CC BY
42
ИНФОРМАЦИОННЫЕ СИСТЕМЫ В РЕШЕНИИ ПРИКЛАДНЫХ ЗАДА Ч
УДК 004.352.243
БЕЗОПАСНОЕ УПРАВЛЕНИЕ СИНТЕЗОМ АММИАКА С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
М.А. Сафронова
Рассмотрены задачи идентификации и управления синтезом аммиака с использованием нейросетевых технологий, дана краткая характеристика разработанной системы поддержки принятия решения.
Ключевые слова: идентификация, синтез аммиака, нейросетевые технологии, система поддержки принятия решения, безопасное управление.
Синтетический аммиак является сырьем для получения азотной кислоты, аммиачной селитры, мочевины и других химических продуктов, содержащих азот, а также применяется в медицине, холодильной технике и в качестве удобрения.
Процесс производства аммиака относится к опасным производственным объектам и процессам и представляет несомненную сложность с позиций управления из-за большого числа факторов, трудно поддающихся учету и регулированию, а, следовательно, и разработке полностью детерминированных моделей управления.
Для управления подобными процессами используются автоматизированные системы безопасного управления технологическим процессом.
В настоящее время созданы предпосылки для построения высокоэффективных систем по обработке и использованию знаний при решении широкого круга прикладных задач, включая интеллектуальные системы. Внедрение таких систем характеризуется противоречиями, проявляющимися в том, что наблюдаются постоянное возрастание сложности систем и ответственности решений, которое сопровождается сокращением времени на их подготовку и аналитическое обоснование. Одним из направлений разрешения этих противоречий является разработка и внедрение систем
57
поддержки принятия решений (СППР), осуществляющих заблаговременную разработку возможных сценариев, стратегических и тактических решений и их предварительный анализ.
Реализация концепции «приемлемого риска» может быть осуществлена путем создания автоматизированных систем безопасного управления, которые позволяют решать задачу управления таким образом, чтобы риск снижался до уровня приемлемого, либо решать задачу минимизации ущерба в случае возникновения чрезвычайных ситуаций.
Объектом исследования в данной работе является технологический процесс синтеза аммиака, который относится к опасным производственным процессам.
Предметом исследования являются методы и средства поддержки принятия управленческих решений для реализации безопасного управления процессом синтеза аммиака в предаварийной и аварийной ситуациях.
Автоматизированная система управления технологическим процессом производства аммиака — комплекс программных и технических средств, предназначенный для автоматизации управления технологическим оборудованием на предприятиях.
Основная цель создания СППР «Аммиак» - усовершенствование технологической схемы АСУ ТП, следствием чего является непрерывная работа технологической линии производства, защита персонала и оборудования даже в случае выхода из строя какого-либо отдельного элемента противоаварийной защиты (ПАЗ).
В состав СППР «Аммиак» входят следующие подсистемы:
- подсистема обработки параметров, полученных с приборов, считывает значения необходимых параметров;
- подсистема анализа данных выполняет следующие функции: сравнивает полученные данные с допустимыми значениями, хранящимися в файле, и выявляет отклонения в работе системы (накопление ошибки);
- подсистема определения неисправного элемента ПАЗ выполняет следующие функции: выявление неисправного элемента ПАЗ, замена неисправного элемента ПАЗ резервным, сигнализация ПАЗ при условии достижения блокировочной границы 2-мя любыми из 3-х элементов (датчиков);
- подсистема перевода регулятора в режим ручного управления выполняет следующие функции: перевод регулятора в режим ручного управления, включение ручного режима сохранения статистики по ТП;
- подсистема формирования сообщений оператору ЦПУ выполняет следующие функции: формирование сценария управления ТП в текущей ситуации, применение сценария управления ТП в ручном режиме, сохранение сценария управления в файле.
Система предназначена для поддержки принятия решений при аварийных ситуациях сотрудниками Центрального Пульта Управления (ЦПУ) цеха «Аммиак-4» производственного отдела химического предприятия.
58
Исходными данными являются значения параметров, считываемых с датчиков в режиме on-line.
