CC BY
33
УДК 004.032.26; 519.65
Нейросетевое оценивание ненаблюдаемых процессов на примере зашлаковывания нефтехимического реактора
И.В. НЕКРАСОВ, к.т.н., архитектор программных решений
ООО «ДжиИ Рус» (General Electric Company, GE Digital), (Россия, 12331, Москва,
Пресненская наб., д. 10 (Башня на набережной), 11 этаж).
E-mail: ivannekr@mail.ru
И.Ф. ЖАГФАРОВ, руководитель проектов внедрения цифровых решений ООО «ДжиИ Рус» (General Electric Company, GE Digital) (Россия, 12331, Москва, Пресненская наб., д. 10 (Башня на набережной), 11 этаж). E-mail: zhagfarov@gmail.com А.Д. КОНДРАТЬЕВ, генеральный директор
ООО «Центр индустриальной аналитики» (Россия, 108811, Москва, г. Московский, ул. Московская, д. 2, кв. 9). E-mail: carne2012@yandex.ru
В настоящей работе представлены результаты применения нейросетевых методов моделирования к задаче оценивания неизмеримых параметров физико-химических процессов. Рассмотрен процесс зашлаковывания нефтехимического реактора, протекающий совместно с основным технологическим процессом и оказывающий на него негативное влияние. В условиях отсутствия прямых физических показателей зашлакованности применена технология «Нейросетевого виртуального анализатора», позволяющая оценить текущий уровень загрязнения на основании косвенных измерений технологических параметров основного процесса. В практическом приложении предложенная технология оценки зашлакованности реактора в реальном времени может быть успешно применена для оперативного планирования мероприятий по его чистке и обслуживанию.
Ключевые слова: восстановление ненаблюдаемых параметров, нейронная сеть, машинное обучение с учителем, виртуальный анализатор, реактор на нефтехимическом производстве.
Введение
Технологические процессы химической и, в частности, нефтехимической промышленности по праву считаются одними из самых сложных с точки зрения их математического описания. Технологический цикл, например, переработки нефти и газа характеризуется десятками взаимосвязанных физико-химических процессов [1], течение которых описывается сотнями параметров. Попытки строгого описания процессов системами уравнений, основанных на физико-химических законах и зависимостях, приводят к сложнейшим математическим моделям [2], использование которых в прикладных целях затруднительно. Однако, опыт внедрения систем автоматизации в химической промышленности показывает [3], что при постановке и решении узкопрофильных практических задач можно достигнуть приемлемого результата с использованием упрощенных аппроксимационных моделей. Одним из наиболее распространенных классов подобных моделей в современной интерпретации являются нейросетевые аппроксимации [4]. В ряде случаев нейронные сети успешно применяются для решения многих производственных задач, включая восстановление измерений, прогнозирование, оптимальное
управление и восстановление сигналов [5]. В настоящей работе данная технология адаптирована для решения прикладной производственной задачи оценивания уровня зашлакованности нефтехимического реактора, прямое измерение или явный алгоритмический расчет которого недоступны.
Нейросетевое моделирование технологических процессов
Непрерывный процесс с точки зрения наблюдения [6] представляет собой совокупность зависимостей всех характеризующих его параметров от времени
= 3? (?), (1а)
где х = (.....хп) - вектор параметров
(вектор состояния) процесса, ? - переменная времени.
Заметим, что представление (1а) лишь констатирует течение процесса, не вскрывая каких-либо взаимозависимостей между его параметрами и не давая математической модели наблюдаемого явления. Учитывая временную дискретность процесса наблюдения за счет применения цифровых измерителей и систем управления, описание (1а) представим в виде упорядоченных срезов вектора состояния х , каждому из которых соответствует момент его замера т:
* ( ) = [* fa) * (Т2 )..... * (xm)
(1б)
Прикладной смысл математического моделирования можно охарактеризовать как задачу расчета будущего состояния системы (процесса) на основе текущего и предыдущих ее состояний [7]. Прямое решение данной задачи может быть осуществлено на основе аналитического или функционального описания процесса [7]. Нейросетевой подход, напротив, не основан на поиске прямых функциональных зависимостей, а опир ается на анализ сочетаний параметров в каждом срезе х (т,) и чередовании срезов [5]. В результате, при наличии достаточной базы срезов состояния х(т,), / = 1.....1, I статистика их чередования и изменения с достаточной точностью аппроксимирует поведение системы, а формализованный аппарат нейронных сетей [4] позволяет построить ее модель, не имея представления о сути происходящих в ней физических процессов.
