Мониторинг и диагностика состояния технологических процессов

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Мониторинг и диагностика состояния технологических процессов

Рудакова И.В., Русинов Л.А., Куркина В.В.

Monitoring and diagnostic of a state of potentially dangerous technological processes enables to detect abnormal situations at early stages of their development, when they are still reversible. In the suggested method the detection of abnormal process situations is carried out by moving РСА by matching of Q-statistic values with threshold. The procedure of identification consists in estimation of degree of similarity between an observable situation vector and vectors of possible abnormal situations registered in fuzzy rules in the process diagnostic model. The quality of the method was illustrated by diagnostics of a state of polymerization process in high-pressure polyethylene production.

Большинство технологических процессов в химической промышленности относятся к разряду потенциально опасных (ПОТП). Отсюда возникает необходимость непрерывного мониторинга ПОТП и диагностики его состояния. Острота проблемы объясняется тем, что стремление к интенсификации ПОТП часто приводит к необходимости работы у границ допустимых, где, как правило, выше интенсивность и степень конверсии. Периодические выходы процесса в предаварийную зону сопровождаются срабатыванием систем защиты, что обычно сопровождается сбросом реакционной массы, необратимым подавлением реакции и т.п. действиями, приводящими к существенным потерям [1,2]. Поэтому важно обнаружить отклонения процесса от нормального режима на ранних стадиях развития, когда они еще обратимы

Нештатные ситуации, которые могут возникнуть в ходе процесса, связаны с нарушениями двух видов: собственно нарушениями в самом процессе и отказами полевой аппаратуры (датчиков и регулирующих органов). Отказы датчиков и регулирующих органов могут быть разделены на две главные категории: явный (полный) отказ и скрытый или мягкий отказ, вызванный сдвигами в калибровках датчика, дрейфом из-за их старения, залипанием клапанов и т.д. Явные отказы легко обнаружить, чего нельзя сказать относительно скрытых отказов. Поэтому они более опасны, т.к. об их возникновении оператор узнает обычно слишком поздно, когда наблюдается существенное развитие нештатной ситуации (НС) [3].

Из различных методов раннего обнаружения НС наиболее популярен в настоящее время метод главных компонент МГК [4-6]. Метод позволяет строить по данным с процесса модели низкой размерности, которые отражают корреляционные связи между переменными и позволяют вести мониторинг его состояния, путем контроля Q-статистики - суммы квадратов невязок, не объясненных моделью МГК. Превышение статистикой порогового значения свидетельствует о нарушениях в корреляционных связях переменных процесса и соответственно о возникновении НС.

Для непрерывных технологических процессов разработан метод "движущегося" МГК [4,5,7], модификация которого используется в данной работе. Процедура мониторинга и обнаружения нарушений имеет следующий вид:

1. Формируется начальная (k=0) выборка-матрица данных Х⁰_k из n строк (измерений) и р столбцов (значений контролируемых переменных) при нормальных условиях работы процесса. Элементы матрицы Х⁰_k нормируются на нулевое среднее и единичную дисперсию (из элементов вычитается среднее по столбцам и каждый элемент делится на СКО). Полученная матрица Х проверяется на наличие выбросов.

2. Формируется МГК-модель, для чего производится разложение матрицы Х по главным компонентам, например, алгоритмом NIPALS [8] и определяется число главных компонент I, учитываемых в модели.

3. Вычисляются пороговые значения С_Q для статистики Q [4]:

(1),

где z_a - значение б-процентной точки нормального распределения, лi, i=I+1,...,p - собственные значения, которые объясняют вариации данных в подпространстве невязок, вместо всех p собственных значений.

4. Система ожидает получения нового вектора наблюдений х_j в результате очередного опроса датчиков через интервал опроса Дt. Вектор х_j центрируется на полученное ранее значение среднего и нормируется на полученное ранее СКО. Далее вычисляется статистика Q и сравнивается с прежним пороговым значением.

5. Если в течение r (1< r<N) последовательных шагов значение статистики Q превысит порог C_Q, то нарушение считается обнаруженным.

Если в течение N шагов превышения порога C_Q не происходит, то из запомненных N векторов {x_k+1, …, x_k+N} формируется новая матрица X_k+1 и строится новая МГК модель, определяются новые значения порога C_Q. Далее - возврат к шагу 4.

Собственно идентификация нарушений при использовании МГК выполняется по величине вклада переменной в Q-статистику путем сравнения его с вкладом этой переменной в ту же статистику при нормальном ходе процесса. В случае отказа датчика или регулирующего органа этот метод работает эффективно, но в сложных ситуациях, которые вызывают изменение нескольких переменных, применение метода становится весьма проблематичным.

В этих случаях хорошо зарекомендовали себя экспертные системы, построенные в частности на основе нечетких продукционных правил [5, 9], в которых может учитываться важность отдельных параметров при распознавании конкретной ситуации, например, путем назначения весовых коэффициентов по результатам ранжирования параметров экспертами. Непосредственно идентификация производится сравнением вектора ситуации, наблюдаемой на процессе, с векторами описаний НС, включенных в условные части правил диагностической модели ДМ.