Перечень входных данных СППР «Аммиак»:
- температура газа на входе в метанатор 106 - D;
- давление газа на входе в метанатор 106 - D;
- температура синтез-газа на входе в холодильник 115-С;
- температура газа в катализаторной зоне 1 метанатора 106 - D;
- температура газа в катализаторной зоне 2 метанатора 106 - D;
- температура газа в катализаторной зоне 3 метанатора 106 - D;
- температура газа в катализаторной зоне 4 метанатора 106 - D;
- температура газа в катализаторной зоне 5 метанатора 106 - D;
- нормативные значения параметров;
- весовые коэффициенты, заданные экспертом и хранящиеся в файле (показывают влияние отклонения того или иного параметра от нормативного значения на общий уровень угрозы).
Перечень выходных данных СППР «Аммиак»:
- температура газа на выходе из метанатора 106 - D;
- давление газа на выходе из метанатора 106 - D;
- температура охлаждающего воздуха в холодильнике 115 - C;
- температура синтез-газа на выходе из холодильник 115-С;
- температура синтез-газа на выходе из подогревателя воды 114 - С;
- уровень конденсата в сепараторе 104-F;
- температура газа на выходе из сепаратора 104-F;
- давление газа на выходе из сепаратора 104-F.
Выходные документы в СППР «Аммиак»:
- рекомендации о способе управления параметрами при нахождении регулятора в режиме ручного управления;
- фиксируемые сообщения (сообщения о переходе границ сигнализации и блокировки аналоговых параметров; сообщения об отказе датчиков; сообщения об изменении режима регулятора АВТ/РУЧН; сообщения о корректировки технологического процесса синтеза аммиака; сообщения о состоянии системы).
Работа СППР «Аммиак» построена на обучение многослойного персептрона, функцией активацией скрытых слоев будет являться сигмои-дальная функция. Для обучения нейросематической сети используются положительные примеры работы системы, которые находятся в файле «VYBORKA.txt». Положительными примерами являются допустимые значения для данных параметров. Задаем обучающую выборку, на вход которой будет подан положительный пример, на выходе алгоритма получаем алгоритм обучения для регулятора. Для анализа значений параметров подаем текущие значения параметров в качестве входных данных в нейросе-
59
ти. На выходе получаем информацию о вхождении или не вхождении значения в диапазон допустимых значений. Если значение не входит допустимый диапазон, формируется сообщение оператору о неисправности элемента противоаварийной защиты и о возможности перевода автоматического режима в режим ручного управления. При выборе ручного управления, оператору формируется сообщение о необходимости принятия соответствующих мер. Если оператор дает согласие, СППР «Аммиак» возвращается в состояние равновесия. Таким образом, аварийная остановка производства сводится к минимуму.
Нейросемантическая сеть сконструирована из формальных нейронов, отдалённо напоминающих свой биологический прототип. Структура нейрона состоит из следующих обозначений:
- х\,Х2,...,хп- значения, поступающие на входы (синапсы) нейрона;
- М1\,^2,...,wn- веса синапсов, которые могут быть как тормозящими, так и усиливающими;
- Я - взвешенная сумма входных сигналов:
п
Я = £™гхг - Т; (1)
г =1
- Т - порог нейрона;
- ¥ - функция активации нейрона, преобразующая взвешенную сумму в выходной сигнал,
У = ¥ (Я); (2)
- сигмоидальная функция
У = —1-с1 ■ (3)
1 + е
Теоретическое обоснование нейросетевого моделирования базируется на том, что любую непрерывную многомерную функцию на единичном отрезке [0;1] можно представить в виде конечного числа одномерных:
2n+1 ( n Л
X1 j p (xi) v i=1
(4)
f(xhx2,-,xn) = X g p=1
где g и jp непрерывные и одномерные функции, 1 = const. Отсюда с
помощью любой многослойной нейросематической сети всего с двумя перерабатывающими слоями можно с любой точностью аппроксимировать любую многомерную функцию на единичном отрезке.
Главное отличие и преимущество нейросетей перед классическими средствами интеллектуальных систем заключается в их способности к обучению. На этапе обучения происходит вычисление синаптических коэффициентов в процессе решения нейронной сетью задач, в которых нужный ответ определяется не по правилам, а с помощью примеров, сгруппи-
рованных в обучающие множества. Нейросеть на этапе обучения сама выполняет роль эксперта в процессе подготовки данных для построения экспертной системы. Предполагается, что правила находятся в структуре обучающих данных.
Алгоритм обучения сети в СППР «Аммиак» - алгоритм обратного распространения ошибки. В основу метода легли прямой ход вычисления выходных значений, вычисление ошибки последнего слоя и рекурсивное обратное распространение.