НАШ САЙТ В ИНТЕРНЕТЕ: WWW.NEFTEGAZOHIMIYA.RU
(ИМИЧЕСКИЕ ТЕХНОЛОГИИ И ПРОДУКТЫ
Ненаблюдаемый процесс зашлаковывания и его косвенное измерение на основе нейронной сети
Применим описанную технологию к процессам нефтехимического производства. Не имея точного математического описания технологической установки, на основании опыта эксплуатации [8] выделим два взаимосвязанных подпроцесса - основное производство и сопутствующий процесс зашлаковывания, вызванный непосредственно течением основного процесса. При этом заметим, что процесс зашлаковывания ухудшает характеристики основного процесса [8], однако не имеет собственных физически измеримых онлайн показателей. Данная ситуация характерна для замкнутых установок, уровень загрязнения которых устанавливается только по результатам визуальных осмотров в выключенном состоянии. Схема наблюдения и взаимного влияния указанных процессов представлена на рис.1.
Как видно из рис.1, полное состояние всего производственного процесса х(т,) складывается из измеримого вектора параметров состояния технологического процесса хтп(т) и неизмеримой части процесса загрязнения. Стандартной технологией восстановления недоступного для наблюдения параметра является обучение нейронной сети по желаемому выходному параметру (рис. 2, 3) [4].
При этом входными сигналами сети должны являться все доступные измерения, имеющие существенное влияние на восстанавливаемый выходной параметр. Данный подход получил название «нейросетевой виртуальный анализатор», или «виртуальный датчик», по сути являющийся нейронной сетью, прошедшей обучение с учителем [4].
Однако для обучения виртуального датчика (как и при любом процессе обучения с учителем) требуется историческая выборка полных срезов вектора состояния исследуемой системы, включая измерения по самому восстанавливаемому параметру (что фактически означает его наблюдаемость в прошлом). Данный факт существенно ограничивает прямое применение технологии виртуального анализатора к рассматриваемой нами практической задач оценки зашлакованности нефтехимического реактора. В процессе работы реактора отсутствует какая-либо информация об уровне загрязнения - соответствующие замеры доступны только при остановах на плановое обслуживание, которое осуществляется в среднем один раз в квартал. Такого количество замеров (не более четырех точек в год) не достаточно для реализации классического сценария обучения нейронной сети с учителем [4].
Оценка зашлакованности в условиях недостаточности выборки параметра
Одним из возможных выходов, по мнению авторов, в подобной ситуации является эмулирование недостающих данных для обучения сети. Имея точные значения на момент пуска реактора после чистки (абсолютно чистое состояние, соответствующее 0% загрязнения) и замеры загрязненности на момент останова и вскрытия на чистку, необходимо подобрать форму кривой, соединяющей имеющиеся точки (рис. 4).
Выдвигая гипотезы о форме кривой нарастания загрязнения, можем осуществить явный расчет предполагаемого уровня зашлакованности для всей имеющейся истории измерений.
Обратим внимание на тот факт, что при обучении нейронной сети множество обучающей выборки разделяют на две группы [4, 5]: часть точек используется для обучения, часть - для проверки расчетов. Степень адекватности ней-росетевой модели напрямую рассчитывается как доля совпадений расчетов модели и значений тестовой выборки.
Взаимное влияние наблюдаемого технологического и ненаблюдаемого сопутствующего процесса загрязнения
и
Производственный процесс х (т,)
Основной
технологический
процесс
Хтп (т, )
I
Сопутствующий , . процесс х (т1) загрязнения
Хтп (т/ )
Измерения
Восстановление ненаблюдаемого параметра по нейросетевой модели
Производственный процесс Хтп (Т/ ) Хтп (Т/) _
Хтп ) Хзагр(-С/) Точные измерения
Нейросетевая модель производственного процесса ХзагрЬ1) _
Аппроксимация по модели
Обучение нейронной сети по исторической выборке
Гипотетические кривые зашлаковывания, восстановленные по точкам останова
а ^
о 5
> 1 э
л
100%
. —
/ / У
а<
/
а,
у
/ Г / / /
'У
а N
. Останов (N-1)
N
с°ж. 100%,
Мобщ
где Мобщ - общее количество точек тестовой выборки; Ысовп - количество точек, рассчитанных нейронной сетью, результат в которых совпал со значениями тестовой выборки.
