автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Оперативное управление процессом пиролиза углеводородов

На правах рукописи

Афлятунов Рим Минигазимович

ОПЕРАТИВНОЕ УПРАВЛЕНИЕ ПРОЦЕССОМ ПИРОЛИЗА УГЛЕВОДОРОДОВ

05.13.06 — Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ ДИССЕРТАЦИИ НА СОИСКАНИЕ УЧЕНОЙ СТЕПЕНИ КАНДИДАТА ТЕХНИЧЕСКИХ НАУК

ООЗ 1В04ВЗ

Санкт-Петербург 2007

003160463

Работа выполнена в ЗАО «Компания СЗМА» (г Санкт-Петербург)

Научный руководитель

- доктор технических наук, профессор

Официальные оппоненты:

- доктор технических наук, профессор

- кандидат технических наук, ст н с Ведущая организация:

Русинов Леон Абрамович

Кашмет Владимир Васильевич Рашковский Павел Валентинович

ООО «ЛЕННИИХИММАШ»

Защита диссертации состоится ЗО октября 2007 в_часов_минут

на заседании диссертационного совета Д 212 230 03 при Государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный технологический институт (технический университет)»

С диссертацией можно ознакомиться в библиотеке института Отзывы на автореферат в одном экземпляре, заверенные печатью, просим направлять по адресу 190013, г Санкт - Петербург, Московский пр , д 26, Санкт-Петербургский государственный технологический институт (технический университет), Ученый Совет

Автореферат разослан «-2 » сентября 2007 г

Ученый секретарь диссертационного совета

ДТН

В И Халимон

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

Развитие производства мономеров (этилен, бензол, пропилен) стимулируется интенсивным ростом российского рынка полимерных материалов Весь производимый в РФ этилен потребляется внутренним рынком Увеличение мощностей по выпуску этилена на сегодняшний день является наиболее перспективным направлением развития нефтехимии В 2006 году ОАО «Нижнекамскнефтехим» произвел 480 тыс тонн этилена, в текущем году планируется произвести 520 тыс тонн этилена, на 2008 год запланировано уже 600 тыс тонн, а к 2012 году 1 600 тыс тонн в год

Эта продукция является базовой для создания других нефтехимических производств Увеличение объема производства этилена и полимеров дает сырьевую основу для выпуска продукции с высокой добавленной стоимостью (этиленг-ликоль, этилбензол, полиэтилентерефталат, поливинилхлорид, полиэтилен, смочы и др), что позволит производить широкий спектр промышленных товаров и товаров народного потребления (трубы, стройматериалы, упаковки и т д)

Этилен получают пирогеяетическим разложением многих природных соединений, содержащих органические вещества Процесс пиролиза для получения этилена осуществляется в печах различного устройства пропусканием газообразных углеводородов или их паров в присутствии катализаторов при температуре 760-780°С Обычно используются печи трубчатого типа

Потенциальная опасность технологического процесса получения этилена в широком смысле заложена в самом производстве, которое характеризуется применением токсичных, пожаро- и взрывоопасных продуктов, высоких температур (до 830-855°С), открытого пламени, большой массы пирогаза, закалочного масла и пи-робензина, пара высокого давления 14,0 МПа (140 кгс/см2) с температурой 520°С, высокой скоростью протекания реакции пиролиза порядка 0,3-0,4 секунды, что в

совокупности предъявляет повышенные требования к системе управления производством

Таким образом, рост мощностей производства этилена и связанных с этим повышение требований к безопасной эксплуатации и качеству выпускаемой продукции, необходимость снижения затрат энергоресурсов, увеличение потребности в этилене как сырье для последующей переработки,- все это требует развития и совершенствования систем управления

Управление процессом получения этилена в основном базируется на поддержании регламентных показателей работы печей пиролиза, теплового и материального балансов установки Технологический процесс получения этилена характеризуется повышенной энергоемкостью и подвержен несанкционированным возмущениям, связанным с суточными и сезонными изменениями температуры, энергетическими потерями в магистралях и оборудовании, а также с изменением состава исходного сырья — прямогонного бензина и накоплением кокса в трубопроводах печи и на испарительных поверхностях закалочно-испарительных аппаратов Это способствует возникновению множества нештатных ситуаций, способных привести к развитию аварийных состояний на процессе

Оперативное управление процессом в этих условиях осуществляется на основании опыта технологов и операторов Следует отметить, что различные нештатные ситуации часто имеют сходные проявления Условия информационной перегрузки способствуют несвоевременному обнаружению предпосылок аварий обслуживающим персоналом и служат причиной ошибочных решений по управлению процессом Действие системы защиты здесь сводится в основном к отключению оборудования и переводу процесса в безопасный режим, что ведет к экономическим потерям предприятия

В этих условиях важной и актуальной становится проблема разработки автоматизированной системы оперативного управления на основе непрерывного контроля состояния технологического процесса и режимов работы оборудования, способной выявить возникшее нарушение на ранней стадии его развития, определить причину и выдать рекомендации оператору по ее устранению, не допуская развитие опасных нештатных ситуаций до уровня срабатывания системы противоава-

рийной защиты Все это позволяет существенно повысить эффективность процесса, уменьшить число простоев и остановов на ремонт оборудования

Цель работы — разработка системы оперативного управления потенциально опасным процессом пиролиза углеводородов (на примере основного наиболее опасного его участка — печи пиролиза)

Для достижения этой цели в диссертационной работе поставлены и решены следующие задачи

исследован процесс пиролиза, выделены наиболее опасные участки, оценена степень автоматизации процесса,

осуществлен сбор, обработка и анализ экспертной информации, проведено ранжирование возможных нештатных ситуаций по степени опасности и скорости развития,

обосновано применение и предложен комбинированный метод диагностики, включающий непрерывный контроль состояния процесса с использованием метода главных компонент (МПС) и определение причин нарушений с помощью экспертной системы реального времени,

сформирована диагностическая модель процесса и проведена ее идентификация,

разработан алгоритма работы системы, способный проводить на фоне естественного дрейфа процесса диагностику нештатных ситуаций, существенно (на порядки) различающихся по скорости развития,

проведена проверка работоспособности системы методом имитационного моделирования

Методы исследования. При выполнении работы были использованы методы статистического анализа, искусственного интеллекта, технической диагностики, ситуационного управления и имитационного моделирования Научная новизна.

Предложен комбинированный метод диагностики нештатных .ситуаций на процессе пиролиза углеводородов, который обеспечивает раннее их обнаружение во время непрерывного мониторинга процесса с использованием метода главных компонент, а определение причин их возникновения — диагностической экспертной подсистемой реального времени

Разработана диагностическая модель процесса пиролиза, состоящая из двух блоков модели метода главных компонент и двухуровневой фреймово-продукционной модели

Разработан алгоритм функционирования системы, производящий обнаружение как быстро, так и медленно развивающихся нештатных ситуаций (таких, как закоксованность) по двум моделям метода главных компонент с разными периодами адаптации

Практическая значимость и реализация результатов работы.

