Помощь в написании студенческих работ
Антистрессовый сервис

Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов

Диссертация: Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Предложен и разработан нейросетевой импедансный метод идентификации и определения параметров жидких нефтепродуктов. Метод безотносителен к типу нефтепродукта как к объекту измерения. Высокая информативность импедансных измерений, а также обучаемость и адаптируемость искусственных нейронных сетей позволяют создавать универсальные устройства и системы для идентификации и количественной оценки… Читать ещё >

Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов (реферат, курсовая, диплом, контрольная)

Содержание

  • Список условных сокращений
  • Глава 1. МЕТОДЫ И ПРИБОРЫ ДЛЯ ИССЛЕДОВАНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ
    • 1. 1. Методы и приборы для определения параметров жидких нефтепродуктов
      • 1. 1. 1. Спектральные, оптические и механические методы определения параметров жидких нефтепродуктов
      • 1. 1. 2. Электрические методы определения параметров жидких нефтепродуктов
    • 1. 2. Обоснование применения искусственных нейронных сетей и импедансометрии для определения параметров жидких нефтепродуктов
    • 1. 3. Краткий обзор по теории искусственных нейронных сетей
    • 1. 4. Нейровычислительные системы
      • 1. 4. 1. Нейровычислительные системы на основе нейропакетов
      • 1. 4. 2. Нейровычислительные системы на основе нейроплат
      • 1. 4. 3. Аппаратно реализуемые нейровычислительные системы
  • Выводы
  • Постановка цели и задач исследования
  • Глава 2. НЕЙРОСЕТЕВОЙ ИМПЕДАНСНЫЙ МЕТОД ИДЕНТИФИКАЦИИ И ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ
    • 2. 1. Принцип действия и структурная схема нейросетевого импедансного метода
    • 2. 2. Электрическая модель датчика параметров жидких нефтепродуктов
    • 2. 3. Разработка нейросетевого импедансного метода для идентификации и определения параметров жидких нефтепродуктов
      • 2. 3. 1. Выбор системных параметров нейросетевого импедансного метода
      • 2. 3. 2. Оценка минимальной погрешности распознавания
      • 2. 3. 3. Функционирование, обучение искусственной нейронной сети и нейросетевой алгоритм обработки частотных импедансных измерений
      • 2. 3. 4. Примеры расчета нейросети для идентификации марок бензина и определения его параметров
    • 2. 4. Сравнительный анализ результатов моделирования различных топологий искусственных нейронных сетей
  • Выводы
  • Глава 3. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ЧАСТОТНЫХ ХАРАКТЕРИСТИК ИМПЕДАНСА БЕНЗОПРОДУКТОВ
    • 3. 1. Цели и задачи эксперимента
    • 3. 2. Схемы экспериментов, экспериментальное оборудование и алгоритмы обработки экспериментальных данных
      • 3. 2. 1. Датчики
      • 3. 2. 2. Алгоритм обработки экспериментальных данных, полученных прибором «Измеритель добротности Е4−4»
      • 3. 2. 3. Алгоритм обработки экспериментальных данных, полученных прибором «Solartron SI 1260»
    • 3. 3. Частотные характеристики импеданса бензопродуктов
      • 3. 3. 1. Экспериментальные частотные характеристики импеданса бензопродуктов при фиксированных температурах
      • 3. 3. 2. Влияние температуры на частотные характеристики импеданса бензопродукта
      • 3. 3. 3. Влияние водосодержания на частотные характеристики бензопродукта
    • 3. 4. Диэлектрическая проницаемость бензопродуктов 102 3.4.1. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов при фиксированной температуре
      • 3. 4. 2. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродукта при различных температурах
      • 3. 4. 3. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов от октанового числа
    • 3. 5. Требования к точности вторичной измерительной аппаратуры
    • 3. 6. Сравнительный анализ определения октанового числа бензопродуктов различными методами и приборами
  • Выводы
  • Глава 4. РАЗРАБОТКА УСТРОЙСТВ, РЕАЛИЗУЮЩИХ НЕЙРОСЕТЕВОЙ ИМПЕДАНСНЫЙ МЕТОД ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ
    • 4. 1. Функциональные схемы устройств, реализующих нейросетевой импедансный метод
    • 4. 2. Методика измерения и формирования входных данных для искусственной нейронной сети
  • Выводы

Актуальность темы

В настоящее время из нефти вырабатывается более 500 видов продуктов, из них 90−95% жидкие нефтепродукты (ЖНП), насчитывающие сотни наименований (бензопродукты, дизельные топлива, масла и др.). Характерной особенностью сырья, промежуточных и конечных продуктов является то, что они представляют собой многокомпонентные смеси углеводородов и других соединений, содержащие десятки сотен компонентов. Поэтому каждый тип нефтепродукта характеризуется десятками параметров, для измерения которых применяется множество различных методов и приборов, разнородных по принципу действия (механические, электротепловые, оптические, электрохимические, спектральные, СВЧ, ЯМР-методы и т. д.).

