Содержание к диссертации
Введение
ГЛАВА 1. Описание предметной области 11
1.1 Описание технологического процесса пиролиза 11
1.1.1 Общие сведения 11
1.1.2 Цех пиролиза и первичного фракционирования пирогаза 14
1.1.3 Особенности процесса пиролиза как объекта оперативного управления 22
1.2 Информационное обеспечение системы управления 26
1.3 Системы оперативного управления (СОУ) 36
1.3.1 Положение СОУ в иерархии автоматизированных систем управления 36
1.3.2 Классификация методов диагностики 39
1.4 Выводы. постановка задачи исследования 52
ГЛАВА 2. Структура системы оперативного управления 57
2.1. Типовые структуры СОУ 57
2.2 Структура диагностической модели 59
2.3 Структура фреймов диагностической модели 63
2.4 Структура модуля мониторинга и диагностики 66
ВЫВОДЫ К ГЛАВЕ 2 68
ГЛАВА 3 Разработка алгоритма работы СОУ 70
3.1 Обнаружение нештатных ситуаций 70
3.1.1 Метод главных компонент (МГК) 70
3.1.2 Обнаружение нарушений с использованием МГК 75
3.1.3 Идентификация модели МГК процесса пиролиза 78
3.2 Идентификция нештатных ситуаций в процессе пиролиза 79
3.2.1 Методика идентификации нештатных ситуаций 79
3.2.2 Сбор экспертной информации 81
3.2.3 Фреймы диагностической модели процесса пиролиза 89
3.3 Алгоритмы работы системы 94
3.3.1 Алгоритм вычисления главных компонент 94
3.3.2 Критерии определения близости ситуаций 95
3.3.3 Блок схемы алгоритма работы системы 98
ВЫВОДЫ К ГЛАВЕ 3 105
ГЛАВА 4. Экспериментальное исследование системы оперативного управления 109
4.1 Формирование массива данных для тестирования 109
4.1.1 Оценка качества массивов данных 109
4.1.2 Выбор совокупности нештатных ситуаций для моделирования 114
4.2 Имитационное моделирование работы системы 117
4.2.1 Синтез программы имитационного моделирования 117
4.2.2 Исследование работы системы при нормальном ходе процесса 120
4.2.3 Исследование работы системы при наличии нештатных ситуаций 122
4.3 Программная реализация алгоритма работы системы .141
Выводы к главе 4 149
Выводы 151
Литература
- Описание технологического процесса пиролиза
- Типовые структуры СОУ
- Идентификция нештатных ситуаций в процессе пиролиза
- Формирование массива данных для тестирования
Введение к работе
Развитие производства мономеров (этилен, бензол, пропилен) стимулируется интенсивным ростом российского рынка полимерных материалов. Весь производимый в РФ этилен потребляется внутренним рынком. Увеличение мощностей по выпуску этилена на сегодняшний день является наиболее удачным и перспективным направлением развития нефтехимии. В 2006 году ОАО «Нижнекамскнефтехим» произвел 480 тыс. тонн этилена, в текущем году планируется произвести 520 тыс. тонн этилена, на 2008 год запланировано уже 600 тыс. тонн, а к 2012 году 1 600 тыс. тонн в год.
Эта продукция является базовой для создания других нефтехимических производств. Увеличение объема производства этилена и полимеров дает сырьевую основу для выпуска продукции с высокой добавленной стоимостью (этиленгликоль, этилбен-зол, полиэтилентерефталат, поливинилхлорид, полиэтилен, смолы и др.), что позволит производить широкий спектр промышленных товаров и товаров народного потребления (трубы, стройматериалы, упаковки и т.д.).
Этилен впервые был получен немецким химиком Иоганном Бехером в 1680 году. Начало практическому использованию этих соединений положили классические исследования A.M. Бутлерова и его учеников в области непредельных соединений и особенно созданная Бутлеровым теория химического строения. В 1860 году он установил структурную формулу этилена. Этилен представляет собой бесцветный газ, обладающий слабым, едва ощутимым запахом. Этилен горюч, образует с воздухом взрывоопасные смеси. Уже при температурах выше 350 С этилен частично разлагается на метан и ацетилен. При температуре около 1200 С диссоциирует главным образом на ацетилен и водород. Этилен получают пирогенетическим разложением многих природных соединений, содержащих органические вещества. Процесс пиролиза для получения этилена осуществляется в печах различного устройства пропусканием газообразных углеводородов или их паров в присутствии катализаторов при температуре 760-780 С. Обычно используются печи трубчатого типа.
