СПОСОБ ФИЛЬТРАЦИИ И КЛАСТЕРИЗАЦИИ РЕЖИМОВ СЛОЖНОЙ РЕКТИФИКАЦИОННОЙ КОЛОННЫ Российский патент 2019 года по МПК G06N7/00 G06F16/20 G06F12/00 G06F17/10 

Изобретение относится к области вычислительной техники и может быть использовано для управления различными процессами нефтеперерабатывающего комплекса со сложными ректификационными колоннами (СРК) с несколькими боковыми отборами для обеспечения требуемых критериев качества продуктов производства за счет использования прогнозных моделей процессов.

Известен способ сбора информации об экологическом состоянии региона и автоматизированная система аварийного и экологического мониторинга окружающей среды региона, включающий размещение стационарных и мобильных контрольных постов, оснащенных измерительной аппаратурой, регистрацию и анализ различных параметров среды, полученную информацию передают на устройства документирования и выполняют моделирование, в процессе моделирования данные разбивают на ряд объемов, для каждого из которых составляют модель материального баланса и прогнозную модель (патент РФ № 2443001, G01W 1/00, оп. 20.02.2012, БИ № 5).

Недостатком известного способа является отсутствие механизма фильтрации данных по критерию их достоверности и однородности.

Наиболее близким к предлагаемому изобретению является способ автоматической кластеризации объектов, включающий формирование из исходного множества классифицируемых объектов выборок в виде начальных кластеров, причем исходное множество формируется путем идентификации каждого классифицируемого объекта его параметром, задающим координату классифицируемого объекта в исходном множестве, и рассматривается как выборка обучения, которую формируют по показательному закону распределения, а данные о кластерах, полученные на этапе обучения, заносятся в соответствующие элементы блока памяти, которые используются при дальнейшем последовательном накоплении в них измерительной информации, на этапе обучения определяют также модель кластера Ki с количеством элементов Ni, удовлетворяющую минимуму риска RMi(α) формирования модели кластера (патент РФ № 2586025, G06F 17/30, оп. 10.02.2016, БИ № 4).

Данный способ использует априорную информацию только в выборе экспоненциального закона распределения центров кластеров и интервалов допустимых рисков ошибок классификации, но не использует эвристическую информацию о кластеризуемом множестве. Поскольку применяются статистические методы, для которых должны выполняться требования однородности данных кластеризуемого множества, то в случае отсутствия информации об однородности для обеспечения устойчивости решений вводят дополнительные механизмы регуляризации. Для этого сначала находят модель первого приближения расположения кластеров по ограниченной выборке, а потом проводят дуальную процедуру классификации вновь поступающих данных, т.е. параллельно осуществляют процедуры обучения и кластеризации.

В связи с тем, что предварительная кластеризация ведется по ограниченной выборке, которая в ходе выполнения алгоритма дополняется данными с непредсказуемыми свойствами, процесс кластеризации и обучения (настройки) может приводить к неверной идентификации вновь поступающих данных. При этом, механизм отнесения вновь поступающих данных к кластерам ведется только по вероятностным характеристикам (доверительным интервалам), что не может гарантировать правильности решения.

Техническим результатом предлагаемого изобретения является получение однородного множества данных, которые используются для получения ситуационных моделей, обеспечивающих возможности прогнозирования и автоматического регулирования производства по показателям качества продуктов, которые оцениваются путем вычисления их значений по моделям.

Указанный технический результат достигается тем, что в способе фильтрации и кластеризации режимов сложной ректификационной колонны, включающем формирование из исходного множества подмножеств выборок в виде начальных кластеров, исходное множество формируют путем идентификации каждого классифицируемого объекта его параметром, задающим координату классифицируемого объекта в исходном множестве, и рассматривают как выборку обучения, данные о кластерах, полученные на этапе обучения, заносят в соответствующие элементы блока памяти, которые используют при дальнейшем последовательном накоплении в них измерительной информации, согласно изобретению, классифицируемыми объектами являются давление и температура, на основе измеренных значений давления, температур верха, низа и на тарелках отбора сложной ректификационной колонны рассчитывают значения этих температур для условно постоянного давления, по пересчитанным таким образом температурам строят температурные профили сложной ректификационной колонны, назначают граничные значения по каждой температуре, которые разделяют множество технологических режимов на подмножества температурных профилей, технологические режимы, для которых температурные профили не удовлетворяют описанным условиям, исключают из выборки, причем для каждой из этих выборок в строят ситуационные модели расчета показателей качества продуктов производства, при этом, если прогнозная точность полученных моделей оказывается ниже заданной, процедуру фильтрации и кластеризации повторяют для каждого из полученных на предыдущем этапе подмножества температурных профилей.

