CC BY
36МЕТОД ПОСТРОЕНИЯ СИСТЕМЫ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СРЕДСТВ АВТОМАТИЗАЦИИ И ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ НА ПРИМЕРЕ РЕКТИФИКАЦИОННОЙ КОЛОННЫ С ОДНИМ БОКОВЫМ
ОТБОРОМ
METHOD FOR BUILDING A SYSTEM FOR DIAGNOSTICS OF AUTOMATION EQUIPMENT AND PROCESS EQUIPMENT ON THE EXAMPLE OF A RECTIFICATION COLUMN WITH ONE SIDE SELECTION
УДК 532.546
Мусина Адилия Камилевна, студент-магистрант, Уфимский государственный нефтяной технический университет. Россия, г. Уфа Musina Adiliya Kamilevna, master's student, Ufa State Petroleum Technological University. Russia, Ufa city
Аннотация: В статье рассматривается метод комплексного использования различных методов функциональной диагностики приборов технических средств автоматизации с использованием динамической модели ректификационной колонны.
Annotation: The article deals with the method of complex use of various methods of functional diagnostics of devices of technical automation tools using a dynamic model of a rectification column.
Ключевые слова: Система диагностирования, Ректификационная колонная, Когнитивная карта, Математическое моделирование, продукционные правила и имитационное моделирование.
Key words: Diagnostic system, Rectification column, Cognitive map, Mathematical modeling, production rules and simulation.
В настоящее время широко применяются методы диагностирования, позволяющие обнаруживать постепенные отказы технологического оборудования, определять износ, оценивать остаточный ресурс и проводить мониторинг состояния на технологическом оборудовании, лишь в моменты останова и ремонтных работ [1-3, 6]. Таким образом, на сегодняшний день требуется развитие систем диагностирования (СД), которые позволяли бы реализовывать комплексную технологию мониторинга отказов элементов автоматизирующего технологического комплекса (АТК).
Одним из сложных для управления объектов, в том числе по причине отказа технологического оборудования и технических средств автоматизации (ТСА), является ректификационная колонна (РК). Могут иметь место такие
отказы оборудования как провалы тарелок, а система управления может стать не надежной из-за большого количество ТСА.
Одним из основных способов обеспечения промышленной безопасности на предприятиях нефтегазовой отрасли является систематический контроль технического состояния оборудования.
Целью данной работы является разработка метода диагностирования элементов АТК на примере РК с одним боковым отбором.
Разработка и внедрение систем диагностики состояния РК является важным элементом обеспечения их безопасной эксплуатации, и решению этих вопросов посвящено достаточно большое количество литературы [8-10].
1. Моделирование сложных РК
Вопросы моделирования сложных ректификационных колонн для разделения нефтяных смесей подробно изложены в литературе [8].
Для сложных объектов, подобных РК, формальные модели не годятся по целому ряду. В данной работе используется когнитивная модель РК.
Когнитивная модель позволяет определить взаимосвязи между будущим, настоящим и прошлым исследуемого процесса [6, 7] на основе априорно выявленных закономерностей процесса. Достоинство КК является то, что они используются для решения широкого круга задач, связанных с моделированием плохо формализованных процессов, их прогнозированием и поддержкой принятия решений. Недостаток заключается в том, что нечеткость или «непрозрачность» ситуации, в которой необходимо принимать решение, заключается в слабой структурированности ситуации, так как не все факторы, влияющие на развитие ситуации в дальнейшем заранее известны.
С учетом структуры строгой модели [4] примем допущение, что состояние отдельной тарелки достаточно полно описывается семью переменными:
1'п - количество жидкости в сливном стакане; 1п - количество жидкости в тарелке; хп - концентрация жидкости в тарелке; вп - температура жидкости в тарелке; уп - количество пара в тарелке; уп - концентрация пара в тарелке; Тп - температура пара в тарелке;
Рассмотрим ректификационную колонну с одним боковым отбором.
