Mobirise Web Site Generator



Оптимизация процессов для повышения производительности оборудования




Система Data Mining Process Control (DMPC) использует современные, уникальные методы математического моделирования и оптимизации для решения задач улучшения эффективности непрерывных процессов, повышения производительности и срока службы установленного оборудования.


Для создания моделей объекта не требуется инфрмация завода- изготовителя оборудования. Поэтому система может быть использована как для новых установок, так и для модернизируемых. 


С помощью сложного моделирования система DMPC определяет взаимосвязи между различными переменными агрегата и технологического процесса, которые используются для оптимизации работы оборудования и связанного с ним процесса. 

Растущие цены на энергоносители, возростающий спрос на электроэнергию, строгие требования к чистоте выбросов заставили различные сегменты промышленности проводить мероприятия по повышению эффективности производства. 


Назначение системы.


Подсистема оптимизации DMPC особенно важна при распределении нагрузки между совместно работающими агрегатами. Система DMPC определяет оптимальное значение задания для различных агрегатов с целью минимизирования потребляемой энергии при поддержании требуемой переменной процесса (например, давления в нагнетании станции или расхода воздуха к потребителю). Только одна эта возможность системы может увеличить эффективность работы оборудования на 4-6 процентов. Система производит расчет в реальном времени необходимого минимального количества работающих агрегатов и дает рекомендации оператору по пуску и останову компрессоров.


Подсистема диагностики DMPC также выполняет функции диагностирования, анализируя переменные в зависимости от времени для контроля возможной деградации оборудования. Эта информация может быть использована при принятии решений по техническому облуживанию оборудования. 


Подсистема симуляции DMPC создает наиболее оптимальный график работы оборудования в соответствии с производственным планом. Она строит эффективный график работы с учетом различных факторов: требуемый планируемый расход, нароботка оборудования и его компонентов, минимальная потребляемая электроэнергия.


Архитектура Системы


Архитектура Системы DMPC соответствует требованиям, предъявляемым к многоуровневым АСУ ТП промышленных объектов. DMPC является верхним уровнем системы управления и устанавливается на отдельно стоящий компьютер, связанный с контроллерами общей шиной с общепринятым протоколом (например, ControlNet). 

Объемные вычислительные задачи не позволяют совмещать функции, выполняемые системой DMPC и станции оператора.

Независимые станции выполняют задачи интерфейса Системы управления с оперативным и обслуживающим персоналом.

Средний уровень Системы управления составляют контроллеры, решающие задачи регулирования, логического управления и защиты.

Нижний уровень Системы управления составляют Устройства Связи с Объектом (УСО), которые устанавливаются в центральное шасси (с центральным процессором).

Точность идентификации.


Первоначальной задачей системы является построение статической модели объекта. Модуль построения модели DMPC, используя сложные генетические методы, идентифицирует объект с высокой точностью. Точность построения модели является наиболее критическим фактором для успешного решения задач оптимизации и диагностики.

Например, оптимальное распределение нагрузки снижает потребление электроэнергии на 4-6%. Подсистема диагностики определяет отклонение параметров от их базового состояния на 1-5%. Для правильного прогнозирования изменений в 1-6% точность исходного инструмента – модели - не должна быть хуже 0.5%. Уникальность системы DMPC состоит в точности производимых ее расчетов. Система позволяет добиться повышения эффективности процесса там, где традиционные методы не приносят результатов.


Построение модели.


Модуль построения модели анализирует реакцию одной непрерывной переменной в функции от одной или нескольких непрерывных независимых переменных. Количество сигналов для группы из 5 компрессоров с приводом от элктродвигателей, работающих по параллельной схеме включения составляет примерно 120 - 130. Т.е. для оптимизации распределения нагрузки между агрегатами требуется создание 120 – 130 -мерной модели станции. Модель должна отражать зависимость между сумарным расходом воздуха и электроэнергией, потребляемой агрегатами, условиями на всасе станции, условиями наружного воздуха, износа агрегатов и взаимным влиянием агрегатов. 

Например, использование возможностей оптимизирования процесса позволяет проверить различные варианты распределения нагрузки между агрегатами с целью нахождения такого, при котором будет минимальное потребление электроэнергии при существующих внешних условиях и заданном режиме работы.

