Разработка виртуальных анализаторов для системы управления массообменными технологическими процессами производства метил-трет-бутилового эфира тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Самотылова Светлана Александровна

• Самотылова Светлана Александровна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Самотылова Светлана Александровна

Введение

1 Обзор современных проблем построения систем управления технологическими процессами

1.1 Назначение ВА в СУУ ТП

1.2 Обзор проблем построения СУУ ТП на основе виртуальных

анализаторов

1.2.1 Проблема выбора входных переменных модели

1.2.2 Проблема неточного времени отбора пробы

1.2.3 Проблема выбросов данных

1.2.4 Проблема коллинеарности данных

1.2.5 Проблема нелинейности технологического процесса

1.2.6 Проблема малой выборки данных

1.3 Разработка ВА для реакционно-ректификационных процессов

1.4 Постановка цели и задачи исследования

1.5 Выводы по главе

2 Описание объекта исследования и концепция разработки виртуальных

анализаторов

2.1 Описание процесса производства метил-трет-бутилового эфира

2.2 Химические реакции процесса производства метил-трет-бутилового

эфира

2.3 Материальный баланс процесса производства метил-трет-бутилового

эфира

2.4 Концепция разработки моделей ВА для оценки показателя качества

процесса производства МТБЭ

2.4.1 Концепция разработки моделей ВА для оценки показателя качества производства МТБЭ в условиях неточного времени отбора пробы

2.4.2 Концепция разработки моделей ВА для оценки показателя качества производства МТБЭ в условиях малого объема

обучающей выборки

2.5 Выводы по главе

3 Идентификация реакционно-ректификационного технологического объекта

производства МТБЭ в условиях неточного времени отбора пробы

3.1 Алгоритм разработки модели ВА при неточном времени отбора пробы

3.2 Определение параметров модели ВА при неточном времени отбора

пробы на синтетическом примере

3.3 Определение параметров модели ВА при неточном времени отбора

пробы на экспериментальных данных

3.3.1 Определение параметров модели ВА для оценки содержания

метанола в МТБЭ

3.3.2 Определение параметров модели ВА для оценки содержания

2-метилпропан-2-ола в МТБЭ

3.4 Использование прогнозирующего фильтра в контуре обратной связи

3.5 Выводы по главе

4 Разработка алгоритма построения модели виртуального анализатора с

использованием аналитической модели технологического объекта

4.1 Аналитическая модель ректификационной зоны реакционно-ректификационной колонны

4.2 Алгоритм доформирования обучающей выборки

4.3 Определение параметров модели ВА для производства МТБЭ в

условиях ограниченного объема обучающей выборки

4.4 Целесообразность применения алгоритма доформирования обучающей выборки

4.5 Выводы по главе

5 Интеграция виртуальных анализаторов в составе систем

усовершенствованного управления технологическими процессами

5.1 Настройка ПИД-регуляторов входящих в состав СУУ ТП

5.1.1 Настройка ПИД-регулятора

5.2 Использование разработанных ВА в составе СУУ ТП процесса

производства МТБЭ

5.3 Выводы по главе

Заключение

Обозначения и сокращения

Термины и определения

Список литературы

Приложение А Свидетельство о регистрации программы для ЭВМ

Приложение Б Акт внедрения АО «Газпромнефть-ОНПЗ»

Приложение В Акт внедрения АО «Хоневелл»

Введение диссертации (часть автореферата) на тему «Разработка виртуальных анализаторов для системы управления массообменными технологическими процессами производства метил-трет-бутилового эфира»

Введение

Актуальность темы диссертации. Контроль и управление качеством выходных продуктов является одной из основных задач нефтеперерабатывающей промышленности. Эффективность производства может быть улучшена не только путем модернизации самих нефтеперерабатывающих установок, но и за счет осуществления мониторинга и управления технологическими процессами (ТП).

В большинстве практических случаев оперативное управление ТП осуществляется на основе сбора и первичной обработки данных заводских лабораторных анализов выпускаемой продукции. Как правило, такие данные не обладают необходимой полнотой и оперативностью, так как измерения проводят один-два раза в сутки. Отсутствие информации по качеству выходных продуктов, соответствующей текущему режиму технологического процесса, вынуждает операторов поддерживать режимы, обеспечивающие большой запас по качеству продуктов. Тем самым повышается расход энергии и увеличивается стоимость конечного продукта. Применение поточных анализаторов существенно повышает оперативность контроля нефтепродуктов, но они имеют высокую стоимость и требуют постоянной калибровки. В связи с этим в настоящее время в системы усовершенствованного управления технологическими процессами (СУУ ТП) широко внедряются модели для оценки показателей качества выходных продуктов (виртуальные анализаторы - ВА), функционирующие в режиме реального времени. Внедрение ВА обеспечивает оперативное управление качеством выходных продуктов с минимальными энергозатратами и потерями.

Процесс создания ВА сводится к получению модели, которая наилучшим образом формирует оценку качества выходного продукта. Для построения ВА используют два способа: строгую (аналитическую) модель объекта и статистическую обработку измерений технологических параметров процесса, полученных на основе контрольно-измерительных приборов, включая данные лабораторного контроля. При построении ВА на основе аналитической модели объекта предполагается, что ее структура и параметры известны (такой подход

получил название «белый» ящик). При использовании аналитической модели возникают сложности, связанные с не измеряемыми возмущениями по составу сырья, поступающего в колонну, неизвестными значениями эффективности массопереноса, что, в свою очередь, приводит к невозможности непосредственно использовать аналитическую модель для оценки показателей качества выходного продукта в режиме реального времени. В связи с этим задача построения ВА с использованием статистических методов остается актуальной.

Обеспечение постоянного контроля качества на всем цикле производства продукции позволяет выявить и устранить брак на ранней стадии производства и тем самым минимизировать издержки от потери качества.

Актуальность выбранного направления исследований подтверждается грантом Российского фонда фундаментальных исследований «Методы интеллектуального предсказательного моделирования массообменных технологических объектов» (проект № 17-07-00235 А). Работа выполнена в рамках госбюджетной темы научных исследований ИАПУ ДВО РАН по теме «Развитие теории и методов повышения эффективности сложных технических систем и процессов» (№ 01201353010 и № АААА-А17-117040450016-7).

Степень научной разработанности проблемы. Большое влияние на развитие методов идентификации систем для промышленных объектов оказали научные коллективы ИПУ РАН [1]. Лаборатория под руководством профессора Н. С. Райбмана в 70-е годы ХХ века одной из первых в мире занималась вопросами идентификации - построением математических моделей реальных объектов, процессов, систем по экспериментальным данным. В наши дни применение идентификационного подхода для построения ВА предложено профессора Н. Н. Бахтадзе [2-5]. Данный подход получил распространение в системах усовершенствованного управления технологическими процессами (Advanced process control - APC).

Актуальность использования виртуальных анализаторов для оценки показателей качества выходных продуктов представлена в работах отечественных ученых А. П. Веревкина [6-10], Р. А. Аузан [11, 12], Г. М. Бакана [13], А. Г.

Шумихина [14, 15], А. А. Мусаева [16, 17], а также в трудах зарубежных ученых M. Kano [18-24], G. Napoli, M. G. Xibilia [25], T. Chatterjee, D. N. Saraf [26-29], I. Möhler, Z. U. Andrijic, N. Bolf [30-36], P. Angelov [37, 38], L. Fortuna [39, 40], P. Kadlec [42-44], N. C. Chakra, Ki-Y. Song, M. M. Gupta [45] и др.

Объектом исследования является технологический процесс производства метил-трет-бутилового эфира (МТБЭ), для которого требуется оперативная оценка показателей качества выходного продукта.

Предметом исследования - являются алгоритмы и методы разработки моделей виртуальных анализаторов для оценки показателей качества выходного продукта процесса производства МТБЭ, численные методы и комплексы программ математического моделирования ректификационной колонны процесса производства МТБЭ.