Несмотря на длительность периода эксплуатации технологии получения этилена, интерес к этому процессу не исчезает. Исследователи крупной корейской нефтя-
5 ной компании SK Corp и государственного химического института разработали крекинг процесс отделения этилена и пропилена при более низкой температуре. Новая технология, которая называется Advanced Catalytic Olefin (АОС), обеспечивает температуру меньше чем 700 С. Производительность оптимизированных процессов возрастает на 30 %, а потребление энергии уменьшается на 20 %. Работы, связанные с усовершенствованием процесса, продолжаются, а значит можно считать актуальным привлечение современных методов к решению вопросов управления процессом.
Потенциальная опасность технологического процесса получения этилена в широком смысле заложена в самом производстве, которое характеризуется применением токсичных, пожаро- и взрывоопасных продуктов, высоких температур (до 830-855С), открытого пламени, большой массы пирогаза, закалочного масла и пиробензина, пара высокого давления 14,0 МПа (140 кгс/см2) с температурой 520 С, высокой скоростью протекания реакции пиролиза порядка 0,3-0,4 секунды, что в совокупности предъявляет повышенные требования к системе управления производством.
Таким образом, рост мощностей производства этилена и связанных с этим повышение требований к безопасной эксплуатации, повышение требований к качеству выпускаемой продукции, необходимость снижения затрат энергоресурсов, увеличение потребности в этилене как сырье для последующей переработки требуют развития и совершенствования систем управления.
Управление процессом получения этилена в основном базируется на поддержании регламентных показателей работы печей пиролиза, теплового и материального балансов установки. Технологический процесс получения этилена характеризуются повышенной энергоемкостью и подвержен несанкционированным возмущениям, связанным с суточными и сезонными изменениями температуры, энергетическими потерями в магистралях и оборудовании, а также с изменением состава исходного сырья - прямогонного бензина и накоплением кокса в трубопроводах печи и испарительных поверхностях закалочно-испарительных аппаратов.
Сложность технологической схемы, основного технологического оборудования и взаимосвязь параметров управления приводят к возникновению множества неожиданных, нештатных ситуаций, способных привести к развитию аварийных состояний на процессе. Отсутствие модели поведения процесса в нештатных ситуациях, а также наличие различного рода возмущений приводит к необходимости непрерывного мо-
ниторинга процесса. Управление процессом в этих условиях осуществляется эмпирическими методами, т.е. на основании опыта технологов и операторов. Следует отметить, что различные нештатные ситуации, часто имеют сходные условия проявления. Условия информационной перегрузки способствуют несвоевременному обнаружению предпосылок аварий обслуживающим персоналом и причиною ошибочных решений по управлению процессом. Действие системы защиты в таких условиях сводятся в основном к отключению оборудования и переводу процесса в безопасный режим, что ведет к экономическим потерям предприятия.
В этих условиях важной и актуальной становится проблема разработки автоматизированной системы оперативного управления на основе непрерывной диагностики (мониторинга) технологического процесса и режимов работы оборудования, способной по результатам контроля объекта выявить возникновение неисправности или нарушения режима, а главное выдавать рекомендации по их устранению оператору до явного проявления нештатной ситуации. Такая система базируется на комбинации принципов ситуационного управления и диагностики. Диагностическая модель системы строится на основе эмпирической и теоретической информации о процессе, при этом используются теоретические знания о предметной области и экспертные знания о конкретном технологическом процессе. В законченном варианте система управления и диагностики представляет собой подсистему АСУ ТП и реализует функции управления в нештатных ситуациях. В иерархии управления процессом она занимает промежуточное положение между системой регулирования и системой защиты, логично дополняя или предваряя действия последней.
В рамках диссертационной работы поставлены и решены следующие задачи:
исследован процесс пиролиза, выделены наиболее опасные участки, оценена степень его автоматизации;
осуществлен сбор, обработка и анализ экспертной информации, проведено ранжирование возможных нештатных ситуаций по степени опасности и скорости развития;
обосновано применение комбинированного метода диагностики: мониторинг процесса предложено проводить на базе статистического анализа с использованием метода главных компонент (МГК), а определение причин нарушений - на базе экспертной информации;
сформирована диагностическая модель процесса и проведена ее идентификация;
разработан алгоритм работы системы, осуществляющий:
- непрерывный мониторинг процесса методом «движущегося» МГК по
двум моделям, различающимся периодом адаптации;
- определение причины нарушения - по двухуровневой фреймово-
продукционной модели;
6. проведена проверка работоспособности системы методом имитационного моде
лирования.
