Содержание к диссертации
Введение
1 Управление технологическими процессами в нефтепереработке и нефтехимии по показателям качества 13
1.1 Задача управления процессами нефтепереработки по показателям качества
1.2 Методы управления процессами нефтепереработки по ПК получаемых продуктов 17
1.2.1 Информационные подсистемы в системах управления по ПК 19
1.2.2 Управляющие подсистемы в системах управления по ПК продуктов 29
1.3 Постановка задачи работы 35
2 Разработка методов идентификации технологических ситуаций нефтеперерабатывающих производств (на примере работы установки 39 АВТм)
2.1 Задача идентификации технологических ситуаций процессов нефтепереработки
2.2 Задача идентификации в классе ситуаций с неизмеряе-мыми входными переменными 54
2.3 Разработка методов идентификации технологических режимов ректификационных колонн 57
2.4 Идентификация технологических режимов вакуумной колонны АВТ в пространстве, задаваемом неизмеряемыми признаковыми переменными 64
2.5 Идентификация режима вакуумной колонны установки АВТ при неизвестных неизмеряемых признаковых переменных 68
2.5.1 Идентификация ситуационной модели на основе дополнительной информации о кривых ИТК сырья 71
2.5.2 Идентификация характеристик сырья вакуумных колонн установок АВТм 75
2.6 Оценивание ПК на основе информации, полученной при идентификации ситуации 80
Основные результаты второй главы . 85
3 Параметрическая идентификация моделей расчета ПК продуктов 87
3.1 Определение параметров ситуационных моделей расчета ПК продуктов по экспериментальным данным.
3.2 Постановка задачи параметрического оценивания ситуационных моделей ПК продуктов 93
3.3 Исследование основных закономерностей взаимосвязи между параметрами ректификационных колонн на неформальных моделях 95
3.4 Параметрическая идентификация ситуационных моделей расчета ПК в условиях отсутствия влияния помех 100
3.5 Параметрическая идентификация ситуационных моделей расчета ПК в условиях действия помех 106
4 Разработка информационной подсистемы для целей оперативного управления вакуумной колонны установки первичной перегонки нефти по ПК продуктов 120
4.1 Исследование процесса вакуумной перегонки мазута как объекта управления
4.1.1 Описание технологической схемы и задачи управления вакуумной колонной установки
4.1.2 Анализ качества управления при существующих схемах управления 127
4.2 Формирование базы знаний ситуационных моделей расчета ПК продуктов для вакуумной колонны К-5 установки АВТм-9 ОАО НУНПЗ 131
4.3 Программное обеспечение решения задачи обучения ситуационных моделей и расчета ПК продуктов для вакуумных колонн установок АВТ 137
Заключение 145
Литература 146
- Методы управления процессами нефтепереработки по ПК получаемых продуктов
- Задача идентификации в классе ситуаций с неизмеряе-мыми входными переменными
- Постановка задачи параметрического оценивания ситуационных моделей ПК продуктов
- Формирование базы знаний ситуационных моделей расчета ПК продуктов для вакуумной колонны К-5 установки АВТм-9 ОАО НУНПЗ
Методы управления процессами нефтепереработки по ПК получаемых продуктов
Одной из основных особенностей процессов нефтепереработки и нефтехимии является большая зависимость показателей качества (ПК) продуктов и показателей эффективности (ПЭ) производства от характеристик поступающего на установку сырья. В связи с тем, что все существующие в мире нефти могут быть разделены на более чем 50 типов нефти, необходим тщательный компонентный анализ образца конкретной нефти, позволяющий определить количество получаемых продуктов и граничные температуры их выкипания [2]. Нестабильность характеристик сырья определяет необходимость изменения режимных параметров с целью поддержания нормируемых ПК получаемых продуктов. При оперативном управлении процессами по ПЭ и ПК продуктов проблемы возникают, в том числе, в обеспечении информацией. Эти проблемы объясняются следующими причинами: 1) некоторые параметры процесса практически не поддаются точному количественному анализу (например, характеристики нефтяного сырья), в связи с чем оперативная ("на потоке") информации о сырье, как правило, отсутствует; 2) отсутствие возможности оперативного определения значения ПК получаемых продуктов и невозможность организации обратной связи по качеству продуктов в реальном времени. К проблемам управляющих подсистем при управлении процессами по ПК следует отнести следующие: 1) отсутствие явной и неоднозначной связи между технологическими параметрами и ПК товарной продукции, что определяет неоднозначность выбора управляющих воздействий; 2) наличие большого числа ограничений на параметры технологического режима и ПК продуктов; 3) ограниченность ресурсов управления: типичной является ситуация, когда управляющих параметров меньше, чем управляемых координат; 4) многокритериальное задачи управления: при управлении по ПК продуктов требуется поддержание целого ряда ПК одного нескольких нефтепродуктов. Таким образом, в условиях частой неконтролируемой смены сырья, принципиальной технической невозможности измерения большинства ПЭ и ПК существующие методы построения систем управления не обеспечивают оперативность управления.
