Нейросетевая система диагностики состояния процесса получения пентафталевого лака

Размещено на http://www.allbest.ru/

Нейросетевая система диагностики состояния процесса получения пентафталевого лака

Марков С.И., Виноградова А., Рудакова И.В., Русинов Л.А.

Нейронные сети могут выполнять в системах диагностики различные функции [1-4]. Нейронная сеть может использоваться для дифференциации различных образов нарушений состояния процесса по контролируемым переменным процесса, подаваемым на входы нейронной сети. Обучение нейронных сетей может быть автономно или интерактивно. Кроме того, нейронная сеть может использоваться как классификатор, обнаруживающий нарушения, представленные разностями (невязками) между выходами процесса и модели. При этом модель процесса может быть математической или тоже нейросетевой.

Подобно другим управляемым данными методам, качество работы нейронных сетей определяется доступными данными. Высока вероятность того, что нейронные сети сгенерируют непредсказуемый выход, если на входы попадет сигнал из диапазона, не представленного в обучающем массиве. Это предполагает необходимость повторного обучения нейронных сетей, если произойдут небольшие изменения в нормальных условиях работы установки, например, изменение технических требований к молекулярной массе полимера в реакторе полимеризации. Это - небольшая проблема, если нейронные сети обучаются в режиме офф-лайн и затем используются в режиме он-лайн в системе диагностики. Однако, на периодических процессах из-за использования общего оборудования для получения нескольких продуктов и изменчивости операций от цикла к циклу рабочие области редко постоянны. Это требует довольно частой интерактивной подстройки нейросетевой модели процесса и классификатора нарушений, что затрудняет применение систем диагностики, базирующихся на нейронной сети, при работе на периодических процессах.

Определение возможностей системы диагностики состояния процесса синтеза пентафталевого лака затруднено из-за отсутствия математической модели процесса. Поэтому для исследования работы нейронной сети и выбора ее структуры, функций активации нейронов, алгоритма обучения и т.п. использовался модельный реакторный процесс с известным математическим описанием [5]. Сеть испытывалась на этом процессе в статическом и динамическом режимах. Далее наилучшая структура нейронной сети применялась и корректировалась на целевом процессе.

КРАТКОЕ ОПИСАНИЕ ПРОЦЕССА ПОЛУЧЕНИЯ ПЕНТАФТАЛЕВОГО ЛАКА

Декомпозиция технологических процессов цеха производства алкидных лаков позволила выделить следующие блоки (рис.1): стадию подготовки сырья; установку по производству алкидных лаков, включающую три независимые параллельно работающие технологические цепочки.

Рисунок 1 - Упрощенная технологическая схема цеха производства алкидных лаков

Процессы производства алкидных лаков характеризуются кроме отсутствия математических описаний, пригодных для использования в системах непрерывной диагностики, также наличием большого количества неконтролируемых возмущений, связанных как с присутствием неконтролируемых примесей, применением токсичных, пожаро - и взрывоопасных продуктов, так и с плановыми переключениями технологических аппаратов. Далее рассматриваются только процессы в реакторе, так как именно они связаны с большинством нештатных ситуаций. Контролируемые параметры: температура реактора, ток двигателя мешалки реактора, уровень пены в реакторе, давление в реакторе.

СТРУКТУРА НЕЙРОСЕТЕВОЙ СИСТЕМЫ ДИАГНОСТИКИ

В качестве основной структуры нейронной сети на основании анализа литературы [1,2,5] была выбрана сеть прямого распространения с одним скрытым слоем. На входы сети подавались непосредственно контролируемые переменные процесса, а ее выходы соответствовали нештатным ситуациям на процессе. При этом сигналы выходных нейронов менялись в диапазоне [0,1], что позволяло оценить уверенность сети в точности распознавания нештатной ситуации. Параметры сети, виды функций активации нейронов и вид алгоритма обучения подбирались при моделировании.