Диссертационная работа состоит из введения, четырех глав, выводов по работе, списка литературы и приложений.
Во введении обоснована актуальность темы диссертационной работы, сформулирована ее цель, изложены основные научные результаты и дана краткая характеристика ее содержания.
В первой главе приведен аналитический обзор состояния проблемы и определены основные направления исследования. Кратко описан процесс пиролиза, рассмотрены его особенности как объекта оперативного управления, рассмотрены причины потенциальной опасности процесса. Проведен анализ существующей системы управления процессом пиролиза. Показано место СОУ в иерархии систем управления предприятием, определены основные функции СОУ. Проведен литературный обзор методов диагностики и на его основе выбран комбинированный метод: для раннего обнаружения нештатной ситуации использован мониторинг на базе метода главных компонент (МГК); для идентификации нештатных ситуаций - экспертная система реального времени.
По результатам аналитических обзоров сформулированы цели и задачи исследований, направленные на решение этих проблем.
Во второй главе рассмотрена структура СОУ. Выполнение системой функций мониторинга и диагностики осуществляется на базе диагностической модели, состоящей из двух блоков. Первый блок содержит модель МГК и служит для осуществления мониторинга. Для построения второго блока модели применена двухуровневая фреймово-продукционная структура. Нештатные ситуации с одинаковыми основными симптомами (но разными причинами возникновения) группируются в дочерних
8 фреймах, которые в свою очередь, связаны с корневыми фреймами, объединяющими знания о всех возможных нештатных ситуациях на данном участке процесса, выделяемом при декомпозиции процесса. Сами нештатные ситуации описываются продукционными правилами, в условной части которых содержатся диагностические показатели, а антецеденте - причины (диагноз) и рекомендации по их устранению. Этот блок диагностической модели процесса пиролиза находится в базе знаний СОУ.
В третьей главе приводится краткое описание метода главных компонент (МГК). Рассмотрены достоинства и недостатки метода главных компонент (МГК). Мониторинг состояния процесса проводится контролем двух статистики Т2 и Q.
Второй блок диагностической модели процесса пиролиза построен на базе экспертной информации, собранной с использованием опросных листов. Сформирована структура диагностической модели, составлен список диагностических показателей, установлены эксплуатационные пороги, весовые коэффициенты и определены степени опасности развития каждой нештатной ситуации.
Проведена декомпозиция контролируемого процесса на 11 участков процесса, связав с ними все возможные нештатные ситуации. На основе анализа причинно-следственных связей в рамках одной структурной единицы декомпозиционного разбиения выделены совокупности групп нештатных ситуаций (макроситуации), которые схожи по направлению развития и способу ликвидации.
Применена модификация «движущегося» МГК, учитывающая особенности процесса пиролиза - наличие резко различающихся по скорости нарастания нештатных ситуаций.
Рассмотрены критерии оценки близости текущей ситуации к ситуациям, декларированным в правилах диагностической модели. Для экспериментального исследования выбраны модифицированный критерий на базе Евклидова расстояния, критерии, использующие пересечение и скалярное произведение векторов параметров сравниваемых ситуаций. Разработана блок-схема алгоритма работы системы при обнаружении и идентификации нештатных ситуаций.
В четвертой главе описана методика и результаты исследования СОУ методом имитационного моделирования в среде Matlab. Создано приложение для исследования алгоритма работы СОУ в среде Matlab. Смоделированы ситуации относительно медленно развивающиеся и имеющие ряд одинаковых симптомов. Исследова-
9 ния проведены с использованием массивов реальных данных, полученные из рабочих журналов работы печи Е-ВА-114.
Программный модуль, реализующий алгоритм работы системы, написан в среде Delphy и протестирован в пошаговом режиме.
В приложении приведены зоны ответственности СОУ на диапазонах изменения основных диагностических параметров, корневые и дочерние фреймы диагностической модели.
Научная новизна состоит в следующем.