Принципиальные проблемы, связанные с управлением сложными объектами нефтепереработки, решаются с использованием нетрадиционных методов управления, например, построение нечетких алгоритмом управления [47], алгоритмов управления на основе нейросетевых моделей [48], ситуационное управление и моделирование [49]. Рассмотрим подробнее вопросы разработки и построения каждой из подсистем применительно к процессам первичной переработки нефти. 1.2.1. Информационные подсистемы в системах управления по ПК. Реализация систем управления по ПК продуктов предполагает наличие информационных подсистем оценки качества продуктов и характеристик сырья. Основными ПК, по которым проводится управление в нефтепереработке, являются [15]: 1) температуры кипения ta при заданной величине отгона а, в том числе нк t - температура начала кипения, t5 - температура выкипания 5% и других характерных точек истинных темератур кипения ( ИТК ) [18, 50]; 2) вязкость, оцениваемая либо динамическим, либо кинематическим v коэф фициентами вязкости; 3) температура вспышки t ; 4) цвет; 5) температура застывания t ; 6) температура кристаллизации t ; 7) состав, концентрация, рН и т.д. Существуют два основных возможных подхода к получению информации о ПК. Первый, который можно назвать "измерительным", состоит в использовании соответствующих анализаторов; второй основан на косвенном измерении [51] и базируется на применении моделей ("модельный" подход), у которых в качестве входных координат используются параметры технологического режима.
Задача идентификации в классе ситуаций с неизмеряе-мыми входными переменными
Введем в рассмотрение множество Р признаковых переменных, через которые идентифицируют принадлежность параметров подмножеству g,. Выделим из множества признаковых переменных Р различные по информативности подмножества переменных рь р2, ..., обладающих разной степенью влияния на критерий разделимости ситуаций. Под степенью влияния на критерий разделимости ситуаций понимается способность различных признаковых переменных к смене ситуационной модели. Степень влияния признаковых переменных может быть условно определена на основе чувствительности [104] изменения каждой признаковой переменной к смене ситуации. Разделенные таким образом переменные, объединенные в подмножества рь Р2, ... образуют ранговую шкалу измерений [105]. Подмножество наиболее значимых признаковых переменных pi может состоять из редко (медленно) изменяемых и (или) определяющих структуру ситуационных моделей расчета ПК продуктов переменных, ограничений и т.д. Как правило, в это подмножество включаются тип сырья, поступающий на установку, коэффициент активности катализатора, значения регламентируемых ПК продуктов, загрузка. В случае, если задание некоторых признаковых переменных через множество физико-химических величин затруднительно, то их можно рассматривать как интегративные характеристики, например, тип перерабатываемого сырья. Поставим им в соответствие некоторый индекс ТІ (і=1,2,...), который имеет смысл категории шкалы наименований [43]. Элементы подмножества рь г\[Є рь позволяют идентифицировать подмножество Gj. В подмножество р2 входят признаки, определяющие подмножество gjJ, т.е. детализирующие (уточняющие) ситуацию в подмножестве, g eGi (і, j=l,2,...), как правило это измеряемые параметры технологического режима. В связи с этим задача идентификации ситуации и выбора ситуационной модели распадается на подзадачи: 1) оценки принадлежности текущих пара метров t, r, reR и tGT одному из подмножеств G 2) выбора модели из числа ситуационных моделей, соответствующих подмножеству giJeGj. Решение второй подзадачи не связано с принципиальными трудностями, так как идентификация проводится на основе измеряемых данных процесса, например, рассмотренными выше способами. Первая задача идентификации требует решения в случае, если подмножество Q непосредственно не определено через исходную информацию. Ее решение связано с оценкой неизмеряемых признаков г){ подмножества pi на основе косвенных параметров. Предлагается определять параметры подмножества рі на основе отображения здесь J і-соответствующий критерий, которым из множества образуемых оператором {} признаков однозначно выделяют Gj. Определение подмножества giJ также предлагается проводить на основе оператора {}, но уже в подмножестве Q здесь -соответствующий критерий, которым из множества образуемых оператором {} признаков из Gi однозначно выделяют gjj. Таким образом, решение задачи идентификации технологической ситуации рассматривается как многокритериальная двухэтапная процедура принятия решений. Подзадачами, определяющими пути дальнейших исследований, являются оператор отображения {} и поиск соответствующих критериев Jb J2. Причем, использование оператора {} должно позволять определять ситуацию на основе вычисления меры близости р как в подмножестве рь так и в подмножестве р2 признаковых переменных Р, что является практически важным при выделении подмножеств Gj и giJ, g/є Gj. Кроме того, на основании меры р возможна корректировка моделей вычисления ПК продуктов, а в сочетании с методом идентификации ситуации на основе логических выражений, составленных из нечетких переменных, на втором этапе идентификации существует возможность диагностирования граничных ситуаций различного типа. Обобщая все сказанное выше, можно сформулировать задачу идентификации технологической ситуации и ситуационной модели расчета показателей качества продуктов следующим образом. Найти значения гь г2,..., гп входных координат г из области R, значения tb h . -.,.tm переменной состояния tj=t(ri) из области Т и соответствующий им вектор коэффициентов модели aij=a(ri5tj), i=l,n, j=l,m такие, что для измеренных reR и tT рассчитанное расстояние p=f{(r-r),(t0)} было минимальным. Причем область R характеризует все значимые, в том числе, неизме-ряемые параметры процесса, выступающие в роли внешней среды по отношению к объекту управления, а вся область параметров RnT образуют полный класс ситуационных признаков.