Такая разнородность и отсутствие универсального подхода к измерению параметров ЖНП сдерживает развитие методов и приборов для автоматизации контроля и управления процессами в соответствующих технологических и технических системах.

Необходимо найти универсальный подход для измерения и определения широкого спектра параметров ЖНП.

При этом качество нефтепродуктов в настоящее время оценивается комплексами характеристик (см. Приложение П1). В тоже время, для управления технологическими процессами обычно используют измерительную информацию об одной или двух характеристиках, входящих в комплекс, значение которых для конкретного процесса наиболее существенно.

Определение химического состава ЖНП — одна из сложнейших аналитических задач, для решения которой используется весь арсенал знаний физики, химии и других наук. Измерительная информация о составе ЖНП в условиях химико-технологических процессов позволяет однозначно определять качество сырья, промежуточных и конечных продуктов.

Сложность современных методов и средств автоматического анализа состава многокомпонентных сред, каковыми являются ЖНП, их разнообразие и все время изменяющиеся требования к регламенту химико-технологических процессов определяет тот факт, что во многих случаях еще не найдены удовлетворительные решения задачи анализа состава многокомпонентных сред, главным образом по скорости получения измерительной информации и точности измерений [113].

Также необходимо учитывать, что ЖНП изготовляются из нефти разных месторождений, и значения их параметров изменяются в широких пределах под влиянием температуры, группового состава и наличия посторонних примесей, т. е. их параметры априорно неопределенны.

В условиях априорной неопределенности и изменчивости параметров нефтепродуктов под воздействием различных факторов (температуры, группового состава, наличии посторонних примесей и пр.) наиболее эффективно можно использовать обучаемые и адаптивные системы на основе искусственных нейронных сетей (ИНС).

ИНС представляют собой соединенные в сеть нейроподобные вычислительные элементы, которые являются многовходовыми нелинейными преобразователями. В целом, ИНС играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию у = /(х), где хвходной вектор, а у-реализация векторной функции. Постановка задач распознавания и классификации образов, идентификации, управления и ассоциации могут быть сведены именно к такому универсальному аппроксимирующему представлению.

Принципиальные преимущества, вытекающие из использования ИНС, следующие: 1) адаптивная структура, которая получает информацию, обучается и фиксирует полезные связи в сложном взаимодействии входной и выходной информации- 2) возможность обобщать и обрабатывать неполные или зашумленные данные.

Для качественного обучения, и последующей эффективной работы ИНС, при определении параметров ЖНП, необходим большой объем измерительной информации от объекта исследования, получаемый с помощью соответствующего датчика.

Одним из таких методов, позволяющих получить огромный объем информации о свойствах исследуемого ЖНП является импедансометрия (измерение частотных характеристик комплексного сопротивления). Большая информативность частотной характеристики импеданса, зависящая явно или косвенно от свойств нефтепродукта, позволяет создавать общий подход к извлечению измерительной информации об объекте исследования.

В настоящее время считается, что импедансометрия, в сравнении с другими электрохимическими методами, позволяющими получать параметры ЖНП в форме электрического сигнала, обеспечивает наивысшую точность получения экспериментальных данных в интервале частот от сотых долей герца до десятков мегагерц [121].

Применение импедансометрии при исследовании свойств жидкостей обусловлено также развитостью теории и практики обработки и интерпретации результатов измерений для широкого диапазона частот [5, 74,121].

Импедансометрия позволяет связать, по частотным характеристикам импеданса, измеряемые параметры ЖНП за счет большого объема информации, содержащейся в экспериментальных данных.

Опираясь на преимущества ИНС и высокую информативность импедансометрических датчиков можно создавать достаточно универсальный подход к методам и устройствам для измерения разнообразных параметров ЖНП.

Изложенное выше, в целом, обусловливает актуальность темы диссертационной работы.

Цель работы: разработка метода измерения, позволяющего унифицировать идентификацию и определение параметров жидких нефтепродуктов.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать нейросетевой импедансный метод идентификации и определения параметров ЖНП.

