автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Разработка интеллектуальной объектно-ориентированной системы анализа сложных схем

Российский химико-технологический университет им. Д. И, Менделеева

'•"г од

На правах рукописи

i ü йен т

Кисленко Николай Анатольевич

Разработка интеллектуальной объектно -ориентированной системы анализа сложных схем (на примере оптимизации химико-технологических систем)

05.13.16 - Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва - 1994

Работа выполнена на кафедре кибернетики химико-технологических процессов Российского химико-технологического университета им. Д И. Менделеева.

Научный руководитель: кандидат технических наук, доцент Бобров Д. А.

Официальные оппоненты: доктор технических наук, профессор Софиев А. Э.; доктор технических наук, профессор Островский Г. М.

Ведущая организация - ТОО "Волгоурал-технология" (г. Оренбург).

Защита диссертации состоится 1994 г. в У / ^ час в ауд. М^З на заседании специализированного совета Д 053.34.08 в Российском химико-технологическом

университете имени Д. И. Менделеева по адресу: 125047, г. Москва, А-47, Миусская пл., дом 9.

С диссертацией можно ознакомиться в Научно-информационном центре РХТУ им. Д. И. Менделеева.

Автореферат разослан 22 ¿¿о. * «уМ 1994 г.

Ученый секретарь специализированного совета

Д А. Бобров

Общая характеристика работы

Актуальность . проблемы. Современные химико-технологические системы (ХТС) представляют собой сложные многопараметрические взаимосвязанные объекты исследования. Чем сложнее система, тем большим количеством возможных функциональных состояний она может быть охарактеризована, и, следовательно, тем актуальней для неё стоит задача анализа, расчета и оптимизации технологических режимов.

Решение данной задачи производится с применением специальных программных комплексов. Известные системы подобного рода предлагают либо уже жестко заложенные алгоритмы расчета, библиотеки стандартного оборудования и физико-химических свойств, либо программные библиотеки в качестве инструментария для самостоятельного создания подобных систем и требующих квалификации программиста. Тахим образом, не существует универсальной общедоступной системы автоматизированного анализа и оптимизации, обладающей способностью к истинному расширению, модификации и адаптации. Кроме того наблюдается необходимость в создании средств облегчающих составление математических моделей отдельных стадий и аппаратов. Требование гибкости подразумевает создание более интеллектуальных алгоритмов структурного анализа, позволяющих использовать различные критерии при определении итерационных потоков, более глубокую декомпозицию ХТС и экономное отношение к ресурсам вычислительной системы..

Качественно новый уровень систем искусственного интеллекта подразумевает использование новых концепций нейрокомпьютерного моделирования. Существуют огромные резервы использования данных систем в области химической технологии и, следовательно, необходимость в создании универсальной системы, позволяющей решать весь спектр имеющихся задач.

С учетом современных концепций необходимо также учитывать фактор конечного пользователя и, следовательно, параметры эргономики интерфейса и прозрачности системы. К задаче создания интерфейса примыкает необходимость использования средств машинной графики для получения и обработки в процессе решения графической и структурной информации.

Цель работы. Целью настоящей работы является разработка гибкой интеллектуальной интерактивной дружественной системы автоматизированного анализа, расчета и оптимизации ХТС произвольной структуры с использойанием современных методов математического моделирования и создания программного обеспечения. В связи с этим в работе поставлены и решены следующие задачи:

♦ разработка логико-функциональной структуры системы;

♦ разработка алгоритмов структурного анализа, обеспечивающих более полную декомпозицию схемы и оперирующих с более компактными формами представления информации, по сравнению со стандартными;

♦ исследование и усовершенствование принципов организации процесса расчета и оптимизации ХТС при использовании блочного технологически-направленного метода анализа;

♦ разработка объектно-ориентированного языка программирования математических моделей (ММ) химико-технологических процессов (Х'1'11) совместимого с основными языками программирования;

