Моделирование и оптимизация нечеткоопределенных технологических процессов: На примере процесса паровой конверсии углеводородов

Развитие современной химической промышленности характеризуется созданием все более сложных химико-технологических процессов, реализуемых с помощью крупнотоннажных установок. По мере увеличения единичных мощностей аппаратов возрастают общие расходы сырья и энергии, ужесточаются требования к экономичности производств и качеству выпускаемой продукции. Эффективное функционирование таких производств возможно лишь при использовании современных методов оптимизации, средств вычислительной техники, позволяющих в реальном времени находить оптимальные режимы ведения процесса.

Широкое внедрение в химической промышленности автоматизированных систем управления технологическими процессами (АСУ ТП), базирующихся на использовании высокопроизводительных промышленных микропроцессорных систем, способствует решению многих проблем контроля и управления технологическими процессами.

В то же время, наряду с несомненными успехами в области оптимизации технологического процесса, существует еще ряд производств, где уровень использования вычислительной техники не соответствует современным требованиям. В большинстве случаев это так называемые «нечеткоопределенные» процессы, обладающие рядом особенностей, существенно затрудняющих их оптимизацию. К таким особенностям относятся: невозможность математического описания процесса только с помощью количественных соотношений (аналитических и регрессионных) — отсутствие количественного контроля состояния объекта, высокая степень неопределенности протекающих явлений.

Во многих нечеткоопределенных объектах процессы теплообмена излучением, химической кинетики и массообмена являются определяющими в технологическом цикле [5,23,25]. Однако, указанные процессы не в полной мере описываются с помощью аналитических уравнений, и большинство моделей химико-физических процессов основываются на регрессионных зависимостях не выше 4−6 порядка [27,40]. Обзор работ по моделированию химико-технологических систем показал, что наибольшее распространение при моделировании недетерминированных процессов получили регрессионные и аналитические соотношения, основанные на эмпирических или полуэмпирических соотношениях. Большинство эмпирических моделей создаются в условиях лабораторного эксперимента, либо в определенных стационарных условиях работы объекта, что не всегда соответствует номинальному режиму функционирования реального объекта. Подобные модели не могут точно отражать поведение объекта в полном диапазоне изменения режима процесса. Положение ухудшается, если технологический процесс содержит ряд аппаратов, характеризующихся нестационарностью теплофизических свойств. В таких условиях гибкость системы математического моделирования будет определяться возможностями параметрической идентификации модели. Задачей параметрической идентификации традиционных математических моделей является поиск вектора параметров модели, обеспечивающий минимум критерия адекватности. Идентификация производится численными методами поиска экстремума [1,89]. Полученные значения коэффициентов не всегда могут соответствовать реальным значениям физико-химических параметров процесса и, как следствие, не несут смысловой нагрузки в понимании управляющего персонала. Недостаточность количественной информации, находящейся в информационной связи с идентифицируемыми параметрами модели нечеткоопределенного технологического процесса, усложняет применение статистических оценок точности. Таким образом, складывается ряд причин обусловливающих «человеческий фактор» современных систем управления технологическим процессом. То есть очень часто существующие системы управления технологическим процессом необоснованно исключаются из процесса управления технологическим объектом и используются только как информационные системы, выполняя функции сбора информации (визуализации) о технологическом участке, производстве [6]. Причина этого заключается в проблеме недоверия персонала к полученному системой управления в супервизорном режиме или в режиме «советчика» управляющего решения из-за того, что для персонала остается «непрозрачным» механизм моделирования, идентификации и принятия системой управляющего решения.

Таким образом, применение традиционных методов оптимизации, основанных на математическом описании только количественных характеристик процесса, не решает требуемых задач, а порой их реализация вовсе не представляется возможной.

Важной особенностью нечеткоопределенных процессов является то, что наряду с дефицитом количественной информации в них содержится значительная доля качественной информации в виде лингвистического описания знаний операторов-технологов о ходе процесса. Знания персонала представляют собой опыт эксплуатации технологического объекта в форме суждений, построенных на основе логико-интуитивных ощущений, должностных инструкций и некоторых теоретических знаний. Практика показывает, что оперативный персонал, не зная или не учитывая физической природы всех протекающих процессов, на основе собственного эмпирического опыта способен управлять сложными объектами в режиме близком к оптимальному [4]. При этом качество управляющих решений определяется квалифицированностью оперативного персонала.

Другим примером преобладания качественной информации являются технологические инструкции и лексикон персонала, где ряд технологических параметров описывается не количественными значениями, а качественными категориями, например, «низкое», «среднее», «высокое». Зачастую причинно-следственная связь между показателями качества работы технологического объекта и входными координатами объекта управления выражается также не в форме аналитических зависимостей, а в форме синтаксических конструкций на естественном языке.

Важные технологические динамические операции, такие как пуск, остановка оборудование, локализация аварийных ситуаций, для большинства объектов химии вообще не имеют четкого цифрового алгоритма, но реализованы в форме словесных предписаний на естественном языке.

