CC BY
299
УДК 004.942
А.Г. Олейник, Л.П. Ковалева
СХЕМА ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ ОБОГАЩЕНИЯ РУД
Аннотация
В работе предлагается вариант решения задачи оперативного прогнозирования результатов производственного процесса обогащения руд. Решение основано на кластеризации пространств входов и выходов процесса с использованием имеющихся данных оперативного мониторинга.
Ключевые слова:
моделирование, система оперативного управления, процесс обогащения руд.
A.G. Oleynik, L.P. Kovalevа
The on-line forecasting scheme for industrial ore-dressing process
Abstract
The candidate solution for task of industrial ore-dressing process on-line forecasting is proposed in the article. The solution based on input and output spaces clustering by using available data of on-line monitoring.
Keywords:
simulation, dispatcher system, ore-dressing process.
Введение
Добыча и переработка минеральных полезных ископаемых является ключевой отраслью экономики Кольского полуострова [1, 2]. Характерной особенностью большинства расположенных здесь рудных месторождений является их комплексность [5]. Важнейшей задачей обогатительного производства является обеспечение максимальной эффективности извлечения полезных компонентов, снижение отходов и потерь [3, 6].
Совершенствование способов комплексной переработки минерального сырья Кольского полуострова является одной из основных направлений исследований нескольких институтов Кольского научного центра РАН. Решение этой задачи требует рассмотрения целого комплекса фундаментальных и прикладных вопросов, которые включают: исследования научных основ
процессов обогащения руд, разработку и модернизацию средств аппаратно -программного контроля производственных процессов, а также создание новых аппаратов и разработку современных программых систем организации и оперативного управления производственными процессами переработки минерального сырья.
Для исследования процессов обогащения минерального сырья широко применяются математические модели, описывающие физические процессы и явления, приводящие к разделению минеральных компонентов в разделительных аппаратах. Эти модели, как правило, представляют собой сложные дифференциальные уравнения в частных производных с граничными
условиями (например, краевые задачи для усредненного по Рейнольдсу уравнения Навье-Стокса в аэродинамике). Для таких уравнений зачастую неизвестны ни теоремы о существовании и единственности решения, ни характер зависимости решения от параметров и граничных условий. Программные пакеты, ориентированные на построение и анализ таких моделей [11], реализуют различные численные методы решения соответствующих уравнений (например, методы вычислительной аэрогидродинамики -Computational Fluid Dynamics, CFD) [12].
Вместе с этим, результаты мониторинга параметров производственных процессов обогащения, реализуемого средствами SCADA- систем, обеспечивают информационный базис для создания имитационных моделей этих процессов на основе принципа «черного ящика», а не на основе математического описания «физики» разделения. Учитывая достаточно высокую трудоемкость численного решения «физических» моделей, авторы считают, что модели типа «черного ящика» могут оказаться более подходящими для решения задач оперативного прогнозирования хода производственных процессов.
Типовая структура SCADA
Все современные SCADA-системы включают три основных структурных компонента [7] (рис.1).
Remote Terminal Unit (RTU) удаленный терминал, осуществляющий обработку задачи (управление) в режиме реального времени. Спектр его воплощений широк от примитивных датчиков, осуществляющих съем информации с объекта, до специализированных многопроцессорных отказоустойчивых вычислительных комплексов, осуществляющих обработку информации и управление в режиме жесткого реального времени.
Master Terminal Unit (MTU), Master Station (MS) диспетчерский пункт управления (главный терминал); осуществляет обработку данных и управление высокого уровня, как правило, в режиме мягкого (квази-) реального времени. Одна из основных функций этого модуля - обеспечение интерфейса между человеком-оператором и системой (MMI - man-machine interface). В зависимости от конкретной системы MTU может быть реализован в самом разнообразном виде - от одиночного компьютера с дополнительными устройствами подключения к каналам связи, до больших вычислительных систем (мэйнфреймов) и/или объединенных в локальную сеть рабочих станций и серверов. Как правило, и при построении MTU используются различные методы повышения надежности и безопасности работы системы.