Предложен комбинированный метод диагностики нештатных ситуаций на процессе пиролиза углеводородов: раннее обнаружение факта возникновения нарушения производится во время непрерывного мониторинга процесса с использованием метода главных компонент, а определение причины его возникновения - диагностической экспертной подсистемой реального времени.
Разработана диагностическая модель процесса пиролиза, состоящая из двух блоков: модели метода главных компонент, формируемой на участке нормального протекания процесса, и двухуровневой фреймово-продукционной модели, где корневые фреймы объединяют знания о нештатных ситуациях на участке процесса в зоне ответственности фрейма, а дочерние фреймы - знания о группах ситуаций, имеющих одинаковые основные симптомы, но вызываемые разными нарушениями, представленными в модели продукционными правилами.
Разработан алгоритм функционирования системы, осуществляющий непрерывный мониторинг процесса по двум моделям метода главных компонент с разными периодами адаптации, что позволяет производить раннее обнаружение как быстро, так и медленно развивающихся нештатных ситуаций (таких, как закоксованность); определение причин нарушений производится оценкой степени близости текущей ситуации на процессе с декларированными в правилах диагностической модели.
Практическая значимость и реализация результатов работы.
Полученные в диссертационной работе результаты имеют прикладное значение для решения задач диагностики и оперативного управления процессами пиролиза в условиях действия значительных возмущений, вызывающих выход процесса из регламентного режима. Алгоритм работы и структура диагностической модели могут быть использованы для аналогичных процессов. В ходе исследований основным объ-
10 ектом была печь пиролиза Е-ВА-114 завода этилена ОАО «НИЖНЕКАМСКНЕФТЕХИМ». Материалы по разработанной системе переданы, для рассмотрения и применения в разрабатываемых системах автоматизации, в компанию «Иокогава Электрик СНГ» Москва.
Описание технологического процесса пиролиза
Процесс пиролиза является процессом термического разложения сырьевых углеводородов (прямогонный бензин, этан, бутан-пропан) с целью получения пиролиз-ного газа. Пиролизный газ представляет собой сложную смесь углеводородов, начиная от водорода (Нг), метана (СН4), этилена (С2Н4), пропилена (СзН6), фракций С4, С5, С6 и кончая углеводородами Ci6H28 (тяжелая смола пиролиза). Процесс термического разложения углеводородов происходит в трубчатой печи пиролиза. Печи относятся к наиболее ответственному оборудованию в отношении опасных факторов производственного процесса пиролиза.
Для исследования была выбрана печь пиролиза поз. Е-ВА-114 тип SRT-VI НС, как самая современная и высокопроизводительная печь установки пиролиза. Печь пиролиза поз. Е-ВА-114 относится к числу печей высокотемпературного пиролиза (820-855 С) с коротким временем пребывания сырья в змеевиках (0,3-0,4 сек.). Тип печи обозначается как SRT ("Short Residence Time") - короткое время пребывания, НС ("High Capacity") - высокая производительность по сырью. Сырьем для печи является прямогонный бензин. Конструктивно печь состоит из корпуса, кожуха, конвекционной и радиантной секции, горелок, дымовой трубы.
Опасными факторами являются наличие открытого пламени внутри печи и проходящие внутри печи трубы с бензином, а также наличие разводки трубопроводов с топливным газом возле каждой печи. Под большой температурной нагрузкой работают и закалочно-испарительные аппараты печей, которые выполняют двойную функцию: охлаждают пирогаз, подаваемый на первичное фракционирование и служат для получения пара высокого давления. Давление котловой воды, подаваемой для получения пара высокого давления достигает 14,2 МПа(142 кгс/см ).
Печь пиролиза работает циклически: стадия пиролиза сменяется стадией де-коксования (выжига кокса в радиантных змеевиках). Длительность рабочего цикла печи поз. Е-ВА-114 составляет 700-1440 часов. Критерием перевода печи пиролиза с режима пиролиза на режим декоксования (выжига кокса в радиантных змеевиках) является повышение температуры стенки радиантных змеевиков до предельно допус тимой, а также достижение предельно допустимой температуры пиролизного газа после закалочно-испарительных аппаратов.
Химизм процесса пиролиза. При пиролизе прямогонного бензина выход продуктов в пирогазе зависит от температуры пиролиза, состава сырья и т.д. В составе пирогаза, выходящего из печей пиролиза бензина, кроме газовых компонентов (Н2, СН4, С2Н4, С2Н6, С2Н2, С3Н6, С3Н8, С3Н4, С4) содержатся также жидкие продукты пиролиза (углеводороды С5 и выше).
