Постановка задачи диагностики технологического оборудования с применением искусственных нейронных сетей

Многомерные балансные модели анализа баланса потоков в технологической установке производства. Диагностирование оборудования при неполноте и зашумленности входных данных. Выбор типа искусственных нейронных сетей. Проведение обучения нейронной сети.

Рубрика Производство и технологии
Вид статья
Язык русский
Дата добавления 20.08.2018
Размер файла 16,4 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

УДК 65.011.56

постановка задачи диагностики технологического оборудования с применением искусственных нейронных сетей

Кулаков П.А.

Филиал ФГБОУ ВПО Уфимского государственного авиационного

технического университета в г. Стерлитамаке E-mail: petr20071@mail.ru

В работе рассматриваются вопросы описания задачи диагностики оборудования нефтехимического производства с применением искусственных нейронных сетей. Предложены многомерные балансные модели анализа баланса потоков в технологической установке, применительно к области нефтехимии.

Ключевые слова: нейронные сети, модель, диагностика, нефтехимия.

PROBLEM DIAGNOSIS PROCESS EQUIPMENT OF ARTIFICIAL NEURAL NETWORKS

Kulakov P.A.

The paper deals with the description of the diagnosis of petrochemical equipment manufacturing problem with the use of artificial neural networks. Proposed multivariate analysis model balanced flow balance in the process plant, with respect to the field of petrochemistry.

Keywords: neural networks, model diagnostics, petrochemistry.

Диагностика технологического оборудования на сегодняшний день является одной из наиболее сложных задач [1]. Решение многих проблем оперативного контроля и диагностики оборудования на объектах нефтехимии сводится к исследованию дисбалансов газожидкостных потоков в узлах установки и к выявлению причин дисбалансов с получением оценок изменения технологических характеристик реагентов.

Теоретические вопросы моделирования состояния технологического оборудования, идентификации параметров и диагностики состояния производственной установки с использованием известных химико-математических моделей довольно распространены [2, 3, 6-8].

Однако на практике модели и основанные на них методы (model-based methods) сложно применить при анализе состояния и идентификации параметров химических реакторов, из-за сложного протекания процесса полимеризации, и отсутствия полноты данных в реальном масштабе времени, а также большое влияние оказывает наличие большого числа неучтенных факторов.

С использованием искусственного интеллекта, обработка и интерпретация данных реального времени лежит в области применения методов, основанных на знаниях (knowledge-based methods) [4].

Одним из перспективных направлений диагностики технологического оборудования является применение нейронных сетей [5]. Именно эта задача и является предметом настоящего исследования.

Нейронные сети справляются диагностированием оборудования при неполноте и зашумленности входных данных, а также обладают мгновенным откликом. Нейронные сети позволяют существенно сократить количество замеряемых параметров, в результате отпадает необходимость в проведении частых и дорогостоящих химических анализов [4].

Решение задачи диагностики технологической установки решается в два этапа. На первом производится выбор типа искусственных нейронных сетей, на втором - определение параметров архитектуры сети, и в заключении - обучение сети.

При балансовом анализе оборудования, основанном на применении традиционных технологий, структура нефтехимической установки, включающая аппараты и узлы, объединенные многокомпонентными газожидкостными потоками (мономер, промотор, катализатор, растворитель и другие примеси), представлена орграфом. Ориентированный граф имеет: М -вершины граф, N - ребра (дуги) графа. Для каждой вершины графа соответствует аппарат технологической установки, для ребра графа - входной или выходной поток какого-либо аппарата. С помощью метода взвешенных наименьших квадратов согласуются результаты измерений. При этом учитывается класс точности средств измерения [6-7]:

Q= BX, (1)

где Q - вектор притоков (утечек, потерь) в узлах ИС;

B - матрица баланса;

X - вектор состояния (распределение параметров) аппарата, содержат систему уравнений связи между вектором состояния аппарата X и вектором результатов измерения параметров состояния аппарата Y:

X = F(Y) + V (2)

где F(Y) - нелинейная векторная функция связи; V- вектор погрешностей измерений.

Поток, соответствующий j-му ребру графа аппарата, с учетом его многокомпонентного состава (мономер, промотор, катализатор, растворитель) описывается набором переменных xjl , характеризующих массовый расход или изменение накопленной массы полимеризата по компонентам l = [1, p] в технологических трубопроводах, аппаратах или в накопительных элементах, соответствующих j-му ребру графа.

Для характеристики этого потока используется также переменная xj0, описывающая массовый расход реагента в целом или изменение накопленной массы полимеризата в накопительных элементах, соответствующих j-му ребру.

Таким образом, сформулированы основные уравнения балансной модели, что является основой для адаптации балансной моделей и представления ее в нейросетевом базисе.

нейронный сеть обучение технологический

Список литературы

1. Kopytov, E., Labendik, V., Yunusov, S., Tarasov, A. Managing and Control of Aircraft Power Plant Using Artificial Neural Networks. In: Proceedings of the 7th International Conference “RELIABILITY and STATISTICS in TRANSPORTATION and COMMUNICATION (RelStat'07)”. October 24-27, 2007, Transhort and Telecommunication institute. Riga, Latvia. Riga: TTI, 2007, pp. 215- 218.

2. Способ контроля состояния инженерных сетей и калибровки каналов измерения параметров потоков: пат. 2287683 Рос. Федерация: МПК E21B47/10. Ю.И. Зозуля, С.И. Братцев, Н.М. Сибагатуллин, М.А. Слепян; заявитель и патентообладатель Межрегиональное открытое акционерное общество «НЕФТЕАВТОМАТИКА». - № 2002118833/03; заявл. 12.07.2002; опубл. 20.11.2006,. - 12 с., ил.

3. Кулаков П.А., Чариков П.Н. Модель системы оптимизации процесса управления материальными потоками // Экономика и менеджмент систем управления. 2015. Т. 18. № 4 С. 469475.

4. Зозуля Ю.И., Жильцов А.А., Кабальнов Ю.С. Системная интеграция нейросетевых анализаторов при диагностике состояния инженерных сетей // Вестник УГАТУ. - 2009. - Т.12, № 1(30). С. 25-33

5. Хайкин, С. Нейронные сети: полный курс. Москва, Санкт-Петербург; Киев: Вильямс, 2006.

6. Кулаков П.А., Шишкина А.Ф., Карасев Е.М. Управление функционированием объектов нефтехимии на основе менеджмента риска // Современные проблемы науки и образования. 2014. №6; URL: www.science-education.ru/120-16482 (дата обращения: 07.03.2015).

7. Кулаков П.А. Обеспечение безопасности технологической установки производства олигопипериленового синтетического каучука: Дис. на соискание ученой степени канд. техн. наук. 05.26.03: Казань, 2011. 121 с.

8. Чариков П.Н. Системное моделирование организационного управления машиностроительным предприятием при производстве под заказ: Дис. на соискание ученой степени канд. техн. наук: 05.13.06: Уфа, 2004. -162 с.

9. Муравьева Е.А., Маннанов Ф.Ф., Шарипов М.И., Каяшева Г.А. Система управления температурой воздуха механического цеха с использованием инфракрасных обогревателей // Теория. практика. инновации. - 2016. - №1. С.61-74.

Размещено на Allbest.ru

...

Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.