Communication System (CS) коммуникационная система (каналы связи), необходима для передачи данных с удаленных точек (объектов, терминалов) на центральный интерфейс оператора-диспетчера и передачи сигналов управления на RTU. В ходе производственных процессов обогащения с помощью программно-аппаратных средств SCADA-систем в режиме реального времени отслеживается большое количество параметров процесса. Например, на обогатительных производствах ОАО «Апатит» внедрена SCADA-система контроля и сбора данных iFix. Благодаря ее возможностям, оператор контролирует изменения параметров производственного процесса в реальном
времени и следит за возможными отклонениями их значений от заданного регламента. Таким образом, на мониторе автоматизированного рабочего места оператора осуществляется визуализация параметров технологического процесса и оборудования с помощью мнемосхем, графиков, таблиц и т.д., а также отображения параметров состояния датчиков и устройств через регулярные промежутки времени (рис. 2). Если происходят какие-либо сбои в ходе производственного процесса, система сообщает о неисправности оператору, который должен предпринять некоторые действия по исправлению возникшей проблемной ситуации.
о
Оператор
Рис.1. Основные структурные компоненты SCADA-системы
Рис. 2. Экранная форма диспетческого монитора
Одной из основных функций человека-оператора в системе диспетчерского управления является обучение (программирование) компьютерной системы на последующие действия [7]. Известно, что современные SCADA-системы [8, 9] (в том числе система iFix) обладают
возможностью дополнения функциями собственной разработки, что позволяет создать систему, полностью отвечающую всем требованиям и целям конкретного производства. Для уменьшения отрицательных последствий колебаний характеристик исходного сырья и параметров оборудования на качество продуктов обогащения необходимо внедрение в систему управления производственным процессом наряду со стандартными для SCADA функциями мониторинга и функции оперативного прогнозирования хода процесса. Реализация прогнозирования требует создания и интеграции в SCADA «быстродействующих» средств моделирования производственного процесса и возможных последствий управляющих воздействий [4].
Проблемы моделирования производственных процессов обогащения
Имеющийся опыт в области моделирования процессов обогащения позволяет утверждать, что для обеспечения адекватности моделей задачам управления производственными процессами необходимо, чтобы модели учитывали не только те параметры производственного процесса, значимость которых выведена и подтверждена теоретически, но и те параметры, влияние которых на производственный процесс неочевидно и не определено теоретическими исследованиями. Такие «неизвестные» параметры могут вызывать непредсказуемые отклонения производственного процесса от предсказанной теоретически линии и влиять на качество конечного продукта.
Стоит отметить, что «непредвиденное» влияние может оказать не только отдельный параметр, который не учитывается в теоретической модели, но и некоторая комбинация (группа) параметров (в том числе - и учитываемых в теоретической модели), которая при определённых значениях компонентов может вызывать возмущения в производственном процессе. В связи с этим, задачу построения модели, описывающей реальный производственный процесс обогащения, можно разделить на две подзадачи:
• анализ параметров производственного процесса и выявление неочевидных связей между ними, влияющих на ход процесса и характеристики продуктов разделения;
• анализ связей между объектами (параметрами) и событиями (отклонениями производственного процесса) с целью выявления причинноследственных связей.
Формализованное представление процесса обогащения
Имеющийся опыт в области моделирования процессов обогащения позволяет утверждать, что для обеспечения адекватности моделей задачам управления производственными процессами необходимо, чтобы модели учитывали не только те параметры производственного процесса, значимость которых выведена и подтверждена теоретически, но и те параметры, влияние которых на производственный процесс неочевидно и не определено теоретическими исследованиями.
