Full Text

Введение. Теоретическим и прикладным основам методов моделирования и идентификации технологических объектов посвящено множество работ [1-7]. При этом в настоящее время отмечается значительный спрос на внедрение стратегий улучшенного управления технологическими процессами и технологий упреждающего управления по моделям [8-10]. Такой подход требует построения моделей технологических процессов и постоянной их актуализации. Одна из проблем активной идентификации наиболее распространенной и надежной методики идентификации заключается в технических ограничениях возможности ее применения. Ограничения, как правило, вызваны невозможностью физической реализации испытательного сигнала на входе объекта или недопустимостью отключения системы управления технологическим объектом для проведения экспериментов [11, 12]. Необходимо внедрение систем автоматического построения моделей с непрерывной их адаптацией. При этом важно избегать вмешательства в работу технологического объекта и работу системы управления. Известные методы моделирования и идентификации по результатам пассивного наблюдения не позволяют построить адекватную математическую модель технологического объекта. Разработка методов моделирования и идентификации многопараметрических технологических объектов, позволяющих минимизировать вмешательство исследователя в работу технологических процессов, является актуальной задачей [13, 14]. Применение технологии искусственных рекуррентных нейронных сетей с запаздыванием позволяет использовать преимущества методов пассивного эксперимента для моделирования многопараметрических технологических объектов, минимизирует вмешательство исследователя в технологический процесс и работу системы управления на этапе сбора данных об испытуемом объекте, не требуя конкретных форм испытательных сигналов. Также такой подход позволяет автоматизировать процесс адаптации модели к изменениям в технологическом режиме. Разработке теоретических и прикладных основ технологии искусственных нейронных сетей, вопросам их применения в задачах моделирования динамических объектов посвящены работы [15-18]. Проведенные исследования на имитационных объектах по применению нейронной сети для параметрической идентификации динамических объектов показали корректность изложенного подхода [19-20]. В настоящей статье показаны результаты исследования подхода на данных с реального промышленного объекта - установки замедленного коксования нефтеперерабатывающего предприятия. Пример идентификации каналов технологического объекта. Исследован теплообменник для выработки пара узла охлаждения кубового остатка установки замедленного коксования нефтеперерабатывающего предприятия (рис. 1). Кубовый остаток поступает на вход теплообменника для выработки пара. Регистрируются температура кубового остатка на входе и выходе теплообменника, расход пара, уровень котловой воды и давление в теплообменнике. Для прогнозирования температуры кубового остатка на выходе теплообменника по данным регистрации технологических параметров строится нейросетевая модель. Собраны тренды регистрируемых параметров, описывающие протекающие в теплообменнике процессы, в течение 18 ч с периодом записи 1 с (рис. 2). Рис. 1. Схема теплообменника: t1 - температура кубового остатка до теплообменника; t2 - температура кубового остатка после теплообменника; p - давление в теплообменнике; l - уровень котловой воды; f - расход пара Рис. 2. Экспериментальные данные Построены взаимокорреляционные функции температуры кубового остатка на выходе теплообменника и остальных параметров (рис. 3). Рис. 3. Взаимокорреляционные функции температуры кубового остатка на выходе теплообменника (t2) и остальных технологических параметров (t1, p, l, f) Корреляционный анализ показал, что температура кубового остатка до теплообменника (t1), давление в теплообменнике (p) и расход пара (f1) оказывают влияние на температуру кубового остатка после теплообменника (t2), а уровень котловой воды зависит от температуры на выходе теплообменника. Поэтому уровень котловой воды не используется для построения нейросетевой модели. Входными сигналами неросетевой модели являются: температура кубового остатка до теплообменника (t1), давление в теплообменнике (p) и расход пара (f1), выходным сигналом является температура кубового остатка после теплообменника (t2). Параметры t1, f1, t2 пропущены через фильтр скользящего среднего с длиной фильтра, равной 20. Все параметры прорежены с периодом 5 с и нормированы в соответствии с диапазоном [-1, 1]. По обработанным данным обучена динамическая нелинейная автокорреляционная нейронная сеть [21], которая является рекуррентной сетью с обратной связью и внутренним слоем. Сеть имеет три внешних входа, 10 нейронов в скрытом слое и задержки по входам на 30 тактов (т.е. 150 с). При подаче на вход обученной нейросетевой модели значений входных параметров тестовой выборки (температура кубового остатка на входе теплообменника, расход пара и давление в теплообменнике) модель выдает значения температуры кубового остатка на выходе теплообменника с абсолютной ошибкой, не превышающей 0,7 °C (рис. 4). Рис. 4. Тестирование нейросетевой модели На нейросетевой модели теплообменника для выработки пара узла охлаждения кубового остатка установки замедленного коксования проведен вычислительный эксперимент по определению частотных характеристик каналов передачи технологического объекта (рис. 5). Полученные на нейросетевой модели экспериментальные частотные характеристики аппроксимированы передаточными функциями. Канал «температура кубового остатка на входе в теплообменник - температура кубового остатка на выходе из теплообменника» и канал «расход пара - температура кубового остатка на выходе из теплообменника» аппроксимированы передаточными функциями в виде последовательного соединения апериодического звена первого порядка с звеном запаздывания, а канал «давление в теплообменнике - температура кубового остатка на выходе из теплообменника» в виде последовательного соединения интегродифференцирующего звена с звеном запаздывания. По найденным характеристикам построена имитационная модель технологического объекта в виде передаточных функций (рис. 6). На имитационной модели проведен вычислительный эксперимент с подачей на входы трендов реальных измеренных сигналов с технологического объекта. Рис. 5. Экспериментальные комплексные частотные характеристики: канал: «температура кубового остатка на входе в теплообменник - температура кубового остатка на выходе из теплообменника»; канал: «расход пара - температура кубового остатка на выходе из теплообменника»; канал: «давление в теплообменнике - температура кубового остатка на выходе из теплообменника» На рис. 7 представлены результат тестирования имитационной модели и относительная ошибка предсказания моделью температуры кубового остатка после теплообменника, не превышающая значение, равное 0,007. Имитационная модель технологического объекта в виде передаточных функций с параметрами, найденными предложенным методом, выдает значение температуры кубового остатка после теплообменника с абсолютной погрешностью, не превышающей 1,1 °С при среднем значении 157 °С. Рис. 6. Имитационная модель теплообменника Рис. 7. Тестирование имитационной модели Выводы. Проведенные исследования с промышленным объектом показали, что рассмотренный метод позволяет достаточно точно параметрически идентифицировать технологический объект передаточными функциями. Результаты эксперимента подтверждают аппроксимирующую способность примененной в качестве нейросетевой модели динамической многослойной рекуррентной нейронной сети с обратной связью для условий реальных технологических объектов, а также корректность изложенной методики определения параметров передаточной функции объекта по его экспериментальным частотным характеристикам.

About the authors

A. G Shumikhin

Perm National Research Polytechnic University

A. S. Aleksandrova

Perm National Research Polytechnic University

A. I Mustafin

OOO «Infrastruktura TK»

References

Statistics

Views

Abstract - 20

PDF (Russian) - 14

Refbacks

• There are currently no refbacks.