♦ создание быстродействующего - интерпретатора, позволяющего следить за ходом и вмешиваться в процесс анализа и оптимизации ХТС на уровне отдельного математического блока;

♦ создание генератора математических моделей ХТП на создаваемом языке программирования с использованием нейросетевого подхода;

♦ разработка программного комплекса решения произвольных нейросетевых задач в области химической технологии и смежных областях с последующим использованием оной в качестве экшергно-ориентированногс расширения системы;

♦ разработка алгоритмов графической визуализации информации о функционировании ХТС и алгоритмов организации интерфейса с пользователем;

♦ реализация создаваемой системы автоматизированного анализа и от лмизации ХТС в виде единого прикладного программного комплекса и проверка его работоспособности при решении практических задач в области 11 ефтс-газоперсработки.

Научная новизна. Разработаны вопросы ■ организации системы автоматизированного анализа и оптимизации ХТС. Предложены принципиально новые алгоритмы структурного анализа ХТС. Создан новый язык объектно-ориентированного программирования, специально направленный на решение задач моделирования ХТТГи ХТС. Разработан и применен- в системе метод построения ММ и настройки модели на практические данные с использованием нейросетевого моделирования. Создан нейросетевой инструментарий инженера химика-технолога для решения широкого класса задач в области химической технологам.

Практическая ценность. Программный пакет может быть использован для анализа, расчета и оптимизации режимов работы ныне действующих и вновь разрабатываемых ХТС, при решении, задач управления и проектирования, а также как самостоятельный инструмент исследования. Особенности нейросетевого моделирования позволяют использовать комплекс для решения задач

классификации, распознавания, предсказания, адаптационного управления. В работе приведен пример использования комплекса для решения задачи оптимизации процесса ссрогазоочистки на Оренбургском ГПЗ. Даны рекомендации, подтверждающие необходимость введения ряда изменений в технологический процесс.

Апробация работы. Результаты работы докладывались и обсуждались на следующих конференциях:

• Всесоюзная конференция молодых ученых "Методы кибернетики в химии и химической технологии" (г. Москва, 1991);

• Международная конференция молодых ученых "Методы кибернетики в химии и химической технологии" (г. Москва, 1993);

• 19-ый международный газовый хонгресс (г. Милан, 1994);

• Международная выставка "Нефтегаз-94" (г. Москва, 1994).

Публикации. По теме диссертации опубликовано три печатных работы. Структура и объем работы. Диссертация состоит из введения, семи глав, выводов, заключения и приложений Работа изложена на 140 страницах машинописного тексга, включает 24 рисунка и 12 таблиц. Список использованной литеразуры содержит 120 наименований.

Содержание работы

В первой главе приведен аналитический обзор современных концепций создания систем автоматизированного анализа и оптимизации сложных ХТС. Рассмотрены преимущества и недостатки таких известных комплексов как: ASPEN PLUSт Release 9, PRO/If Process Simulator, ChemCAD™ HI, HiSimPROCEDE 2 for Wi,idov/s и др. Основываясь на проведенном анализе, а также исходя из сегодняшних представлений в области создания систем анализа и оптимизации ХТС необходимо в качестве основных принципов использовать понятия гибкости системы и эргономики пользователя. Только при наличии данных качеств можно рассчитывать на будущее разрабатываемой системы. В то же время, обеспечение истинной гибкости возможно только при условии, что основная координирующая программа сама интерпретирует необходимые математические модели и тем самым контролирует процесс расчета и оптимизации. Таким образом координирующая программа по своим свойствам должна соответствовать больше требованиям операционной сисгемы, чем просто программного комплекса.

