CC BY
19
The state of superplasticity of metal systems is considered - the basis of resource-saving material processing processes. The types, criteria and basic relations of superplastic deformation are presented. The basic equation of the superplastic flow is analyzed - the balance equation of the processes of consolidation and return. The equation for calculating the activation energy of superplastic deformation is given. Prospective directions of application of the state of superplasticity of metallic heterophase and composite systems are indicated.
Key words: state of superplasticity, resource saving, technology, steel, metal system, hardening, return, activation energy, pressure treatment, welding.
Gvozdev Aleksandr Evgen'yevich, doctor of technical sciences, professor, gwozdew.alexandr2013@yandex.ru, Russia, Tula, Tula State Lev Tolstoy Pedagogical University,
Kutepov Sergey Nikolaevich, candidate of pedagogical sciences, kutepov. sergei@mail. ru, Russia, Tula, Tula State Lev Tolstoy Pedagogical University,
Kalinin Anton Alekseevich, engineer, antony-ak@mail. ru, Russia, Tula, Tula State University
УДК 519.876.2
ПРОГНОЗНАЯ МОДЕЛЬ ПРОЦЕССА КАТАЛИТИЧЕСКОЙ ГИДРОДЕПАРАФИНИЗАЦИИ В УСЛОВИЯХ НЕДОСТАТКА
АПРИОРНЫХ СВЕДЕНИЙ
Е.Д. Агафонов, А.В. Медведев, Н.Ф. Орловская, В.Р. Синюта,
Д.И. Ярещенко
Рассматривается задача моделирования процесса гидродепарафинизации в условиях неполной информации. Предложена схема вычислений прогнозов выходных переменных по известным входным. Здесь важным является настройка параметров размытости соответствующих непараметрических процедур. В этой связи рассмотрен прием определения наилучших значений этих параметров. Далее приводятся результаты численных расчетов, позволяющих судить о точности прогнозирования выходных переменных по известным входным. Для этого была сформирована экзаменующая выборка, которая и использовалась для оценки качества прогноза выходных переменных. Было проведено достаточно объемное численное исследование. В статье представлены лучшие и худшие результаты моделирования. Проведенные исследования позволяют судить о приемах улучшения непараметрических моделей и открывают путь к построению совершенствования управления процессом гидродепарафинизации.
Ключевые слова: углеводородный состав, дизельные топлива, низкотемпературные свойства, априорная информация, непараметрическая модель.
При организации производства низкозастывающих дизельных топ-лив всё большее распространение на нефтепереработывающих заводах (НПЗ) России находит технологический процесс каталитической гидродепарафинизации в атмосфере водорода. При этом нормальные и
слаборазветвленные парафиновые углеводороды селективно подвергаются крекингу на низкомолекулярные и изомеризуются. В процессе получаются топлива с высоким цетановым числом, что обусловлено образованием парафиновых соединений за счет раскрытия кольца и отделения парафиновых боковых цепей от более крупных ароматических и сернистых компонентов [1].
Совершенствование процесса каталитической гидроочистки и гид-родепарафинизации связано с необходимостью эффективного контроля протекания процесса в технологической секции. Показатели качества продукта на выходе существенно зависят от показателей качества исходного сырья и параметров процесса в реакторе. Установление данной зависимости представляет собой важную задачу, требующую решения на предприятиях нефтепереработки. Эта задача может быть решена с применением подходов к математическому моделированию соответствующих процессов [2]. В данной работе для исследования процесса каталитической гидроде-парафинизации предлагается использовать непараметрические модели. Выбор такого типа моделей обусловлен недостатком априорных сведений о процессах, протекающих при гидроочистке и гидродепарафинизации.
Технологические сведения
На АО «Ачинском нефтеперерабатывающем заводе Восточной нефтяной компании» («АНПЗ ВНК») функционирует установка гидроочистки дизельного топлива, совмещенная с процессом гидродепарафини-зации (секция 300/1 комбинированной установки ЛК-6Ус) (рис. 1).
