Применение искусственных нейронных сетей для управления производством синтетического каучука Текст научной статьи по специальности «Компьютерные и информационные науки»

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ УПРАВЛЕНИЯ ПРОИЗВОДСТВОМ СИНТЕТИЧЕСКОГО КАУЧУКА

Л.С. Гордеев, М.Б. Глебов

В работе исследуется производство синтетического каучука эмульсионной сополимеризацией бутадиена с а-метилстиролом при температуре 4-8 °С по железо-трилоновому рецепту полимеризации с применением смеси мыл диспропорциони-рованной канифоли и жирных кислот. Общая схема производства каучука приведена на рисунке 1. Производство включает следующие отделения:

1) приготовление углеводородной шихты;

2) приготовление растворов;

3) сополимеризация;

4) отгонка незаполимеризованных мономеров;

5) рециркуляция мономеров;

6) выделение латекса и сушки ленты каучука;

7) упаковка каучука.

Качество выпускаемого каучука непосредственно зависит от работы каждого из приведенных отделений, среди которых выделяются три ключевых: сополимеризация, отгонка мономеров, выделение и сушка каучука. Однако на практике довольно часто отклонения работы отделения или отдельной установки от регламента давали отказ работы отделения. В случаях неисправности нарушается работа последующих отделений и в конечном счете снижается качество получаемого каучука.

Состояние работы каждого отделения определяется их технологическими параметрами. Как правило, среди всех технологических параметров выделяются основные, которые оказывают наиболее серьезное влияние на работу. Контролируя ос-

новные параметры, возможно свести работу отделения в соответствие с регламентом. При отклонении основных параметров необходимо заблаговременно определять причины и принимать необходимые меры для их устранения.

Однако в силу сложности протекающих в отделении процессов невозможно быстро обнаружить неисправности и их причины с помощью точной математической модели (такой модели может и не быть). Для выполнения данной задачи мы предлагаем применять искусственные нейронные сети. В качестве входных элементов нейронной сети берутся основные технологические параметры. Так как работа указанных трех отделений наиболее сильно влияет на качество выпускаемого продукта, то, на наш взгляд, целесообразно применять нейронные сети для осуществления непрерывного контроля основных технологических параметров данных отделений. В связи с тем что эти отделения работают относительно самостоятельно, мы предлагаем создавать нейронные сети для каждого из них.

В качестве примера в таблице приведены входные и выходные элементы нейронной сети отделения полимеризации, где входные элементы могут соответствовать неисправностям в отделениях. В таблице предложены и рекомендации по устранению неисправностей.

Структура нейронных сетей для управления отделениями следующая.

Для отделения сополимеризации: Nta = 5, Nout = 13, Nhid = 13, обучение ведется до точности e = 0,0005, Niner = 716. Для отделения выделения и сушки каучука: Nin = 12, Nout = 30, Nhid = 7, точность обучения e = 0,0005, Niter = 613.

Для управления производством синтетического каучука нами разработана экспертная система (ЭС) на базе нейронных сетей. Нейронные сети используются в качестве модели представления знаний и составляют ядро базы знаний. Использование нейронных сетей в трех ключевых отделениях позволяет осуществлять непрерывный контроль основных технологических параметров от-

Рис. 1. Общая схема производства бутадиен-а-метилстирольного каучука: 1 - бутадиен; 2 - а-метилстирол; 3 - раствор серной кислоты

Таблица

Отделение сополимеризации Входной слой:

х1 - завышение температуры в полимеризаторах; х2 - завышение давления на полимеризаторах; х3 - снижение конверсии мономеров; х4 - занижение вязкости каучука в латексе; х5 - завышение вязкости каучука в латексе.

Выходной слой:

у1 - недостаточная подача рассола; у2 - высокая температура рассола; у3 - попадание газа в рассол;

у13 - занижение дозировки меркаптана; у14 - повышенное содержание ацетиленистых, карбонильных соединений в бутадиене;

Методы устранения неполадок:

Т1 - увеличить подачу рассола в полимеризаторы; Х2 - поставить в известность цех Е-8 о необходимости понижения температуры рассола;

Х3 - снизить подачу шихты на батарею;

Х12 - выяснить причину повышения содержания ацетиленовых карбонильных соединений в бутадиене;

Т13 - дать дополнить дозировку меркаптана на конверсию 40 %.

делений. В случае отклонения этих параметров нейронная сеть помогает быстрее определять причины этих отклонений и выдает конкретные рекомендации по их устранению.

Например, если температура в колонне отделения отгонки мономеров превышает 50 °С (в кубе), тогда нейронная сеть данного отделения выдает две возможные причины: (1) подача пара в колонну увеличена, (2) температура пара превышает 110 °С вследствие недостаточной подачи умягченной воды на увлажнение. На основании сделанных выводов нейронная сеть изменяет текущие значения нескольких переменных во временной базе данных. Далее ЭС, используя выданную нейронной сетью информацию, заносит ее в существующие БД и БЗ, уточняет конкретную причину завышения температуры и, наконец, выдает рекомендации по устранению данного отклонения.

Диагностика неисправностей в других отделениях (то есть в отделениях приготовления углеводородной шихты и растворов, отмывки шихты, компремирования бутадиена, дистилляции а-метилстирола и упаковки ленты каучука) осуществляется с помощью продукционных правил, так как в этих отделениях причинно-

следственные связи относительно просты и нет необходимости использовать нейронные сети для представления знаний.

