CC BY
90
УДК 681.5:658.5
À. À. ИБАТУЛЛИН A. А. ОГУДОВ Р. А. ХАКИМОВ
Омский государственный технический университет, г. Омск
ПРИМЕНЕНИЕ
НЕПРЕРЫВНОГО АНАЛИЗА КАЧЕСТВА ПРИ СОЗДАНИИ СИСТЕМЫ УСОВЕРШЕНСТВОВАННОГО УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМ ПРОЦЕССОМ УСТАНОВКИ СЕРНОКИСЛОТНОГО АЛКИЛИРОВАНИЯ
В данной статье рассматривается задача повышения оперативности данных о качестве продуктов для системы усовершенствованного управления технологическим процессом (СУУТП) установки сернокислотного алкилирования. Это необходимо для того, чтобы система усовершенствованного управления могла решать проблемы в темпе технологического режима. Была поставлена цель — р азработать виртуальные анализаторы ка чества основных продуктов установки. Н а основе регрессионного анализа лабораторных и технологических данных ра боты установки было получено несколько моделей виртуальных анализаторов качества и была проведена оценка их адекватности, выбрана конечная модель.
Ключевые слова: виртуальный анализатор, СУУТП, сернокислотное алкилирование.
Введение. В условиях нестабильной ситуации в мировой экономике энергетических ресурсов, снижения спроса и стоимости продукции ведущие компании нефтегазовой отрасли ищут способы снижения издержек и получения максимальной прибыли. Традиционными способами повышения эффективности производства являются применение новых технологий, модернизация существующего оборудования, что требует существенных затрат и окупается через значительный промежуток времени. Другим менее затратным и быстро окупающимся методом является повышение качества управления за счет средств усовершенствованного управления процессом (APC или СУУТП).
Существуют различные технологии построения СУУТП [1], такие как:
A. Прогнозирующее управление по модели.
B. Линейное программирование.
C. Нелинейное управление.
D. Компенсация запаздывания.
Классическая архитектура СУУТП представлена
на рис. 1. Установка сернокислотного алкилирования предназначена для производства алкилбензина. Сырьем для установки служит бутан-бутиленовая фракция, содержащая около 50 % олефинов, входящих в реакцию, и изобутановая фракция. Важность установки алкилирования для нефтеперерабатывающего завода состоит в том, что она производит высокооктановый бензин комбинированием легких углеводородов с изобутаном, чем повышается ценность
этих фракций. Получаемый алкилат имеет высокое октановое число (по исследовательскому методу = 96), низкую упругость паров (по Рейду 0,43 кг/см2 абс.) и не содержит ароматических углеводородов. Согласно данным фирмы Yokogawa [2], внедрение СУУТП на установки сернокислотного алкилирования может принести потенциальной экономической прибыли до 72 млн руб. в год (рис. 2), поэтому разработка и внедрение данной системы является одной их приоритетных задач для НПЗ.
Для успешной реализации СУУТП необходимым условием являются виртуальные анализаторы (ВА) качества продуктов достаточной степени достоверности. Принцип действия ВА основан на непрерывном определении показателя качества по математической модели, описывающей его взаимосвязь с текущими значениями измеряемых технологических переменных. ВА позволяют оценивать не измеряемые непосредственно, но необходимые показатели качества продукта по таким измеряемым параметрам технологического процесса, как температура, давление, расход, непрерывно контролируемым современными системами управления.
Постановка задачи. Рассмотрим принцип построения ВА на примере показателя качества «Температура конца кипения стабильного алкилбензина». Данный параметр качества строго регламентирован, и не должен превышать 205 °С. Поскольку для построения виртуального анализатора используются лабораторные данные, то для оценки его точности
Рис. 1. Классическая архитектура СУУТП
Рис. 2. Типичные эффекты внедрения СУУТП на НПЗ
Рис. 3. График лабораторных данных и показания модели виртуального анализатора № 1
примем требования на точность лабораторного анализа согласно нормативной документации (воспроизводимость данного анализа составляет 3,5 °С) [3].