Реактор гидродепарафинизации имеет комбинированную загрузку, сверху в реактор Р-301 загружен катализатор гидродепарафинизации, на котором происходит реакция расщепления и гидрирования углеводородов нормального строения с целью снижения температуры застывания дизельной фракции с образованием лёгких углеводородов, далее загружен катализатор гидроочистки, выполняющий функцию гидрирования.
Секция гидроочистки дизельного топлива 300/1 входит в состав комбинированной установки ЛК-6Ус и предназначена для гидродепарафи-низации, повышения хладотекучести дизельного топлива и гидроочистки дизельного топлива от сернистых соединений.
Состав секции 300/1 приведен на рис. 1.
На рис. 1 изображен реакторный блок Р-301, где совмещены процессы гидроочистки и гидродепарафинизации, а также блоки очистки циркуляционного водородсодержащего газа С-301а; стабилизации дизельного топлива, с извлечением бокового погона (компонента ДТЗ-дизельного топлива зимнего) К-301; стабилизации бензина отгона; очистки углеводородных газов. Входом на рис. 1 является «Сырье на установку», а выходом СДФ.
В результате технологического процесса получаются отдельные нефтяные фракции, качество которых должно соответствовать требованиям, предъявляемым к компонентам товарных продуктов, после вторичных процессов комбинированной установки ЛК-6Ус.
Рис. 1. Существующая схема гидроочистки дизельного топлива, совмещенная с процессом гидродепарафинизации
Готовой продукцией секции 300/1 являются компонент дизельного зимнего топлива (боковой погон колонны К-301 гидроочищенный) и дизельная гидроочищенная фракция (куб колонны К-301).
Анализы сырьевых потоков на установке гидроочистки дизельного топлива, совмещенной с процессом гидродепарафинизации, получают средствами заводской лаборатории. При мониторинге качества сырья, поступающего на технологическую установку, и получаемого на выходе, определяются следующие компоненты: плотность при 15 °С; фракционный состав (температуры: начала кипения, перегонки 50%, 96%, конца кипения); температура помутнения.
В процессе работы установки происходит сбор и накопление данных о протекании технологического процесса. Существует необходимость в обработке накопленной информации с целью мониторинга и последующего принятия решений об управлении технологическим процессом [3].
В работе предлагается применить методы теории непараметрических систем для обработки и анализа накопленных данных. На практике это поможет в определении текущего состояния технологических потоков
458
на входе и выходе установки (отклонений от средних характеристик), выявлении недостоверных данных, прогнозировании показателей качества готовой продукции на выходе установки.
Постановка задачи моделирования процесса гидродепарафини-зации. Процессы, протекающие в установке гидроочистки и гидродепара-финизации относится к классу дискретно-непрерывных, т.е. таких, которые протекают во времени непрерывно, но контроль переменных осуществляется в дискретные моменты времени. В данном технологическом процессе измерения проводятся один раз в сутки.
Данный процесс относится к безынерционным с запаздыванием, т.к. частота измерений технологических переменных значительно превышает постоянную времени процесса. Это означает, что переходный процесс в системе протекает за значительно меньший интервал времени, что и требуют некоторые технологические переменные. Сложные взаимосвязи технологических переменных не могут быть адекватно описаны параметрическими зависимостями. Статистические характеристики измерений неизвестны, однако будем полагать, что в измерениях отсутствует систематическая ошибка, дисперсия случайной ошибки измерения ограничена. В таких условиях целесообразно использовать модели типа «черный ящик» с применением, например, непараметрического подхода к моделям. Если информации априорной достаточно, то желательно провести предварительную параметризацию модели исследуемого объекта. В случае если априорной информации об исследуемом процессе недостаточно, то естественно использовать непараметрические модели, которые не требуют предварительной параметризации модели [4].
Рассмотрим фрагмент схемы идентификации процесса гидродепар-афинизации (рис. 2), составляющей часть исследуемой модели. Следует отметить, что на рис. 2 не учитываются некоторые переменные, присущие реактору Р-301.