Процесс обогащения минеральных руд состоит, как правило, из многих этапов и происходит с применением сложного оборудования. Количество фактически наблюдаемых параметров производственного процесса довольно велико - порядка нескольких тысяч. В связи с этим, для анализа параметров
произвозводственного процесса с целью выявления «скрытых» закономерностей и связей, которые могут влиять на ход процесса, перспективным представляется применение методов Data Mining, ориентированных на решение задачи кластеризации.
Для формального описания задачи введем следующие обозначения:
Отдельный передел Pi (подпроцесс) в рамках сложного обогатительного процесса PG определим как Pi(Xi, Ati) —> Yi,
где Xi -пространство «входов» процесса, которое определяется множеством наблюдаемых параметров на входе передела, характеризующих подаваемое на передел сырье и начальные параметры оборудования, реализующего передел;
Ati - условное время реализации передела, которое определяется, как время нахождения преобразуемого продукта в границах данного передела, а [ti0, tif] - временной интервал протекания процесса Pi от момента его начала tiO до момента окончания tif (Ati= tif - tiO);
Yi - пространство «выходов» передела, которое определяется возможными значениями целевых характеристик продуктов передела и параметров оборудования.
Необходимо отметить, что большинство переделов в производственных обогатительных процессах являются непрерывными. Именно поэтому время передела Ati будет условным. Оно вводится с целью дискретизации процесса и упрощения учета временных задержек при анализе взаимного влияния параметров сложного процесса.
Сложный (составной) производственный процесс обогащения PG (X, AtG) —> Y, представляет собой последовательно-параллельное выполнение определенного комплекса переделов Pi (PG=y^> ), каждый из которых выполняется в
¿=1
рамках временного интервала [tGO, tGf], где tGO - момент начала, tGf- момент окончания PG, a AtG= tGf - tGO.
Общие пространства входов X и выходов Y сложного процесса PG, как правило, пересекаются (XnY^ 0). Это обусловлено тем, что выходные характеристики некоторых промежуточных переделов (подпроцессов) являются входными для последующих переделов. Пространство «строгих» входов для PG представляет собой подмножество XG множества X, содержащее только параметры и характеристики, определяемые внешними по отношению к PG факторами. Подмножество «строгих» выходов YG образуют элементы множества Y, не подвергаемые, какой либо трансформации в рамках PG (рис. 3).
При рассмотрении конкретной ситуации во времени пространства входов и выходов необходимо четко разделить. Для решения этой задачи используется дискретизация процессов по времени. Дискретизация позволяет ввести условия распределения подпроцессов во времени и формально представить наличие в сложном процессе задержек материальных потоков и циркулирующих нагрузок. В работе [10] предложен вариант концептуальной классификации процессов обогащения, который позволяет определить формальные правила трансформации друг в друга элементов множеств X и Y в рамках сложного производственного процесса.
Построение формализованного описания сложного производственного процесса обогащения даст возможность разработки алгоритмов формирования
целевых выборок из базы данных мониторинга, автоматизированного анализа и прогнозирования хода реализации этого процесса.
Рис. 3. Схема формальных обозначений характеристик сложного процесса обогащения
Схема технологии прогнозирования процесса обогащения
Рассмотрим схему разрабатываемой технологии оперативного управления сложным процессом обогащения минерального сырья с применением
прогнозного моделирования хода процесса. Как было указано выше, предлагаемая технология основана на использовании данных мониторинга производственного процесса, полученных за длительный период времени средствами SCADA-системы.
Подготовительный этап технологии предполагает проведение анализа ретроспективных данных мониторинга. В результате анализа должны быть определены многомерные пространства входов X и выходов Y исследуемого процесса, проведена их классификация (кластеризация) и разработаны модели, описывающие отображения областей пространства X в области пространства Y.
Состав X и Y достаточно просто определяется на основе структуры базы данных мониторинга. Количество контролируемых SCADA-системой
параметров и характеристик производственного процесса довольно велико. Вполне вероятно, что не все из них необходимо принимать во внимание при оперативном управлении производственным процессом. Обосновать возможность исключения некоторых параметров из рассмотрения можно на основе экспертных рекомендаций, получивших подтверждение в результате формального анализа данных.
