Диагностика отказов технологического оборудования химических производств с помощью искусственного интеллекта
- Авторы: Зубов Д.В.1, Лебедев Д.А.1
-
Учреждения:
- Российский химико-технологический университет имени Д.И. Менделеева
- Выпуск: № 2 (2024)
- Страницы: 30-40
- Раздел: Статьи
- URL: https://bakhtiniada.ru/2454-0714/article/view/359414
- DOI: https://doi.org/10.7256/2454-0714.2024.2.70729
- EDN: https://elibrary.ru/XBIJYK
- ID: 359414
Цитировать
Полный текст
Аннотация
В работе рассмотрена задача автоматизированного распознавания одиночных аварийных ситуаций на химических и нефтеперерабатывающих производствах. Современные химико-технологические производства обслуживаются и управляются небольшим количеством персонала, что повышает нагрузку на каждого оператора. Для уменьшения количества ошибок операторов регулярно проводится их обучение на тренажёрах, оснащённых набором как штатных ситуаций (регламентный пуск, останов, нормальное ведение процесса, переход с одного режима на другой), так и аварийных сценариев (разгерметизация колонны, отказ насоса, выход из строя системы энергоснабжения). Тем не менее, предусмотреть все возможные отказы во время обучения операторов невозможно, и даже подготовленный оператор может не заметить первые признаки аварии, в связи с чем необходимо создание системы поддержки решений, помогающей оператору своевременно распознавать отказы технологического оборудования. Для распознавания отказов предложено использовать нейронную сеть, обученную на массиве данных смоделированных аварий. Для моделирования типовых аварий использован промышленный тренажёр на базе платформы RTsim. Новизна исследования заключается в использовании методов искусственного интеллекта для диагностики достояния технологического процесса по данным SCADA-системы и использовании для обучения нейронной сети данных не с реального объекта (которых всегда будет недостаточно), а с модели, точно соответствующей конкретному технологическому участку. Количество смоделированных сценариев, использованных для обучения нейронной сети может быть достаточно велико, что позволяет снизить долю ошибочных срабатываний системы. Разработанная система уверенно справляется с распознаванием отдельных отказов оборудования. Полученные результаты могут быть использованы для помощи операторам-технологам и для усовершенствования систем противоаварийной защиты. Анализ времени, необходимого системе для распознавания аварийной ситуации может быть использован для проектирования новых производств, модификации системы контроля и управления.
Об авторах
Дмитрий Владимирович Зубов
Российский химико-технологический университет имени Д.И. Менделеева
Email: dvzubov@gmail.com
ORCID iD: 0000-0002-0703-1577
доцент; кафедра информационных компьютерных технологий;
Данила Александрович Лебедев
Российский химико-технологический университет имени Д.И. Менделеева
Email: lebedev.d.a@muctr.ru
ORCID iD: 0009-0007-2873-2341
аспирант; кафедра информационных компьютерных технологий;
Список литературы
Цифровые тренажеры технологических процессов РТСИМ. Карьера для обеспечения безопасности в нефтехимическом комплексе / Р. Р. Габдрахманов, Э. В. Гарифуллина, В. В. Бронская [и др.] // Наука, технологии, общество: Экологический инжиниринг в интересах устойчивого развития территорий : Сборник научных статей, Красноярск, 09–10 ноября 2023 года. – Красноярск: Красноярский краевой Дом науки и техники Российского Союза научных и инженерных общественных объединений, 2023. – С. 131-135. – EDN BLETRM. Титова, Л. М. Цифровые двойники при подготовке инженерных кадров химических производств в высшей школе / Л. М. Титова, Н. П. Мемедейкина // Международный форум KAZAN DIGITAL WEEK-2023 : Сборник материалов, Казань, 20–22 сентября 2023 года / Сост. Р.Ш. Ахмадиева, Р.Н. Минниханов. Под общей редакцией Р.Н. Минниханова. – Казань: Научный центр безопасности жизнедеятельности, 2023. – С. 954-960. – EDN RNNMLO. Имитация процессов управления агрегатом производства метанола на тренажере / В. Л. Перов [и др.]. – Текст : непосредственный // Тр. Моск. хим. – технол. ин-та им. Д.И.Менделеева. – 1988. – Вып. 152. – С. 12-18. Siguo Bi, Cong Wang, Bochun Wu, Shuyan Hu, Wutao Huang, Wei Ni, Yi Gong, Xin Wang. A comprehensive survey on applications of AI technologies to failure analysis of industrial systems// Engineering Failure Analysis, Volume 148, 2023, 107172, ISSN 1350-6307. URL: https://doi.org/10.1016/j.engfailanal.2023.107172. Pallavi Kumari, Bhavana Bhadriraju, Qingsheng Wang, Joseph Sang-Il Kwon. A modified Bayesian network to handle cyclic loops in root cause diagnosis of process faults in the chemical process industry // Journal of Process Control. Volume 110, 2022, Pages 84-98. URL: https://doi.org/10.1016/j.jprocont.2021.12.011 Chunbo Pang, Dawei Duan, Zhiying Zhou, Shangbo Han, Longchao Yao, Chenghang Zheng, Jian Yang, Xiang Gao, An integrated LSTM-AM and SPRT method for fault early detection of forced-oxidation system in wet flue gas desulfurization // Process Safety and Environmental Protection. Volume 160, 2022, Pages 242-254. URL: https://doi.org/10.1016/j.psep.2022.01.062 Hao Yin, He Xu, Weiwang Fan, Feng Sun. Fault diagnosis of pressure relief valve based on improved deep Residual Shrinking Network // Measurement. Volume 224, 2024, 113752. URL: https://doi.org/10.1016/j.measurement.2023.113752 Имитация аварий оборудования в системах моделирования химико-технологических процессов / Д. В. Зубов, А. В. Лобанов, Е. Б. Филиппова, Д. А. Лебедев // Математические методы в технологиях и технике. – 2022. – № 6. – С. 31-35. – doi: 10.52348/2712-8873_MMTT_2022_6_31. – EDN GSNFHJ. Разработка программных модулей цифрового двойника химико-технологического производства / Е. Б. Филиппова, Д. В. Зубов, Р. С. Крашенинников, А. В. Лобанов // Автоматизация в промышленности. – 2021. – № 7. – С. 16-20. – doi: 10.25728/avtprom.2021.07.04. – EDN CJBIPX
Дополнительные файлы