Итак, в случае отклонения технологических параметров от регламентных или отказа работы производства, созданная система управления позволяет быстро определять причины этих неисправностей и выдавать соответствующие конкретные рекомендации по их устранению.

Разработанная система управления реализована в рамках программной оболочки ИНТЕРЭКСПЕРТ. В данном инструментальном программном пакете рассмотрены следующие возможности, объединяющие переработку данных знаний в единую среду:

1) создание базы знаний на продукционных правилах;

2) создание и использование ЭС на базе продукционных правил;

3) управление реляционными базами данных;

4) использование электронных ведомостей на разделенных экранах;

5) управление сложными формами и исчерпываемой графикой;

6) полное структурное программирование;

7) естественный язык (интерфейс);

8) другие функции.

Среди перечисленных функций ИНТЕРЭКСПЕРТа мы используем (1)-(з), (5)-(7). Следует отметить, что эти функции могут осуществляться в рамках ИНТЕР-ЭКСПЕРТа как в единой среде.

В ИНТЕР-ЭКСПЕРТе рассмотрены три интер-

ИНТЕР-ЭКСПЕРТ

нейронные сети, осуществляющие непрерывный контроль

механизм использования нейронных сетей

отделение сополиме-ризации

отделение выделения и сушки каучука

отделения незаполимери-зированных мономеров

отделение приготовления растворов

отделения приготовления растворов

отделение компремирования бутадиена

Рис. 2. Схема системы управления производством синтетического бутадиен-а-метилстирольного каучука

фейса с операционной системой MS-DOS. Эти интерфейсы находятся в выполняемой части продукционных правил, в командных процедурах, в реляционных базах данных. Первый и третий интерфейсы позволяют создать механизм использования нейронной сети в качестве модели представления знаний в ИНТЕР-ЭКСПЕРТе. Второй и третий интерфейсы дают возможность создавать нейронные сети (обучение, проверка и т.д.).

Таким образом, в рамках программной оболочки ИНТЕР-ЭКСПЕРТ разработана система

управления производством синтетического каучука (рис. 2). Разработанная система реализована на компьютерах IBM PC AT/XT с операционной системой MS DOS или PC DOS. Исходный текст составляет 1280 Кб, в том числе 328 Кб - создание нейронной сети, 210 Кб - механизм использования нейронной сети в качестве модели представления знаний, остальные 742 Кб - знания для управления работой отделений в производстве каучука.

АЛГОРИТМ ОПТИМАЛЬНОГО РАЗМЕЩЕНИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ПОЛУЧЕНИЯ МНОГОНОМЕНКЛАТУРНОЙ ХИМИЧЕСКОЙ ПРОДУКЦИИ

Л.С. Гордеев, М.А. Козлова, Ю.В. Сбоева, В.В. Макаров

В многономенклатурных химических производствах из-за структурных модификаций ассортимента выпускаемой продукции часто возникает так называемая задача размещения технологических процессов ее получения на действующих установках, функционирующих в дискретном режиме. Содержательно задача состоит в установлении наличия необходимого технологического оборудования, материалопроводов, резервов мощности и в оптимальном распределении технологических процессов по аппаратурным схемам.

Пусть требуется разместить множество технологических процессов получения продуктов модифицированного ассортимента на аппаратурных схемах действующего производства. Аппаратурная схема Gi(Ai,Ui); 1 = 1, I, где Ai - аппаратурный состав, характеризующийся векторами значений параметров X1 = x12, ..., x1n), а ^ - материало-проводы, характиризующиеся векторами значений параметров Z1 = z12, ..., z1m). Значения X1 и Z1 выделяют некоторые замкнутые области E1 гиперпространства параметров. Структурная модель аппаратурной схемы G1 имеет вид графа G1 ^ ), в котором A1 - множество вершин, а ^ - множество дуг. Ориентация графа G1 задается отображением й1: ^ ^ A1 х A1 , в результате которого получается ориентированный граф G1n= (V, Оь Ц) [1] .

По виду материальных связей между аппаратами различают трубопроводные и беструбопроводные аппаратурные схемы. В первых схемах транспорт порций промежуточных продуктов осуществляется по технологическим трубопроводам из подающих аппаратов в принимающие либо непосредственно, либо через демпфирующие ем-

кости-накопители; во вторых схемах трубопроводные связи между аппаратами отсутствуют, а перемещаются технологические аппараты. Структурной моделью беструбопроводных систем является сильно связный граф. На рисунке 1 приведен пример графов, являющихся структурными моделями трубопроводной и беструбопроводной систем.

1 2 3 1 2 3

4 5

а)

б)

Рис. 1. Графы G ¡(Aj ,Vi) аппаратурных систем: а) трубопроводной, б) беструбопроводной

Многостадийный технологический процесс Sj(Oj, Rj);} = 1, Jp, где Oj - технологические стадии, характеризующиеся значениями векторов параметров Yj=(yjl,yj2,...,yjn), а Rj - материальные потоки, характеризующиеся параметрами Wj = Wj2, ..., Wjm). Множество значений Yj и Wj выделяют области Fj гиперпространства параметров. Структурной моделью технологического процесса Sj является граф Sj ^ , Rj ), где Oj - множество вершин, Rj - множество дуг. Ориентация графа Sj задается отображением ^ : Rj ^ Oj x Oj , в результате которого получается ориентированный граф Sjy = ^ , ¥ j, Rj ) [1]. Принципиально разместить процесс Sj на аппаратурной схеме

3

2

2

3

6