Цель диссертационной работы заключается в разработке алгоритмов и методов построения моделей ВА, реализуемых в составе системы усовершенствованного управления технологическими процессами, для повышения эффективности функционирования процесса производства МТБЭ в условиях неточного времени отбора пробы и малого объема обучающей выборки.

Для достижения поставленной цели диссертационной работы поставлены и решены следующие научные и технические задачи:

1. Разработка алгоритма построения моделей ВА при неточном времени отбора пробы;

2. Создание алгоритма построения моделей ВА в условиях малой обучающей выборки данных с применением аналитической модели технологического объекта;

3. Определение условий целесообразности функционирования алгоритма доформирования обучающей выборки на основе аналитической модели процесса.

Научная новизна выполненной диссертационной работы заключается в следующем:

1. Предложен алгоритм разработки ВА в условиях неточного времени отбора пробы, основанный на итерационной процедуре ЕМ-алгоритма,

отличающийся использованием бутстреп анализа, что позволило решить проблему попадания в области притяжения локальных экстремумов с помощью нескольких начальных значений параметров модели на основе бутстреп-выборок. Применение предлагаемого алгоритма позволяет улучшить точность оценки показателя качества продукта [46, 47].

2. Разработан алгоритм построения ВА в условиях малой обучающей выборки, отличающийся использованием аналитической модели технологического объекта, что позволило доформировать исходную обучающую выборку данными аналитической модели технологического объекта. Использование доформированной обучающей выборки позволяет учитывать данные технологического режима на всем диапазоне изменения качества продукта, что существенно позволяет повысить точность ВА [48-50].

3. Определены условия целесообразности применения алгоритма доформирования обучающей выборки при разработке ВА данными аналитической модели в условиях неопределенности эффективности массопереноса по Мерфри, что позволило определить диапазон функционирования предлагаемого алгоритма. Для оценки целесообразности применения алгоритма вычисляется площадь области пересечения выходной переменной доформированной обучающей выборки и проверочной выборки при различных отклонениях эффективностей ступеней разделения по Мерфри технологического объекта и его модели [49, 50].

Практическая значимость и внедрение результатов работы. Применение разработанных моделей ВА, с применением предлагаемых алгоритмов, позволяет сократить потери производства и создать запас по качеству, обеспечивающий получение МТБЭ марки А, что позволило повысить эффективность процесса (снизить количество примесей в выходном продукте МТБЭ) производства метил-трет-бутилового эфира на 20 %.

Разработанные модели ВА для оценки показателя качества выходного продукта технологического процесса производства метил-трет-бутилового эфира

приняты к внедрению на производственных объектах ПАО «Газпромнефть» и ООО «Сибур».

Практическая значимость работы подтверждается свидетельством государственной регистрации программы для ЭВМ и двумя актами о внедрении (приложения А, Б и В).

Методология и методы исследования. В диссертационной работе использовались методы теории управления, методы математической статистики и теории вероятностей; методы математического и имитационного моделирования, современные средства разработки программных комплексов и моделирования.

Основные положения диссертации, выносимые на защиту. Основные результаты диссертационного исследования заключаются в следующем:

1. Предложен алгоритм построения модели ВА при неточном времени отбора пробы, основанный на итерационной процедуре ЕМ-алгоритма. Показана возможность применения сверточной суммы входного сигнала и импульсной характеристики системы, что позволило учесть данные динамического режима в обучающей выборке. Проблема сходимости в области притяжения локальных экстремумов при итерационном расчете решена с помощью бутстреп-выборок. Этот подход при определении начальных значений параметров модели обоснован.

2. Разработан новый алгоритм построения ВА для оценки показателей качества выходного продукта в условиях малой обучающей выборки на основе аналитической модели технологического объекта. Данные аналитической модели используются для доформирования обучающей выборки.

3. Определены условия применения предложенного алгоритма доформирования обучающей выборки с использованием аналитической модели технологического объекта при неопределенности эффективности массопереноса по Мерфри.

Достоверность и обоснованность результатов. Достоверность основных методов и алгоритмов определяется корректным применением методов математического моделирования и обработки экспериментальных данных. Обоснованность полученных методов и алгоритмов основывается на

сопоставлении полученных результатов с результатами, полученными другими известными методами и алгоритмами.

Соответствие паспорту специальности. В диссертационной работе решены научные задачи, соответствующие следующим пунктам области исследований специальности 05.13.06 - «Автоматизация и управление технологическими процессами и производствами (в промышленности)»:

П.3. Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУ ТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т. д.

П.6. Научные основы, модели и методы идентификации производственных процессов, комплексов и интегрированных систем управления.

Апробация научных результатов работы. Основные результаты работы докладывались и обсуждались на следующих конференциях: Международная конференция «Нефть и Газ - АТР 2015. Ресурсы, транспорт, сотрудничество» (Владивосток, 2015 г.), XXIX Международная научная конференция «Математические методы в технике и технологиях» (Санкт-Петербург, 2016 г.), Международная конференция «Industrial Engineering, Applications and Manufacturing» (Владивосток, 2017 г.), семинар по проблемам управления (Москва, 2017 г.), Международная научно-практическая конференция «НЕФТЕГАЗ0ПЕРЕРАБ0ТКА-2017» (Уфа, 2017 г.), XXX Международная научная конференция «Математические методы в технике и технологиях» (Санкт-Петербург, 2017 г.), XXXI Международная научная конференция «Математические методы в технике и технологиях» (Санкт-Петербург, 2018 г.), XXXII Международная научная конференция «Математические методы в технике и технологиях» (Санкт-Петербург, 2019 г.).

Публикации. Результаты диссертационного исследования опубликованы в 17 работах, из них 10 статей в журналах из списка ВАК из них 2 работы переводные версии в журналах индексируемые в Web of Science, 1 публикация в материалах конференций, индексируемых в Scopus, 6 публикаций в материалах

конференций, индексируемых в РИНЦ, получено 1 свидетельство о регистрации программы для ЭВМ и 2 акта о внедрении.

Личный вклад автора. Автор принимал участие в постановке цели и задач по теме исследования, разработал подходы и алгоритмы, предложенные в диссертационной работе, обработал и проанализировал экспериментальные данные, осуществил основную часть расчетов, принимал участие в обсуждении полученных результатов, написании научных статей, материалов конференций, оформлении свидетельства о государственной регистрации ЭВМ, принимал участие на конференциях и семинарах.

Структура диссертации. Диссертация состоит из введения, 5 глав, заключения, списка обозначений и сокращений, терминов и определений, списка используемых источников, приложения. Общий объем диссертации составляет 132 страниц, включая 31 рисунок и 15 таблиц. Список литературы содержит 148 наименований.

Благодарность. Автор выражает глубокую признательность своему научному руководителю д-ру техн. наук А. Ю. Торгашову за ценные консультации, советы и идеи. Автор благодарит соавторов канд. техн. наук В. В. Климченко, канд. техн. наук А. А. Гончарова И. С. Можаровского - за помощь в проведении ряда расчетных экспериментов; Г. Б. Диго, Н. Б. Диго - за помощь в написании статей.

1 Обзор современных проблем построения систем управления технологическими процессами

Повышение качества основных видов нефтепродуктов и экономической эффективности их производства является одной из основных задач нефтеперерабатывающей и нефтехимической промышленности, требующей усовершенствования систем управления производственными процессами. Внедрение систем усовершенствованного управления технологическими процессами позволяет увеличить прибыль производства с минимальными затратами [51].

Под СУУ ТП понимаются системы многопараметрического управления крупными технологическими объектами (ТО) на основе набора виртуальных анализаторов, что позволяет непосредственно управлять качеством выходных продуктов в автоматическом режиме [3, 52]. СУУ ТП реализуются в виде специализированного ПО, которое взаимодействует с автоматизированной системой управления (АСУ) технологической установки, специальным образом конфигурируется и настраивается под требования конкретного технологического процесса (рисунок 1.1).

