автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Повышение достоверности первичной информации в АСУТП

На правах рукописи

Савельев Андрей Николаевич

ПОВЫШЕНИЕ ДОСТОВЕРНОСТИ ПЕРВИЧНОЙ ИНФОРМАЦИИ В ХСУТП (НА ПРИМЕРЕ ПРОЦЕССА КЛАУСА)

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (в промышленности)

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Астрахань 2007

□ОЗОТ1484

003071484

Работа выполнена в Астраханском государственном техническом университете

Научный руководитель:

доктор технических наук, профессор Проталинский О М

Официальные оппоненты

Доктор технических наук, профессор, Лукьянов Виктор Сергеевич, кандидат технических наук, доцент Лаптев Валерий Викторович.

Ведущее предприятие-

Тамбовский государственный технический университет, г. Тамбов

Защита состоится «31 » мая 2007 г. в 16 час на заседании диссертационного совета Д 307.001.01 в Астраханском государственном техническом университете по адресу: 414025, г. Астрахань, ул Татищева, 16, главный корпус, ауд № 305.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять ученому секретарю диссертационного совета по адресу 414025, г Астрахань, ул Татищева, 16, АГТУ, ученому секретарю диссертационного совета.

С диссертацией можно ознакомиться в библиотеке Астраханского государственного технического университета.

Автореферат разослан _26_ апреля 2007 г

Ученый секретарь

диссертационного совета д-р техн наук, профессор

Попов Г А

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В измерении технологических параметров объектов управления используется значительное количество первичных источников информации (ПИИ). Результаты таких измерений не могут быть применимы в управлении технологическим процессом вследствие имеющейся не устраненной погрешности, которая является причиной недостоверности данных результатов В связи с этим возникает необходимость коррекции последних путем исключения случайной и систематической составляющих погрешности Устранение случайной составляющей погрешности результатов измерений технологических параметров успешно решается с использованием различного рода пороговых, допусковых алгоритмов и статистических методов Корректировка результатов измерений путем устранения систематической составляющей погрешности является сложной задачей, варианты ее решения были предложены В А. Вертлибом, В М Вейцманом, Е Г. Дудниковым, Э Л. Ицковичем, однако до настоящего времени задача не имеет эффективного решения

Это связано с тек, что систематическая составляющая погрешности измерений технологических параметров имеет сложный детерминированный характер, который является причиной дрейфа множества характеристик информационной подсистемы автоматизированной системы управления технологическим процессом (АСУТП), в частности, изменения геометрических свойств измерительных элементов, обусловленного коррозионно-эрозионным износом, зашумления информационных каналов передачи данных, эффекта старения, а также проявления других факторов, влияние которых учесть не представляется возможным Первичная информация, поступающая в виде экспертного описания технологического процесса (ТП), подвержена ошибке, обусловленной органолептическими особенностями лица, принимающего решения (ЛПР) и его вербальной оценкой, вследствие чего нуждается в проверке достоверности Все это приводит к снижению достоверности первичной информации и выработке некорректных управляющих воздействий на ТП, тем самым вызывая снижение качественных показателей эффективности Особенно заметно влияние систематической погрешности на эффективность управления химико-технологическими процессами (ХТП), которые характеризуются значительными входными, выходными и промежуточными материальными потоками Материальным потокам

ХТП свойственно описание в виде количественных измерений и качественных оценок Низкая достоверность данных показателей является причиной снижения эффективности управления процессом, примером этому служит технологический процесс получения серы методом Клауса Опыт его эксплуатации выявил наличие прогрессирующей систематической погрешности измерений основных технологических параметров Снижение достоверности результатов измерений приводит к уменьшению эффективности управления процессом, в частности, к снижению степени конверсии серы, что является одной из причин увеличения выбросов серосодержащих газов в атмосферу.

В связи с этим устранение систематической погрешности количественных измерений и повышение достоверности качественных экспертных оценок процесса Клауса, является актуальной научной и практической задачей, решение которой позволит повысить степень конверсии серы и минимизировать количество выбросов вредных веществ в атмосферу Результаты решения этой задачи так же могут найти применение на других химико-технологических объектах управления

Целью настоящей работы является увеличение эффективности управления технологическим процессом Клауса за счет повышения достоверности первичной информации

Для достижения поставленной цели сформулированы и решены следующие задачи:

- осуществлена постановка задачи оценки и восстановления достоверности первичной информации в АСУТП,

- разработана методика анализа информационной подсистемы АСУТП с целью выявления измерений с низкой достоверностью,

- разработан метод оценки и восстановления достоверности первичной информации в АСУТП,

- синтезирован алгоритм оценки и восстановления достоверности первичной информации в режиме реального времени;

- создана система поддержки принятия решений для оценки и восстановления достоверности результатов измерения технологических параметров процесса Клауса,

- показана эффективность алгоритмического обеспечения системы поддержки принятия решений процесса Клауса методами имитационного моделирования

Методы исследования- Для решения поставленной задачи применялись методы математического моделирования, теория автоматического управления, методы искусственного интеллекта, математический аппарат нейронных сетей и нечетких множеств

Научная новизна работы состоит в следующем.

- предложена методика анализа информационной подсистемы АСУТП с целью выявления результатов измерений с низкой достоверностью,

- разработан метод оценки и восстановления достоверности первичной информации, позволяющий устранить систематическую погрешность,

- построена гибридная модель проверки достоверности технологических параметров процесса Клауса на Астраханском газоперерабатывающем заводе

Практическая ценность работы состоит в следующем

- разработано программное обеспечение, реализующее алгоритмы оценки и восстановления первичной информации с использованием количественного и качественного описания технологического процесса в режиме реального времени,

- синтезирована система поддержки принятия решений для оценки и восстановления достоверности первичной информации в АСУТП Клауса,

- показана эффективность системы поддержки принятия решений для оценки и восстановления первичной информации на установке получения серы Астраханского газоперерабатывающего завода.

Апробация работы Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях XVII Международной научной конференции «Математические методы в технике и технологиях» - ММТТ-17 (Кострома, 2004); XVIII Международной научной конференции «Математические методы в технике и технологиях» - ММТТ-18 (Казань, 2005), Международных научно-технических конференциях «Интеллектуальные системы» (А18'05) и «Интеллектуальные САПР» (САО-2005) (Таганрог, 2005), XIX Международной научной конференции «Математические методы в технике и технологиях ММТГ-19» (Воронеж, 2006), Международных научно-технических конференциях «Интеллектуальные системы» (АТБ'Об) и «Интеллектуальные САПР» (САБ-2006) (Та-

ганрог, 2006), а так же на конференциях профессорско-преподавательского состава АГТУ.

Публикации. Основные теоретические и прикладные результаты диссертационной работы изложены в 11 публикациях автора, в том числе 2 статьи в центральных научно-технических журналах, рекомендуемых ВАК РФ, 6 в трудах международных научных конференций, 1 свидетельстве об официальной регистрации программы для ЭВМ Без соавторства опубликовано 4 работы.

