Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Искусственный интеллект в задачах моделирования, управления, диагностики технологических процессов

Покупка
Основная коллекция
Артикул: 814794.01.99
Рассматриваются вопросы, возникающие при разработке «умных» систем автоматизированного управления и диагностики состояния элементов автоматизированных технологических комплексов нефтеперерабатывающих и нефтехимических производств. Приведены сведения о методах разработки моделей объектов и замыкающих элементов APCS-систем, для которых используются технологии искусственного интеллекта. Приведены примеры проектирования интеллектуальных систем управления и обеспечения безопасности (ИСУиОБ). Для специалистов в области автоматизации нефтеперерабатывающих и нефтехимических производств, а также студентов, изучающих методы разработки APCS- систем.
Веревкин, А. П. Искусственный интеллект в задачах моделирования, управления, диагностики технологических процессов : монография / А. П. Веревкин, Т. М. Муртазин. - Москва ; Вологда : Инфра-Инженерия, 2023. - 232 с. - ISBN 978-5-9729-1428-9. - Текст : электронный. - URL: https://znanium.com/catalog/product/2094393 (дата обращения: 11.11.2024). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
 
 
 
 
 
 
А. П. Веревкин, Т. М. Муртазин 
 
 
 
 
 
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ  
В ЗАДАЧАХ МОДЕЛИРОВАНИЯ, УПРАВЛЕНИЯ,  
ДИАГНОСТИКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ 
 
Монография 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Москва    Вологда 
«Инфра-Инженерия» 
2023


УДК 622.3:004.8 
ББК 33.361 
В31 
 
 
 
Рецензенты: 
доктор технических наук, профессор кафедры технической кибернетики  
Уфимского университета науки и технологий Гвоздев Владимир Ефимович; 
кандидат технических наук, заместитель генерального директора – директор  
департамента разработки и внедрения интегрированных  
АСУ АО «Нефтеавтоматика» Кизина Ирина Дмитриевна 
 
Веревкин, А. П. 
В31  
Искусственный интеллект в задачах моделирования, управления, диагностики технологических процессов : монография / А. П. Веревкин, 
Т. М. Муртазин. – Москва ; Вологда : Инфра-Инженерия, 2023. – 232 с. : 
ил., табл. 
ISBN 978-5-9729-1428-9 
 
Рассматриваются вопросы, возникающие при разработке «умных» систем автоматизированного управления и диагностики состояния элементов автоматизированных 
технологических комплексов нефтеперерабатывающих и нефтехимических производств. Приведены сведения о методах разработки моделей объектов и замыкающих 
элементов APCS-систем, для которых используются технологии искусственного интеллекта. Приведены примеры проектирования интеллектуальных систем управления и 
обеспечения безопасности (ИСУиОБ).   
Для специалистов в области автоматизации нефтеперерабатывающих и нефтехимических производств, а также студентов, изучающих методы разработки APCS- 
систем.   
 
УДК 622.3:004.8 
ББК 33.361 
 
 
 
 
 
 
 
 
 
 
 