НЖЬ -Р^ —. Р— Рисунок 1.1 - Блок-схема взаимодействия СУУ ТП и АСУ ТП [51]

Алгоритм усовершенствованного управления обращается к модели через равные промежутки времени и на ее основе прогнозирует динамику технологического процесса с учетом поступившей от измерительных приборов информации о его состоянии и формирует оптимальные управляющие воздействия по заданным критериям (например, энергозатратам). Основной проблемой синтеза СУУ ТП с использованием классических методов теории оптимального управления является высокая размерность моделей динамики массообменного технологического процесса (МТП) [51]. В связи с этим одна из основных тенденций развития СУУ ТП заключается в распространении более совершенных технологий разработки и поддержки виртуальных анализаторов, использующих современные достижения прикладной статистики, робастного управления и других [3]. Для построения ВА используются исторические данные ввода-вывода, которые хранятся в базе данных завода, в связи с этим актуальной также остается и задача извлечения информации из накопленных данных, так как большее количество данных еще не означает большее количество информации, необходимой исследователю.

1.1 Назначение ВА в СУУ ТП

Виртуальные анализаторы представляют собой

программно-алгоритмические комплексы, позволяющие оценить текущее состояние технологического процесса и его дальнейшее развитие [16, 17]. Условная схема взаимодействия ВА с типовой АСУ ТП в СУУ ТП представлена на рисунке 1.2.

Основное назначение виртуальных анализаторов - повышение уровня информационно-аналитического обеспечения технологического персонала и создание достаточной информационной базы для формирования оптимального управления как отдельными ТП, так и всего технологического цикла производства [16, 17].

Для ВА основными источниками информации являются:

1. Информационная избыточность, содержащаяся в физико-химических измерениях существующих систем контрольно-измерительных средств и результатах работы заводской лаборатории.

2. Ретроспективные технологические знания, накопленные в процессе управления технологическим процессом и хранящиеся цеховой базе данных.

В первом случае информация извлекается из исходных массивов измерительной информации благодаря наличию взаимозависимостей и связей между измеряемыми параметрами.

Во втором случае информация формируется исходя из автоматизированного сопоставительного анализа текущих измерений со знаниями, накопленными в цеховом информационном хранилище [16].

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.

В таблице 1.1 перечислены основные функциональные возможности, а также задачи виртуального анализатора.

Таблица 1.1 - Основные функции и задачи виртуальных анализаторов

Основные функции Задачи виртуального анализатора

Оперативное управление технологического процесса - прогнозирование качества выходного продукта для выбранного технологического режима; - оценка параметров входных материальных потоков и коррекция требований к ним; - формирование оптимальных технологических управлений (решений) для заданных критериев качества.

Технологический анализ и исследования ТП как объекта управления - выявление и корректный учет значимых взаимозависимостей технологических параметров; - поиск наиболее рациональных решений по управлению ТП для различных критериев эффективности; - анализ значимости и функций влияния отдельных технологических параметров.

Контроль состояния контрольно-измерительных средств (КИС) - верификация контроль-измерительной аппаратуры; - основа для построения системы гибкого планирования процессов контроля и ремонта КИС.

Продолжение таблицы 1.1

Контроль промышленной и экологической безопасности - анализ промышленной и экологической безопасности эксплуатации установки; - выявление скрытых технологических и технических угроз и своевременное оповещение о возможности их реализации; - обеспечение устойчивости и безопасной эксплуатации установки: платформа для создания превентивной системы промышленной безопасности предприятия.

Обучение и подготовка кадров - обеспечение возможности управления технологической установкой персоналом со средним и низким уровнем квалификации; - возможность обучения технологического персонала; - эффективная платформа для формирования специализированных тренажеров

В зависимости от решаемых с помощью ВА задач различают «Виртуальные анализаторы для оперативного управления технологическими процессами», «Виртуальные анализаторы для контроля состояния технологического оборудования», «Виртуальные анализаторы для оперативного управления коммерческим бюджетированием» и т.д. [2].

1.2 Обзор проблем построения СУУ ТП на основе виртуальных анализаторов

Процесс создания ВА сводится к получению модели, которая наилучшим образом формирует прогноз качества выходного продукта [53]. Для построения ВА используют два способа: строгую (аналитическую) модель объекта и статистическую обработку измерений технологических параметров процесса, полученных на основе контрольно-измерительных приборов, включая данные лабораторного контроля. При построении ВА на основе аналитической модели

объекта предполагается, что ее структура и параметры известны (такой подход получил название «белый» ящик [54]). При использовании аналитической модели возникают сложности, связанные с не измеряемыми возмущениями по составу сырья, поступающего в колонну, неизвестными значениями эффективности массопереноса, что, в свою очередь, приводит к невозможности непосредственно использовать аналитическую модель для оценки показателей качества выходного продукта в режиме реального времени. В связи с этим задача построения ВА с использованием статистических методов остается актуальной.

На рисунке 1.3 отображены этапы построения ВА от сбора данных до этапа функционирования ВА, а также проблемы, возникающие на каждом этапе.

Последовательность построения модели

Проверка модели

Функционирование модели

Проблемы построения модели

[[• Репрезентативность данных

С

Обнаружение выбросов, обработка шума Выбор метода построения модели Переобучение

Мультиколлинеарность переменных модели

Отбор входных переменных

Нелинейность технологического процесса

Точность оценки показателя качества выходного продукта

Валидация модели

Область применимости

Деградация модели

Обслуживание модели

Обнаружение отклоняющийся от нормы данных

Рисунок 1.3 - Последовательность построения ВА и проблемы, возникающие на

каждом этапе

На начальной стадии происходит сбор и обработка данных, необходимых для разработки моделей ВА. Основная проблема заключается в надежности данных, поскольку качество полученной модели в первую очередь зависит от используемых данных. На данном этапе необходимо обнаружить наличие выбросов и выполнить обработку шума.

После предварительной обработки данных необходимо определить метод построения модели ВА. В большинстве случаев применяются универсальные методы построения регрессионных моделей из статистики и машинного обучения, такие как: нейронные сети или проекции на латентные структуры. На данном этапе зачастую сталкиваются с проблемой выбора структуры модели, мультиколлинеарности (т.е. с наличием сильной корреляции между регрессорами) [55], нелинейностью технологических процессов и переобучением модели.

Затем построенные модели анализируются и эксплуатируются. На данном этапе необходимо провести валидацию модели (проверку адекватности модели), определить область функционирования и точность оценки показателей качества выходных продуктов.

На этапе функционирования моделей одной из важнейших проблем является снижение точности оценки моделей ВА в результате изменения состояния МТП например, изменение состава сырья, потеря эффективности катализатора и т.д. [56]. Для решения данной проблемы широкое распространение получили адаптивные виртуальные анализаторы, которые способны изменять свое поведение в изменяющихся условиях [57]. Адаптивные ВА включают в себя модели на основе подвижного окна (moving window - MW) [58, 59], модели, основанные на методе «точно-в-срок» (just-in-time - JIT) [60], а также модели, построенные на основе разницы во времени (time difference - TD) [60]. Модели на основе подвижного окна строятся из недавно измеренного набора данных; модели, основанные на методе «точно-в-срок», строятся путем присвоения больших весов данным; а модели, построенные на основе разницы во времени, строятся с учетом разницы во времени выходных и входных переменных. Для построения адаптивных моделей ВА можно также использовать ансамблевое обучение [41]. Использование адаптивных моделей ВА становится актуальным для быстро меняющихся процессов. Реализовывать модели ВА которые отображают недопустимые условия процесса и состояния ТП бесполезно. Недействительность оценки и прогноза процесса вызвана историческими данными, использованными для разработки моделей ВА, поскольку исторические

данные не могут содержать все условия процесса, а также могут содержать в себе погрешности измерения датчиков и др. Качество исходных данных имеет решающее значение при создании моделей ВА и имеют решающее значение в их функционировании [61].