Полученные в диссертационной работе результаты имеют прикладное значение для решения задач диагностики и оперативного управления процессами пиролиза в условиях действия значительных возмущений, вызывающих выход процесса из регламентного режима Алгоритм работы и структура диагностической модели могут быть использованы для диагностики нарушений в аналогичных процессах

Материалы по разработанной системе переданы в ООО «Иокогава Электрик СНГ», Москва и ООО «ЛЕННИИХИММАШ», Санкт-Петербург

Апробация работы. Основные положения и результаты работы докладывались на 7-й международной конференции «Нефтепереработка и нефтехимия» в рамках Международного Форума «ТЭК России» в Санкт-Петербурге

Публикации По теме диссертации опубликовано 5 печатных работ Структура и объем работы. Материал диссертационной работы сгруппирован в 4-х главах, снабжен выводами, списком литературы и 3 приложениями Работа изложена на 159 страницах основного текста, содержит 53 рисунка, 3 таблицы и список использованной литературы, включающий 87 названий

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы диссертационной работы, сформулирована ее цель, изложены основные научные результаты и дана краткая характеристика ее содержания

В первой главе приведено краткое описание процесса пиролиза, рассмотрены его особенности как объекта оперативного управления, рассмотрены причины потенциальной опасности процесса

Собственно процесс пиролиза углеводородов происходит в радиантных трубах трубчатой печи при температуре 800-85 5 °С в присутствии пара разбавления Конструктивно печь состоит из двух секций конвекционной, змеевики которой обогреваются разогретыми дымовыми газами за счет конвективного переноса тепла, и радиантной, змеевики которой обогреваются боковыми и подовыми газовыми горелками

Опасными факторами работы печи пиролиза являются наличие открытого пламени внутри печи, проходящие внутри печи трубы с бензином, наличие разводки трубопроводов с топливным газом возле каждой печи, трубопровод пара с высокой температурой стенок трубопровода (520° С) и высоким давлением (14,0 МПа), наличие большого объема и большой массы пирогаза, закалочного масла и пиробензина

Анализ процесса как объекта диагностики и оперативного управления позволил выделить следующие особенности очень жесткие условия процесса термического пиролиза углеводородного сырья, небольшой рабочий период эксплуатации печей из-за периодического коксообразования в змеевиках, что существенно снижает срок их службы Анализ работы печи показал, что большинство нарушений хода процесса приводит к увеличению коксообразования и соответственно к сокращению периода работы При этом существующие системы управления с этой проблемой не справляются В большинстве случаев такие важные функции, как мониторинг и диагностика состояния процесса, выявление причин возникших нарушений выполняются оператором, что называется, вручную Снижение влияния человеческого фактора в управлении процессом в нештатных ситуациях и управлении в предаварийной области, таким образом, является одной из важнейших функций системы оперативного управления (СОУ)

На основании литературного обзора методов диагностики было показано, что нет единого метода, который удовлетворил бы всем требованиям к системе В то же время, рассмотренные методы могут дополнять друг друга при, выполнении различных операций, необходимых для построения диагноза Поэтому в работе использован комбинированный метод для выполнения операции раннего обнаружения факта возникновения нештатной ситуации — мониторинг контролируемого процесса на базе метода главных компонент (МГК), для выполнения идентифика-

ции нештатных ситуаций в условиях отсутствия соответствующих математических описаний — экспертная система реального времени

Во второй главе рассмотрена структура СОУ Выполнение системой функций мониторинга и диагностики осуществляется на базе диагностической модели, состоящей из двух блоков (рисунок 1) Первый блок содержит модель МГК и служит для осуществления раннего обнаружения возникшей нештатной ситуации

Рисунок - 1 Структура модуля мониторинга и диагностики СОУ

При формировании второго блока модели (располагается в Базе знаний -рисунок 1) применена двухуровневая фреймово-продукционная 1лрук1ура Нештатные ситуации с одинаковыми основными симптомами (но разными причинами возникновения) группируются в дочерних фреймах, которые, в свою очередь, связаны с корневыми фреймами, объединяющими знания о всех возможных нештатных ситуациях на данном учдыке процесса, кошрый выделяемся при ею декомпозиции Сами нештатные ситуации описываются продукционными правилами, в условной части которых содержатся диагностические показатели, а антецеденте — причины (диагноз) и рекомендации по их устранению

Типовой корневой фрейм состоит из следующего набора слотов

FrKr{NKf„ Atr„ Nor,, 1т„ St„FrD,j, Next,} (1),

где NKf, — имя фрейма, Air, — список диагностических параметров (атрибутов), используемых для диагностики нештатных ситуаций в зоне ответственности фрейма, Nor, — наблюдаемый вектор диагностических показателей, рассчитываемый, например, по данным из базы данных SCADA-системы, 1т, — матрица со значениями эксплутационных порогов Ху, для основных диагностических показателей1 -тех значений переменных процесса, которые могут свидетельствовать о развитии нештатной ситуации, St, - статус корневого фрейма (Str 1, если хотя бы один из показателей ss, выходит за значение лу,), FrDtJ - имена дочерних фреймов, Next, - указатель на фрейм FrK(,+i) перехода по сети (рассмотрение ситуаций на следующем участке процесса)

Дочерний фрейм представляется следующим образом FrD,j= {NDf,j,FrK„Atr,j,St,j,Lf,j,CF,;, Dm,J,DiagIJ,ReclJ,Prog,J,Spy} (2),

где NDflj - название j-й группы нештатных ситуаций, информация о которой находится в данном фрейме, FrKj - указатель имени корневого фрейма, с которым связан данный фрейм, Atr,j - совокупности основных (соответствует строке матрицы в слоте Im, корневого фрейма FrK,), и дополнительных симптомов, позволяющих идентифицировать данную ситуацию, Sty - статус фрейма, Lfjj — матрица весовых коэффициентов диагностических показателей оценивающих их значимость (по мнению экспертов) для определения данной причины, CF — степень близости текущей ситуации, наблюдаемой на процессе, к ее образу, записанному в правилах диагностической модели, Dm,, - база продукционных правил RLiyk, связывающих нарушения с основными и дополнительными симптомами в рамках ситуации, определяемой фреймом FrD,j Слоты Diag,,, Rec,j и Prog,, фрейма FrD,j содержат соответственно причины ситуаций Dg4, рекомендации по их устранению Rcy и прогнозы Pg,j их развития, Sp — вектор степеней опасности нарушений

В третьей главе приводится краткое описание метода главны^ компонент (МГК) Главные компоненты могут быть вычислены разными способами (популярны алгоритмы NIPALS и на основе разложения ковариационной матрицы ХХТ по собственным векторам), X [nxm] - матрица данных из п выборок измерений m пе-

