CC BY
40
УДК 004.8: [681.51.015:661.2.002.5]
И. А. Щербатов
СНИЖЕНИЕ ОБЪЕМОВ ПРОМЫШЛЕННЫХ ВЫБРОСОВ КРУПНОТОННАЖНЫХ УСТАНОВОК С ИСПОЛЬЗОВАНИЕМ ЭКСПЕРТНОЙ ИНФОРМАЦИИ
Введение
Решение задачи управления слабоформализуемыми технологическими процессами (ТП) при наличии неконтролируемых возмущающих воздействий является крайне актуальной проблемой, т. к. большинство процессов химической технологии относятся к слабоформализуемым [1], а зачастую обладают свойством структурной неопределенности [2]. Например, при управлении процессом Клауса при действии возмущения такого рода изменяется режим работы установки, вследствие чего требуется корректировка цели управления - минимизация концентрации тяжелых углеводородов на входе в каталитический реактор. В этом случае имеет место так называемый «проскок», когда из-за появления тяжелых углеводородов изменяется качественный состав кислого газа на входе в установку [3].
Постановка задачи
Измерить «проскок» не удается, т. к. «зашкаливает» анализатор кислого газа, установленный на входе в установку. Однако существует возможность учета такого рода возмущения с помощью интеллектуальной модели дезактивации катализатора [4]. В случае возникновения «проскока» изменяются показания приборов измерения давления, температуры и расхода кислого газа, а также постепенно (через 3-4 с) растет температура в термическом реакторе (ТР). Анализ кривых показывает, что для достижения поставленной цели реакция окисления тяжелых углеводородов должна полностью пройти именно в ТР. Для этого необходимо подавать воздух на сжигание с избытком, выше стехиометрического соотношения, т. е. а > 1.
Для определения эффективности предпринимаемых управляющих воздействий предлагается использовать интеллектуальную модель. Увеличение подачи воздуха в ТР приведет к более интенсивному окислению углеводородов и, как следствие, к росту температуры в ТР, что негативно скажется на значении степени конверсии. Для этого в ряде источников предлагается использовать нечеткий регулятор, имеющий два входа «температура в ТР» и «цвет дыма» и один выход - «расход воздуха в ТР». Такая схема обладает существенным недостатком, т. к. эффективность предлагаемого алгоритма значительно снижается, потому что не учитывается расход той части кислого газа, которая байпасируется на вход ТП.
Построение интеллектуального компенсатора
Более эффективной будет каскадная схема, состоящая из двух нечетких контроллеров. Первый (БеСпЮ) имеет два входа - «качество кислого газа» GQ и нормированное значение
«температура в ТР» ТЯП; один выход - «соотношение расходов воздуха и кислого газа в ТР» FAQl. Второй (РеСи1 1) имеет три входа - «соотношение расходов воздуха и кислого газа в ТР» FAQl, «качество кислого газа» GQ , «температурный режим КР» СЯ ; один выход - «соотношение расходов воздуха и кислого газа в ТП» FAQ2. Сигнал с выхода первого контроллера поступает на один из входов второго, корректируя его работу (рис. 1).
Рис. 1. Структурная схема интеллектуального компенсатора
При работе с экспертной группой не удалось получить необходимые данные и установить закономерности, которые используются опытным оператором для компенсации возмущений вручную. Отсутствие такого рода знаний исключает возможность построения управляющих правил для интеллектуального компенсатора. Преодоление этих трудностей возможно при использовании математического аппарата нейронных сетей [5]. С синтезом в 1986 г. алгоритма обратного распространения ошибки нейронные сети находят все более широкое практическое применение. Они позволяют строить математические модели слабоформализуемых или неформализуемых объектов, самостоятельно в процессе обучения получая необходимые закономерности и зависимости для отображения входных координат X = {GQ, TRn } на выходную Y = {FAQi} .
Синтез контроллеров производится по следующей схеме. Входные X и выходные Y параметры контроллеров представляются с помощью лингвистической перменной (5 термов, характеризующих отклонение параметра в положительном или отрицательном направлении). Каждый из контроллеров представляет собой адаптивную нейронечеткую систему вывода (ANFIS) [6]. Гибридная технология позволяет использовать достоинства нейронных сетей и продукционных правил для получения решающих правил интеллектуального компенсатора. Производить все необходимые модельные расчеты для синтеза контроллеров будем в ANFIS-редакторе ("anfisedit") пакета Matlab версии 7.01 [7].
Обучающие выборки состоят из 165 значений, реализующих работу первого и второго контроллеров. Каждая выборка получена по результатам обработки наблюдений за действиями опытного оператора установки Клауса Астраханского ГПЗ. Обе обучающие выборки необходимо разбить на кластеры с помощью метода субтрактивной кластеризации (subclastering). В качестве параметров алгоритма кластеризации выберем: уровень влияния вектора X - 0,5; коэффициент подавления - 1,25; коэффициенты Accept Ratio и Reject Ratio - 0,5 и 0,15 соответственно.
Результатом является необученная ANFIS-сеть. В качестве метода обучения выберем гибридный алгоритм (hybrid method) - сочетание алгоритма обратного распространения ошибки (backpropagation method) и метода наименьших квадратов (east-squares method). В качестве допустимой ошибки сети устанавливаем малую окрестность нуля, что обеспечит максимальное достижение необходимого результата. Количество эпох обучения принимаем равным 20 (величина установлена методом проб и ошибок и обеспечивает необходимую точность за сравнительно небольшое время).
После окончания процедуры обучения для выявленного с помощью метода субтрактивной кластеризации количества термов входных лингвистических переменных (рис. 2) получаем скорректированные значения функций принадлежности (ФП).