Другими словами, ВА не может быть лучше, чем данные, использованные для его разработки [39]. Следовательно, предварительная обработка данных необходима для решения описанных выше проблем и изображенных на рисунке 1.3. Процедура предварительной обработки данных включает следующие шаги:

— выбор входных переменных;

— определение неточного времени отбора пробы;

— определение выбросов данных;

— решение проблемы мультиколлинеарности данных;

— решение проблемы нелинейности технологического процесса;

— решение проблемы малого объема обучающей выборки.

Поскольку все переменные процесса доступны независимо от их важности

для оценки выходной переменной, выбор входных переменных и определение точного времени отбора пробы являются самыми первыми шагами, которые учитываются при разработке моделей ВА.

1.2.1 Проблема выбора входных переменных модели

При разработке статических линейных и нелинейных моделей, а также динамических моделей необходимо решить проблему выбора минимального набора регрессоров, наиболее коррелируемых с откликом модели. Наличие всех переменных в базах данных завода не означает, что все они влияют на выходную переменную. Включение нерелевантных входных переменных или даже менее значимых входных данных в модель приводит к ухудшению её точности [62]. Как указано в [63], неверно определенный набор переменных может привести к сингулярности, чрезмерной параметризации и заметному снижению точности модели.

Список литературы диссертационного исследования кандидат наук Самотылова Светлана Александровна, 2020 год

ОВ -

< ,----- -

------, >

<

а)

Рисунок 4.11 - Соотношения обучающей и проверочной выборок а) до доформирования; б) после доформирования; зоны наложения закрашены

На рисунке 4.11 а) видно, что область наложения выборок мала, что подтверждает сильные их различия. После доформирования (рисунке 4.11 б)) область перекрещивающихся значений двух выборок достаточно обширна, что свидетельствует о несущественных различиях между ними.

4.5 Выводы по главе 4

Предложен алгоритм доформирования обучающего набора данных для разработки модели ВА в условиях ограниченного объема обучающей выборки. Доформирование происходит посредством добавления в исходную ОВ данных вспомогательной выборки, полученных на откалиброванной аналитической модели ТО. Использование доформированной обучающей выборки позволяет учитывать данные технологического режима на всем диапазоне изменения качества продукта.

На примере построения модели ВА по содержанию МеОН в МТБЭ, показано, что применение предложенного алгоритма доформирования ОВ

целесообразно при Лё1 < 0,3 и Лё2 < 0,1.

Достаточной для доформирования обучающей выборки является область пересечения выборок 5 = 0,2 при условии, что Лё1 < 0,3. При ЛЁ2 < 0,1

наблюдается увеличение 5 до 1. Это связано с тем, что в ДОВ попадают значения, которые не встречаются в реальных условиях. В сравнении с бутстреп-анализом предложенный алгоритм позволяет повысить точность модели до 40 % ЯМ5Е на проверочной выборке.

5 Интеграция виртуальных анализаторов в составе систем усовершенствованного управления технологическими процессами

Стратегия управления на основе прогнозирующей модели (Model Predictive Control - МРС) заключается в учете будущего поведения объекта, что в условиях ограничений на управляющие воздействия и управляемые технологические переменные позволяет повысить качество регулирования [139, 140]. В качестве манипулируемых переменных (MV) выступают те, которыми, как правило, управляют операторы, например, расход острого орошения, давление топливного газа на печь, обороты турбины компрессора. Управляемые переменные (CV) - это зависимые параметры ТП, т.е. переменные, зависящие от MV. К таковым относятся: (1) те, которые включены в задачу оптимизации, например, температура верха колонны, положение регулирующего клапана, перепад давления по колонне; (2) спецификации продуктов, такие как, температура вспышки керосина, показатель текучести расплава полиэтилена. В качестве возмущаемых переменных (DV) могут быть состав и температура сырья, т.е. это те измеряемые переменные, которые не регулируются в процессе управления, но влияют на значения регулируемых переменных.

Схема управления с прогнозирующей моделью представлена на рисунке 5.1.

Рисунок 5.1 - Принципиальная схема системы управления с прогнозирующей

моделью

Прогноз будущего поведения CV как функция будущих значений MV и измеренных DV строится с помощью связывающих управляемые переменные CV с манипулируемыми MV и возмущаемыми DV моделей объекта. Будущие значения MV выбираются так, чтобы достичь оптимальное значение критерия при соблюдении ограничений на CV и MV. В качестве критерия может быть минимум себестоимости или энергопотребления, максимум производительности и т.п., достигаемые на интервале прогноза поведения объекта. Для построения динамической модели, проводят испытания установки на ступенчатые воздействия, в ходе которых MV подвергаются обучающим ступенчатой формы воздействиям, измеряются DV и соответствующие отклики CV. Полученные в ходе испытаний данные обрабатывают и определяют параметры моделей.

Для предсказания поведения регулируемых переменных, используется полная модель процесса, которая состоит из матрицы динамических подмоделей, каждая из которых описывает влияние одной из управляющих переменных MV или возмущения DV на одну из регулируемых переменных CV. Подмодель описывает, как меняется влияние независимой переменной на регулируемую во времени, т.е. отражает динамический отклик. Если независимая переменная не влияет на регулируемую, то подмодель равна нулю. Для получения моделей необходимо: 1) получить динамические отклики всех регулируемых переменных по каждому управляющему воздействию и по каждому возмущению, и 2) провести процедуру идентификации. Прежде чем проводить испытания объекта необходимо определить, как и насколько сильно происходит изменение регулируемых переменных при изменении управляющих и возмущающих переменных, то есть матрицу влияний параметров.

Задача оптимизации решаемая в MPC имеет следующий вид [141, 142]:

min| W( Ax - y )||2 + xT Ax,

(5.1)

min

x, y

W

W„

W

0

A y

A x - Ур

x,,

+ xT Ax

2

Ую < y < Уы

y < y < y ,

s plo •'i ^ phi '

xio < x < xhi ■

mvlo < Sx < mvhi,

S

0"

1 ••• 1

0

1 ••• 1

Si =

1

1

где A - динамическая матрица модели (реакция на единичный скачок); W - диагональная весовая матрица; S - матрица с накопительной суммой; S\ - матрица суммирования; ylo, yhl - верхние и нижние границы у;

y , У - верхние и нижние границы для формирования манипулируемого управления;

xlo, xhi - верхние и нижние границы массива приращений ходов управления; mvlo, mvhi - верхние и нижние границы MV; x TAx - штрафная переменная.

Для непрерывных процессов химико-технологического типа Honeywell используется технологию робастного многоконтурного управления на основе

прогнозирующих моделей (Robust Multivariable Predictive Control Technology -RMPCT), или Profit® Controller. Модуль Profit® Controller используется в APC-системах в сочетании с традиционными методами расширенного регулирования [143].

Критерий оптимизации для MPC-регулятора Profit® Controller разработки корпорации Honeywell описывается следующим образом [144]:

1 = Ё(|К - CV»llQ + 1К -HlR) > (5.2)

где CV и MV - уставки регулируемых и соответствующие им значения управляющих переменных в установившемся режиме;

Су и MV} - ожидаемые значения регулируемых и управляющих

переменных;

II II2 т^,

p||g = x Qx - норма;

Q и R - матрицы весовых коэффициентов.

Оптимизация процесса управления может осуществляется также по технико-экономическому критерию:

J = Ib Су + Xaf <СУ - СУi )2 + Xb1 -MVj + Xaj •(MVj - MV0J )2, (5.3)

i i J J

где b и a - линейные и квадратичные коэффициенты при СУ ;

Ь и aj - линейные и квадратичные коэффициенты при MVj.

Структурная схема интеграции ВА и MPC, образующие СУУ ТП, процесса производства МТБЭ представлена на рисунке 5.2.

В следующем разделе изложены вопросы настройки ПИД-регуляторов, заданиями для которых являются MV для MPC.

5.1 Настройка ПИД-регуляторов входящих в состав СУУ ТП

Широкое применение в системах управления объектами нефтегазовой отрасли нашли пропорционально-интегрально-дифференцирующие (ПИД) регуляторы. ПИД-регулятор имеет достаточно простую и компактную структуру и позволяет достичь цели управления. В настоящее время актуальным остается способ настройки ПИД-регулятора. При настройке регуляторов этого типа обычно учитываются требования по быстродействию, демпфированию, точности, простоте реализации. В последнее время стало актуальным требование робастности (грубости) системы [145].

