РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ДЕПРОПАНИЗАЦИИ

DEVELOPMENT OF AN INTELLIGENT CONTROL SYSTEM FOR THE DEPROPANIZATION PROCESS

Rinaz Badertdinov

Master’s student, Department of Automation and Process Control Systems, Kazan National Research Technological University,

Russia, Kazan

Marat Safin

scientific supervisor, Associate Professor, candidate of Technical Sciences, Kazan National Research Technological University,

Russia, Kazan

АННОТАЦИЯ

Качество продукции, выпускаемая в нефтехимической или нефтеперерабатывающей промышленности, отражает коммерческие и эксплуатационные показатели производственного процесса. В настоящее время измерение качества продукции сводится либо к прямому способу ее измерения посредством физических датчиков, либо методом отбора проб для дальнейшего лабораторного исследования. Однако в виду наличия сложности технологического процесса бывает затруднительным прямое измерения качества, к тому же измерение анализаторами выполняется медленно, а лабораторное измерение той же переменной может и вовсе происходит еще медленнее. Поэтому стратегия измерения качества, основанная на прямом способе измерения, является несостоятельной, и требуется определение новых решений. В данной работе будет затронута тема “гибких” датчиков, которая могли бы быть частью концепции интеллектуальной “Индустрии 4.0”.

ABSTRACT

The quality of products manufactured in the petrochemical or oil refining industry reflects the commercial and operational performance of the manufacturing process. Currently, the measurement of product quality is reduced either to a direct method of measuring it using physical sensors, or by sampling for further laboratory research. However, due to the complexity of the technological process, it can be difficult to directly measure the quality, besides, the measurement by the analyzers is slow, and the laboratory measurement of the same variable may even be even slower. Therefore, a quality measurement strategy based on a direct measurement method is untenable and new solutions need to be identified. This paper will touch upon the topic of “flexible” sensors, which could be part of the concept of intelligent “Industry 4.0”.

Ключевые слова: Индустрия 4.0, производство, машинное обучение, нейронная сеть.

Keywords: Industry 4.0, manufacturing, machine learning, artificial neural network.

Индустрия 4.0 - это новая эра в истории производства, которая характеризуется использованием передовых технологий, таких как интернет вещей, искусственный интеллект и автоматизация производства. Эта инновационная концепция промышленного производства предполагает интеграцию цифровых технологий во все производственные процессы, что позволяет создавать более гибкие и эффективные системы производства товаров и услуг. Она направлена на повышение производительности, качества, эффективности и конкурентоспособности предприятий, а также обеспечение устойчивого развития экономики в целом. В данный момент индустрия 4.0 является ключевым направлением развития многих стран, и ее внедрение становится все более актуальным.

В России несомненным лидером в числе компании, которая реализует концепцию Индустрии 4.0, считается компания “СИБУР” (“СИБУР Диджитал”). Они используют решения системы усовершенствованного управления технологическим процессом (в англ. APC), производственную систему управления производственными процессами (в англ. MES), систему управления лабораторной информацией (в англ. LIMS), система управления предприятие. В компании активно применяется инструмент Data – Science (от англ. Анализ данных) в виде онлайн – советчиков и предиктивной аналитики, позволяющие повысить надежность оборудования, выявить на ранней стадии аномалии и спрогнозировать оптимальный набор воздействий на объект управления с целью оптимизации работы [1].

Переменные качества в промышленном производстве не всегда могут быть измерены автоматически. Обычно процесс по определению качества сопровождается либо проведением лабораторного анализа, что определяется большими задержками по времени, либо непосредственным измерением с использованием измерительных датчиков (хроматографы, анализаторы, спектрометры и т.д.), что в свою очередь характеризуется сложностью датчика и низкой надежностью.

В рамках данной работы рассматривался виртуальный непрерывный процесс депропанизации в динамической среде математического моделирования – модуль VisualModeler (ПО OmegaLand Simulation). На рисунке 1 показана модель процесса депропанизации. Данная программа позволяет проводить пуск и вывод технологического процесса в стационарный режим в режиме реального времени. В модуле присутствуют технологические аппараты и агрегаты, внутрь которых заложен набор физико-химических уравнений, представлены контуры регулирования, а также измерительные датчики.

Рисунок 1. Схема математической модели процесса депропанизации

Следующим этапом являлся сбор данных в режиме реального времени. Необходимо, чтобы каждую единицу времени данные считывались из математической модели в таблицу. Для этого был написан макрос на языке программирования Visual Basic, который позволил в таблицу Excel записывать технологические данные из программы. Успешно осуществив сбор данных, можно провести анализ данных. Для таких задач была использована платформа JupiterNotebook, т.к. платформа оснащена готовым и простым инструментом для анализа данных. Осуществив обработку данных, можно приступать к машинному обучению. В качестве входными обучающими признаками считались 19 технологических параметров, в качестве целевого признака – качество бутана. За модель для машинного обучения была выбрана модель многослойной нейронной сети прямого распространения. Благодаря существованию готовых решений для сборки нейронных сети в библиотеках (Tensorflow, Keras, Pytorch и проч.) языка программирования Python представилась возможность по созданию несложной нейронной сети.

На рисунке 2 представлена зависимость качества обучения от количества нейронов в скрытом слое.

Рисунок 2. График зависимости качества обучения от количества нейронов в скрытом слое

На рисунке видно, что оптимальным количеством считается 3 нейрона, т.к. при данном количестве нейронов сеть выдает лучший результат.

Далее была обучена нейронная сеть при 3-х нейронах в скрытом слое и была выведена на графике прогресс обучения по эпохам.

Рисунок 3. График зависимости качества обучения от количества эпох

На рисунке 4 показаны весовые коэффициенты нейронной сети

Рисунок 4. Весовые коэффициенты нейронной сети

В заключении можно отметить, что благодаря разработанному инструменту по извлечению данных из программы для математического моделирования, представилась возможным разработка модели нейронной сети, позволяющего предсказывать значение качества нижней продукции (бутана). Качество предсказания, а именно значение среднеквадратической ошибки, составило 8.91, т.е. модель может предсказать данные с абсолютной погрешностью 3%. Данный результат считается неплохим для начального исследования. Полагаю, что в будущих исследованиях для уменьшения ошибки необходимо обучать модель на данных из установившего состояния с различными подающимися на вход возмущающимися воздействиями. Также считаю, что для улучшения результата предсказания можно было бы провести исследование на других архитектурах нейронной сети (рекуррентные сети, сети обратного распространения ошибки и т.д.)

Список литературы:

1. Индустрия 4.0 // АО «СИБУР-ДИДЖИТАЛ» URL: https://sibur.digital/41 (дата обращения: 17.06.2023).