При формировании нечеткой ДМ для идентификации технологических нарушений на процессе необходимо выполнить формализацию экспертной информации о НС. Ситуация представляется нечетким множеством А(u_i), являющимся подмножеством универсального множества U, включающего в качестве элементов все возможные условия u_i (u_iU), степени проявления которых в данной ситуации (функций принадлежности _S(u_i)) входят в левые части базы правил ДМ [10]. Тогда ситуация для каждого продукционного правила будет описываться в ДМ вектором S* =(s₁*, s₂*,… s_J*), элементы которого s_i*=_S*(u_i*) отражают, по мнению экспертов, "идеальное" для данного нарушения изменение параметров (проявление симптомов). Наблюдаемая на процессе реальная ситуация описывается вектором S= (s₁, s₂,… s_J). При выполнении всех условий левой части правило активизируется. Тогда считается, что ситуация, описываемая правилом, и могут быть реализованы управления, содержащиеся в правой части этого правила. Однако, часто на практике соответствие векторов S* и S является неполным и можно говорить о какой-то степени близости ситуаций. Из различных критериев оценки степени близости ситуаций после сравнительного анализа [11] было отдано предпочтение наиболее чувствительному критерию - построенному на основе скалярного произведения векторов S и S*:

(2),

где J (j[1, J]) - число параметров в предусловии правила, г_j - весовые коэффициенты, симптомов.

Для упрощения локализации ситуаций на сложных и многосвязных процессах целесообразно провести их предварительную декомпозицию. Тогда каждая выделенная структурная единица процесса в ДМ описывается отдельным корневым фреймом, объединяющим общую информацию о ситуациях на этом участке сложного процесса [10].

Нештатные ситуации, которые могут возникнуть в этой части процесса, описываются дочерними фреймами, подчиненными корневому фрейму, слоты которого перечислены ниже:

FrN_w - имя фрейма, где w - число корневых фреймов;

Atr_w.i - список диагностических параметров данного фрейма, где i - число параметров;

Spr_w,j - вектор диагностических показателей (степеней принадлежности), где j - число показателей;

Mr_w - граф причинно-следственных отношений (Spr х FrS);

St_w - статус фрейма (St_w=0/ St_w=1, если любой из Spr_w.j выходит за пороговое значение);

FrS_w,.d - список НС, где d - число нештатных ситуаций (НС);

FrN_w+1 - индекс следующего корневого фрейма перехода по сети.

Дочерний фрейм имеет следующую структуру:

FrS_w,.d - название нештатной ситуации;

FrN_w - имя корневого фрейма;

Spr_w.d - список диагностических показателей, сопровождающих данную НС;

PRS_w.d - матрица "опорных" значений диагностических показателей (Spr х RL);

St_w.d - статус фрейма;

L_w.d - вектор весовых коэффициентов показателей;

SM_w.d - оценка степени близости ситуаций по критерию SM (2);

NPR - список продукционных правил, описывающих возможные причины нарушения;

Diag - список причин, вызвавших НС;

Rec - список рекомендаций по устранению нарушений.

В результате процедура идентификации нарушений будет выглядеть следующим образом:

1. После обнаружения факта нарушения активируется корневой фрейм ДМ, в структурной единице которого произошло нарушение. При этом нечеткий вектор симптомов, соответствующих текущей ситуации, сравнивается с векторами таблицы причинно-следственных связей и активируется соответствующий дочерний фрейм ДМ.

2. Оценивается схожесть текущей и декларированных в правилах дочернего фрейма ситуаций по критерию (2) с учетом весовых коэффициентов.

3. Рассчитанные значения критерия сравниваются с пороговым значением, определяемым эмпирически. И далее циклическое возвращение к п.2 повторяется до тех пор, пока не произойдет превышения порога в нескольких последовательных циклах.

Оператору выдаются значения оценок схожести конкурирующих ситуаций, сгруппированных в дочернем фрейме, а также из правых частей правил рекомендации по действиям для устранения распознанной НС.

Исследование возможностей предложенного подхода к обнаружению и идентификации НС проводилось на модели реакторного блока процесса получения полиэтилена высокого давления [10]. Блок описывается корневым фреймом с 3-мя дочерними, учитывающими ситуации, связанные с нарушениями теплового режима реактора, проблемами дозировки инициатора, изменениями нагрузки на электродвигатель мешалки. Т.е. на блоке могут возникнуть, по мнению экспертов, 3 группы нештатных ситуаций, вызываемых 17 различными причинами. Работа блока контролируется по 15 переменным (около 20 симптомов), некоторые из которых включены в контуры регулирования.

Значения (термы) лингвистических переменных, описывающие возможные состояния технологических параметров, представлены интервалами [11]: "Высокий" 0,79 - 1,00; "Повышенный" 0,55 - 0,80; "Средний (нормально)" 0,45 - 0.54, "Пониженный" 0,20 - 0,44; "Низкий" 0,00 - 0,19.

Из всех возможных НС для изучения работы метода была выбрана НС "Повышение нагрузки на электродвигатель мешалки реактора", вызываемая двумя конкурирующими причинами (ситуации S1 и S2) [10]:

S1. Если температура вала двигателя Т_Э/Д=Повышенная (г=0,7) & ток двигателя мешалки I_Э/Д=Высокий (г=0,8) & температура газа на входе реактора Т_Вх=Сильно низкая (г=0,6), то причина - адгезия низкомолекулярного полиэтилена или нормального полиэтилена на валу двигателя мешалки реактора. Рекомендация: увеличить расход этилена через двигатель.

S2. Если температура вала двигателя Т_Э/Д=Повышенная (г=0,7) & поток полиэтилена G_ПЭ=Пониженный (г=0,4) & температура газа на входе реактора Т_Вх=Cильно высокая (г=0,7), температура в реакторе Т=Пониженная (г=0,4) & перепад давления компрессор-реактор ДР=Нормальное (г=0,5) & расход инициатора G_Ин=Пониженный (г=0,4), то причина - повышение температуры газа на входе реактора. Рекомендация: охладить газ на входе реактора.

На рисунке представлены результаты моделирования развития ситуации S1 на фоне шума.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

А) Б)

Рисунок 1 - Моделирование развития ситуации S1

А) - график статистики Q;

Б) - изменения значений критерия идентификации ситуаций

мониторинг диагностика технологический процесс

Хотя алгоритм работы системы предполагает подключение процедуры расчета критериев только после прохождения порога обнаружения нештатной ситуации, на рисунке приведены графики изменения значений критериев с момента начала развития ситуации S1, что позволяет проследить их чувствительность и к конкурирующей ситуации S2. Порог обнаружения выбран исходя из динамики процесса. Из рисунка видно, что оба критерия правильно идентифицировали причину нештатной ситуации S1 на фоне конкурирующей ситуации S2.

Таким образом, предложено обнаружение возникновения НС производить на основе реализации непрерывного мониторинга процесса на базе модифицированного метода "движущегося" МГК с контролем поведения Q-статистики. Идентификация НС проводится сравнением образов текущей и опорными ситуациями, которые представлены нечеткими множествами. При этом путем назначения весовых коэффициентов учитывается важность отдельных показателей для каждой конкретной ситуации, за счет чего повышается эффективность распознавания на фоне конкурирующих ситуаций. Исследование возможностей метода на модели процесса полимеризации в производстве полиэтилена высокого давления показало его эффективность.

Литература

1. Venkatasubramanian V., Rengaswamy R., Yin K, Kavuri S.N. A review of process fault detection and diagnosis. Part 1: Quantitative modelbased methods // Computers and Chemical Engineering, 2003. V.27 P. 293-311.

2. Qian Y., Li X., Jiang Y., Wen Y. An expert system for real-time fault diagnosis of complex chemical processes. // Expert Systems with Applications. - 2003. Vol. 24. - P.425-432.

3. Wang S., Cui J. Sensor-fault, diagnosis and estimation for centrifugal chiller systems using principal-component analysis method// Applied Energy, 2005. V.82. P.197-213.

4. Yang Q. Model-based and data driven fault diagnosis methods with applications to process monitoring. Thesis for the degree of Doctor of Philosophy, Case Western Reserve University, 2004. 203 pp.

5. Venkatasubramanian V., Rengaswamy R., Yin K, Kavuri S.N. A review of process fault detection and diagnosis Part III: Process history based methods// Computers and Chemical Engineering, 2003. V.27. P. 227-346.

6. Luo R., Misra M., Himmelblau D.M. Sensor Fault Detection via Multiscale Analysis and Dynamic PCA//Ind. Eng. Chem. Res. 1999. V.38. P.1489-1495.

7. Segawa T., Kano M., Ohno H., Hasebe S., Hashimoto I. Identification of Fault Situations by Using Historical Data Sets. // Proc. of Int. Symp. on Design Operation and Control of Next Generation Chemical Plants. Kyoto: PSE. P.345-350.

8. Esbensen K.H. Multivariate data analysis - in practice/ Oslo: CAMO, 2000. 598pp.

9. Диагностика и мониторинг процессов химических технологий / Л.А.Русинов, В.В.Куркина, М.В.Севергин, С.В.Бенуа // Экологическая химия, 1996 N5(3), C. 210-216.

10. Русинов Л.А., Рудакова И.В. Оперативное управление процессом получения полиэтилена высокого давления // Автоматизация и современные технологии, 2003, N7. C.30-35.

11. Русинов Л.А., Рудакова И.В., Куркина В.В. Алгоритмическое обеспечение систем диагностики для режима обнаружения нештатных ситуаций на контролируемом объекте // Прикладная химия. РАН. СПб, 2003, 17с. Деп. ВИНИТИ 06.02.03 N 237 - B2003

Размещено на Allbest.ru