Главная  |   Магистерская работа   |   Электронная библиотека 

Краткое содержание магистерской работы

Объектом исследования и компьютеризации магистерской работы являются два агрегата по производству азотной кислоты, расположенные в отделении № 523 "Гранас" ОАО "Концерн "Стирол". Новизна проводимых исследований заключается в попытке применения нейронных сетей в целях технической диагностики производственного оборудования. Кроме подсистемы технической диагностики, построенной на базе нейросетей, разрабатываемая подсистема включает в себя подсистему сбора и комплексной обработки информации, характеризующей работу объекта. В работе рассмотрен принцип связи объекта с ПЭВМ, подобран набор датчиков, позволяющих регистрировать технологические величины процесса производства азотной кислоты, разработан драйвер связи датчиков с ЭВМ.

Краткая характеристика объекта компьютеризации, главные цели и задачи исследования, описание принципов построения подсистем технической диагностики и сбора и обработки информации, а также полученные результаты исследования приведены ниже.

Краткая характеристика объекта исследования

Цели и задачи исследования

Подсистема технической диагностики оборудования на базе нейронных сетей

Подсистема сбора и обработки информации о процессе производства азотной кислоты

Полученные результаты и дальнейшие направления исследований

Краткая характеристика объекта исследования

В условиях ОАО "Концерн "Стирол" используются агрегаты по производству азотной кислоты под давлением 0,716 МПа (7,3 кгс/см2) с газотурбинным приводом компрессора и каталитической очисткой хвостовых газов от оксидов азота мощностью 348 т/сут. Агрегаты работают круглосуточно. Подробное описание агрегатов можно найти в [1].

В ходе процесса производства необходимо контролировать ряд технологических параметров. Перечень данных параметров приведен в таблице:

Кроме контроля за указанными параметрами необходимо осуществлять расчет нормализованных суммарных расходов и расходных коэффициентов. Для таких расчетов необходимы следующие сведения, получаемые из бюро учета в начале текущих суток:

                барометрическое давление текущих суток;

                процент инертных газов в аммиаке - общий для агрегатов №5 и №6;

                среднесуточная плотность природного газа;

                процент конверсии - отдельный для агрегата №5 и агрегата №6.

Для получения данных о технологических величинах на оборудовании установлено 22 датчика, осуществляющих сбор информации. Датчики опрашиваются каждые 4 секунды процессором встроенной в ПЭВМ платы, содержащей АЦП и таймер. Через указанный промежуток времени процессор генерирует аппаратное прерывание, отключающее процессор ПЭВМ, и осуществляет считывание информации с датчиков. Считанный в аналоговом виде сигнал поступает в АЦП, где он преобразовывается в цифровую форму и записывается в память ПЭВМ. После завершения подпрограммы обработки прерывания управление снова переходит к процессору ПЭВМ, который осуществляет обработку запросов пользователя, работающего с подсистемой технической диагностики или с подсистемой сбора и обработки информации. Для реализации связи объекта компьютеризации с ПЭВМ выбрана многофункциональная универсальная плата АЦП/ЦАП с сигнальным процессором на шину ISA Д-1250, выпускаемая ЗАО "Л-Кард" [L-Card].

Для сбора информации используются датчики давления, термометры сопротивления и термопары. Перечень используемых датчиков приведен в таблице:

Подробное описание технических характеристик датчиков можно получить из технической документации по ним.

Таким образом, модуль сопряжения объекта с ПЭВМ реализован набором датчиков и встроенной платой с соответствующим программным обеспечением (драйвером связи). Драйвер связи представляет собой ассемблерный код, программирующий плату на генерирование аппаратного прерывания и обработку этого прерывания.

Цели и задачи исследования

Целью проводимого исследования является изучение и практическое применение нейронных сетей для технической диагностики оборудования. Кроме того, необходимо спроектировать подсистему сбора и обработки информации о ходе процесса производства. Выполнение поставленных целей обеспечит получение в ходе ее работы значительного технико-экономического эффекта, обусловленного снижением временных и трудовых затрат на обработку информации.