Первым отличием предлагаемого способа от прототипа является то, что используется априорная информация о взаимосвязи технологических параметров сложной ректификационной колонны с боковыми отборами, на основе которой данные кластеризуются. Второе отличие заключается в том, что кластеризация с самого начала ведется по всему множеству данных. Классифицируемое множество образовано измеряемыми значениями температур боковых отборов и давления, полученных с измерительных приборов, которое подвергается фильтрации и кластеризации для отсеивания переходных режимов, и режимов, которые по априорно задаваемы признакам (критериям) существенно различаются. Такими классифицирующими признаками являются, например, нагрузка производства, характеристики сырья или качества получаемых продуктов.

При отборе однородных данных и кластеризации множества состояний технологических режимов для получения ситуационных моделей используется та особенность, что в стационарном установившемся состоянии процесса взаимосвязь температур боковых отборов, которые образуют температурный профиль сложной ректификационной колонны, изменяется слабо. Такая взаимосвязь используется в качестве формального признака для разделения технологических ситуаций в качестве правила фильтрации:

(1)

где – оператор преобразования множества технологических параметров в множество признаков – температурных профилей СРК;

J – критерий, с помощью которого из множества признаков формируется обобщенный признак или правило фильтрации в множество .

В качестве критерия J используется принадлежность температурного профиля некоторой области, ограниченной предельными значениями температур боковых отборов, при этом температурный профиль должен полностью принадлежать заданной области. Принадлежность какой-либо температуры температурного профиля смежным областям является признаком того, что для рассматриваемого режима нарушается заданная взаимосвязь между температурами боковых отборов, и режим не является стационарным.

Фильтрация и кластеризация режимов сложной ректификационной колонны осуществляют следующим образом.

Для всех режимов, представленных в статистической выборке, на основе измеренных значений давления, температур верха, низа и на тарелках отбора сложной ректификационной колонны, рассчитывают значения этих температур для условно постоянного давления. По пересчитанным таким образом температурам строят температурные профили СРК. Назначают граничные значения по каждой температуре, которые разделяют множество технологических режимов на подмножества температурных профилей. Технологические режимы, для которых температурные профили не удовлетворяют описанным условиям, исключают из выборки. Данная процедура одновременно производит фильтрацию и кластеризацию (сегментирование) данных на подмножества статистически более однородных выборок. Для каждой из этих выборок в дальнейшем строят индивидуальные (ситуационные) модели расчета показателей качества продуктов производства, и, если прогнозная точность полученных моделей оказывается ниже заданной, процедуру фильтрации и кластеризации повторяют для каждого из полученных на предыдущем этапе подмножества температурных профилей.

Пример конкретного осуществления предлагаемого способа фильтрации и кластеризации.

Данные измерений технологических параметров проверили на наличие пропусков и случайных выбросов по условию:

Т^- <Т<Т⁺,

где Т^-, Т⁺ - нижнее и верхнее допустимое значение температуры (Т) бокового отбора сложной ректификационной колонны.

Сформировали массив температур боковых отборов, приведенных к базовому давлению на основе закона Шарля:

P/T=const (приведенные температуры), для этого назначили давление приведения Р_прив. и температуры боковых отборов пересчитали по формуле:

,

где , – температура и давление соответствующего i-го бокового отбора;

– приведенная температура соответствующего i-го бокового отбора.

После этого значения приведенных температур боковых отборов поступили в блок построения и обработки температурных профилей. Количество температурных профилей соответствует количеству наблюдений в исходной выборке, которые характеризуют технологический режим в момент фиксации измерений.