2. Разработать и обосновать нейросетевой алгоритм и структуру нейросети для идентификации и определения параметров ЖНП по их частотным импедансным характеристикам.

3. Разработать и обосновать функциональную схему устройства и алгоритм, реализующих предложенный нейросетевой импедансный метод идентификации и определения параметров ЖНП.

4. Разработать электрическую модель датчика параметров ЖНП.

5. Экспериментально исследовать частотные характеристики импеданса одного из типов ЖНП и показать информативность частотных измерений для построения нейросетевого метода.

Методы исследования. Поставленные задачи решаются на основе теории ИНС, теории импеданса межфазной границы электрод/жидкость, физики диэлектриков, компьютерного моделирования и экспериментальных исследований.

Автор выражает благодарность зав. кафедрой радиотехники и радиотехнических систем Чувашского госуниверситета им. И. Н. Ульянова (г. Чебоксары) профессору B.C. Пряникову и доценту В. Г. Захарову за поддержку в работе, а также А. Г. Чертановскому и всему коллективу кафедры за оказанную помощь.

Автор признателен профессору А. С. Мартемьянову, научному руководителю лаборатории LET UMR CNRS п° 6608 университета г. Пуатье (Франция) за предоставленную возможность измерения импедансометром Solartron SI 1260.

Автор также признателен заведующей отделом Всероссийского научно-исследовательского института углеводородного сырья (ВНИИУС, г. Казань) Р. Ш. Нигматуллиной за оказанную помощь в предоставлении эталонов и образцов бензинов.

Автор особо благодарен научному руководителю, зав. кафедрой теоретических основ радиотехники Казанского государственного технического университета им. А. Н. Туполева (г. Казань), профессору Евдокимову Юрию Кирилловичу за постоянное внимание и неоценимую помощь по диссертационной работе.

Выводы.

1. Предложены и обоснованы три основных варианта приборной реализации нейросетевого импедансного метода идентификации и определения параметров ЖНП: а) программная (нейропакеты) — б) аппаратная плата с нейросетевыми элементами (нейроплаты) — в) специализированная микросхема сверхбольшой степени интеграции — нейрочип.

2. Отличительной особенностью устройства на нейрочипе является его высокое быстродействие (работа в реальном масштабе времени), малые габариты, возможность встраивания и использования в технических и технологических системах идентификации и определения параметров ЖНП.

3. Предложена методика измерения и алгоритм формирования входных данных для работы нейронной сети в режимах обучения и определения параметров ЖНП.

ЗАКЛЮЧЕНИЕ

.

1. Предложен и разработан нейросетевой импедансный метод идентификации и определения параметров жидких нефтепродуктов. Метод безотносителен к типу нефтепродукта как к объекту измерения. Высокая информативность импедансных измерений, а также обучаемость и адаптируемость искусственных нейронных сетей позволяют создавать универсальные устройства и системы для идентификации и количественной оценки разнообразных параметров широкого класса жидких нефтепродуктов.

2. Предложен нейросетевой алгоритм идентификации и количественной оценки параметров жидких нефтепродуктов по измеренным импедансным частотным характеристикам. Программная реализация предложенного алгоритма защищена свидетельством Роспатента об официальной регистрации программы для ЭВМ.

3. Предложена электрическая модель датчика параметров жидких нефтепродуктов. Экспериментально подтверждена адекватность электрической модели датчика.

4. Предложены и разработаны устройства, реализующие предложенный нейросетевой импедансный метод определения параметров жидких нефтепродуктов. Новизна технических решений предложенных устройств подтверждена патентом РФ.

5. Разработана методика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения параметров жидких нефтепродуктов.

6. Экспериментально показано, что полученные частотные экспериментальные характеристики импеданса образцов бензопродуктов содержат информацию о свойствах и параметрах исследуемого бензина, позволяющих использовать их в виде обучающей последовательности для нейросети. Получен обширный экспериментальный материал в виде параметрических зависимостей импеданса различных бензинов от октанового числа, водосодержания, температуры.

7. Экспериментально подтвержден нейросетевой импедансный метод определения параметров жидких нефтепродуктов на примере определения октанового числа бензопродуктов. Погрешность определения составила +0,3 октанового числа.