1 Зона изменения переменных от эксплутационных порогов до границ предаваоийной зоны является зоной ответственности СОУ, то, что выше, — зона ответственности системы противоаварийной защиты

ременных процесса) Т к МГК — масштабно зависимый метод, то исходные данные нормируются к нулевому среднему и к единичной дисперсии

Блок МГК-модели процесса должен строиться на данных процесса при его нормальном функционировании При этом в модели учитываются первые ц главных компонент Новые измерения сопоставляются с этой моделью нормального состояния Новый вектор измерений переменных хн проецируется в подпространство главных компонент, определенное матрицей Рч, для получения вектора проекций ^=Рггхн, и на остаточное подпространство, чтобы получить вектор невязок е„ = хя - ж», где х„ =Р^„

Мониторинг состояния процесса проводится контролем двух статистик Т2 и <3 Если корреляционные связи между переменными процесса изменяются, чем обычно сопровождается возникновение нештатной ситуации, то та или иная статистика превышает пороговое значение Первая статистика (статистика Хотеллинга Т2) имеет вид

т*=2:4 о)

где Б2к -дисперсия 1к Распределение статистики Т2 аппроксимируется распределением Фишера с д, (п^) степенями свободы, что при уровне значимости а дает для

контрольного порога Ст значение

= (и-(4)

п(п-д) п-д

Таким образом, если выполняется неравенство

Т,2 <СТ (5),

то вариация выборки (вектора) новых измерений х, лежи! в пределах гиперэллипсоида допустимых вариаций в ходе процесса, т.е. объясняется моделью МГК, построенной на массиве исходных данных X Если неравенство (5) нарушается, то фиксируется факт нештатной ситуации

Если возникает новая ситуация, которой не было в обучающем массиве исходной модели МГК, ее вектор попадает в подпространство невязок Этот тип событий может быть обнаружен с помощью С>-статистики

е = = (6)

- и -

Контрольный порог для статистики С> может быть определен по выражению

са = [1 - 02Но(1 - К о) 9\ ^ <вху-^ (7)

Р й >

где $1 = £ А, 0г = £ = £ А® Л0 = 1 - 2Мз/3^

•¡=9-1 3=<Г-1

- процентная точка нормального распределения, а -уровень значимости Если при поступлении новой выборки измерений х, вычисленное значение статистики (2 превысит пороговое значение Со; т е нарушится неравенство

(8),

то так же, как и в случае со статистикой Т2 (неравенство (5)) фиксируется факт возникновения нештатной ситуации

Статистики С> и Т2 взаимно дополняют друг друга если хотя бы одна из них превысит свое пороговое значение, то это свидетельствует о нарушении нормального протекания контролируемого процесса

Построение модели МГК, таким образом, состоит в определении по исходной матрице переменных процесса X матриц главных компонент Рч и значений порогов Сд и Ст Число главных компонент q определяется по доле общей дисперсии исходных данных, объясняемых первыми главными компонентами

Для создания второго блока диагностической модели процесса пиролиза было необходимо собрать экспертную информацию Были сформированы опросные листы и проведена оценка согласованности результатов Для устранения противоречий была использована стратегия поэтапного их разрешения на каждой итерации По результатам анализа полученной информации был сформирован окончательный вариант структуры диагностической модели и составлен список диагностических показателей, установлены эксплуатационные пороги, весовые коэффициенты и определены степени опасности развития каждой нештатной ситуации

Декомпозиция контролируемого объекта позволила выделить'11 участков процесса, связав с ними все возможные нештатные ситуации, выявленные в результате анализа экспертной информации

Для оценки близости текущей ситуации к зафиксированной в правиле на основе литературного обзора были выбраны 4 критерия Два из них использовали разные оценки расстояния между ситуациями

5М(8т,8к) = /{1^{8тЛ))-^^У2 (9),

где

или

¿,(5, Л) = О/,)-,«« (и,)|) (10),

¿2 А) = Е, г* (Мзг (и,) - Ми (и, ))2 (11),

у, (1 - индекс симптома) — весовые коэффициенты, подчеркивающие степень важности каждого симптома, входящего в условную часть правила

Остальные два критерия использовали представление сравниваемых нештатных ситуаций нечеткими множествами 8т^{з1т} и в^в,];}, заданными на универсуме 8 В этом случае ситуации описывались векторами Бт, 5к с элементами, равными нормированным значениям симптомов (значениям функций принадлежности 8,ти зл) Близость ситуаций оценивалась скалярным произведением

тах[(5г г у 5,)]

или оценкой степени пересечения множеств

= (13)

/ 2-11/1$ 1к

где у = {у,} - диагональная матрица весовых коэффициентов

Значения критериев близости текущей ситуации к ситуациям, содержащимся в правилах Л£ слота ОМ, фиксируются в слоте СР фрейма и выдаются по требованию оператору на экран в виде временного тренда, что позволяет проследить развитие ситуации

При превышении значением критерия близости некоторого условного порога ситуация попадает в разряд «возможных» Величина порога с1 устанавливается так, чтобы уменьшить число ненужных тревог, но не пропустить возможного начала развития нарушения (^=0,6-0,75) Если критерий дает значение оценки близости значительно большее порога то ситуация считается «выявленной» (^2=0,8-

0,9) Эхо позволяет снизить нагрузку на оператора, но при этом очень важно сильно не затянуть момент идентификации

При разработке алгоритма работы системы была учтена возможность естественного дрейфа процесса при наличии нештатных ситуаций с существенно различающимися скоростями развития Для мониторинга «дрейфующих» процессов применен метод "движущегося" МГК (moving РСА) Здесь формируется начальное временное окно из N измерений переменных процесса, не содержащих нарушения На основе этой информации строится МГК-модель и вычисляются пороговые значения для статистик Т2 и Q Затем формируется следующее окно и т д Однако, частые изменения параметров модели маскируют медленно развивающиеся ситуации — они будут просто восприняты как естественный дрейф процесса и не будут обнаружены

Для решения этой проблемы предложено вести обнаружение по двум моделям МГК Одну из них строить по окну Nb ширина которого ориентирована на бы-строразвивающиеся ситуации, скорости нарастания которых таковы, что они могут быть обнаружены МГК в течение длительности одного окна А вторую модель строить на более широком окне N2 (N2^1) и не перестраивать в течение времени, сравнимого со скоростью нарастания медленно развивающихся ситуаций При этом вторая модель учитывает только те переменные, которые участвуют в идентификации этих медленно развивающихся ситуаций Для процесса пиролиза — это ситуации, связанные с закоксовыванием оборудования печи, и расположенные в дочерних фреймах коренных фреймов FrKw «Нарушения в змеевиках радиантной секции»

Мониторинг процесса производится следующим образом (рисунок 2а) Сначала формируются обе исходные модели Ml К для нормального состояния процесса, но по разным исходным матрицам переменных (на рисунке показаны процедуры только для одной модели, для второй - они аналогичны) Вычисляются пороги для статистик Q и Т2 для обеих моделей Затем каждый новый вектор (выборка данных процесса) проецируется на главные компоненты этих Ml К моделей и новые значения статистик Q и Т2 сравниваются с прежними пороговыми значениями Если нарушения не обнаружены, процедура продолжается, пока не будет сформирована следующая выборка из новых векторов данных, размером большим или

равным ширине первоначального окна N Тогда вычисляются новые МГК модели на выборках из этих данных с определением числа основных компонент и оценкой

новых порогов (адаптация модели МГК)

Рисунок 2а Алгоритм работы системы при обнаружении нарушений

Вычисление значений симптомов для вектора х/.

