ОНТОЛОГИЧЕСКИЙ ПОДХОД К ОПИСАНИЮ РАЗНОРОДНЫХ ЗАВИСИМОСТЕЙ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА НЕФТЕПЕРЕРАБОТКИ

АННОТАЦИЯ

В статье рассматривается фундаментальная проблема семантической неоднородности математических и логических моделей, описывающих взаимосвязи переменных химико-технологического процесса. Предложен онтологический подход, обеспечивающий унифицированное описание зависимостей пяти принципиально различных типов (алгебраических, статических, динамических, логических и нечетких) в рамках единой графовой модели знаний. Разработана таксономия классов зависимостей и правила их трансформации в аннотированный направленный граф, служащий вычислительно-нейтральным представлением технологической системы. Подход апробирован на типовых узлах нефтепереработки и газофракционирования.

Ключевые слова: онтология технологического процесса, разнородные зависимости, граф знаний, унификация описания, семантическая интеграция, представление знаний.

Введение

Современное химико-технологическое производство представляет собой сложнейшую систему, для описания которой используется широчайший спектр математических и логических формализмов. Проектировщик, а затем и инженер-технолог, имеет дело с уравнениями материально-теплового баланса (аналитические зависимости), трендами исторических данных, порождающими статистические регрессии, передаточными функциями динамических звеньев, дискретными блокировками противоаварийной защиты и экспертными оценками, выраженными в лингвистической форме («если температура высокая, а давление низкое, то качество неудовлетворительное»). Каждый из этих фрагментов знаний описывает одну и ту же физическую реальность, но делает это на своем, внутренне замкнутом языке [1, 2].

Данная ситуация порождает проблему разнородности представления знаний, которая на сегодняшний день является одним из главных барьеров на пути создания интегрированных интеллектуальных систем поддержки принятия решений в АСУТП. Традиционные подходы либо пытаются свести все к единому математическому аппарату (что невозможно без потери информативности, например, для логических правил), либо оставляют знания разрозненными в виде коллекции файлов, диаграмм и программных модулей, полагаясь на инженера как на единственного «интегратора» [3].

Актуальность работы обусловлена необходимостью перехода от фрагментированного набора моделей к единой, машинно-интерпретируемой модели технологических знаний, способной включить в себя зависимости любой природы без искажения их семантики.

Научная новизна работы заключается в:

1. Разработке классификации технологических зависимостей, основанной не на математическом аппарате, а на характере порождаемой связи между концептами предметной области;
2. Создании онтологической схемы (ontology design pattern), позволяющей унифицированно представлять гетерогенные зависимости в виде отношений между экземплярами классов «Параметр_Процесса»;
3. Формализации алгоритма сборки унифицированного графа знаний ТП из распределенного набора онтологических утверждений.

Практическая значимость состоит в создании методологической основы для построения корпоративных баз знаний технологических установок, пригодных как для автоматического построения тренажерных моделей, так и для интеллектуального анализа причинно-следственных связей при расследовании инцидентов.

1. Проблема разнородности моделей

Технологический процесс нефтепереработки на установке первичной перегонки или каталитического крекинга описывается сотнями взаимосвязанных переменных [4]. Зависимости между ними фиксируются в различных артефактах проектирования и эксплуатации:

1. Технологический регламент содержит утверждения типа «повышение расхода орошения на 5% приводит к снижению температуры верха колонны на 2–3°С». Это качественная, почти экспертная информация.
2. Динамическая модель в среде моделирования (Aspen HYSYS, UniSim) содержит строгие дифференциальные уравнения, описывающие поведение той же колонны с высоким порядком астатизма.
3. База данных трендов хранит многолетние временные ряды, на основе которых методами машинного обучения выводится статическая модель «черного ящика» (например, нейросеть) связи тех же переменных.
4. Система ПАЗ содержит логические правила: «Если давление верха > P_max ИЛИ расход сырья < F_min, ТО активировать блокировку насоса».