Для определения уровня развития нарушения использовалась двухступенчатая структура сети, фактически представляющая собой каскадное соединение сетей: верхний уровень составляли сети, определяющие нарушение, а нижний - сети, определяющие уровень его развития [5]. Можно было бы построить и обучить нейронную сеть так, чтобы она могла одновременно диагностировать причины нарушений и уровень развития нарушения. Такая сеть имела бы число входов, соответствующее числу переменных, а число выходов, равное произведению числа нештатных ситуаций на число выявляемых уровней развития нарушений. Обучение такой сети потребовало бы большого объема вычислений. Более того, если бы потребовалось добавить один новый дополнительный уровень развития нарушений или новую причину нарушения, сеть нужно было бы обучать сначала, потому что старое знание, сохраненное в сети, будет неадекватно для новой сети.

Преимущество двухступенчатой сети заключается в том, что если появляется знание относительно причины нового нарушения, то должна быть повторно обучена только сеть первой ступени. Когда появляется новое знание относительно уровня развития некоторого нарушения, то только одна сеть, соответствующая этому нарушению, должна быть обучена. Поэтому в данной работе была использована именно двухступенчатая сеть (рис.2).

В качестве модельного процесса был выбран реакторный процесс получения толуола из гептана [5]. Он оказался удобен для использования в нашем случае в качестве модельного, т.к. нештатные ситуации на нем сопровождаются, как и на процессе лаковарения относительно небольшими изменениями диагностических показателей, что позволяет исследовать чувствительность и эффективность работы нейронной сети для обнаружения и идентификации этих ситуаций.

Рисунок 2 - Структура двухступенчатой сети

ИССЛЕДОВАНИЕ ХАРАКТЕРИСТИК НЕЙРОСЕТЕВОЙ СИСТЕМЫ

Исследование характеристик нейросетевой системы диагностики проводилось с помощью пакета Neural Network Toolbox MATLAB 6.5. При этом на модельном процессе выделялись пять возможных ситуаций и причин нарушений, которые задавались на математической модели процесса, позволяющей построить обучающий массив для нейронной сети:

Ситуация 1. Ухудшение характеристик катализатора.

Ситуация 2. Засорение поверхности теплообменника в реакторе, что ведет к уменьшению общего коэффициента теплопередачи в реакторе.

Ситуация 3. Засорение поверхности теплообменника в нагревателе, что проявляется в уменьшении общего коэффициента теплопередачи в нагревателе.

Ситуация 4. Частичная закупорка трубопровода, подключенного к насосу 1, что соответствует уменьшению объемной скорости потока q.

Ситуация 5. Частичная закупорка трубопровода, подключенного к насосу 2, что соответствует уменьшению объемной скорости потока q'.

Диагностика этих 5 нештатных ситуаций проводилась сетью по значениям трех переменных процесса: выходной концентрации СС7H8, температуры на выходе нагревателя Th и выходному сигналу регулятора sh. Рассматривались четыре уровня нарушений, характеризующихся 10,15,20 и 25% их развитием. Исходная сеть была с линейными входными и выходными нейронами и нейронами с сигмоидной функцией активации на скрытом слое.

В результате исследования были получены следующие результаты. Скорость сходимости процедур обучения оказалась наибольшей при использовании алгоритма Левенберга-Марквардта (LM). Наилучшее качество обучения достигается при числе нейронов в скрытом слое, равном 6. Это число несколько превышает рекомендуемое по эмпирической формуле, когда число нейронов скрытого слоя принимается равным полусумме нейронов входного и выходного слоев (в нашем случае на входном слое 3 нейрона, а на выходном -5). алкидный лак нейросетевой шум

При изучении влияния числа скрытых слоев наилучшее качество работы сети обучения достигалось для нейронной сети прямого распространения с нейронами скрытого слоя с сигмоидной функцией активации.