На фиг. 1 показано разделение множества температурных профилей на два кластера: верхний, нижний. Оператор$$\text{Ψ}\{•\}$$ в этом случае – это температурный профиль сложной ректификационной колонны, определяемый по значениям температур верха СРК (цифра 1 по оси абсцисс), на тарелке отбора первого погона (цифра 2), второго погона (цифра 3), третьего погона (цифра 4) и температура низа СРК (цифра 5). На фиг. 1 показана кривая температурного профиля некоторого режима (пунктирная линия), который не соответствует данному критерию, поэтому значения параметров такого режима будут отфильтрованы.

С^о

Фиг.1

Данные, которые удовлетворяют условию (1), образуют кластер однородных технологических режимов.

Значения технологических режимов, соответствующих кластерам, с высокой вероятностью соответствуют стационарным режимам и являются однородными, и для них известными методами регрессионного анализа можно получать модели расчета показателей качества продуктов производства, которые используются в управляющем устройстве для вычисления управляющих воздействий по заданным показателям качества.

Предложенный способ фильтрации и кластеризации режимов сложной ректификационной колонны может использоваться для идентификации ситуационной модели расчета показателей качества.

Использование предлагаемого изобретения позволяет решить задачу получения ситуационных моделей расчета показателей качества производства, что в целом упрощает структуру регрессионной модели, сокращает время ее адаптации. При этом обеспечиваются требования заданной точности вычисление показателя качества продуктов. В процессе работы предложенный способ фильтрации и кластеризации данных используется для идентификации технологической ситуации и ситуационных моделей расчёта персональным компьютером.

Способ обеспечивает возможность получения ситуационных моделей для расчета показателей качества продуктов производства с заданной точностью и автоматического управления процессами разделения смесей в сложных ректификационных колоннах.

Изобретение относится к области вычислительной техники. Технический результат заключается в получении однородного множества данных, которые используются для получения ситуационных моделей, обеспечивающих возможности прогнозирования и автоматического регулирования производства. Технический результат достигается за счет способа, который включает формирование из исходного множества подмножеств выборок в виде начальных кластеров, исходное множество формируют путем идентификации каждого классифицируемого объекта его параметром, задающим координату классифицируемого объекта в исходном множестве, и рассматривают как выборку обучения, данные о кластерах, полученные на этапе обучения, заносят в соответствующие элементы блока памяти, которые используют при дальнейшем последовательном накоплении в них измерительной информации. Классифицируемыми объектами являются давление и температура, на основе измеренных значений давления, температур верха, низа и на тарелках отбора СРК рассчитывают значения этих температур для условно постоянного давления, по пересчитанным температурам строят температурные профили СРК, назначают граничные значения по каждой температуре, которые разделяют множество технологических режимов на подмножества температурных профилей. 1 ил.

Способ фильтрации и кластеризации режимов сложной ректификационной колонны, включающий формирование из исходного множества подмножеств выборок в виде начальных кластеров, исходное множество формируют путем идентификации каждого классифицируемого объекта его параметром, задающим координату классифицируемого объекта в исходном множестве, и рассматривают как выборку обучения, данные о кластерах, полученные на этапе обучения, заносят в соответствующие элементы блока памяти, которые используют при дальнейшем последовательном накоплении в них измерительной информации, отличающийся тем, что классифицируемыми объектами являются давление и температура, на основе измеренных значений давления, температур верха, низа и на тарелках отбора сложной ректификационной колонны рассчитывают значения этих температур для условно постоянного давления, по пересчитанным таким образом температурам строят температурные профили сложной ректификационной колонны, назначают граничные значения по каждой температуре, которые разделяют множество технологических режимов на подмножества температурных профилей, технологические режимы, для которых температурные профили не удовлетворяют описанным условиям, исключают из выборки, причем для каждой из этих выборок строят ситуационные модели расчета показателей качества продуктов производства, при этом, если прогнозная точность полученных моделей оказывается ниже заданной, процедуру фильтрации и кластеризации повторяют для каждого из полученных на предыдущем этапе подмножества температурных профилей.