Главным временным фактором при решении задачи анализа ХТС является составление ММ отдельных стадий и процессов. Несмотря на разработанность множества алгоритмов для стандартных химико-технологических аппаратов постоянно возш каст необходимость в создании ММ для нового типа аппарата или

изменения имеющейся. Обще принятым языком программирования ММ в силу исторически сложившейся ситуации является язык Фортран. Консервативность и жесткость этого давно устаревшего языка не позволяют осуществлять весь вышеобозначгнный процесс в течении короткого времени. В то же время известно много новых подходов в области программирования, как то объектно-ориентированное, функциональное, визуальное. Таким образом создание языка программирования являющегося надстройкой над основными языками и предоставляющегося пользователю-программисту дополнительные возможности при программировании ХТС является актуальной задачей.

В главе представлены имеющиеся методы анализа и оптимизации ХТС, а также дан исторический обзор развития методов моделирования нейронных сетей. Приведены современные нейросетевые парадигмы.

Проведенный анализ позволил определить возможные пути достижения поставленной задачи.

Во второй главе проработаны принципы создания систем автоматизированного анализа и оптимизации ХГС. Акцент сделан на принцип гибкости системы и, следовательно, на блочность построения комплекса. Так, многоуровневая иерархическая система имеет следующую структуру.

¡уровень иерархии (блочность программного комплекса):

♦ комплекс состоит из набора отдельных исполняемых файлов;

♦ возможность изменять стандартные связи и устанавливать новые связи между блоками без перекомпиляции системы.

IIуровень иерархии (модульность ХТС):

♦ динамическое связывание модулей;

♦ объектно-ориентированный подход;

♦ динамическое изменение информационной структуры ХТС, возможность динамически изменять и добавлять методы расчета и оптимизации.

III уровень иерархии (модульность блоков программного комплекса):

♦ все программные блоки комплекса должны быть реализованы в виде отдельных логически законченных объектных модулей.

Структурная декомпозиция задачи построения системы анализа и оптимизации ХТС приводит к структуре комплекса, приведенной на рис. 1.

Интерфейсный модуль:

Ввод данный

Редактирование данных

Визуализация результатов

Модуль пейросетевого моделирования:

Обучение сети

Тестирование сети

Составление ММ объекта

Компилятор ММ в коды Форт-машины

Структурный оналш

Выделение циклов

Выделение комплексов

Определение ОПР

Модуль выполнения:

Форт-ннтерпретагор

Блок связи модулей

Процедуры анализа

и оотгмя-эадяи

Отладчик

Составление ММ стадий и аппаратов

Рис. 1 Структура программного комплекса анализа ХТС

Во'второй главе обосновывается важность и преимущества правильного выбора формы представления исходной информации. В качестве основных структур для хранения топологических и технологических параметров ХТС выбрашл динамические списки по потокам и элементам, как обладающие значительно большей компактностью и скоростью обработки. Специально для работы с данной формой хранения информации разработан алгоритм однозначного соответствия между списками на основе индексации одного из них. Подобная форма представления позволила также обрабатывать задаваемые начальные параметры и ограничения на любой из элементов системы, будь то параметр потока или аппарата. Задаваемые - при этом, ограничения могут быть следующих видов: типа целочисленносш, типа перечисление, типа равенства и типа неравенства.

В третьей главе приводятся результаты разработки оригинальных алгоритмов структурного гнализа ХТС, алгоритма процесса расчета и оптимизации ХТС, алгоритма графической визуализации системы.. Предложены новые подходы к

декомпозиции схем. Алгоритмы структурного анализа системы обладают следующими особенностями и преимуществами:

♦ компактная форма представления информации: не используются разреженные матрицы типа матриц смежности и т.п., оригинальный алгоритм однозначного соответствия одних и тех же связей между списком элементов и списком потоков;

♦ глгоритм идентификации простых контурных подсистем в сложных ХТС объединен с алгоритмом декомпозиции сложных встречно-направленных ХГС, обеспечивая взаимное ускорение этих алгоритмов;

♦ алгоритм декомпозиции дополнительно выделяет компоненты графа, отделенные от основного остова вершинами смежности;

♦ возможность учета в качестве критерия выделения разрываемых потоков не только критерия минимальной суммарной параметричности разрываемых потоков;

♦ возможность задания преимущественных потоков, для которых известны более хорошие начальные приближения, с целью их последующего о(тьявления особыми;

♦ оригинальный алгоритм упорядочения по слоям вершин эквивалентного ациклического графа, образованного после выделения минимального множества разрываемых технологических потоков; данный алгоритм одновременно минимизирует пересечения потоков при графическом отображении структурной схемы.