При отсутствии или дефиците количественной информации значительно возрастает роль качественной. Появление теории нечетких множеств позволяет в значительной мере формализовать и применять в задачах моделирования и оптимизации такую информацию. Суть методов теории нечетких множеств заключается в переводе количественных форм знаний о процессе в качественную форму и выводе результата (или управляющего решения) на основе совокупности знаний о процессе, оформленных, например, в форме продукций или ситуационных графов с дальнейшим переводом полученного качественного результата в количественный [4,46,53].

В связи с этим актуальным оказывается разработка систем управления, реализующих алгоритмы моделирования нечеткоопределенных технологических объектов на базе математического описания, включающего в себя элементы искусственного интеллекта. Функции искусственного интеллекта должны заключаться в формализации и адаптации для численной реализации на ЭВМ сложных процедур вывода ожидаемого состояния и принятие управляющего решения на основе механизмов, аналогичных механизмам принятия решения человеком, т. е. установление логических причинно-следственных связей, продукции и т. п. [36].

Практика показала, что применение аппарата нечетких множеств в управлении технологическими и техническими системами дает высокие результаты [61], но существует большая сложность создания системы знаний. Для ее формирования необходимо привлекать экспертов из числа опытных специалистов в области управления конкретным технологическим объектом. Процедура опроса экспертов должна также повторяться при изменении физических, химических или технологических свойств объекта.

Другим недостатком систем, основанных на базе нечеткой логики, является то, что математический аппарат, моделирующий объект или принимающий управляющее решение, представляет собой лингвистическое выражение причинно-следственных связей входных и выходных величин технологического процесса. При высокой размерности векторов входных и выходных переменных эксперт может затрудняться в установлении связей между входом и выходом, а в группе экспертов может наблюдаться разногласие мнений по этому вопросу из-за субъективности восприятия каждого из экспертов [4].

Введение

системы весовых коэффициентов знаний и опыта каждого из экспертов может оказаться неэффективным, поскольку это не решает проблему динамической идентификации и, кроме того, коэффициенты могут носить также субъективный характер.

До настоящего времени для математического описания технологического процесса использовалась только количественная или только качественная информация. Вопрос совместного использования этих видов информации при математическом описании и оптимизации технологического процесса в научной и прикладной литературе фактически не изучался.

Учитывая достоинства и недостатки рассмотренных подходов математического описания и оптимизации нечеткоопределенных процессов, представляется перспективной разработка методов оптимизации технологического режима на основе композиции качественного и количественного описания технологического процесса. Применение «гибридного» моделирования позволит расширить полноту математического описания за счет учета недетерминированных, сложных и мало изученных физико-химических процессов качественным описанием и уменьшить неопределенность, применив традиционные аналитические уравнения и зависимости для хорошо изученных и легко описываемых аналитическими соотношениями процессов, протекающими в объекте.

Применение словесного формулирования переменных и параметров в математическом описании объекта позволяет ставить задачи оптимального управления объектом, где в качестве критериев оптимизации выступают не только численные функции, но и качественные отношения.

На основе всего вышеизложенного, целью настоящей работы является создание методов и алгоритмов оптимального управления сложными технологическим объектами на основе «гибридного» качественно-количественного описания физико — химических процессов.

Решению этой задачи и посвящена данная работа, где в качестве примера рассматривается оптимизация процесса паровой конверсии нафты в производстве аммиака.

Диссертационная работа состоит из введения, пяти глав, заключения и приложения.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ.

1. Разработан метод построения гибридных математических моделей, где наряду с количественными соотношениями используются выражения, полученные в результате формализации качественной информации с использованием аппарата нечетких множеств. Разработаны способы проведения расчетов по моделям подобного типа. Показана возможность их применения для целей оптимизации.

2. Разработан метод параметрической идентификации гибридных моделей по экспериментальным данным.

3. Проведен анализ процесса паровой конверсии нафты в трубчатой печи как объекта оптимизации и моделирования. Поставлена задача разработки методов и алгоритмов оптимизации данного процесса с использованием качественной и количественной информации.

4. Построена гибридная математическая модель процесса паровой конверсии нафты в форме системы, включающей нелинейные дифференциальные уравнения балансов и уравнения, формализующие качественную информацию о химизме процесса конверсии и горения топлива в трубчатой печи. Проведена идентификация и показана адекватность построенной модели исследуемому процессу.

5. Поставлена и решена задача оптимизации процесса паровой конверсии нафты, заключающаяся в оптимальном распределении нагрузок между реакторами паровой конверсии. Предложен и апробирован итерационный алгоритм решения оптимизационной задачи на условный экстремум.

6. Разработан пакет прикладного программного обеспечения, реализующий метод оптимизации технологических параметров процесса паровой конверсии углеводородов на основе качественной й количественной информации. Предложены способы реализации пакета программного обеспечения в рамках современной АСУ ТП.