Таким образом, предполагая, что чем ближе выбранная форма кривой нарастания зашлакованности к истинному течению процесса, тем выше адекватность модели, можем перебрать некоторое количество вариантов данной кривой и выбрать ту, которая соответствует максимальному значению показателя адекватности. Выбранная кривая будет вносить минимальные искажения в исходную модель и мо-
Рис. 1
Рис. 2
Рис. 3
Рис. 4
Останов N
0
Останов 1
Останов 2
НефтеГазоХимия 33
жет рассматриваться как наилучшее приближение реального процесса загрязнения.
Обучив итоговую нейронную сеть с учетом параметра зашлакованности и выбрав последний в качестве ее выходного параметра, получим виртуальный датчик загрязненности (см. рис. 2). Полученный виртуальный датчик может применяться для оценки текущего уровня зашлакованности нефтехимического реактора в реальном времени без его вскрытия. Работа датчика осуществляется в режиме онлайн на основании данных, поступающих из действующей АСУ.
Апробация подхода на реальном реакторе нефтехимического производства
Опираясь на выборку исторических значений параметров работы и записи журналов технического обслуживания нефтехимического реактора, проведем синтез нейросете-вой модели его работы, синтезируем виртуальный датчик уровня загрязнения и оценим эффективность полученной системы. В качестве критерия эффективности примем степень совпадения расчетного уровня закоксованности с фактическими наблюдениями в момент очередного вскрытия реактора. Исходные данные для построения виртуального анализатора представлены в табл. 1, табл. 2 и рис. 5.
Синтез модели и циклические расчеты по поиску оптимальной кривой нарастания закоксованности (в соответствии с предложенным выше подходом) будем осуществлять на программном пакете General Electric CSense [8], предназначенном для нейросетевого моделирования, оптимизации и управления технологическими процессами и объектами.
Эксперимент 1. Использование одного цикла очистки для обучения нейронной сети виртуального анализатора Цикл обучения: № 3 по табл. 2
Цель: обучение модели и расчет на ее основе уровня загрязнения на остановах: № 4 и 5 по табл. 2.
Критерий: сравнить расчетный уровень загрязнения с фактически наблюдаемым на моменты остановов.
Ниже на рис. 6 и в табл. 3 представлены результаты эксперимента 1.
Эксперимент 2. Использование двух циклов очистки для обучения нейронной сети виртуального анализатора Циклы обучения: № 2 и 3 по табл. 2 Цель: обучение модели и расчет на ее основе уровня загрязнения на остановах: № 4 и 5 по табл. 2.
Критерий: сравнить расчетный уровень загрязнения с фактически наблюдаемым на моменты остановов.
Таблица 1
Исходные данные моделирования
Параметр Значение
Количество измеряемых 51 параметр из АСУ
параметров процесса 18 параметров из лабораторной
системы
Дополнительный виртуальный Нормированный уровень
параметр закоксованности, значение
от 0 до 1
Дискретность опроса 1 ч по параметрам из АСУ
12 ч по параметрам из
лаборатории
Временной охват 18 мес
исторической выборки
измерений
Общее количество остановов 5 остановов
в предоставленных
данных (согласно журналу
обслуживания)
Количество остановов, От 1 до 3 остановов для
использованных для обучения различных экспериментов
Количество остановов, От 1 до 2 остановов для
использованных для проверки различных экспериментов
Таблица 2
Таблица остановов
Наблюд-
.. аемый „ Экспертная оценка
№ „ „ Характе-
, Запуск Останов уровень своевременности
п/п ' ристика
при останова
_вскрытии_
Дата 1_1
(не в архиве)
Дата 1_2 0,5 Средний Преждевременный
2. Дата 2_1 Дата 2_2 0,25 Низкий Преждевременный
3. Дата 3_1 Дата 3_2
Аварийно высокий
С опозданием
4. Дата 4 1 Дата 4 2 0,85 Штатно Своевременный
высокий
Таблица 3
Результаты Эксперимента 1
5. Дата 5_1 Дата 5_2
Штатно высокий
Своевременный
№ останова Наблюдаемый уровень при вскрытии Расчетный уровень по виртуальному датчику Относительная ошибка виртуального датчика
1 0,5 Не рассчитывался, т.к. происходил ранее -
2 0,25 Не рассчитывался, т.к. происходил ранее -
3 1 Использован для обучения нейросети -
4 0,85 0,896 5%
5 0,9 1,02 13%
График остановов на примере измеряемого параметра реактора (температура)
№ 1 N 2 л \ № 3 № 4 № 5 TtyfWfJ
1 1 У
1
Рис. 5
НАШ САЙТ В ИНТЕРНЕТЕ: WWW.NEFTEGAZOHIMIYA.RU
ХИМИЧЕСКИЕ ТЕХНОЛОГИИ И ПРОДУКТЫ -#
Ниже на рис. 7 и в табл. 4 представлены результаты эксперимента 2.