На рис. 2 приняты следующие обозначения: и (г) = (^1 ), и2 (г), из (г), и4 (г), М5 (г)), где и1 (г) - плотность при 15 гр. С, кг/м3, фракционный состав, 0С: (и 2 (г) - температура начала кипения, и3 (г) - температура выкипания 50 %, и 4 (г) - температура выкипания 96 % и и5 (г) -температура конца кипения); х(г ) = (х^г), %2 (г), Х3 (г), Х4 (г), Х5 (г), Хб(г)), где х\(г) - плотность при 15 гр. С, кг/м3, фракционный состав, 0С: (х2 (г) - температура начала кипения, х3 (г) - температура выкипания 50 %, х4 (г) - температура выкипания 96 %, х5 (г) - температура конца кипения) и х6 (г) -
температура помутнения. т(г) = ((^1 (г),...,(п(г))е^(ц)с Яп - входные неуправляемые (но контролируемые) параметры ведения технологического процесса; Х(г) - случайное возмущение, действующее на объект; х (г) - выход модели; (г) - непрерывное время.
Рис. 2. Фрагмент системы моделирования дискретно-непрерывного
процесса
В связи с тем, что характер зависимости вышеназванных переменных с точностью до вектора параметров неизвестен, то в дальнейшем используются методы непараметрического оценивания. В частности, рассмотрим задачу непараметрического оценивания функции регрессии по наблюдениям. Обозначим обучающую выборку, полученную на реально
функционирующем объекте в виде (щ, т, Х, ^ = 1, ^). Задача непараметрического оценивания функции регрессии по наблюдениям выглядит следующим образом:
^ n
I П х}ф
) = i=j1
uj uij
p
П Ф
xs \u
'sj Jg=1
r \
mg ~mig
V Csg J
sn
IП Ф
i=lj=1
uj uij
sj J g=1
p
П Ф
mg mig V Csg J
(1)
где к - количество выходов процесса, колоколообразные функции
Ф
uj uij
Ф
V sJ J
m j -ту
-sg
и параметры размытости csj, csg удовлетворяют
некоторым условиям сходимости [5]: Ф(-)<¥, c-1 J ф(с-1(ы] - uij ))du = l, lim s с-1ф (с-1 (uj - uij ))=d(uj - uij),
W(u)
n
Cs > 0, limsCs = 0, lims П cs =¥,
j=l
а х? (и) - непараметрическая оценка функции регрессии по и, и е 0(и). Таким образом, (1) позволяет найти прогноз выходных переменных объекта по известным входным и, т.
Процедура построения модели. В результате измерения входных-выходных переменных процесса может быть сформирована обучающая
выборка иI, т, Х, г = 1, ^. С вычислительной точки зрения целесообразно входные переменные и, т центрировать и нормировать, чтобы в дальнейшем, из соображений простоты, использовать скалярный параметр размытости. Из исходных данных легко видеть, что входные переменные процесса принимают значения из следующих интервалов: )е [-5,83; 2,29], и2)е [-2,11; 3,25], и3^)е [-3,44; 2,54], и4)е [-2,84; 2,55] и и5^)е [-4,34; 2,55]. А выходные переменные: Х1 ^)е [838,3; 848], х2^)е [178; 214], х3^)е [264; 275], х4)е [318; 345], х5^)е [342; 355], Хб^)е [-31; -10]. Примем колоколообразную функцию Ф(-) в виде:
Ф
и
1 - < и/ ич и/ ич
и/1 =
0, и/ - ич > 1.
< 1,
(2)
Для оптимизации модели проводим процедуру скользящего экзамена [6]. Настраиваемым параметром будет параметр размытости с?, который в данном случае примем разным для каждой компоненты вектора выхода (значение с? было определено в результате многочисленных экспериментов с целью уменьшения среднеквадратической ошибки 5) [7, 8]. Среднеквадратическое отклонение ] компоненты выхода объекта х/ от соответствующего значения прогноза этой компоненты рассчитывается по следующей формуле [9]:
5
Л
Е(х/- х? (и))2
г=1
Л
Е(х/- х )2
(3)
г=1
Так, для каждой компоненты выхода был определен свой параметр размытости. На рис. 3 показаны зависимости ошибки аппроксимации от параметров размытости, а также поведение среднеквадратической ошибки 5 для всех компонент вектора выходных переменных 5г , г =1,6 . Вышеприведенные графики иллюстрируют точность прогноза выходных компонент вектора х^) х^), х2 ^), х3 (^), х4 (^), хз (^), и хб (^) от соответствующих
461
с
параметров размытости с,,. Анализ результатов расчетов, приведенных на
рис. 3, позволяет сделать вывод о довольно грубых прогнозах выхода из-за имеющихся дефектов (неточностей, ограниченности) при формировании обучающей выборки.
