Применение интеллектуальных методов и моделирования  в задачах анализа и прогноза  

состояния промышленных объектов

В.О. Чинакал,
в.н.с., к.т.н., доц., chinakal@ipu.ru,

ИПУ РАН, г. Москва

Рассматривается применения интеллектуальных методов и моделирования при построении подсистемы оперативного оценивания состояния промышленных объектов (ПООС). Обсуждается вариант структуры такой подсистемы и возможности ее использования для повышения эффективности работы систем улучшенного управления непрерывными технологическими процессами АРС.

This article describes the use of intellectual methods and modelling at designing subsystem operational evaluation of the state of industrial objects. Discusses the option structure of such subsystem and how it may be used to enhance the effectiveness of systems with use the Advanced  Proccess Control (APC) by continuous technological processes.

Введение

Современные методы автоматизированного проектирования систем управления (СУ) сложными промышленными объектами (СПО) и мощные аппаратно-программные средства, разрабатываемые ведущими фирмами в области автоматизации производства, позволяют создавать  большие комплексные системы управления СПО.  Алгоритмическое (АО) и программное обеспечение (ПО) таких комплексов в основном конфигурируется из типовых модулей, библиотек, пакетов программ, баз данных, баз знаний и даже отдельных подсистем,  параметрически настраиваемых на характеристики конкретных объектов. Практическая реализация такого подхода обычно позволяет значительно ускорить процесс создания, отладки  и внедрения новых разработок СУ в промышленность. В тоже время разработчики СУ на этапе проектирования не всегда могут учесть все особенности конкретных условий эксплуатации системы и тем более предусмотреть все возможные изменения и дополнительные требования после сдачи СУ заказчику. Для переконфигурирования даже части ПО СУ  с отладкой и тестированием потребуется привлечение высококвалифицированных специалистов и иногда на  длительное время, особенно, если на предприятиях проводиться поэтапная модернизация технологического оборудования и/или аппаратно-программных средств СУ.

В последние годы наряду с традиционными методами и подходами к проектированию и реализации СУ интенсивно развиваются направления, основанные на  применении интеллектуальных методов и средств, активном использовании в АСУ методов моделирования и прогнозирования [1,2]. Ведущие фирмы в области автоматизации производства стали интенсивно разрабатывать и выпускать на рынок автоматизации программные продукты нового поколения, встраиваемые  в СУ АСУТП и MES системы (Manufactoring Execution System).  В этих продуктах используются более совершенные алгоритмы управления на базе АРС (Advance Procces Control) [2], адаптивные, предикторные, самонастраивающиеся модели и регуляторы, интеллектуальные датчики и исполнительные механизмы, виртуальные анализаторы, базы знаний, динамические экспертные системы и многие другие разработки, направленные на повышение эффективности контроля и управления производством.  Отличительной чертой этих продуктов являются использование в них,  наряду с традиционными алгоритмами, различных встраиваемых интеллектуальных компонентов (ВИК), обеспечивающих автоматический оперативный анализ тех или иных производственных ситуаций и использование результатов анализа для настройки и корректировки работы штатных алгоритмов контроля и управления.

Однако, для эффективного использования  таких продуктов, например, тех же АРС, необходимо  обеспечить периодическое поступление необходимых объемов оперативных  данных.  Получение количественных данных о расходах, температурах, давлениях, уровнях и т.п. обычно  не вызывает затруднений, т.к. эти данные широко используются и в обычных штатных системах контроля и управления. С данными о качественных показателях потоков и резервуаров ситуация более сложная, и  часто приходится решать проблемы, связанные с получением необходимого объема и требуемой  точности оперативных данных в реальных производственных условиях [3]. Часто это редкие неполные, запаздывающие данные лабораторных анализов, не синхронизированные данные от поточных анализаторов (ПА) и датчиков, а также расчетные данные от виртуальных анализаторов (ВА). Все это вынуждает разработчиков отдельных продуктов выполнять свой ситуационный анализ по неполным доступным ему данным, дублируя друг друга, а иногда и противореча результатам  оценивания одной и тоже ситуации в разных приложениях.

В связи с этим становиться актуальной разработка  прототипа общей типовой подсистемы оперативного оценивания текущего состояния (ПООС) сложных промышленных объектов (СПО), в частности, объектов нефтепереработки. Основное назначение данной подсистемы:

·      сбор и обработка оперативных данных о количественных и качественных параметрах  всех основных потоков и резервуаров;

·      динамическое формирование набора различных настраиваемых альтернативных моделей сырья, установок, промежуточных и товарных продуктов, выбираемых в зависимости от оценки текущего состояния объекта, качества перерабатываемого сырья и требований на качество и количество выходных продуктов;

·      использование набора современных методов и алгоритмов автоматического выбора наиболее адекватных текущих моделей, построение и корректировка текущих оценок параметров альтернативных моделей в зависимости от оценок текущих ситуаций [3,4, 5];

·      использование различных видов интерполяции и прогноза в прямом и обратном времени возможных изменений  ключевых параметров СПО на  интервалах контроля и управления с учетом результатов логического анализа сопутствующих событий и ситуаций.

