Loading...

Светлана Шевлягина

Ученые предложили новый подход к разработке программно-алгоритмических комплексов, используемых для контроля и прогнозирования качества нефтепереработки. Анализ показал, что, если при обучении алгоритма, лежащего в основе виртуального датчика, учитывать не только условия, которые стандартно наблюдаются при переработке нефти, но и такие, которые практически не встречаются из-за того, что находятся на границе условий эксплуатации установок, точность прогноза датчиков можно повысить на 33%. Результаты исследования опубликованы в журналах Measurement Science and Technology и Chemical Engineering Science.

Чтобы контролировать процесс переработки нефти (ректификации) и предсказывать качество нефтепродуктов, получаемых из разного исходного сырья, нужны виртуальные датчики. Это не обычные физические датчики, которые, например, измеряют давление, температуру или количество сырья, а математические алгоритмы, которые используют существующие и измеряемые характеристики технологического процесса (в данном случае установки по перегонке нефти) и предсказывают качество выходного продукта, например бензина. Виртуальный анализатор помогает непрерывно отслеживать процесс переработки и позволяет операторам технологических установок оперативно реагировать на любые изменения.

«В то время как различные реальные (физические) датчики — термопары, расходомеры и другие — анализируют многочисленные параметры процесса (скорость потока сырья, уровни его подачи в установку, давления, потоки пара), виртуальные датчики на основе заложенных в их программу моделей вычисляют качественные трудноизмеряемые характеристики продукта, который получится в результате нефтепереработки», — рассказывает Светлана Шевлягина, кандидат технических наук, старший научный сотрудник лаборатории систем управления технологическими процессами ИАПУ ДВО РАН.

Практика показывает, что виртуальные датчики могут работать недостаточно точно, если сталкиваются, например, с такими условиями, которые не учтены в их модели (изменения в составе сырья, снижение эффективности переработки, переход на новый эксплуатационный режим и другие). Это происходит потому, что алгоритм обучают только на данных, которые встречаются в реальной практике при нефтепереработке. Ученые стремятся сделать датчики точнее, поэтому разрабатывают новые подходы к их обучению.

Исследователи из Института автоматики и процессов управления Дальневосточного отделения РАН (Владивосток) предложили обучать виртуальные датчики на гибридном наборе данных: совмещать экспериментальные параметры, встречающиеся в практике (собранные уже существующими реальными датчиками), а также искусственно сгенерированные условия, находящиеся на границе эксплуатации установок для переработки нефти и практически не встречающиеся. В результате при обучении алгоритм сталкивается с намного более широким диапазоном значений, чем обычно, что позволяет «научить» его прогнозированию в самых разных условиях, даже очень редких.

Авторы оценили, как меняется точность виртуальных датчиков при использовании разных наборов данных при обучении. Так, авторы сравнили случай, когда используют только экспериментальные данные, и случаи с разным соотношением экспериментальных и искусственно сгенерированных данных. Оказалось, что, когда выборка содержит 21% искусственно сгенерированных данных, точность прогноза качества нефтепродуктов оказывается максимальной — на 33% выше по сравнению с обычным подходом к обучению датчиков.

Кроме того, авторы на примере процесса получения стабильного бензина — продукта перегонки нефти — с помощью моделирования определили зоны установки для переработки нефти, в которых рекомендуется размещать дополнительные физические датчики температуры — термопары — для повышения качества получаемого продукта. Внедрение таких рекомендаций при эксплуатации установки, с одной стороны, позволит улучшить точность прогноза виртуальных датчиков, а с другой — повысить надежность управления процессом нефтепереработки в условиях изменяющегося состава сырья.



«Наше исследование показывает, что предложенный нами гибридный подход к обучению виртуальных датчиков позволяет повысить их точность, что важно для прогнозирования свойств продуктов переработки нефти. В дальнейшем мы планируем использовать моделирование для разработки отказоустойчивой системы управления процессом нефтепереработки», — подводит итог Светлана Шевлягина.


Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.