Качество виртуальных анализаторов напрямую зависит от исходных ретроспективных данных. Для получения адекватной и работоспособной модели необходимо использовать выборку данных для стабильного технологического режима. Также по причине того, что технологический процесс является
динамической системой, поэтому данные имеют свойство быстро устаревать и не отражать действительное состояние технологического процесса. Опираясь на описанные выше условия, используем данные за период с 01.07.16 по 01.09.16, когда установка работала в одном режиме, а устаревание данных не превышает 6 месяцев.
Теория. Для реализации оптимизационных функций в современных ВА применяется широкий спектр
Рис. 5. График лабораторных данных и показания модели виртуального анализатора «Температура точки 10 % алкилбензина»
150 FS_90% Prediction Егтог Outliers
145
140 135 Лаборатории д/
130
125 120 ВА
115 110 10 0 -10
- И " " "-----7- 7"
5 10 15 20 25 30
Рис. 6. График лабораторных данных и показания модели виртуального анализатора «Температура точки 90 % алкилбензина»
как традиционных алгоритмов и методов анализа данных: наименьших квадратов (НК), робастной регрессии (РР), проекции на латентные структуры (ПАС) (случай линейных моделей), гребневой регрессии (ГР) и алгоритмы АСЕ (Alternating conditional expectation — чередующееся условное математическое ожидание) (нелинейные непараметрические
модели)), так и относительно авангардных: нейронные сети, генетические алгоритмы. Тенденции развития математического аппарата ВА связанны с методами «машинного обучения» [4].
Интеллектуальный анализ данных представляет собой процесс поддержки принятия решения, основанный на поиске в этих данных скрытых законо-
Рис. 7. График лабораторных данных и показания модели виртуального анализатора «Октановое число по моторному методу алкилбензина»
Рис. 8. График лабораторных данных и показания модели виртуального анализатора «Октановое число по исследовательскому методу алкилбензина»
Таблица 1 Статистические оценки моделей ВА
Модель № 1 Модель № 2
RMSE 2,44 2,47
Sigma 2,48 2,52
Index 19,84 20,47
мерностей (шаблонов информации). При этом накопленные сведения обобщаются до информации, которая может быть охарактеризована как знания.
На текущий момент многие поставщики программных продуктов для систем усовершенствованного управления предоставляют решения для создания ВА в виде конфигурируемых систем, относительно простых в употреблении. Большинство из них снабжены графическими пакетами для представления результатов и направления действий операторов [5].
Результаты экспериментов. В результате разработки ВА были получены модели, графики которых представлены на рис. 3 и 4.
Для оценки адекватности модели виртуального анализатора необходимо [6]:
— провести визуальную оценку графиков;
— оценить модели, используя статистические характеристики;
— проверить физико-химическую природу влияния параметров, используемых в модели ВА.
При визуальной оценке необходимо определить повторяемость графика показания данных ВА и лабо-
раторных данных. На рис. 4 модель виртуального анализатора № 2 повторяет лабораторные данные лучше, чем модель анализатора № 1 на рис. 3.
Для определения адекватности модели используем следующие статистические оценки:
A. RMSE — среднеквадратическая ошибка прогноза, которая фиксирует влияние смещения и средне-квадратическое отклонение.
B. Sigma — среднеквадратическое отклонение, которое фиксирует распределение ошибки. Данный параметр не должен превышать воспроизводимость лабораторного анализа.
C. Index — соотношение между среднеквадрати-ческой ошибкой прогноза и дисперсией выхода.
В табл. 1 представлены статистические оценки моделей ВА. Следует отметить, что Sigma всех моделей меньше, чем воспроизводимость лабораторного анализа, однако модель № 1 имеет статистические оценки лучшем, чем модель № 2.