·      сбор и накопление информации о текущем состоянии агрегатов и установок  АСУТП (состояние, время включения-выключения, производительность, общая наработка и другие характеристики);

·      расширенный логический анализ с использованием ВИК общей совокупности оперативных и архивных данных, обеспечивающей локальный и общий ситуационный анализ и уточнение полученных ранее оценок с учетом новых данных.

Результаты обработки информации в ПООС предназначены для использования практически во всех остальных подсистемах АСУТП, в том числе поступают в виде агрегированных данных в  базу данных диспетчерской системы контроля и учёта работы всего производства - MES систему предприятия.

На рис.1 представлена  укрупненная схема передачи информации между основными крупными подсистемами СПО: Х(t ,Y(t) – входные и выходные                                потоки;

С/лаб. – сырьевая лаборатория;

LIMS –лабораторная измерительная система;

ВИК – встраиваемые интеллектуальные компоненты;

ИМ –исполнительные механизмы;

ПИ - поточные измерения количественных параметров и отдельных поточных анализаторов (ПА);

Ход/лаб –Ходовые лабораторные анализы.

Рис.1. Структурная схема ПООС и АСУТП

1. Основные требования к системе и решаемые задачи

В [3] были рассмотрены некоторые из основных проблем, связанных с особенностями получения и обработки лабораторных измерений и данных от поточных анализаторов и виртуальных анализаторов, отмечалась необходимость периодической настройки и калибровки технических средств по данным лабораторных анализов, а также параметров моделей, используемых в ВА. Для обеспечения эффективной работы ПООС необходимо выполнять значительный объем не только статистической обработки измерений, но и проводить логический анализ результатов текущих и прошлых измерений.

При статистической обработке измерений необходимо реализовать возможность различных методов построения наборов постоянно конкурирующих моделей  и выбора из них наиболее отвечающим текущим или прогнозируемым ситуациям. Для получения оценок состояния промышленного объекта необходимо сформировать оценки ситуаций, провести углубленный логический  анализ как текущих, так и прогнозируемых ситуаций. Наиболее перспективный подход к решению этой проблемы - использование интеллектуальных методов в сочетании с методами ускоренного моделирования в прямом  и обратном времени и  для оценки и прогнозирования  возможных изменений ситуаций. При выполнении этих требований можно ожидать существенного повышения эффективности промышленного применения ВА и АРС, использующих различные регрессионные и прогнозные модели и конечно данные оценок текущих измерений от ВА и ПА[4,5].

Разработка ПООС  и штатной системы управления (ШСУ) для СПО тесно связаны, в первую очередь, по требованиям согласования интерфейса обмена информацией, использования единого спецификатора, алармов и сообщений . Однако, требования к реализации этих систем могут значительно отличаться. СУ СПО система автоматизированная, и основные интеллектуальные функции могут выполнять пользователи. ПООС – подсистема автоматическая и,  следовательно, необходимо предусмотреть автоматическое управление выполнением всех функции и  согласование условий их запуска. В частности, существенно усложняются требования к функционалу системы управления ПООС и составу ее алгоритмического и программного обеспечения.

Эффективность разработки и применения ПООС в реальном времени существенно зависит от используемых способов получения, представления и обработки знаний в таких системах, рациональной структуризации знаний,  учета реальных особенностей функционирования технических объектов и систем управления [1,3,5].

Для реализации управления данным автоматическим комплексом могут быть использованы различные подходы и типы интеллектуальных систем (ИС)  и инструментальных средств создания ИС [1]. В данной работе для проверки отдельных элементов проектных решений  использовался подход, примененный ранее в [3,5]. Согласно этому подходу используется модель  представления знаний (МПЗ) на базе матричных представлений МПЗ, реализующих продукционные правила, и обобщенных нормированных логических пространств (дискретных и непрерывных).

Общая МПЗ для каждого класса задач представляется в виде взаимосвязанной уровневой модели, на каждом уровне которой строится продукционная модель логической обработки данных, относящихся к соответствующему уровню. Для широкого класса управляемых технических систем (ТС) при построении ПООС можно выделить типовые наборы уровней, такие как - обработка исходных измерений, формирование базы фактов, событий, ситуаций, сценариев. Продукционная модель каждого уровня строится с использованием матричного представления аналога дизъюнктивной и конъюнктивной нормальной формы (ДНФ и КНФ) относительно соответствующих векторов входных и выходных логических переменных. Элементам логического вектора входных переменных соответствуют атомарные (для данного уровня) высказывания, выходным переменным - соответствующие сложные высказывания, включая запуски встроенных типовых сценариев.

