Full Text

В работах [1, 2] представлен пример статической оптимизации блока подогрева сырой нефти. Решена задача статической оптимизации блока подогрева установки АВТ с актуализацией решения в компьютерно-тренажерном комплексе на нефтеперерабатывающем предприятии с целью оптимизации распределения потоков сырой нефти, поступающей на установку. Для решения задачи статической оптимизации использованы два метода: «метод сканирования» и «метод Бокса». Анализ результатов проведенного вычислительного эксперимента показывает, что оба метода дают одинаковый результат - увеличение температуры нефти на выходе из системы теплообменников блока подогрева. Это позволяет сократить расход топливного газа на установку, т.е. снизить затраты на производство [3]. Применение методов динамической оптимизации позволяет решить задачу оптимального управления распределением потоков нефти при неустановившихся режимах эксплуатации, в частности, при переходе с одного режима функционирования установки АВТ на другой. Для решения этой задачи необходима динамическая математическая модель объекта управления [4, 5, 6, 7]. Для идентификации объекта почти во всех известных способах необходимо задавать тестовые, испытательные воздействия и исследовать выходной сигнал объекта. Во многих случаях нарушение нормального функционирования объекта тестовым сигналом недопустимо [8, 9]. Для этого в работе [10, 11] представлен пример идентификации каналов «вход-выход» с запаздыванием объекта при случайных помехах на входе на основе применения нейронных сетей. Обученная на примерах режимов функционирования технологического объекта модель в виде динамической нейронной сети имитирует его поведение и позволяет получить в вычислительном эксперименте отклик объекта, в том числе и на периодические испытательные воздействия. Значения параметров передаточной функции канала могут быть определены при этом с использованием полученной экспериментальной комплексной частотной характеристики. Объектом исследования является блок теплообмена установки АВТ нефтеперерабатывающего предприятия. Блок теплообмена включает в себя 3 регулируемых потока сырой нефти, 8 потоков теплоносителей, включающих 2 регулируемых потока мазута, и 28 теплообменников, связанных между собой как последовательно, так и параллельно. Структурная схема блока теплообмена показана на рис. 1. Рис. 1. Структурная схема блока теплообмена Для идентификации объекта была построена динамическая нейронная сеть [12, 13, 14, 15, 16, 17]. Использована модель нелинейной авторегрессии с внешними входами [18, 19]. Нейронная сеть имеет 16 внешних входов и 3 выхода. Количество нейронов в скрытом слое - 7. Выходами нейронной сети являются температуры потоков сырой нефти на выходе из блока теплообмена. Коэффициент корреляции между данными, «выгруженными» из АСУ реальной установки, и данными, полученными на обученной нейронной сети, позволяет оценить точность прогнозирования температуры потоков на выходе блока теплообмена. Значение коэффициента корреляции лежит в диапазоне 0,94-0,96. Для оценки точности полученной НС проведен вычислительный эксперимент. Для этого из АСУ ТП взята новая выборка данных и подана на вход НС. Результат расчетов сравним с данными из взятых выборок. На рис. 2 представлены результаты эксперимента по тестированию НС. а б Рис. 2. Результаты тестирования НС: a - расход 1-го потока нефти, и абсолютная погрешность температуры 1 потока на выходе; б - расход 2-го потока нефти, и абсолютная погрешность температуры 2-го потока на выходе С аналогичной точностью (см. рис. 2) получены результаты и по другим каналам вход-выход объекта управления. С целью идентификации объекта на обученной нейронной сети проведен эксперимент по определению частотных характеристик каналов «вход-выход» [20, 21]. Входной синусоидальный сигнал реализован в диапазоне частот ω, равном 0,003-0,08 с-1, с шагом 0,005. В качестве примера на рис. 3 и 4 приведены результаты для каналов: расход 1-го потока нефти - температура на выходе 1-го потока нефти и расход 2-го потока нефти - температура на выходе 2-го потока