В результате классификации пространств X и Y необходимо выделить в них области, соответствующие определенным состояниям процесса. Первичной является классификация пространства выходов Y, так как результативность
процесса определяется значениями именно его компонентов. В этом
пространстве необходимо определить область «желаемых» исходов Y+, которую образуют значения элементов Y, соответствующие регламентным значениям,
как характеристик продуктов разделения, так и параметров процесса. Если текущая реализация процесса обеспечивает нахождение выходов в этой области, то параметры процесса не требуют какой-либо корректировки. В случае отклонения одного или нескольких элементов пространства Y от регламентных требуется корректировка параметров процесса. Для этого, в первую очередь, необходимо определить причины возникающего отклонения, а затем механизмы воздействия, обеспечивающие возвращения его выходных характеристик в область желаемых исходов.
Структура базы данных мониторинга позволяет определить для каждой представленной в базе «точки» Yi пространства Y соответствующую ей «точку» Xi пространства X (рис. 4). С практической точки зрения это означает, что по данным мониторинга всегда можно определить при каких условиях был получен тот или иной результат.
Рис. 4. Условная схема отображения пространства входов в пространство выходов
Высокая размерность пространств X и У существенно осложняет явное определение функции отображения ср(Х1) —» У1 . Но наличие больших объемов данных мониторинга дает возможность выявления закономерностей этого отображения с высокой долей достоверности. В результате анализа данных мониторинга необходимо определить подпространство X+ пространства X , обеспечивающее «попадание» выходов в область желаемых исходов Y+ пространства Y , а также области, которым соответствуют выходы вне области желаемых исходов пространства Y (рис. 3).
Прогнозирование исхода текущего состояния производственного процесса заключается в определении положения характеризующей его точки Xi в пространстве X. Если текущее состояние XI не попадает в подпространство Х+ и, следовательно, не обеспечивает получение желаемого исхода У1 (У1е У+), то необходимо определить и реализовать корректирующее воздействие на процесс.
С формальной точки зрения это означает, что необходимо определить наиболее рациональный механизм смещения точки Xi в область X+ за счет изменения одной или нескольких ее координат. При поиске вариантов решения необходимо учитывать, что непосредственно изменять можно только некоторые компоненты пространства X, которые относятся к категории «управляющих» согласно классификации, предложенной в работе в работе [4]. Тем не менее, высокая размерность пространства X предопределяет наличие разных траекторий смещения. Выбор рационального варианта, в общем случае, многокритериальный. Достаточно очевидным формальным критерием будет
являться «длина» траектории смещения точки Xi в область X+. Однако, кратчайшая траектория не всегда эффективна или даже реализуема на практике. Это может быть обусловлено различными факторами: технологическими, экономическими, экологическими и т.д.. Поэтому процедура выбора рационального варианта может оказаться достаточно сложной с вычислительной точки зрения и ее реализация требует создания соответствующего информационно-аналитического обеспечения, основанного на моделировании управляющих воздействий.
Заключение
Представленный в работе вариант решения задачи оперативного прогнозирования хода производственных процессов обогащения руд основан на использовании информационного потенциала, обеспеченного широким применением автоматизированных систем мониторинга. Он дает возможность оперативно оценить необходимость внесения корректив в протекание производственного процесса в случае возникновения угрозы входа характеристик продуктов разделения или параметров процесса за регламентные значения. В сочетании с «быстрыми» средствами моделирования вариантов управляющих воздействий, предлагаемое решение может обеспечить практическую реализацию информационной технологии оперативного управления обогатительными процессами, удовлетворяющей требованиям «реального времени», отводимого на выработку решения и инициализацию необходимых воздействий.