Структура и объем работы Диссертационная работа состоит из введения, четырех глав, выводов по работе, списка используемой литературы и приложений Основная часть работы изложена на 139 страницах, содержит 44 рисунка и 28 таблиц. Список литературы включает в себя 102 наименования. Приведено 8 приложений

СОДЕРЖАНИЕ РАБОТЫ Во введении отображена актуальность работы, сформулирована цель, определена научная новизна и практическая ценность результатов данной работы, приведено краткое содержание работы

Первая глава посвящена анализу достоверности результатов измерений и полученной качественной информации от экспертов, причинам и роли погрешности измерений первичной информации в АСУ111 Проведенный обзор существующих методов оценки и восстановления достоверности первичной информации выявил отсутствие универсальности реализации данных методов. Описаны и классифицированы типы погрешностей, возникающие при измерении технологических параметров как количественных, так и качественных. Приведено описание технологического процесса , получения серы Астраханского газоперерабатывающего завода (АГПЗ) Осуществлен анализ существующей информационной подсистемы АСУТП Клауса. Определены причины возникновения погрешности измерений технологических параметров для процесса Клауса. Показано влияние систематической погрешности результатов измерений первичной информации на степень конверсии серы в процессе Клауса АГПЗ и на эффективность управления данным технологическим процессом

Сформулирована задача оценки и восстановления достоверности результатов измерений количественных и качественных технологических параметров информационной подсистемы АСУТП, решение которой позволяет повышать эффективность управления ТП

Вторая глава посвящена решению задачи оценки и восстановления достоверности результатов измерений количественной и качественной информации в АСУТП Разработана методика анализа информационной подсистемы АСУТП с целью выявления первичных источников информации с низкой достоверностью (рис 1)

Рис 1.Реализация методики анализа информационной подсистемы АСУТП

Данная методика, используя в качестве входных данных несистематизированную информацию о свойствах информационной подсистемы АСУТП, позволяет осуществлять построение перечня количественных и качественных параметров, наиболее полно описывающих технологический процесс, выявлять источники информации, подверженные систематической погрешности, а также причины возникновения данной погрешности и анализировать ее влияние на эффективность управления технологическим процессом.

Предложено, используя функциональные группы (ФГ), позволяющие воссоздать логику рассуждения эксперта об изменении одного технологического параметра и влиянии его на другие, строить функциональные зависимости с несколькими входными и одним выходным технологическим параметром В рамках приведенной методики сформулированы требования к функциональным группам, реализован алгоритм их формирования (рис. 2)

Рис. 2 Алгоритм формирования структуры функциональных групп

Предложено использование двух типов функциональных групп-первый тип - группы только с количественными технологическими параметрами, второй - группы как с количественными, так и с качественными технологическими параметрами.

Для построения структуры первого типа групп построена корреляционная матрица взаимного влияния первого порядка. Определение структуры второго типа групп осуществляется посредством опроса экспертов и обработки полученных результатов методом парного сравнивания.

Для определения параметров первого типа функциональных групп использовалась адаптивная нечеткая нейронная сеть (АННС), для второго типа - продукционная база знаний (БЗ)

Структура функциональных групп, построенная с использованием вышеуказанной методики, может применяться в качестве базы знаний метода оценки и восстановления первичной информации в АСУТП Особенностью предлагаемого метода является совместное использование количественной и качественной информации и применение гибридной модели проверки достоверности результатов измерения технологических параметров объектов управления

Рассмотрим нейросетевую структуру функциональной группы первого типа, состоящую из двух входных параметров х и у и одного выходного/(рис 3)

Продукционная база знаний такой функциональной группы содержит два правила нечеткого вывода Сугено 1-го порядка Правило 1 Еслих=А1 иу=Ву то/¡^р/Х+ду+г/, Правило 2. Еслих-А2 иу=В2 то/^р^+ду+ъ где р,, <7/, гь р2, д2, г2 - параметры нечеткого вывода

Слой 1

Рис 3 Нейросетевая структура функциональной группы Узлы первого слоя этой нейросети являются адаптивными со следующими функциями принадлежности: — \1А (х), где х - независимый технологический параметр, /" - количество входных параметров (в данном случае два), А, - лингвистическая переменная В качестве функции принадлежности этого слоя обоснованно выбрана функция Гаусса

(х-*)2

= е 2<г а)

где, Ъ, с — параметры функции принадлежности

Каждый узел второго слоя является выходом продукционного правила и преобразует входные параметры, выдавая на выходе некоторый вес правила

=И4(*)ХЦЙ,(*)'' = 1>2 (2)

На третьем слое каждый /-й узел определяет отношение веса «-го правила к сумме весов всех правил

кг, = г», /(0)у+а>2)'1 = 1.2 (3)

Узлы четвертого слоя определяются линейными функциями принадлежности выходных параметров (нечеткого логического вывода Сугено):

=Щ-/1=&ХР1х + д,У + г1) (4)

Единственный узел пятого слоя является фиксированным, в котором вычисляется полное выходное значение адаптивной нечеткой нейронной сети как сумма всех входных параметров

(5)

Для заданных значений параметров предпосылок полное выходное значение является линейной комбинацией параметров вывода:

/ = ■

со.

ю,

"Л = + = Х)Р\+

(6)

Ю[+(а2 ' Ю1+(о2 НЩУ)Ч 1 +(ет1)г,+(ст2х)/)2 + (а2у)д2 + (ш2)г2

Обучение нейронной сети осуществлено двумя этапами На первом - методом субстрактивной кластеризации, при котором определяется количество продукционных правил и вид функций принадлежности первого слоя На втором этапе гибридным методом обучения осуществляется построение нейронной сети и формируются продукционные правила. Алгоритм обучения нейронной сети (рис 4) является комбинацией метода наименьших квадратов и алгоритма обратного распространения ошибки

Рис 4 Алгоритм обучения нейронной сети

Для всех количественных функциональных групп осуществляется построение АННС

Для построения функциональных групп, содержащих качественные источники информации используется нечеткий логический вывод Мамдани Применение этого типа вывода обусловлено способностью лица, принимающего решения (ЛПР), выносить суждение о том или ином технологическом параметре в виде утверждений, в отличие от их представления линейными функциями, характерного для нечеткого вывода Сугено

В данном случае для нечеткого вывода Мамдани были выбраны функции принадлежности трапециидального вида Продукционные правила каждой такой функциональной группы были записаны в следующем виде-

Еслих=х1 иу=уь то/=/;, иначе

Еслих=х2 иу=у2, то\, иначе (6)

Если х=хц иу=ум то/=/ц„ где/- выходной для данной ФГ первичный источник информации; (/}, /2, /н) - его значения), х чу — входные технологические параметры

Если в момент времени 4 текущая информация поступает от первичных источников в виде количественных данных или качественного описания оператором текущих значений параметров процесса, то может быть сформировано текущее правило вида

Если Х=ХК и и=ию то (7)

В этом случае задача оценки и восстановления достоверности сводится к поиску текущего правила в продукционной БЗ

При поступлении в БЗ гибридной модели технологических параметров первоначально осуществляется отбор функциональных групп с максимальной согласованностью источников информации, а затем по ним восстанавливаются истинные их значения

Измеренные значения количественных источников информации поступают в соответствующую функциональную группу. Выходом каждой группы является рассчитанный зависимый технологический параметр Затем для оценки достоверности элементов группы для каждого рассчитанного выходного параметра осуществляется его сравнение с измеренным значением по формуле

(8)

где, к - масштабирующий множитель,/', - соответственно рассчитанное и измеренное значение выходного параметра, г - номер функциональной группы Величина Ц, (/,) характеризует соответствие измеренного и рассчитанного значения выходного источника информации каждой группы

Если/,'- /,, ц, (/",)«1, то - в этом случае принимается решение о достоверности результатов измерений технологических параметров в функциональной группе Если то ц,(/,)<1 и тогда принимается

вывод о недостоверности результатов измерений технологических параметров, включенных в данную группу, и их корректировки При наличии нескольких групп с одним и тем же выходным источником информации его значение выбирается по группе с максимальным значением Т = агётах{ц1(/1)). (9)

Таким образом выявляются функциональные группы с достоверными источниками информации. Группы, в которых ц, (/)) < 1, нуждаются в подстановке восстановленных значений источников информации из групп, где ц( (/,)«1, после чего повторно рассчитываются выходные параметры этих групп.

На основе разработанного метода создана система поддержки принятия решений (СППР) для оценки и восстановления достоверности первичной информации в АСУТП, структура которой представлена на рис. 5 Синтезирован алгоритм СППР оценки и восстановления достоверности первичной информации в АСУТП в режиме реального времени (рис 6), позволяющий осуществлять построение продукционной БЗ с возможностью дальнейшей ее корректировки в режиме реального времени Алгоритм включает в себя алгоритмы формирования структуры функциональных групп и обучения нейросети.

