Содержание к диссертации
Введение
Глава 1. Проблематика управления потенциально-опасными производствами в условиях неопределенности
1.1. Специфика потенциально-опасных производств с позиций процессов управления 32
1.2. Методы нечеткого управления производственными объектами в условиях неопределенности
1.3. Анализ технологического процесса сушки барды спиртового производства как объекта управления
1.3.1. Входные показатели исходного сырья
1.3.2. Выходные показатели готового продукта
1.4. Структурная модель процесса производства сухой барды
1.5. Цель работы и задачи исследования
Глава 2. Система управления технологическим процессом сушки барды, как потенциально-опасным объектом
2.1. Анализ взаимодействия структурных параметров сушки барды
2.2. Формализованное описание объекта управления, учитывающее неконтролируемый характер источников внутренних и внешних возмущений
2.3. Гибридные модели прогнозирования потенциально-опасного процесса сушки барды.
2.4. Структура системы управления процессом сушки барды Выводы 83
Глава 3. Алгоритмизация процесса принятия решений на основе аппарата нечеткой логики
3.1. Построение функций принадлежности методом попарных сравнений
3.2. Модели управления процессом сушки барды на основе аппарата нечеткой логики
3.3. Реализация метода ситуационного управления в рамках нечеткой модели принятия решений
3.4. Построение нечеткой ситуационной сети на основе эталонных решений
Выводы
Глава 4. Программная реализация моделей принятия решений и результаты практической апробации
4.1. Структура программного комплекса принятия решений
4.2. Пользовательский интерфейс
4.3. Результаты апробации программного комплекса в условиях потенциально-опасного процесса сушки барды
Заключение
Библиографический список
- Анализ технологического процесса сушки барды спиртового производства как объекта управления
- Структурная модель процесса производства сухой барды
- Формализованное описание объекта управления, учитывающее неконтролируемый характер источников внутренних и внешних возмущений
- Результаты апробации программного комплекса в условиях потенциально-опасного процесса сушки барды
Введение к работе
Актуальность темы. В современных условиях в рамках систем управления классом сложных производственных объектов, характер функционирования которых является сложно прогнозируемым, существенно повышаются требования к качеству процессов принятия решений. Наличие большого числа неконтролируемых источников внешних и внутренних возмущений в процессе управления технологическими объектами, высокая динамика изменения состояния объектов управления существенно усложняют производственные процессы. К данному классу процессов в том числе относятся потенциально-опасные объекты нефтеперерабатывающей, химической, спиртовой промышленности, металлургические производства и т.д.
Специфика потенциально опасных объектов управления также связана с процессом принятия управленческих решений, оказывающих существенное влияние на качество, эффективность функционирования и безопасность ведения технологических процессов.
Классу потенциально опасных объектов управления свойственны узкие границы функционирования технологических параметров, которые определяются, в первую очередь, требованиями безопасности ведения процесса, эффективного управления за счет экономии ресурсов и энергоносителей, строгим контролем допустимых значений физических параметров управления с целью недопущения их выхода за пределы критических значений, обусловливающих пожароопасные и взрывоопасные состояния. В связи со строгой взаимосвязью параметров управления и косвенных неконтролируемых факторов воздействия на последующее развитие процесса качественное изменение регулирующих параметров требует включения в контур управления моделей, обеспечивающих оперативный прогноз динамики состояния.
В этой связи к системам управления потенциально опасного процесса предъявляются повышенные требования надежности, это определяет наличие значительного количества правил, строгого регламента последовательности и порядка действий в случае возникновения и развития нештатных ситуаций.
В настоящее время широкое распространение получили системы нечеткого моделирования, которые позволяют получать наиболее адекватные результаты по сравнению с традиционными математическими моделями и алгоритмами управления. Системы нечеткого моделирования позволяют описывать качественные, неточные понятия, осуществлять анализ этих данных с целью получения новых параметров.