Исходя из поставленных целей задачами работы являются:

• расчет всех необходимых величин, характеризующих протекание процесса производства азотной кислоты
• визуализация производимых расчетов
• обеспечение высокой скорости выполнения расчетов и повышение точности получаемых результатов
• обеспечение системой наглядного и полного интерфейса, позволяющего оператору вовремя выявить возможные нарушения или аварийные операции
• осуществление хранения полученной информации, создание базы данных и архива информации
• осуществление технической диагностики агрегатов по производству азотной кислоты
• прием и передача информации по локальной сети

Подсистема технической диагностики на базе нейронных сетей

Общие сведения о применении нейросетей в диагностике отказов нелинейных динамических систем

В течение последних двадцати лет широкое применение в диагностике отказов нелинейных динамических систем получили аналитические модели, использующие математический аппарат для контроля за системой. Основным недостатком такого класса моделей является то, что используемые математические модели оказываются очень чувствительными к незначительным изменениям параметров системы, шумам и т.д. Качество диагностики в таком случае напрямую зависит от качества моделей. На практике, создание аналитических моделей, описывающих поведение системы и моделирующих сложные нелинейные системы, является очень трудной задачей. В то же время, все чаще возникает необходимость иметь дело со все более сложными системами, создавать сложные отношения, описывающие состояние систем, имея при этом небольшой объем информации о самой системе. Проводить диагностику системы приходится при высокой степени неопределенности.

В последнее время в этом направлении появилось несколько альтернативных решений, позволяющих проводить диагностику отказов в сложных и неопределенных системах. Самым многообещающим из них является использование для моделирования нелинейных динамических систем и диагностики отказов нейронных сетей.

Нейронные сети достаточно широко используются во многих инженерных областях, но с их использованием также возникают некоторые трудности. Первой проблемой является то, что в большинстве случаев нейросети использовались только для работы со статическими процессами. Таким образом, поведение нейросетей при моделировании нелинейных динамических процессов является достаточно неопределенным и слабо изученным. Вторая трудность заключается в том, что зачастую нейронные сети использовались лишь в качестве классификаторов отказов. Остальные возможности нейросетей при этом не использовались. Обычно нейросети использовались для определения возможных отказов или других изменений в системе по ее выходам. Такой подход использования только лишь выходов системы для диагностики отказов мог быть корректным для статических систем, но в динамических системах изменение их входов может значительно повлиять на их выходы. Таким образом, такой метод диагностики, который только анализирует выходную информацию, может давать неправильные оценки о состоянии системы в те моменты времени, когда изменяются ее входные характеристики.

Эта проблема может быть решена в аналитических моделях, если использовать в них определитель разности. В таком случае, входы и выходы наблюдаемой системы используются для формирования индикатора отказа - разности. Таким образом, разность будет содержать необходимую информацию об отказе.

Принципы диагностики отказов, основанной на использовании аналитических моделей

Аналитические модели диагностики отказов определяют, выделяют и классифицируют отказы в компонентах системы. Рисунок 1 демонстрирует структуру аналитической модели диагностики отказов, состоящую из двух основных частей.

 Рисунок 1 - Концептуальная структура аналитической модели диагностики отказов

Первая часть модели представляет собой определитель разности, который обрабатывает входы и выходы системы в соответствии с определенным алгоритмом. На его выходе формируются сигналы разности. Разность должна быть отличной от нуля в случае отказа и равна нулю, если отказа нет.

Второй частью модели является классификатор отказов, в котором разности оцениваются на наличие в системе отказа и по определенному правилу принимается решение о выходе системы из строя. Процесс принятия решения может состоять из простой проверки превышения полученной разности максимально допустимого значения, или же использовать более сложные методы статистических оценок.

Основной проблемой разработки аналитических моделей диагностики отказов является определение разности. Большинство определителей разности основаны на моделях линейных систем. Для нелинейных систем основным подходом является их линеаризация. Однако, для систем с высокой степенью нелинейности и большим количеством нелинейных операций, такая линеаризация не дает удовлетворительных результатов.

Единственным решением данной проблемы является использование большого количества линейных систем, что не очень практично при создании моделей, работающих в реальном времени. Большинство известных линеаризаций применимы лишь для ограниченного класса нелинейностей. К тому же, процесс создания моделей очень сложен и точность получаемых результатов трудно проверить.

Зная возможности нейросетей моделировать сложные системы обладая небольшим количеством информации, можно сделать вывод о том, что проблемы такого характера можно решить полностью, если использовать в аналитических моделях нейронные сети.

Следующая ступень обработки - классификация разностей и определение возможного отказа. Главной задачей здесь является правильное отделение нормальных разностей от разностей, содержащих данные об отказе. В присутствии в системе шумов и неопределенностей эта задача может оказаться трудной. Для выделения отказа разность должна быть обработана таким образом, чтобы стало понятно, какой компонент системы вышел из строя. Обработка одного сигнала разности не представляет особой трудности, однако, вектор разностей усложняет процесс определения отказа. Основным подходом определения отказа является создание набора структурированных разностных сигналов. То есть, в этом случае, каждая разность является чувствительной к одной определенной группе отказов и нечувствительной ко всем остальным. Однако, создание такого набора разностей для нелинейных систем является сложной задачей. Даже для линейных систем отношения между отказами и разностями могут быть нелинейными для параметрических отказов.