Основным компонентом жидких продуктов пиролиза являются ароматические и алкилароматические углеводороды. Ароматические углеводороды образуются на поздней стадии термического разложения, когда в зоне реакции имеются в достаточной концентрации низшие олефины - этилен и пропилен.
Твердая пленка из углерода, адсорбированная на внутренней поверхности ра-диантного змеевика, называется пиролизным коксом.
Процесс пиролиза проводится при температуре 800-ь855С в присутствии пара разбавления. Соотношение сырья и пара разбавления подбирается в зависимости от вида сырья пиролиза и поддерживается для печи пиролиза бензина поз. Е-ВА-114 в соотношении 1:0,6. При этом пар разбавления выполняет три основные функции:
1. Снижает парциальное давление углеводородов, благодаря чему увеличивается селективность процесса в направлении увеличения выхода низших олефи-нов (этилена, пропилена).
2. Снижает парциальное давление высоко кипящих ароматических углеводородов в зоне высокой конверсии, что уменьшает образование кокса в змеевике пиролиза и смол на теплообменных поверхностях труб ЗИА.
3. Окисляет поверхность металла труб, из-за чего значительно снижается каталитическая активность железа и никеля, ускоряющих реакцию разложения сырьевых углеводородов до углерода, СО и СОг.
С утяжелением сырья роль пара разбавления существенно возрастает. С увеличением расхода пара на разбавление снижается коксообразование и возрастает выход легких олефинов.
Особенности пиролиза прямогонного бензина. Процесс пиролиза бензина на печи типа SRT- VI -НС поз. Е-ВА-114 протекает при температуре на выходе из печи 825- 840С и разбавлении паром до 0,6 от расхода сырья.
В бензиновых фракциях содержится до 200 компонентов, которые можно сгруппировать в парафины, изопарафины, нафтены, ароматические и олефины (непредельные). Максимальный выход этилена имеет место при пиролизе н-парафинов. Выход этилена далее снижается в ряду: парафины разветвленные с одной боковой СН3-группой, нафтены, парафины с тремя боковыми группами, ароматические углеводороды. С повышением плотности сырьевого бензина выходы этилена будут снижаться, однако выход тяжелой смолы пиролиза будет увеличиваться до 6-7 % (вес).
Типовые структуры СОУ
Для выполнения перечисленных в разделе 1.3 функций могут использоваться СОУ различных структур. В большинстве своем структуры СОУ имеют модульное строение. При этом каждый модуль выполняет какую-либо одну и несколько функций системы, однако, как правило, структура системы не имеет открытого характера и не может быть изменена в процессе эксплуатации.
На рисунке 8 приведена структура СОУ, разработанная фирмой Yokogawa и признанная едва ли не стандартом в мире [73]
Модуль получает информацию о текущем состоянии процесса из SCADA-системы и, кроме того, дополнительную информацию (о текущей стадии процесса, включенной нитке оборудования и т.п.) от оператора или от других модулей СОУ. Система мониторинга производит обнаружение нарушений и вычисляет диагностические показатели, а система диагностики определяет причины возникших нештатных ситуаций на процессе и выдает рекомендации по их устранению оператору. Однако право их применения принадлежит оператору: он решает, какие управления следует нанести на объект для возвращения его в регламентные рамки.
Архитектура, приведенная на рисунке 9, проста, логически понятна и будет использована в данной работе.
В разделе 1.3.2 было показано, что наиболее эффективно использование комбинированной диагностической модели и намечены перспективные подходы к ее построению. Обнаружение факта возникновения нештатной ситуации на процессе предложено производить осуществлением непрерывного мониторинга процесса в пространстве главных компонент. Это позволяет существенно снизить размерность модели и упростить организацию мониторинга.
Однако метод МГК, как будет подробнее показано в разделе 3.2.1, не дает возможности уверенно идентифицировать нарушение, особенно если оно вызывает изменение сразу нескольких переменных. Поэтому определение причин, вызвавших нештатную ситуацию, предполагается проводить на базе информационных диагностических моделей, строящихся с использованием экспертной информации, что объясняется отсутствием математических описаний нештатных ситуаций для контролируемого процесса пиролиза углеводородов.