Постановка задачи параметрического оценивания ситуационных моделей ПК продуктов
Допущение о неизменяемой структуре моделей позволяет избавится от необходимости включать в алгоритмы параметрического оценивания моделей процедуры автоматической оптимизации структуры, реализация которых связана со сбором и обработкой большого объема информации [115] и привлечением дополнительных вычислительных ресурсов, что затруднительно в режиме нормальной эксплуатации объекта. В связи с этим, нейросетевые методы идентификации объектов и различные рекуррентные непараметрические методы оценивания [116], позволяющие определить модель в форме некоторых функций, являются функционально избыточными для моделирования объектов по значениям ПК продуктов. Однако, моделирование расчета различных показателей эффективности процессов может решаться на основе нейронных сетей с привлечением специализированных программных средств [117, 118].
Наиболее приемлемым вариантом для получения моделей оценки ПК продуктов является использование итерационных методов - для получения структуры моделей расчета ПК и модели начального приближения, для улучшения скорости сходимости рекуррентных алгоритмов, и рекуррент-ных-для параметрической адаптации моделей ПК в условиях действия помех и отсутствия априорной информации о помехах и наблюдениях.
Рекуррентные методы тесно связаны с методом стохастической аппроксимации, который является фундаментом адаптивного подхода [119].
Главной особенностью метода стохастической аппроксимации является то, что обеспечивается отыскание оптимального решения при наличии помех. Элементы матрицы Г(п) в (3.3) зависят от номера шага, поэтому диспер-.сия а2 ошибок при измерении градиента конечна, и при п- оо (n-число шагов) влияние ошибок из-за помех стремится к нулю [120].
Целью параметрической идентификации ситуационных моделей расчета ПК продуктов является максимальное приближение расчетного значения модели и значений ПК, получаемых лабораторным путем.
Задача оценивания ПК ситуационными моделями предполагает разработку процедур разбиения множества технологических параметров на подмножества, в которых обеспечивается адекватность моделей ПК, и алгоритмов идентификации технологической ситуации. Сформулируем в общем виде задачу параметрической идентификации ситуационных моделей расчета ПК продуктов.
Пусть известен метод и алгоритм решения поставленной задачи поиска оптимального вектора коэффициентов ситуационных моделей. Тогда задача разбиения множества технологических ситуаций на подмножества и формирование матрицы коэффициентов ситуационных моделей формируется следующим образом.
Для значений гь г2, ..., гп входной координаты г из области R, значения tb t2, ..., tm состояния tj=t(rj) из области Т найти соответствующий им вектор коэффициентов aij=a(ri,tj), i=l,n, j m для всех возможных сочетаний {ri?tj}, i=l,n, j=l,m таких, что для любых rGR и teT использование ау=а(гь ), рассчитанных для гь tj при r, t, дает потери критерия оценивания показателя эффективности, не превышающие 8, где В{: = B(ri9t:)- множество показателей качества продуктов, (ri5tj)- определяют ближайшую ситуацию к (г ,t). Таким образом, на всем пространстве множества технологических параметров будет выполняться условие при заполнении матрицы коэффициентов обеспечивает минимальный ее размер.