В третьей главе описана реализация СППР оценки и восстановления достоверности результатов измерения технологических параметров источников информации процесса методом Клауса С использованием разработанной методики анализа информационной подсистемы АСУТП с низкой достоверностью результатов измерений было выявлено 48 количественных источников информации и 9 качественных параметров

Проведен анализ информационной подсистемы АСУТП процесса Клауса, определены основные причины возникновения систематической составляющей погрешности и их влияние на эффективность управления технологическим процессом получения серы методом Клауса Основными источниками информации, результаты измерений которых подвержены воздействию систематической составляющей погрешности, являются расходомеры, пирометры и газоанализаторы Систематическая погрешность измерения этих технологических параметров имеет сложный характер и ее устранение традиционными методами не эффективно Погрешность результатов измерения этих параметров оказывает

0*1 с^х

о5^

о4Р

¿ьр

С^ г

№

О

Продукционная БЗ

ль.

£

Модул* еегласов*нности ФГ

Г

Модуль сс гласошкнностм ФГ

1Г

Модуль согласованности ФГ

_г

Модуль согласованности ФГ

I*

Модуль согласованности ФГ

Г

Модуль согласованности ФГ

1Г

Модуль сован ФГ

I:

Модуль согласованности ФГ

_г

согласованности ИИ

^ |

Рис 5 Структура СППР для оценки и восстановления достоверности первичной информации в АСУТП

Блок 10

Блок 9

Рекомендовать результаты оценки

1 Г

С

Конец

Рис 6 Алгоритм СППР оценки и восстановления достоверности первичной информации в режиме реального времени

значительное влияние на качество управления процессом Клауса: вызывает снижение степени конверсии серы на 2-5%

На основе экспериментальных данных, полученных за период эксплуатации установки получения серы АГПЗ количественных - в виде обучающей выборки, а качественных - в виде результатов опроса экспертов, построена БЗ гибридной модели оценки и восстановления достоверности источников информации ТП Клауса Создано 56 функциональных групп с количественными источниками информации и 9 групп с качественными показателями ТП

В процессе обучения нейросетей функциональных групп с количественными источниками информации выявлено, что метод суб-страктивной кластеризации эффективен при размере кластера 0,4, а гибридный метод обучения - при количестве эпох, равным пяти В этом случае получаем ошибку обучения нейросети в пределах класса точности приборов Дальнейшее уменьшение значения радиуса кластера и увеличение количества эпох обучения приводит к несущественному снижению ошибки и значительному увеличению времени обучения и количества продукционных правил

Обучение нейросети осуществлялось гибридным алгоритмом, который при заданном значении эпох позволил получить гораздо меньшую ошибку, по сравнению с методом обратного распространения - соответственно, 0,006 и 0,465 (рис 7)

6.18Е-03 6,17Е-0Э 6.16Е-03 ; 6.15Е-03 : 6,-ИЕ-ОЗ 1 6.13Е-03 6.12Е-03 6.11Е-03 6.10Е-03

Обучение нейросети

Рис. 7.3ависимость ошибки обучения нейросети от количества эпох

Для обеспечения наименьшей ошибки обучения в качестве функции принадлежности 1-го слоя нейросети была г использована функция Гаусса

Оценка эффективности алгоритмического обеспечения осуществлялась методами имитационного моделирования, результаты кото-

poro показали устранение систематической составляющей погрешно' сти измерений расхода кислого газа и температуры в реакционной пе чи (рис 8, 9)

Погрешность измерения расхода кислого газа

20

Í-15 S

¡10 •

а

о S

Т'ПР ' TV?"*** i -^f • Г ES- » * f 1 MI

I; К * I?4*- '«^'í.* ,¡Jr 4 *u ,(P l"> v *> i. 5 Штш€ 'TV f .рЩ - ¿Щк

étíMT: - ÍM-к^ш AjgpH

10 11 12 _время

■Некомпенсированная погрешность -»-Компенсированная погрешность

Рис 8 Имитированная и компенсированная систематическая погрешность измерения расхода кислого газа

Погрешность измерения температуры в реакционной печи

Рис 9 Имитированная и компенсированная систематическая погрешность измерения температуры в реакционной печи

Выявлено, что применение алгоритмического обеспечения метода оценки и восстановления достоверности первичной информации в АСУТП эффективно при относительной погрешности измерений не менее 2%, а разработанный метод позволяет эффективно устранять и более значительную величину погрешности.

На основе приведенных зависимостей изменения систематической погрешности было исследовано их влияние на степень конверсии серы Для этого использовалась математическая модель процесса Клауса, разработанная на основе программной среды «8и1Бпп» в научно-исследовательском институте ООО «Астраханьгазпром» Степень конверсии серы рассчитывалась по формуле Теснера

Эксперимент проводился в два этапа, на первом, по экспериментальным данным, полученным с установки Клауса АГПЗ, была рассчитана фактическая степень конверсии серы Затем из результатов измерений основных технологических параметров с помощью СППР была устранена систематическая погрешность и повторно рассчитана степень конверсии серы Таким образом, было получено два ряда значений степени конверсии серы, первая - фактическая, вторая -с устраненной систематической погрешностью (рис 10).

Рис. 10 Оценка эффективности управления ТП Клауса

Анализ полученных зависимостей показал, что фактическая степень конверсии серы в данном случае не превышает 93% Заявленная теоретически возможная ее величина - 96% При устранении систематической погрешности результатов измерения основных технологических параметров степень конверсии серы повышается на 1,14% и составляет в среднем 93,38%, это меньше теоретически возможной на 2,62% Несовершенством аппаратной реализации процесса и возникновение различного рода потерь не позволяют получить максимально возможную теоретическую степень конверсии серы Несмотря на это, применение СППР для устранения систематической погрешности процесса Клауса оправдано и способствует снижению ежегодных выбросов вредных серосодержащих веществ на несколько тысяч тонн

В четвертой главе описана программно-аппаратная реализация СППР оценки и восстановления достоверности первичной информации в АСУТП Для реализации синтезированных алгоритмов оценки и

восстановления достоверности первичной информации предложена двухуровневая структура СППР На первом уровне (нижнем) функционирует существующая информационная подсистема автоматизированного управления технологическим процессом, использующая оборудование компании «Fisher and Rosemount» На втором уровне осуществляется надстройка СППР оценки и восстановления достоверности первичной информации, которая работает в режиме советчика оператора и базируется на разработанных алгоритмах Связь нижнего и верхнего уровней осуществляется посредством сетевого шлюза, а для обработки данных применяется СУБД MS SQL 2000 Визуализация результатов оценки и восстановления достоверности первичной информации, а так же ввод качественных показателей технологического процесса производится через человеко-машинный интерфейс в разработанном программном обеспечении, функционирующем в реальном времени

База знаний разработанного программного продукта содержит засуженные экспериментальные данные процесса получения серы методом Клауса, в программе определен список пользователей системы и выполняется процедура использования результатов оценки и восстановления достоверности первичных источников информации

Предложены способы взаимодействия алгоритмов СППР и существующих SCADA-систем на примере TraceMode 6.0 Рассмотрена возможная техническая реализация СППР оценки и восстановления достоверности первичной информации в АСУТП

В заключении приведены основные результаты и выводы по работе

1 Разработана методика анализа информационной подсистемы АСУТП с низкой достоверностью результатов измерений

2 Создан метод оценки и восстановления достоверности первичной информации в АСУТП

3 Впервые синтезирована гибридная модель проверки достоверности технологических параметров, позволившая повысить достоверность измерений и оценки технологических параметров процесса Клауса.