По сравнению с результатами, основанными на использовании традиционных моделей и алгоритмов управления, нечеткое моделирование
позволяет получать более адекватные результаты и оказывается особенно полезным, когда в описании объектов управления присутствует неопределенность, которая затрудняет или даже исключает применение точных количественных методов и подходов.
Наиболее значимые публикации в области нечеткого моделирования принадлежат Л. Заде, Д. Дюбуа (D. Dubois) и А. Прада (Н. Prade) в области теории нечеткой меры и меры возможности, М. Сугено (М. Sugeno) в части нечеткого вывода и нечеткого интеграла, Дж. Беждека (J. Bezdek) по нечеткой кластеризации и распознаванию образов, Р. Ягера (R. R. Yager) по нечеткой логике. Полученные результаты работ послужили основой для проведения дальнейших прикладных исследований в области практического использования систем нечеткого моделирования в контурах управления сложными и прежде всего потенциально опасными объектами.
Актуальность настоящей работы определена необходимостью качественного повышения уровня безопасного управления потенциально опасными объектами, имеющими нечеткий характер влияния внешних и внутренних воздействий, а также неопределенными параметрами функционирования, за счет разработки специальных моделей и алгоритмов поддержки принятия решений.
Диссертационная работа выполнена в ФГБОУ ВО «Воронежский государственный технический университет» и соответствует одному из научных направлений «Вычислительные комплексы и проблемно – ориентированные системы управления».
Цель исследования - разработка моделей и алгоритмов поддержки принятия решений, ориентированных на повышение эффективности и качества управления потенциально опасным процессом сушки барды спиртового производства, функционирующим в условиях неопределенности.
Задачи исследования:
– осуществить анализ основных неконтролируемых источников внешних и внутренних возмущений, обусловливающих специфику функционирования потенциально опасных объектов;
– разработать модели прогнозирования динамики потенциально-опасных процессов;
– разработать формализованное описание процесса принятия решений, учитывающего неопределенный характер источников внутренних и внешних возмущений;
– разработать набор оптимальных управляющих решений, включающий перечень типовых ситуаций объекта управления, реализованного на основе нечеткой сетевой модели;
– разработать модель принятия решений в условиях нечеткой зависимости между внешними и внутренними воздействиями на объект управления, а также процедуру идентификации альтернативных состояний объекта в процессе принятия управленческих решений;
– разработать программно-информационное обеспечение идентификации состояния объекта управления и интеллектуализации процесса принятия управленческих решений на основе аппарата нечеткой логики.
Методы исследования. Для решения поставленных задач применялись методы системного анализа, теории графов, теории моделирования, теории управления, теории нечетких множеств, нечеткой логики.
Объектом исследования являются потенциально опасные производственные объекты управления, функционирующие в условиях неопределенности, имеющей нечеткий характер.
Предмет исследования – математические модели и алгоритмы принятия управленческих решений на основе реализации аппарата нечеткой логики.
Соответствие диссертации паспорту специальности.
П. 9 Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических, экономических, биологических, медицинских, и социальных объектов.
П. 10 Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических, экономических, биологических, медицинских, и социальных системах.
Научная новизна исследования. В диссертационной работе получены следующие результаты, отличающиеся научной новизной:
предложено формализованное описание процесса принятия решений, учитывающее характер влияния на объект управления неконтролируемых источников внутренних и внешних возмущений, обусловливающих неопределенность состояния объекта управления;
предложена нечеткая модель формирования и принятия управленческих решений в условиях неопределенности, отличающаяся реализацией процедуры стабилизации оптимальных параметров работы потенциально опасного объекта;
разработана гибридная модель прогнозирования динамики состояния потенциально опасного производства сушки барды, отличающаяся комплексной реализацией формирования обобщенного критерия безаварийности;
разработана нечеткая ситуационная сеть, применительно к условиям потенциально опасного процесса сушки барды, представляющая собой нечеткую сетевую модель типовых ситуаций, отличающаяся интерпретацией
типовых ситуаций для каждой вершины сети и возможностью формирования соответствующего набора оптимальных решений;
- разработана модульная структура программного обеспечения, позволяющая интегрировать разработанную модель в автоматизированные системы управления производством.