 
ISBN 978-5-9729-1428-9 
” Веревкин А. П., Муртазин Т. М., 2023 
 
” Издательство «Инфра-Инженерия», 2023 
 
” Оформление. Издательство «Инфра-Инженерия», 2023 
 


Оглавление 
 
Введение 
......................................................................................................... 
5 
1. Архитектура автоматизированных технологических комплексов  
с развитой функциональностью ................................................................... 
8 
1.1. Структура системы автоматического управления, задачи  
и методы реализации функционала управления ........................................ 
8 
1.2. Структура подсистем диагностики состояния элементов АТК, 
верификации данных в АСУ, задачи и методы реализации  
функционала диагностики и верификации 
................................................. 
17 
1.3. Принципы решения задач разработки подсистем АС  
разных уровней иерархии АТК 
.................................................................... 
20 
1.4. Классификация методов моделирования процессов для целей 
управления, диагностики и верификации данных ..................................... 
25 
2. Методы моделирования процессов 
........................................................ 
29 
2.1. Модели оценки состояний .................................................................... 
29 
2.2. Когнитивное моделирование 
................................................................ 
30 
2.3. Нейросетевые модели 
.......................................................................... 
48 
2.3.1. Классификация искусственных нейронных сетей ........................... 
48 
2.3.2. Моделирование статических состояний объекта  
управления ................................................................................................... 
50 
2.3.3. Моделирование динамических состояний  
объекта управления ИНС ............................................................................ 
60 
2.4. Модели объектов на основе нечетких множеств 
................................ 
68 
2.5. Нейронечеткие модели 
......................................................................... 
82 
3. Модели формирования решений в подсистемах управления,  
диагностики и верификации данных 
........................................................... 
92 
3.1. Обзор задач и методов формирования решений 
............................... 
92 
3.1.1. Системы: задачи анализа и синтеза.  
Искусственные системы .............................................................................. 
92 
3.1.2. Классификация систем ...................................................................... 
93 
3.1.3. Модели представления знаний как основа построения  
моделей ФР .................................................................................................. 
94 
3.1.4. Модель формирования решений 
...................................................... 
97 
3.2. Типовые задачи формирования решений и особенности  
их решения (управление, диагностика, верификация)  .......................... 
101 
3.2.1. Обзор типовых задач формирования решений 
............................. 
101 
3.2.2. Задача 1. Разработка автоматических систем  
регулирования (уровень control) и обеспечение  
их работоспособности ............................................................................... 
104 
3.2.3. Задача 2. Разработка автоматизированных систем  
управления качеством производимой продукции (уровень  
диспетчерский или SCADA), включая подсистемы оценки качества  
и управления качеством ............................................................................ 
105 
3 


3.2.4. Задача 3. Разработка автоматизированной системы  
оптимизации процессов по технико-экономическим показателям –  
ТЭП (уровень диспетчерский или SCADA), включая подсистемы  
оценки ТЭП и оптимизации процессов по ТЭП ....................................... 
113 
3.2.5. Задача 4. Диагностика состояния технических средств  
автоматизации, оценка адекватности моделей и их корректировка,  
верификация данных (ДАВ)....................................................................... 
119 
3.3. Общая схема синтеза конечно-автоматных и нечетких  
логических устройств 
................................................................................. 
130 
3.4. Синтез иерархических конечно-автоматных управляющих  
систем ......................................................................................................... 
149 
3.5. Рекомендуемые методы ИИ для некоторых типовых задач 
............ 
164 
4. Примеры разработки элементов ИСУиОБ 
........................................... 
167 
4.1. Управление сложными ректификационными колоннами  
по показателям качества продуктов и технико-экономической  
эффективности 
........................................................................................... 
167 
4.2. Управление процессом каталитического риформинга 
..................... 
175 
4.3. Управление процессом производства полиэтилена ........................ 
183 
4.3.1. Моделирование процесса ............................................................... 
183 
4.3.2. Структура системы управления по ПК ........................................... 
189 
4.4. Управление процессом производства этиленпропиленовых  
каучуков ...................................................................................................... 
196 
4.5. Диагностики утечки нефтепродукта из змеевика в трубчатой  
печи огневого нагрева ............................................................................... 
204 
Список использованной литературы ........................................................ 
211 
Приложение А. Правила нечетких инструкций, определяющие  
связь входных и выходных переменных (пример) .................................. 
223 
Приложение Б. Обучающая выборка нейронечеткой модели  
ANFIS .......................................................................................................... 
225 
Приложение В. Экспериментальные данные для получения  
прогнозной модели оценки ИР 
.................................................................. 
228 
 
4 


Введение 
 
Основным инструментом повышения экономической эффективности 
автоматизированных технологических комплексов при добыче и переработке нефти и газа является применение технологий «усовершенствованного» управления и обеспечения безопасности (Advanced Process 
Control & Safety – APCS) [16, 28, 70, 87, 129]. 
Для всех систем «усовершенствованного» оперативного (on-line) 
управления и обеспечения безопасности (СОБ) главным признаком, который объединяет эти системы в один большой класс, является использование моделей различного назначения.  
Модели, которые применяются в таких системах [7, 15, 57, 129], 
подразделяются на: 
1. Модели динамики объектов управления, используемые:  
– для повышения качества переходных процессов в автоматических системах регулирования (АСР), в т. ч. при управлении с прогнозными моделями; 
– для имитации динамики объекта с целью формирования правил 
(алгоритмов) управления и обучения управляющих устройств; 
– для построения систем диагностики элементов автоматизированных технологических комплексов (АТК) и верификации данных АСУ; 
– как средство получения дополнительной информации («цифровые двойники» АТК); 
2. Модели объектов управления для расчета показателей качества 
продуктов производства (ПК), показателей технико-экономической эффективности (ТЭП), используемые для управления по ПК и оптимизации 
ТЭП;  
3. Модели для целей диагностики исправности технических средств 
систем управления и обеспечения безопасности, модели верификации 
материальных и энергетических балансов, а также данных, циркулирующих в АСУТП;  
4. Модели управляющих частей систем, спектр которых весьма широк: от модифицированных типовых законов регулирования до адаптивных систем и систем поддержки принятия решений (СППР), использующих, как правило, методы и средства искусственного интеллекта; 
5. Модели (методы) оперативной оптимизации технологических режимов. 
Перечисленные виды моделей в качестве инструмента должны 
быть достаточно точными, чтобы имелась возможность повышать эффективность управления на 3–10 %, разработка и адаптация моделей 
должны быть не слишком затратными с точки зрения экономических и 
временных критериев. 
Модели объектов управления могут формироваться по разной информации и образуют три класса на базе: 
5 


