1.3 Идентификация свойств сырья и состояния процесса
Влияние свойств сырья. Согласно [66] качество перерабатываемой на установках ректификации нефти является важнейшей проектной характеристикой, поэтому
i
точность и оперативность определения фракционного состава нефти и нефтепродуктов (его метрология) определяют на практике степень наблюдаемости технологии первичной перегонки.
Существуют две группы подходов к идентификации свойств сырья и продуктовИзмерительный, (с применением прямых измерений показателей качества в лаборатории или с помощью поточных анализаторов) и инференциальный или модельный, в котором используются методы косвенных измерений с помощью моделей качества. Последний в различных комбинациях с первым доминирует в практических реализациях. Кроме чисто измерительного и чисто модельного подходов устранения недостатков измерительных и модельных подходов делаются попытки комбинирования измерительного и модельного подходов [77-79].
Методики прямых измерений. Фракционный состав нефти и нефтепродуктов определяется пределами выкипания всей гаммы углеводородов, составляющих данную смесь (начало и конец кипения фракции) и составляющих ее узких групп углеводородов (кривые температур кипения).
При проведении лабораторных анализов по ГОСТ 2177-99, и при переводе данных этого анализа в данные ИТК, так же как и при непосредственном осуществлении анализа по ГОСТ 11011 неизбежно возникновение комплекса погрешностей контроля качества(таблица 1.5). Это означает, что неопределенности в оценке фрак-
29
ционного состава порядка от 2 до 6% объективно присутствуют в данных лабораторного оперативного контроля. Таблица 1.5 - Методы определения фракционного состава сырья и продуктов
Назначение метода Идентификационное обозначение метода. Повторяемость и сходимость метода
В России Аналог в США Определение фракционного состава нефти путем получения кривой истинных температур кипения (true boiling point.) или ИТК ГОСТ 11011-85 Вопроизводимость = до
5% мае. ASTM D2892-99
По воспроизводимости и
сходимости данных нет Стандартный газохромато-' графический метод определения диапазона кипения сырой нефти ASTM D 5307-97 Сходимость=2,6% мае.
Вопроизводимость =8,1% мае. ASTM D 5307-97 Сходимость =2,6% мае. Вопроизводимость=8,1% мае. Определение фракционного состава упрощенной разгонки по «Энглеру» ГОСТ 2177-99 Сходимость=1,5-5°С Вопроизводимость = 4.5-12,5ЬС ASTM D86.Сходимость =1,5-5°С
Вопроизводимость=4,5-12,5°С Поточные анализаторы качества продуктов на потоке позволяют (таблица 1.6)
снизить динамическую погрешность прямых измерений (но не ликвидировать ее).
Таблица 1.6 - Метрологические показатели основных типов поточных анализаторов
Тип анализатора Абсолютная погрешность Период анализа Среднее время наработки на отказ Анализатор фракционного состава АС-НР 525 (HEWLET PACKARD) ±1°С 45 минут Нет данных Агрегативные комплексы температур кипения (АКТК-10, АКТК-20, АКТК-30) Температура выкипания ±8°С 35 минут 250 минут Вискозиметры До 2,5% До 8 минут До 2000 часов Плотномеры ±4 кг/мЗ 1 минута 1000 часов Для ряда поточных анализаторов имеет место также значительное динамическое запаздывание сравнимое с постоянной времени переходных процессов. Из всех поточных анализатороов наибольшую точность и оперативность (наименьшее запаздывание) имеют плотномеры и вискозиметры, что позволяет рассматривать их как возможный источник самой оперативной и самой точной информации для использо-
30
вания в системах интеллектуального контроля. Однако основными недостатками измерительного подхода с помощью поточных анализаторов являются
низкая по сравнению с лабораторными методами точность измерения (кроме плотномеров);
недостаточно высокая оперативность (кроме плотномеров и вискозиметров);
сложность обслуживания.
Общая точность метода и выбор метода идентификации фракционного состава. Общая точность метода (Delt) зависит как от статической (S), так и динамической (D) ошибок. Но для поточных анализаторов следует учитывать еще и надежность (R), которая пропорциональна сложности комплекса. Для характеристики метода нужно принимать во внимание сумму этих величин, а не отдельный параметр S, Били R
Delt=S+D+R (1.13)
В общем случае величина динамической погрешности определяется соотношением спектра изменений параметра и дискретностью его анализа.