Практическая значимость. Предложенные в работе модели и алгоритмы специального программного обеспечения информационной поддержки и принятия решений, а также средства, ориентированы на использование в рамках систем управления потенциально опасными объектами, в том числе процессом сушки барды спиртового производства.
Разработанное программное обеспечение является многоцелевым и может быть реализовано в условиях многомерных потенциально опасных объектов с неопределенной или неформализованной структурой управления, функционирующих под активным воздействием неконтролируемых источников внешних и внутренних возмущений.
Предложенное алгоритмическое обеспечение может быть использовано разработчиками систем управления потенциально опасными объектами, реализующими интеллектуальные системы поддержки принятия решений.
Реализация и внедрение результатов работы.
Теоретические результаты работы, а также разработанное программное обеспечение системы управления потенциально опасным процессом сушки барды спиртового производства, внедрены на предприятии ЗАО «Ерофеев», г. Куйбышев Новосибирской области.
Ожидаемый экономический эффект от внедрения достигнут за счет более точного оперативного регулирования, вывода рабочих параметров на предельно допустимые режимы работы (режимы максимальной эффективности), что позволило оптимизировать производственный процесс, увеличить выход продукции в расчете на суточную рабочую смену с показателей 38 тонн сухой барды в сутки до 42 тонн сухой барды.
Результаты исследования внедрены в учебный курс «Моделирование систем управления», «Исследование операций», «Системный анализ», кафедры электропривода, автоматики и управления в технических системах ФГБОУ ВО «Воронежский государственный технический университет».
Апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на следующих научных конференциях: Всероссийской научно-технической интернет-конференции молодых ученых «Прикладная математика, механика и процессы управления», г. Пермь (2013), «Новые технологии в научных исследованиях, проектировании, управлении, производстве», г. Воронеж (2014), интернет-конференция молодых ученых «Прикладная математика, механика и процессы управления», г. Пермь (2014),
«Современные методы прикладной математики, теории управления и
компьютерных технологий (ПМТУКТ-2014)», г. Воронеж, а также научных
семинарах кафедры электропривода, автоматики и управления в технических
системах ФГБОУ ВПО «Воронежский государственный технический
университет», г. Воронеж (2012-2015).
Публикации. По результатам исследования опубликовано 11 научных работ, в том числе 6 - в изданиях, рекомендованных ВАК РФ.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 117 наименований, двух приложений. Основная часть работы изложена на 139 страницах, содержит 41 рисунок, 40 таблиц.
Анализ технологического процесса сушки барды спиртового производства как объекта управления
При известной модели объекта управления, удовлетворяющей условию линейности, данные регуляторы могут быть проанализированы на основе хорошо разработанной линейной теории управления и просты для понимания [6,7].
Разработано большое количество достаточно эффективных методов экспериментальной настройки параметров ПИД-регуляторов под конкретные объекты управления.
Следует, однако, отметить, что для объектов с переменными параметрами, значительным временным запаздыванием, существенными нелинейностями и большими помехами ПИД- регуляторы часто не могут обеспечить необходимого качества управления [7,12].
Традиционные адаптивные системы управления. В адаптивных системах управления параметры закона управления настраивается автоматически в зависимости от складывающейся в процессе управления ситуации [5 - 7, 9].
Адаптивные системы, по сравнению с обычными системами управления, содержат контур самонастройки.
По критерию адаптации можно различать системы с эталонной моделью и системы с экстремальной самонастройкой. В первых из них регулятор адаптируется таким образом, чтобы замкнутая система управления имела свойства, как можно более близкие к заданным – свойствам эталонной модели. Во вторых регулятор адаптируется с целью получить наилучшие в том или ином смысле показатели качества управления.