Одним из основных вопросов при использовании ПИД-регулятора является вопрос настройки его коэффициентов. В настоящее время настройка коэффициентов регулятора может осуществляться автоматически, но проблемой становится то, что большинство технологических процессов нефтегазовой промышленности имеют дрейфующие во времени параметры, из-за чего

единожды настроенный ПИД-регулятор не сможет обеспечить достижения цели управления в процессе функционирования объекта управления (ОУ). В результате чего необходима постоянная подстройка параметров ПИД-регуляторов. К тому же, для всех производственных процессов справедливо то, что наибольшую экономическую выгоду можно получить при оптимальных значениях параметров, которые зависят от соотношения стоимости продукта и затрачиваемых ресурсов, поэтому необходимо управлять процессом оптимально. Традиционные алгоритмы зачастую работают далеко не в самом оптимальном режиме, и это приводит к потере эффективности технологического процесса.

Зная передаточную функцию процесса, можно приступать к разработке системы управления. На практике используют ПИД-регулятор, так как он обеспечивает выполнение наиболее общих управляющих функций с использованием пропорционального, интегрального и дифференциального регулирования по отклонению переменной процесса (PV) от значения задания

(SV).

Передаточную функцию первого порядка с запаздыванием можно записать следующим образом:

K e

G(s ) = (5.4)

1 + rs

где K - коэффициент усиления;

в - запаздывание, которые должны быть определены в окрестности номинального режима работы объекта;

r - постоянная времени.

Таким образом, для процесса производства метил-трет-бутилового эфира в качестве регулируемых переменных (CV) выбраны: ВА по содержанию метанола и трет-бутанола в нижнем (выходном) продукте. В качестве управляющего воздействия (MV) взяты: 1) уставка регулятора расхода реагента (FIC3) для регулируемой переменной по содержанию метанола в МТБЭ; 2) уставка регулятора давления верха реакционно-ректификационного блока (PIC2) для регулируемой переменной по содержанию трет-бутанола в МТБЭ; 3) уставка

регулятора температуры на контрольной тарелке (TIC8). За измеряемые возмущения (DV) принят расход сырьевого потока ББФ (FIC1).

Одним из основных управляющих воздействий (MV) в СУУ ТП является задание ПИД-регулятору температуры на контрольной тарелке (TIC8) в РР колонне.

С использованием программы Profit Design Studio® компании Honeywell была получена передаточная функция по каналу расход водяного пара в рибойлер-Т1С8 (5.5) от MV:

G (s ) = Mi^, (5.5)

v ; 32s +1

При использовании данных передаточных функций стоит учесть, что переменные т и 0 имеют размерность минут. Это необходимо для использования в других программных продуктах, где данные параметры передаточных функций имеют размерность секунд.

5.1.1 Настройка ПИД-регулятора Существует различное множество методов настройки ПИД-регуляторов. В диссертационной работе настройка ПИД-регуляторов была проведена с использованием: метода Кохен-Куна; метода, разработанного Смитом и Мурриллом (Smith и Murrill); метода на основе внутренней модели (IMC).

5.1.1.1 Метод Кохен-Куна Известен метод настройки ПИД регулятора, который был разработан Cohen и Coon [146]. В методе используется четвертичный коэффициент упадка, согласно которому отклик PV на изменение задания SP должен иметь небольшие колебания с высотой второго пика равной четверти высоты первого, и представляет собой набор формул, основанный на параметрах передаточной функции процесса. Три составляющие ПИД регулятора пропорциональная (Kc), интегральная (T) и дифференциальная (T) рассчитываются следующим образом:

K =

1 т

KP 0

0,9 +

12т

T = 0

30 +

30

9 +

200

Td = 0.

(5.6)

(5.7)

(5.8)

Полученные методом Cohen-Coon коэффициенты представлены в таблице 5.1.

Таблица 5.1 - Коэффициенты ПИД-регулятора, полученные методом Cohen-Coon

кс T Td

Коэффициент 305,2 862,9 0

5.1.1.2 Метод Смита и Муррилла В методе Смита и Муррилла в качестве настроичного критерия используется интеграл от времени абсолютного отклонения (ПАЕ) (5.11):

ITAE = Ц E\t.dt 0

(5.9)

Уравнения для расчета коэффициентов ПИД регулятора будут иметь вид:

(5.10)

K

T =

0,586 0 — _т

Kp

т

1,03 0~ т _

T = 1 d = 0.

0.916

-0,165 '

Таким образом были получены коэффициенты, таблице 5.2.

(5.11)

(5.12)

представленные в

Таблица 5.2 - Коэффициенты ПИД-регулятора, полученные на основе целевой функции ITAE

кс T Td

Коэффициент 169,7 1414 0

5.1.1.3 Метод на основе внутренней модели (IMC) Internal model control (IMC) tuning - настройка внутреннего регулятора модели. Метод разработан с использованием техники, известной как прямой синтез [147, 148]. Прямой синтез - это метод, принцип которого заключается в синтезировании регулятора, который будет отвечать на изменение SP по определенной траектории. Траектория определяется как приближение первого порядка к окончательному значению с пользовательской постоянной времени Л. Низкое значение Л даст более агрессивное управление, чем робастное. При высоком - более робастное.

Для определения коэффициентов ПИД-регулятора методом IMC с помощью

параметров передаточной функции процесса использовались:

1 Т

к= KP —е; (513)

T ; (5.14)

Td = 0. (5.15)

Значение Л обычно подбирается методом «проб и ошибок» до получения разрешенного значения MV перерегулирования. Начальной точкой при подборе Л можно принять:

л = е + т (5.16)

Полученные коэффициенты представлены в таблице 5.3.

Таблица 5.3 - Коэффициенты ПИД-регулятора, полученные методом IMC

Kc T Td

Коэффициент 45,45 1920 0

На рисунке 5.3 представлены переходные процессы при изменении задания температуры на контрольной тарелке (Т1С8) для ПИД-регуляторов настроечные параметры которых получены различными методами.

1.0

0.8

£ о.б

N

и*

Ом

0.4

0.2

Л

г /

1 / / /

/ / / / / /

Г

— р\ р\ г СоЬеп-Сооп г ЗшНЬ МштШ г 1МС -

р\

30 60 90 120 150

Время, мин

180

210

240

Рисунок 5.3 - Переходные процессы при изменении задания температуры на

контрольной тарелке (Т1С8)

На рисунке 5.4 видно, что наиболее быстро достигается заданное значение при настройке ПИД-регулятора методом Смита и Муррилла. В случае использования метода Кохена-Куна переходный процесс имеет перерегулирование, наличие которого неприемлемо в промышленности.

5.2 Использование разработанных ВА в составе СУУ ТП процесса

производства МТБЭ

Процесс создания МРС-контроллера осуществляется в несколько этапов: 1. Анализ ТП, определение переменных: СУ, МУ и БУ.

2. Разработка испытаний на ступенчатое воздействие (определение матрицы влияний и границ изменения параметров).

3. Проведение испытаний на ступенчатое воздействие (степ-теста) путем подачи серии скачков по каждой управляющей и возмущающей переменным последовательно.

4. Идентификация зависимостей по полученным откликам.

5. Создание программного модуля MPC-регулятор на базе Profit® Controller разработки корпорации Honeywell [144].

Далее осуществляется непосредственно процедура идентификации в несколько этапов:

1) Строится дискретная непараметрическая FIR (Finite Impulse Response -конечная импульсная характеристика или КИХ) модель данных.

2) На основе аппроксимации этой модели строится параметрическая модель в виде передаточной функции в форме Лапласа. Передаточная функция имеет значительно более низкий порядок и как следствие сглаживает измерительный шум, имевшийся в исходных данных и непараметрической FIR-модели.