А10

1 =1+1

А11

Просмотр слотов 1т корневых

Активация дочернего фрейма Ргй,,

А13

Просмотр слота От, вычисление критериев 8М

А14

/Диагностическая / модель

нет

В7

Статус причины &= «выявленная»

Статус причины «возможная»

Вывод результатов и реко мендаций

Конец

Рисунок 26 Алгоритм работы СОУ при определении причины нештатной ситуации

При обнаружении факта возникновения какого-то нарушения алгоритм переходит к поиску его причин (рисунок 26) Идентификация нештатной ситуации начинается с просмотра матриц слота 1т корневых фреймов (оператор All) При этом может произойти активация одного или нескольких дочерних фреймов (оператор А12) Далее алгоритм производит просмотр правил в слоте Dm активированного дочернего фрейма и производит вычисление критериев SM близости текущей ситуации с ситуациями, зафиксированными в правилах Результаты работы алгоритма с рекомендациями выдаются оператору (модуль В9)

В четвертой главе приведены описание методики и результаты исследования СОУ методом имитационного моделирования в среде Matlab Реализация отдельных блоков алгоритма работы СОУ производилось с помощью m-файлов В результате было создано приложение для исследования алгоритма работы СОУ в среде Matlab

Для моделирования использовались массивы реальных данных Было отобрано 6 характерных ситуаций, относящихся к фрейму FrKi «Нарушение в пиро-лизном змеевике 1» Эти ситуации имеют попарно ряд одинаковых симптомов (конкурирующие ситуации), а потому трудно определимы

Анализ массивов показал, что данные сильно зашумлены Более того, по-видимому из-за влияния работы системы автоматического регулирования, статистика Т2 может превысить пороговое значение, вызвав ложные тревоги (рисунок 3)

350 300 250 200 150 100 50

Cq = 376

0 200 ¿t00 600 800 1000 п,шагов

а) б)

Рисунок 3 — Пример трендов статистик Q (а) и Т2 (б) по модели, построенной в

предыдущем окне МГК

Обнаружение| нарушения

Обнаружение, нарушения

T¿ ■Г- ' 1 .......1— 1 1 ч i i f

300 ..... i •■i [ i Г

250 i ti '1Í-

200 150 • С,* = 140 II

100 - - /I ^м -

50 fj I J- , -

i i ^-r Г i i!

400 600 п, шагов 0 50 Ю0 150 200 250 300 350 п, шагов а) ' б)

Рисунок 4 — Результаты обнаружения статистиками Q (а) и Т2 (б) нештатной ситуации S1 по мере ее развития Для повышения надежности в работе был использован комбинированный фильтр, представляющий последовательное соединение фильтров скользящей медианы и экспоненциального сглаживания и увеличено пороговое значение Ст* (как показал эксперимент, это незначительно затянуло время определения ситуации, но существенно уменьшило число ложных тревог — рисунок 4)

Идентификация S3 !

42 = 0,8

§.=0,6

0 200 400 600 800 1000 1200 п, шагов Рисунок 5 — Результаты распознавания имитируемой ситуации S3 на фоне ситуаций S1, S2, S4

Сравнение критериев определения близости ситуаций показало высокую эффективность критерия на основе пересечения нечетких множеств Введение порогов на значения критерия ¡;, и позволило уменьшить число ложных опредете-ний и дискриминировать ситуации по статусам «выявленных» и «возможных» (рисунок 5) Критерий позволил уверенно правильно определить все имитируемые развивающиеся ситуации на фоне конкурирующих (хотя конкурирующие ситуации при этом могут попадать в разряд «возможных» - тогда окончательное решение принимается оператором)

Программный модуль, реализующий алгоритм работы системы, написан в среде Пе1рЬу и протестирован в пошаговом режиме

ВЫВОДЫ

1 Процесс пиролиза углеводородов является потенциально опасным процессом как во взрыво-, так и в пожарном отношении и может сопровождаться достаточно большим числом возможных нештатных ситуаций В то же время срабатывание аппаратуры ПАЗ влечет остановы процесса и сопровождается материальными потерями

2 Разработана система оперативного управления (СОУ) процессом пиролиза углеводородов, использующая комбинированный метод диагностики состояния процесса обнаружение нарушений в ходе процесса проводится непрерывным мониторингом его состояния с использованием метода главных компонент (МГК) Идентификация обнаруженных нештатных ситуаций производится на базе экспертной системы реального времени

3 Разработана структура диагностической модели, положенной в основу функционирования СОУ Модель включает два блока Первый блок, используемый при мониторинге, включает совокупность главных компонент и пороговые значения статистик 0 и Т2, по которым и производится мониторинг

Второй блок, используемый для определения причины возникновения нештатной ситуации, представляет собой двухуровневую фреймово-продукционную структуру Во фреймах верхнего уровня сгруппированы знания о группах нештатных ситуаций, которые могут возникнуть в структурной единице, выделяемой при декомпозиции контролируемого объекта В дочерних фреймах сгруппированы знания о конкретных ситуациях, имеющих общие оп-

ределяющие симптомы, но вызванных различными причинами В пределах фрейма нештатные ситуации описываются нечеткими продукционными правилами

4 Разработан алгоритм работы системы для обнаружения и идентификации нештатных ситуаций Т к на процессе пиролиза на фоне возможного естественного дрейфа параметров могут возникать нештатные ситуации со значительно различающимися скоростями развития, то была разработана модификация метода «движущегося» МГК, использующая две модели МГК Одна из них строится по окну, ширина которого ориентирована на быстроразвивающиеся ситуации А вторая модель строится на более широком окне и не адаптируется в течение времени, сравнимого со скоростью нарастания медленно развивающихся ситуаций

5 Определение причин возникновения нештатной ситуации производится оценкой ее близости к записанным в продукционных правилах Экспериментально показана эффективность критерия близости, использующего оценку степени пересечения нечетких множеств При превышении значением критерия близости некоторого условного порога (^=0,6-0,75) ситуация попадает в разряд «возможных» Если критерий дает значение оценки близости большее порога (£2=0,8-0,9), то ситуация считается «выявленной»