0,75
0,8
0,85
а
0,9
0,95
б
Рис. 2. Значения функций принадлежности: а - входная переменная ТКП ; б - входная переменная од
Обучение завершилось на седьмой эпохе, при этом ошибка достигла величины 0,0070826, полученная ЛОТК-сеть представлена на рис. 3.
Рис. 3. Структура Л№!8-сети
В результате имеется набор правил, реализующих работу контроллера по алгоритму нечеткого вывода Сугено 1-го порядка. Для анализа полученных данных построим поверхность отклика для созданной системы (рис. 4).
1
1,2 1 0,8 ' 0,6 .. 0,4
0,7
0,75
0,8 0,85 0,9 0,95 1
1 1,5 2 2,5 3 3,5 4 4,5 5
п2
Рис. 4. Зависимости выхода контроллера от входных переменных: а - ТКП и GQ ; б -ТКП ; в -GQ
Зависимость соотношения расходов воздух/кислый газ FAQl (рис. 4, в) состоит из трех участков. Первый участок - плавное снижение FAQl, связанное с наилучшим «качеством кислого газа» GQ , что исключает необходимость подачи избыточного количества окислителя в термический реактор. На втором участке FAQ1 не изменяется, т. к. GQ является «нормальным» в смысле качества. И наконец, третий участок, представляющий собой зону медленного роста значения управляющего воздействия FAQl и быстрого роста, что соответствует наличию «проскока» и необходимости его быстрой компенсации.
Кривая, представленная на рис. 4, б, имеет более сложную форму, т. к. влияние температуры на величину управляющего воздействия для различных значений GQ имеет различный характер. В данном случае нельзя проследить однозначную зависимость между снижением температуры и необходимостью увеличить расход воздуха, и наоборот. Аналогичную процедуру необходимо проделать и для контроллера БеСиИ.
Заключение
Описанная методика построения интеллектуального управляющего устройства компенсаторного типа позволяет управлять слабоформализуемым ТП, математическая модель которого обладает свойством структурной неопределенности. Компенсация возмущающего воздействия типа «проскок», оказывающего существенное влияние на увеличение промышленных выбросов крупнотоннажных установок получения серы, позволяет снизить вредное воздействие на окружающую среду. Введение дополнительного управляющего воздействия, основанного на алгоритме использования экспертной информации, позволяет решить задачу, сформулированную в работе. Предложенная методика реализована в программном комплексе «Клаус-А» [8].
5
1
а
б
в
СПИСОК ЛИТЕРАТУРЫ
1. Проталинский О. М. Применение методов искусственного интеллекта при автоматизации технологических процессов: моногр. - Астрахань: Изд-во АГТУ, 2004. - 184 с.
2. Щербатов И. А. Построение гибридных моделей химико-технологических процессов со структурной неопределенностью // Математические методы в технике и технологиях - ММТТ-20: сб. тр. XX Ме-ждунар. науч. конф. Т. 6. / под общ. ред. В. С. Балакирева. - Ярославль: Изд-во Яросл. гос. техн. ун-та, 2007. - С. 171-173.
3. Щербатов И. А., Проталинский О. М., Савельев А. Н. Оптимальное управление технологическим процессом Клауса в условиях неопределенности // Изв. вузов. Сев.-Кавказ. региона. Техн. науки. Спец. вып. «Математическое моделирование и компьютерные технологии». - 2006. - С. 19-25.
4. Щербатов И. А., Мичуров Ю. И. Интеллектуальная математическая модель дезактивации катализатора процесса Клауса // Математические методы в технике и технологиях - ММТТ-18: сб. тр. XVIII Междунар. науч. конф. Т. 6. / под общ. ред. В. С. Балакирева. - Казань: Изд-во Казан. гос. технол. ун-та, 2005. - С. 29-30.
5. Ясницкий Л. Н. Введение в искусственный интеллект: учеб. пособие для студ. высш. учеб. завед. -М.: Изд. центр «Академия», 2005. - 176 с.
6. Усков А. А., Кузьмин А. В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. - М.: Горячая Линия - Телеком, 2004. - 143 с.
7. ЛеоненковА. Нечеткое моделирование в среде МАТЬАБ и Би^ТесЬ. - СПб.: БХВ-Петербург, 2003. - 736 с.
8. Щербатов И. А., Проталинский О. М., Чернов С. В., Епимахов И. А. Математическая модель каталитической стадии процесса Клауса // Свид. об офиц. рег. программы для ЭВМ № 2005611958 от 05.08.05. Федеральная служба по интеллектуальной собственности, патентам и товарным знакам.
Статья поступила в редакцию 21.01.2009
DECREASE IN VOLUMES OF INDUSTRIAL EMISSIONS OF LARGE-CAPACITY MANUFACTURES WITH THE USE OF THE EXPERT INFORMATION
I. A. Shcherbatov
Potentialities to decrease industrial emissions of large-capacity manufactures in order to receive gas sulphur with the use of artificial intelligence methods are considered in the paper. The technique of intellectual jack reception in order to decrease the negative influence of immeasurable perturbation actions while controlling the weak-formalizable technological process is described. Its mathematical model possesses the property of a structural uncertainty. The expert information received from the results of expert’s actions supervision and by means of methods of expert survey is used to solve the problem. The method of subtractive clasterization is applied to receive membership functions. Structural- intellectual jack is an ANFIS-network. Hybrid algorithm is applied to train this network. The analysis of response surface for the offered device is carried out, and the possibility of its use in the modelling system "Klaus-A" is shown.
Key words: large-capacity manufacture, intellectual jack, immeasurable perturbation action, subtractive clasterization, ANFIS-network, hybrid algorithm, response surface, modelling system "Klaus-A".
