Размещено на http://www.allbest.ru/

Применение алгоритмов поиска причин нарушений и математических моделей в системах химико-технологического мониторинга

П. М. Готовцев

Д. С. Сметанин

ВВЕДЕНИЕ

Внедрение СХТМ позволяет при сравнительно небольших финансовых затратах добиться значительного снижения аварийных остановов энергоблоков тепловых электрических станций (ТЭС) [1]. Дальнейшее развитие этих систем направлено на совершенствование пробоподготовки, приборного парка и повышение возможностей программного обеспечения СХТМ. Последняя задача на сегодняшний день включает в себя следующие элементы: нейронный сеть пароводяной

- поиск причин возникших нарушений ВХР;

- прогнозирование поведения примесей;

- расчет неизмеряемых показателей ВХР;

- определение дополнительных индексов, помогающих оператору в контроле за ВХР.

Далее будут рассмотрены некоторые аспекты вопросов поиска причин нарушения ВХР и прогнозирования поведения примесей.

1. АЛГОРИТМЫ ПОИСКА ПРИЧИН НАРУШЕНИЯ ВХР

1.1 Исходные данные

Проектирование алгоритмов поиска причин нарушений ВХР строится на правильном решении следующих задач:

выявление всех возможных причин возникшего нарушения;

установление тех параметров ВХР, с помощью которых можно выявить данные причины нарушения.

Вторая задача подразумевает подбор исходных данных, которыми будет оперировать алгоритм при выборе причины возникшего нарушения из списка возможных. Основными источниками исходных данных являются: автоматический химический контроль (АХК), лабораторный химический контроль (ЛХК), теплотехнический контроль (ТТК), результаты расчетов с помощью математических моделей. Оптимальным для алгоритмов является применение показателей, которые бы анализировались в темпе с процессом, то есть результатов измерений АХК и ТТК. Следует отметить, что в случае применения математических моделей необходимо в первую очередь стремиться использовать результаты тех расчетов, которые не опираются на данные ЛХК. Применение ЛХК в алгоритмах означает, что работа алгоритма должна быть приостановлена до тех пор, пока не будет произведен необходимый химический анализ.

1.2 Структура алгоритмов поиска нарушений ВХР

Для применения алгоритмов поиска причин нарушения ВХР в СХТМ, необходимо, чтобы их структура учитывала основные аспекты эксплуатации таких систем. В первую очередь это надежность СХТМ и ее элементов. Вполне вероятен выход из строя одного из анализаторов АХК или появления недостоверных показаний из-за сбоев в работе устройства подготовки пробы. Следовательно, необходимо предусмотреть возможность сохранения алгоритмом хотя бы частичной работоспособности. Для этого структура алгоритмов должна быть такова, чтобы каждая из причин нарушений анализировалась независимо друг от друга. Такой подход отличается от часто применяемого метода, когда причины возникшего нарушения ВХР последовательно исключаются. В этом случае выход из строя анализатора АХК, чьи результаты измерений используются первыми при работе алгоритма, приведет к невозможности выявления нарушения ВХР.

2. ПРИМЕНИЕ ИНС В СХТМ

2.1 ИНС для прогнозирования поведения ВХР

Развитие современных вычислительных методов направлено на разработку интеллектуальных приложений для различных программных продуктов, систем управления или мониторинга. Применение таких методов для анализа различных физико-химических процессов позволяет выявлять важность тех или иных измеряемых показателей, прогнозировать их поведение. Одним из таких методов, получивших в последнее десятилетие широкое распространение, являются искусственные нейронные сети (ИНС). Наиболее перспективная возможность применения ИНС заключается в прогнозировании состояния водно-химического режима (ВХР). Для реализации этой возможности необходимо в первую очередь, решить две задачи:

- определить параметры ВХР, поведение которых необходимо спрогнозировать;

- определить объем параметров ВХР, которые необходимо использовать для получения прогноза.

Для решения первой задачи необходимо знать вид оборудования, ВХР, особенности эксплуатации оборудования, объем автоматического химического контроля, погрешности измерения приборов, необходимо провести анализ опыта эксплуатации.