Это соотношение может быть определено с помощью широко используемой в теории информации «теоремой Котельникова», где решается вопрос о т.н. «оптимальной дискретности» замеров непрерывно изменяющейся величины для восстановления всех ее значений с требуемой точностью. Непрерывная функция x(t) полностью определяется дискретным рядом ее мгновенных значений, взятых в моменты времени, разделенные интервалом Delta (t)=n/Wc, в том случае, если спектр частот этой функции не содержит частот выше Wc.Сравнение методов прямых измерений с помощью выражения (1.13) изложенного выше материала, показывает, что методы прямых измерений имеют существенные недостатки либо в виде низкой оперативности (лабораторные), либо в виде недостаточной надежности и сложности (поточные анализаторы). Сказанное означает, что инференциальное (косвенное) измерение параметров качества в реальном времени (модельный подход) по совокупности параметров S, D и R может быть как
31
минимум вполне сравнимо с применением поточных и лабораторных анализаторов.
Модельный (инференциальный) подход быстро развивается в последнее время,' однако основные идеи косвенных измерений и прогнозирования известны достаточно давно. В работах Кожинского, Девятова, Демиденко, Мазиной, Алексеева и Ушатинской [83-89] были выдвинуты идеи использования специфических и легко наблюдаемых свойств статических характеристик конкретной колонны для оперативной оценки целевых параметров процесса
Суть идеи состояла в определении комплекса непосредственно измеряемых параметров, особо чувствительных к изменениям состояния процесса, которые можно было бы использовать для идентификации процесса косвенным (инференциаль-ным) методом. Эта концепция получила название метод контрольных (или характерных) тарелок. Практика подтвердила исключительную плодотворность этого подхода для разделения углеводородных смесей с ограниченным числом компонентов. Сам же метод родился на базе результатов анализа статических характеристик ректификационных колонн.
В настоящее время модельный подход можно разделить на несколько основных направлений описанных ниже.Детерминированное моделирование (термодинамический подход) процесса с помощью современных пакетов типа «PRO-П", «Hysys", «HEXTRAN", «Design И" «AspenTech" и т.п. представляет собой одно из центральных направлений модельного подхода. Наиболее сложной и важной частью такого применения, от которого, в конечном счете, зависит эффективность, становится именно. интерпретация и управление расчетом. Дело в том, что алгоритмы этих пакетов чрезвычайно сложны и результаты расчетов требуют весьма внимательного анализа, интерпретации для корректного применения расчетов. Для исследования статических характеристик более удобны упрощенные версии математических моделей статики ректификации, не имеющие «лишних» опций и позволяющие достаточно просто осуществить планирование строгого математического эксперимента. Для этого необходима разработка собственного пакета моделирования, максимально ориентированного на подобные эксперименты.
32
Экспертные системы реального времени можно выделить в особый вид методов, применяемых для решения трудно формализуемых задач. Основное назначение экспертных систем-выдачи экспертных рекомендаций операторам в режиме реального времени. Среди такого рода систем можно отметить «OFDG» (Operator Frac-tionation Decision) фирмы «Инструмент текнолоджи Интернэшнл», «G2» фирмы «Gensym», «TDC 3000 Expert» компании «Honeywell» и другие. Имеются отечественные разработки подобного рода [9]. Экспертные системы реального времени реализуют широкий набор функций интерпретации, однако, не раскрывая механизм такой интерпретации, они практически оставляют оператору только один выбор или согласиться с предложением системы, или перейти к собственным методам решения. Нейросетевые модели также являются одним из направлений в алгоритмике интеллектуальных измерений, уже имеющим многочисленные применения. Основным принципом такого информационного моделирования является принцип "черного ящика".
При этом структура системы никак не отражается в структуре уравнений модели. В укрупненном виде информационные нейросетевые системы (ИНС) выполняет функциональное соответствие между входом и выходом, и может служить информационной моделью G моделируемой системы К Можно выделить несколько типов информационных моделей, отличающихся по характеру запросов к ним. Перечислим лишь некоторые из них:Моделирование отклика системы на внешнее воздействие.
Классификация внутренних состояний системы.
Прогноз динамики изменения системы.
