CC BY
25
УДК 004.896
ПРИНЦИП ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ПРОМЫШЛЕННОЙ СИСТЕМЕ ИДЕНТИФИКАЦИИ КОМПОНЕНТОВ БЕНЗИНА, ОПРЕДЕЛЕНИЯ ЕГО СОСТАВА И ДЕТОНАЦИОННОЙ СТОЙКОСТИ
А. А. Щербакова, В. А. Соловьев
THE PRINCIPLE OF ARTIFICIAL NEURAL NETWORKS IN THE INDUSTRIAL SYSTEM IDENTIFICATION COMPONENTS OF GASOLINE, DETERMINE ITS COMPOSITION AND DETONATION RESISTANCE
A. A. Shcherbakova, V. A. Solov'ev
Аннотация. Актуальность и цели. Точность и быстродействие используемых на нефтеперерабатывающих заводах методов и средств идентификации компонентов, измерения состава и октанового числа бензинов влияют на качество производимой продукции и экономические издержки при производстве. Целью работы является разработка обучаемой структуры измерительной системы оценки состава и детонационной стойкости товарных бензинов на основе искусственных нейронных сетей. Материалы и методы. Задачи идентификации компонентов бензина, определения состава и детонационной стойкости решались с использованием теории искусственных нейронных сетей, необходимой для разработки структуры искусственной нейронной сети. С помощью методов математического моделирования найдены целевые функции искусственной нейронной сети идентификации и состава, функции активации нейрона. Обучение искусственной нейронной сети производится методом обратного распространения ошибки. В пакете VBA программы Microsoft Excel смоделировано программное обеспечение обучения искусственной нейронной сети для идентификации и определения состава. Результаты. Разработана математическая модель идентификации компонентов, определения состава бензина по спектральным характеристикам. Предложены варианты промышленных спектрометрических систем с оптическим и гидравлическим мультиплексированием измерительных каналов. Подана заявка на изобретение «Способ идентификации компонентов бензина и определения его состава в режиме реального времени» с приоритетом от 22.04.2014 г. Выводы. Разрабатываемая структура измерительной системы на принципах искусственных нейронных сетей предназначена для обеспечения достоверности идентификации, повышения точности определения состава и детонационной стойкости товарных бензинов непосредственно в технологических процессах производства товарных топлив, что позволит в режиме реального времени иметь информацию и оперативно вносить поправки в технологию приготовления бензинов.
Ключевые слова: искусственная нейронная сеть, целевая функция, функция активации, спектральный коэффициент поглощения, оптическое мультиплексирование, гидравлическое мультиплексирование, ИК-спектрометр, идентификация.
Abstract. Background. The accuracy and speed used in refineries methods and means of identification components, dimensions, composition and octane number of gasoline affect the product quality and economic production costs. The purpose of this work is to develop a teachable structure of the measurement system to assess the composition and
knock resistance of commercial gasoline on the basis of artificial neural networks. Materials and methods. Objectives of identification components of gasoline, determine the composition and detonation resistance was solved using the theory of artificial neural networks necessary for the development of the artificial neural network structure. Using the methods of mathematical modeling found objective function artificial neural network identification and composition and the activation function of the neuron. Training an artificial neural network is produced by the method of back propagation. In the package VBA Microsoft Excel simulated software training artificial neural networks to identify and determine the composition. Results. The mathematical model identification of the components, the composition of gasoline in spectral characteristics. The options proposed industrial spectromet-ric systems with optical and hydraulic multiplexed measuring channels. The application for the invention «Method of identification of the components of gasoline and defining its composition in real time» with priority from 22.04.2014. Conclusions. Develop the structure of the measuring system on the principles of artificial neural networks is designed to ensure the reliability of identification, increase the accuracy of determining the composition and knock resistance of commercial gasoline directly in the technological processes of production of commodity fuels that will allow real-time to have the information and promptly amend the technology of making gasoline.
Key words: artificial neural network, the objective function, the activation function, the spectral absorption coefficient, optical multiplexing, hydraulic multiplexing, IR spectrometer, identification.
Введение
Товарные автомобильные бензины являются результатом смешения различных компонентов, полученных путем прямой перегонки, каталитического риформинга, каталитического крекинга и других технологических процессов переработки нефти. Товарные бензины одной марки могут иметь неодинаковый состав; это может быть связано с различием перерабатываемого сырья и типом технологических процессов на различных нефтеперерабатывающих заводах, а также с количеством добавляемых компонентов, которое составляет 100-300 единиц. Однако во всех случаях должна соблюдаться технология получения товарных бензинов на данном предприятии, что является обязательным требованием стандартов и технических условий на автомобильные бензины.
Качество производимых бензинов и возможные экономические потери во многом определяются точностью и быстродействием используемых на нефтеперерабатывающих заводах методов и устройств измерения состава и октанового числа. Наиболее информативным методом определения состава товарного бензина и его компонентов является оптическая абсорбционная спектроскопия в ближней ИК-области спектра [1].