4 Впервые построена СППР оценки и восстановления достоверности результатов измерений технологических параметров процесса Клауса, эффективно устраняющая систематическую погрешность более 2%.

5 Показана эффективность СППР и ее алгоритмического обеспечения оценки и восстановления достоверности первичной

информации для решения задачи устранения систематической погрешности, получено повышение степени конверсии серы на 1,14%,

6 Разработано программное обеспечение и получено свидетельство об официальной регистрации программы для ЭВМ, № 2006611456 от 28 04.06 г.

Список публикаций по теме диссертации

1 Савельев, А H , Проталинский, О M Проверка достоверности первичной информации объектов управления /А H Савельев, О M Проталинский // Математические методы в технике и технологиях - ММТТ-17 Сб. трудов XVII Международной научной конференции, В 10-ти т. Т. 6 Секции 6, 12 / Под общ ред. В С. Балакирева Кострома, 2004. С. 18-19с.

2. Савельев, А Н. Метод оценки достоверности информации в АСУ ТП на основе интеллектуальной модели /АН Савельев // Математические методы в технике и технологиях - ММТТ-18. Сб. трудов XVIII Международной научной конференции. В 10-ти т. Т. 6. Секции 6, 12 / Под общ. ред. В С. Балакирева. Казань изд-во Казанского гос технол ун-та, 2005. С. 27-29

3 Савельев, А H Анализ недостоверности первичной информации в технологическом процессе получения серы / А.Н Савельев // Математические методы в технике и технологиях -MMTT-I8. Сб. трудов XVIII Международной научной конференции. В 10-ти т Т. 6. Секции 6, 12 / Под общ ред В С Балакирева Казань: изд-во Казанского гос технол ун-та, 2005 С 92-94.

4. Савельев, А Н. Устранение систематических погрешностей в АСУТП / А.Н. Савельев // Наука- поиск 2005 Сб. науч ст Т 2, Астрахань изд-во Астраханского гос техн университета, 2005 С 209-213

5. Савельев, А H, Проталинский, О.М Использование интеллектуальной модели для повышения достоверности первичной информации в АСУТП / А.Н Савельев, О М. Проталинский // Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'05): Науч изд в 3-х т М.:ФИЗМАТЛИТ, 2005. Т.2. С. 56-59с.

6 Савельев, А H , Проталинский, О.М. Система поддержки принятия решений при диагностике технических средств АСУТП/ А H Савельев, О M Проталинский // Автоматизация в промышленности. - № 11 - 2005 - С 20-22с

7. Савельев, А H , Проталинский, О M, Автоматизированная система оценки достоверности измерений источников инфор-

/Д/

мации в АСУТП /АН Савельев, О.М Проталинский // Математические методы в технике и технологиях - ММТТ-19. Сб. тр XIX Международ науч конф В 10-ти т. Т 6 Секции 6, 12 / Под общ ред В С. Балакирева Воронеж изд-во Воронеж гос технол акад, 2006.С 54-56

В Савельев А Н, Проталинский О M, Кузьмин И.А Свидетельство об официальной регистрации программы для ЭВМ, № 2006611456 от 28.04 06 «Автоматизированная система поддержки принятия решений при диагностике технических средств АСУТП»

9 Савельев, А H Построение продукционной базы знаний с и использованием адаптивной нейронной сети / А.Н. Савельев // Вестник Астраханского гос. техн университета - 2007 - № 1(36).-С 144-150

10. Савельев, А Н., Щербатов, И А., Проталинский, О.М. Оптимальное управление технологическим процессом Клауса в условиях неопределенности /АН Савельев, И.А.Щербатов, О.М. Проталинский // Изв вузов. Сев.-Кавк. регион Техн науки Спец. вып «Математическое моделирование и компьютерные технологии», 2006. С 19-25.

11. Савельев, А H , Проталинский, О М. Определение параметров продукционной базы знаний с использованием адаптивной нейронной сети / Савельев А Н., Проталинский ОМ// Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'06) Науч изд в 3-х томах M-ФИЗМАТЛИТ,2006 Т2 С 107-110.

Тип АГТУ Зак №${6от TS&pMlv. Тираж 100экз

ГЛАВА 1. ПОГРЕШНОСТЬ ИЗМЕРЕНИЙ ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ И ИХ ВЛИЯНИЕ НА ЭФФЕКТИВНОСТЬ УПРАВЛЕНИЯ ПРОЦЕССОМ КЛАУСА.

1.1 Типы и причины возникновения погрешностей измерения технологических параметров.

1.2 Методы компенсации систематической погрешности.

1.3 Описание технологического процесса получения серы методом Клауса.

1.4 Анализ информационной подсистемы АСУТП процесса Клауса Астраханского ГПЗ и погрешности измерений технологических параметров.

1.5 Постановка задачи исследования. 39 Выводы по первой главе.

ГЛАВА 2. ОЦЕНКА И ВОССТАНОВЛЕНИЕ ДОСТОВЕРНОСТИ ПЕРВИЧНОЙ ИНФОРМАЦИИ В АСУТП.

2.1 Методика анализа информационной подсистемы АСУТП с целью выявления измерений с низкой достоверностью.

2.2 Метод оценки и восстановления достоверности первичной информации в АСУТП.

2.2.1 Основные положения метода оценки и восстановления достоверности первичной информации в АСУТП.

2.2.2 Использование нейросетей для оценки и восстановления достоверности количественной первичной информации.

2.2.3 Использование нечетких множеств для оценки и восстановления достоверности качественной первичной информации.

2.2.4 Оценка и восстановление достоверности первичной информации с использованием гибридной модели.

2.3 Алгоритм СППР оценки и восстановления достоверности первичной информации в режиме реального времени.

Выводы по второй главе.

ГЛАВА 3. РАЗРАБОТКА СППР ОЦЕНКИ И ВОССТАНОВЛЕНИЯ ДОСТОВЕРНОСТИ ИСТОЧНИКОВ ИНФОРМАЦИИ ПРОЦЕССА КЛАУСА.

3.1 Анализ информационной подсистемы АСУТП Клауса с целью выявления первичных источников информации с низкой достоверностью.

3.2 Гибридная модель оценки и восстановления достоверности первичных источников информации процесса Клауса.

3.3 Определение параметров функциональных групп процесса Клауса.

3.4 Анализ эффективности алгоритмов СППР оценки и восстановления достоверности первичной информации с использованием имитационного моделирования процесса Клауса.

Выводы по третьей главе.

ГЛАВА 4. СППР ОЦЕНКИ И ВОССТАНОВЛЕНИЯ ДОСТОВЕРНОСТИ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ В АСУТП.

4.1 Разработка функционального и алгоритмического обеспечения СППР оценки и восстановления достоверности.

4.2. Разработка технической структуры СППР оценки и восстановления достоверности.

4.3. Взаимодействие программного обеспечения СППР оценки и восстановления достоверности первичной информации и SCADA-систем на примере Trace Mode 6.0.

4.4 Программное обеспечение СППР оценки и восстановления достоверности первичной информации в АСУТП.

Выводы по четвертой главе

Газодобывающая и перерабатывающая промышленность России играет важнейшую роль в экономическом развитии не только нашей страны, но и оказывает заметное влияние на ряд стран ближнего и дальнего зарубежья. Производство газа и продуктов на его основе - наиболее конкурентоспособная отрасль национальной экономики с позиций интеграции страны в систему мировых экономических связей. Основной задачей газоперерабатывающей промышленности является обеспечение потребностей в энергоносителях и в сырье остальных химических производств, в частности, сере, полученной из газа.

Сера, наряду с углем, нефтью, известняком и поваренной солью, является основным видом сырья химической промышленности. Получение и потребление серы насчитывает много веков, это один из старейших и неизменных по своей ценности химических продуктов. В зависимости от источников получения, а также способов переработки серу как сырьё получают либо в виде порошка жёлтого цвета с содержанием серы в 99,5% и выше, либо в виде химических соединений, в частности, серной кислоты. Основной выпуск серы (свыше 2/3) осуществляется в элементарной форме, причём ее доля в общем производстве растет.