Таким образом, реализуется комбинированный подход для выполнения операций мониторинга и диагностики, что предполагает и использование комбинированной диагностической модели.
Составляющая диагностической модели, используемая для мониторинга, как будет показано ниже (см. раздел 3.1), включает вычисленные по данным с процесса, полученным при его нормальной работе, главные компоненты и их число, а также пороговые значения для статистик, по которым собственно и производится мониторинг.
Вторая составляющая модели имеет более сложную структуру. Ввиду большой размерности модели, определяемой сложностью объекта и большим количеством возможных нарушений, удобно использовать иерархическую структуру модели. При этом для удобства компоновки знаний целесообразно применить фреймово-продукционную структуру представления знаний в модели.
Из различных способов представления знаний в ЭС наиболее часто используются продукционные правила и фреймы [53-55]. Продукционные модели представления знаний представлены совокупность правил вида: Если А, то В или Предпосылка/действие.
Продукционные правила могут быть простыми (одно условие - одно следствие), составными (несколько условий - несколько следствий), фокусирующими (не сколько условий - одно следствие) и разветвляющимися (одно условие- несколько следствий).
По способу поиска решения различают продукционные системы с прямым и обратным выводом. Прямой вывод заключается в пошаговом поиске заключения на основании имеющихся данных. Выполнение условия приводит к признанию истинности следствия и обновлению базы данных, которое заключается в добавлении в нее следствия в качестве факта. В случае невыполнения условия поиск прекращается в этом направлении и возобновляется в другом. Недостаток этого способа заключается в необходимости перебора всех правил, даже не имеющих отношения к конечной цели.
Правила просты в понимании, их легко создавать, пополнять, модифицировать, удобен механизм логического вывода. Однако при их использовании существует сложность оценки целостного образа знаний, остается неясность взаимных отношений правил и существенно замедляется скорость вывода при решении крупномасштабных задач.
Фреймовые модели представления знаний позволяют объединить знания различных типов, что является их основным преимуществом. Фрейм фактически представляет собой рамку с набором слотов - мест, где группируются знания. Общую схему фрейма можно представить следующим образом (рисунок 10)
Идентификция нештатных ситуаций в процессе пиролиза
Построение модели МГК состоит в вычислении по исходной матрице измеренных значений переменных процесса X матрицы нагрузок (главных компонент) Pq и проекций на них исходных данных (матрицы счетов) Т, например алгоритмом NIPALS [37, 38] или вычислением собственных векторов (используя выражение (8)).
Далее должно быть определено число главных компонент q, учитываемых моделью. В литературе предлагаются различные способы определения числа главных компонент, которые нужно учитывать при построении модели. Т.к. предполагается, что главные компоненты, соответствующие малым или нулевым собственным числам, отображают шумовые составляющие процесса и должны не учитываться в модели. Проблема выбора числа компонент в модели очень важна, т.к. при малом числе компонент модель получается грубой, а при большом - модель учитывает шумовые составляющие и не обеспечивает снижение размерности.
Наиболее часто определяется доля CPV общей дисперсии исходных данных, объясняемая первыми главными компонентами [41]. Если эта доля достигает CPV 90% и более, то считается, что модель адекватно описывает корреляционные связи переменных в процессе: Z 4 Л / w г -iv,«v W у )% (17) где р - число переменных, 5а - i-ый собственный вектор ковариационной (или корреляционной -при нормировке данных на СКО) матрицы S массива данных X. При очень большом уровне шума в исходных данных этот критерий дает завышенные оценки количества компонент, которые необходимо учесть в модели МГК. По выражениям (12) и (15) рассчитываются пороговые значения CQ и Ст для статистик Q и Т2. Полученные выражения: матрицы X [nxm], Pq [qxq], Т [nxq], значения порогов CQ и СТ и образуют модель МГК.
Естественно, что если для обнаружения нарушения использован метод МГК, то желательно его использовать и для идентификации нештатной ситуации (определению причин, приведших к возникновению этой ситуации). В литературе описано несколько методов идентификации обнаруженных нарушений МГК [41-46]. Наиболее часто используются направления главных компонент и диаграммы вкладов переменных в статистику, показавшую наличие нарушения.