Показать весь текст

Список литературы

  1. Э.Д., Баркан Г. В., Левин И. К. Каскадные нейронные сети. // Автоматика и телемеханика. 1999. -№ 3. -С.38−54.
  2. В.Н. Топлива и смазочные материалы для автомобилей. М.: Транспорт, 1976. 95с.
  3. М.В. Быстродействующая нейросеть со сжатой формой представления данных. // Приборы и системы управления. 1998. -№ 9. -С.37−39.
  4. Анализатор импеданса и амплитудно-фазовых характеристик Solartron 1260. Техническое описание и руководство к эксплуатации. www.wftest.rii
  5. B.C., Попечителев Е. П. Лабораторные приборы для исследования жидких сред. Л.: Машиностроение, 1981. 312с.
  6. Ас. № 2 000 117 028/20 РФ. Устройство для определения суммарного содержания ароматических углеводородов в нефтяных фракциях и светлых нефтепродуктах и их оптической активности. / Николаев В. Ф. -2000. Опубл. БИ № 34, 2000.
  7. Ас. № 2 001 103 301/20 РФ. Устройство для определения качества топлива транспортного средства. / Худенко В. И, Шувалов Н. Н. 2001. Опубл. БИ № 22, 2001.
  8. Я.Ю. Диэлектрические параметры чистых жидкостей: Справочник. М.: МАИ, 1999. 856с.
  9. Аш Ж. и др. Датчики измерительных систем. Пер. с франц. М.: Мир, 1992. (кн.1 480с., кн.2 424с.).
  10. Бардик Дональд Л., Леффлер Уильям Л. Нефтехимия. Пер. с англ. М.:ЗАО «Олимп-Бизнес», 2003. 416с.
  11. Г. А., Захаров В. Г. Применение символьных схемных функций для расчета линейных электрических цепей. //Электричество. 2003. -№ 8. -С.34−46.
  12. Н.А. и др. Некоторые свойства математических моделей нейронных сетей. // Автоматика и телемеханика. 1997. -№ 3. -С.179−189.
  13. Е.И., Паршин В. В. Нейронные сети в системах автоматического распознавания речи. // Зарубежная радиоэлектроника. 1998.-№ 4 — С.49−65.
  14. Г. Ф. и др. Физико-химические основы применения моторных, реактивных и ракетных топлив. М.: Химия, 1965. 272с.
  15. Н.В. и др. Автомобильные топлива. Эксплуатационные свойства и применение. М.: Автотрансиздат, 1962. 100с.
  16. А.Н. Архитектурно-технологический облик интеллектуальных нейронных сетей на кремниевых пластинах и трехмерных нейрокомпьютеров. // Зарубежная радиоэлектроника. -1998. -№ 1. -С.34−51.
  17. JI.B., Пентин Ю. А. Физические методы исследования в химии. Структурные методы и оптическая спектроскопия. М.: Высш. шк., 1987. 367с.
  18. А.И. Аппаратная реализация нейровычислительных управляющих систем. // Приборы и системы управления. 1999. -№ 2. -С.61−65.
  19. М.В. Биофизика. Учеб. руководство. М.: Наука, 1988. 592с.
  20. М.А. и др. Качество моторного масла и надежность двигателей. М.: Изд-во стандартов, 1981. 231с.
  21. А.И. и др. Некоторые концептуальные вопросы развития нейрокомпьютеров. // Зарубежная радиоэлектроника. 1997.- № 2. -С.3−10.
  22. А.И. Современные направления развития нейрокомпьютеров в России. // Зарубежная радиоэлектроника. 1998. -№ 1. -С.3−17.
  23. A.JI., Скрипкин В. В. Методы распознавания. Учеб. пособие. 2-е изд., перераб. и доп. М.: Высш. школа, 1984. 208с.
  24. А. Применение автомобильных бензинов. М.: Химия, 1972. 364с.
  25. П., Гримальди Д. Искусственные нейронные сети в измерениях. // Приборы и системы управления. 1999. -№ 3. -С.48−65.
  26. В.М., Ефитов Г. Л., Шестаков Н. В. Современные системы управления как средство снижения потерь в нефтепереработке. // Приборы и системы управления. 1998. -№ 7. -С.13−17.
  27. А.Ю., Алексеев А. А. Структурные модели и топологическое проектирование быстрых нейронных сетей. «Интеллектуальные системы». // Тез. докл. 11 Международного симпозиума. М.: ПАИМС, 1996. Т.2. С.138−143.
  28. А.Ю. Пластичность многослойных слабосвязанных сетей. // Нейрокомпьютеры: разработка, применение. 2001. -№ 11. -С.22−40.
  29. А.Ю. Системные категории модульных нейронных сетей. // Нейрокомпьютеры: разработка, применение. 2001. -№ 11. -С.4−21.