Для проведения структурного анализа мы представляем ХТС в виде взвешенного орграфа: О(Х.У), где X - множество элементов, а У - подмножество упорядоченных пар элементов на X. Алгоритм выделения контуров использует стандартный подход к данной проблеме - движение в глубину. Работа алгоритма основана на переборе всех ветвей прадерева комплексов. Вс избежание записи контура дважды, контуры полученные перестановкой считаются одинаковыми, на тех узлах, из которых начался обратный подъем, ставятся метки и запрещается дальнейшее их участие в качестве начала контура.

Известно, если алгоритм повторно исследует комплексы или подсистемы, отделенные от графа точкой сочленения, то его быстродействие сильно замедляется. Для стандартного алгоритма движения в глубину;

г=+1-к-2> • т

где к - количество контуров; £ - количество 5-1 путей в одном комплексе (количество путей между истоком и стоком комплекса); Т - время расчета одного комплекса.

Время расчета матричных алгоритмов существенно больше данного и здесь не рассматривается. Для разработанного алгоритма время расчета составляет: ? = к ■ Т ■ Подобный выигрыш во времени достигается путем однозначного выделения

комплексов не по окончании расчета, а во время анализа схемы. При этом, п момент выделения комплекса, запрещается дальнейшее использование его элементов в качестве составляющих элементарного пути. Подобные возможности реализуются за счет введения двух переменных, отслеживающих начало и коней выделяемых контуров. Для этого, при движении "вперед" каждому элементу пути стаьигся соответствующее ему минимальное значение порядкового номера элемента пути, который является началом одного из выделенных ранее контуров. Такой подход имеет то немаловажное преимущество, что для нахождения комплексов не требуется при выделении каждого контура просматривать все элементы схемы. Данная процедура происходит только непосредственно при выделении комплекса.

Алгоритм определения оптимального разрывающего множесгва дуг относится к классу ОТ-полных задач на графах. Разработанный в системе алгоритм решает эту задачу за счет максимального использования определенных априорных правил в разное время сформулированных для задач подобного рода:

1. Удаление из графа вершин со степенью равной двум бед(Х) = 2 и (Зед+(Х) = с1ед~(Х) = . При этом получившейся обобщенной дуге присваивается минимальная параметрячность для дут, которые она заменяет. Однако, такая процедура снижает на стадии нахождения последовательности расчета возможность использования информации о преимущественных потоках.

2. Исключение из рассмотрения всех тех потоков «, для которых имеется такой поток К, что выполняется условие (п/ > л к) ■ ((М/ - М^) = 0 , где М, -множество контуров, включающих в себя поток », а тс, - параметричность потока ¿.

3. Для контуров с г = 1, где г - ранг контура, разрываем поток, составляющий этот контур. Контуры, разрываемые при этом, отбрасываются.

4. Если множество потоков, составляющих цикл А, содержится в множестве потоков, составляющих цикл В, то цикл В исключается из рассмотрения.

5. Если на этапе 3 или 4 был удален хоть один контур, то выполняем повторную проверку условия 2. Б случае, если при этом будет исключен из рассмотрения хоть один поток, идем на шаг 3.

6. С помощью других алгоритмов находим очередной разрываемый поток и осуществляем переход на шаг 2. В простейшем случае очередной разрываемый поток можно находить из условия минимальности огнешения параметричности потока к количеству разрываемых им контуров.