Примерное время обучения системы составляет от трех до четырех месяцев. Во время этого периода времени система собирает данные от работающего оборудования. В некоторых случаях необходимо провести тест для анализа полного рабочего диапазона. 

В результате система создает модель, которая с заданной точностью отражает зависимости между переменными в соответствии с предписанными функциями. 

Оценка неизвестных коэффициентов и констант производится системой автоматически. Такие переменные как состав напряжение питания, износ оборудования, коэффициенты измерителя расхода, влияние температуры и влажности наружного воздуха включены в функции модели.

После того как модель создана, можно производить диагностику оборудования и оптимизацию работы группы компрессоров. 

Даже при работающих приложениях Диагностики и Оптимизации система непрерывно собирает данные и корректирует модель в соответствии с поступающей информацией.


Основные компоненты системы.


Одномерный фильтр (1- D) предназначен для выработки значений сглаженного входного сигнала, используемого модулям построения модели и функцией распределения вероятностей (Probability Distribution Function (PDF)).

Алгоритм использует необработанные данные, получаемых от входных сигналов. 


Многомерный фильтр (n- D) предназначен для создания многомерной функции распределения вероятностей ошибок входных сигналов, которая используется в различных модулях системы. Входами для алгоритма являются остающиеся значения, полученные от Фильтра 1-D для n независимых переменных, заданных наилучшим подмножеством алгоритма


Модуль компенсации переходных режимов получает дату, обработанную многомерным фильтром. В реальной системе из-за постоянного влияния возмущающих воздействий равновесного режима для построения статической модели достичь практичски не удается. Модуль компенсации переходных режимов позволяет построить статическую модель объекта по постоянно изменяющейся под воздействием возмущений динамической информации.


Модуль проверки корректности отбраковывает точки, которые не соответствуют значению, ожидаемому моделью. Точка с данными, выходящими за предел будет отброшена, если она находится за установленным пределом для нескольких переменных. Однако, если она находится за установленным пределом для почти всех переменных, тогда это значение наблюдения сохраняется в модели (это показывает, что технологический процесс полностью изменился).

 

Модуль Построения Модели предназначен для представления набора алгоритмов, используемых при подборе соответствия расчетных значений к имеющимся данным.


Для определения зависимостей между переменными имеются различные алгоритмы. Они включают: кластерные алгоритмы, алгоритмы типа “самоорганизующаяся характеристика” (SOM), алгоритмы типа “ожидаемая максимизация” (EM), генетические алгоритмы (GA), алгоритмы типа “максимальное правдоподобие обучения скрытой модели Маркова (MLTHMM), алгоритмы типа “нейронная сеть, линейной и нелинейной корреляции и регрессии”, алгоритмы типа “факторный анализ” (FA) и алгоритмы расчитывающие в реальном времени дискретные синусоидальные преобразования (DST). 


Эти алгоритмы представляют собой все классы алгоритмов. Кроме прочего, кластерные алгоритмы включают алгоритмы, имеющие к-факторы и сбаланированное итеративное редуцирование, а также кластаризацию с использованием иерархических (BIRCH) алгоритмов. Алгоритмы SOM включают нейронное моделирование, (не)контролируемые алгоритмы SOM, алгоритмы эвалюционного обучения SOM и алгоритмы обучающего векторного квантования (LVQ). Пространственная модель нелинейного состояния и расширенный сглаживающий фильтр Калмана являются примерами алгоритмов EM.


Генетические алгоритмы представляют собой специальную область в биостатистике и включают различные комбинации математических и статистических методов, в том числе и идеи, связанные с бесконечномерными объектами. Алгоритмы MLTHMM включают последовательные алгоритмы с убывание момента и веса и ограничение при обучении машины Больцмана. 

Алгоритмы типа “нейронная сеть” вероятно являются наиболее широко исследованными статистическими методами, применяемыми для моделирования данных. Эти алгоритмы включают трудоемкое полное байсовское обучение (RFBLNN), цепь Маркова метода Монте-Карло (MCMC) для фиксированных и неизвестных размеров, выбор модели по методу “penalized” правдоподобия и “reversible jump simulated annealing”. 


