CC BY
241
УДК658 5.011:66.0
ПРИМЕНЕНИЕ ВИРТУАЛЬНЫХ АНАЛИЗАТОРОВ ДЛЯ ОПРЕДЕЛЕНИЯ КАЧРГТЯАНЕФТЕПРОДУКТГЖ
Е. М. Гурьева. А. Г. Кольцоз Омский государственный технический университет: г. Омск, Россия
Аннотация - На современных предприятия! наблюдается повышение степени автоматизации производства. в том числе, в области аналитического контроля качества нефтепродуктов. Целью данной работы является изучение наиболее перспективного метода определения качеств! - виртуального анализа Для достижения поставленной цели было проведено исследование существующих способов определения качеств! нефтепродуктов, изучены их преимущества н недостатки. Рассмотрены методы создания моделей виртуальных анализаторов, тучен один нз способов построения виртуального анализатора. Результаты исследования приведены в виде модели виртуального диализатора, используемой на предприятии На основании полученных данных сделан вывод о правильности поороення модели виртуального анализ юр*.
Ключевые слова: показатель качества, технологический процесс, нефтепереработка.
I. Введение
Одной из важнейших задач в нефтепереработке является управление качеством нефтепродуктов. Каждый получлеммй на н*фтечлио,_е продукт подлежит нормированию так как выходной товарной продукт дояжек соответствовать ГОСТу. Поэтому качество продукции отслеживается на всех стадиях его производства.
Мониторинг текущих произволегвенных ситуаций - это один нз лучших методоЕ управления производством. Данный метод позволяет отслеживать качество нефтепродуктов ужена начальных стадиях процесса нефтепереработки. Текущее состояние процесса нефтепереработки можно отследить по таким параметрам, как температура, давление, расход и т.д. значения которых поступают ст датчиков, находящихся на технологической установке. Е настоящее время при оценке качества нефтепродуктов используются три способа контроля показателей качества: лабораторные анализы (ЛА^. данные поточных анализаторов (ПА), данные виртуальных анализаторов (ВА) [1. 2].
II. Постановка задачи
Описанные способы контроля имеют свои недостатки. Например, данные ЛА имеют большую задержку по времени от текущего состояния технологического процесса. так как проведение многих анализов занимает достаточно большое время. Го есть данные ЛА отражают архивное значение некоторого показателя качества, а с учетом непостоянства технологического режима (всегда присутствуют некоторые колебания по давлению и температуре) данный показатель может уже измениться. ЛА ввиду различных факторов (стоимость, квалификации персонала, сложность отбора пробы с установки и др.) проводятся б соответствии с определенным графиком и 2 соседних анализа могут быть проведены с разницей по времени более 12 часов. Поэтому* управлять режимом работы установки, опираясь на данные ЛА. достаточно сложно.
ПА проводится оперативно на установке в режиме реального времени, а данные ПА сразу поступают оператору. Задержка показаний ПА Барьируется в пределах 15 минут в зависимости от типа анализатора н проводимого анализа, поэтому данный метод определения качества нефтепродуктов считается достаточно оперативным. Но недостаток ПА заключается в том. что анализаторы требуют постоянной калибровки, а их стоимость-велика. поэтому они не всегда доступны.
Наиболее оптимальным способом определения качества на реальном производстве является применение виртуальных анализаторов (см. табл. 1). Они не уступают в точности ПА. ео значительно дешевле н надежнее. Принцип действия ВА основан на непрерывном определении качества по математической модели, описывающей его взаимосвязь с текущими значениями измеряемых технологических переменных Они позволяют оце-ннватв не измеряемые непосредственно, но необходимые показатели качества продукта по таким измеряемым параметрам технологического процесса, как температура, давление, расход непрерывно контролируемыми современными системами управления [3].
ТАБЛИЦА 1
СРАВНЕНИЕ СПОС ОБОВ КОНТРОЛЯ ПОКАЗАТЕЛЕЙ КАЧЕСТВА НЕФТЕПРОДУКТОВ
Показатель Способы контроля показателей качества
.ILA ПА ВА
Точность полученных данных средняя высокая ьысокая
Задержка по времени значительная отсутствует отсутствует
Частота проведения анализа низкая высокая ьысокая
Необходимо:ть калибровки отсутствует есть отсутствует
Себестоимость прэведения анализа высока* высокая низкая
Виртуальные анализаторы - это программЕО-алгоритмичесше комплексы, реализующие функции углуб-ленного оценивания текущего состояния технологического процесса и его эволюции. Основное назначение ВА повышение информационной безопасности персонгла н создание оптиматьпых условий для управления тех нологнческим процессом отдельной установки и всего технологического цикла производства. Также ВА можно использовать для ннформщнонного ^^дублирования» отдельных измерительных средств с целью оперативного контроля их состояния, г также как контрольно-диагностическую систему дл* превентивного обнаружения возможных неисправностей [2].
