Федеральное государственное бюджетное

образовательное учреждение

высшего профессионального образования

“Уфимский государственный

нефтяной технический университет”

Филиал ФГБОУ ВПО УГНТУ в г.Стерлитамаке

Кафедра АТИС

Курсовая работа

по дисциплине

“Моделирование систем”

на тему

“Модели неопределенностей в системах управления производством”

Выполнил: студент группы АК-10-31 Гимранов Н.Р.

Проверил: к.т.н., доцент Муравьева Е.А.

­

Стерлитамак

2012г.

Содержание

1 Разработка виртуального анализатора состава продуктов промышленной колонны азеотропной ректификации на основе комбинированной модели 2

1.1 Введение и постановка задачи 3

1.2 Основные результаты 5

1.3 Заключение 8

2 Модель и методы описания сложного производственного объекта в условиях неопределенности 11

2.1 Введение 11

2.2 Моделирование сложных производственных объектов в условиях неопределенности 12

2.3 Диалоговая нечеткая модель прогнозирования температуры металла в сталеразливочном ковше 12

2.4 Пример расчета температуры выпуска 17

2.5 Заключение 18

1 Разработка виртуального анализатора состава продуктов промышленной колонны азеотропной ректификации на основе комбинированной модели

Рассматривается решение задачи разработки виртуального анализатора (ВА) составов продуктов промышленной колонны азеотропной ректификации. Предлагается использовать комбинированную модель колонны, содержащую модель материальных балансов и нелинейную зависимость фазового равновесия. Приводятся результаты промышленных испытаний ВА в экспертной системе реального времени, результирующей стратегию экстремального управления в смысле критерия энергозатрат.

1.1 Введение и постановка задачи

Применение виртуальных анализаторов позволяет контролировать качество продуктов производства в реальном времени. В настоящей работе рассматривается стадия ректификации производства водного раствора 3-хлоро-2-гидроксипропил-триметиламмониум хлорида (ХГПТАХ, , CAS: 3327-22-8). На рисунке 1.1 изображена колонна азеотропной ректификации. В солевом растворе питания F содержится дихлоропропанол (ДХП) и эпихлорогидрин (ЭХП), образующие азеотропные смеси с водой. Температуры кипения азеотпропов меньше чем точка кипения воды, и они отводятся с верхним потоком D. Нижний продукт B является целевым и на его качество наложены ограничения по концентрации ХГПТАХ. Содержание ДХП и ЭПХ в питании непрерывно изменяется, поэтому возникают задачи контроля и стабилизации , манипулируя расходами чистой воды (P.W.) и пара (S). Для решения поставленных задач необходимо иметь модель процесса для оценки в реальном времени.

Колонна является сильно нелинейным полистационарным объектом. На рисунке 1.2 показана зависимость коэффициента активности воды от ее концентрации в растворе ХГПТАХ (промышленные данные).

На основе ВА, функционирующем в реальном времени, необходимо решать задачу экстремального управления

; ,

Где u = [P.W.;T6] – вектор управлений; d = [F, Состав питания] – вектор возмущений (как контролируемых, так и неконтролируемых).

Рисунок 1.1 – Колонна азеотропной ректификации и система экстремального управления

Рисунок 1.2 – Множество стационарных состояний колонны

1.2 Основные результаты

Построение модели насадочной колонны, используя концепции равновесной или неравновесной ступени разделения, требует знания многих параметров фазового равновесия и гидродинамических характеристик насадок, которые не доступны в нашем случае и для их получения необходимо проведение специальных лабораторных исследований. Предлагается комбинированная модель (рисунок 1.3) ректификационной колонны. Она сочетает в себе известные закономерности процесса, например, материальные балансы, давление насыщенных паров компонентов и т.д, а также учет влияния профилей температуры и давления на состав продуктов разделения посредством нелинейной части (НЧ). В качетсве НЧ используется нейронная сеть.

Рисунок 1.3 – Блок схема комбинированной модели для оценки

концентрации ХГПТАХ в нижнем продукте В: - параметр разделения

Преимущество комбинированной модели заключается в понижении размерности вектора входных переменных (по сравнению с непосредственным использованием регрессионных или нейросетевых моделей) за счет найденного способа разделения взаимосвязи термодинамических параметров (T, P) с материальными балансами колонны. Синтез НЧ связан с оптимизацией структуры нейронной сети. Была оптимизирована структура 2-х слойной нейросети прямого распределения. На рисунке 1.5 изображены результаты on-line применения комбинированной модели для оценки состава с целью современного предупреждения нарушений ограничения на качество раствора ХГПТАХ.

Полученный ВА был интегрирован в экспертную систему экстремального управления. Схема реализаций которой изображена на рисунке 1.4. Разработано специальное программное обеспечение, осуществляющее взаимодействие с PHD-сервером (Process History Database, Honeywell Inc.), а так же с базой данных качества продуктов заводской лаборатории (LIMS).

Рисунок 1.4 – Интеграция виртуального анализатора в экспертную систему реального времени

Рисунок 1.5 – Интерфейсная форма экспертной системы экстремального управления

На рисунке 1.5 приведена форма взаимодействия оператора и экспертной системы, через которую осуществляется инициализация и настройка ВА.

Рисунок 1.6 – Результаты промышленного применения комбинированной модели (данные за одни сутки)

Рисунок 6 содержит результаты тестирования ВА в режиме наблюдения (WARM MODE) за концентрацией ХГПТАХ.