Все это приводит к решению использовать нейронные сети для выделения отказов, так как нейросети могут быть натренированы определенным образом с целью получения соответствующей связи между входами и выходами.

Применение нейронных сетей в аналитических моделях

Нейросеть как модель нелинейной динамической системы

Одним из наиболее важных преимуществ нейросетей является их способность представлять нелинейные преобразования, таким образом, нейросети способны формировать очень точную аппроксимацию для нелинейных функций любой продолжительности.

Как известно, нейросети состоят из элементарных частиц - нейронов. Вход каждого нейрона преобразуется определенным образом и на выходе его генерируется некоторый сигнал.

Двумя главными классами нейронных сетей являются многослойный перцептрон прямого и обратного распространения.

Самым простым подходом к моделированию нелинейных динамических систем является использование комбинации нейросети прямого распространения с некоторыми временными задержками. Таким образом, нелинейная динамическая система будет описываться следующим образом:

где u(k) - входной вектор;

y(k) - выходной вектор;

F(…,…,…) - главная нелинейная функция.

Нейросеть прямого распространения с весовой матрицей W и матрицей базовых смещений b может быть использована для представления такой нелинейной функции, ее выходы будут иметь такой вид:

где NN– нейронная сеть.

В таком случае нелинейная динамическая система может быть смоделирована при помощи нейросети прямого распространения. Эта модель показана на рисунке 2.

 Рисунок 2 - Модель нелинейной динамической системы, построенной на нейросетях

Нейронные сети как классификаторы

После того, как получена разность между реальным сигналом системы y(k) и сигналом, полученным на выходе моделирующей нейросети - , механизм принятия решений должен определить факт возникновения отказа, время его возникновения и локализацию. Традиционно, для принятия решения использовалось предельное значение сигнала.

Для тренировки нейросети-классификатора, определяющей отказ, ее выходными данными принимаются значения и , которые свидетельствуют об отказе системы или отсутствии отказа, соответственно. Таким образом, если выходное значение нейросети, классифицирующей отказы, превышает некоторое значение , для которого - это сигнализирует об отказе. Для тренировки нейросети задается специальный набор тренировочных последовательностей, с помощью которых нейросеть устанавливает связь между возникновением отказа и получением на ее выходе соответствующего сигнала.

Схема диагностики отказов, основанная на нейронных сетях

В соответствие с материалом, изложенным выше, схема диагностики отказов, основанная на двух нейронных сетях, представлена на рисунке 3.

Рисунок 3 - Схема диагностики отказов, основанная на двух нейронных сетях

Схема определителя разности здесь представляет собой компаратор реального сигнала и сигнала, поступающего с выхода нейросети прямого распространения, моделирующей нелинейную динамическую систему. Данная нейросеть построена в соответствии с моделью, представленной на рисунке 2. Разность между сравниваемыми сигналами представляет собой вектор разности:

где .

Как только в системе возникает отказ, значение разности отклоняется от нуля.

На втором этапе диагностики отказов классификатор, построенный на основе нейронной сети, должен определить в какой момент времени в какой части системы произошел отказ. Для того, чтобы нейросеть давала верную оценку разностных сигналов необходимо натренировать ее во всех возможных вариантах отказов. Нейросеть, натренированная только в безотказной ситуации, не даст правильных результатов в случае возникновения отказа.

Нейронные сети являются альтернативным вариантом проектирования оценочных устройств. Важным свойством нейросетей является то, что они изучают динамику системы в процессе тренировки, состоящей из нескольких тренировочных циклов, с тренировочным данными, поступающими либо из предыдущего цикла, либо состоящей из реальных сигналов. После каждого цикла нейросеть узнает все больше и больше о динамике объекта. Одним из наиболее важных качеств нейросетей является их возможность изучать динамику поведения нелинейных систем автоматически, в случае, если архитектура нейросети содержит как минимум три слоя.

Преимущества классификатора, построенного на основе нейросетей, перед традиционными оценочными методами заключается в таких факторах: независимость от шумов, самооубучаемость, возможность параллельного процессинга и т.д.