Однако, при заполнении матрицы коэффициентов ситуационных моделей в режиме нормальной эксплуатации объекта нельзя обеспечить непрерывную проверку условия (3.6), т.к. наблюдения ПК by имеют дискретный характер. Поэтому заполнение матрицы коэффициентов (формирование базы ситуационных моделей ПК) проводится по условию (3.5), и матрица, в этом случае, не будет минимальной.
Рассмотрим вопросы обучения ситуационных моделей ПК для различных условий оценивания: с учетом и без учета помех на каналы измерения.
Выявление основных закономерностей проверка работоспособности предлагаемых решений на действующих установках затруднительно и малопродуктивно. Это связано с целым рядом обстоятельств: велика размерность задачи, наличие неучтенных и неизмеряемых факторов, влияние динамики в условиях нестационарности и нелинейности каналов передачи воздействий и т.д. В связи с этим предварительное исследование и отладка разрабатываемых алгоритмов проводилась с использованием неформальной модели.
В настоящее время, разработано несколько программных продуктов, (PRO/II, ROM, DESIGN II и т.д), которые, имея в своем составе библиотеки моделей типичных для нефтехимии технологических процессов, позволяют моделировать работы целых технологических комплексов. В силу своих «универсальных» возможностей такие пакеты являются дорогостоящими продуктами. Поэтому для моделирования вакуумной колонны установки АВТ, для которой проводились исследования, использовалась модель слож ной ректификационной колонны [121], которая подходит для решения конкретной задачи, а именно, верное качественное описание вакуумной перегонки мазута. Выбор вакуумной колонны в качестве объекта исследований, объясняется тем, что для данного процесса управление по ПК и оценка значений ПК продуктов мало изучено [2] и представляется наиболее сложным.
Формирование базы знаний ситуационных моделей расчета ПК продуктов для вакуумной колонны К-5 установки АВТм-9 ОАО НУНПЗ
Основой вычисления значений ПК продуктов по ситуационным моделям является использование соответствующей модели, адекватной действующей ситуации. Идентификация ситуации и ситуационной модели осуществляется рассмотренными ранее методами (см. гл. 2). В связи с этим, в первую очередь необходимо решить задачу формирования множества ситуационных моделей, адекватных всему множеству возможных технологических ситуаций, т.е. базы знаний информационной подсистемы для расчета ПК продуктов. Вопросы обучения ситуационных моделей рассмотрены в главе 3.
Структура моделей расчета ПК продуктов вакуумной перегонки мазута была предложена в [24] и сами модели представляют собой следующие зависимости:
Таким образом, входными параметрами моделей являются измеряемые параметры технологического режима: температуры отборов и давление верха колонны. Кроме того, для идентификации технологической ситуации и модели расчета ПК используется информация о значениях расходов сырья в колонну и выводимых из колонны продуктов перегонки. Обучение моделей проводится на основе лабораторных анализов оцениваемых продуктов.
Рассмотри уровни погрешностей в каждом из параметров, необходимых для обучения моделей расчета ПК и оценивания значений ПК по моделям. В таблице 4.3 приведены данные о погрешностях определения необходимых для обучения и эксплуатации моделей расчета ПК параметров.
По данным таблицы 4.3 можно заключить, что поскольку помехи существенны, использование для обучения алгоритма без учета помех может дать неадекватные модели, что влечет за собой невозможность оценки необходимого числа выделенных технологических ситуаций. В связи с этим, для параметрической идентификации моделей расчета ПК продуктов вакуумной перегонки воспользуемся алгоритмом обучения ситуационной модели по серии наблюдений, разработанной с учетом наличия помех в каналах измерения параметров.
Введем в рассмотрение обучающую (таблица 4.4) и проверочную (таблица 4.5) выборки наблюдений, по которым будет проводиться обучение и проверка адекватности ситуационных моделей.
В результате обучения по режимам таблицы 4.4 были выделены три технологические ситуации для которых оценивались параметры ситуационных моделей расчета ПК продуктов. В приложении В приведены оцененные в результате обучения ситуационные модели расчета ПК продуктов вакуумной колонны установки АВТм-9 ОАО НУНПЗ.
В таблице 4.6 приведены погрешности оценивания ПК продуктов для проверочной выборки. Средняя относительная погрешность оценивания коэффициента вязкости второй фракции для режимов обучающей выборки составила 4,5 %, коэффициента вязкости четвертой фракции - 3,2 %, оценивание температуры вспышки второй фракции - 1,0 %, четвертой фракции - 1,3 %. В ряде технологических ситуаций погрешности определения некоторых ПК несколько больше по сравнению с остальными. Это объясняется недостатком числа наблюдений в обучающей выборке для данных ситуаций, либо присутствием дополнительных погрешностей в наблюдениях некоторых параметров режима и ПК, обусловленных не только методом измерения.