Измерение спектральных коэффициентов поглощения товарного бензина и его компонентов непосредственно в технологическом потоке позволит в режиме реального времени идентифицировать компоненты и управлять составом и октановым числом бензина.
Многоканальная промышленная спектрометрическая система
с оптическим мультиплексированием измерительных каналов
Предлагаемая многоканальная спектрометрическая система c оптическим мультиплексированием измерительных каналов включает в себя ИК-
спектрометр, связанный с промышленными проточными кюветами посредством волоконно-оптического кабеля через оптический мультиплексор [2]. Схема подключения промышленных кювет к технологическим трубопроводам представлена на рис. 1. ПК управляет работой волоконно-оптического мультиплексора по интерфейсу Я8-485. Информация о спектральных коэффициентах пропускания компонентов и бензина со спектрометра в ПК поступает по И8Б-интерфейсу. Программно задается последовательность опроса измерительных каналов, сканирование по длинам волн, а также осуществляется периодическая калибровка измерительных каналов системы. Мультиплексор должен обеспечить высокую повторяемость результатов при переключениях. В качестве спектрометра планируется использовать спектрометр фирмы Нашаша18и серии С111180Л [3] , работающий в ближнем ИК-диапазоне длин волн (900-2550 нм).
Готовый бензин 1
Готовый бензин 2
Рис. 1. Структурная схема промышленной спектрометрической измерительной системы с оптическим мультиплексированием каналов
Проточные кюветы расположены в непосредственной близости к технологическим трубопроводам и подсоединены к ним короткими гидравлическими линиями, чтобы уменьшить транспортное запаздывание при идентификации компонентов и определении состава бензина. Выходы жидкостей из кювет направляются в возвратный трубопровод.
Многоканальная промышленная спектрометрическая система с гидравлическим мультиплексированием измерительных каналов
Еще одним вариантом реализации промышленной спектрометрической измерительной системы идентификации компонентов, оценки состава и детонационной стойкости товарных топлив является ее структурная схема с гидравлическим мультиплексированием каналов. На рис. 2 представлена схема промышленной спектрометричексой системы с гидравлическим мультиплексированием каналов.
Процесс
Готовый бензин 1 Готовый бензин 2
Рис. 2. Структурная схема промышленной спектрометрической измерительной системы с гидравлическим мультиплексированием каналов
Для идентификации компонентов, определения состава и октанового числа в режиме реального времени необходимо все технологические трубопроводы, по которым подаются компоненты и товарные бензины, с помощью гидравлических клапанов подсоединить к промышленной проточной кювете, которая посредством волоконно-оптического кабеля соединена со спектрометром. Открытием и закрытием гидравлических клапанов управляет ПК через исполнительные органы по интерфейсу Я8-485.
Работа системы будет осуществляться следующим образом: по команде от ПК через модуль управления подается напряжение на катушку первого
клапана, открывается отверстие клапана (У-1.1 на рис. 3), промышленная проточная кювета заполняется первым компонентом. ИК-спектрометр производит измерение спектральных коэффициентов пропускания и последовательный ввод их значений в ПК по И8Б-интерфейсу с последующим расчетом на их основе спектральных коэффициентов поглощения первого компонента. Результаты измерений запоминаются в ПК, и по интерфейсу Я8-485 ПК дает команду модулю управления на закрытие клапана 1 (У-1.1) и открытие клапана 2 (У-2.1), после чего кювета заполняется вторым компонентом. Производятся измерение спектральных коэффициентов пропускания, расчет на их основе спектральных коэффициентов поглощения второго компонента и сохранение в памяти ПК. Эти действия повторяются до тех пор, пока не будут измерены спектральные коэффициенты пропускания всех компонентов, а также товарных бензинов.
Преимуществом данной системы является минимальное количество оптических элементов, что значительно уменьшает стоимость системы по сравнению с системой с оптическим мультиплексированием измерительных каналов. Недостатком системы будет низкое быстродействие, поскольку время измерений будет определяться транспортным запаздыванием в гидравлических линиях кюветы.
Принцип искусственных нейронных сетей в промышленной системе идентификации компонентов бензина, определения его состава
и октанового числа
Идентификация компонентов, определение состава и детонационной стойкости бензина осуществляется с использованием двухслойных искусственных нейронных сетей [4]. Обучение искусственной нейронной сети производится учителем с использованием алгоритма обратного распространения ошибки, при котором минимизируется целевая функция искусственной нейронной сети. Учителем выступают компоненты с известными спектральными коэффициентами поглощения кутест (кг-) на длинах волн кп а также
бензины с известными концентрациями компонентов с у и значениями детонационной стойкости Qj.