На этом идентификация заканчивается и создается MPC-регулятор.

Разрабатываемая СУУ ТП процессом ректификации предназначена для поддержания концентрации метанола и трет-бутанола в выходном продукте в заданном диапазоне.

Сравнительный анализ стабилизации качества МТБЭ до и после внедрения СУУ ТП показан на рисунке 5.4.

99.0 98.5 98.0

2 97.5

97.0 96.5 96.0

п А /1 1 1

О 5ь V граница специс >1чный режим / . 1 [эикации продукта 1 | Режим после внедрения

Г 1 1 ВА в составе СУУ ТП | 1 1

Рисунок 5.4 - Сравнительный анализ стабилизации качества МТБЭ до и после

внедрения СУУ ТП

Применение усовершенствованного управления приведет к уменьшению величины ЯМ8Е технологической переменной (таблица 5.4).

Таблица 5.4 - Анализ качества стабилизации содержания МТБЭ в выходном продукте

до СУУТП, % после СУУТП, %

ЯМ8Е 0,69 0,36

Из таблицы 5.4 следует, что достигнуто уменьшение изменчивости по содержанию МТБЭ в выходном продукте на 100х(0,69 - 0,36)/0,69 = 47,8 %. Также было достигнуто снижение потребления метанола на 2,4 % в отчетном периоде при одинаковых средних составах сырья по изобутилену (~14%).

5.3 Выводы по главе 5

Использование возможностей СУУТП позволяет более точно подавать на синтез требуемое количество метанола. При одинаковых средних составах сырья по изобутилену (~14%) достигнуто снижение потребления метанола на 2,4 % в отчетном периоде.

Достигнута более качественная стабилизация средствами СУУТП содержания МТБЭ в выходном продукте. Снижение RMSE по содержанию МТБЭ составило 47,8 %. Создан запас по качеству, обеспечивающий получение МТБЭ марки А.

Построенная в работе система MPC позволяет напрямую управлять качеством продукции.

Заключение

В работе получены следующие новые научные и практические результаты:

1. Предложен алгоритм для разработки модели виртуального анализатора при неточном времени отбора проб, основанный на Е и М шагах ЕМ-алгоритма совместно с гребневой регрессией для оценки параметров модели на М шаге и бутстреп анализа для формирования нескольких начальных значений параметров модели на основе бутстреп выборок. Применение предлагаемого алгоритма для определения временной задержки отбора пробы позволил улучшить точность оценки показателя качества метанола и трет-бутанола (2-метилпропан-2-ола) в нижнем (выходном) продукте до 17 % и 5,5 % ЯМБЕ на проверочной выборке в сравнении с методом без учета задержки.

2. Показана возможность включения в модель ВА контура обратной связи, что позволило улучшить точность модели. ЯМБЕ модели с обратной связью, вычисленная на проверочной выборке, оказалась на 8 % меньше, чем ЯМБЕ модели без обратной связи.

3. Предложен алгоритм доформирования обучающего набора данных для разработки модели ВА в условиях малого объема обучающей выборки. Доформирование происходит посредством добавления в исходную ОВ данных вспомогательной выборки, полученных на откалиброванной аналитической модели ТО. Использование доформированной обучающей выборки позволяет учитывать данные технологического режима на всем диапазоне изменения качества продукта.

4. На примере построения модели ВА по содержанию МеОН в МТБЭ, показано, что применение предложенного алгоритма доформирования ОВ

целесообразно при АЕ1 < 0,3 и АЕ2 < 0,1. Достаточной для доформирования обучающей выборки является площадь области пересечения выборок 5 = 0,2 при

условии, что АЕ1 < 0,3 . При АЕ2 < 0,1 наблюдается увеличение Б до 1. Это связано с тем, что в ДОВ попадают значения, которые не встречаются в реальных

условиях. В сравнении с бутстреп анализом предложенный алгоритм позволяет повысить точность модели до 40 % ЯМБЕ на проверочной выборке.

5. Использование возможностей СУУ ТП позволяет более точно подавать на синтез требуемое количество метанола. При одинаковых средних составах сырья по изобутилену (~14 %) достигнуто снижение потребления метанола на 2,4 % в отчетном периоде. Создан запас по качеству, обеспечивающий получение МТБЭ марки А.

Обозначения и сокращения

В настоящей работе применены следующие обозначения и сокращения: ТП - технологический процесс;

СУУ ТП - система усовершенствованного управления технологическим процессом;

ВА - виртуальные анализаторы; МТБЭ - метил-трет-бутиловый эфир;

АСУ ТП - автоматизированная система управления технологическим процессом;

АСУП - автоматизированная система управления производством; АСТПП - автоматизированная система технической подготовкой производства;

ЕМ-алгоритм (expectation-maximization - ЕМ) - итеративный метод для нахождения оценок максимального правдоподобия; ТО - технологический объект; АСУ - автоматизированная система управления; МТП - массообменный технологический процесс; ПЛС (PLS) - проекции на латентные (скрытие) структуры; PIMS (Process Information Management System) - система управления информацией о процессах;

РР - робастная регрессия;

ГР - гребневая регрессия;

МГК (PCA) - метод главных компонент;

МТО - массообменный технологический объект;

АСЕ - алгоритм чередующихся условных математических ожиданий;

НС - нейронные сети;

ББФ - бутан-бутиленовая фракция;

С - смеситель;

РФ - реактор форконтакта;

РР - реакционно-ректификационная колонна;

ОВ - обучающая выборка;

ДОВ - доформированная обучающая выборка;

ПВ - проверочная выборка;

КИХ - конечные импульсные характеристики;

и - матрица значений входных переменных;

У - вектор выходной переменной;

Ы - момент времени, соответствующий окончанию активного эксперимента и поступлению последнего набора данных для обучающей выборки; С - матрица счетов; Р и Ц - матрицы нагрузок; Е и Е - матрицы остатков;

1Мх1 - вектор-столбец размера М х1, все элементы которого равны единице; и ^11 - средние значения столбцов матрицы и, / = 1,..., р; у - среднее значение вектора У; А - максимальное количество главных компонент;

- вектор взвешенных нагрузок; са - счета матрицы и; ра -и-нагрузки;

-У-нагрузки; у - среднее значение вектора у; в - функция при переменной отклика У;

ф1 - функции входных переменных (предикторов) и(/}, I = 1,..., р;

е - ошибка неустраняемая использованием АСЕ преобразований в предположении нормального распределения; Я - скорость реакции; к^- - константа обратимости реакции;

К - константа равновесия реакции;

а/5 - концентрация изобутилена, моль/л; амеон - концентрация метанола, моль/л; амтвЕ - концентрация МТБЭ, моль/л; Т - температура, °С;

- удержание жидкой фазы на N тарелке, кмоль;

^.+1 - паровой поток, поступающий на N+1 тарелку, кмоль/ч; Ё-1 - поток жидкости, покидающий N,-1 тарелку, кмоль/ч; ^ - расход сырья, поступающего на N тарелку, кмоль/ч; гV - отношение бокового потока пара к общему потоку пара на Ц-ой тарелке;

г^, - отношение бокового потока жидкости к общему потоку жидкости на

Ц-ой тарелке;

т - номер реакции; г - количество реакций; N - номер компонента; N - номер тарелки; Ыт - количество тарелок; Ыс - количество компонентов;

т - стехиометрический коэффициент Жг-го компонента в реакции т;

- скорость реакции т, произошедшей на ^-ой тарелке; % - реакционный объем на ^-ой тарелке, м3;

хм.,м. - содержание Д-го компонента, поступающего на ^-ую тарелку в жидкой фазе;

- содержание Иг-го компонента, покидающего ^-ую тарелку в паровой фазе;

zN.N. - содержание N-го компонента в сырье, поступающего на Nj-ую тарелку;

HL - энтальпия на N-ой тарелке в жидкости, кДж/кмоль;

HVN. - энтальпия на N-ой тарелке в паре, кДж/кмоль;

H^ - энтальпия подачи жидкости на N-ой тарелке, кДж/кмоль;