Литература
1. Базанова, Н.М. Опробование и контроль процессов обогащения: учеб. пособие для техникумов / Н.М. Базанова, А.В. Курочкина. - М.: Недра, 1983.
- 103 с.
2. Голованов, Г.А. Флотация Кольских апатит-содержащих руд /Г.А. Голованов.
- М.: Химия, 1976. - 216 с.
3. Олейник, А.Г. Проблемы практического использования средств информационной поддержки в управлении производственными процессами обогащения минеральных полезных ископаемых / А.Г. Олейник, Л.П. Попова,
В.Ф. Скороходов // Информационные технологии в региона-льном развитии.
- Апатиты, 2008. - Вып. VIII. - С.90-97.
4. Попова, Л.П. Механизм целевого доступа к данным мониторинга процессов обогащения на основе текстовых фильтров / Л.П. Попова, А.Г. Олейник // Информационные технологии в региональном развитии. - Апатиты, 2009.
- Вып. IX. - С.108-111.
5. Калинников, В.Т. Комплексная переработка апатитонефелиновых руд: состояния и перспективы / В.Т. Калинников, А.В. Григорьев // Комплексная переработка хибинских апатито-нефелиновых руд. - Апатиты: Изд-во КНЦ РАН, 1999.- 173 с.
6. Воскобойников, Н.Б. Проблемы комплексного использования природных ресурсов Кольского полуострова / Н.Б. Воскобойников, Г.С. Скиба,
В.И. Захаров /Тез. докл. конф.- Апатиты. -1989. - С.17.
7. Системы диспетчерского управления и сбора данных (SCADA-системы). Режим доступа: http://www.mka.ru/?p=41524.
8. SCADA. - Режим доступа: http://ru.wikipedia.org/wiki/SCADA
9. Болонкин, А.В. Сравнительный анализ отечественных SCADA-систем. -Режим доступа: http://lab18.ipu.rssi.ru/
10.Гершенкоп, А.Ш. Концептуальное моделирование процессов обогащения минерального сырья / А.Ш. Гершенкоп, А.Г. Олейник, А.Я. Фридман // Теоретические и прикладные модели информатизации региона. - Апатиты, 2000. - С.89-93.
11.Неведров, А.С. Об инструментальных средствах определения эффективных режимов обогащения минеральных руд / А.С. Неведров, А.Г. Олейник // Информационные ресурсы России. - 2011. - №5 (123). - С.35-38.
12. Скороходов, В.Ф. Создание эффективных технологий и техники обогащения минерального сырья с применением методов вычислительной гидродинамики / В.Ф. Скороходов, М.С. Хохуля, В.В. Бирюков // Горный журнал. - 2010.
- № 12. - С.79-84.
Сведения об авторах
Олейник Андрей Григорьевич
д.т.н., зам. директора. Учреждение Российской академии наук Институт информатики и математического моделирования технологических процессов Кольского научного центра РАН.
Россия, 184209, г. Апатиты Мурманской обл., ул. Ферсмана, д. 24A. e-mail: oleynik@iimm.kolasc.net.ru
Andrey G. Oleynik
Dr. of Sci (Tech.), Deputy director. Institution of Russian Academy of Sciences, Institute for Informatics and Mathematical Modeling of Technological Processes, Kola Science Center оf RAS. Russia, 184209, Apatity Murmansk region, Fersman St. 24А.
Ковалёва Любовь Петровна
инженер. Учреждение Российской академии наук Институт информатики и математического моделирования технологических процессов Кольского научного центра РАН.
Россия, 184209, г. Апатиты Мурманской обл., ул. Ферсмана, д. 24A. e-mail: popoval@arcticsu.ru
Liubov P. Kovaleva
engineer. Institution of Russian Academy of Sciences. Institute for Informatics and Mathematical Modeling of Technological Processes, Kola Science Center оf RAS.
Russia, 184209, Apatity Murmansk region, Fersman St. 24А.
