ПРЕДСТАВЛЕНИЕ ВИРТУАЛЬНЫХ АНАЛИЗАТОРОВ В СОСТАВЕ ОНТОЛОГИЧЕСКОЙ МОДЕЛИ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА НЕФТЕПЕРЕРАБОТКИ

​АННОТАЦИЯ

В статье рассматривается подход к унификации представления виртуальных анализаторов (ВА) качества продуктов нефтепереработки в составе онтологических моделей. Предложена формализация ВА как семантического отношения класса «прогнозирование», связывающего измеряемые технологические переменные с расчетным показателем качества. Разработан механизм трансформации онтологической модели в вычислительный ориентированный граф и далее в обобщенную матрицу связей, пригодную для непосредственного синтеза систем усовершенствованного управления (MPC). Практическая значимость подхода продемонстрирована на примере ректификационной колонны стабилизации бензина.

Ключевые слова: виртуальный анализатор, онтологическая модель, матрица связей, MPC, управление качеством, ректификационная колонна.

Введение

Современное промышленное производство характеризуется высокими требованиями к глубине извлечения целевых компонентов и жесткими экологическими ограничениями. Системы усовершенствованного управления технологическими процессами (СУУТП, Advanced Process Control — APC) позволяют стабилизировать качество продукции при минимизации энергозатрат, однако их эффективность критически зависит от наличия достоверной информации о показателях качества в реальном времени [1].

Физические поточные анализаторы, обеспечивающие прямое измерение показателей (например, ТКК - температуры конца кипения бензина, давления насыщенных паров), характеризуются высоким запаздыванием, высокой стоимостью обслуживания и низкой надежностью в агрессивных средах. Альтернативой служат виртуальные анализаторы (ВА, soft sensors) — программно-алгоритмические комплексы, вычисляющие оценку показателя качества на основе косвенных технологических параметров [2].

Актуальность работы обусловлена тем, что на современных предприятиях эксплуатируются десятки ВА различной физической природы (статические регрессии, нейросети, нечеткие модели, модели на основе первых принципов). Эта гетерогенность описаний создает проблему разнородности представления знаний, затрудняя интеграцию ВА в единое информационное пространство АСУТП и автоматическую генерацию управляющих приложений. Для преодоления указанного барьера предлагается использовать аппарат онтологического инжиниринга, позволяющий отделить декларативное описание системы от процедурных реализаций конкретных моделей.

Научная новизна работы заключается в:

1. определении класса семантических отношений для описания ВА в технологической онтологии;

2. разработке алгоритма преобразования онтологического графа в обобщенную матрицу связей, содержащую информацию о динамических характеристиках каналов «вход–качество», пригодную для синтеза MPC-регуляторов.

2 Виртуальные анализаторы в СУУТП

Виртуальный анализатор представляет собой математическую модель вида , где y^ — прогнозируемый показатель качества; xi​ — вектор входных переменных (температуры, давления, расходы); θ — вектор настраиваемых параметров, определяемый на этапе идентификации.

Традиционно ВА классифицируют по природе модели f [2]:

• Аналитические модели (первые принципы): основаны на уравнениях материально-тепловых балансов. Обладают физической интерпретируемостью, но трудоемки в разработке.
• Эмпирические статические модели: множественная линейная регрессия (MLR), проекция на латентные структуры (PLS). Адекватны в узком диапазоне режимов.
• Динамические модели: расширенный фильтр Калмана, модели в пространстве состояний. Учитывают переходные процессы.
• Интеллектуальные модели: искусственные нейронные сети (ИНС), нечеткие системы (ANFIS), машины опорных векторов (SVM).

Несмотря на методологическое разнообразие, любой ВА в прикладном смысле реализует функциональное отношение: «Если известны значения конкретных технологических параметров в текущий момент времени (и в предыстории), то с заданной точностью определяется значение показателя качества».

На практике инженер-разработчик СУУТП вынужден вручную анализировать документацию на ВА, извлекая из программного кода или файлов конфигурации списки входных переменных и настройки динамических звеньев. При замене модели возникает риск нарушения информационных связей в смежных системах (визуализации, архивирования, противоаварийной защиты). Таким образом, требуется формализация «контракта» ВА на уровне, независимом от вычислительной реализации.