Все четыре описания характеризуют одно и то же физическое взаимодействие, но не могут быть напрямую сопоставлены автоматизированной системой, поскольку синтаксис и операционная семантика их представления различны. Попытки ручного согласования этих моделей трудоемки и чреваты ошибками, особенно при модернизации установки. Следовательно, требуется мета-уровень описания, абстрагирующийся от вычислительной природы зависимости и фиксирующий только факт направленного влияния с указанием его типа [5].

2. Онтологическое описание параметров процесса

Для решения поставленной задачи предлагается формальная онтология технологического процесса Otech​, построенная на дескрипционной логике и определяющая базовые концепты и отношения [3, 6].

Верхний уровень онтологии включает два фундаментальных класса:

• Наблюдаемая_Величина (Observable): суперкласс для всех физических величин и состояний оборудования. Делится на подклассы Аналоговый_Параметр (температура, давление, расход, уровень) и Дискретный_Статус (состояние насоса — «включен/выключен», положение клапана — «открыт/закрыт», флаг разрешения).
• Технологический_Узел (ProcessUnit): аппарат или его функциональная часть, в которой локализованы наблюдаемые величины (колонна, печь, сепаратор, секция теплообмена).

Экземпляры класса Наблюдаемая_Величина аннотируются следующими атрибутами (data properties):

• hasTagName — строковый идентификатор КИПиА;
• hasUnit — единица измерения (из контролируемого словаря);
• hasNominalValue — номинальное (проектное) значение;
• hasEngineeringRange — диапазон допустимых значений.

Важно подчеркнуть, что на данном уровне абстракции не фиксируется, является ли параметр входным, выходным или промежуточным в рамках конкретной зависимости. Эта роль определяется только в момент установления отношения между двумя параметрами. Такой подход обеспечивает гибкость: один и тот же параметр «Давление в кубе колонны» может выступать как следствие по отношению к «Расходу пара в ребойлер» и одновременно как причина по отношению к «Температуре кипения остатка».

Онтология реализуется на языке OWL 2, что обеспечивает возможность логического вывода и проверки непротиворечивости, а также поддержку инструментов визуализации графов знаний [7].

3. Классификация зависимостей

Центральный вклад данной работы — классификация технологических зависимостей по характеру передаточной семантики, а не по способу их математического описания. На основе анализа технологической документации и типовых проектных решений выделены пять категорий отношений, перечисленных в таблице 1.

Каждый тип связи реализован в онтологии как отдельное объектное свойство (Object Property) с доменом и диапазоном, равным классу Наблюдаемая_Величина. Формально, для любых двух индивидов , утверждение  истинно, если между ними существует направленная зависимость типа

 .

Таблица 1.

Классификация типов связей в онтологии технологического процесса

Свойства обладают иерархией: все они являются под-свойствами общего родительского отношения influences. Это позволяет при необходимости извлекать все зависимости безотносительно к типу (например, для построения полного когнитивного графа), либо выполнять специализированные запросы (например, выбрать только динамические каналы для расчета настроек регулятора).

4. Представление зависимостей в виде графов

Онтологическое представление, будучи формальным и машинно-читаемым, изначально является графовым. Каждое утверждение Ri(ПараметрX,ПараметрY) порождает ориентированное ребро в графе знаний G=(V,E,L), где V — множество экземпляров Наблюдаемая_Величина, E — множество направленных связей, а L:E→TypeLabels— функция разметки, сопоставляющая каждому ребру тип зависимости.

Алгоритм построения унифицированного графа:

1. Извлечение: Выполняется SPARQL-запрос к онологической базе, возвращающий все триплеты вида (?var1 ?relation ?var2), где ?relation является под-свойством influences.
2. Нормализация: Каждый триплет преобразуется в объект ребра с атрибутами: идентификатор вершины-источника, идентификатор вершины-стока, тип ребра, набор дополнительных аннотаций (коэффициент передачи, постоянная времени, текст правила), извлеченных из атрибутов отношения.
3. Визуализация и анализ: Граф может быть экспортирован в форматы GraphML или JSON-LD для визуализации в инструментах вроде Gephi или Cytoscape, а также для анализа структурных свойств (центральности, выделения сообществ-контуров управления).