Также в третьей главе приводятся оригинальные алгоритмы определения оптимальной последовательности расчета и графической визуализации структурной схемы ХТС. Пр здетавлен новый подход к расстановке Итерационных блоков ХТС.

В четвертой главе рассматривается создание оригинальною объектно-ориентированного языка программирования математических моделей отдельных физико-химических процессов и химико-технологических систем в целом. В настоящее время известно более сотни различных языков программирования. Появление нового языка, созданного для программирования химико-технологических процессов и аппаратов, было бы не оправдано, если пользователю пришлось бы изучать новый язык. Более разумным решением является использование уже имеющихся знаний и программного кода при составлении ММ, работающих в среде разрабатываемой системы. Для обеспечения такой возможности используется идея структурной совместимости. Это означает, что всю работу по переводу исходного программного кода с какого либо языка программирования на язык СТБ выполняет встроенный препроцессор. Достигается подобная гибкость языка за счет использования операторов, структур и функций, обладающих свойством амбивалентности. В зависимости от используемых параметров данные структуры выполняют несколько различные функции. В итоге язык СТБ обеспечивает совместимость с языками Паскаль, Фортран и Бейсик. Однако данные языки являются только базисом для построения более сложной системы, ориентированной на создание модульных многосвязанных объектно-ориентированных систем. Созданный язык обладает следующими особенностями:

Механизм наследования блоков. Математические модели аппаратов -имеют множество сходных возможностей и общие моменты в реализации. Причем подобная общность возрастает при рассмотрении ММ аппаратов одного класса. Например, при создании ММ двух разных теплообменников приходится дублировать некоторую часть исходного кода. Проблемы подобного рода могут быть решены средствами модульного программирования. Однако в языке СТБ также реализован такой принцип объектно-ориентированного программирования как наследование. При этом для. создания нового вычислительного блока достаточно в начале программы наследовать глаЕную функцию схожей вычислительной модели и переопределить или добавить недостающие функции и параметры. Гибкость процесса переопределения базируется на другом принципе объектно-ориентированного программирования -механизме виртуальных функций.

Механизм виртуальных функций. Откомпилированные модули языка выполняются в режиме интерпретации кода Форт-машины. При этом без потери скорости исполнения программы появляется возможность динамически загружать и выгружать требуемые математические модели. Таким образом, если в откомпилированном модуле есть вызов какой либо внешней программы, то

возможно изменить только эту внешнюю программу без перекомпиляции вызывающего модуля. Кроме того в языке CTS возможно манипулирование с областью кода также как и с областью данных. Эта, редко используемая возможность, позволяет программе динамически изменять свой же программный код и создавать во время работы новые функции в области данных, причей к функции, порожденной в области статических данных, имеет доступ любой другой вычислительный модуль.

Статические переменные. Математические модули большинства аппаратов представляют собой сложные математические алгоритмы, требующие итерационных процедур. При расчете или оптимизации схемы каждый из этих модулей может выполнятся многократно. В целях экономии времени расчета, а также ускорения сходимости Некоторых методов желательно хранение некоторых данных, полученных при первом расчете, для дальнейшего использования при последующих расчетах. Для этой цели в языке CTS предусмотрен специальный модификатор типа данных -STATIC. Переменные этого типа инициализируются нулевым значением перед первым исполнением программы и сохраняют свои значения после окончания работы модуля. Кроме того, посредством механизма указателей возможен доступ к этим переменным и из других вычислительных блоков.

Разработанная система рассматривает каждый аппарсг и соответствующий ему блок форт-кода как черный ящик. Система имеет только информацию о входящих и выходящих из этого аппарата потоках. Подобный подход позволяет полностью разделить процесс создания математических моделей аппаратов и процесс конструирования ХТС в целом. Для взаимосвязи этих процессов необходимо обеспечить соответствие между номерами входов и выходов для каждого аппарата.