2. Онтологическое описание параметров качества

Для устранения семантической неоднозначности предлагается использовать онтологию предметной области «Нефтепереработка». Онтология формально описывается кортежем , где C — множество классов (понятий), P — свойства, R — отношения между экземплярами [3].

Верхний уровень онтологии включает абстрактные классы:

• Технологический_Параметр с подклассами Измеряемый_Параметр и Расчетный_Параметр (показатель качества);
• Аппарат (конкретная единица оборудования, например, Колонна_К-1);
• Модель_Виртуального_Анализатора.

Рисунок 1. Функциональная схема ВА для ТКК бензина

Экземпляры класса Измеряемый_Параметр аннотируются атрибутами: диапазон измерения, единица измерения, позиция по КИПиА, время транспортного запаздывания, постоянная времени фильтра.

Ключевым для целей автоматизации является связывание параметров с их ролями в составе ВА. Для модели ректификационной колонны (см. рисунок 1) экземплярами являются: Температура_верха, Давление_верха, Расход_орошения, а экземпляром класса Расчетный_Параметр — ТКК_бензина (температура конца кипения).

В традиционном объектно-ориентированном подходе связь фиксируется через атрибут «ссылка на входные переменные». Однако такой подход порождает проблему разнородности: статическая регрессионная модель требует списка пар «тетег-коэффициент», динамическая модель на основе передаточной функции — описания инерционного звена с запаздыванием (FOPDT), а нечеткая — базы правил. Чтобы унифицировать представление, мы вводим семантическое отношение на уровне онтологии, а конкретную математическую реализацию инкапсулируем как «черный ящик», подчиняющийся общему интерфейсу.

3 Представление виртуального анализатора как отношения

Центральным элементом предлагаемого подхода является введение в онтологию специализированного объектного свойства providesEstimationOf (обеспечивает оценку). Данное свойство связывает экземпляр класса Модель_ВА с экземпляром Расчетный_Параметр. Входные воздействия описываются через расширенный набор подобъектных отношений, характеризующих тип связи между физическим параметром и прогнозом.

Выделены следующие типы связей (табл. 1), покрывающие весь спектр встречающихся на практике ВА [4]:

Таблица 1.

Классификация типов связей «вход–прогноз»

В онтологию вводятся соответствующие под-свойства отношения hasInput:

• hasAlgebraicInput (домен: Модель_ВА, диапазон: Измеряемый_Параметр),
• hasStaticInput,
• hasDynamicInput (с аннотациями постоянной времени и запаздывания),
• hasLogicalInput,
• hasFuzzyInput.

Таким образом, виртуальный анализатор описывается в онтологии не ссылкой на файл с коэффициентами, а структурированным набором утверждений:

ВА_ТКК hasDynamicInput Температура_верха (K=0.85, T=120, tau=30).

ВА_ТКК hasAlgebraicInput Давление_верха.

Это позволяет программным агентам (сервисам MPC-контроллеров) автоматически извлекать информацию о том, какие датчики задействованы в расчете, какова их инерционность и допустима ли компенсация возмущения по данному каналу.

4. Интеграция виртуальных анализаторов в матрицу связей

Современный синтез многомерных регуляторов (MPC) опирается на динамическую матрицу связей (plant model matrix), описывающую реакцию выходных переменных на изменение управлений и контролируемых возмущений. Предлагается алгоритм трансформации онтологического представления в такую матрицу.

Процесс преобразования состоит из четырех этапов:

Онтология → Граф → Матрица смежности → Обобщенная матрица связей (ОМС) → Конфигурация MPC.

Этап 1. Построение направленного графа.

Выполняется SPARQL-запрос к онтологии, извлекающий все триплеты вида ?ВА has*Input ?Параметр и ?ВА providesEstimationOf ?Качество. Результатом является ориентированный двудольный граф G(V,E), где вершины Vf​ — физические параметры, Vq​ — показатели качества. Каждое ребро eij∈E аннотировано типом связи и числовыми атрибутами (коэффициент передачи, постоянная времени и т.д.).

Этап 2. Формирование матрицы смежности.

Строится матрица A размерностью ∣Vf∣×∣Vq∣, где Ai,j=wij​ (вес связи), если ребро существует, и ноль в противном случае. Вес связи может быть символьным идентификатором типа или нормализованным значением коэффициента передачи.