Контур самонастройки будет разомкнутым, если он не совмещен с регулируемой величиной или параметрами объекта управления, а реагирует на некоторую косвенную величину, от которой зависит выходной сигнал системы. В системах с замкнутым контуром самонастройки либо в контур самонастройки подается сигнал, связанный каким-либо образом с регулируемой величиной, либо регулятор адаптируется в зависимости от параметров объекта управления, которые определяются посредством блока идентификации. Существенным является способ определения информации для самонастройки. Возможны два варианта: с помощью подачи специального воздействия на объект управления, либо путем анализа естественного хода процесса управления.
В связи с этим, различают системы с поисковой самонастройкой и беспоисковые, или аналитически самонастраивающиеся.
Самонастраивающееся ПИД-управление. В таких адаптивных системах параметры ПИД-регулятора настраиваются в зависимости от сигналов внешних возмущений, показателей качества управления или параметров объекта управления.
Другой из традиционных подходов к построению самонастраивающихся систем управления – обобщенное прогнозирующее управление [20]. Суть данного метода состоит в следующем: делается прогноз процесса в системе на длительный интервал времени, далее выбирается стратегия управления, затем данная стратегия, применяется на какое-то определенное время, в следующий момент времени снова делается прогноз, затем выбор стратегии и ее реализация на определенное время; данный цикл постоянно повторяется. Рассмотренный подход эффективен при управлении неминимально-фазовыми, неустойчивыми в разомкнутом состоянии объектами и объектами с неизвестным запаздыванием.
Отметим недостатки адаптивных систем, разработанных согласно традиционным принципам. Большинство алгоритмов адаптации получены при условии отсутствия неконтролируемых возмущающих воздействий и при возможности определения всех параметров объекта в процессе идентификации. Кроме того, практически все алгоритмы адаптации работоспособны лишь, если выполняется гипотеза квазистационарности объекта управления и в течение времени настройки регулятора и отсутствуют исчезающие возмущающие воздействия. Следует также заметить, что существующие алгоритмы адаптации достаточно сложны в реализации, а процесс адаптации часто занимает неприемлемо продолжительно время. Рассмотренные выше системы управления с ПИД-регуляторами, а также адаптивные системы принято относить к традиционным системам управления. В них не применяются современные информационные технологии, такие, как нейронные сети, нечеткая логика, генетические алгоритмы, экспертные системы и ряда других (это можно считать их отличительной особенностью от интеллектуальных систем управления) [7].
Интеллектуальные системы управления – это системы управления способные к “пониманию” и обучению в отношении объектов управления, возмущений, внешней среды и условий работы [7, 21 - 28]. Основное отличие интеллектуальных систем – наличие механизма системной обработки знаний. Главная архитектурная особенность, которая отличает интеллектуальные системы управления от "традиционных" – это механизм получения, хранения и обработки знаний для реализации своих функций.
В основе создания интеллектуальных систем управления лежат два принципа: ситуационное управление (управление на основе анализа внешних ситуаций или событий) и использование современных информационных технологий обработки знаний.
Интеллектуальные технологии между собой различает, прежде всего то, что именно положено в основу концепции интеллектуальности – либо способность работать с формализованными знаниями человека (экспертные системы, нечеткая логика), либо свойственные человеку приемы обучения и мышления (искусственные нейронные сети и генетические алгоритмы). Нейросетевые системы управления. Нейросетевые системы управления – это системы управления, в которых используется архитектура искусственных нейронных сетей и их способность к обучению. Рассмотрим некоторые наиболее известные варианты построения нейросетевых систем управления.
Структурная модель процесса производства сухой барды
Распознавание образа аварийной ситуации в рамках продукционной модели осуществляется с помощью аппарата нечеткой логики. Основу системы распознавания аварийных ситуаций на основе нечеткой логики составляет база знаний, строящаяся по данным опроса экспертов.