Проведем нормированные к шкалам (по температуре - [0; 500 0С]; по давлению - [0; 5 бар]; по расходу - [0; 5000 м3/ час]) значения концептов в статике. Когнитивная карта РК приведена на рис. 1. Учет внешней среды моделируется подачей на узлы графа воздействий, характерных для реального объекта, в данном случае, изменение расхода сырья ¥с.
Научно-образовательный журнал для студентов и преподавателей №3/2020
Внешняя среда = 0,9; ^ = 0,5 (начальный расход сырья);
= 0,5 (начальная температура сырья); ¿изм = 0,7 (измененная температура сырья); Тизм = 0,6 (измененный расход сырья), = 0,4 (расход на выходе из колонны К-201); ¿рых = 0,5 (температура сырья на выходе из колонны К-201 по датчику СУ); ¿ВЫх = 0,6 (заданная температура сырья на выходе); ^вьк = 0,7 (заданный расход сырья на выходе); и = 0,5 (управляющее воздействие регулятора); е = 0,7 (ошибка регулирования)
Рисунок 1 - Когнитивная карта ректификационной колонны с одним
боковым отбором Определим статическую устойчивость, на примере концепта С8. С82 = ^38 • с! + ж28 • с! + ж18 • С1 + • С1 = 0.2 • 0.3 + (-0,2084) • (-0.43) + 0.2 • 0.36 + 0.4 • 0.2 = 0.3016 = С8!
Для оценки устойчивости системы в динамике изменим значения С0 = 0,36 и С0 = 0,43 на 0,1, приняв соответственно С"! = 0,26 и С0 = 0,33 на /-м шаге.
Например, вычисляются которые будем сравнивать с
измеряемыми значениями.
С7£+1 = С7_1. • (1 - ^) + • С" ~ + С7_2- • (1 - ) + К7_2 • С2 ~ + С7_8-
7_1/
Т-
7_1
Т-
7_2
т-
7_2
1
т-
+ Кп о • СГ ■
7_8
7_8 • • ™ + ^7_9. • (1
17_8 V I'
+ Кп с • Сг ■
7_9
7_9
т
7_9
На основании полученных результатов делаем вывод, что система практически придет в равновесие на /+8 шаге.
2. Формирование диагностических показателей и разработка системы диагностики
Т
т
т
т
Система диагностики (СД) базируется на сопоставлении вычисленных по модели и измеренных значений технологических параметров РК.
База знаний СД представляет собой совокупность правил, описывающих закономерности связи параметров моделируемого объекта и неисправности ТСА или технологического оборудования. [7, 8].
Выделим следующие элементы объекта диагностирования: неисправность датчика температуры на 1-ой тарелке; неисправность датчика расхода сырья; неисправность исполнительного устройства; неисправность датчика температуры на выходе из колонны К-201; неисправность датчика расхода сырья на выходе из колонны К-202;
Сформируем диагностические показатели и следующие обозначения: - температура на тарелке отбора 1-го продукта; ^ - расход на выходе из тарелки 1-го продукта; - величина разбаланса (в т.ч теплового); п - К.П.Д ректификационной колонны с одним боковым отбором; д^ - допустимые границы отклонений.
В качестве моделей для расчета переменных используются следующие выражения:
1) ^вых = и*Ж6; = ¿вых - £Вых
2) = % +И>1 ); Я2 = ¿ИзМ - См;
3) Бз = ¥с
4) = ^Иу%зм *и-^з * tврых
5) = * ^Вых *^иу%зм ; ^5 = £ -
Диагностические показатели:
1) = ^вых - ^мых I > $1
2) ^2= ^изм - ^Изм1 > #2
3) ^3= 1#з1 >
4) ^4= 1&4 > #4
5) ^5= - >
где ^ - допустимые границы отклонений.