Производство элементарной серы включает добычу самородной серы, а также извлечение серы, прежде всего, из газа, нефти и углей при их очистке. До начала 70-х гг. прошлого столетия рудниковый способ играл основную роль в получении элементарной серы, но в 90-е гг. добыча серы на рудниках резко сократилась, что было вызвано истощением самородных запасов, а также снижением эффективности добычи вследствие падения мировых цен. За последнее десятилетие объем выпуска рудниковой серы не превысил 6% от общего объема по сравнению с 23% конца прошлого века.

Получение серы из газа начало развиваться быстрыми темпами в период с 1960 по 1990 гг. прошлого века, причём в 90-е гг. рост был сравнительно высоким. Это вызвано, в первую очередь, увеличением потребления энергоресурсов в мире, что повлекло разработку новых месторождений газа, а также повышением сернистости сырья на ряде месторождений и увеличением степени извлечения серы. В общем выпуске серы в 2006 г. доля газовой серы составила 36% по сравнению с 24% в 1990 г., а нефтяной - соответственно, 26% против 16%.

Основным промышленным методом получения серы из природных газов является многостадийный процесс Клауса. На первой стадии - термической -часть кислого газа сжигается в потоке воздуха, последующие стадии процесса — каталитические - протекают с использованием катализаторов. Однако, с точки зрения экологических требований, классический процесс Клауса не обеспечивает приемлемую степень очистки от сернистых соединений. С каждым годом требования в стандартах по защите окружающей среды в развитых странах, в том числе и в России, становятся все более строгими. Это стимулирует исследования, как в направлении повышения степени извлечения серы в процессе Клауса, так и в области разработки новых и усовершенствования существующих процессов доочистки отходящих газов ТП Клауса.

Технологический процесс Клауса характеризуется большим количеством контролируемых параметров, качество измерений которых часто не отвечает современным требованиям технологического регламента из-за возникновения погрешностей и ошибок. Это, в свою очередь, значительно снижает эффективность управления технологическим процессом, вследствие чего происходит снижение степени конверсии серы. В связи с этим для соблюдения регламентных качественных показателей процесса необходимо обеспечить высокую достоверности измерения первичной информации и в случае ее снижения восстановить результаты измерений до требуемых значений. Так, проектная степень конверсии серы установок АГПЗ составляет 96%, снижение достоверности измерений технологических параметров приводит к низкому качеству управления процессом с фактической степенью конверсии 90-96%. Такая степень извлечения серы приводит к увеличению ежегодных выбросов вредных веществ в атмосферу в 2-3 раза, что составляет несколько десятков тысяч тонн ежегодно. Таким образом, в настоящее время особенно актуальной задачей является получение достоверных измерений технологических параметров.

Разработка системы оценки и восстановления достоверности первичной информации является сложной задачей. В первую очередь, это связано с вопросами построения адекватной математической модели. Основной проблемой следует считать наличие большого количества информации о процессе, которую невозможно формализовать традиционными методами. Это относится не только к количественному описанию технологических параметров, но и качественному составу сырья, топливному газу, состоянию оборудования. Наличие количественной и качественной информации не позволяет традиционными путями устранить погрешность измерений и построить систему оценки и восстановления достоверности первичной информации технологического процесса Клауса.

Развитие теории нечетких множеств открыло пути формализации качественной информации, а также её использования в оценке и решении слабоформализованных задач, к которым относится задача повышения достоверности измерений. Такой подход позволяет работать с параметрами, значения которых не могут быть измерены обычными способами -качественными показателями процесса: нагар на трубах, цвет дыма, характер пламени. С использованием этого метода возможно построение системы оценки достоверности первичной информации, основанной на знаниях J11 IP, сформулированных в виде продукционной БЗ: «если температура велика и давление высоко или очень высоко, то расход средний». Следует отметить, что часть работ в этом направлении ведется с позиции полного перехода на качественное описание процесса получения серы, но это оправдано только в » случае отсутствия какой-либо количественной информации о процессе.

Однако количественная информация всегда присутствует, но она не позволяет построить адекватную математическую модель оценки и восстановления достоверности измерений. Наличие количественных экспериментальных данных позволяет при построении сложных многокритериальных зависимостей применять математический аппарат нейронных сетей. Преимущество этого подхода состоит в том, что нейронные сети позволяют выявлять с высокой точностью зависимости высоких порядков, где применение регрессионных методов малоэффективно. В связи с этим для обработки количественной информации логично будет использовать аппарат нейронных сетей, а для обработки качественных показателей - нечеткие множества. Отметим, что вопросы совместного использования количественной и качественной информации в задачах оценки достоверности в настоящее время проработаны не достаточно.

Процесс повышения достоверности состоит из двух этапов: оценки достоверности и восстановлении истинных значений. Тем самым, оценка и восстановление достоверности первичной информации с возможностью совместного использования количественного и качественного описания технологического процесса Клауса является актуальной научной и практической задачей

Целью настоящей работы является увеличение эффективности управления технологическим процессом Клауса за счет повышения достоверности первичной информации.

С учетом вышесказанного, цель настоящей работы является актуальной.

Соответствующей указанной цели научной задачей является разработка метода оценки, и восстановления достоверности первичной информации в режиме реального времени с использованием количественных и качественных показателей ТП.

Для достижения доставленной цели сформулированы ц решены следующие задачи:

- осуществлена постановка задачи оценки и восстановления достоверности первичной информации в АСУТП,

- разработана методика анализа информационной подсистемы АСУТП с целью выявления измерений с низкой достоверностью,

- разработан метод оценки и восстановления достоверности первичной информации в АСУТП,

- синтезирован алгоритм оценки и восстановления достоверности первичной информации в режиме реального времени,

- создана система поддержки принятия решений для оценки и восстановления достоверности результатов измерения технологических параметров процесса Клауса,

- показана эффективность алгоритмического обеспечения системы поддержки принятия решений процесса Клауса методом имитационного моделирования.

Методы исследования: Для решения поставленной задачи применялись методы математического моделирования, теория автоматического управления, методы искусственного интеллекта, математический аппарат нейронных сетей и нечетких множеств. Научная новизна работы состоит в следующем:

- предложена методика анализа информационной подсистемы АСУТП с целью выявления результатов измерений с низкой достоверностью,

- разработан метод оценки и восстановления достоверности первичной информации, позволяющий устранить систематическую погрешность,

- построена гибридная модель проверки достоверности технологических параметров процесса Клауса на Астраханском газоперерабатывающем заводе.

Практическая ценность работы:

- разработано программное обеспечение, реализующее алгоритмы оценки и восстановления первичной информации с использованием количественного и качественного описания технологического процесса в режиме реального времени, - реализована система поддержки принятия решений для оценки и восстановления достоверности первичной информации в АСУТП Клауса,

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: XVII Международной научной конференции «Математические методы в технике и технологиях» - ММТТ-17 (Кострома, 2004); XVIII Международной научной конференции «Математические методы в технике и технологиях» - ММТТ-18 (Казань, 2005); Международных научно-технических конференциях «Интеллектуальные системы» (AIS'05) и «Интеллектуальные САПР» (CAD

2005) (Таганрог, 2005); XIX Международной научной конференции «Математические методы в технике и технологиях ММТТ-19» (Воронеж,

2006); Международных научно-технических конференциях «Интеллектуальные системы» (AIS'06) и «Интеллектуальные САПР» (CAD-2006) (Таганрог, 2006), а так же на конференциях профессорско-преподавательского состава АГТУ.

Публикации. Основные теоретические и прикладные результаты диссертационной работы изложены в 11 публикациях автора, в том числе 2 статьи в центральных научно-технических журналах, рекомендуемых ВАК РФ, 6 в трудах международных научных конференций, в 1 свидетельстве об официальной регистрации программы для ЭВМ. Без соавторства опубликовано 4 работы.

Структура и объем работы. Диссертационная работа состоит из ' введения, четырех глав, выводов по работе, списка используемой литературы и приложений. Основная часть работы изложена на 139 страницах, содержит 44 рисунка и 28 таблиц. Список литературы включает в себя 102 наименования. К работе приложено 8 приложений.

Во введении отображена актуальность работы, сформулирована цель, определена научная новизна и практическая ценность результатов данной работы, приведено краткое содержание работы.

Первая глава посвящена анализу достоверности, причинам и роли погрешности измерений и экспертных оценок первичной информации в АСУТП. Проведен обзор существующих методов оценки и восстановления достоверности первичной информации. Описаны и классифицированы типы погрешностей, возникающие при измерении технологических параметров. Приведены причины снижения достоверности экспертных оценок качественных показателей процесса. Описан технологический процесс получения серы на АГПЗ, проведен анализ существующей информационной подсистемы АСУТП Клауса. Определены источники и причины возникновения погрешностей измерений технологических параметров процесса Клауса. Показано влияние достоверности измерений первичной информации на качество управления процесса получения серы методом Клауса. Проанализирована и сформулирована задача повышения качественных показателей управления процессом Клауса АГПЗ за счет повышения достоверности измерений технологических параметров. Выявлена зависимость снижения степени конверсии серы от погрешностей измерения основных технологических параметров. Сформулирована в общем виде задача оценки и восстановления достоверности измерений технологических параметров информационной подсистемы АСУТП. Показано влияние систематической составляющей погрешности на эффективность управления технологическим процессом Клауса АГПЗ.

Вторая глава посвящена решению в общем виде задачи оценки и восстановления достоверности первичной количественной и качественной информации в АСУТП. Синтезирована методика анализа информационной подсистемы АСУТП с целью выявления источников информации с низкой достоверностью. Сформулированы требования к структуре функциональных групп, приведены рекомендации по формированию структуры функциональных групп. Разработан метод оценки и восстановления достоверности первичной информации в АСУТП с использованием количественного и качественного описания ТП. Обоснована целесообразность построения гибридной модели с совместным использованием, количественной и качественной первичной информации и разбиением на функциональные группы двух типов, построенных при помощи математического аппарат адаптивных нечетких нейронных сетей и с использованием систем на основе нечетких множеств. Синтезирована система поддержки принятия решений при оценке и восстановлении достоверности первичной информации в АСУТП. Разработан алгоритм системы поддержки принятия решений оценки и восстановления достоверности первичной информации в режиме реального времени.

Третья глава посвящена реализации системы поддержки принятия решений оценки и восстановления достоверности первичной информации на примере технологического процесса получения серы методом Клауса на АГПЗ. Осуществлен анализ информационной подсистемы процесса Клауса, выявлены количественные и качественные источники информации подверженные возникновению систематической погрешности, объяснены причины возникновения систематической погрешности и показано ее влияние на эффективность управления процессом. Приведена структура функциональных групп гибридной модели проверки достоверности технологических параметров процесса Клауса на АГПЗ. Показана эффективность алгоритмического обеспечения С111 IP оценки и восстановления достоверности первичной информации ТП процесса Клауса с помощью имитационного моделирования.

В четвертой главе описана программно-аппаратная реализация СППР оценки и восстановления достоверности первичной информации в АСУТП. Для реализации синтезированных алгоритмов оценки и восстановления достоверности первичной информации предложена двухуровневая структура СППР. На первом уровне (нижнем) функционирует существующая информационная подсистема автоматизированного управления технологическим процессом, использующая оборудование компании «Fisher and Rosemount». На втором уровне осуществляется надстройка СППР оценки и восстановления достоверности первичной информации, которая работает в режиме советчика оператора и базируется на разработанных алгоритмах. Связь нижнего и верхнего уровней осуществляется посредством сетевого шлюза, а для обработки данных применяется СУБД MS SQL 2000. Визуализация результатов оценки и восстановления достоверности первичной информации, а так же ввод качественных показателей технологического процесса производится через человеко-машинный интерфейс в разработанном программном обеспечении, функционирующем в реальном времени.

В базу знаний разработанного программного продукта загружены экспериментальные данные процесса получения серы методом Клауса, в программе определен список пользователей системы и выполняется процедура использования результатов оценки и восстановления достоверности первичных источников информации.

Предложены способы взаимодействия алгоритмов СППР и существующих SCADA-систем на примере Trace mode 6.0. Рассмотрена возможная техническая реализация СППР оценки и восстановления достоверности первичной информации в АСУТП.

Таким образом, в диссертационной работе решается важная научная и практическая задача автоматизации технологических процессов, а именно -задача повышения эффективности управления технологическими процессами за счет устранения систематической составляющей погрешности измерений количественной информации и повышения достоверности качественных экспертных оценок.

ОСНОВНЫЕ ВЫВОДЫ ПО РАБОТЕ

1. Разработана методика анализа информационной подсистемы АСУТП с низкой достоверностью результатов измерений.

2. Создан метод оценки и восстановления достоверности первичной информации в АСУТП.

3. Впервые синтезирована гибридная модель проверки достоверности технологических параметров, позволившая повысить достоверность измерений и оценки технологических параметров процесса Клауса Астраханского газоперерабатывающего завода.

4. Впервые построена СППР оценки и восстановления достоверности результатов измерений технологических параметров процесса Клауса, эффективно устраняющая систематическую погрешность от 2% и более.

5. Показана эффективность СППР и ее алгоритмического обеспечения оценки и восстановления достоверности первичной информации для решения задачи устранения систематической погрешности, получено повышение степени конверсии серы на 1,14%,

6. Проверена адекватность гибридной модели оценки и восстановления достоверности первичной информации на примере основных технологических параметров,

7. Разработано программное обеспечение и получено свидетельство об официальной регистрации программы для ЭВМ, г №2006611456 от 28.04.06 г.

8. Программный комплекс и результаты работы используются в учебном процессе Астраханского государственного технического университета.

Заключение

Создание в прошлом столетии аппарата нечетких множеств JL Заде и структуры адаптивных нечетких нейронных сетей позволило решать слабо формализованные задачи, например, задачу устранения систематической погрешности измерений технологических параметров. Как правило, применение классических подходов для решения этого типа задач не приводит к успеху. Дальнейшее развитие аппарата нечеткой логики позволило создавать интеллектуальные модели, которые в отличие от аналитических моделей эффективны для решения слабо формализованных задач. Отдельно, следует отметить, факт появления аппарата нейронных сетей. Использование в подобных задачах нейросетевых технологий дало возможность качественно распознавать трудноразличимые образы, классифицировать события в условиях действия помех и быстро обрабатывать большие объемы информации. Замечательным симбиозом нечеткой логики и нейронных сетей являются, так называемые адаптивные нечеткие нейронные сети в зарубежной литературе они известны под аббревиатурой ANFIS. Применение такой нейросетевой структуры в слабоформализованных задачах позволяет эффективно использовать преимущества и нечеткой логики и аппарата нейронных сетей. В работе разработана методика анализа информационной подсистемы с низкой достоверностью измерений и метод оценки и восстановления достоверности первичной информации в АСУТП. Разработанная методика может использоваться не только в качестве основы предлагаемого метода, но и на ее основе становится возможным осуществлять анализ влияния систематической погрешности на эффективность управления технологическим процессом. Создана и опробована СППР оценки и восстановлении достоверности ' первичной информации в АСУТП на установке получения серы по методу Клауса Астраханского ГПЗ. Метод обладает двумя ключевыми преимуществами. Первый, универсальность, т.е. он может применяться на всех химико-технологических процессах, которые обладают информационной избыточностью. Второй, не требует модернизации существующей информационной подсистемы АСУТП, а использует в качестве входных координат сигналы, получаемые от штатных приборов и датчиков. СППР может функционировать как и отдельно, так и в составе SCADA системы, например Trace Mode.

1. Пфанцагль, И. Теория измерений / И. Пфанцагль. - М.: Мир, 1976. - 248с.

2. Хромой, Б.П. Метрологическое обеспечение систем передачи: Учеб. пособие для вузов / Б.П. Хромой, В.И. Мудров, B.J1. Кушко. М.: Сов. радио, 1976.-392 с.

3. Новицкий, П.В. Оценка погрешностей результатов измерений / П.В. Новицкий, И.А. Зограф. Л.: Энергоатомиздат, 1985. - 248 с.

4. Тюрин, Н.И. Введение в метрологию / Н.И. Тюрин. М.: Изд-во стандартов, 1985.

5. Основы метрологии и электрорадиоизмерения / Б.Н.Лозицкий,

6. B.Г.Воеводин, В.И. Коткин, И.И.Мельниченко; Под ред. Б.Н. Лозицкого. -М.: МО СССР, 1983.

7. Иванников, Д.А. Основы метрологии и организации метрологического контроля: Учеб. пособие / Д.А.Иванников, Е.Н.Фомичев. Нижний Новгород: Изд-во Нижегородского государственного технического университета, 2001.

8. Гранатуров, В.М. Организация, планирование и управление метрологическим обеспечением в отрасли связи / В.М. Гранатуров, И.С.Некрасов. М.: Радио и связь, 1987.

9. Карташова, А.Н. Достоверность измерений и критерии качества испытаний приборов / А.Н. Карташова. -М.: Изд-во стандартов, 1967.

10. Проталинский, О.М. Применение методов искусственного интеллекта при автоматизации технологических процессов: Моногр. / О.М. Проталинский; Астрахан. гос. техн. ун-т. Астрахань: Изд-во АГТУ, 2004.-184 с.

11. Ю.Долинский, Е.Ф. Обработка результатов измерений / Е.Ф. Долинский. -М.: Изд-во стандартов, 1973. 192с.

12. Данилевич, С.Б. Построение рациональных методик поверки средств измерений с помощью метода имитационного моделирования /

13. C.Б. Данилевич. М.: Метрология, 1980.

14. Куликовский, К.Jl. Методы и средства измерений / К.Л. Куликовский, В.Я. Купер. М.: Энергоатомиздат, 1986. - 448с.

15. З.Фомин, А.Ф. Методы и средства повышения достоверности измерений непрерывных процессов / А.Ф.Фомин, О.Н. Новоселов, А.В Плющев // Измерения, контроль, автоматизация 1981. - №4 (38). - С.

16. Терновых Ю.П., Жамков Ю.И. Информационная избыточность и контроль достоверности в системах управления. Приборы и системы управления, 1976, № 6, с. 7-8

17. Плетнев, Т.П. Автоматизированные системы управления объектами тепловых электростанций: Учебник для вузов / Т.П. Плетнев. М.: Издательство МЭИ, 1995. - 352 с.

18. Цейтлин, Р.А. К вопросу о точности автоматизированного вычисления технико-экономических показателей энергоблока / Р.А. Цейтлин, В.И. Степанов, Э.Д. Шестов // Теплоэнергетика. 1975. - №1. - С. 8-13.

19. Ицкович, Э.Л. Контроль производства с помощью вычислительных машин / Э.Л. Ицкович. М.: «Энергия», 1975. - с.

20. Новицкий, П.В., Зограф И. А. Оценка погрешностей результатов измерений / П.В. Новицкий, И.А. Зограф. Л.: Энергоатомиздат. Ленингр. отд-ние, 1985-248 с.

21. Преображенский, В.П. Теплотехнические измерения и приборы: Учебник для вузов по специальности «Автоматизация теплоэнергетических процессов» / В.П. Преображенский. М.: «Энергия», 1978. - 704 е.

22. Иванова, Г.М. Теплотехнические измерения и приборы: Учебник для теплоэнергетических специальностей вузов / Г.М. Иванова, Н.Д. Кузнецов, B.C. Чистяков. М.: Энергоатомиздат, 1984 . - 232 с.

23. Копытов, Е. Особенности диагностических систем о элементами искусственного интеллекта / Е. Копытов, В. Лабендик, Н. Кабелев // Computer Modelling & New Technologies, 2001, Volume 5, №1, 119-123.

24. Кузнецов, Н.С. Особенности формирования диагностических матриц для контроля состояния проточной части авиационных ГТД / Н.С. Кузнецов, В.П. Лабендик // Изв. вузов «Авиационная техника». №3 - С. 89-93.

25. Кузнецов, Н.С. Информационная избыточность и контроль достоверности в системах управления / Н.С. Кузнецов, В.П. Лабендик // Приборы и системы управления. 1976 - № 6. С. 7-8.

26. Уотермен, Д. Руководство по экспертным системам / Д. Уотермен. М.: Мир, 1989.-390 с.

27. Карибский, В.В. Основы технической диагностики / В.В. Карибский, П.П. Пархоменко, Е.С. Согомонян и др. М.: Энергия, 1977.

28. Шурин, Р. М. Производство газовой серы методом Клауса / P.M. Шурин, Т.В. Онопко, Н.В. Калинина, В.М. Плинер. М.: ЦИНТИХИМНЕФТЕМАШ, 1986. №4. 37 С.

29. Паскаль, Г. Производство серы / Г. Паскаль и др. Канада: Торонто, 1990.

30. Проект Астраханского ГПЗ, 1 очередь. Руководство по эксплуатации, установка 151/154, фирма ТЕКНИП (Франция), 1985.

31. Мановян, А.К. Технология первичной переработки нефти и природного газа: учеб пособие для студ. вузов /А.К. Мановян 2-е изд., испр. - М.: Химия, 2001.-567 с.

32. Многолетний опыт эксплуатации установок получения серы на российских газоперерабатывающих заводах. Филатова О.Е., Кисленко Н.Н., Моргун JI.B. (ВНИИГАЗ), Махошвили Ю.А. («Астраханьгазпром»)

33. Мановян, А.К. Технология первичной переработки нефти и природного газа: учеб пособие для студ. вузов /А.К. Мановян 2-е изд., испр. - М.: Химия, 2001.-567 с.

34. Обследования установок получения серы У51/52 1996—2000гг.: (Отчеты ЦЗЛ АГПЗ; Руководители: Г.И. Литвинова, И.Ф. Белова, Т.М. Голдобина, Ф.С. Сафарова, В.В. Романова). Астрахань,2000.

35. Савельев, А.Н. Анализ недостоверности первичной информации в технологическом процессе производства серы / А.Н. Савельев // XVII

36. Международная научная конференция «Математические методы в технике и технологиях» ММТТ-18: Сб. тр. Т.6. - Казань, 2005. С. 27-29.

37. Савельев, А.Н. Устранение систематических погрешностей в АСУТП / А.Н. Савельев // Наука: поиск 2005: Сб. науч. ст. Т. 2. Астрахань 2005, С. 209-213.

38. Полупанов, И.В. Моделирование и оптимальное управление технологическими процессами с использованием нечетких алгоритмов (на примере производства серы методом Клауса): автореф. дис. . канд. техн. наук. М., 1990.

39. Грунвальд, В.Р. Технология газовой серы / В.Р. Грунвальд. М.: Химия, 1992.-272 с.

40. Экспертные системы: Инструментальные средства разработки: Учебн. пособие / Л.А.Керов, А.П.Частиков, Ю.В.Юдин, В.А. Юхтенко ; Под ред . Ю.В.Юдина. СПб.: Политехника, 1996.-220 с.