Для примера, приведем правила сформированные на основе эвристического анализа для массовой доли влаги: - повышение температуры сушки снижает массовою долю влаги и наоборот, снижение температуры сушки увеличивает массовою долю влаги; - сверхнормативное отклонение температуры сушки приводит к ухудшению качества готовой продукции - при низких температурах барда налипает на шнеках, при высоких подгорает, увеличивается вероятность возгорания продукта; - увеличение подачи сиропа в смеситель повышает массовую долю влаги и содержание белка, при этом нагрузка на приводы сушилок возрастает; - увеличение рециркулируемого продукта снижет массовую долю влаги, снижает нагрузку на приводы сушилок, снижает производительность цеха в целом, приводит к избытку сиропа. Аналогичным образом формируются правила для всех определенных (явных) воздействий на объект управления. База знаний представляет собой множество нечетких правил R(4k = i,...N? вида dk : IF L это A ... AND %n это A jO (14) THEN \yx это B ... AND y m это B 1 к где N - количество нечетких правил, АІ - нечеткие множества сХ.сЛ,К-,и, р к J - нечеткие множества xl5х2,...,хп _ входные переменные продукционной модели, Уі,у2,-,Ут - выходные переменные продукционной модели. Символами ХІ,І = І,...,П и Yj j = i,... m обозначаются соответственно пространства входных и выходных переменных.
Определяемая на этой модели мера близости к аварийной ситуации является, по существу, функцией принадлежности состояния процесса к аварийному состоянию и изменяется в пределах L=[0;1].
При использовании нейронной сети в качестве математической модели распознавания аварийной ситуации обучающая выборка формируется также на основе знаний экспертов при варьировании параметров процесса в границах предельных значений. [66] Используемая для прогнозирования функция y(x) представима в виде: где x,y - векторы входных и выходных переменных сети; Ь, ЬО - векторы настраиваемых параметров (весовых коэффициентов); f(b,bO,x) - функция активации нейронов; / - номер входа в нейрон; j - номер нейрона в слое; г - номер слоя сети; xijr - элемент i вектора х, подаваемый на нейрону в слое г. Тогда процесс обучения -слойной сети можно представить как задачу поиска неизвестных параметров b, ЬО, обеспечивающих такие значения выходным величинам у-(х), которые бы минимизировали ошибку обучения Е: E=YL(y si-y si9i J2- min s j где s - номер обучающей выборки, для которой устанавливается фактическое отображение У; у - эталонное значение отображения O(x) [63]. При подаче на вход сети текущей ситуации происходит её сопоставление с имеющимися эталонными ситуациями и возникает вопрос, считать ли данную ситуацию аварийной или нет. При этом сопоставление происходит не простейшим «наложением» ситуаций, а по некоторым существенным признакам. На основании полученных результатов определяется - является ли данная ситуация аварийной. Вероятно также, что в памяти нейросети может быть не заложена данная аварийная ситуация. Если аварийная ситуация не была распознана, то есть модель впервые столкнулась с ней, то с разрешения оператора она записывается в память - выделяется участок нейронов, который отвечает за эту ситуацию, и в дальнейшем такая ситуация будет распознаваться как аварийная.
Получение на выходах этих моделей однотипной меры близости к аварийной ситуации позволяет осуществить попытку составления композиционной модели, объединяющей в себе достоинства каждой из своих компонент. [67] Анализ рассмотренных моделей позволяет заключить, что: - продукционная модель: обладает хорошими интерполирующими свойствами; способна совершенствоваться по мере накопления данных; экстраполирующие способности хуже, чем у нейросети; - нейросетевая модель: обладает лучшими экстраполирующими способностями по сравнению с продукционной моделью; низкая эффективность при пополнении знаний, когда необходимо ввести новые данные, не разрушая информации, запомненной ранее; - термодинамическая модель: может заблаговременно предупредить об аварийной ситуации, т.е. обеспечивает долгосрочный прогноз; модель требует значительного количества экспериментальных данных, которые не всегда удается собрать в условиях событий, состоявшихся относительно недавно; анализ рядов, составленных из редких значений, дает ошибочную характеристику их поведения.