Подбор методом наименьших квадратов является наиболее широко используемым методом подбора соответствия данным и является наиболее простым методом. Другая важная группа алгоритмов относится к факторному анализу (FA). Он включает исследовательский и подтверждающий факторный анализ и статистику подбора соответствия (включая отношение хи-квадрат/степень свободы и отношение критерия согласия и скорректированных индексов критерия согласия к экономии). 

Алгоритмы DST включают дискретные тригонометрические функции также как и дискретные алгоритмы Hartley, Фурье, ортогональные и комплекные алгоритмы Лаппеда. 



Прикладные задачи DMPC




Подсистема Оптимизации. Входом для алгоритма является оптимизируемая функция и ограничивающие условия, представленные группой функций, которые необходимо учитывать при поиске решения. Точка оптимума находится, когда частные производные комплексной целевой функции равны нулю. Ограничивающие условия становятся частью целевой функции с помощью коэффициентов, чьи прозводные вычисляются и сочетаются с другими переменными, приводя к получению системы нелинейных уравнений, которая должна быть решена. 


Разработан метод, в котором при каждой итерации производится локальная оптимизация исходной целевой функции в исходном домене. В результате получают монотонное убывание целевой функции. Исходная функция разбивается в зависимости от ограничивающих условий на мелкие части и в каждой части вычисляются частные производные и регистрируется фактическое значение реагируемой переменной. Оптимальное значение реагируемой переменной хранится вместе с приведенными величинами переменных модуля оценки. Таким образом определяются значения заданий, которые посылаются регуляторам деления нагрузки агрегатамов. 


При решении задачи распределением нагрузки используется этот алгоритм. Целевой функцией является указанная выше зависимость, которую необходимо минимизировать. Ограничительными условиями являются постоянный расход воздуха и другие переменные, такие как, давление в нагнетании, а также переменные не имеющие постоянного значения, такие как потребляемая мощность и температура в нагнетании. Алгоритм оптимизации определяет значения заданий для регуляторов деления нагрузки. При этом расход агрегата рывный 0 (стоящий агрегат) также является легальным решением задачи. Т.е. задание по расходу равное 0 является рекомендацией остановить агрегат. 


Подсистема диагностики предназначена для определения фактического технического состояния оборудования и обнаружения его изменения по отклонениям измеряемых параметров от их исправного состояния. При работе системы исправным (базовым) состоянием является такое техническое состояние оборудования относительно которого определяется его изменение. Отражением фактического технического состояния является определенная взаимосвязь измеряемых параметров при работе оборудования на различных эксплуатационных режимах. 


 Функции защиты от внезапно развившихся изменений технического состояния оборудования, явившиеся результатом значительных неисправностей, в основном, выполняет ситема автоматического управления агрегата. Система диагностики призвана предотвратить внезапное развитие неисправностей, прогнозируя развитие изменения характеристик оборудования и определение места развивающейся неисправности. 


Система позволяет проводить техническое обслуживание по состоянию оборудования вместо планового технического обслуживания.


Подсистема симуляции DMPC создает наиболее оптимальный график работы оборудования в соответствии с производственным планом. Она строит эффективный график работы с учетом различных факторов: требуемый планируемый расход, нароботка оборудования и его компонентов, минимальная потребляемая электроэнергия. 


Оператор задает предполагаемый расход к потребителю в следующую смену, сутки, неделю и система предлагает план работы станции в соответствии с введенными ограничениями. При этом будет выдана рекомендация, сколько агрегатов необходимо иметь в работе в каждый момент времени и какое удельное потребление электроэнергии предполагается. 


Подсистема мониторинга DMPC устанавливается на том же компьютере где и основные компоненты. Она выполняет задачи интерфейса Системы DMPC с оперативным и обслуживающим персоналом. Она отображает в реальном времени дату, полученную из модели, рабочую точку на газодинамической характеристике компрессора с учетом существующих ограничений.

Подсистема мониторинга осуществляет тренд анализ накопленной информации и отображает графики – прогнозы будущей работы.




Мы разрабатываем автоматизированные комплексы для всех видов производств, в том числе относящихся к особо опасным:

нефтегазодобывающие предприятия;

предприятия, осуществляющих транспорт нефти и газа по трубопроводным системам.

нефтеперерабатывающие производства; 

химические предприятия;

пищевые производства.