on practice / D. Marquardt, R. Snee // The American statistician. - 1975. - Vol. 29, № 1. - P. 37-41.

106 Ridge regression learning algorithm in dual variables / C. Saunders, A. Gammerman, V. Vovk // Appears in proceedings of the 15th International conference on machine learning, ICML. - 1998.

107 Hoerl, A. Ridge regression: biased estimation for nonorthogonal problems / A. Hoerl, R. Kennard // Technometrics. - 1970. - Vol. 12, № 1. - P. 55-67.

108 Yan, X. Modified nonlinear generalized ridge regression and its application to develop naphtha cut point soft sensor / X. Yan // Computers and Chemical Engineering. - 2008. - Vol. 32. - P. 608-621.

109 Cule, E. Ridge regression in prediction problems: automatic choice of the ridge parameter / E. Cule, M. Iorio // Genetic epidemiology. - 2013. - Vol. 37, № 7. - P. 704-714.

110 Exploring data tables, trends, and shapes. Wiley series in probability and statistics // D. Hoaglin, F. Mosteller, J. Tukey - 2011. - 560 р.

111 Гончаров, А. А. Идентификация массообменных технологических объектов с учетом ограничений на параметры модели / А. А. Гончаров, А. Ю. Торгашов, И. В. Жуков // Автоматизация в промышленности. - 2016. - № 6. - С. 34-38.

112 Параметрическая идентификация динамического объекта с переменной задержкой измерения выхода / А. А. Гончаров, Г. Б. Диго, Н. Б. Диго, А. Ю. Торгашов // Информатика и системы управления. - 2014. - № 2 (40) . -C. 94-101.

113 Идентификация параметров моделей динамических виртуальных анализаторов технологических объектов управления / А. А. Гончаров, Г. Б. Диго, Н. Б. Диго, А. Ю. Торгашов // Автоматизация в промышленности. - 2014. - № 7. - C. 31-33.

114 Дремин, И. М. Вейвлеты и их использование / И. М. Дремин, О. В. Иванов, В. А. Нечитайло // Успехи физических наук. - 2001. - Т. 171, № 5. - С. 465-501.

115 Использование вейвлетов при построении моделей объектов управления с нерегулярным измерением выхода / А. А. Гончаров, Г. Б. Диго, Н. Б. Диго, А. Ю. Торгашов // Информатика и системы управления. - 2013. - № 1 (35) . -C. 16-25.

116 Блаттер, К. Вейвлет-анализ. Основы теории / К. Блаттер. - М. : Техносфера, 2004. - 280 с.

117 Дьяконов, В. П. Вейвлеты. От теории к практике / В. П. Дьяконов. - М. : СОЛОН-Р, 2002. - 446 с.

118 Technical data book-petroleum refining 6th ed. - USA : American Petroleum Institute, 1997. - 1316 p.

119 Walas, S. M. Phase equilibria in chemical engineering / S. M. Walas. - London : Butterworth-Heinemann, 1985. - 671 p.

120 Дытнерский, Ю. И. Основные процессы и аппараты химической технологии / Ю. И. Дытнерский. - М. : Химия, 1983. - 272 с.

121 Долгова, А. Н. Определение эффективности массообменных тарелок колонных аппаратов с учетом неравномерности распределения фаз / А. Н. Долгова, Е. А. Лаптева // Нефтегазовое дело: электронный научный журнал. -2013. - № 6. - С. 283-309.

122 Holland, C. D. Fundamentals of multicomponent distillation / C. D. Holland. - NY : McGraw-Hill Book Company, 1997. - 626 p.

123 Использование системы ограничений на параметры прогнозирующих моделей при идентификации массообменных технологических объектов / А. А. Гончаров, Г. Б. Диго, Н. Б. Диго, А. Ю. Торгашов // Вестник Тамбовского государственного технического университета. - 2016. - № 1. -С. 25-34.

124 Гончаров, А. А. Использование имитационного моделирования в задаче идентификации массообменного технологического объекта / А. А. Гончаров, А. Ю. Торгашов // Информационные технологии и вычислительные системы. - 2016. - № 2. - С. 23-30.

125 Goncharov, A. Application of active set method for soft sensor model identification of crude oil distillation process / A. Goncharov, A. Torgashov // Proc. DOOR 2016. - 2016. - CEUR-WS, Vol. 1623. - P. 723-732.

126 Гилл, Ф. Практическая оптимизация / Ф. Гилл, У. Мюррей, М. Райт. - М. : Мир, 1985. - 509 с.

Приложение А Акт внедрения динамических ВА в составе АСУ ТП первичной переработки нефти ЭЛОУ-АВТ-2

Приложение Б Акт внедрения ВА в составе АСУ ТП установки первичной переработки нефти АВТ-8