Таким образом, для достижения наиболее точных прогнозов аварийных ситуаций целесообразно использовать композицию рассмотренных моделей. Композиционный интегральный критерий Выбор критерия, идентифицирующего состояние процесса как критическое, в большинстве случаев невозможно обосновать гарантированно с достаточной степенью вероятности. Критерий объединяющий в себе три модели прогнозирования, является, композиционным интегральным критерием. Каждая система прогнозирования характеризуется своим показателем: для термодинамической модели - показателем персистентности Н, который изменяется от 0 до 1; для продукционной модели - мерой близости к аварийной ситуации L (может принимать значения от 0 до 1); и для нейросетевой модели -функцией степени близости к аварии N (также изменяется от 0 до 1). В то же время естественно предположить, что реакцией системы безаварийного управления на возникновение критического состояния является предельно быстрое воздействие на критический параметр, выявленный средствами диагностики и прогнозирования, с целью приведения его к номинальным пределам, при условии достаточности имеющегося для этого запаса времени tзапаса и времени этого приведения tприв, определяющего быстродействие соответствующего канала управления (регулирования). Отсюда следует, что в качестве искомого критерия состояния может быть предложен некоторый функционал, представляющий суперпозицию показателей каждой модели S=F(H, L, N, tзапаса, пприв), (17) одновременно учитывающий не только текущие значения функциональных показателей процесса, определяющих tзапаса, но и имеющееся в распоряжении системы управления быстродействие tприв. Такой функционал является в указанном смысле интегральным.
Формализованное описание объекта управления, учитывающее неконтролируемый характер источников внутренних и внешних возмущений
Параметр 1 таблицы. Стабилизация температуры входящей барды позволяет качественно изменить процесс сушки. При фиксации контрольными приборами изменения температуры входящей барды следует вносить управляющие воздействия на весь процесс сушки. Изменение объема подачи сиропа косвенно влияет на температуру входящей барды, так как температура сиропа значительно выше температуры кека после разделения на центрифугах.
Сироп из промежуточной емкости подается в смеситель непрерывно. Объем подачи контролируется расходомером в кубических метрах. Чем больше значение этого параметра, тем выше температура исходной барды, а значит, количество тепловой энергии на сушку необходимо снижать. При этом строгой зависимости от изменения этих параметров в экспериментальных условиях выявить не удалось.
Показания контрольных приборов могут расходиться с действительными данными ввиду того, что контроль температуры входящей барды осуществляется над барабаном сушилки, который вносит дополнительные возмущения в показания.
Это означает, что параметр изменения температуры обладает некоторой погрешностью значительной инерционностью динамики изменения. На практике погрешность показаний составляет ±2 0C.
Обозначим интервал поддержания температуры входящей барды [Tmin, Tmax] в определенных пределах которого необходимо выдерживать значение температуры. Примем шаг изменения объема подачи сиропа, изменяющего температуру с увеличением подачи сиропа, составляет 0,1 м3. Число состояний разнице температур примем как Tmax и Tmin. Воздействие, изменяющее объем подачи сиропа обозначим как Rt. Для оказания воздействия на температуру входящей барды используется относительное изменение с помощью объема подачи сиропа. Абсолютное значение не используется, так как прочие параметры производственного процесса могут оказать влияние на данное значение вне зависимости от начальных условий и текущего состояния объекта. Для описания воздействия объема подачи сиропа и оценки относительного изменения температуры, используются лингвистические переменные:
Следует отметить, что регулирование температуры входящей барды за счет изменения только объема подачи сиропа можно в узких диапазонах, так как промежуточная емкость ограничена в геометрических размерах, а упаривание сиропа осуществляется в своих регламентных диапазонах на вакуум-выпарной установке и его объем не может быть оперативно увеличен или уменьшен. Таким образом, регулирование объема подачи сиропа является в своем роде «тонкой подстройкой» температуры.
При необходимости в существенном изменении температуры входящей барды используется возврат сухой барды путем регулирования оборотов шнека рециркулируемой барды.