Гибкость системы обеспечивается возможностью создавать любые ММ, программировать любые численные методы и изменять любые алгоритмы анализа с минимальными затратами. Язык программирования CTS позволяет организовать такую возможность за счет обращения к внутренним переменным системы. Для этого имеется целый ряд массивов и функций. Посредством них можно получить доступ к следующим параметрам: к любой статической переменой, к ограничениям для конкретного модуля и для всей системы в целом, к контрольным переменным для любого элемента, к вектору последовательности расчета, к структуре связей, к параметрам потоков и множеству других полезных переменных.

В пятой главе предложен новый подход к созданию статистических моделей химических процессов с использованием нейросетевого моделирования. В качестве одной из частей созданной системы используется блок нейросетевого моделирования. В общем случае рассматриваемый блок является более обобщенным инструментом и служит де только для процессов математического моделирования.

Структура комплекса рассчитана таким образом, что система способна решать следующие задачи, где сегодня могут быть использованы нейронные сети:

♦ математическое моделирование,

♦ адаптивное управление,

♦ фильтрация шумов,

♦ распознавание образов,

♦ классификация

♦ прогнозирование я т.п.

Для понимания процесса функционирования нейросеги необходимо четкое представление о функционировании отдельного искусственного нейрона. Не вход нейрона поступает некоторое множество сигналов, причем каждый из этих сигналов является в свою очередь выходом другого нейрона. Каждый вход умножается на соответствующий вес (синаптическая сила связи), и псе произведения суммируются. Полученная сумма и определяет уровень активации нейрона. Простейшая схема нейрона, используемого в рассматриваемом системе представлена в следующей структурной форме (рис. 2).

Наиболее разработанный алгоритм обучения подобной сети (обратное распространение ошибки) дая такой нотаций может быть представлен следующим образом:

1) Прогон сети вперед

2) Вычисление ошибки для выходного слоя: =(<Зк-оь) Г'(111)

3) Вычисление дельт весов: ДШ1®1 ^сое^Е^-Х1/1'"

4) Ошибка для внутренних слоев: К^Х^-Ц-Х/51)-!; (ЕГ!,ХГ" )

5) Корректировка весов: ТУ^1 *='+Д'

Сиасма нейросегевого моделирования, представленная в данной работе, включает в искусственный нейрон следующие функции: суммирующая функция, функция прохождения (активационная функция), выходная функция, шумовая функция, функция ошибки и функция обучения. Манипулирование данными функциями позволяет создавать сеть произвольного типа и топологии. Некоторые из этих функций приведены в таблице 1.

Рис. 2. Структурная схема функционирования нейрона

Таблица 1.

Суммирование | Прохождение Обучение Выходная | Шумовая ] Ошибка

Сумма Линейное Хопфидд Прямой Равномерная Линейная

Накопление Ситмовда Вадроу Один-максимум Гаусса Квадратичная

Максимум Гипер. тангенс Koxohsh Два-максимума Кубическая

Минимум Синуь Дельта-правило Один-активный

Среднее Бинарное Накопление Два-акгивных

Норма Больцмана Случ. поиск

Произведение Пороговое Бсльцмал

Для моделирования химико-технологических процессов или аппаратов из предлагаемых с данной, системой алгоритмов рекомендуется использование следующих нейросетевых парадигм: сети обратного распространения (Back Propagation), стохастические модели (Больцмана, DRS - Directed Random Search).

Нейронные сети при моделировании химических процессов предлагается использовать следующими способами:

♦ на основе экспериментальных данных,

♦ на основе уже готовой MNi

♦ на основе статистической модели.

В первом случае обучение нейронной сети производится на всем множестве данных, в которое входят исходные данные для эксперимента и его результаты. Нейронная сеть принимает на вход исходные данные эксперимента, сравнивает получаемый выход с результатами опытов, определяет ошибку и на основе оной уже производит перенастройку своих весов - процедуру обучения. При этом нейросеть способна самостоятельно удалять шум, находить корреляции между отдельными параметрами и строить модель для гораздо более широкого диапазона, чем статистические аналоги.