6 Результаты работы переданы для применения в разрабатываемых системах автоматизации в ООО «Иокогава Электрик СНГ» г Москва и ООО «ЛЕННИИ-ХИММАШ», г Санкт-Петербург

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Р М Афлятунов, А Л Фокин, В Г Харазов Робастная стабилизация теплового режима работы трубчатых нагревательных печей нефтеперерабатывающей промышленности // Автоматизация в промышленности 2004 №7 С 25-28

2 Афлятунов Р М, Рудакова И В , Русинов Л А Диагностическая модель для системы диагностики состояния процесса пиролиза //Изв /Орловский ГТУ, 2006 ,№1(2) С 15-20

3 Русинов Л А , Рудакова И В , Куркина В В , Афлятунов Р М Диагностика состояния непрерывных технологических процессов// Мехатроника, автоматизация, управление 2006, №7 (Приложение) С 18-21

4 Афлятунов Р М Некоторые аспекты оперативного управления процессом пиролиза углеводородов// Математические методы в технике и технологиях - ММТТ-20 Сб трудов Международ науч конф / Ярославский государственный техн ун-т Ярославль 2007-Т 7-С 221-223

5 Афлятунов Р М, Рудакова И В Совершенствование системы управления производством этилена ОАО "НИЖНЕКАМСКНЕФТЕХИМ" // 7-й Международный форум Топливно-энергетический комплекс России Сборник материалов 2007 -С 20-23

24 09 07 г Зак 190-75 РТП ИК «Синтез» Московский пр , 26

ВВЕДЕНИЕ.

ГЛАВА 1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ.

1.1 ОПИСАНИЕ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА ПИРОЛИЗА.

1.1.1 Общие сведения.

1.1.2 Цех пиролиза и первичного фракционирования пирогаза.

1.1.3 Особенности процесса пиролиза как объекта оперативного управления.

1.2 ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ УПРАВЛЕНИЯ.

1.3 СИСТЕМЫ ОПЕРАТИВНОГО УПРАВЛЕНИЯ (СОУ).

1.3.1 Положение СОУ в иерархии автоматизированных систем управления.

1.3.2 Классификация методов диагностики.

1.4 ВЫВОДЫ. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

ГЛАВА 2. СТРУКТУРА СИСТЕМЫ ОПЕРАТИВНОГО УПРАВЛЕНИЯ.

2.1. ТИПОВЫЕ СТРУКТУРЫ СОУ.

2.2 СТРУКТУРА ДИАГНОСТИЧЕСКОЙ МОДЕЛИ.

2.3 СТРУКТУРА ФРЕЙМОВ ДИАГНОСТИЧЕСКОЙ МОДЕЛИ.

2.4 СТРУКТУРА МОДУЛЯ МОНИТОРИНГА И ДИАГНОСТИКИ.

ВЫВОДЫ К ГЛАВЕ 2.

ГЛАВА 3 РАЗРАБОТКА АЛГОРИТМА РАБОТЫ СОУ.

3.1 ОБНАРУЖЕНИЕ НЕШТАТНЫХ СИТУАЦИЙ.

3.1.1 Метод главных компонент (МГК).

3.1.2 Обнаружение нарушений с использованием МГК.

3.1.3 Идентификация модели МГК процесса пиролиза.

3.2 ИДЕНТИФИКЦИЯ НЕШТАТНЫХ СИТУАЦИЙ В ПРОЦЕССЕ ПИРОЛИЗА

3.2.1 Методика идентификации нештатных ситуаций.

3.2.2 Сбор экспертной информации.

3.2.3 Фреймы диагностической модели процесса пиролиза.

3.3 АЛГОРИТМЫ РАБОТЫ СИСТЕМЫ.

3.3.1 Алгоритм вычисления главных компонент.

3.3.2 Критерии определения близости ситуаций.

3.3.3 Блок схемы алгоритма работы системы.

ВЫВОДЫ К ГЛАВЕ 3.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ ОПЕРАТИВНОГО УПРАВЛЕНИЯ.

4.1 ФОРМИРОВАНИЕ МАССИВА ДАННЫХ ДЛЯ ТЕСТИРОВАНИЯ.

4.1.1 Оценка качества массивов данных.

4.1.2 Выбор совокупности нештатных ситуаций для моделирования.

4.2 ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ РАБОТЫ СИСТЕМЫ.

4.2.1 Синтез программы имитационного моделирования.

4.2.2 Исследование работы системы при нормальном ходе процесса.

4.2.3 Исследование работы системы при наличии нештатных ситуаций.

4.3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМА РАБОТЫ СИСТЕМЫ .141 ВЫВОДЫ К ГЛАВЕ 4.

ВЫВОДЫ.

Развитие производства мономеров (этилен, бензол, пропилен) стимулируется интенсивным ростом российского рынка полимерных материалов. Весь производимый в РФ этилен потребляется внутренним рынком. Увеличение мощностей по выпуску этилена на сегодняшний день является наиболее удачным и перспективным направлением развития нефтехимии. В 2006 году ОАО «Нижнекамскнефтехим» произвел 480 тыс. тонн этилена, в текущем году планируется произвести 520 тыс. тонн этилена, на 2008 год запланировано уже 600 тыс. тонн, а к 2012 году 1 600 тыс. тонн в год.

Эта продукция является базовой для создания других нефтехимических производств. Увеличение объема производства этилена и полимеров дает сырьевую основу для выпуска продукции с высокой добавленной стоимостью (этиленгликоль, этилбен-зол, полиэтилентерефталат, поливинилхлорид, полиэтилен, смолы и др.), что позволит производить широкий спектр промышленных товаров и товаров народного потребления (трубы, стройматериалы, упаковки и т.д.).

Этилен впервые был получен немецким химиком Иоганном Бехером в 1680 году. Начало практическому использованию этих соединений положили классические исследования A.M. Бутлерова и его учеников в области непредельных соединений и особенно созданная Бутлеровым теория химического строения. В 1860 году он установил структурную формулу этилена. Этилен представляет собой бесцветный газ, обладающий слабым, едва ощутимым запахом. Этилен горюч, образует с воздухом взрывоопасные смеси. Уже при температурах выше 350 0 С этилен частично разлагается на метан и ацетилен. При температуре около 1200 0 С диссоциирует главным образом на ацетилен и водород. Этилен получают пирогенетическим разложением многих природных соединений, содержащих органические вещества. Процесс пиролиза для получения этилена осуществляется в печах различного устройства пропусканием газообразных углеводородов или их паров в присутствии катализаторов при температуре 760-780° С. Обычно используются печи трубчатого типа.