Описание метода регулирования температуры путем оборотов шнека рециркулируемой барды
Параметр 2 таблицы. Часть горячей (температурой сушки) высушенной барды с помощью шнека рецикла возвращается в смеситель, где смешивается с исходной бардой и сиропом, далее направляется обратно в сушилку. Данный параметр действует следующим образом: при уменьшении количества оборотов шнека рециркулируемой барды, уменьшается температура исходной барды, при увеличении – увеличивается. Вид лингвистических переменных регулирования температуры путем изменения оборотов шнека рециркулируемой барды: Увеличить рецикл, TUрецикл, XUрецикл , где TUрецикл = {«Увеличить», «Значительно увеличить»}, XUрецикл = {1, 2, 3, 4};
Уменьшить рецикл, TDN_T_экстр, XDрецикл , где TDрецикл = {«Уменьшить», «Значительно уменьшить»}, XDрецикл = {-4, -3, -2, -1}.
В связи с тем, что этот параметр для изменения температуры напрямую влияет на производительность всего процесса сушки, увеличение рецикла следует осуществлять в случаях прогнозируемого выхода температуры за пределы нормального функционирования.
Для воздействия данного параметра на температуру входящей барды приведем матрицы отношений.
Для состояний температуры под действием управления «Увеличить рецикл» сформируем матрицу переходов «Увеличить» (табл. 3.2.6).
Параметр 3 таблицы. Соотношение жидкой и твердой фазы после разделения на центрифугах зависит от объема подаваемой барды, чем ниже объем подачи жидкой барды, тем лучше разделение, а содержание влаги в твердой фазе ниже. В конечном итоге повышенное содержание влаги в исходной барде приведет к необходимости повышения температуры сушки. При этом данный параметр зависит от работы спиртового производства и определяется перед пуском процесса сушки, то есть невозможно оперативно менять этот параметр без влияния на спиртовое производство.
Результаты апробации программного комплекса в условиях потенциально-опасного процесса сушки барды
Разработанные в работе модели прогнозирования динамики состояния объекта и алгоритмы принятия решений потенциально-опасного процесса сушки барды являются основой программного комплекса, рисунок 4.1. В целях использования программного комплекса в большинстве современных автоматизированных систем управления технологией производства и их интеграции на уровне исполняемых компонентов, в качестве языка программирования был выбран Visual C++. Рис. 4.1. Структура программного комплекса принятия решений Корректировать структуру программного комплекса можно в процессе эксплуатации, так же возможно изменять алгоритмы работы, вносить корректировки. Блок База знаний осуществляет хранение информации: - об объекте управления; - органах воздействия на регулируемые параметры; - прочих параметрах программно-аппаратных средств управления.
Данные базы знаний можно изменить, как в процессе работы модуля моделирования (это позволяет оперативно оценить и провести сравнительный анализ), так и до процесса моделирования. Модуль моделирования и идентификации альтернативных состояний объекта управления реализует алгоритм формирования исходных данных, которые в модели являются регулируемыми параметрами. Вносить в модуль присутствие неконтролируемых возмущений возможно изменением функции генерации обрабатываемых данных. Это необходимо для отражения ситуаций в период регламентных работ, и исключения, фильтрации зафиксированных нежелательных воздействий непроизводственного характера. Средства моделирования альтернативных состояний объекта управления обеспечивают формирование исходных данных для выработки управляющих решений. Модуль базируется на гибридной модели прогнозирования. Алгоритм обработки информации и принятия решений осуществляет идентификацию состояния объекта, выработку стратегии управления, выработку управляющего решения. Математический аппарат распознавания, которым располагает система прогнозирования, позволяет определять с высокой точностью класс текущего состояния процесса сушки барды, но основной целью разработки системы прогнозирования является упреждающее определение движения параметров технологического объекта к критическому состоянию (аварийному или предаварийному) и выдача управляющего или советующего воздействия, обеспечивающего безаварийность производства.
Модуль вывода информации, осуществляет процесс вывода информации в графическом и текстовом виде о регулируемых параметрах и вариантах принимаемых решений, а также осуществляет архивирование информации о параметрах регулирования, реакцию на поступившие управленческие решения, управляющее решения, прочая статистическая информация.