– физических законов природы (термодинамика, законы химического взаимодействия) – прямое (строгое) моделирование; 
– результатов экспериментальных исследований – формальное 
моделирование; 
– знаний и опыта человека – эвристическое (когнитивное) моделирование. 
Методы прямого (строгого) моделирования [7, 52] требуют привлечения больших объемов декларативных знаний и справочной информации, которые для сложных объектов никогда не бывают полными. 
В конечном счете, они дают низкую точность прогнозирования и часто 
могут быть использованы только для предварительного изучения характеристик объекта, выявления закономерностей функционирования объекта. Но при проектировании АТК это единственный путь моделирования. Например, для определения структуры связей входных и выходных 
переменных, а также структуры операторов передач этих связей.  
При формальном (обратном) моделировании используются модели и методы, которые обобщают большие объемы экспериментальной 
(эмпирической) информации, т. е. модели отражают формирование процедурных (процедуральных) знаний. Результатом, как правило, является 
вывод (создание) новых формул, уравнений, закономерностей, корреляционных зависимостей, описывающих связь между рассматриваемыми 
величинами. Результатом также может являться некоторый массив данных, представляющий собой эталон, с которым в дальнейшем будут 
сравниваться подобные экспериментальные данные. 
Подход базируется на статистических методах обработки временных рядов и по своей сути, модели являются феноменологическими,  
т. е. описывают конкретный объект в конкретных условиях, и «не объясняют» причины выявляемых (например, корреляционным анализом) закономерностей.  
Эвристические модели, как правило, представляют собой образы, 
рисуемые в воображении человека. Их описание ведётся словами естественного языка (например, вербальная информационная модель)  
и, обычно, неоднозначно и субъективно, зависит от характера ментальной модели индивидуума.  
Примечание. Ментальные модели – «объяснительные» модели поведения, понимания, интерпретации событий, стратегии принятия решений, основанные на предыдущем опыте и существующие в уме человека.   
Эвристические модели изначально не формализованы, то есть не 
описываются формально-логическими и математическими выражениями, хотя и рождаются на основе представления реальных процессов и 
явлений. Поэтому формализация моделей проводится на основе идей 
когнитивного моделирования [1, 12, 20, 84], когда используется сочетание теоретических (декларативных знаний), экспериментальных дан6 


ных (процедурные знания) и эвристических знаний (неформализованные 
знания и опыт человека). Таким образом, когнитивные модели (КМ) – это 
композиция теоретических, эвристических, эмпирических и ментальных 
моделей. 
Когнитивное моделирование применяется как для моделирования 
динамики объектов и АТК, так и для формирования управляющих 
устройств и алгоритмов логического, интеллектуального типа. 
Процедура моделирования носит дуальный характер [20], т. е. параллельно проводятся процедуры моделирования и изучения, уточнения характеристик объекта с привлечением всех трех источников знаний. Поэтому в целом процесс моделирования – это итеративная процедура. 
При разработке управляющих (замыкающих) частей APCS-систем 
обычно используются логические управляющие устройства, реализующие алгоритмы двоичной, нечеткой логики, продукционные системы, 
устройства в нейросетевом базисе, т. е. в той или иной степени используются методы искусственного интеллекта. 
Отдельной проблемой, несколько выходящей за рамки разработки 
динамических моделей элементов и систем, которые в монографии не 
рассматриваются, является моделирование и разработка программного 
обеспечения задач автоматизации управленческой деятельности уровня 
«management», т. е. это моделирование сложных объектов и систем организационного, социотехнического, социально-экономического типа [79].  
Для задач такого типа требуются модели динамики асинхронного 
типа, т. е. модели с дискретным отсчетом этапов работы системы без 
фиксации значений интервалов времени. Такие модели разрабатываются в соответствии с принципами системного анализа, например, по методологии SADT, стандарт IDEF, и дают возможность создавать базы 
данных (БД) и базы знаний (БЗ), и на их основе системы управления,  
в том числе и для обеспечения процессов разработки APCS-систем [55]. 
Данная монография в основном посвящена практическим аспектам разработки APCS-подсистем, включая разработку динамических 
моделей объектов, моделей виртуальных датчиков и анализаторов 
качества, моделей формирования решений в подсистемах диагностики и управления, а также схемы и модели оптимизации процессов  
и систем.   
 