Практическая реализация концепции использования нейронных сетей в технической диагностике оборудования по производству азотной кислоты

Используя предложенную выше концепцию можно практически реализовать подсистему диагностики технической диагностики агрегатов по производству азотной кислоты с использованием нейросетей. Принцип функционирования такой подсистемы будет следующим:

Получаемые от установленных на оборудовании датчиков данные поступают на входы первой нейросети, моделирующей нелинейную динамическую систему агрегата по производству азотной кислоты. Выходами этой, определенным образом натренированной нейросети, будут значения соответствующих параметров системы, в которой нет утечек. Выходы нейросети сравниваются с реальными значениями снятых с датчиков параметров и полученный вектор разностей поступает на вход второй нейросети - классификатора отказов. Эта нейросеть натренирована таким образом, что при утечке какого-либо параметра соответствующий ее выход принимает значение , в противном случае - . В качестве порогового значения принимается.

Реализация такой системы диагностики может вызвать некоторую трудность. Как уже было рассмотрено выше, для реализации нейросети, имитирующей модель нелинейной динамической системы, необходимо подавать на ее входы и выходные, и входные сигналы. Таким образом, число входов данной нейросети будет превышать 22, а число выходов будет равно 22. Для точной работы нейронной сети необходимо достаточно большое количество скрытых слоев, а это приведет к существенному замедлению работы системы диагностики. Аналогичная проблема возникает и в случае нейросети-классификатора, имеющей 22 входа и 22 выхода. Поэтому, целесообразным является разбиение всей совокупности технологических параметров на отдельные группы, характеризующие тот или иной ресурс, используемый в технологическом процессе. Для каждой группы в таком случае можно будет построить отдельную систему диагностики утечек, что значительно ускорит и упростит процесс обработки информации нейросетями. Таким образом, подсистема технической диагностики агрегатов будет состоять из диагностических систем для каждого блока агрегата.

Реализация подсистемы технической диагностики оборудования по производству азотной кислоты осуществляется на Matlab 5. Подсистема имеет удобный пользовательский интерфейс и дает возможность оператору в реальном времени контролировать техническое состояние оборудования.

Подсистема сбора и обработки азотной кислоты

Получаемая от датчиков информация заносится в базу данных, после чего она становится доступной для пользователя. Разрабатываемая подсистема сбора и обработки информации представляет собой СУБД, обрабатывающую запросы пользователя и генерирующую соответствующие отчеты по каждому его требованию.

Входной информацией для данной подсистемы являются данные, поступающие от датчиков, и данные, пересылаемые каждые сутки из бюро учета, а именно:

- барометрическое давление текущих суток;

- процент инертных газов в аммиаке - общий для агрегатов №5 и №6;

- среднесуточная плотность природного газа;

- процент конверсии - отдельный для агрегата №5 и агрегата №6.

Выходной информацией подсистемы являются отчеты, содержащие данные о технологических параметрах, перечисленные в разделе Краткая характеристика объекта исследования, а также величины расходных коэффициентов. Генерируемые отчеты выводятся на экран дисплея, могут быть распечатаны, а также пересланы по компьютерной сети руководству предприятия.

Реализация подсистемы сбора и обработки информации о процессе производства азотной кислоты осуществляется на Delphi 5.0. Подсистема имеет гибкий и удобный пользовательский интерфейс, позволяющий пользователю быстро получать требуемую информацию о нужном параметре.

Полученные результаты и дальнейшие направления исследований

По указанным направлениям была проделана работа и получены следующие результаты:

• разработан драйвер связи объекта с ПЭВМ;

• построена подсистема технической диагностики оборудования по производству азотной кислоты на базе нейронных сетей. Построенная подсистема позволяет верно идентифицировать утечки, т.е. определять в какой момент времени в каком блоке произошел сбой. Исходными данными для работы подсистемы являлись искусственно генерируемые величины технологических параметров. В дальнейшем предполагается проверить работоспособность подсистемы с использованием в качестве входных величин реальные данные, полученные от датчиков, расположенных на объекте;

• спроектирована СУБД, организующая сбор и обработку хозрасчетной информации. В дальнейшем планируется расширить функциональные возможности данной подсистемы;

• проведено технико-экономическое обоснование создания подсистем такого рода.

Кроме уже упомянутых направлений развития подсистемы будет организована локальная сеть, в функции которой будут входить следующие:

• организация получения данных от бюро учета (ежесуточно);

• организация пересылки отчетов руководству предприятия (ежедневно);

• организация обработки запросов, поступающих не только от оператора, но и от руководства предприятия (в произвольное время).

Результаты, полученные в ходе вышеперечисленных направлений развития подсистемы, будут опубликованы в магистерской работе.

Главная    |   Магистерская работа    |   Электронная библиотека