Векторы PC описывают доминирующие направления ковариации во всем массиве данных. Диаграммы вклада описывают доминирующие источники вариаций для единственной выборки или подмножества выборок. Эти методы предполагают, что наиболее вероятный источник нарушения тот, который вносит наибольший вклад в вектор PC. Вклады переменных в статистики Q и Т2 определяются следующими выражениями , 45]. Полный вклад переменной х;- в статистику Т2 определяется как: CTU) = YLCT{UD (18) где Cj(i, j) - вклад переменной xj в один из счетов tj, которые превысили пороговое значение: Вклад в статистику Q переменной x; будет равен у -тому члену под знаком суммы в выражении (14): CQ(J) = (XJ-XJ)2 (20)
В то же время, как следует из выражений (18) и (19), вкладу -той переменной в статистику Т2 легко не определяется, если только с нарушением не связан только один главный компонент. Хотя статистика Т2 всегда положительна вклады переменных в нее по (19) могут быть разных знаков. Однако на практике только несколько переменных, чьи вклады положительны и велики, показывают на нарушение [47].
Однако, эти методы работают наиболее эффективно для простых нарушений [48, 49], т.е. таких, которые имеют единственную четко определенную причину и не проявляются где-либо в другой части процесса. Например, отказ одного датчика, не входящего в замкнутый контур (контур регулирования) является простым нарушением и диаграмма вкладов уверенно укажет на отказавший датчик.
Напротив, сложные нарушения затрагивают многие измеряемые переменные. Серьезные изменения в ходе процесса обычно приводят к сложным нарушениям. Кроме того, даже простое нарушение датчика может стать сложным нарушением при наличии системы регулирования с обратной связью [42].
Второй вариант идентификации нарушений предполагает вычисление индексов сходства между моделью текущей ситуации и моделями возможных нарушений [50-51], чтобы обнаружить изменения в ходе процесса, должны быть определены модели МГК, представляющие нормальный эксплуатационный режим, и проверены различия между ними и моделями, представляющими текущий режим, для оценки изменения І-го PC используется индекс А,: Ai{k) = l-wi{k)Twi ю (21), где W; (к) - і-й PC, рассчитанный для к-той выборки, и W;0 - і-й PC, рассчитанный для нормальной ситуации на процессе и определенный из нормальных рабочих данных. И Wj и WJO - единичные векторы. Когда і-й PC, представляющий текущий режим, эквивалентен своему «нормальному» PC, Ai становится нулевым. Ai равен единице, когда Wj ортогонален к wi0.
Предполагается, что в системе собраны модели МГК для всех возможных нештатных ситуаций на процессе. Та ситуация, которая дает меньшее значение для индекса Ai и будет наиболее вероятной.
Сложность применения этого метода заключается в трудности получения данных, связанных со всеми возможными нештатными ситуациями и построения для них соответствующих моделей МГК. К сожалению это редко доступно, так как возможности выполнения активного эксперимента на реальных процессах очень проблематичны, а ждать пока в ходе пассивного эксперимента произойдет та или другая нештатная ситуация и собрать необходимую статистику - еще более проблематично, т.к. это может потребовать неопределенно большого времени.
Все сказанное делает применение моделей МГК для идентификации причин нештатных ситуаций целесообразным для простых нарушений, проявляющихся в изменении одной переменной. Таким образом, для сложных нарушений целесообразно применение иных методов. На основании данных обзора (раздел 1.3.2) для идентификации предложено использовать экспертную информацию. В этом случае построение соответствующей составляющей диагностической модели по структуре, рассмотренной в разделе 2.3, требует сбора и обработки экспертной информации.
Формирование массива данных для тестирования
Список переменных, записи значений которых были использованы в имитационном моделировании, включает следующие позиции: температура пирогаза на выходе радиантной зоны змеевика 1 (ТВых); давление пирогаза на входе в радиантный змеевик 1 (Рвх); расход бензина на входе в первый змеевик (FBBX); содержание кислорода в дымовом газе (С02); давление пирогаза перед ЗИА 1 (РВЗИА); расход пара разбавления на входе в первый змеевик (Frmx); температура пирогаза на выходе из ЗИА 1 (ТЗИАВ) Для проведения исследования системы из общего массива данных, полученных за период с 01.11.2005 по 31.12.2005, было сформировано 48 массивов по выбранным 7-ми переменным.