Из табл. 2 и 3 следует, что параметры уравнения модели № 1 адекватно описывают технологический процесса, в отличие от модели № 2 (коэффициент
Таблица 2
Коэффициенты регрессии для переменных, используемых в модели 1
о s
À <
о
Таблица 3 ^
Коэффициенты регрессии для переменных, используемых в модели 2 1
5
Таблица 4
Модели ВА показателей качества продуктов установки сернокислотного алкилирования
Наименование ВА Статическая оценка Уравнение ВА Ссылки на рисунки
RMSE Sigma Index
Температура точки 10 % алкилбензина 1,58 1,61 6,18 0,19567-FIC204 + 0,39524-TI202+ 0,80927 TI305- 99,646 Рис. 5
Температура точки 90 % алкилбензина 2,33 2,36 25 6,0697-TI205-6,8397-TI206 + + 0,42338 TI209-1,7797-TI304 + + 1,4663-TI305 - 0,67073TIC301 + + 138,72 Рис. 6
Октановое число по моторному методу алкилбензина 0,15 0,15 38 0,11339FIC101-0,217FIC202--0,061053FIC306- -0,012344FIC307+ 11,824 PIC104-0,26380TI208-0,34194 -TI305 + 0,12244-TIA304 + 92,245 Рис. 7
Октановое число по исследовательскому методу алкилбензина 0,2 0,2 39 0,10730FIC101-0,24919FIC202- - 0,041488FIC306 - 0,014129FIC307 - 1,3362PDIA302 + + 20,747-PIC 104 - 0,028537 TI101 --0,57195-TI208 + 93,379 Рис. 8
Позиция Описание Коэффициент регрессии
FIC203 Расход сырья, насыщенного изобутаном, в колонну С-331 1,4853
PICA303 Давление верха колонны С-332 0,76707
TI206 Температура верха колонны С-331 -2,6353
TIC301 Температура на 3-й тарелке колонны С-332 0,50210
Позиция Описание Коэффициент регрессии
FIC302 Расход орошения от насосов Р-336А, В в колонну С-332 1,5757
PI307 Давление в сепараторе В-336 0,20695
PIS217 Давление в кубе колонны С-331 - 183,78
TIC301 Температура на 3-й тарелке колонны С-33 0,82751
перед параметром «Расход орошения от насосов Р-336А,В в колонну С-332» имеет знак « + », а должен быть « — » [7]).
По описанной выше методике, помимо ВА «Температура конца кипения алкилбензина», также были разработаны модели ВА, показателей качества нефтепродуктов установки сернокислотного алкилирования. Модели ВА и их статические оценки представлены в табл. 4.
Обсуждение результатов. Используя оценки, данные моделям виртуальных анализаторов выше, можно сделать вывод о том, что модель № 1 лучше, чем модель № 2 по статистическим оценкам и коэффициентам уравнения регрессии, используемых переменных. Поэтому в составе СУУТП будет использована модель № 1.
Выводы и заключения. В результате исследований были получены модели виртуальных анализаторов качества «Температура конца кипения алкилбензина»; данный параметр строго регламентирован и требует постоянного контроля. Проведен анализ разработанных моделей, в результате которого была выбрана модель № 1 со следующими характеристиками: среднеквадратическая ошибка прогноза — 2,44; среднеквадратическое отклонение — 2,48;
соотношение между среднеквадратической ошибкой прогноза и дисперсией выхода — 19,84. Разработанная модель виртуального анализатора качества позволяет анализировать качество продуктов установки сернокислотного алкилирования. Использование полученных моделей в составе СУУТП позволит системе решать задачи оптимизаций в темпе производственного процесса для получения дополнительной экономической прибыли.
Библиографический список
1. Wade H. L. Basic and advanced regulatory control: system design and application. 2nd ed. Research Triangle Park: ISA — The Instrumentation, Systems, and Automation Society. 2004. 387 p.
2. Рылов M. А. Обзор систем усовершенствованного управления технологическими процессами // Исследовано в России: эл. журн. 2013. 008. С. 120-130.
3. Бадикова А. Д., Цадкин M. А. Разработка химической технологии сернокислотного алкилирования изопарафинов оле-финами с применением в качестве сырья бензинов термодеструктивного происхождения // Вестник Башкирского университета. 1997. № 2. С. 46.
4. Диго Г. Б., Диго Н. Б., Можаровский И. С., Торгашов А. Ю. Исследование моделей виртуальных анализаторов
массобменного технологического процесса ректификации // Информатика и системы управления. 2011. № 4 (30). С. 17 — 26.