Q^, - тепловой режим ступени, Дж/с;

D - расход верхнего продукта (ББФотр), кмоль/ч;

Q - тепловая нагрузка конденсатора, кДж/ч;

B - расход нижнего продукта (МТБЭ), кмоль/ч (B=F-D);

V - скорость кипения в ребойлере, кмоль/ч;

Q - тепловая нагрузка ребойлера, кДж/ч;

P - общее давление паров в системе, кПа;

PS - давление насыщенных паров компонента, кПа;

An - параметр Антуана для N-го компонента; Bw - параметр Антуана для N-го компонента; - параметр Антуана для N-го компонента;

- коэффициент летучести N-го компонента на N-ой тарелке;

- коэффициент активности N-го компонента на N-ой тарелке; 9n - доля площади поверхности N-го компонента в смеси;

Ф*т - объемная доля N-го компонента в смеси;

Z - координационное число; R - газовая постоянная равная 8,314 Дж/(мольК); pN - давление на N-ой тарелке;

pw._i - давление на N-1-ой тарелке;

АР^ -i - перепад давления с N-1-ой тарелке на Nj-ую тарелку; zf - состав перерабатываемого сырья;

F - расход;

ЛЕХ - отклонение эффективности ступеней разделения по Мерфри объекта и модели на 6-28 тарелках в РР колонне;

ЛЕ2 - отклонение эффективности ступеней разделения по Мерфри объекта и модели на 1-5 тарелках в РР колонне;

Е - эффективность ступеней разделения по Мерфри объекта на 6-28 тарелках в РР колонне;

Е2 - эффективность ступеней разделения по Мерфри объекта на 1-5 тарелках в РР колонне;

Е - эффективность ступеней разделения по Мерфри модели на 6-28 тарелках в РР колонне;

Е2 - эффективность ступеней разделения по Мерфри модели на 1-5 тарелках в РР колонне;

R2 - коэффициент детерминации;

RMSE - квадратный корень из среднеквадратической ошибки;

BSC - критерий Байеса-Шварца;

Y - измеряемое значение выходной переменной;

Y - значение выходной переменной, полученное на основе ВА;

Y - среднее значение наблюдаемой выходной переменной;

M - количество измерений выхода;

p - количество входов модели;

- входные переменные, доступные измерению в каждый период

времени;

- измерения выходной переменной (i=l,2,...,M) с неизвестной временной задержкой \ отбора i -ой пробы и ошибками измерений ет ;

G(p) - размерность вектора КИХ по входу p;

b0 - свободный член;

- параметры объекта; Ут - оцененное значение выходной переменной объекта; Ь( ^ - параметры прогнозирующей модели;

/V

Ь0 - свободный член объекта модели;

В(и) - символическое обозначение оператора реального объекта;

/V

В - оператор модели (3.7);

у - скорректированный выход модели;

-1

д - оператор сдвига на один шаг назад; Б (д_1 ) - передаточная функция фильтра;

е - прогноз ошибки е;

Б - область пересечения выборок; и - критерий Манна-Уитни; П - количество наблюдений в ОВ; щ - количество наблюдений в ПВ; Тх - большая из двух ранговых сумм;

П - количество наблюдений в выборке, которая имеет большую сумму рангов;

К - коэффициент усиления;

в - запаздывание, которые должны быть определены в окрестности номинального режима работы объекта; т - постоянная времени; К - пропорциональная; Т - интегральная; Т - дифференциальная.

Термины и определения

В настоящей работе применены следующие термины и определения: ПИД-регулятор (PID-controller): Устройство, использующееся в управляющем контуре с обратной связью для формирования управляющего сигнала с целью получения необходимой точности и необходимого качества переходного процесса;

управление на основе прогнозирующей модели (model predictive control -MPC): Один из современных методов теории управления использующийся в основном в управлении производственными процессами. Является улучшением классического управления с отрицательной обратной связью, в котором учитывается предсказание поведения объекта управления на различные типы входных воздействий. Обратная связь в таких системах управления используется для корректировки неточностей, связанных с внешними помехами и неточностью математической модели объекта управления. Регулятор полагается на эмпирическую модель процесса для того, чтобы предсказать дальнейшее его поведение, основываясь на предыдущих значениях переменных состояния;

система усовершенствованного управление технологическим процессом (advanced process control - APC): Система управления технологическими объектами на основе набора виртуальных анализаторов и MPC, что позволяет непосредственно управлять качеством выходных продуктов в автоматическом режиме;

регулируемые переменные (controlled variables - CV): Наблюдаемые переменные, которые в процессе реализации технологического процесса должны принимать значения внутри заданных пределов;

управляющие переменные (manipulated variables - MV): Переменные, которыми манипулируют, чтобы сохранить регулируемые переменные внутри допустимой области при изменении условий технологического процесса и/или установить оптимальные значения контролируемых переменных при оптимизации;

возмущающие переменные (disturbance variables - DV): Измеряемые переменные, которые не регулируются в процессе управления, но влияют на значения регулируемых переменных;

виртуальный анализатор (soft sensor - SS): Программно-алгоритмические комплексы, связывающие показатели качества выходного продукта с параметрами технологического процесса;

доформированная обучающая выборка (augmentation of the training sample): Обучающая выборка, содержащая в себе данные технологического процесса и данные, полученные на аналитической модели технологического объекта;

область пересечения выборок (crosscut sampling area): Множество, которому принадлежат одновременно элементы доформированной обучающей выборки и проверочной выборки.

Список литературы

1. Дозорцев, В. М. Усовершенствованное управление технологическими процессами (APC): 10 лет в России / В. М. Дозорцев, Э. Л. Ицкович, Д. В. Кнеллер // Автоматизация в промышленности. - 2013. - № 1. - С. 1219.

2. Бахтадзе, Н. Н. Виртуальные анализаторы (идентификационный подход) / Н. Н. Бахтадзе // Автоматика и телемеханика. - 2004. - № 11.

- С. 3-23.

3. Бахтадзе, Н. Н. Современные методы управления производственными процессами / Н. Н. Бахтадзе, В. А. Лотоцкий // Системы управления технологическими процессами. - 2009. - №3 (1). - С. 56-63.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

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

13. 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.

14. 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.

15. 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.

16. 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.

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

18. 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.

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

20. 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.

21. 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.

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

23. 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.

24. 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.

25. Napoli, G. Soft sensor design for a topping process in the case of small datasets / G. Napoli, M.G. Xibilia // Computers and chemical engineering. -2011. - Vol. 35. - P. 2447-2456.

26. 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.

27. 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.

28. 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.

29. 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.

30. 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.

31. 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.

32. 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.

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

34. Mohler, I. Development of soft sensors for crude distillation unit control / I. Mohler, Z. U. Andrijic, N. Bolf // IFAC DYCOPS-CAB. - 2011. - P. 54075412.

35. 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.

36. 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.

37. 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.

38. 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.

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

40. 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.

41. 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.

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

43. 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.

44. 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.

45. An innovative neural forecast of cumulative oil production from a petroleum reservoir employing higher-order neural networks (HONNs) / N. C. Chakra, Ki-Y. Song, M. M. Gupta, D. N. Saraf // Journal of Petroleum Science and Engineering. - 2013. - Vol. 106. - P. 18-33.

46. Самотылова, С. А. Применение бутстреп анализа при робастной идентификации параметров модели реакционно-ректификационной колонны / С. А. Самотылова, А. Ю. Торгашов // XXIX Международная научная конференция «Математические методы в технике и технологиях ММТТ-29». - 2016. - Т. 3. - С. 229-230.

47. Разработка прогнозирующей модели в условиях неопределенного времени отбора проб на примере реакционно ректификационного технологического объекта / А. А. Гончаров, С. А. Самотылова, А. Ю. Торгашов, Д. С. Ан // Автоматизация в промышленности. - 2017. -Вып. 12. - С. 49-54.