Продукционные правила:
1) «ЕСЛИ А л - ТО» - неисправность датчика температуры на 1-ой тарелке;
2) «ЕСЛИ ^ а л - ТО» - неисправность датчика расхода сырья;
3) «ЕСЛИ л - ТО» - неисправность исполнительного устройства;
4) «ЕСЛИ а л - ТО» - неисправность датчика температуры на выходе из колонны К-201;
5) «ЕСЛИ ^2а л - ТО» - неисправность датчика расхода сырья на выходе из колонны К-202;
3. Имитационное моделирование
Используя возможности ИУБУБ и его моделирование, реализуем колонну К-201.
\Alume РегеагЛ
Рисунок 2 - график РК в ПО НУБУБ
Рисунок 3 - Имитационная модель в У1б1ш Вывод: Предлагаемая система диагностирования реализована в программном имитаторе. Таким образом, система оперативного диагностирования позволяет проводить постоянный мониторинг состояния элементов АТК РК в реальном времени, своевременно обнаруживать технологический отказ.
Использованные источники:
1. Ермолаева В. А., Николаева Д. М. «МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ РЕКТИФИКАЦИИ МНОГОКОМПОНЕНТНОЙ СМЕСИ» // Вестник Муромского института Владимирского государственного университета им. А. Г и Н. Г. Столетовых (Россия, г. Муром). Химические науки - Муром, 2016. - С. 35 DOI: 10.24411/25001000-2019-10567
2. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика: учебное пособие. - М.: Радиотехника, 2009. 329 с.
3. Веревкин А.П. Когнитивные модели в системах искусственного интеллекта: цели и методы построения // Интеграция науки и образования в вузах нефтегазового профиля - 2016: сб. тр. междунар. науч.-метод. конф., посвященной 60-летию филиала Уфим. гос. нефтян. техн. ун-та в г. Салавате, 13-16 мая 2016 г. Салават, 2016. С. 167-170.
4. Ермолаева В.А. Алгоритмы расчета и расчетные характеристики химикотехнологических процессов // Международный журнал прикладных и фундаментальных исследований. - 2018. -№5. - С. 28-33
5. Азизов С. А., Али-заде Н. C., Искандер-заде З. А., Молчанов А. М., «Современное состояние математического моделирования ректификационных колонн» препр. №54/ ИПМ АН СССР. - М. : [б. и.], 1974. - 18 с. - Библиогр.: с. 15-18 (34 назв.).
6. Verevkin A.P., Kiryushin O.V. The Synthesis of Complex Logical Controllers with Variables of Boolean and Fuzzy Logics. Series:Advances in Intelligent Systems Research. Proceedings of the 7th Scientific Conference on Information Technologies for Intelligent Decision Making Support (ITIDS 2019). p. 49-52.
7. Онтологическое моделирование предприятий: методы и технологии : монография ; [отв. ред. С. В. Горшков] ; предисл. С. В. Горшкова. -Екатеринбург : Изд-во Урал. ун-та, 2019.- 236 с.
8. Ларичев О. И., Нарыжный Е. В. Компьютерное обучение процедуральным знаниям // Психологический журнал. — 1999.— Т. 20, № 6. — С. 53-61.
9. Искусственный интеллект. В 3-х кн.: Справочник / Под ред. В.Н. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990, Кн. 1 - 426 с.; Кн. 2. - 304 с.; Кн. 3. - 368 с.
10. Е.К. Корноушенко. Процедура классификации объектов с семантической классификацией признаков //Автоматика и телемеханика, № 11, 2019.С. 140-154.
11. И. А. Илюшин, И. В. Евдокимов. Программное обеспечение идентификации экономических нелинейных динамических систем в классе блочно-ориентированных моделей // Современные информационные технологии. 2016. № 23 (23). С. 21-24.
12. Химмельблау Д.М. Прикладное нелинейное программирование /Издательство Мир: М.: 1975. 536 c.
13. Веревкин А.П., О.В. Кирюшин. Автоматизация технологических процессов и производств в нефтепереработке и нефтехимии. Уфа: Изд-во УГНТУ, 2005. 171 с.
14. Terrence Blevins, Willy K. Wojsznis, Mark Nixon. Advanced Control Foundation: Tools, Techniques and Applications.ISA. 2012. - 556 p.
15. Веревкин А.П., Кирюшин О.В. Теория систем: Учеб. пособие. - Уфа: Изд-во УГНТУ, 2003. 100 с.
Used sources:
1. Ermolaeva V. A., Nikolaeva D. M. "MATHEMATICAL MODELING OF RECTIFICATION OF MULTICOMPONENT MIXTURE" // Bulletin of the Murom Institute of Vladimir State University named after A. G and N. G. Stoletovs (Russia, Murom). Chemical Sciences - Murom, 2016 .-- S. 35 DOI: 10.24411 / 2500-1000-2019-10567
2. Vasiliev V.I., Ilyasov B.G. Intelligent control systems. Theory and practice: a training manual. - M .: Radio engineering, 2009.332 s.
3. Verevkin A.P. Cognitive models in artificial intelligence systems: goals and methods of construction // Integration of science and education in universities of oil and gas profile - 2016: Sat. tr Int. scientific method. Conf., dedicated to the 60th anniversary of the branch of Ufa. state oil industry. tech. University in Salavat, May 13-16, 2016 Salavat, 2016. P. 167-170.
4. Ermolaeva V.A. Calculation Algorithms and Calculation Characteristics of Chemical-Technological Processes // International Journal of Applied and Fundamental Research. - 2018. -No. 5. - S. 28-33
5. Azizov S. A., Ali-zade N. C., Iskander-zade Z. A., Molchanov A. M., "The current state of mathematical modeling of distillation columns" prep. No. 54 / IPM Academy of Sciences of the USSR. - M.: [b. and.], 1974. - 18 p. -Bibliography: p. 15-18 (34 titles).
6. Verevkin A.P., Kiryushin O.V. The Synthesis of Complex Logical Controllers with Variables of Boolean and Fuzzy Logics. Series: Advances in Intelligent Systems Research. Proceedings of the 7th Scientific Conference on Information Technologies for Intelligent Decision Making Support (ITIDS 2019). p. 49-52.
7. Ontological modeling of enterprises: methods and technologies: monograph; [resp. ed. S. V. Gorshkov]; foreword S.V. Gorshkova. - Yekaterinburg: Publishing House Ural. University, 2019.- 236 p.
8. Larichev O. I., Naryzhny E. V. Computer training in procedural knowledge // Psychological Journal. - 1999.— T. 20, No. 6. - S. 53-61.
9. Artificial STUD NET intelligence. In 3 books: Reference book / Ed. V.N. Zakharova, V.F. Khoroshevsky. - M .: Radio and communications, 1990, Prince. 1 - 426 s .; Prince 2. - 304 s .; Prince 3 .-- 368 s.
10. E.K. Kornoushenko. The classification procedure of objects with a semantic classification of signs // Automation and Remote Control, No. 11, 2019.P. 140154.
11. I.A. Ilyushin, I.V. Evdokimov. Identification software for economic nonlinear dynamic systems in the class of block-oriented models // Modern Information Technologies. 2016. No 23 (23). S. 21-24.
12. Himmelblau D.M. Applied Nonlinear Programming / Publisher Mir: M .: 1975. 536 c.
13. Verevkin A.P., O.V. Kiryushin. Automation of technological processes and production in oil refining and petrochemicals. Ufa: Publishing House of Ural State Technical University, 2005.171 s.
14. Terrence Blevins, Willy K. Wojsznis, Mark Nixon. Advanced Control Foundation: Tools, Techniques and Applications.ISA. 2012 .-- 556 p.
15. Verevkin A.P., Kiryushin O.V. Theory of systems: Textbook. allowance. - Ufa: Publishing House of Ural State Technical University, 2003.100 p.