Для выходного слоя определение ошибки 8у нейрона у тривиально -
и напоминает систему поощрений-наказаний, используемую при обучении однослойных сетей.
Для каждого предыдущего слоя ошибка определяется рекурсивно через ошибку следующего слоя:
Причем, для каждого у-го нейрона ошибки следующего слоя как бы распространяются к нему обратно сквозь соответствующие веса. Этот механизм обратного распространения дополнен традиционными для многих градиентных методов оптимизации процедурами оценки вектора кратчайшего спуска, изменения величины шага пропорционально крутизне склона и проч.
Обучаемая нейронная сеть способна сама подстроиться под любые данные с целью минимизации суммарной квадратичной ошибки. Чтобы этого не происходило, при обучении нейросетей используют следующий способ проверки сети. Для этого обучающую выборку еще перед началом обучения разбивают случайным образом на две подвыборки: обучающую и тестовую. Обучающая выборка используются собственно для процесса обучения, при этом изменяются веса нейронов. Тестовая - используются в процессе обучения для проверки на ней суммарной квадратичной ошибки, но при этом не происходит изменение весов. Если нейросеть показывает улучшение аппроксимации и на обучающей, и на тестовой выборках, то обучение сети происходит в правильном направлении. Иначе может снижаться ошибка на обучающей выборке, но происходить ее увеличение на тестовой. Последнее означает, что сеть "переобучилась" и уже не может быть использована для прогнозирования или классификации. В этом случае немного изменяются веса нейронов, чтобы вывести сеть из окрестности локального минимума ошибки.
Обучение сети продолжается по достижении одного из ниже приведенных условий. При работе с нейросетью необходимо избегать её переобучения.
8у = (у - у* ^'(5у )
(5)
(6)
Информационные системы в решении прикладных задач
Условия останова при обучении сети в СППР «Аммиак» приведены в таблице (табл. 1).
Таблица 1
Условия останова при обучении сети в СППР «Аммиак»
Прошло эпох 10000
Максимальная ошибка при обучении 0,05
Средняя ошибка при обучении 0,05
Распознано в обучающей выборке 100
Максимальная ошибка при тестировании 0,05
Средняя ошибка при тестировании 0,05
Распознано в тестовой выборке 100
На рис.1 представлена схема алгоритма обратного распространения ошибки, реализуемого в СППР «Аммиак».
Инициализация
Задание входного вектора и
требуемого выхода ^
Расчет выхода для каждого
элемента в скрытом и _выходном слое_
Расчет отклонения между -ребуемь нзначением и а э кт г ч ее ки п о луч е н н = м
Расчет градиента ошибки
Изменение значения аесов
Рис. 1. Схема алгоритма обратного распространения ошибки, реализуемого в СППР «Аммиак»
Параметры технологического процесса метанирования и мероприятия, направленные на поддержание их значений в допустимом диапазоне представлены в табл. 2.
Схема работы СППР «Аммиак» представлена на рис. 2.
62
Таблица 2
Параметры технологического процесса
Параметр техноло- Описание Элемент управления Мероприятия,
гического процесса позиции направленные на поддержание равновесия параметров
Температура газа на TRC - 12 Теплообменник При понижении температуры
входе в метанатор 106 104-С: газ подогрева- необходимо осуществить байпа-
- Б ется в теплообменнике 104-С газом, выходя- сирование мимо теплообменника 104-С
щим из среднетемпе- При повышении температуры
ратур- необходимо опустить процедуру
ного конвертора окси- байпасирования мимо теплооб-
да углерода менника 104-С
Температура газа в TRA-8-1 ТА-21ЕН, При достижении в любой точке
катализаторной зоне TRA-8-2 ТА-22ЕН, метанатора температуры 455°С
TRA-8-3 ТА-23ЕН, срабатывает соответствующая
TRA-8-4 ТА-24-ЕН, блокировка (ТА-21ЕН, ТА-22ЕН,
TRA-8-5 ТА-25ЕН, ЕшУ-4, ЕшУ-8, НС-11 Сигнализация в ЦПУ, температура в катали-заторной зоне, регулирование осуществляется TRC - 12 ТА-23ЕН, ТА-24-ЕН, ТА-25ЕН). При этом автоматически закрываются отсекатели ЕшУ-4, ЕшУ-8 на входе газа в метанатор и останавливается компрессор 103-J Одновременно закрывается клапан НС-11 на подаче питательной воды в подогреватель питательной воды 114-С
