краткий обзор функций информационной системы metsodna
advertisement
КРАТКИЙ ОБЗОР ФУНКЦИЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ METSODNA И ВОЗМОЖНОСТЕЙ ЕЕ ИСПОЛЬЗОВАНИЯ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ А. И. Шабаев Metso Automation Projects, Финляндия; ПетрГУ, г. Петрозаводск Введение В настоящее время многие покупатели на рынке промышленной автоматизации стремятся приобрести не только системы управления технологическими процессами, но и весь пакет связанных с этим услуг, включая интеграцию приобретаемой системы управления технологическим процессом в систему управления предприятием. Одним из путей решения данной задачи является приобретение информационной системы в составе системы автоматизации, которые в настоящее время поставляются всеми ведущими поставщиками систем промышленной автоматизации, однако предлагают различные возможности. В настоящей статье приводится краткий обзор основных функций и программных приложений информационной системы metsoDNA финской фирмы Metso Automation, а также предлагаются направления использования данной информационной системы для настройки ПИД-регуляторов и идентификации математических моделей объектов управления. За 2001–2002 гг. в Российскую Федерацию было поставлено порядка 10 информационных систем metsoDNA, в основном на предприятия нефтеперерабатывающей, энергетической, горно-добывающей и целлюлозно-бумажной отраслей промышленности. Еще столько же систем будет поставлено в течение 2003 г. Опыт участия автора (в большей или меньшей степени) практически во всех этих проектах показывает, что в России возможности информационных систем в составе систем автоматизации используются неполностью. Возможно, это обусловлено отсутствием опыта в использовании аналитических возможностей данных систем. Это обстоятельство обосновывает актуальность исследований, иллюстрирующих преимущества использования аналитических приложений и возможностей информационных систем, входящих в состав систем промышленной автоматизации. Обзор информационной системы metsoDNA Базы данных в информационной системе metsoDNA Информационная система metsoDNA предназначена для сбора, хранения, анализа и представления данных о ходе технологического процесса. В данной информационной системе используются 2 базы данных – процессовые данные хранятся в базе данных InfoPlus.21 фирмы AspenTech, а аварийные и предупредительные сообщения и действия оператора – в СУБД Oracle. Это связано с тем, что каждая запись в обеих базах данных имеет метку времени, и в то время как процессовые данные опрашиваются с определенной частотой опроса (кратной 1 секунде), событийные данные записываются по мере поступления, т. е. могут иметь метку времени, не кратную 1 секунде. Продолжительность хранения как процессовых, так и событийных данных, а также число опрашиваемых позиций ограничены фактически объемом жесткого диска и вычислительными возможностями компьютера. Опыт, накопленный фирмой Metso Automation, позволяет гибко выбирать аппаратные характеристики инфо-сервера metsoDNA (объем жесткого диска, число процессоров, объем оперативной памяти) на основе потребностей заказчика по сбору и хранению данных. Компрессия данных в InfoPlus.21 База данных InfoPlus.21 представляет собой фактические значения переменных. Для экономии места на диске может использоваться алгоритм компрессии, суть которого можно пояснить следующим образом – через последние 2 записанных значения базы данных проводится воображаемая прямая линия, а последующие значения, отклоняющиеся от этой линии менее чем на заданную величину ( Significance), не записываются. Таким образом, если некоторая переменная фактически приняла следующие значения: то в случае применения компрессии в базу данных будут записаны следующие значения: Применение данного алгоритма компрессии позволяет значительно снизить объем хранимых данных, особенно в случае хранения значений дискретных переменных, а также малых изменений значений параметров. В случае, когда компрессия нежелательна и необходимо хранить все значения интересующей переменной, значение параметра Significance устанавливается равным 0. Отметим, что значение данного параметра может быть изменено в процессе работы базы данных. Простейшие задачи К числу простейших задач, решаемых информационной системой metsoDNA, относятся сбор и хранение данных в течение определенного промежутка времени, построение сменных, суточных и других отчетов, общих трендов, а также сбор, хранение и представление аварийных и предупредительных сообщений и действий операторов. Преимущества информационной системы metsoDNA Несомненным