Несмотря на длительность периода эксплуатации технологии получения этилена, интерес к этому процессу не исчезает. Исследователи крупной корейской нефтяной компании SK Corp и государственного химического института разработали крекинг процесс отделения этилена и пропилена при более низкой температуре. Новая технология, которая называется Advanced Catalytic Olefin (АОС), обеспечивает температуру меньше чем 700 °С. Производительность оптимизированных процессов возрастает на 30 %, а потребление энергии уменьшается на 20 %. Работы, связанные с усовершенствованием процесса, продолжаются, а значит можно считать актуальным привлечение современных методов к решению вопросов управления процессом.

Потенциальная опасность технологического процесса получения этилена в широком смысле заложена в самом производстве, которое характеризуется применением токсичных, пожаро- и взрывоопасных продуктов, высоких температур (до 830-855°С), открытого пламени, большой массы пирогаза, закалочного масла и пиробензина, пара высокого давления 14,0 МПа (140 кгс/см2) с температурой 520 °С, высокой скоростью протекания реакции пиролиза порядка 0,3-0,4 секунды, что в совокупности предъявляет повышенные требования к системе управления производством.

Таким образом, рост мощностей производства этилена и связанных с этим повышение требований к безопасной эксплуатации, повышение требований к качеству выпускаемой продукции, необходимость снижения затрат энергоресурсов, увеличение потребности в этилене как сырье для последующей переработки требуют развития и совершенствования систем управления.

Управление процессом получения этилена в основном базируется на поддержании регламентных показателей работы печей пиролиза, теплового и материального балансов установки. Технологический процесс получения этилена характеризуются повышенной энергоемкостью и подвержен несанкционированным возмущениям, связанным с суточными и сезонными изменениями температуры, энергетическими потерями в магистралях и оборудовании, а также с изменением состава исходного сырья - прямогонного бензина и накоплением кокса в трубопроводах печи и испарительных поверхностях закалочно-испарительных аппаратов.

Сложность технологической схемы, основного технологического оборудования и взаимосвязь параметров управления приводят к возникновению множества неожиданных, нештатных ситуаций, способных привести к развитию аварийных состояний на процессе. Отсутствие модели поведения процесса в нештатных ситуациях, а также наличие различного рода возмущений приводит к необходимости непрерывного мониторинга процесса. Управление процессом в этих условиях осуществляется эмпирическими методами, т.е. на основании опыта технологов и операторов. Следует отметить, что различные нештатные ситуации, часто имеют сходные условия проявления. Условия информационной перегрузки способствуют несвоевременному обнаружению предпосылок аварий обслуживающим персоналом и причиною ошибочных решений по управлению процессом. Действие системы защиты в таких условиях сводятся в основном к отключению оборудования и переводу процесса в безопасный режим, что ведет к экономическим потерям предприятия.

В этих условиях важной и актуальной становится проблема разработки автоматизированной системы оперативного управления на основе непрерывной диагностики (мониторинга) технологического процесса и режимов работы оборудования, способной по результатам контроля объекта выявить возникновение неисправности или нарушения режима, а главное выдавать рекомендации по их устранению оператору до явного проявления нештатной ситуации. Такая система базируется на комбинации принципов ситуационного управления и диагностики. Диагностическая модель системы строится на основе эмпирической и теоретической информации о процессе, при этом используются теоретические знания о предметной области и экспертные знания о конкретном технологическом процессе. В законченном варианте система управления и диагностики представляет собой подсистему АСУ ТП и реализует функции управления в нештатных ситуациях. В иерархии управления процессом она занимает промежуточное положение между системой регулирования и системой защиты, логично дополняя или предваряя действия последней.

В рамках диссертационной работы поставлены и решены следующие задачи:

1. исследован процесс пиролиза, выделены наиболее опасные участки, оценена степень его автоматизации;

2. осуществлен сбор, обработка и анализ экспертной информации, проведено ранжирование возможных нештатных ситуаций по степени опасности и скорости развития;

3. обосновано применение комбинированного метода диагностики: мониторинг процесса предложено проводить на базе статистического анализа с использованием метода главных компонент (МГК), а определение причин нарушений - на базе экспертной информации;

4. сформирована диагностическая модель процесса и проведена ее идентификация;

5. разработан алгоритм работы системы, осуществляющий:

- непрерывный мониторинг процесса методом «движущегося» МГК по двум моделям, различающимся периодом адаптации;

- определение причины нарушения - по двухуровневой фреймово-продукционной модели;

6. проведена проверка работоспособности системы методом имитационного моделирования.

Диссертационная работа состоит из введения, четырех глав, выводов по работе, списка литературы и приложений.

151 ВЫВОДЫ

1. Процесс пиролиза углеводородов является потенциально опасным процессом как во взрыво-, так и в пожарном отношении и может сопровождаться достаточно большим числом возможных нештатных ситуаций. В то же время срабатывание аппаратуры ПАЗ влечет остановы процесса и сопровождается материальными потерями.

2. Разработана система оперативного управления (СОУ) процессом пиролиза углеводородов, использующая комбинированный метод диагностики состояния процесса: обнаружение нарушений в ходе процесса проводится непрерывным мониторингом его состояния с использованием метода главных компонент (МГК). Идентификация обнаруженных нештатных ситуаций производится на базе экспертной системы реального времени.

3. Разработана структура диагностической модели, положенной в основу функционирования СОУ. Модель включает два блока. Первый блок, используемый при мониторинге, включает совокупность главных компонент и пороговые значения статистик Q и Т , по которым и производится мониторинг.

Второй блок, используемый для определения причины возникновения нештатной ситуации, представляет собой двухуровневую фреймово-продукционную структуру. Во фреймах верхнего уровня сгруппированы знания о группах нештатных ситуаций, которые могут возникнуть в структурной единице, выделяемой при декомпозиции контролируемого объекта. В дочерних фреймах сгруппированы знания о конкретных ситуациях, имеющих общие определяющие симптомы, но вызванных различными причинами. В пределах фрейма нештатные ситуации описываются нечеткими продукционными правилами.

4. Разработан алгоритм работы системы для обнаружения и идентификации нештатных ситуаций. Т.к. на процессе пиролиза на фоне возможного естественного дрейфа параметров могут возникать нештатные ситуации со значительно различающимися скоростями развития, то была разработана модификация метода «движущегося» МГК, использующая две модели МГК. Одна из них строится по окну, ширина которого ориентирована на быстроразвивающиеся ситуации. А вторая модель строится на более широком окне и не адаптируется в течение времени, сравнимого со скоростью нарастания медленно развивающихся ситуаций.

1. Venkatasubramanian V., Rengaswamy R., Yin K.,. Kavuri S.N. A review of process fault detection and diagnosis. Part 1. Quantitative model-based methods // Computers and Chemical Engineering , 2003. V. 27. PP. 293-311.

2. Gertler, J., Monajemy, R. Generating directional residuals with dynamic parity relations // Automatica, 1995. V.31. PP. 627-635.