Эксперимент 3. Использование трех циклов очистки для обучения нейронной сети виртуального анализатора Циклы обучения: № 2, 3, 4 по табл. 2 Цель: обучение модели и расчет на ее основе уровня загрязнения на останове № 5 по табл. 2.
Критерий: сравнить расчетный уровень загрязнения с фактически наблюдаемым на момент останова.
Ниже на рис. 8 и в табл. 5 представлены результаты эксперимента 3.
Заключение
В настоящей работе рассмотрена важная практическая задача оценки уровня зашлакованности нефтехимического реактора на основании технологии виртуального анализатора. Основным принципом рассмотренного подхода является восстановление текущего значения указанной ненаблюдаемой величины по косвенным измерениям других технологических параметров. Применение классического нейросетевого программного датчика в данной ситуации не представляется возможным по причине отсутствия регулярной истории измерения уровня зашлакованности. В условиях доступности отдельных точечных замеров уровня загрязненности в моменты вскрытия технологической установки для обслуживания авторами предложен метод, позволяющий подобрать наиболее вероятную кривую нарастания уровня загрязненности и на ее основе восстановить полную историю измерения этого параметра. Экспериментальные исследования на реальных производственных данных показали, что использование эмулированной истории позволяет создать нейросетевой виртуальный датчик зашлакованности, обладающий приемлемой точностью (с ошибкой не более 5% по прогнозированию на следующем цикле работы, см. табл. 3-5).
Результаты работы будут использованы для дальнейших исследований в данном направлении. В частности, наиболее перспективными вопросами, по мнению авторов, являются: исследование оптимальной формы базовой кривой загрязнения, апробация метода для задач с несколькими ненаблюдаемыми параметрами. Текущая версия решения может успешно применяться на производственных объектах, о чем свидетельствуют результаты экспериментов на реальных измерениях реактора нефтехимического производства.
Таблица 4
Результаты эксперимента 2
№ останова Наблюдаемый уровень при вскрытии Расчетный уровень по виртуальному датчику Относительная ошибка виртуального датчика
1 0,5 Не рассчитывался, т.к. происходил ранее -
2 0,25 Использован для обучения нейросети -
3 1 Использован для обучения нейросети -
4 0,85 0,856 0,7%
5 0,9 0,77 14,5%
4•2017
Рис. 6
Эксперимент 1: график показаний виртуального датчика закоксованности
Рис. 7
Эксперимент 2: график показаний виртуального датчика закоксованности
1 Таблица 5 1
Результаты эксперимента 3
№ останова Наблюдаемый уровень при вскрытии Расчетный уровень по виртуальному датчику Относительная ошибка виртуального датчика
1 0,5 Не рассчитывался, т.к. происходил ранее -
2 0,25 Использован для обучения нейросети
3 1 Использован для обучения нейросети
4 0,85 Использован для обучения нейросети
5 0,9 0,934 4%
Рис. 8
Эксперимент 3: график показаний виртуального датчика закоксованности
1 № 3 J / № 4 ■ № 5 п
1 11 / № 2
НефтеГазоХимия 35
СПИСОК ЛИТЕРАТУРЫ
1. Жагфаров Ф.Г., Карпов А.Б., Козлов A.M. Основные процессы глубокой химической переработки природного газа: учеб. пособ. для вузов. M.: Букстрим, 2013. 172 с.
2. Азаров В.Л., Лупичев Л.Н., Тавризов Г.А. Математические методы исследования сложных физических систем (АН СССР, Институт проблем управления). М.: Наука, 1975. 342 с.
3. Холоднов В.А., Дьяконов В.П., Иванова Е.Н., Кирьянова Л.С. Математическое моделирование и оптимизация химико-технологических процессов: практ. рук-во. СПб.: Профессионал, 2003. 478 с.
4. Заенцев И.В. Нейронные сети: основные модели: учеб. пособ. к курсу «Нейронные сети». - Воронеж: физический факультет Воронежского государственного университета, 1999. 76 с.
5. I.F. Croall, J.P. Mason (Eds.). Industrial Applications of Neural Networks:
Project ANNIE Handbook. Springer-Verlag, ECSC - EEC - EAEC, Brussels -Luxembourg, 1992. 310 p.