нефти. Рис. 3. Экспериментальная КЧХ по каналу: расход 1-го потока нефти - температура на выходе 1-го потока нефти Рис. 4. Экспериментальная КЧХ по каналу: расход 2-го потока нефти - температура на выходе 2-го потока нефти Составлено выражение для аппроксимирующей комплексной частотной характеристики (КЧХ) второго порядка по каналам «вход-выход»: (1) приведенное к виду: где N - число экспериментальных точек КЧХ. Задача оценки параметров модели каждого канала по результатам эксперимента с нейронной сетью во всей области исследованных частот решена в соответствии с методикой, приведенной в работе [3], как оптимизационная, с минимизацией отклонения аппроксимирующей КЧХ канала от экспериментальной. Задача сформулирована в виде: (2) Решение задачи минимизации (2) с квадратичной функцией ошибки для каждого из каналов передачи дает для них значение искомых коэффициентов . Решение получено с использованием программной среды компьютерной математики. Полученная передаточная функция по каналу: расход 1-го потока нефти - температура на выходе 1-го потока нефти имеет вид: (3) Функция содержит запаздывание, что затрудняет её непосредственное использование в классических алгоритмах оптимизации динамических процессов. С целью исключения из выражения для чистого запаздывания передаточная функция аппроксимирована разложением её в ряд Паде 3-го порядка. В результате получена передаточная функция, аппроксимирующая функцию (3), вида: (4) Аналогично получена передаточная функция канала расхода 2-го потока нефти - температура на выходе 2-го потока нефти, имеющая вид: (5) и её аппроксимация с разложением в ряд Паде 5-го порядка: (6) При синтезе алгоритма оптимального распределения потока сырой нефти в системе теплообмена полученные модели целесообразно представить в общем виде в форме уравнений пространства состояний: (7) Ниже в матричной форме представлены коэффициенты системы (7), соответствующие коэффициентам передаточной функции (4): (8) и передаточной функции (6): (9) На рис. 5 и 6 представлены графики переходных характеристик исследуемых каналов «вход-выход» объекта для моделей (3)-(9). Рис. 5. Пример переходных характеристик, полученных для 1-го потока нефти с помощью передаточных функций (3), (4), и системы уравнений (7) с коэффициентами (8) Из графиков следует, что все модели практически одинаково эмулируют реакцию каналов передачи на ступенчатое возмущение. Таким образом, в работе представлены результаты исследования по определению динамических характеристик сети теплообмена на основе применения НС в качестве инструмента для решения задачи идентификации. Получены передаточные функции по каналам расходов 1-го и 2-го потоков нефти, поступающей в блок теплообмена, и температура подогретой нефти, затем они преобразованы для целей оптимизации управления в форму уравнений пространства состояний. Исследована применимость нейронной сети для решения задачи идентификации моделей процессов блока теплообмена. Рис. 6. Пример переходных характеристик, полученных для 2-го потока нефти с помощью передаточных функций (5), (6), и системы уравнений (7) с коэффициентами (9) В автоматизированной системе управления установки АВТ имеется возможность обновления по исследуемой методике параметров передаточных функций с минимальным периодом дискретности, равным 60 с. Это позволяет путем адаптации моделей оперативно компенсировать и неконтролируемые возмущения в системе, влияющие на значения параметров передаточных функций. Результаты исследования, предоставленные в данной работе, предназначены для решения задачи синтеза алгоритмов управления потоками сырой нефти. Разработка позволит повысить эффективность работы установки АВТ за счет увеличения степени рекуперации тепла отходящих с установки потоков обращающих продуктов, что, в свою очередь, позволяет снизить расход природного газа.

About the authors

A. G Shumikhin

Perm National Research Polytechnic University

A. O Kolykhmatov

«Industrial cybernetics» LLC

References

Statistics

Views

Abstract - 37

PDF (Russian) - 9

Refbacks

• There are currently no refbacks.