3. Basseville, M., Nikiforov, I. V. Detection of abrupt changes theory and application (Information and System Sciences Series).- N.Y.: Prentice Hall,. 1993. 275pp.

4. Yang Q., Model-based and data driven fault diagnosis methods with applications to process monitoring. Thesis for the degree of Doctor of Philosophy, Case Western Reserve University, 2004, p.203.

5. Chang С. Т., Hwang J. I. Simplification techniques for EKF computations in fault diagnosis suboptimal gains.// Chemical Engineering Science, 1998. V.53 №22, PP.3853-3862.

6. Venkatasubramanian V., Rengaswamy R., Yin K.,. Kavuri S.N. A review of process fault detection and diagnosis Part II: Quantitative model-based methods // Computers and Chemical Engineering , 2003. V. 27. PP. 313-326.

7. Chang Ch., Yu Ch. On-line fault diagnosis using the signed directed graph // Ind.Eng.Chem.Res. 1990, v.29. N7. P. 1290-1299.

8. Александрова H.A.,. Русинов JI.A Использование метода сигнальных направленных графов для верификации экспертных знаний// Ред. журн. «Прикладная химия. РАН». СПб, 2002, 14с. Деп. ВИНИТИ 19.02.03 N 332 В2003

9. Kramer М. A., Palowitch В. L. A rule based approach to fault diagnosis using the signed directed graph.// American Inst, of Chem. Engineers J., 1987. V.33 №7. PP. 1067-1078.

10. Tarifa E., Scenna N. Fault diagnosis, directed graphs, and fuzzy logic// Computers and Chem. Eng, 1997. V.21, P.649-654.

11. Venkatasubramanian V., Rengaswamy R., Yin K.,. Kavuri S. N. A review of process fault detection and diagnosis Part III: Quantitative model-based methods // Computers and Chemical Engineering , 2003. V. 27. PP. 327-346.

12. Isermann R. Supervision, fault-detection and fault-diagnosis methods an introduction// Control Eng. Practice, 1997. V. 5. N 5. PP. 639-652.

13. Змитрович А.И. Интеллектуальные информационные системы. Мн.: НТО «Тетра Системе», 1997. - 368 с.

14. Малышев Н.Г., Берштейн JI.C., Боженюк А.В. Нечеткие модели для экспертных систем. М.:Энергоатомиздат, 1991, 136с.

15. Асаи К., Ватада Д., Иваи С. и др. Прикладные нечеткие системы: Пер. с япон. -М.: Мир, 1993. 368с

16. Kramer М.А. Fault diagnosis and computer-aided diagnostic advisors// AIChE, 1996. V.92, N312. P.12-24.

17. Мешалкин В.П. Экспертные системы в химической технологии. Основы теории, опыт разработки и применение. М.: Химия, 1995. - 368 с

18. Ramesh T.S. Plant monitor an on-line advisory syste for monitoring polyethylene plants //AIChE Symposium Serres. 1996, v.92, №312, p. 247-251.

19. Qian Yn., Li X., Jiang Y, Wen Y. An expert system for real-time fault diagnosis of complex chemical process// Expert systems with applications, 2003. v.24. p. 425432.

20. Химмельблау Д. Обнаружение и диагностика неполадоек в химических и нефтехимических процессах.- Д.: Химия, 1983, 352с.

21. Левин Б.Р. Теоретические основы статистической радиотехники М.: Советское радио, 1975. Т.2. 392с.

22. MacGregor J. F., Kourti Т. Statistical process control of multivariate processes.// Contr. Eng. Practice, 1995. V.3 № 3 P 403 414.

23. Venkatasubramanian V., Chan K. A neural network methodology for process fault diagnosis.// J. of American Institute of Chemical Engineers, 1989. V.35. №12. P. 1993-2002.

24. Ungar L. H., Powell B. A., Kamens S. N. Adaptive networks for fault diagnosis and process control.// Computers and Chemical Engineering, 1990. V.14 №4-5. P.561-572.

25. Hoskins J. C., Kaliyur К. M., Himmelblau D. M. Fault diagnosis in complex chemical plants using artificial neural networks. // J. of American Institute of Chemical Engineers, 1991. V.37. №1. P.137-141.

26. Venkatasubramanian V., McAvoy T.J. Special issue on neural network applications in chemical engineering. // Computers and Chemical Engineering, 1992. V.16. №4. P. R5-R6.

27. Fan, J. Y., Nikolaou, M., White, R. E. An approach to fault diagnosis of chemical processes via neural networks.// J. of American Institute of Chemical Engineers, 1993. V.39. №1. P.82-88.

28. Becerikli Y. On three intelligent systems: dynamic neural, fuzzy and wanelet networks for training trajectory //Neural comput. & Applic. 2004. V.13 P.339-351.

29. Leonard J.A., Kramer M.A. Radial basis function networks for classifying process faults // IEEE Control Syst, 1991. V. 11. P.31 -38.

30. Kavuri S. N., Venkatasubramanian V. Representing bounded fault classes using neural networks with ellipsoidal functions.// Computers and Chemical Eng, 1993. V.17 №2. P. 139-163.

31. Application of wavelets and neural networks to diagnostic system development. I. Feature extraction./ B. H.Chen, X. Z.Wang, S. H.Yang, C.Mcgreavy // Computers and Chemical Eng., 1999. V. 23. №7. P. 899-906.

32. Bakshi B.R., Stephanopoulos G. Wave-net: a multiresolution, hierarchical neural network with localized learning. //J. of American Institute of Chemical Engineers, 1993. V.39. №1.P.57-81.

33. Diagnosis of multiple simultaneous fault via hierarchical artificial neural networks./ K.Watanabe, S.Hirota, L.Iloa, D.M.Himmelblau // J. of American Institute of Chemical Engineers, 1994. V. 40. №5. P. 839-848.

34. J.F. MacGregor and T. Kourti. Statistical process control of multivariate processes.// Control Engineering Practice, 1995. V.3 №3. P.403 ^114.

35. Martens H., Naes T. Multivariate calibration N.Y. John Willey& Sons, 1998, 419p.p.

36. Эсбенсен К. Анализ многомерных данных: Сокр. пер. с англ./ Под ред. О.Родионовой .- М.: Издательство ИПХФ РАН, 2005. 252 с.

37. Lee С. Fault detection of batch processes using multiway kernel principal component analysis.// Computers & Chem. Eng. 2004.V.28. P.1837-1847.

38. Huang Te-Ming, Kecman V., Kopriva I. Kernel Based Algorithms for Mining Huge Data Sets Berlin: Springer Verlag, 2006 Series Studies in Computational Intelligence, Vol 17. 260 pp.

39. Yang Q., Model-based and data driven fault diagnosis methods with applications to process monitoring. Thesis for the degree of PhD. Case: Western Reserve University, 2004, 203 pp.