Ш. ТЕОРИЯ
Построение виртуальных анализаторов входит в состав систем усовершенствованного управления технологическим процессом (СУ УТИ). Разработки в данной ооласти ведутся многими компаниями в ооластн промышленной автоматизации.
Aspen IQ - система создания виртуальных анализаторов фирмы Aspen Technology. Поддерживает следующие типы моделей линейные модели частных наименьших квадратов (PLS), нечеткие модели частных наименьших квадратов (Fussy ?LS). гибридные нейросетн (HNN). монотонные нейросети (MNN). линеаризованные строгие модели. FIR модели.
Аналогичные по свойствам системы разработаны компанией Emerson (система создания и поддержки виртуальных анализаторов DeltaV Neuro), компанией Honeywell (система разработки н подстройки виртуальных анализаторов Profit Sensor Pro). Алгоритмы, лежащие в основе данных ПП оснозаны на уравнениях регрессии [4]
Фирмой Yokogawa разработаны виртуальные анализаторы качества RQE (Robust Quality Estima:or). которые создаются на базе статистической корреляции .лабораторных данных или существующего поточного анализа и данных технологического процесса. Через Бзаимосопоставление данных качества и данных процесса можно построить виртуальный анализатор, непрерывно рассчитывающий качество продукта установки в режиме реальною времени [5].
TV PF.4 V ТЬТ А ТЫ ЭКСПЕРИМЕНТОВ В данной работе исследовался процесс построения модели давления насыщенных паров (ДНП) дизельного топлива с помощью ГШ R.QE фирмы Yokogawa.
Основой для построения модели ВА послужили статистические данные ДА (рис. -). По вертикали представлены значения ДНП в кгс/см2, по горизонтали - количество ЛА.
40 во во юо
Рис. 1. Статистические данные ЛА
Программа автоматически производит поиск наиболее коррелирующих позиций с данными ЛА. Данные по позициям контрольно-измерительных приборов (ККП) за аналогичный период также задаются (рис. 2)
о.о 06
04-^
37 5 Э50 325 30 0. 14
13-
12.
Л
Л""
—А
г
У
20
40
90
ео
100
120
140
W (>««•] 4M»ne.RI<)l
»ooawi
^«мп ил «и WKIWOri».^«!_
1С<ЛЬ
)1ЙЯ 31?« кьл. яг» ИД1
• 1ST«
IW)
1>Т|> Я111 liS
I ТО ГЮГО
I то 0«0
I то о «о
I хо о«о
ЯООЮ 3DCCOO
•¿•ТО
Рис. 2. Данные позиции КИП
В результате пэлучается модель ВА в виде математической зависимости ДНП от наиболее коррелирующих позиций КПП с ссответс1вуюппп.ш коэффициентами. т.е. зависимости показателя катества от условий ведения технологического режима.
Правильность построения модели В А оценивается по двум показателям: среднеквадратичному отклонению (СКО) и индексу корреляции. СКО отражает среднее арифметическое совокупности выборок модели ВА и данных ЛА. Точность СКО задается в соответствии с данньвеи о внутрилаэораторной сходимсстн (претенциозности) по каядому показателю качества. Для ДШ1 принято значение 3.0. Индекс корреляции отражает меру двумерной связи составляющих. Данный коэффициент показывает величину соответствия экспериментальных данных модели ВА данным ЛА. Индекс корреляции варьируется в пределах от 0% (полное несоответствие) до 100% (абсолютная сходимость)
V. Обсуждение результатов В ходе эксперимента было пслучено 3 модели ВА_ которые были оценены по СКО н нндеЕсу корреляции. На графиках зависимостей лабораторных данных ДНП н моделей енннм цветом выдсл:ны лабораторные данные (статистические), красным - модель В А. Также следует отметить, что из анализа были исключены данные ЛА. которые не являются достоверными.
Первая модель ВА била построена на основе всей выборки позиций автоматически (рис. 3).
60 ее so
45 40
35 30 25 20 20 О
|
/
Показатель качества
Модель В А
..........Illlllllljllll..........W'- I...I..LI
¿0 140
20 40 00 80 100 I
Рис. 3. Модель ВА. построенная на всей выборке данных
Вторая модель является вторым приближением модели, основанной на всей выборке. Она была построена на основе позиций, выбранных в предыдущей модели (рис. 4). Подобное действие было выполнено с целью достияения минимально возможного числа позиций т* иыб^рке
60
vo
50
45
40
35
30
25
20 20
У
- Показатель качества
Модель ВА
о .....I...........• — •.....