Решение второй задачи гораздо сложнее, так как известно, что все химические параметры теплоносителя взаимосвязаны, более того, свое влияние на их величины оказывают и теплотехнические параметры. Также не следует забывать о погрешности измерения приборами и влиянии работы устройств подготовки пробы на достоверность проводимого измерения. Таким образом, необходим метод, позволяющий определить набор параметров для прогнозирования поведения выбранного показателя ВХР.

Рассмотрим в первую очередь возможность использования ИНС для прогнозирования поведения параметров ВХР. Источником информации является база данных СХТМ энергоблока с турбиной К-300-240, ВХР кислородный, с дозированием аммиака для корректировки рН. В качестве прогнозируемого параметра примем электропроводимость Н-катионированной пробы питательной воды. Исходными параметрами являются: электропроводимость в конденсате после БОУ, концентрации натрия в питательной воде и конденсате, всего по 800 значений каждого из параметров. Все измерения проводятся приборами автоматического химического контроля один раз в минуту. В настоящее время существуют различные архитектуры ИНС. Как показывает опыт, представленный [2], существует ограниченное количество типов ИНС, способных решить представленную задачу. Рассмотрение авторами различных типов ИНС позволило сделать выбор в пользу ИНС с общей регрессией [3].

Представленные данные иллюстрируют эффективность работ ИНС с общей регрессией. Расхождение между спрогнозированным и измеренным значениями не превышает 0,01 мкСм/см. Это видно также из показателей качества работы сети: квадрат коэффициента множественной детерминации для экзаменационного набора составил 0.8214, а квадрат корреляции -- 0,8299 для того же набора данных.

2.2 Алгоритмы выбора исходных параметров для ИНС

Вопрос надежности для моделей, построенных на базе ИНС, также важен, как и для алгоритмов поиска причин нарушений ВХР. Выход из строя одного из анализаторов АХК означает необходимость переобучения ИНС. В этом случае одним из преимуществ применяемых ИНС с общей регрессией является то, что их переобучение возможно организовать автоматически без вмешательства оператора. Такая возможность появилась благодаря тому, что их архитектура определяется не проектировщиком, а объемом входных данных [2]. Таким образом, в случае выхода из строя одного из приборов АХК основной задачей становится не переобучение ИНС, а выбор нового набора параметров ВХР, с помощью которого можно было бы вновь сделать систему прогнозирования работоспособной. В настоящее время существует ряд алгоритмов, которые позволяют решить подобную задачу. Наибольший интерес представляют собой алгоритмы, основанные на методе группового учета аргументов (МГУА), и алгоритмы, анализирующие математическую энтропию исходных данных. МГУА детально рассмотрен в [4]. Алгоритмы, анализирующие математическую энтропию, рассматривались в статье [3]. Проведенные исследования обоих типов алгоритмов показали возможность их применения для выбора исходных параметров для ИНС. При этом результаты прогнозирования с помощью ИНС в случае выходы из строя одного из анализаторов и переобучения ИНС оказались удовлетворительными. Коэффициент множественной детерминации составил от 0,65 до 0,78 в зависимости от типа применяемого алгоритма. 4.

ЗАКЛЮЧЕНИЕ

Применение таких методов, как прогнозирование с помощью ИНС и алгоритмы поиска причин нарушений ВХР позволяет в значительной степени повысить качества ведения ВХР, снабдив оператора СХТМ достаточным количеством информации. Следует отметить, что использование представленных средств требует только изменений в программном обеспечении СХТМ. Использование данных методов и совершенствование приборного парка, устройств подготовки пробы позволят значительно повысить экономическую эффективность СХТМ.

СПИСОК ЛИТЕРАТУРЫ

1. Оцисик М.Н. Сложный теплообмен. М.: Мир, 1976. 661 с.

2. Otakar Jonas. Effective cycle chemistry control. ESAA Power station chemistry conference, May 15-16, 2000, Rockhampton, Queensland, Australia.

3. Mohamad H. Hassoun. Fundamentals of artificial neural networks. Cambridge, MA: MIT Press, 2005.

4. Готовцев П.М., Воронов В.Н, Сметании Д.С. Анализ состояния теплоносителя с помощью искусственных нейронных сетей // Теплоэнергетика. 2008. № 7.

5. Madala З. R., Ivakhnenko A. G. Inductive learning algorithms of complex system modeling. Boca Raton, CRC Press Inc., 1994.

Размещено на Allbest.ru