48. Самотылова, С. А. Построение виртуального анализатора процесса ректификации в условиях малой обучающей выборки данных / С. А. Самотылова, А. Ю. Торгашов // XXXII Международная научная конференция «Математические методы в технике и технологиях ММТТ-32». -2019. - Т. 2. - С. 10-13.

49. Самотылова, С. А. Разработка виртуального анализатора для производства метил-трет-бутилового эфира в условиях ограниченного объема обучающей выборки / С. А. Самотылова, А. Ю. Торгашов // Автоматизация в промышленности. - 2019. - № 6. - С. 35-41.

50. Самотылова, С. А. Алгоритм доформирования обучающей выборки для построения виртуального анализатора показателя качества выходного продукта ректификационной колонны / С. А. Самотылова, А. Ю. Торгашов // Известия Санкт-Петербургского государственного технологического института (технического университета). - 2019. - № 48 (74). - С. 36-41.

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

52. Система усовершенствованного управления установкой первичной переработки нефти: создание, внедрение, сопровождение / Ю. Н. Бельков, Д. Х. Файрузов, Д. В. Кнеллер, А. Ю. Торгашов // Автоматизация в промышленности. - 2013. - № 8. - С. 3-10.

53. Kuhn, M. Applied predictive modeling / M. Kuhn, K. Johnson - NY : Springer, 2013. - 600 с.

54. Data-driven soft sensor development based on deep learning technique / C. Shang, F. Yang, D. Huang, W. Lyu // Journal of Process Control. - 2014. -No. 24. - P. 223-233.

55. Kadlec, P. Data-driven soft sensors in the process industry / P. Kadlec, B. Gabrys, S. Strandt // Computers & Chemical Engineering. - 2009. - Vol. 33. - P. 795-814.

56. Funatsu, K. Applied Chemoinformatics: Achievements and Future Opportunities / K. Funatsu, J. Gasteiger - Weinheim : Wiley-VCH, 2018. -648 p.

57. Kaneko, H. Classification of the degradation of soft sensor models and discussion on adaptive models / H. Kaneko, K. Funatsu // American Institute of Chemical Engineers. - 2013. - Vol. 59, No 7. - P. 2339-2347.

58. Kaneko, H. Adaptive soft sensor model using online support vector regression with time variable and discussion of appropriate hyperparameter settings and window size / H. Kaneko, K. Funatsu // Computers and Chemical Engineering. - Vol. 58. - P. 288-297.

59. Kaneko, H. Adaptive soft sensor based on online support vector regression and Bayesian ensemble learning for various states in chemical plants / H. Kaneko, K. Funatsu // Chemometrics and intelligent laboratory systems. -2014. - Vol. 137. - P. 57-66.

60. Soft-sensor development using correlation-based just-in-time modeling / K. Fujiwara, M. Kano, S. Hasebe, A. Takinami // American Institute of Chemical Engineers. - 2009. - Vol. 55, No 7. - P. 1754-1765.

61. Romagnoli, J. A. Data processing and reconciliation for chemical process operations / J. A. Romagnoli, M. C. Sanchez - CA : Academic Press, 1999.

- 270 p.

62. Ghosh, K. Optimal variable selection for elective statistical process monitoring / K. Ghosh, M. Ramteke, R. Srinivasan // Computers & Chemical Engineering. - 2014. - Vol. 60. - P. 260-276.

63. Pani, A. A survey of data treatment techniques for soft sensor design / A. Pani, H. Mohanta // Chemical Product and Process Modeling. - 2011. - Vol. 6, No. 1. - P. 1-21.

64. Souza, F. Variable and delay selection using neural networks and mutual information for data-driven soft sensors / F. Souza, P. Santos, R. Araujo // Emerging Technologies and Factory Automation. - 2010. - P. 1-8.

65. A multilayer-perceptron based method for variable selection in soft sensor design / F. A. Souza, R. Araujo, T. Matias, J. Mendes // Journal of Process Control. - 2013. - Vol. 23, No. 10. - P. 1371-1378.

66. Ghosh, K. Optimal variable selection for elective statistical process monitoring / K. Ghosh, M. Ramteke, R. Srinivasan // Computers & Chemical Engineering. - 2014. - Vol. 60. - P. 260-276.

67. Industrial PLS model variable selection using moving window variable importance in projection / B. Lu, I. Castillo, L. Chiang, T. F. Edgar // Chemometrics and Intelligent Laboratory Systems. - 2014. - Vol. 135. - P. 90-109.

68. Stochastic k-neighborhood selection for supervised and unsupervised learning / D. Tarlow, K. Swersky, L. Charlin, I. Sutskever, R. S. Zemel // Proceedings of the 30th International conference on machine learning. -2013.

- Vol. 28. - P. 1-9.

69. Hechenbichler, K. Weighted k-nearest-neighbor techniques and ordinal classification / K. Hechenbichler, K. Schliep // Collaborative Research Center 386 : Discussion Paper 399. - 2004. - P. 1-16.

70. Souza, F. Variable and time-lag selection using empirical data / F. Souza, R. Araujo // Emerging Technologies & Factory Automation. - 2011. - P. 1-8.

71. Delgado, M. A neuro-coevolutionary genetic fuzzy system to design soft sensors / M. Delgado, E. Nagai, L. de Arruda // Soft Computing a fusion of foundations, methodologies and applications. - 2009. - Vol. 13, No. 5. - P. 481-495.

72. Development of weightometer soft sensor / X. Pan, G. Metzner, N. Selby, C. Visser, T. Letwaba, K. Coleman // Application of Computers and Operations Research in the Minerals Industries. - 2003. -Vol. 104. - P. 261-166.

73. Xie, L. FIR Model Identification of Mutirate Processes with Random Delay Using EM Algorithm / L. Xie, H. Yang, B. Huang // American Institute of Chemical Engineers. - 2013. - P. 1-41.

74. Zhou, X.-Y. Replace missing values with EM algorithm based on GMM and Naive Bayesian / X.-Y. Zhou, J. S. Lim // International Journal of Software Engineering and Its Application. - 2014. - Vol. 8, No. 5. - P. 177-188.

75. Dempster, A. P. Maximum Likelihood from incomplete data via the EM algorithm / A. P. Dempster, N. M. Laird, D. B. Rubin // Journal of the Royal Statistical Society, Series B. - 1977. - Vol. 39. - P. 1-38.

76. Wu, B. G. On the convergence properties of the EM algorithm / B. G. Wu // The Annals of Statistics. - 1983. - Vol. 11. - P. 95-103.

77. Cateni, S. Outlier detection methods for industrial applications / S. Cateni, V. Colla, M. Vannucci // Advances in Robotics, Automation and Control. -2008. - P. 265-282.

78. Webster, J. G. The Measurement, Instrumentation, and Sensors: Handbook / J. G. Webster - NY : CRC Press, 2004. - 2588 p.

79. 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 // Engineering applications of artificial intelligence. - 2004. - Vol. 17, No. 8. - P. 871-885.

80. Hoaglin, D. Exploring data tables, trends, and shapes. Wiley series in probability and statistics / D. Hoaglin, F. Mosteller, J. Tukey - NY : Wiley-Interscience, 2006. - 527 p.

81. A systematic approach for soft sensor development / B. Lin, B. Recke, J. Knudsen, S. J0rgensen // Computers & chemical engineering. - 2007. - Vol. 31, No. 5. - P. 419-425.

82. Lehmann, R. 3 5-rule for outlier detection from the viewpoint of geodetic adjustment / R. Lehmann // Journal of Surveying Engineering. - 2013. -Vol. 139, No. 4. - P. 157-165.

83. Outlier detection rules for fault detection in solar photovoltaic arrays / Y. Zhao, B. Lehman, R. Ball, J. Mosesian, J.-F. de Palma // Applied Power Electronics Conference and Exposition. - 2013. - P. 2913-2920.

84. Berger, B. Robust Gaussian process modelling for engine calibration / B. Berger, F. Rauscher // Proceedings of the 7th Vienna International Conference on Mathematical Modelling. - 2012. - P. 159-164.