Температура газа на TI-3-47 104-С Сигнализация в ЦПУ, регулиро-
выходе из подогрева- вание осуществляется TRC - 12
теля 104 - С
Давление газа на вхо- PIC - 5 ЕшУ-11 При увеличении давления, избы-
де в метанатор 106 - Б ток газа сбрасывается на факел (открытие/закрытие клапана)
Температура синтез- TICA-32 Вентилятор При повышении температуры
газа на выходе из хо- TICA-32 необходимо увеличить степень
лодильника открытия жалюзи (увеличить
115 - С приток холодного воздуха)
При понижении температуры
необходимо уменьшить степень
открытия жалюзи (уменьшить
приток холодного воздуха)
Температура охлаж- ИА-43-10 Вентилятор Сигнализация в ЦПУ о низкой
дающего воздуха в TICA - 32 температуре охлаждающего воз-
холодильнике духа на холодильник, регулиро-
115 - С вание осуществляется TICA - 32
Температура синтез- TL\-43-5 Вентилятор Сигнализация в ЦПУ, регулиро-
газа на выходе из по- TICA - 32 вание осуществляется TICA - 32
догревателя воды 114 - С
Окончание табл. 2
Параметр технологического процесса Описание позиции Элемент управления Мероприятия, направленные на поддержание равновесия параметров
Температура синтез-газа на выходе из ме-танатора 106 - Б Т1А-43-20 НС-11, 114-С Сигнализация в ЦПУ, регулирование осуществляется с помощью клапана НС-11, осуществляющий подачу (холодной) питательной воды в подогреватель 114-С
Уровень конденсата в сепараторе 104 - Б Ь1С - 26 ЫС - 26, ЬЛ - 23 При увеличении уровня, часть конденсата отводится в отпар-ную колонну 103-Е
Давление синтез-газа на выходе из сепаратора 104 - Б РЯС - 6 ЕшУ-17 При увеличении давления, избыток газа сбрасывается на факел (открытие/закрытие клапана)
Основные этапы работы СППР «Аммиак» представлены на рис. 2,3.
Рис. 2. Контроль процесса синтеза аммиака СППР «Аммиак»
Результатом работы системы является сообщение, выдаваемое оператору о переходе на ручной режим управления, и формирование указаний оператору, необходимых для поддержания работоспособности системы и для предотвращения аварийных ситуаций (рис. 4)
64
Настройка подсистем Ы синтеза Параметры Оборудований Текущие сигм алы и управление Выход 211
ЭТ АП СИНТЕЗА АММИАКА 12 05.2009 16:55:5В
Рис. 3. Оценка текущих значений параметров процесса синтеза
аммиака СППР «Аммиак»
Рис. 4. Информационное сообщение СППР «Аммиак» по текущей
ситуации синтеза аммиака
65
Выдача сообщений оператору может осуществляться как для одного элемента противоаварийной защиты, вышедшего из строя, так и для нескольких одновременно вышедших из строя элементов ПАЗ.
Список литературы
1. Системы искусственного интеллекта. Практический курс : учеб. пособие для вузов / В. А. Чулюков [и др.]. М.: БИНОМ. Лаборатория знаний : ФИЗМАТЛИТ, 2008. 293 с.
2. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 176 с.
3. Иконников Н.К., Белова Н.П., Леонов В.Т. Технологические расчеты каталитической конверсии углеводородных газов в процессе получения технологического газа для синтеза аммиака. Методические указания. Новомосковск, 1990. 53 с.
4. Мавлютов Р.Р., Алексеев А.М., Засорин А.П. Технология связанного азота. К.: Вища шк, Головное изд-во, 1985. 327 с.
5. Осовский С. Нейронные сети для обработки информации / пер. с польского И.Д.Рудинского. М.: Финансы и статистика, 2002. 344 с.
Сафронова Марина Алексеевна, доц., safronovama@rambler.ru, Россия, Тула, Тульский государственный университет
SAFE CONTROL OF THE SYNTHESIS OF AMMONIA WITH THE USE OF NEUROETNETWORK TECHNOLOGIES
M.A. Safronova
The problems of identification and management of ammonia synthesis using neural network technologies are considered, and a brief description of the developed decision support system is given.
Key words: identification, ammonia synthesis, neural network technologies, decision support system, safe management.
Safronova Marina Alekseevna, docent, safronovama@rambler. ru, Russia, Tula, Tula State University