Второй способ предлагается к использованию в основном для ускорения процедуры анализа и оптимизации химико-технологической системы в целом, когда требуется многократное (итерационное) вычисление какой-либо модели. Время вычислений по какому-либо сложному моделирующему алгоритму может стать критичным для процесса оптимизации и замена математической модели на нейросетевую может привести к существенному выигрышу во времени. При этом исходные данные для обучения сети получаются при работе основной математической модели.

Третий способ предлагается впервые и основан на жесткой имплементации статистического полинома, представляющего собой статистическую модель, на

структуру нейронной сети. При этом выделяются два слоя. Первый из них имеет в качестве суммирующей функции - функцию умножения, а второй функцию суммирования. При этом функции первого слоя могут заменяться на другие, применяющиеся в статистической модели. Так как вид итоговой сети, получаемой при такой произвольной замене, чаще всего не соответствует требованиям, накладываемым на функцию прохождения, то предлагается не производить обучение данного участка сети. Для этого значения всех весов фиксируются. Кроме того, чтобы сохранить все преимущества нейронной сети в задачах моделирования, добавляется специальный адаптационный блок в котором поведение нейронов и связей является стандартным. При этом, чтобы не сбить статистический настрой сети, первоначальные веса адаптационного блока принимаются случайными величинами малого порядка. Пример нейронной сети для статистического полинома вида: Р(х,у/)=Ао+А1 -х+Аъ-у+Аз ■х2+УЦ -у2 +А5-х-у представлен на рис. 3.

После того как нейронная сеть обучена, воспользоваться моделью, которую она представляет, можно двумя способами: непосредственно, используя интегрированную систему, и, создав отдельный программный файл, отражающий внутреннюю структуру обученной сети. Исходный текст подобного программного файла может генерироваться на одном из следующих языков: язык СТЭ, для непосредственного использования при работе с разрабатываемой системой, Фортран, Паскаль, Си.

В работе приведен пример использования нейронной сети для моделирования процесса селективной абсорбции смешанным абсорбентом кислых газов на установке серо газоочистки Оренбургского ГПЗ. Для моделирования использовалась четырехслойная сеть обратного распространения. Количество входов - шесть, количество выходов - три. Учитывая физико-химическую сущность процесса абсорбции заранее некоррелирующие связи были удалены. Структура использованной нейросети представлена на рис. 4.

CO, H.S т

Рис. 4. Моделирование абсопбции с помощью чейросети обратного распространения

Время обучения сети до достижения критерия конвергенции равного 0.001 составило 17.6 минут на ПЭВМ IBM PC/AT 436DX-66. Статистические характеристики соответствуйте окончанию процесса обучения приведены в таблице 2.

Таблица 2.

Статистические характермемки обучения I

абсолютная средняя ошибка 0.002065 0.004908 0.116206

относительная средняя ошибде 0.016275 0.024531 0 003524

относительная средняя дисперсия 0.008221 0.015181 • 0.000008

В шестой главе обсуждается программная реализация комплекса автоматизированного анализа ХТС. Рассмотрен интерпретатор создаваемого языка программирования, управление памятью, особенности создания интерфейса.

Ьлок анализа и оптимизации работы химико-технологической системы является наиболее важной частью системы в целом. Основные требования к данному блок)': скорость исполнения кода и полный контроль процесса исполнения. Обычно эти два требования взаимно противоречивы. Однако в системе СП> полностью выполняются эти условия. Достигается это за счет использования интерпретатора кода, схожего с форт-кодом - наиболее быстрым и компактным кодом на

сегодняшний день. Компилятор с языка СТЗ производит трансляцию именно » команды форт-машины.