Принципиальное отличие предлагаемого подхода от простого рисования мнемосхем в SCADA состоит в том, что каждое ребро несет машинно-интерпретируемую семантику. Запрос «найти все факторы, статически влияющие на точку конца кипения бензина, исключая динамические каналы» формализуется одним SPARQL-запросом к онтологии, тогда как в традиционных системах потребовался бы ручной просмотр множества разноформатных документов.

5. Формирование единой модели знаний

Итогом применения онтологического подхода становится Единая модель знаний технологического процесса (ЕМЗ ТП) — вычислительно-нейтральное, декларативное описание системы в виде семантической сети.

ЕМЗ ТП характеризуется следующими свойствами:

• Полнота: Модель способна одновременно включать описания из регламента (алгебраические и нечеткие связи), результаты идентификации по данным (статические связи), динамический паспорт объекта (динамические связи) и настройки защит (логические связи).
• Непротиворечивость: Благодаря использованию OWL-аксиом автоматически выявляются конфликты (например, если алгебраическая и логическая связи противоречат друг другу по направлению влияния, классификатор выдаст предупреждение).
• Расширяемость: Появление нового типа зависимости (например, стохастической или квантовой — гипотетически) требует лишь добавления нового под-свойства в иерархию influences без изменения структуры БД и программных клиентов.
• Прослеживаемость (provenance): Каждое ребро может быть аннотировано источником знания («регламент цеха №5», «модель Aspen rev.3», «протокол испытаний от 01.02.2025»), что критически важно для аудита безопасности.

На практике ЕМЗ ТП служит «единым источником истины» (Single Source of Truth) для всех инженерных сервисов. Например, сервис построения трендов может, обратившись к ЕМЗ, автоматически сгруппировать переменные по связанным контурам, а сервис диагностики — построить дерево отказов, используя логические и динамические связи.

Заключение

В работе решена актуальная задача унификации описания разнородных зависимостей технологического процесса на базе онтологического подхода. Предложенная классификация из пяти типов отношений (алгебраические, статические, динамические, логические, нечеткие) позволяет охватить весь спектр моделей, встречающихся в практике эксплуатации химико-технологических объектов — от строгих дифференциальных уравнений до экспертных эвристик.

Создание Единой модели знаний в виде аннотированного онтологического графа не заменяет существующие вычислительные модели, но надстраивается над ними, обеспечивая семантическую интероперабельность. Такой подход открывает путь к созданию промышленных ассистентов технолога, способных автоматически сопоставлять расчетные и фактические данные, объяснять причины отклонений и предлагать корректирующие воздействия.

Дальнейшие исследования целесообразно направить на разработку алгоритмов автоматического связывания (entity matching) переменных из онтологии с потоковыми данными OPC UA, а также на верификацию ЕМЗ ТП на непрерывных производствах нефтехимического кластера.

Список литературы:

1. Веревкин А.П. Особенности задачи управления процессами разделения нефтяных смесей на установках АВТ // Нефть и газ : межвуз. сб. Уфа : Изд-во УГНТУ, 1996. № 3. С. 82–84.
2. Witczak M. Modelling and estimation strategies for fault diagnosis of non-linear systems : from analytical to soft computing approaches. Berlin : Springer-Verlag, 2007. 212 p.
3. Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы. СПб. : Издательство «Лань», 2016. 324 с.
4. Драйпер Н., Смит Г. Прикладной регрессионный анализ. М. : Статистика, 1973. 391 с.
5. Хайкин С. Нейронные сети : полный курс. М. : ООО «И.Д. Вильямс», 2016. 1104 с.
6. Веревкин А.П., Муртазин Т.М. Моделирование производственных процессов на основе когнитивной информации и временных рядов // Системная инженерия и информационные технологии. 2022. Т. 4, № 1(8). С. 12–19. DOI: 10.54708/26585014_2022_41812. URL: https://doi.org/10.54708/26585014_2022_41812 (дата обращения: 25.06.2026).
7. Оре О. Теория графов. 2-е изд. М. : Наука, 1980. 336 с.