5. Бахтадзе Н. Н. Виртуальные анализаторы (идентификационный подход) // Автоматизация и телемеханика. 2004. № 11. С. 3-23.
6. Диго Г. Б., Диго Н. Б., Можаровский И. С., Торга-шов А. Ю. Разработка моделей показателей качества ректификационных колонн, функционирующих в предельных режимах // Идентификация систем и задач управления: тр. IX Меж-дунар. конф. SICPRO'12, 30 января — 2 февраля 2012 г. М., 2012. С. 211 — 221.
7. Friedman Y. Z. Alkylation Product Separation Control // HYDROCARBON PROCESSING. 09. 2008. Vol. 87. no. 9. P. 178.
8. Бельков Ю. Н., Кнеллер Д. В., Торгашов А. Ю., Файрузов Д. X. Система усовершенствованного управления установкой первичной переработки нефти: создание, внедрение, сопровождение // Автоматизация и телемеханика. 2013. № 8. С. 3 — 23.
ИБАТУЛЛИН Альберт Амирович, кандидат технических наук, доцент кафедры автоматизации и робототехники.
Адрес для переписки: Ibatullin77@yandex.ru ОГУДОВ Андрей Александрович, магистрант гр. АТПм-151 факультета элитного образования и магистратуры.
Адрес для переписки: Andreyogudov@gmail.com ХАКИМОВ Рустам Анварович, магистрант гр. АТПм-151 факультета элитного образования и магистратуры.
Адрес для переписки: Machinestandart@mail.ru
Статья поступила в редакцию 23.12.2016 г. © А. А. Ибатуллин, А. А. Огудов, Р. А. Хакимов
УДК 681.5:658.5
Л. Л. ИБАТУЛЛИН А. А. ОГУДОВ Р. А. ХАКИМОВ
Омский государственный технический университет, г. Омск
РАЗРАБОТКА МОДЕЛИ НЕЧЕТКОГО ПИД-РЕГУЛЯТОРА КОНТУРА УПРАВЛЕНИЯ ТЕМПЕРАТУРЫ В КОЛОННЕ ДЕИЗОБУТАНИЗАЦИИ_
В данной статье представлена проблема управления температурного контура в колонне деизобутанизации н а установке сернокислотного алкилирования. Проанализированы основные проблемы и характерные особенности н астройки данного контура. Была поставлена цель — ра зработать ПО, которое позволит учитывать нелинейности и высокую инерционность технологического процесса. Выявлена и обоснована необходимость внедрения нечеткого управления. На основе проведенных исследований была разработана модель нечеткого ПИД-регулятора, а также создан пакет н адстроек, реализующий принципы нечеткой логики, в АСУТП Centum VP фирмы Yokogawa. Ключевые слова: нечеткое управление, алкилирование, Centum VP.
Введение. Анализу качества подстройки ПИД-регуляторов посвящено немало трудов [1, 2]. При плохих подстройках оператор будет вести процесс вручную, что повышает нагрузку на оператора, ухудшает качество продукции, повышает риск возникновения аварийной ситуации. ПИД-регуляторами на стандартной логике не учитывают нелинейные зависимости параметров процесса. Решить ряд названных проблем можно при помощи применения правил нечеткой логики для подстройки коэффициентов ПИД-регулятора.
При построении ПИД-регулятора на нечеткой логике необходимо решить следующие задачи:
— разработать математическую модель объекта регулирования;
— произвести идентификацию контура регулирования;
— разработать базу правил для нечеткой логики;
— провести моделирование работы контура с применением нечеткой логики;
— разработать ПО для реализации методов нечеткой логики в АСУТП.
Постановка задачи. Рассмотрим контур управления температуры в колонне С-331 на установке сернокислотного алкилирования (рис. 1). Перепад температуры между 46 и 16 тарелками (датчик ТУС207) регулируется за счет подогрева куба колонны. Куб подогревается в теплообменнике Е-335, в трубчатую часть которого подается пар (расход пара регистрируется прибором 33РЯС201). Расход пара в теплообменник управляется при помощи регулирующего клапана 33ЬУ201 на линии откачки конденсата и датчика уровня ЬШСА201 в конденсато-сборнике. Данный контур представляет собой слож-