 
7 


1. Архитектура автоматизированных технологических комплексов  
с развитой функциональностью 
 
1.1. Структура системы автоматического управления, задачи  
и методы реализации функционала управления 
 
Технологические объекты управления (ТОУ) современных нефтеперерабатывающих и нефтехимических производств являются сложными 
объектами. Различные аспекты сложности и вопросы разработки сложных систем достаточно широко представлены в научно-технической литературе [77], в которой выделяют структурную и динамическую сложность. Структурная сложность объектов управления определяется наличием большого количества взаимосвязанного технологического оборудования, технологических установок. Динамическая сложность характеризуется сложностью поведения динамических объектов управления  
в условиях нелинейности и не стационарности характеристик. 
Задача управления и обеспечение безопасной эксплуатации сложных технологических объектов решается на основе принципов системного подхода [10, 55, 63], основным методом которого является декомпозиция. Декомпозицию применяют при синтезе сложных систем управления (СУ) в различных аспектах сложности. Так, в аспекте структурной 
сложности имеют место следующие особенности СУ: 
– иерархичность структуры СУ; 
– многообразие (размерность) взаимосвязей между элементами 
СУ; 
– многообразие характера функциональных связей между элементами СУ. 
В аспекте динамической сложности систему характеризуют: 
– наличие функциональных операторов с синхронными и асинхронными динамическими связями между элементами системы; 
– различные быстродействию динамические характеристики каналов взаимосвязи элементов СУ.   
Широко используется принцип иерархической структурной организации сложных автоматических систем управления (АСУ), так автоматизированные технологические комплексы (АТК) нефтеперерабатывающих 
и нефтехимических производств представляется несколькими уровнями. 
Под АТК понимается совокупность технологического объекта и системы 
управления. На отдельных уровнях иерархии АТК используют специализированные автоматизированные системы (АС) для решения задач диагностики, верификации данных, адаптации моделей, прогнозирования 
(рисунок 1.1). 
В таблице 1.1 представлены специализированные АС, их назначение и комплекс задач, связанных с их реализацией. 
8 


Рисунок 1.1. Структура АТК 
 
 


IЗР1: идентификация  
динамических характеристик ОУ 
для расчета оптимальных  
настроек регуляторов. 
IЗР2: расчет оптимальных настроек 
регуляторов  
в смысле заданного критерия  
качества регулирования. 
IЗР3: синтез логических  
выражений дискретного управления исполнительными  
механизмами. 
IЗ4: синтез логических  
выражений защиты,  
блокировки оборудования. 
IЗ5: определение оптимальных  
параметров функций  
принадлежности термов  
нечетких входных и выходных  
переменных нечеткого  
регулятора 
управления 
IР1: применение  
локальных  
регуляторов  
с типовыми (П, ПИ, ПИД) 
законами  
регулирования  
и их комбинаций. 
IР2: применение  
регуляторов,  
реализующих  
типовые (П, ПИ, ПИД) 
законы  
регулирования  
методами нечеткой  
логики, нейронными  
сетями. 
IР3: применение управляющих устройств,  
реализующих  
дискретную логику 
 
4 
АСУ ТП –
автоматизированные  
системы управления технологически  
процессом в составе: 
АСР –  
автоматизированная  
система  
регулирования (также 
называют САР –  
система  
автоматического  
регулирования); 
СПАЗ – система  
противоаварийной защиты 
управления 
Наименование  
специализированной АС 
Методы решения 
Задачи разработки АС 
IЗ1: стабилизация  
режимных  
параметров  
на заданном уровне. 
IЗ2: дискретное 
управление  
периодическими  
операциями. 
Противоаварийная 
защита  
оборудования 
Т а б л и ц а  1.1 
Классификация задач разработки автоматизированных подсистем по уровням иерархии АТК 
I 
Уровень 
Задача