преимуществом информационной системы metsoDNA является ее способность не просто собирать и хранить данные, а анализировать их в специальных программных приложениях и вырабатывать рекомендации по повышению эффективности управления технологическим процессом по избежанию аварийных ситуаций. К числу таких приложений относятся: – Средство DNAdisturbanceManagement для построения так называемых трендов аварийного останова с частотой опроса до 200 мс за промежуток времени, непосредственно предшествующий и следующий за аварийным событием. Это позволяет установить и, следовательно, устранить истинную причину аварийного события. – Средство DNAalarm для вывода на экран и принтер списка сообщений, а также анализа данного списка с указанием, сколько раз за данный интервал времени выдавалось каждое сообщение, и указанием 10 позиций, наиболее часто встречавшихся в списке сообщений. Это позволяет установить, какая зона и участок технологического процесса являются наиболее аварийными. – Средства DNAsummary, DNAtotal и DNAruntime для вывода максимальных, минимальных, средних и суммарных значений параметров, что может использоваться для оценки коэффициента аварийности (DNAruntime) и сравнения поведения процесса в разные периоды времени. – Десятки специализированных аналитических приложений для ЦБП, энергетики, нефтехимии и др. отраслей, основанных на глубоком понимании технологии процессов в данных отраслях промышленности, которым обладают специалисты фирмы Metso. Связь с другими системами и приложениями Информационная система metsoDNA является открытой системой – она может собирать данные от систем других производителей и сама в свою очередь передавать данные в системы других производителей. Однако использование системы управления metsoDNA позволяет включать информационные приложения в контекстное меню, что повышает эффективность использования информационных приложений и самой системы автоматизации за счет мгновенного доступа к интересующим данным. Настройка ПИД-регуляторов Следующим направлением использования возможностей информационной системы metsoDNA является настройка ПИД-регуляторов, очень часто используемых для управления технологическими процессами. Неточные значения параметров ПИДрегуляторов приводят к тому, что регулятор начинает "раскачивать" контур регулирования, в результате чего снижается эффективность его функционирования и появляются избыточные аварийные сообщения, отвлекающие внимание операторов. В настоящее время настройка ПИД-регуляторов осуществляется в основном вручную и "на глазок". Между тем уже несколько десятков лет существуют методы более точной настройки ПИД-регуляторов, такие как метод Зиглера–Николса и Кохена–Коона. В основе обоих этих методов лежит отклик управляемого параметра на шаговое изменение задания. Очевидно, что информационная система, хранящая значения параметров технологического процесса, может и должна использоваться для более точной настройки ПИД-регуляторов. Тем более что для этого существуют специальные приложения, такие как TuneUp, которые в режиме реального времени могут получать из базы данных измеряемые значения, обрабатывать их, и выводить на экран, в файл и на принтер индексы функционирования контроллеров, а также рекомендации по значениям параметров. Идентификация математических моделей Технологические схемы, содержащие и не содержащие циклы Различным аспектам построения и идентификации математических моделей сложных непрерывных технологических процессов посвящен ряд публикаций автора. Продемонстрируем опыт использования системы управления и информационной системы metsoDNA при проведении подобных исследований. До настоящего времени автором в основном исследовался технологический процесс регенерации химикатов при производстве сульфатной целлюлозы по непрерывному способу. Большинство крупных ЦБК, построенных за последние 20–30 лет, не только включают данный технологический процесс, но и обладают сходными технологическими схемами. Кроме этого, наличие цикла, аналогичного циклу регенерации химикатов, достаточно типично для непрерывных технологических процессов по той причине, что некоторые используемые в процессе производства основного продукта вещества либо требуют специальной обработки, либо сами по себе являются специальными веществами, в силу чего их сброс в окружающую среду нерентабелен или вреден для экологии. Между тем некоторые вещества не используются в процессе производства повторно. К их числу, очевидно, относится основной производимый продукт. В некоторых случаях основной продукт возвращается в производство, однако это понижает рентабельность производства и не может