Применение методов искусственного интеллекта для повышения безопасности аммиачной холодильной установки Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 681.3:621.56

ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПОВЫШЕНИЯ БЕЗОПАСНОСТИ АММИАЧНОЙ ХОЛОДИЛЬНОЙ УСТАНОВКИ

© 2008 г. А.В. Абзалов

Аммиачные холодильные установки (АХУ) с поршневыми компрессорами применяют, в основном, на крупных холодильниках и хладокомбинатах для замораживания, охлаждения и хранения скоропортящихся продуктов. Аммиак является одним из лучших хладагентов, так как обладает высокими термодинамическими свойствами и низкой стоимостью. Однако применение аммиака требует повышенных мер безопасности при эксплуатации холодильных установок, так как он относится к сильнодействующим ядовитым веществам, а также является пожаро- и взрывоопасным.

Для предотвращения аварий на АХУ используется система автоматической защиты (САЗ), которая останавливает компрессоры при возникновении опасных режимов. Однако при работе холодильной установки может возникнуть ряд отклонений, появление которых не приводит к отключению компрессоров системой защитной автоматики. Несвоевременное принятие мер к устранению этих нарушений приводит к серьезной аварии. К таким нарушениям относятся влажный ход компрессора, пониженная температура смазочного масла, повышенная температура воды, охлаждающей цилиндры компрессора, высокая температура всасывания, повышенный нагрев отдельных узлов компрессора, появление посторонних шумов и стуков, утечка масла через сальник компрессора или маслонасоса, повышенная вибрация компрессора и др.

Для того чтобы своевременно распознать возможный переход процесса в аварийный режим, предлагается создать систему идентификации предаварийных ситуаций (ПАС), основанную на современных информационных технологиях и методах искусственного интеллекта. Такая информационная система выполняет задачи мониторинга, диагностики и поддержки принятия решений, предоставляя машинисту холодильной установки, который в данном случае является лицом, принимающем решения (ЛПР), информацию об отклонениях процесса от нормы, о симптомах или признаках неполадки, а также о причинах возникшей неполадки и способах их устранения.

Система идентификации ПАС является отдельным программным модулем в составе автоматизированной системы управления холодильной установкой. Она работает в режиме реального времени, т.е. в сопряжении с датчиками, с помощью которых информация о

параметрах работы АХУ поступает на вход в систему через определенные промежутки времени (например, через каждые 10 с). Таким образом, можно оценивать состояние холодильной установки и проводить диагностику неисправностей во время ее работы, т.е. в динамике.

Основой модели системы идентификации ПАС является продукционная база знаний. Знания экспертов при оценке ситуации на объекте управления представлены в виде правил типа:

«Если Х1 = Х11 и Х2 = Х21 и ... и ХИ = ХИ1, то Б = Б1 и Р = Р1,

Иначе, если Х1 = Х12 и Х2 = Х22 и ... и ХИ = ХИ2 , то Б = Б2 и Р = Р2,

Иначе, если Х1 = Х1т и Х2 = Х2т и... и ХИ = ХИт , то Б = Бт и Р = Рт»,

где Х1, Х2,..., ХИ - параметры состояния и их динамические характеристики; Б - оценка ситуации; Р -признак неполадки.

Например:

«Если Перегрев на всасывании в компрессор = = Отрицательное отклонение от нормы и Температура нагнетания компрессора = Отрицательное отклонение от нормы и Динамика температуры нагнетания компрессора = Отрицательная, то Ситуация = ПАС и Признак неполадки = Влажный ход компрессора».

Знания экспертов при выявлении причины неполадки на объекте управления представлены в виде правил типа:

«Если Х1 = Х11 и Х2 = Х21 и ... и ХИ = ХИ1 , то РЯ = РЯ1 и БР = БР1,

Иначе, если Х1 = Х12 и Х2 = Х22 и ... и ХИ = ХИ2 , то РЯ = РЯ2 и БР = БР2,

Иначе, если Х1 = Х1т и Х2 = Х2т и... и ХИ = ХИт , то РЯ = РЯт и БР = БРт»,

где РЯ - причина неполадки; БР - способ ее устранения.

Например:

«Если Температура конденсации = Положительное отклонение от нормы и Подача воды на конденсатор = Норма и Наличие воздуха в системе = Нет, то Причина = Загрязнение конденсатора и Действие = Прочистить трубки конденсатора»

Процедура идентификации ПАС заключается в следующем:

1. Множество значений параметров состояния, измеренных с помощью датчиков, поступает на вход в систему:

X = {X,},

где г - отличительный номер параметра.

2. Рассчитываются их динамические характеристики:

где к - порядковый номер такта опроса датчиков,

Динамические характеристики преобразуются в следующий вид:

- положительная динамика (ПД);

- нет (Н);

- отрицательная динамика (ОД).

3. Значения параметров состояния сравниваются с нормами:

= (Хг, ыг),

где - диапазон допустимых значений для г-го параметра, определяемый на основе правил безопасной эксплуатации АХУ, технологического регламента, инструкций завода-изготовителя, а также экспертных знаний.

После сравнения с нормами значения параметров преобразуются в следующий вид:

- положительное отклонение (ПО);

- норма (Н);

- отрицательное отклонение (ОО).

4. Производится обработка правил, оценивающих ситуацию на объекте и выдача решения.

Оценка ситуации может быть следующая:

- норма;

- отклонение от нормы;

- ПАС;

- аварийная ситуация (АС).

Если при возникновении ПАС машинист не принял необходимых мер, и ситуация перешла в аварийную, то система отключает компрессор или всю установку, т.е. в этом случае она дублирует функции САЗ.

5. Производится обработка правил, выявляющих причины неполадки и выдача решения.

Диагностика неполадок осуществляется с учетом текущей ситуации, при этом для поиска решения используется алгоритм прямого логического вывода.

6. ЛПР в диалоговом режиме может вводить качественную информацию (например, характер звука в узлах и деталях компрессора), которая сразу обрабатывается с помощью правил, выявляющих вероятную причину неисправности и способ ее устранения.

Особенностью холодильной установки является то, что некоторые контролируемые параметры, которые влияют на оценку ситуации, не имеют жестко установленных норм, а зависят от режима. Например, температуры всасывания и нагнетания компрессора зависят от температур кипения и конденсации хладагента, которые, в свою очередь, зависят от тепловой нагрузки на объект охлаждения и от температуры охлаждающей воды, поступающей на конденсатор. Предлагается в этом случае контролировать не сами эти параметры, а их отклонения.

Например, температуру нагнетания аммиачного поршневого компрессора можно практически точно определить по следующей формуле [1]:

Iн = 2,4(/к 0 I),

где 4, 4, ¿0 - соответственно температуры нагнетания, конденсации, кипения хладагента, °С.

В качестве контролируемого параметра предлагается рассматривать отклонение измеренного значения от рассчитанного:

где /нк - измеренное значение температуры нагнетания в к-й момент времени.

Нормы в этом случае определяются методом экспертных оценок, при этом в некоторых случаях (при формализации качественной информации) целесообразно использовать теорию нечетких множеств [2].

Таким образом, используя методы искусственного интеллекта для создания системы идентификации предаварийных ситуаций, можно повысить надежность и безопасность аммиачных холодильных установок.

Литература

1. Червяков С.С., Кулаковский А.И. Основы холодильного дела. М., 1988.

2. Проталинский О.М. Применение методов искусственного интеллекта при автоматизации технологических процессов. Астрахань, 2004.

Астраханский государственный технический университет 28 сентября 2007 г.