Далее на примере укрупненной схемы управляемой технической системы рассмотрим кратко основные структурные уровни получения и обработки информации в ПООС и соответствующие им уровни общей модели представления знаний.

2. Основные уровни получения данных и обработки знаний

На рис.2 представлена укрупненная схема управляемой технической системы и основных потоков и уровней получения, передачи, хранения и обработки информации в ПООС. Основные элементы управляемой технической системы:

 - Объект управления (ОУ);

 - Штатная система управления нижнего уровня (ШСУ);

 - Исполнительные механизмы (ИМ);

 - Система измерения входов ОУ и параметров внешней среды (ИС1);

 - Система частых измерения количественных выходов ОУ (ИС2);

 - Система редких измерений выходных показателей качества (ИС3);

-  СИМ – система имитационного моделирования для получения оценок прогноза возможного изменения фазовых координат ОУ на моменты времени t+1 – t+k при заданной стратегии управления и текущих оценках параметров.

фактов, событий и ситуаций.

Рис.2. Укрупненная схема работы управляемой технической системы и формирования основных уровней

обработки информации в ПООС

Обозначения основных этапов формирования и хранения логических массивов данных и соответствующего программного обеспечения (ПО): - RT-DB – БД измерений реального времени; RT-факты – БД логических массивов результатов сравнения текущих измерений с регламентными ограничениями; - H-DB1, H-DB2 – краткосрочная и долгосрочная архивные БД всех измерений; MES-DB – БД верхнего уровня, содержащая значения текущих регламентов, целей и ограничений; HDB – архивные БД логических массивов фактов, событий, ситуаций; ПО – программное обеспечение логической обработки соответствующих уровней данных.

Красной пунктирной линией и стрелкой обозначены все основные этапы последовательного получения, обработки и хранения результатов на примере некоторого измерения i-го параметра в t-момент времени и отражение его влияния на изменение в наборах

Рассмотрим основные обозначения и определения для формирования МПЗ на различных уровнях обработки логической информации на основе продукционных правил. Первому уровню соответствует определение наиболее точных источников рабочих исходных данных (данных текущих измерений, прогноза, интерполяции и др.), затем последовательно производятся вычисления текущих и прогнозных оценок фактов, событий, ситуаций. В зависимости от наступления различных событий и оценок ситуаций запускаются различные сценарии выполнения необходимых действий и процедур.

На рис.3 представлена схема формирования фактов и событий в виде оценок текущего логического статуса контролируемых и регулируемых переменных, соответствующего типовым стандартным алармам в СУ, определяемым  на основе сравнения измерений с соответствующими регламентами (W) - (SN – зона  допустимых нормальных отклонений; SH- верхняя предупредительная зона; SHH- верхняя аварийная зона; SL- нижняя предупредительная зона;  ,SLL- нижняя аварийная зона). Число возможных оценок логического состояния  здесь к=5.

Рис.3. Формирование логического статуса состояния переменных

Для вычисления текущих и прогнозных оценок событий и сценариев используются четкие или нечеткие продукционные правила типа «…если выполняются условия (антецедент) ((А1 и А2 и …Аn) или (В1 и В2 и …Вn) …или… (С1 и С2 и …Сn)), то  выполнить действия (консеквент) ((D1 и D 2 и … D m), иначе выполнить действия (постусловие) ((E1 и E 2 и … E k)). Нечеткие правила обычно имеют семантику «условие – действие» и по­этому являются частным     случаем  общих продукционных правил.

Согласно [5], общая продукционная модель и модели для каждого уровня строятся с использованием матричного представления  ДНФ и КНФ                                  относительно соответствующих векторов входных и выходных логических переменных. Элементам логического вектора входных переменных соответствуют атомарные (для данного уровня) высказывания, выходным переменным - соответствующие сложные высказывания, включая запуски встроенных типовых                        сценариев.

Литература

1.  Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2-ое изд. – М.: Изд. дом «Вильямс», 2007. – 1408 с.

2.  Дозорцев В.М., Ицкович Э.Л., Кнеллер Д.В. Усовершенствованное управление технологическими процессами  (АРС): 10 лет в России. Автоматизация в промышленности. №1, 2013, стр. 12-19.

3.  Чинакал В.О. Проблемы проектирования подсистем оперативного оценивания состояния сложных  промышленных объектов. // Материалы 15-ой международной конференции CAD/CAM/PDM – 2015 «Системы проектирования,  технологической подготовки производства и управления этапами жизненного цикла  промышленного продукта» —  М.: ИПУ РАН, 2015.

4.  Себер Дж. Линейный регрессионный анализ. М.: МИР, 1980, 456 с.

5.  Чинакал В.О. Проектирование систем управления подвижными объектами с использованием встраиваемых  интеллектуальных компонентов.  Труды 14-й международной конференции «Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта  (CAD/CAM/PDM – 2014».– М. ООО «Аналитик». 2012 стр. 141-145.