+
.................•..........................
±г
20 40 60 80 100 1
Рис. 4. Модель ВА. построенная на основе предыдущих позиций
140
Третья модель была построена на выборке тех позиции, которые могут реально повлиять на ДНП исходя нз особеьносгей 1гхжх1нл ьчссмл о процесса (рис. 5).
, llll.a.yi..( •| 'и Ч■'...... ..."ml ' •'•Г'
20
40
60
60
100
120
Рис. 5. Модель ВА. основанная на знаниях о ведении технологического процесса
Полученные данные для анализа представлены в табл. П. Все три модели построены верно, так как значение СКО не превышает значения внутрилабораторной сходимости, а индекс корреляции достаточно высок. Но третья модель наиболее верно отражает зависимость показателя качества о т данных технологического режима, так как в оснозе модели заложены только те позиции, которые реально влияют на изменение значений ДНП. Также третья модель показывает больший индекс корреляции, чем первая и вторая модели (см. табл. 2).
ТАБЛИЦА 2 СРАВНЕНИЕ МОДЕЛЕЙ В А ДНП
Показатель Модели В А
Модель, построенная на всей выоорке данных Модель, построенная на основе предыдущих позиций Модель, основанная на знаниях о ведении технологического режима
СКО 2,38 2,82 2,67
Индекс корреляции. % 52 73 8Р
Независимые переменные Р1В.С22 - давление в сепараторе; рШ102 - содержание кислорода на выходе из реактора: ТОИ1_РЮ4 - пергпад температур в реакгоре: ИКС ЮЗ - температура 3-ей тарелки в ректификационной колонне. ТЕ)Ж_Р104 - перепад температур в реакторе: тс: 103 - температура 3-й тарелки в ректификационной колонне. РП1-0216 - давление стабильного гидрогенизата на входе в печь: ТГО.113 - температура низа ректификациенной колонны: ТШАН14 - температура продукта на выходе из реактора.
Уравнение линейной зависимости ДНП от данных технологического режима согласно третьей модели ВА получено и виле функции (1).
ДНП = 5.9084 * [PIR - 216] - 0.882 * [TIR113] - 0.066341 * [TIRAH14] + 172.08 (1)
VI. выводы и заключение
В ходе работы с виртуальными анализаторами выявлено, что данный способ является высокоточным методом определения показателей качества нефтепродуктов. Преимуществом данного метода является автоматизация процесса миншориша текущею сосюяния выпускаемой продукции. i.c операшр icxhojioi ическол установки может мгновенно узнать значение показателя качества нефтепродукта при изменении условий ведения процесса Отличительной особенностью виртуального анализа ятитяегся значительная заьисимость качества построенш ВА от исходных денных.
На примере рассмотрен алгоритм построения ВА. Быта проведена оценка полученной модели. Модель ДНП признана удовлетворительной.
В заключение, следует отметить, что технология виртуальных анализаторов является одним из развивающихся меюдов анализа качества. Блаюдаря применению БА на нефiеперераиаiывающих заводах повышается уровень автоматизации определения качества продуктов.
список литераг>ты
1. BakhtadzeN. N. Virtual analyzers: Identification Approach // Automation and Reaiote control. 2004. Vol. 65, no. 11. P. 1691-17)9.
2. Мусаев А. А. Виртуальные анализаторы: концепция построения и применения в задачах управления непрерывными технологическими процессами// Автоматизация в промышленности.2003.№ S.C. 28-33.
3. Днго Г. Б.. Дино Н. Б., Можаровскнй И. С.. Торгапев А. Ю. Исследование моделей виртуальных анализаторов мзссообменного технологического процесса ректификации И Моделирование систем.20II. № 4. С. 17-
27.
4. Софнев А. Э.. Рылов М А. Мэдель качества стабильного каталнзата на установке каталитического рн-формннга бензина // Известия Московского государственного технического уннверснтетаМАМИ.2013.Т. 4. № 1 (15).С. 16С-164.
5. Хатнмов М Р.. Богачев А. В.. Ннззмеев Б. М_ Рыжов Д. А. Основные решения и преимущества СУУТП компании Иокогава // Экспозиция нефть н газ.2015.№ 5. С. 92-95.
6. George S. Binchfield. Advanced Process Control. Optimization and Information Technology in die Hydrocarbon Processing Industries. The Past. Present and Future, BinchEeld Consulting. LLC FOREWORD