На рис. 3 представлена структура двухслойной искусственной нейронной сети идентификации и состава, синапсами которой являются вычисленные значения спектральных коэффициентов поглощения ку (к) . Последние
соединены синаптическими связями Юу с ячейками нейронов первого слоя,
значениями целевых функций, служащих для идентификации компонентов. Целевые функции второго слоя нейронов служат для определения состава и последующего вычисления детонационной стойкости бензинов.
Идентификация компонентов производится по спектральным коэффициентам поглощения с использованием алгоритма обратного распространения ошибки, по которому минимизируется целевая функция искусственной
п 2
нейронной сети иу (иу ку(к I)юу -кутест(к j), при этом изменяются
1=1
коэффициенты синаптических связей ш, . Значения активации нейронов первого слоя определяются в соответствии с функцией активации, например:
-и Ре
Т, = е Г ,
где Р - коэффициент, учитывающий наклон функций активации; е - погрешность измерения спектральных коэффициентов поглощения.
Кгл, (Л)
к«Д ,,(Л)
к1,2,3, , (Л)
к1,2,3, ., (Л4)
к1,2,3.....у (Л)/
к1,2,3....., (к6)
кЧ-1-.-1 (Л').
к1,2,3....., (Л,-:)
к1,2,3....., (Л )
Рис. 3. Структура двухслойной искусственной нейронной сети идентификации и определения состава промышленной спектрометрической системы
Компонент идентифицирован, когда нейрон первого слоя активирован при значении функции активации 0,999 < Т < 1.
Состав бензина определяется в результате минимизации целевой функцией искусственной нейронной сети В :
* =1
'=1
ксм (Л ) - £ к, (Л )®у ,=1
где ксм(к,) - спектральный коэффициент поглощения бензина на '-й длине волны.
При этом изменяются коэффициенты синаптических связей ю , .
Значения активации нейронов второго слоя определяют в соответствии с функцией активации, например:
Я = е-Ва£ ,
где а - коэффициент, учитывающий наклон функций активации; е - погрешность измерения спектральных коэффициентов поглощения.
При активном состоянии нейрона второго слоя 0,999 < R < 1 значения концентрации компонентов в смеси Cj численно равны значениям коэффициентов синаптических связей ю j .
Детонационная стойкость бензина определяется составом с j, октановыми числами компонентов Qj и отклонениями октанового числа от свойства аддитивности, обусловленного межмолекулярными взаимодействиями между компонентами. По вычисленным значениям концентраций компонентов бензина Cj находят октановое число товарного бензина по формуле
m
Q = T c]Q]+Ъ, j=i
где Ъ - суммарное отклонение октановых чисел от аддитивности, обусловленное межмолекулярными взаимодействиями между компонентами:
1m
Ъ=— УЪ,с,, 100 = j j
где bj - интенсивность межмолекулярных взаимодействий j-го компонента, Cj - концентрация j-го компонента [5].
Заключение
В результате работы разработаны структурные схемы промышленных спектрометрических измерительных систем с оптическим и гидравлическим мультиплексированием измерительных каналов. Разработана структура, найдены целевая функция и функция активации нейронов двухслойной искусственной нейронной сети идентификации и определения состава.
Список литературы
1. Bakeev, A. Process Analytical Technology / A. Katherine Bakeev. - Blackwell Publishing Ltd., 2005. - 445 с.
2. Кудрявцева, А. А. Спектрометрическая система измерения и управления октановым числом и составом товарных бензинов / А. А. Кудрявцева, В. А. Соловьев // Модели, системы, сети в экономике, технике, природе и обществе. - 2013. -№ 2 (6). - С. 164-169.
3. URL: http://www.hamamatsu.com/us/en/product/category/5001/4016/C11118GA/ in-dex.html
4. Хайкин, С. Нейронные сети / С. Хайкин. - М. : Вильямс, 2006. - 1104 с.
5. Смышляева, Ю. А. Моделирование процесса приготовления высокооктановых бензинов на основе углеводородного сырья в аппаратах циркуляционного типа : дис. ... канд. техн. наук / Смышляева Ю. А. - Томск : НИТПУ, 2011. - 144 с.
Щербакова Анна Алексеевна Shcherbakova Anna Alekseevna
аспирант, postgraduate student,
Пензенский государственный университет Penza State University E-mail: anutka7790@mail.ru
Соловьев Владимир Александрович доктор технических наук, профессор, кафедра приборостроения, Пензенский государственный университет E-mail: v.soloviev@bk.ru
Solovjev Vladimir Aleksandrovich doctor of technical sciences, professor, sub-department of instrument engineering, Penza State University
УДК 004.896 Щербакова, А. А.
Принцип искусственных нейронных сетей в промышленной системе идентификации компонентов бензина, определения его состава и детонационной стойкости / А. А. Щербакова, В. А. Соловьев // Модели, системы, сети в экономике, технике, природе и обществе. - 2015. - № 2 (14). - С. 185-192.