В шестой главе проработаны вопросы создан™ интерфейса пользователя и эффективного управления памятью. При этом отдельно рассматриваются как ¡рафический интерфейс в среде MS-DOS, так и MS-Windows приложения системы CTS. Уделено внимание реализации фонового режима расчета ХТС и фонового обучения нейронной сети.

В седьмой главе приведены результаты практического применения разработанной системы для решения задачи анализа и оптимизации работы установки серогазоочистки 1-ой очереди Оренбургского ГПЗ при замене импортного абсорбента диэтаноламина (ДЭА) на отечественный метиддиэтаноламин (МДЭА), модифицированного добавками.

В настоящее время отечественной промышленностью ДЭА не выпускается и закупается по импорту. В то же время на Дзержинском ПО "Синтез" организовано производство МДЭА. Дня уменьшения селективности МДЭА в него ввотят различные добавки. Необходимость одновременной очистки газа от H3S и С02 на 1-ой очереди связана с тем, что очищаемый газ с этой очереди направляется на Оренбургский гелиевый завод, а по технолошческим соображениям содержание С02 в газе не должно превышать 0.03 %об.

На основании проведенных исследований для одновременной очистки газа от H3S и С02 на заводе рекомендуется использовать смешанный абсорбент МДЭА+ДЭА. Это позволит сократить валютные затраты на закупку ДЭА по импорту. Кроме того, применение смешанного абсорбента дает экономию энергозатрат (пар) за счет лучших теплотехнических характеристик МДЭА по сравнению с ДЭА (в частности меньшая теплота реакции с H2S и С02).

С помощью системы CTS был проведен анализ режимов работы установки и выбран оптимальный вариант соотношения МДЭА/ДЭА (0.58) при соответствующей кратности орошения (0.95 л/м') исходя из критерия минимальности энергозатрат. Полученный экономический эффект был обусловлен снижением энергозатрат на 9.7%.

Основные результаты и выводы

В работе получены следующие основные результаты: 1. На основе системно-структурного анализа общей задачи создания систем автоматизированного расчета и оптимизации, а также принципов функциональной гибкости и ориентации на конечного пользователя, разработан комплекс прикладных программ "CTS".

2. Предложен новый оригинальный язык программирования математических моделей химических процессов, обладающий свойством совместимости с основными. языками программирования и использующим объектно-ориентированный подход при создании моделей.

3. Разработаны новые универсальные алгоритмы структурного анализа максимально экономно использующие ресурсы памяти и времени. Использован более глубокий подход к декомпозиции схем. Проведен совместный анализ и объединение некоторых алгоритмов структурного анализа, в частности предложен оригинальный алгоритм графической визуализации структурных схем на основе результатов работы этих алгоритмов.

4. На основе системного анализа существующих методов построения системы расчета и оптимизации ХТС разработан новый алгоритмический подход к расстановке и проектированию итерационных элементов.

5. Предложен новый нейросетезой подход к моделированию процессов химической технологии. Разработан генератор исходных текстов программ нейросетевых моделей химико-технологических процессов.

6. На основе анализа существующих нейросетевых парадигм создан программный комплекс нейросетевого моделирования, позволяющий решать большинство из известных нейрокомпыотерных задач.

7. Проведено практическое применение разработанной системы для автоматизированного решения задачи анализа и оптимизации работы установки серогазоочистки Оренбургского ГПЗ.

Основные положения диссертационной работы изложены в следующих

1. Кисленко H.A., Бобров Д.А. Эффективный алгоритмы структурного анализа химико-технологических систем, ТОХГ, т.27, № 3, 1993.

2. Кисленко H.A. Использование нейросетевого моделирования при решении задач химической технологии // IV Международная научная конференция "Методы кибернетики химико-технологических процессов", КХТП IV-94: Тез. докл. Междун. конф. - Москва, 1994.

3. Бобров Д.А., Кисленко H.A. Автоматизированная система анализа и оптимизации химико-технологических объектов, ТОХТ, т.28, >fe 5, 1994.

публикациях: