Применение интеллектуальных средств в системах управления нефтеперекачивающих станций

Нефтеперекачивающая станция (НПС) согласно работе [1] – это комплекс различного рода оборудования и сооружений, главным предназначением которого является создание в нефтепроводе давления для перекачки нефти от начальной до конечной точки. Технологический процесс в них является сложным непрерывным, в связи с чем имеется проблема обнаружения ситуаций некорректной работы систем и средств автоматизации в оперативном режиме. Это предполагает необходимость применения средств автоматизации, обеспечивающих не только поддержку и управление производственными процессами, но и исключение снижения таких характеристик, как «Показатели качества продукта», «Безотказная работа агрегатов и оборудования» и т.д. Такими средствами могут служить программные продукты, реализующие работы системы управления с применением прогнозирующих систем – интеллектуальных средств автоматизации.

Интеллектуальными средствами автоматизации являются программные продукты, выполняющие функции по расчёту или определению ситуации технологического процесса на основе текущих характеристик объекта. Одни из наиболее известных подходов реализации программных продуктов интеллектуальных средств автоматизации выполнены на основе работы нейронной сети, предиктивной аналитики, а также виртуального анализатора.

Согласно описанию технологии нефтеперекачивающих станций по работе [1] выяснено, что необходимо поддерживать следующие производственные процессы:

• приём нефти с нефтяных промыслов в резервуарный парк;
• отбор нефти из резервуарного парка и подачи её в нефтепровод;
• одновременное ведение приёма нефти и подачи её в нефтепровод.

Таким образом, определено, что имеется актуальность в реализации интеллектуальных средств автоматизации для контроля протекающих продуктов в нефтеперекачивающей станции, а также для обеспечения надежного производственного процесса, требуется применять программные продукты, реализующие аналитические функции.

Общий принцип реализации данных средств автоматизации состоит из следующей последовательности:

• инженером производства выполняется разработка архитектуры обработки данных и выполнения расчетных операций интеллектуального средства автоматизации;
• выполняется сбор и обработка данных, которые заносятся в базу данных предприятия, с автоматизированной системы управления технологическими процессами;
• расчётные операции реализовываются исходя из применяемого методом обработки данных;
• индикация показаний расчетных операций выполняется с помощью окна мнемосхемы существующей SCADA- или MES-системы;
• результаты расчетных операций являются рекомендациями для специалистов предприятия, которые при необходимости выполняют принятия решений по производственным задачам.

Одним из наиболее известным интеллектуальным средством автоматизации является нейронная сеть, которая применяется в настоящее время во многих областях.

Согласно работе [2] при определении прогнозируемых характеристик необходимо указывать переменные, которые анализируются и предсказываются. Здесь очень важен использованный уровень детализации. На требуемый уровень детализации влияет множество факторов: доступность и точность данных, стоимость анализа и предпочтения пользователей результатов прогнозирования. В ситуациях, когда наилучший набор переменных неясен, можно попробовать разные альтернативы и выбрать один из вариантов, дающий наилучшие результаты. Обычно так осуществляется выбор при разработке прогнозирующих систем, основанных на анализе исторических данных.

Второй важный этап при построении нейросетевой прогнозирующей системы – это определение следующих трех параметров: периода прогнозирования, горизонта прогнозирования и интервала прогнозирования.

При применении данного подхода необходимо применять статистические данные, полученные ранее с объекта. При проведении опроса инженеров нефтеперекачивающих станций было выяснено, что наиболее точный расчёт прогнозируемых характеристик может выполняться нейронными сетями в случае, если применяется статистика с большим периодом времени, что уже невыполнимо для реализации.

Пример реализации работы нейронной сети представлена на рисунке.

ИНС – искусственная нейронная сеть
Рис. 1. Общий вид структуры модели автоматической системы регулирования с нейронной сетью

Предиктивная аналитика является новым подходом к реализации прогнозирования технологических параметров объекта. Есть суть состоит в реализации комплекса физических математических моделей, построенных на разных принципах, например, по принципу многомерных контрольных карт Хотеллинг. Однако способ подготовки к реализации аналогична нейронным сетям, и требуются статистические данные.

Согласно [2] суть исполнения виртуального анализатора состоит в построении математической модели по характеристикам объекта. Характеристики объекта могут быть определены графически, статистически, а также на основе эмпирических данных. Пример реализации работы виртуального анализатора представлен на рисунке 2.

Основными источниками информации для виртуального анализа являются:

• скрытая избыточность, содержащаяся в физико-химических измерениях существующих систем КИС и результатах работы заводской лаборатории;
• ретроспективные технологические знания, накопленные в процессе управления технологическим процессом и хранящиеся цеховой базы данных.

V_зад – вектор заданных значений показателей качества; V – вектор показателей качества, определенных виртуальным анализатором; Y – вектор контролируемых технологических параметров; Y_зад – вектор из заданных значений; U – вектор управляющих воздействий
Рис. 2. Общий вид структуры модели автоматической системы регулирования с виртуальным анализатором

В ходе обзора программных средств, способных исполнить работу интеллектуальных средств автоматизации, обнаружены программные пакеты Matlab (интерфейсы Simulink, способный графически-блочным способом смоделировать динамику процессов, и Neural Network Toolbox, предназначенный для работы с нейронными сетями) и AIDA YOKOGAWA, предназначенный для моделирования в автономном режиме моделей контроллеров. Однако выяснено, что данные программные пакеты не пригодны для работы на НПС в режиме реального времени, поскольку суть виртуального мониторинга состоит в получении знаний об объекте в оперативном режиме с интеграцией с существующей системой автоматизации.

Таким образом, выяснено, что наиболее перспективным направлением исследования является анализ работы системы управления с применением интеллектуальных средств автоматизации на основе предиктивной аналитики, нейронной сети и виртуального анализатора.