6. Стрейтс В. Метод пространства состояний в теории дискретных линейных систем управления // пер. с англ. под ред. Я.З. Цыпкина. М.: Наука, 1985. 295 с.
7. Зарубин В.С. Математическое моделирование в технике. М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. 496 с.
8. Капустин В.М., Гуреев А.А. Технология переработки нефти: учеб. пособ. для вузов в 2 ч. Ч. 2 Деструктивные процессы. М.: КолосС, 2008. 336 с.
9. CSense 6.0 from GE Digital. Industrial analytics software that optimizes asset and process performance. URL: https://www.ge.com/digital/sites/default/files/ csense-from-ge-digital-datasheet.pdf. (дата обращения 20.11. 2017)
ESTIMATING THE UNOBSERVED PROCESS OF PETROCHEMICAL REACTOR POISONING USING NEURAL NETWORK TECHNOLOGY
NEKRASOV I.V., Cand. Sci. (Tech.), Software Solution Architect
"GE Rus" LTD (General Electric Intelligent Platforms) (10, Presnenskaya Nab., 12331, Moscow, Russia). E-mail: ivannekr@mail.ru
ZHAGFAROV I.F., digital solutions implementation manager
"GE Rus" LTD (General Electric Intelligent Platforms) (10, Presnenskaya Nab., 12331, Moscow, Russia). E-mail: zhagfarov@gmail.com KONDRATYEV A.D., General Manager
LLC «Center of Industrial Analytics» (2, apart. 9, 108811, Moscow City, Moscow St., Moscow, Russia). E-mail: carne2012@yandex.ru
ABSTRACT
This paper represents the results of applying neural network technology to the problem of estimating unobserved parameters of physical and chemical processes. We investigate the process of petrochemical reactor poisoning that affects the primary technological process while proceeding simultaneously with it. Having no direct measurement of the reactor fouling level we apply the "neural network virtual sensor" technology to estimate its current value based on observed parameters of technological process.
From a practical standpoint the suggested approach of estimating the fouling level of the petrochemical reactor can be implemented as an online software solution that is utilized for dynamic scheduling of cleaning and maintenance procedures.
Keywords: estimating unobserved parameters, neural network, supervised machine learning, virtual sensor, petrochemical reactor.
REFERENCES
Zhagfarov F.G., Karpov A.B., Kozlov A.M. Osnovnyye protsessy glubokoy khimicheskoypererabotki prirodnogo gaza [The main processes of deep chemical processing of natural gas]. Moscow, Bukstrim Publ., 2013. 172 p. Azarov V.L., Lupichev L.N., Tavrizov G.A. Matematicheskiye metody issledovaniya slozhnykh fizicheskikh sistem (AN SSSR, Institut problem upravleniya) [Mathematical methods for investigating complex physical systems (USSR Academy of Sciences, Institute for Control Sciences)]. Moscow, Nauka Publ., 1975. 342 p.
Kholodnov V.A., D'yakonov V.P., Ivanova Ye.N., Kir'yanova L.S. Matematicheskoye modelirovaniye i optimizatsiya khimiko-tekhnologicheskikh protsessov [Mathematical modeling and optimization of chemical-technological processes]. St. Petersburg, Professional Publ., 2003. 478 p. Zayentsev I.V. Neyronnyye seti: osnovnyye modeli [Neural networks: basic models]. Voronezh, fizicheskiy fakul'tet Voronezhskogo Gosudarstvennogo Universiteta Publ., 1999. 76 p.
I.F. Croall, J.P. Mason (Eds.). Industrial Applications of Neural Networks: Project ANNIE Handbook. Brussels - Luxembourg, Springer-Verlag Publ., 1992. 310 p. Streyts V. Metod prostranstva sostoyaniy v teorii diskretnykh lineynykh sistem upravleniya [Method of the state space in the theory of discrete linear control systems]. Moscow, Nauka Publ., 1985. 295 p. Zarubin V.S. Matematicheskoye modelirovaniye v tekhnike [Mathematical modeling in engineering]. Moscow, MGTU im. N.E. Baumana Publ., 2003. 496 p. Kapustin V.M., Gureyev A.A. Tekhnologiya pererabotkinefti. CH. 2. Destruktivnyye protsessy [Technology of oil refining. Part 2. Destructive processes]. Moscow, KolosS Publ., 2008. 336 p.
CSense 6.0 from GE Digital. Industrial analytics software that optimizes asset and process performance. Available at: https://www.ge.com/digital/sites/default/files/ csense-from-ge-digital-datasheet.pdf. (accessed 20 November 2017).