Рис. 3. Зависимость ошибки прогноза от параметра размытости
Для простоты представления результатов расчета на графики были выведены значения прогноза выходных переменных (и) по соответствующим входным, предъявленным для экзамена (рис. 4).
Рис. 4. Прогноз выхода Х1(и) при соответствующих входных
переменных и
462
По оси ординат показаны значения выхода объекта и модели, а по оси абсцисс номера элементов экзаменующей выборки. «Точками» обозначены реальные значения выхода объекта, а «крестиками» значения модели. Согласно ГОСТ Р 51069-97 «Нефть и нефтепродукты. Метод определения плотности, относительной плотности и плотности в градусах API ареометром» показатели точности метода, полученные статистическим исследованием межлабораторных результатов испытаний, могут отклоняться, для x1 (t) это значение составляет - 1,2 кг / м , как показано на рис. 4 пунктирными линиями. Поэтому анализируя приведенный рисунок можно сделать заключение о достаточно удовлетворительном прогнозе компоненты выхода x1 - по известным значениям входных переменных.
Рис. 5. Прогноз выхода Х2(и) при соответствующих входных
переменных и
На рис. 5 по оси ординат показаны значения выхода объекта и модели, а по оси абсцисс номера элементов экзаменующей выборки. Согласно ГОСТ 2177-99 «Нефтепродукты» значения для выхода Х2 (/) не должны
превышать 7 0С, как показано на рис. 5 пунктирными линиями. Анализируя рис. 5 можно сделать заключение о том, что модель дает достаточно хороший результат.
Согласно ГОСТ 2177-99 «Нефтепродукты» расхождения для компоненты вектора выхода х3 (г) не должны превышать 3 0С, как показано на рис. 6 пунктирными линиями. Здесь тоже можно отметить, что прогноз достаточно удовлетворительный.
Согласно ГОСТ 2177-99 «Нефтепродукты» для компоненты вектора
выхода Х4 (/) расхождение не должно превышать 10 0С. Анализируя рис. 7, можно сказать, что прогноз является достаточно точным, все полученные значения модели не превышают границы пунктирной линии.
463
Рис. 6. Прогноз выхода Хз(и) при соответствующих входных
переменных и
Рис. 7. Прогноз выхода Х4(и) при соответствующих входных
переменных и
Рис. 8. Прогноз выхода Х5(и) при соответствующих входных
переменных и
464
На рис. 8 можно увидеть аналогичную ситуацию, описанную выше. Согласно ГОСТ 2177-99 «Нефтепродукты» для компоненты вектора выхода Х5 () расхождение не должно превышать 10 0С. Поэтому можно сказать, что прогноз является достаточно точным, все полученные значения модели не превышают границы пунктирной линии.
Рис. 9. Прогноз выхода Хб(и) при соответствующих входных
переменных и
Согласно ГОСТ 5066-91 «Топливо моторное. Методы определения температуры помутнения и начала кристаллизации» для компоненты вектора выхода х6 (г) расхождения точности измерения не должны превышать
1 0С. Поэтому, анализируя рис. 9, можно сделать вывод о достаточно удовлетворительном прогнозе, но не все полученные значения модели попадают в область допустимых значений.
Таким образом, анализируя результаты проведенной процедуры построения модели можно считать, что по некоторым каналам они вполне удовлетворительные, а в других случаях недостаточно точны. Это объясняется тем, что не учтены некоторые существенные переменные технологического процесса (температура и давление в реакторе Р-301, концентрация и расход водородосодержащего газа) и иных средств измерения. Но, не вызывает сомнения что, это направление достаточно перспективное и при хорошо настроенных непараметрических моделях может быть эффективно использовано в системах компьютерного управления процесса каталитической гидродепарафинизации по различным каналам [10, 11].
Заключение
Для моделирования процесса гидродепарафинизации целесообразно использовать непараметрические модели, поскольку отсутствует априорная информация в нужном объеме [12, 13].
465
На основании проведенной процедуры можно утверждать, что в некоторых случаях прогноз показывает хорошие результаты, т.е. очень близкие к измеренным значениям, а в некоторых случаях неудовлетворительный. Отсюда следует, что элементы обучающих выборок в пространстве входных-выходных переменных могут быть расположены, как в виде сгущений (скоплений) в некоторой области, так и в виде пропусков [14].
Тем не менее, можно считать, что при более удовлетворительной обучающей выборке, которая, возможно, будет получена при помощи включения в нее иных технологических показателей, могут быть получены более точные модели. А это, в свою очередь, открывает путь к построению компьютерных систем управления и оптимизации процесса каталитической гидродепарафинизации [15].
Список литературы
1. Дружинин О.А., Коновальчиков О. Д., Хавкин В. А. Деструктивные процессы гидрогенизационного облагораживания дизельных дистиллятов // Наука и технология углеводородов. 2003. № 1. С. 71-74.
2. Фалеев С.А., Белинская Н.С., Иванчина Э.Д. и др. Оптимизация углеводородного состава сырья на установках риформинга и гидродепара-финизации методом математического моделирования // Нефтепереработка и нефтехимия. Научно-технические достижения и передовой опыт. М., 2013. № 10. С. 14-18.
3. Костенко А.В., Мусаев А.А., Тураносов А.В. Виртуальный анализатор сырьевых потоков // Нефтепереработка и нефтехимия. Научно-технические достижения и передовой опыт. М., 2006. № 1. С. 1-13.
4. Медведев А.В. Основы теории адаптивных систем: монография. Красноярск, Сиб. гос. аэрокосмич. ун-т, 2015. 526 с.
5. Эйкхофф П. Основы идентификации систем управления // перевод с англ. В. А. Лотоцкого, А.С. Манделя. М.: Изд-во «Мир», 1975. 7 с.
6. Надарая Э.А. Непараметрическое оценивание плотности вероятностей и кривой регрессии. Тбилиси: Изд-во Тбилисского ун-та, 1983. 194 с.
7. Медведев А.В. Теория непараметрических систем. Активные процессы - I // Вестник СибГАУ, 2011. Вып. 4 (37). С. 52 - 58.
8. Медведев А.В. Непараметрические системы адаптации. Новосибирск: Наука, 1983. 176 с.
9. Цыпкин Я.З. Основы информационной теории идентификации. М.: Наука. Главная редакция физико-математической литературы, 1984. 320 с.
10. Васильев В.А. Непараметрическое оценивание функционалов от распределений стационарных последовательностей / В. А. Васильев, А.В. Добровидов, Г.М. Кошкин; отв. ред. Н.А. Кузнецов. М.: Наука, 2004. 508 с.
11. Медведев А.В. Теория непараметрических систем. Управление 1 // Вестник СибГАУ. 2010. № 4 (30). С. 4 - 9.
12. Медведев А.В., Ярещенко Д.И. О непараметрической идентификации Т-процессов // Сибирский журнал науки и технологий. Красноярск, 2018. Т. 19, № 1. С. 37 - 44.
13. Льюнг Л. Идентификация систем. Теория для пользователя / пер. с англ.; под ред. Я.З. Цыпкина. М.: Наука. Гл. ред. физ.-мат. лит., 1991. 432 с.
14. Гроп Д. Методы идентификации систем. М.: Изд-во «МИР», 1979. 304 с.
15. Методы классической и современной теории автоматического управления: учебник в 5 т. 2-е изд., перераб. и доп. Т.1: Математические модели, динамические характеристики и анализ систем автоматического управления / под ред. К. А. Пупкова, Н.Д. Егупова. М.: Издательство МГТУ им. Н.Э. Баумана, 2004. 656 с.
Агафонов Евгений Дмитриевич, канд. техн. наук, доцент, evgeny. agafonov@mail. ru, Россия, Красноярск, Институт нефти и газа, Сибирский федеральный университет,
Медведев Александр Васильевич, д-р техн. наук, профессор, saor_medvedev@sibsau.ru, Россия, Красноярск, Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева,
Орловская Нина Федоровна, д-р техн. наук, доцент, orlovskaya52 ainbox. ru, Россия, Красноярск, Институт нефти и газа, Сибирский федеральный университет,
Синюта Василя Ринатовна, аспирант, vasilia. giliazova@gmail. com, Россия, Красноярск, Институт нефти и газа, Сибирский федеральный университет,
Ярещенко Дарья Игоревна, старший преподаватель, YareshenkoDI@yandex.ru, Россия, Красноярск, Институт космических и информационных технологий, Сибирский федеральный университет
THE MODELING OF THE PROCESS OF CATALYTIC HYDRODEWAXING UNDER CONDITIONS OF INCOMPLETE INFORMA TION
E.D. Agafonov, A. V. Medvedev, N.F. Orlovskaya, V.R. Sinuta, D.I. Yareshchenko
The task of modeling the process of hydrodewaxing under incomplete information is considered. A scheme for calculating the predictions of output variables using known inputs is proposed. Here it is important to set the parameters of the spacing of the corresponding non-parametric procedures. In this regard, considered the method of determining the best values of these parameters. The following are the results of numerical calculations, allowing to
467
judge the accuracy of forecasting output variables by known input variables. For this, an examining sample was formed, which was used to assess the quality of the forecast of output variables. A fairly extensive numerical study was conducted. The article presents the best and worst simulation results. The conducted studies make it possible to judge the methods of improving non-parametric models and open the way to the construction of improved management of the hydrodewax process.
Key words: hydrocarbon composition, diesel fuel, low-temperature properties, prior information, nonparametric model.
Agafonov Evgeny Dmitrievich, candidate of technical sciences, docent, evgeny. agafonov@mail. ru, Russia, Krasnoyarsk, Institute of oil and gas, Siberian Federal University,
Medvedev Alexander Vasilyevich, doctor of engineering, professor, saor_medvedev@sibsau. ru, Russia, Krasnoyars, Siberian State University of Science and Technology named after academician M. F. Reshetnev,
Orlovskaya Nina Fyodorovna, doctor of engineering, docent, or-lovskaya52@inbox. ru, Russia, Krasnoyarsk, Institute of Oil and Gas, Siberian Federal University,
Sinuta Vasilya Rinatovna, postgraduate, vasilia. giliazova@gmail. com, Russia, Krasnoyarsk, Institute of Oil and Gas, Siberian Federal University,
Yareshchenko Darya Igorevna, senior lecturer, YareshenkoDI@yandex. ru, Russia, Krasnoyarsk, Institute of Space and Information Technologies, Siberian Federal University
УДК 621.9.06
ПРИМЕНЕНИЕ МНОГОЦЕЛЕВЫХ СТАНКОВ ТОКАРНО-ФРЕЗЕРНОГО ТИПА ДЛЯ ОБРАБОТКИ КОРПУСНЫХ ДЕТАЛЕЙ
О.В. Чечуга, А. О. Чечуга
Рассматривается технологический процесс обработки корпусной детали с использованием универсального оборудования, а также и использование современного обрабатывающего центра. Представлена визуализация процесса обработки и расчет суммарной трудоемкости.
Ключевые слова: конструкция детали, переход, технологический процесс, обрабатывающий центр.
Деталь «корпус» относится к группе корпусных деталей, имеет достаточно сложную форму, которая обеспечивает точность расположения деталей и сборочных единиц, герметичность и жесткость.
Для полного представления пространственной формы детали на рис. 1 показана ее ЭБ-модель.
