hrvatski

Primjena softverskih senzora u procesnoj industriji

Razvoj softverskih senzora područje je velikog interesa u akademskoj zajednici i procesnoj industriji pri čemu se, većinom na osnovi empirijskih modela, predviđaju stanja procesa ili svojstva proizvoda koja je teško ili nemoguće mjeriti kontinuirano. Ovim izlaganjem istaknut će se potreba za softverskim senzorima u industriji te prikazati sustavski pristup metodama i tehnikama razvoja i primjene softverskih senzora na postrojenjima. Objasnit će se razvoj modela softverskih senzora u svrhu zamjene procesnih analizatora tijekom kvara i servisa, za napredno vođenje procesa i za predviđanje ili za dijagnostiku rada procesnih analizatora. Prikazat će se način prikupljanja podataka iz baze distribuiranih sustava za vođenje i metode (pred)obrade mjernih podataka. Predobrada mjernih podataka obuhvaća odabir podataka prikladnih za razvoj modela i vremena uzorkovanja, uklanjanje ekstremnih vrijednosti metodama 3-sigma ili Hampelova identifikatora te njihovo nadomještanje. U slučaju različitih perioda uzorkovanja ulaznih i izlaznih podataka potrebno je generirati dodatne podatke izlazne veličine pomoću, primjerice, viševeličinskog prilagodljivog regresijskog spline-a (engl. multivariate adaptive regression splines) ili kubnog spline-a. Ukoliko je kod mjernih pretvornika prisutan mjerni šum podaci se filtriraju, odnosno "izglađuju" primjenom filtra što olakšava razvoj modela i poboljšava predviđanje modelom. Također je, ukoliko postoje, potrebno ukloniti klizanja karakteristike mjernih pretvornika i trendove u podacima. Nakon predobrade podataka slijedi odabir utjecajnih ulaznih varijabli za razvoj modela softverskih senzora. Osnovni kriterij pri analizi osjetljivosti izlaznih na ulazne varijable je pogreška modela u odnosu na pogrešku kada su u obzir uzete sve potencijalne varijable. U istu svrhu provodi se i analiza korelacijskih koeficijenata te PCA i PLS analiza. Nakon odabira i predobrade ulaznih varijabli slijedi izbor modela koji će se primijeniti u industrijskom sustavu. Posebni naglasak je na razvoju empirijskih linearnih dinamičkih FIR (engl. finite impulse response ) i OE (engl. output error) modela te metodama optimiranja parametara modela. Prikazat će se i razvoj nelinearnih inačica modela kao što su nelinearni FIR i Hammerstein-Wiener (HW) model. Nakon odabira vrste modela potrebno je unaprijed odrediti red (dimenziju) modela (red regresora), a za nelinearne modele i broj nelinearnih jedinica (aproksimacija nelinearne funkcije). Budući da je područje pretraživanja optimalnih vrijednosti parametara reda modela izuzetno veliko, prikazat će se primjena globalnih metoda optimiranja kao što su genetički algoritmi (GA) i metoda pretraživanja uzorkom (DS). Prije optimiranja reda modela treba preliminarno zadati parametre genetičkog algoritma i metode pretraživanja uzorkom kao i utvrditi granice pretraživanja parametara reda modela. Za pronalazak optimalnog reda modela (regresora) primijenjena je višekriterijska funkcija cilja određena metodom težinskih suma. Na kraju izlaganja prikazat će se numeričke i grafičke metode vrednovanja modela te raspraviti mogućnosti primjene na industrijskim postrojenjima. Usporedba razvijenih modela unutar određene skupine modela te uspješnost GA u odnosu na metodu DS prikazat će se na temelju statističkih veličina FIT, konačne pogreške predviđanja (FPE), srednje kvadratne pogreške te srednje apsolutne pogreške. Najbolji modeli iz pojedine skupine modela vrednovani su i analizom reziduala pomoću histograma reziduala te korelacijskim testovima vrednovanja na neovisnom skupu podataka. Razvoj i praktična primjena softverskih senzora prikazat će se na primjeru linearnih dinamičkih FIR i OE modela za procjenu sadržaja benzena u lakom reformatu na postrojenju frakcionacije reformata u rafinerijskoj proizvodnji. Modeli softverskih senzora razvijeni su uporabom tehnika identifikacije procesa uz pomoć softverskog paketa MATLAB verzija 7.11.0.584 (R2010b). U okviru MATLAB-a primjenjuju se System Identification Toolbox za identifikaciju modela te Global Optimization Toolbox za optimiranje reda modela i drugih parametara. Primjenom softverskih senzora u algoritmima naprednih metoda vođenja procesa očekuje se poboljšanje u radu procesa i veća kvaliteta proizvoda, a time i značajne uštede te zadovoljavanje strogih propisa zaštite okoliša.

Genetički algoritam ; Globalno optimiranje ; Identifikacija procesa ; Modeliranje procesa ; Pretraživanje uzorkom ; Softverski senzor

nije evidentirano