считаться нормальным. Наличие цикла в технологической схеме значительно усложняет исследование математической модели. Однако разработанные при этом подходы могут быть применены и для управления технологическими линиями, не содержащими циклов. В качестве примера рассмотрим технологические процессы очистки, компримирования и осушки попутного нефтяного газа на газокомпрессорных станциях. Цель управления Относительно цели управления заметим, что в данном случае необходимо вести речь о производстве всей совокупностью компрессорных станций газа в объеме, достаточном для конечных потребителей. Превышение необходимого объема в данном случае нежелательно, т. к. магистраль не сможет его принять, что приведет к повышенному сбросу газа на факел, т. е. его потере. Поэтому в качестве цели управления компрессорной станцией не следует рассматривать такой часто встречающийся в литературе критерий, как максимизация объема выпуска конечного продукта, а целесообразно выбрать подачу в магистраль газа в определенном "количестве", которое может отличаться от максимального. Под "количеством" в данном случае обычно понимают расход газа в нормальных кубометрах в час (нм 3/ч). Технологическая схема газокомпрессорной станции Приведем краткое описание основных этапов технологического процесса очистки, компримирования и осушки газа, схема которого представлена на рис. 1. C-1 C-2 C-01 C-3 C-4 B-01 К101 А101 В101 К102 А102 К201 А201 В201 К202 А202 К301 А301 В301 К302 А302 С400 C-5 Рис. 1 Схема очистки, компримирования и осушки газа Нефтяной газ 1-й ступени сепарации нефти группы месторождений поступает в сепаратор С-01 и далее в пять параллельно обвязанных по газу приемных сепараторов С-1-5, в которых происходит его очистка от взвешенных частиц нефти, воды, конденсата и механических примесей. Затем газ поступает в общий коллектор и сепаратормультициклон В-01, где также очищается от механических примесей, аэрозоли и конденсата. Компримирование газа осуществляется в трех идентичных компрессорных линиях, функционирующих параллельно. Рассмотрим работу линии КЛ100. В компрессоре низкого давления К101 газ сжимается до давления 2,5–3,4 МПа и нагревается до температуры 180–230C. Затем газ охлаждается до 30–50C в аппарате воздушного охлаждения А101 и поступает в промежуточный сепаратор В101, где очищается от сконденсированной воды и углеводородов и откуда подается на прием центробежного компрессора высокого давления К102. Газ в К102 сжимается до давления 8–10 МПа и нагревается до 190–210C. Затем газ охлаждается до 30–50C в аппарате воздушного охлаждения А102 и поступает в общий коллектор нагнетания компрессорных линий. По коллектору нагнетания газ поступает в сепарационную (нижнюю) часть абсорбера С400, где очищается от сконденсировавшейся влаги и углеводородов, затем подается в абсорбционную (верхнюю) часть, в которой контактирует с подаваемым через верхнюю часть абсорбентом (ТЭГом). Осушенный газ направляется на выход компрессорной станции. Насыщенный влагой ТЭГ собирается и направляется в блок регенерации, в котором осуществляется его дегазация и выпаривание влаги. Регенерированный ТЭГ перетекает в буферную емкость, из которой подается обратно в верхнюю часть абсорбера C400. При составлении технологической схемы производства, изображенной на рис. 1, не принимались во внимание цикл регенерации ТЭГа, цикл маслосистемы, а также система сбора конденсата – единственное влияние этих технологических систем на процесс очистки, компримирования и осушки газа заключается в останове станции или линии в случае нарушения режима их работы. Также не будем принимать во внимание случай подачи газа с выхода станции на вход. Полученная технологическая схема очистки, компримирования и осушки газа представляет собой последовательно-параллельную цепочку агрегатов, не содержащую циклов. Исследуем ее поведение. Модель верхнего уровня газокомпрессорной станции в среде Simulink Отметим, что технологическая схема, представленная на рис. 1, была получена на основе анализа дисплеев оператора системы управления metsoDNA, что иллюстрирует полезность последней для структурной идентификации математических моделей объектов управления. Далее для построения математической модели всего объекта управления построим математические модели его отдельных участков в виде передаточных функций 1-го порядка с запаздыванием. Данный подход обосновывался автором в предыдущих работах. Анализ технологического процесса показывает, что поток газа характеризуется 3 параметрами – температурой, давлением и расходом в м3/ч, на основе которых по специальной формуле рассчитывается расход газа в нм 