  30. В., Круглов В. MATLAB. Анализ, идентификация и моделирование систем. Специальный справочник. СПб.: Питер, 2002. 448с.
  31. В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001. 480с.
  32. Ю.К., Никифоров И. К., Героев АЛ. Нейросетевой метод определения параметров бензопродуктов с применением импедансометрии // Естественные и технические науки / Вестник Чуваш, ун-та № 2. Чуваш, ун-т. Чебоксары, 2004. С. 142−149.
  33. Ю.К., Никифоров И. К., Героев A.JI. Усовершенствование устройства для идентификации жидких нефтепродуктов с помощью искусственной нейронной сети // Сб. тр. молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2003.1. С. 276−279.
  34. Ю.К., Никифоров И. К. Виртуальный прибор — октанометр на основе искусственной нейронной сети // Тез. докл. 7-й науч. конф. по радиофизике (ННГУ, 6−8 мая). Н. Новгород, 2003. С. 105.
  35. Ю.К., Никифоров И. К. Использование искусственных нейронных сетей в виртуальных приборах // Тез. докл. 5-й Всерос. науч. конф. «Динамика нелинейных дискретных электротехнических и электронных систем». Чуваш, ун-т. Чебоксары, 2003. С. 111−112.
  36. Ю.К., Никифоров И. К. Нейросетевой импедансный метод определения параметров жидких нефтепродуктов // Приборы и системы. Управление, контроль, диагностика. 2004. № 12. С. 37−43.
  37. Ю.К., Никифоров И. К. Устройство и способ идентификации бензинов с помощью искусственной нейронной сети // Сб. тр. молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2003. С. 275−276.
  38. В.В. Нейроподобная сеть для решения задачи сортировки данных. // Автоматика и вычислительная техника. 1997. -№ 5. -С.10−16.
  39. Ф.П. и др. Использование виртуальных инструментов LAB VIEW. / Под ред. К. С. Демирчяна и В. Г. Миронова М.: Радио и связь, Горячая линия Телеком, 1999. 268с.
  40. И.В. Нейронные сети: основные модели. Учеб. пособие. Воронеж: ВГУ, 1999. 77с.
  41. Н.В., Кравчук А. А. Автоматизированная информационная система на основе нейронных сетей для предсказания свойствуглеводородов. // Приборы и системы управления. 1999. -№ 7. -С.18−22.
  42. Н.В., Шадрин Я. П. Автоматизированная информационная система контроля параметров бензина. // Приборы и системы управления. -1998. -№ 5. -С.3−8.
  43. Заявка РФ на изобретение № 2 000 100 547/04. Способ определения октанового числа бензина. / Кондаков В. Ю., Лесных И. В., Мещеряков Н. А., Подъяпольский Ю. В. Опубл. БИ № 25, 2001.
  44. Заявка РФ на изобретение № 2 000 111 363/28. Электронный измеритель параметров среды. / Губкин С. А., Березкин Б. А. Опубл. БИ № 11, 2002.
  45. Заявка РФ на изобретение № 2 000 122 691/28. Способ определения октанового числа автомобильных бензинов. / Пащенко В. М., Ванцов В. И., Чуклов В., Синицын Д. В. Опубл. БИ № 23, 2002.
  46. Заявка РФ на изобретение № 95 105 676/25. Оптоэлектронный октанометр. / Лиманов А. И. Опубл. БИ CD-ROM, 1998.
  47. Заявка РФ на изобретение № 95 110 676/25. Способ определения октанового числа отдельных углеводородных смесей. / Матеева Н. А., Квашнин В. Н. Опубл. БИ CD-ROM, 1998.
  48. Заявка РФ на изобретение № 96 100 206/25. Устройство для измерения ОЧ неэтилированных бензинов. / Кольцов Ю. В., Королев В. Н., Кусакин С. А., Золотарев В. Г., Ермилов В. И. Опубл. БИ CD-ROM, 1998.
  49. Заявка РФ на изобретение № 96 100 736/25. Способ определения ОЧ неэтилированных автомобильных бензинов по ГОСТ 2084–77 и их смесей. / Лесняк М. А., Тимофеев Ф. В., Дайненко Ю. Г., Пименов Ю. М. Опубл. БИ CD-ROM, 1998.
  50. Заявка РФ на изобретение № 96 107 199/06. Способ и устройство для измерения октанового числа. / Матвеева Н. А., Томская Е. В. Опубл. БИ CD-ROM, 1998.
  51. Заявка РФ на изобретение № 97 120 661/28. Способ определения53.
Заполнить форму текущей работой

Сессия? Спокойно!