Оценка полноты описания системы и сравнительная информационная значимость параметров системы.
Оптимизация параметров системы по отношению к заданной функции ценности.
Адаптивное управление системой.
Как правило, информационные модели проигрывают детерминированным математическим моделям и экспертным системам по степени «объяснимости» выдаваемых результатов, однако отсутствие ограничений на сложность моделируемых
33
систем определяет их важную практическую значимость. Нейросетевые подходы имеют ряд следующих недостатков.
• Информационные модели ab initio являются неполными. Пространства
входных и выходных переменных не могут, в общем случае, содержать все параметры, существенные для описания поведения системы. Эффект опущенных (скрытых) входных параметров может нарушать однозначность моделируемой системной функции К
• Ошибки базы экспериментальных данных.
Такие особенности в данных и в постановке задач требуют особого отношения к применению нейросетевых моделей.
Интеллектуальные измерения (ИИ), являются, одним из наиболее перспективным направлением решения проблемы наблюдаемости процесса первичного разделения нефти. Именно в этой сфере наиболее полно сформулированы подходы к ин-щ, теллектуализации систем контроля. Основными (но пока во многом потенциальными) свойствами (ИИ) согласно [90-97] являются следующие:
ИИ основаны на учете всей полноты знаний об объекте измерения, при чем важное место в ИИ отводится познавательной функции измерений и применению.моделей объекта.
ИИ присущи адаптируемость к условиям проведения измерений, коррекция результатов измерений;
Возможность планирования измерительного эксперимента ИИ в реальном масштабе времени;
Включение правил логического вывода и принятия решений в автоматический измерительный процесс;
Наличие в ИИ развитого интерпретационного интерфейса с пользователе лем;
Наличие в ИИ подсистем объяснений и обучения.
34
Как видно из перечисленных характеристик ИИ, первые четыре из них относятся к методическим, а последние к информационно-техническим.
В обзорах и публикациях [90-96] по вопросам ИИ, как главное отличительное свойство ИИ, отмечается включение моделей объектов и условий измерения в измерительную цепь. Однако единого определения и концепции ИИ (тем более в применении к нефтепереработке) до сих пор не разработано. Более того, вследствие быстрого развития и обширности использования указанной области информационных технологий существует определенный разброс в понимании основных парадигм ИИ. Одним из наиболее обоснованных и, на наш взгляд, перспективных, выглядит определение, предложенное в [95]. В нем под интеллектуальной системой идентификации измерительной ситуации понимается система, содержащая формализованные описания:априорной информации;
метрологических требований;
ограничений, определяющих в своей совокупности условия измерений, формирования моделей объекта измерений (ОИ) и влияющих факторов (ВФ);
методику организации и оптимизации измерительного эксперимента в рамках конкретных измерительных ситуаций, с целью сбора, передачи, преобразования, хранения и интерпретации измерительной информации о свойствах ОИ.
Как видно из приведенных цитат, ИИ представляют собой информационно-техническую систему, осуществляющую не традиционную пошаговую процедуру раз и навсегда отлаженного алгоритма, а максимально интеллектуализированную систему при каждом цикле своей работы планирующую и осуществляющую планирование измерительного эксперимента с учетом конкретных изменяющихся условий, реализацию и интерпретацию. В этом, то есть в способности планированию, анализу (интерпретации) и адаптации, т.е. самоорганизации, состоит принципиальное отличие ИИ от всех ранее применяемых методов, и залог перспективности их применения. Таким образом, ИИ являются наиболее перспективным направлением в развитии средств контроля для процессов нефтепереработки. Применение мето-
35
дов искусственного интеллекта в качестве аппарата интерпретации, становится доминирующим направлением в развитии систем обработки информации и управления [98-146].
Резюме подраздела. Идентификация свойств сырья и продуктов, являясь ключевой информацией для оценки состояния процесса стоит в центре внимания всех разработчиков систем контроля и управления для процесса первичного разделения нефти и, по-прежнему, является актуальной проблемой. ИИ являются наиболее перспективным направлением, но на данном этапе не вполне готовыми к практическому применению в нефтепереработке. Требуется концептуализация, в том числе в приложении ИИ к ректификации в нефтепереработке. Причем в качестве источников информации наиболее рациональным представляется применение поточных анализаторов плотности и вязкости.