3/ч. Следовательно, для каждого участка технологического процесса необходимо получить зависимость между входным и выходным значением каждого из этих 3 параметров. Как и в предыдущих работах автора, средой для реализации и проведения численных экспериментов с моделью выбран Simulink – широко применяемый в мире пакет для динамического моделирования систем управления. На основе технологической схемы (см. рис. 1) в данном пакете была построена диаграмма, представленная на рис. 2: Рис. 2. Simulink-диаграмма процесса очистки, компримирования и осушки газа Идентификация параметров математической модели газокомпрессорной станции в установившемся режиме Для построения математической модели газокомпрессорной станции необходимо идентифицировать значения параметров технологических участков данного объекта управления. Для этого были использованы значения позиций, собираемые и накапливаемые информационной системой metsoDNA. Заметим, что на данном объекте информационная система опрашивает все позиции с частотой опроса 1 секунда. Коды позиций системы автоматизации, содержащие значения требуемых температур, давлений и расходов, легко определяются с дисплеев оператора. Для сбора значений интересующих позиций за промежуток времени длительностью 7 суток был составлен SQL-запрос, результат работы которого копировался в Excel-файл. Данный период был выбран на том основании, что почти все 7 суток предприятие работало в установившемся режиме, а в конце последнего дня было остановлено, что позволяет анализировать работу объекта и в установившемся, и в переходном режиме. Управляющим воздействием для данного объекта является частота вращения каждого турбо-компрессорного агрегата (ТКА), а также положение отсекающих клапанов на входе каждой из компрессорных линий. В течение установившегося режима из трех компрессорных линий работали только 2, а дисперсия частоты вращения ТКА для них составляла всего 0,034% от значения данного сигнала. В течение переходного режима за 2,5 минуты частота вращения ТКА была снижена с 6460 до 483 оборотов. Значения данного сигнала менее 500 являются ненадежными, о чем сказано в технической спецификации соответствующего датчика. В данной работе ограничимся анализом поведения объекта управления в установившемся режиме. Для снижения объема базы данных на предприятии использовался вышеописанный алгоритм компрессии, заносящий в базу данных только значения, отклоняющиеся от прямой линии, проведенной через 2 последних записанных в базу данных значения, более чем на 2% от диапазона изменения сигнала. Промежуток принудительной записи был равен 1 часу. Выяснилось, что во время работы объекта в установившемся режиме запись значений в базу данных производилась, как правило, принудительно, а не в случае значительного изменения значений параметра. В этой ситуации попытки идентификации таких параметров передаточной функции 1-го порядка, как постоянная времени и транспортное запаздывание, вряд ли привели бы к значимым результатам. Таким образом, данные, собранные при работающем алгоритме компрессии, могут использоваться для анализа стационарных характеристик, однако для более точного анализа необходимо обеспечить на этот период времени сохранение каждого значения интересующих переменных либо рассматривать меньшее значение параметра Significance. Поэтому было принято решение по данным, относящимся к установившемуся режиму, определять только коэффициент усиления, а по данным, относящимся к переходному режиму, – значение постоянной времени. Для идентификации значений коэффициентов усиления использовался подход, основанный на применении специализированных функций пакета Matlab. Значительно ускорила работу реализация практически всех действий в подпрограмме на встроенном языке программирования Matlab. Как обосновывалось выше, зависимость между изменением выходного и входного сигналов каждого участка по каналам "температура" и "давление" искалась в виде y(t) = Кu(t) + e(t), где y(t) – выходной сигнал, К – коэффициент усиления, u(t) – входной сигнал, e(t) – ошибка. Для зависимости такого вида лучше всего подходит метод Output-Error: с параметрами nb=1, nf = 0, nk = 0. Вначале, оценивалась относительная статистическая точность модели по формуле: где y – фактический выходной сигнал, – среднее значение его элементов, y(m) – выходной сигнал, предсказанный моделью. Однако полученные результаты оказались весьма низкими – не превышали 70%, а в некоторых случаях составляли всего 11%. Причиной тому является малая дисперсия рассматриваемых сигналов (в пределах 0,42– 2,19% от среднего значения сигнала) и значительная разница по времени