40. McNabb C.A. MIMO Control Performance Monitoring Based on Subspace Projections. Dissertation for the degree of PhD. AUSTIN: University of Texas, 2002. 203 pp.

41. MBPCA Application for Fault Detection in NMOS Fabrication / S. Lachman-Shalem, N. Haimovitch, E.N. Shauly, D.R. Lewin // IEEE Trans, on Semiconductor Manufacturing, 2001

42. Narasimhan S., Gudi R. Monitoring and fault diagnosis // Proc. CEP Workshop on Multivariate Data Analysis Techniques & Applications. 2005 July 22 P. 13-26.

43. Luo R., Misra M., Himmelblau D.V. Sensor fault detection via multiscale analysis and dynamic PCA.// Ind.Eng.Chem.Res., 1999. V.38. P. 1489-1495.

44. Contribution Plots for Fault Identification Based on the Dissimilarity of Process Data / M. Kano, S. Hasebe, I. Hashimoto etc.// AIChE Annual Meeting, Los Angeles, CA, 2000 P. 255 -271.

45. Li Y., Xie Z., Zhou D.H. Fault detection and isolation based on abnormal sub-regions using improved PCA // J. of chem.eng.of Japan, 2004. V.37. №4. P.514-522.

46. Yoon S., MacGregor J.F. Fault diagnosis with multivariate statistical models using steady state fault signatures. Part I: J. Proc. Cont., 2001. V.ll. P. 387-^00.

47. Comparison of statistical process monitoring methods: application to the Eastman challenge problem / M.Kano, H.Ohno, S. Hasebe, I.Hashimoto // Computers. Chem. Eng., 2000.V. 24. P. 175-181.

48. Змитрович А.И. Интеллектуальные информационные системы. -Мн.: НТО «ТетраСистемс», 1997.-368с.

49. Черноруцкий И.Г. Методы принятия решений. СПб.: БХВ-Петербург, 2005. -416с.

50. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Поспелова Д.А.-М.: Радио и связь, 1990. 220с.

51. Кравченко Т. К., Перминов Г. И. Экспертная система принятия решений; Учеб. метод. Пособ. М.: ВШЭ, 1998 . - 209 с.

52. Гаврилова Т.А. Извлечение и структуризация знаний для экспертных систем. -М.: Радио и связь, 1992. 235с.

53. Батыршин И.З. Методы представления и обработки информации в нечетких системах // Новости искусственного интеллекта, 1996. №1 С.9-65.

54. Гаврилова Т.В. Состояние и перспективы разработки баз знаний // Новости искусственного интеллекта, 1996. №2. С.5-44.

55. Малышев Н.Г., Берштейн JI.C., Боженюк А.В. Нечеткие модели для экспертных систем. М.:Энергоатомиздат, 1991, 136с.

56. Асаи К., Ватада Д., Иван С. и др. Прикладные нечеткие системы: М.: Мир,1993. 368с

57. Yeung D.S., Tsang Е.С. Weighted fuzzy production rules // Fuzzy sets and systems, 1997. Vol. 88. P. 299-313.

58. Yeung D.S., Tsang E.C. Improved fuzzy knowledge representation and rule evaluation using fuzzy Petry nets and degree of subsethood // Int. J. of intelligent systems,1994. Vol.9. P.1083-1100.

59. Рудакова И.В., Куркина B.B., Русинов JI.А. Алгоритмическое обеспечение систем диагностики для режима обнаружения нештатных ситуаций на контролируемом объекте // Прикладная химия. РАН, 2003, 17с. Деп. ВИНИТИ 06.02.03 N 237-В2003

60. Turksen I.B., Zhong Z. An approximate analogical reasoning schema based on similarity measures and interval valued fuzzy sets // Fuzzy sets and systems, 1990. Vol.34. P. 323-346.

61. Chen S. M. A new approach to handling fuzzy decision-making problems // IEEE trans. On systems, man and cybernetics, 1988. Vol. SMC-18, N6. P.1012 1016.

62. Русинов JI.A., Куркина B.B., Панов Г.Д. Диагностика и управление периодическими технологическими процессами на примере биосинтеза лимонной кислоты //Автоматизация и современные технологии, 1997. №5. С.11-16.

63. Коростиль Ю.М. Некоторые особенности решения задач диагностирования сложных технологических объектов. Киев.: ,1994. - 54 с

64. Esbensen К.Н. Multivariate data analysis in practice - Oslo: САМО, 2000. 598p.

65. Русинов JI.A. Автоматизация аналитических систем определения состава и количества веществ Л.: Химия, 1984. 160с.

66. Ицкович Э.Л., Соркин Л.Р. Оперативное управление непрерывным производством: задачи, методы, модели.- М.: Наука, 1988. 160 с.

67. Нестерова A. MES системы управления производством. // http://www.asutp.ru/go/?id=600358&url=www.rtsoft.ru

68. Гараева Ю., Загидуллин Р., СунКай Цин. Российские MES-системы

69. Гершберг А. Ф. и др. Концептуальные основы информационной интеграции АСУ ТП нефтеперерабатывающего предприятия./ А.Ф. Гершберг, А.А. Муса-ев., А. А. Нозик, Ю. М. Шерстюк СПб.: Альянс-строй, 2003, 128с

70. Venkatasubramanian V. Abnormal Events Management in Complex Process Plants: Challenges and Opportunities in Intelligent Supervisory Control

71. Уотерман Д. Руководство по экспертным системам: Пер. с англ. М.: Мир, 1989. 388 с.

72. Козин и.о. Элементы теории выборами принятия решений- Обнинск: Ин-т1. А ^атомной энергетики, 1991 74 с

73. Степанов А.В. \"Производство этилена\" Киев, издательство У'Наукова думка\" 1973г

74. Угрюмов П.Г., Авербух А.Я. \"Органический синтез в промышленно-сти\"Москва, издательство У'ПросвещениеУ 1964г.

75. Р. М. Афлятунов, A. JI. Фокин, В.Г.Харазов Робастная стабилизация теплового режима работы трубчатых нагревательных печей нефтеперерабатывающей промышленности // Автоматизация в промышленности. 2004.№7.С.25-28.

76. Афлятунов P.M., Рудакова И.В., Русинов J1.A. Диагностическая модель для системы диагностики состояния процесса пиролиза //Изв. /Орловский ГТУ, 2006.,№1(2) С. 15-20.

77. Русинов JI.A., Рудакова И.В., Куркина В.В., Афлятунов P.M. Диагностика состояния непрерывных технологических процессов// Мехатроника, автоматизация, управление 2006, №7 (Приложение) С. 18-21.

78. Афлятунов P.M., Рудакова И.В. Совершенствование системы управления производством этилена ОАО "НИЖНЕКАМСКНЕФТЕХИМ" // 7-й Международный форум. Топливно-энергетический комплекс России. Сборник материалов. 2007.-С.20-23.i ou