Согласно алгоритма «движущегося» МГК, заложенному в разрабатываемую систему оперативного управления, для начала необходимо иметь массив данных, со
держащих значения переменных процесса при нормальном режиме работы установки. Т.к.все массивы фактически соответствовали нормальному функционированию процесса, то для моделирования были приняты два из них, содержащих заметную динамику изменения переменных. Временное окно было принято равным N=1400 шагов.
Предварительный анализ исходной информации показал, что данные сильно зашумлены (рисунок 17). Если уложить эти шумовые эффекты в диапазон нормальной работы установки, то по большинству переменных они будут не особенно заметны, однако, по таким важным параметрам, как температура пирогаза на выходе ради-антной зоны змеевика ТВых и давление пирогаза на входе в радиантный змеевик 1 (Рвх) они значимы (рисунок 18).
Поэтому для устойчивой работы системы необходимо ввести предварительную фильтрацию данных, т.к. в противном случае могут возникать ложные срабатывания. Для фильтрации был использован комбинированный фильтр, представляющий последовательное соединение фильтров скользящей медианы и экспоненциального сглаживания [69]. Первый позволил отфильтровывать не очень протяженные выбросы, а второй - производить достаточно эффективное подавление флуктуацион-ных шумов.
Алгоритм скользящей медианы реализует следующее выражение. Xi = med (Xj.k), k = [0, 2m] (42)
Под медианой med X понимается значение среднего члена вариационного ряда, т.е. упорядоченной выборки, расположенной в порядке возрастания членов. Значение медианы выборки X объема (2т+1) приписывается последнему отсчету выборки (при поступлении (2т+1)-го отсчета первый отсчет отбрасывается).
Фильтр экспоненциального сглаживания включается после фильтра медианы и реализует выражение: Xi = (l-y)XiV + yXi, (43) где Xj и x;_i - сглаженные значения сигнала на і-том и (і-І)-ом шагах работы фильтра, X; - измеренные значения переменной, у є [0, 1]- коэффициент, управляющий работой фильтра (чем меньше значение у, тем лучше сглаживание, но больше искажения сигнала, поэтому ниже принято у= 0,1).
Результаты осуществления фильтрации для выбранного массива X представлены на рисунке 19. Как видно, в результате фильтрации практически не исказилась форма сигнала, а были подавлены высокочастотные помехи. Чтобы остаточные всплески не внесли сбоев и ложных обнаружений в работу системы, в алгоритм поиска нарушений вводится счетчик последовательных срабатываний системы, т.е факт нарушения будет принят во внимание, если в течении, например, 5 шагов будет наблюдается превышение статистиками Q и Т2 пороговых значений.
Из нештатных ситуаций, входящих в диагностическую модель и приведенных во фреймах Приложений Б и В, для проведения исследования были выбраны три пары конкурирующих между собой ситуаций, т.е. ситуаций имеющих общие диагностические показатели и наиболее трудных для распознавания.. Все они относятся к корневому фрейму FrKi «Нарушение в пиролизном змеевике 1»
Ситуации первой пары S1 и S2 прописаны во втором дочернем фрейме FrDi 2 «Нарушение герметичности змеевика 1». Общим диагностическим показателем для ситуаций S1 и S2 будет: увеличение содержания кислорода в дымовом газе (Со2І" 0,5%).
Ситуация S1 - Попадание в змеевик воды с паром разбавления. Дополнительными показателями, сопровождающими появление этой ситуации, будут: снижение давления пирогаза перед ЗИА (РВЗИА 0,08 МПа) нормальные расходы бензина и пара разбавления на входе в змеевик (FBBx 4600 кг/ч и FnBxt 2400 кг/ч).
Ситуация S2 - Прогар змеевика Дополнительным показателем этой ситуации будет: снижение расхода бензина на входе в змеевик (FBBx 4500 кг/ч). Ситуации второй пары S3 и S4 описывают причины перегрева радиантной секции змеевика и принадлежат первому дочернему FrDu «Перегрев змеевика 1 радиантной секции». Общим диагностическим показателем для ситуаций S3 и S4 будет: рост температуры на выходе змеевика (TBb]Xt 850С), Ситуация S3 - Коксование в змеевике. Дополнительный показатель: рост давления на входе в радиантную секцию (Рвх 0,46Па) Ситуация S4 - Снижение количества бензина, подаваемого в змеевик Дополнительный показателем этой ситуации будет: снижение расхода бензина на входе в змеевик (FBBX 4500 кг/ч).