между соответствующими значениями входного и выходного сигналов (до 50 минут), обусловленная тем, что запись часто производилась в принудительном порядке. В такой ситуации не следует делать выводы при сравнении дисперсии выходного сигнала и предсказанного моделью, потому что при столь малой дисперсии порог 2%, отклонения в пределах которого игнорируются алгоритмом компрессии, является слишком значительным. Поэтому было принято решение оценить среднюю относительную точность модели по формуле , где y – фактический выходной сигнал, y(m) – выходной сигнал, предсказанный моделью, n – размерность обоих сигналов. Средняя относительная точность модели оказалась в пределах 0,2–1,4% для давления и 0,72–3,5% для температуры. На основе этого было принято решение использовать полученные значения коэффициентов усиления для дальнейшего исследования модели газокомпрессорной станции. Идентификация параметров математической модели газокомпрессорной станции в переходном режиме В течение переходного процесса за 2,5 минуты частота вращения ТКА была снижена с 6460 до 483 оборотов. Передаточной функции 1-го порядка соответствует ОДУ 1-го порядка следующего вида: , где y(t) – выходной, а u(t) – входной сигналы. В соответствии с предложенным и обоснованным в некоторых работах подходом к построению зависимости выходного сигнала технологического объекта не от входного сигнала данного объекта, а от задания на значение данного выходного сигнала, в качестве u(t) следует рассматривать задание на значение сигнала y(t). До начала переходного процесса система находилась в установившемся режиме, следовательно, ее поведение описывалось статической зависимостью y(t) = K u(t). Значения коэффициентов усиления К по каналу "изменение числа оборотов – изменение выходного сигнала" в этом случае определяются достаточно легко с использованием подхода, описанного в предыдущем параграфе. Во время переходного режима в рассматриваемом случае, очевидно, ставилась задача останова предприятия, т. е. в качестве задания целесообразно выбрать u(t) = 0 при t > 0. Нетрудно заметить, что в этом случае y*(t) = y(0)e(-t/T), где y*(t) обозначает выходной сигнал, предсказанный моделью. Далее необходимо определить значение постоянной времени Т на основе фактических значений выходного сигнала, что является задачей регрессионного анализа и может быть выполнено, в частности, методом наименьших квадратов, что также очень удобно реализуется в пакете Matlab. Этот подход и был использован для идентификации постоянной времени каждого из участков вышеописанного технологического процесса. Заключение Зная температуру и давление газа на входе станции, можно определить предсказанные моделью значения температуры и давления газа на выходе станции и каждого ее участка. Кроме того, с учетом постоянства массного расхода газа на каждом участке и известном значении расхода на выходе компрессорной линии, можно определить расход газа для каждого участка как в нм3/ч, так и в м3/ч. Далее по заданному расходу газа на выходе станции можно определить соответствующий ему расход газа на входе станции, что позволит предсказывать поведение всех параметров данного технологического процесса в различных ситуациях. Подход к построению зависимости выходного сигнала технологического объекта не от входного сигнала данного объекта, а от задания на значение данного выходного сигнала обладает следующим важным, по нашему мнению, достоинством – лицо, принимающее решение по управлению работой предприятия, может оперировать терминами желаемых значений параметров. При этом математическая модель позволит предсказать фактическое поведение процесса в случае заданных желаемых значений параметров, а решение задачи оптимизации позволит выбрать желаемые значения для повышения эффективности работы предприятия (по заданному критерию) с учетом фактического поведения процесса. Последующая реализация заданного хода технологического процесса является задачей системы управления. Информационная система metsoDNA уже в настоящее время позволяет не просто собирать и хранить данные, а анализировать их в специальных программных приложениях и вырабатывать рекомендации по повышению эффективности управления технологическим процессом и избежанию аварийных ситуаций. Однако ее применение для структурной и параметрической идентификации математических моделей верхнего уровня в соответствии с вышеописанным подходом позволит более точно исследовать поведение процесса, а постановка и решение задач оптимизации, использование полученных моделей и решений в управлении технологическими процессами еще более повысят эффективность управления ими.