Этап 3. Преобразование в обобщенную матрицу связей.

Информация из аннотаций ребер преобразуется в параметры стандартных дискретных моделей, используемых в MPC. Например, для динамической связи с параметрами K,T,τ и периодом квантования Ts​ вычисляются коэффициенты модели конечной импульсной характеристики (FIR). Для алгебраических и статических связей запаздывание и постоянная времени принимаются равными нулю (либо минимальному транспортному запаздыванию измерения). Для логических связей ОМС параметризуется нелинейным блоком «переключатель» с жесткой привязкой к значению логической переменной.

Этап 4. Генерация конфигурации MPC.

ОМС в формате, совместимом с промышленными контроллерами (например, файл модели для DMCplus или PACE), экспортируется автоматически.

Пример для ректификационной колонны:

Рассмотрим процесс стабилизации прямогонного бензина. Цель — удержание ТКК (Q1​) и давления насыщенных паров (Q2​).

Из онтологии извлекаются отношения:

1. ВА_ТКК hasDynamicInput Т_верха (K=1.5, T=90, τ=40);
2. ВА_ТКК hasStaticInput Расход_орошения (K=-0.95, T=30, τ=30);
3. ВА_ДНП hasDynamicInput Давление_верха (K=2.0, T=60, τ=25).

На выходе формируется матрица управлений с указанием, что регулятор должен использовать модель первого порядка для канала «расход орошения → ТКК», учитывать динамику канала «давление в емкости орошения → ДНП» и т.д. При замене модели ВА в онтологии достаточно изменить аннотации соответствующих отношений, после чего конфигурация MPC будет пересобрана автоматически без перекомпиляции приложения.

Практическая значимость данной методологии заключается в сокращении времени простоя установки при модернизации алгоритмов управления (с 2–3 недель ручного конфигурирования до нескольких часов автоматической генерации), а также в исключении ошибок «человеческого фактора» при стыковке моделей ВА и управляющей надстройки.

Заключение

В работе решена задача формализации описания виртуальных анализаторов в составе онтологической модели технологического процесса, что позволило преодолеть проблему разнородности математического аппарата ВА на уровне информационного обмена.

Основные результаты:

1. Определена структура онтологического описания, разделяющая измеримые параметры, расчетные показатели качества и модели их оценки.

2. Предложена классификация и формализация типов связей (алгебраические, статические, динамические, логические, нечеткие) в виде объектных свойств онтологии, что позволяет унифицировать интерфейс доступа к ВА вне зависимости от его внутренней алгоритмической реализации.

3. Разработан сквозной алгоритм преобразования «онтология — граф — обобщенная матрица связей», обеспечивающий автоматическую генерацию модельного ядра MPC-регулятора на основе декларативных знаний о процессе.

4. Проведена апробация подхода на примере ректификационной колонны стабилизации бензина, подтвердившая его применимость для реальных технологических объектов.

Дальнейшие исследования целесообразно направить на интеграцию предложенной модели с байесовскими методами самонастройки ВА и включение логических связей в алгоритм адаптивного управления с переменной структурой.

Список литературы:

1. Дозорцев В.М., Ицкович Э.Л., Кнеллер Д.В. Усовершенствованное управление технологическими процессами (АРС): 10 лет в России // Автоматизация в промышленности. 2013. № 1. С. 12–19, 28–33.
2. Zhong W., Yu J. MIMO soft sensors for estimating product quality with on-line correction // Chemical Engineering Research and Design. 2000. Vol. 78, № 4. P. 612–620. DOI: 10.1205/026387600527554. URL: https://doi.org/10.1205/026387600527554 (дата обращения: 25.06.2026).
3. Збрищак С.Г. Когнитивное моделирование: теоретические основы, методы, ограничения // Russian Journal of Economics and Law. 2025. Т. 19, № 3. С. 675–695. DOI: 10.21202/2782-2923.2025.3.675-695. URL: https://doi.org/10.21202/2782-2923.2025.3.675-695 (дата обращения: 25.06.2026).
4. Мусаев А.А. Виртуальные анализаторы: концепция построения и применения в задачах управления непрерывными технологическими процессами // Автоматизация в промышленности. 2003. № 8. С. 3–9.