При исследовании влияния числа скрытых слоев и вида функции активации на качество работы сети оказалось, что лучше всего работает сеть с одним скрытым слоем и сигмоидной функцией активации его нейронов.

Сети для определения уровня развития нарушения (нижний уровень двухступенчатой сети) будут иметь уже по 4 нейрона на входе (3 нейрона для приема значений переменных модельного процесса и один для связи с одним из выходных нейронов сети верхнего уровня), 6 нейронов на скрытом слое с сигмоидной функцией активации и 4 нейрона на выходном слое, соответствующих четырем уровням развития нарушения.

Полученные в результате исследования на модельном процессе структуры и параметры нейронных сетей были адаптированы к целевому процессу. В результате были получены результаты работы сети по диагностике нарушений на процессе получения пентафталевого лака на фоне шумов, представленные в таблице 1 и рис.3А. Из этих данных видно, что сеть перестает распознавать первый уровень нарушений при отношении сигнал/шум менее 15. Однако при отношении сигнал/шум более 25 сеть обеспечивает раннее распознавание ситуаций уже в 88% случаев, а при отношении сигнал/шум более 30 распознавание наблюдается в 100% случаев. Таким образом, при работе с зашумленной информацией (а на реальном процессе это нормальная ситуация) требуется предварительная фильтрация данных.

Исследование работы нейронной сети в динамическом режиме проводилось только на модельном процессе из-за трудностей построения обучающего массива для отражения динамики развития нештатных ситуаций на целевом процессе. При этом на входы сети подавалось несколько значений (текущего и прошлых) каждой из переменных. Результаты исследования приведены в таблице 2 и на рис. 3Б. Из их рассмотрения видно, что сеть перестает распознавать первый уровень нарушений при отношении сигнал/шум менее 25. Однако уже при отношении сигнал/шум более 30, сеть обеспечивает раннее распознавание ситуаций в 44% случаев, а при отношении сигнал/шум более 50 - в 80% случаев. Таким образом, при работе в динамике тем более требуется предварительная фильтрация данных.

Сравнивая результаты работы нейронной сети в статике и динамике, можно сделать вывод, что в статическом режиме сеть распознает нарушения при более высоком уровне шума, чем в динамическом режиме.

Таким образом, исследование показало возможность использования трехслойной нейронной сети прямого распространения для раннего обнаружения и идентификации нештатных ситуаций на процессе, а в двухступенчатом варианте - и для определения уровня развития нарушения.

Таблица 1 - Результаты работы сети по диагностике нарушений на процессе получения пентафталевого лака

Таблица 2 - Результаты работы сети по диагностике нарушений на модельном получения пентафталевого лака

Рисунок 3 - Зависимость числа правильных диагнозов сети от уровня развития нарушения и уровня шума: А - целевой процесс, статика; Б - модельный процесс, динамика.

Литература

1. Venkatasubramanian V., Rengaswamy R., Kavuri S.N., Yin K. A review of process fault detection and diagnosis. Part III: Process history based methods // Computers and Chemical Engineering. - 2003. V. 27. - P. 327-346.

2. Zhou Y., Hahn J., Mannan M.S. Fault detection and classification in chemical processes based on neural networks with feature extraction// ISA Transactions. - 2003. V. 42. - P.651-664.

3. Gomm J. B. Adaptive neural network approach to on-line learning for process fault diagnosis. // Trans. Inst. Meas. Control (London). - 1998. V.20. - P.144-152.

4. Yu D.L., Gomm J. B., Williams D. Sensor fault diagnosis in a chemical process via RBF neural networks. // Control Eng. Pract. - 1999. V.7. - P. 49-55.

5. Watanabe K., Matsuura I.., Abe M.., Kubota M., Himmelblau D.M. Incipient Fault Diagnosis of Chemical Processes via Artificial Neural Networks // AIChE J. - 1989. Vol. 35. No. 11. - P.1803-1813

Размещено на Allbest.ru