41. Работа установок получения серы АГПЗ по результатам обследования за 1999-2001гг.: Отчеты ВНИИГАЗ; Руководитель О.Е. Филатова. -М.,2001.

42. Автоматическое управление в химической промышленности / Под ред. Е.Г. Дудникова. М.: Химия, 1987. - 368 с.

43. Потапов, Д.К. Неклассические логики: Учеб. пособие / Д.К. Потапов. -СПб.: Изд-во СПбГУ, 2006. 108с.

44. Савельев, А.Н. Оценка достоверности первичных источников информации в АСУТП / А.Н. Савельев, И.А. Кузьмин // Наука: поиск 2006: Сб. науч. ст. Т. 2. Астрахань, 2006. С. 145-147.

45. Проталинский, О.М. Проверка достоверности первичной информации в АСУТП с использованием нечетких множеств / О.М. Проталинский // Известия высших учебных заведений. Северо-Кавказский регион. Технические науки. Приложение №3. 2003. - С. 60-62.

46. Проталинский О.М. Диагностика информационных каналов АСУТП с использованием баз знаний / О.М. Проталинский // Приборы и системы. Управление, контроль, диагностика. 2004. - №1. - С. 9-11.

47. Круглов, В.В. Нечеткая логика и искусственные нейронные сети /

48. Nauck, D. Foundations of Neuro-Fuzzy Systems / D. Nauck, F. Klawonn, R Kruse. John Wiley & Sons. - 1997. - 305p.

49. Штовба, С.Д. Введение в теорию нечетких множеств и нечеткую логику /

50. C.Д. Штовба: http://matlab.exponenta.ru/index.php

51. Haykin, S. Neural Networks. A comprehensive foundation / S. Haykin. New * *

52. York, NY: Macmillan, 1994. -696 p.

53. Ярушкина, Н.Г. Основы теории нечетких и гибридных систем/Н.Г. Ярушкина. М.: Фин. и статис., 2004.

54. Xei, X.L. Validity Measure for Fuzzy Clustering / X.L. Xei, G.A. Beni // IEEE Trans, on Pattern Anal, and Machine Intell. 1991. - № 3 (8). - P.841- 846.

55. Gustafson, D.E. Fuzzy Clustering with a Fuzzy Covariance Matrix / D.E. Gustafson, W.C. Kessel. Proc. of IEEE CDC, San-Diego, USA. P.761 -766.

56. Yager, R. Essentials of Fuzzy Modeling and Control / R. Yager, D. Filev. -USA: John Wiley & Sons, 1984. 387p.

57. Горбань A.H., Дубинин-Барковский В.Л., Кирдин A.H. "Нейроинформатика". СП "Наука". РАН. 1998.

58. Проталинский, О.М. Модуль идентификации предаварийных ситуаций в составе SCADA-системы / О.М. Проталинский // Промышленные контроллеры и АСУ. -2003. -№ 9. С.28-30.

59. Петров И.К., Никититушкина М.Ю. Метрология, стандартизация и сертификация. Учеб. Пособие. М.: изд-во МУПП, 2001, 120с.

60. Смидович Е.В., Технология переработки нефти и газа, ч. 2-я, Крекинг нефтяного сырья и переработка углеводородных газов. 3-е изд., пер., и доп. - М.: Химия, 1980 г. - 328с.

61. Ротач В .Я., Теория автоматического управления теплоэнергетическими процессами: Учебник для вузов. -М. Энергоатомиздат. 1985. 296 с.

62. Пантелеев, Д.В. Исторические и технические аспекты производства серы на оренбургском газоперерабатывающем заводе: автореф. дис. . канд. техн. наук: Уфа, 2003. Режим доступа: http://www.ogbus.ru/authors/Panteleev/Panteleevl.pdf

63. Zurada, J., Inroduction to Artifical Neural Systems, West Publishing Company, Boston, 1994.

64. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский; пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2006. - 452 с.

65. Богданов, Г.П. Метрологическое обеспечение и эксплуатация измерительной техники / Г. П. Богданов, В.А.Кузнецов, М.А. Лотонов и др.; под ред. В.А.Кузнецова. -М.: Радио и связь, 1990.

66. Савельев, А.Н. Метод оценки достоверности информации в АСУТП на основе интеллектуальной модели / А.Н. Савельев // Математические методы в технике и технологиях ММТТ-18: XVIII междунар. науч. конф., Казань: сб. тр. Т. 6. - Казань, 2005. - С. 92-94.

67. Головко, В. А. Нейронные сети: обучение, организация и применение / В.А. Головко. М.: ИПР-ЖР, 2001.

68. Теснер, П.А. Расчет оптимального расхода воздуха в процессе Клауса / П.А. Теснер, М.С. Немировский, Р.Х. Рубинов //Газовая промышленность 1989.—№ 6. - С. 38-39.

69. Activated Alumina for Claus Catalysis, Aluminum Company of America, Pittsburgh, PA, May, 1977. 23 lp.

70. Балакирев, B.C. Применение математического аппарата нечетких множеств при автоматизации технологических процессов / B.C. Балакирев, О.М. Проталинский // Измерение, контроль, автоматизация. 1985. - №2. - С. 86-94.

71. Rotshtein, А.Р. Modification of Saaty Method of the Construction of Fuzzy Set Membership Functions. Proc. of the International Conference «Fuzy Logic and its Applications». Zichron, Israel, 1997. - P. 125-130.

72. Кафаров, B.B. Системный анализ процессов химической технологии. Основы стратегии / В.В. Кафаров, И.Н. Дорохов. М.: Наука, 1976. -500 с.

73. Мичуров, Ю.И. Метод расчета выхода серы в Клаус-процессе по данным хроматографического анализа / Ю.И. Мичуров и др. // Теория и практика добычи, транспорта и переработки газоконденсата. Вып.1. Астрахань, 1999.- 123 С.

74. Уитби, Б. Искусственный интеллект: реальна ли матрица / Б.Уитби. М.: Фаир-пресс, 2004. - 224 с.

75. Винер, Н. Кибернетика и общество. Творец и робот /Н. Винер. М.: Тайдекс Ко, 2003.-248 с.

76. Башмаков, А.И. Интеллектуальные информационные технологии / А.И. Башмаков, И.А. Башмаков. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. -304 с.

77. Леоненков, А. Нечеткое моделирование в среде MATLAB и FuzzyTech / А. Леоненков. СПб: БХВ-Петербург, 2003.

78. Fink A., Tupfer S., Isermann R. Neuro and Neuro-Fuzzy Identification for Model-based Control // IF AC Workshop on Advanced Fuzzy. Neural Control. Valencia. Spain. 2001. P. 111-116.

79. Бунин, В. SCADA-системы: проблема выбора / В. Бунин и др. // Современные технологии автоматизации. 1999. -№ 4.— С. 6-24.

80. Анзимиров, Л. Новая версия TRACE MODE для Windows NT / Л. Анзимиров, В. Айзин, А. Фридлянд // Современные технологии автоматизации. 1998. - № 3. - С. 56-59.

81. Круглов, В.В. Искусственные' нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. М.: Горячая линия Телеком, 2001. - 382 с.

82. Локотков, A. GENESIS32: нечто большее, чем просто SCADA-система / А. Локотков // Современные технологии автоматизации. 1998. - № 3. - С. 72-81.

83. Благовещенская, М.М., Информационные технологии систем управления технологическими процессами. Учеб. Для вузов/ М.М. Благовещенская, Л.А. Злобин. М.: Высш. Шк., 2005 - 768 с.

84. Kohonen Т. Self-organization and associatiative memory. New York: Springer, 1984.

85. Baum E., Hassler D., What size Net gives valid generalization // Neureal Computing, 1989., p. 151-160.

86. Шилдт Г. Самоучитель С++: Пер. с англ.- 3-е изд.-СПб.: БХВ-Петербург, 2002.- 688 с.