Увеличение температурь исходной барды Уменьшить подачу пара 2 Увеличение температуры исходной барды, подача на мг Снизить подачу на декантеры 3 Повышение нагрузки -а приводе сушилки Увеличить количество рецикла 4 Повышение нагрузки на приводе сушилки, подача в норм Снизить подачу на декантеры S Повышение нагрузки на приводе сушилки, подача в норн Увеличить обороты вентилятора пара - 6 Повышение нагрузки на приводе сушилки, подача в нор» Уменьшить давление на коллекторе ОК [ Отмена Нажмите ОК или Отмена советы оператору Для удобства пользователя в качестве визуального восприятия доступно графическое представление, где помимо графика функции принадлежности выбранного терма, отображается график всех функций принадлежности, рисунок 4.2.
Аналогично формируются и корректируются через программный интерфейс матрицы отношений. Пользовательский интерфейс программного комплекса, в режиме работы с матрицами отношений, приведен на рисунке 4.4.
Для проведения теста, проверяющего качество определения текущей ситуации, в систему прогнозирования был добавлен диагностический блок, заведомо приводящий модель технологического объекта к аварийной ситуации (комбинация превышений температуры и давления в сушилке из-за изменения подачи барды, через некоторое время «плавания» параметров сушки в допустимых технологических пределах). В тесте с выключенной моделью прогнозирования, рисунок 4.5., система перешла в неконтролируемое управление, температура барды на выходе начала возрастать до критического предела, пока в процесс не вмешался ЛПР.
Гибридная система прогнозирования аварийных ситуаций должна обеспечить выдачу сообщения о приближении к аварийной ситуации как можно раньше с целью обеспечения временного запаса для проведения мер по устранению неисправности или изменения хода процесса сушки, что подтверждается тестом с включенной моделью прогнозирования.
Как видно из графика, система прогнозирования в точке с временной меткой t = 14:35 мин определила высокую степень близости развития аварийной ситуации (более 0,4), но затем, при восстановлении объема подачи барды, даже на фоне роста температуры сушки, система прогнозирования снизила оценку близости состояния к возникновению аварийной ситуации до значения 0,2.
В точке с временной меткой t = 14:55 мин объем подачи барды вернулся к значению заданному оператором, но система прогнозирования предупредила оператора о движении параметров системы к аварийному состоянию (рост близости текущей ситуации к аварийной от значения 0,2 до 0,5 по значению температуры сушки). Следует отметить, что параметры сушки барды в этом интервале еще находятся в технологически допустимых рамках, но система прогнозирования по имеющимся описаниям эталонных ситуаций и движению параметров позволила заранее выдать оператору упреждающее сообщение о близости текущей ситуации к аварийной. Рост значения выходной переменной системы прогнозирования лишь подтверждает движение процесса сушки к критическому состоянию.
В целях моделирования работы системы прогнозирования на этом этапе не было предпринято никаких действий по предотвращению аварийной ситуации (в нормальном режиме система прогнозирования выдаст совет об увеличении подачи сиропа). В результате роста давления в сушилке с 7,2 до 8,4 бар (максимум - 9 бар) и роста температуры в сушилке с 87 до 94 oС (максимум - 110 oС при потере качества) система прогнозирования увеличила степень близости текущей ситуацию к аварийной до 0,9 , что подтверждается приближением параметров процесса сушки к максимально допустимым.
Следует отметить, что на таком сравнительно коротком интервале времени типовые промышленные средства противоаварийной защиты еще не вступают в действие и не способны заблаговременно выработать управляющее воздействие, удерживающее процесс в допустимой области.
Полученные в ходе диссертационного исследования результаты положены в основу при разработке программного обеспечения системы управления сушки барды на базе Siemens Simatic SCADA-система WinCC, которое прошло практическую апробацию в реальных условиях на предприятии ЗАО «Ерофеев» (Новосибирская обл.).