Современное состояние вопросов технического диагностирования динамических объектов

АННОТАЦИЯ

Достоверность результатов исследования обеспечивается выполнением методически обоснованных теоретических выкладок; применением теоретически обоснованных концепций создания информационно-управляющей системы динамическими объектами; использованием имитационно-статистических методов и алгоритмов современной теории диагностирования и прогнозирования; требуемой степенью схожести предлагаемых методов и алгоритмов создания нейро-нечеткой информационно-аналитической системы диагностирования; результатами теоретических и прикладных исследований и их взаимной согласованностью.

Научная и практическая значимость результатов исследования заключается в разработке гибридных моделей процесса диагностирования технологических объектов, построенных на базе совместного применения интеллектуальных технологий и традиционных методов построения математических моделей; конструктивных алгоритмов диагностирования состояний динамических объектов, функционирующих в условиях неопределенностей априорной информации, позволяющих эффективно решать задачи управления технологической безопасности объектов и совершенного обнаружения различных производственных ситуаций для поддержания нормального функционирования.

Практическая значимость основана на предложенных в работе нейро-нечетких моделях и алгоритмах диагностирования состояний динамических объектов, включающих в себя алгоритмы автоматизированного формирования нейро-нечетких моделей процесса диагностирования агрегатов в условиях неопределенности.

ABSTRACT

The reliability of the research results is ensured by the implementation of methodically grounded theoretical calculations; the application of theoretically grounded concepts for creating an information management system for dynamic objects; the use of simulation-statistical methods and algorithms of the modern theory of diagnosis and forecasting; the required degree of convergence of the proposed methods and algorithms for creating a neuro-fuzzy information-analytical diagnostic system; the results of theoretical and applied research and their mutual agreement.

The scientific and practical significance of the research results lies in the development of hybrid models of the process of diagnosing technological objects, built on the basis of the joint application of intelligent technologies and traditional methods of constructing mathematical models; constructive algorithms for diagnosing the states of dynamic objects operating in conditions of uncertainties of a priori information, allowing to effectively solve the problems of managing the technological safety of objects and perfect detection of various production situations to maintain normal functioning.

The practical significance is based on the neuro-fuzzy models and algorithms for diagnosing the states of dynamic objects proposed in the work, including algorithms for the automated formation of neuro-fuzzy models of the aggregate diagnostics process under conditions of uncertainty.

Ключевые слова: нейро-нечеткая модель, диагностирование, сравнение эталона с текущим, принятие решения, прогнозирование.

Keywords: neuro-fuzzy model, diagnosis, comparison of the reference on the current, decision making, forecasting.

Введение

В мире особое внимание уделяется вопросам обеспечения безопасности и эффективности функционирования технологических агрегатов производств. Удовлетворение этих требований во многом определяется используемыми методами диагностирования состояний и управления безопасностью динамических объектов. Для нефтеперерабатывающих предприятий, которые относятся к потенциально опасным производствам, задача диагностирования технического состояния объектов и управления безопасности производства является актуальной.

Диагностика технических состояний агрегатов на функционирующих нефтеперерабатывающих предприятиях является сложной задачей, связанной с отсутствием адекватного математического описания процесса, протекающего на объектах, ограниченных числом контролируемых параметров, которые недостаточны для точного диагностирования состояния объекта. В связи с этим важной задачей нефтеперерабатывающих предприятий является создание интеллектуальных методов диагностики технологических процессов на основе современных инструментов информационных технологий, позволяющих повысить эффективность контроля, диагностики и управления.

Методы исследования

Исследованы вопросы современного состояния проблемы диагностирования состояний технологических объектов, проведен анализ методов диагностирования технического состояния объектов, изучены подходы и особенность интеллектуализации систем диагностирования, обосновано интеллектуальное диагностирование технологических состояний нефтеперерабатываюших объектов на основе математического аппарата нейронных систем и нечеткой логики.

Характерная особенность нефтеперерабатывающих объектов заключается в наличии большого числа контролируемых и неконтролируемых параметров переработки нефтепродуктов, отсутствии или неполноте знаний о физико-химических параметрах процесса. Дополнительные сложности в решении задач диагностирования технологических состояний объекта в различных нештатных ситуациях возникают в связи с тем, что в основном решения принимаются в условиях неопределенности и нечеткости исходной информации и практически отсутствуют детерминированно-стохастические модели.

Для эффективного диагностирования систем управления такими сложными технологическими процессами необходимо совершенствование существующих и разработка новых подходов, моделей и методов оценки технологического состояния процесса в различных производственно-технологических ситуациях на основе использования достижений современных информационных технологий с привлечением методов интеллектуального управления. В связи с этим одной из основных задач системы управления технологическими процессами данного класса является идентификация производственных ситуаций, прогнозирования поведения объекта и обеспечения технологической безопасности всего комплекса, с учетом этого в диссертационной работе предложена схема диагностирования состояний динамических объектов (рис. 1).

Рисунок 1. Диагностирование состояний динамических объектов

Реализация данного представления состоит из следующих этапов.

На первом этапе осуществляется сбор информации о текущем состоянии объекта и формировании базы данных, что заключается в приведении этих данных к стандартной форме входных параметров базы данных.

На втором этапе производится расширение текущей информационно-диагностической базы данных за счет учета расчетных неизмеряемых параметров, характеризующих текущее технологическое состояние объекта.

На третьем этапе определяется текущее техническое состояние объекта путем сравнения текущей совокупности значений параметров, полученных на втором этапе, с эталонной совокупностью параметров, соответствующих технологическому регламенту процесса диагностирования объекта. Данные, характеризующие исправное состояние объекта, сохраняются в БД системы.

На последним четвертом этапе производится определение эксплуатационных решений по результатам оценки диагностирования текущего состояния объекта и набора технологических операций, соответствующих возможным вариантам технического диагноза объекта.

Заключение

Проанализировано состояние проблемы в области диагностирования технологических процессов, происходящих в условиях неопределенности. Проведено исследование теоретических и прикладных вопросов оценки технологических состояний сложных промышленных производств для целей создания информационной системы диагностирования технологических объектов. Осуществлен анализ методов диагностирования состояний технических объектов. Большой объем информации, сложных решаемых задач, необходимость учета множества взаимосвязанных факторов при быстро меняющихся производственных условиях, использование базы данных и базы знаний в системах обработки и представления информации требуют применения компьютерной системы диагностирования.

Список литературы:

1. Атажонов М.О. Диагностирование и прогнозирование состояний технологических объектов нефтепереработки // Международный научный журнал «Ученый XXI века». – Россия, 2020. – № 6-2 (65). – С. 40–46.
2. Атажонов М.О. Модели и алгоритмы автоматизированного исследования иерархических мультимикропроцесорных систем управления технологическими объектами // Устойчивое развития науки и образования. – Россия, 2018. – № 3. – С. 204–207.
3. Каримов Ш.С., Мамасодикова Н.Ю., Атажонов М.О. Нечетко ситуационное управление технологической безопасностью нефтехимических установок и комплексов // «ФерПИ илмий техника журнали». – Фергана, 2018. – Спецвып. № 1. – С. 80–85.
4. Adaptive analytical control of technological parameters based on the probability method of oil refining installations / I.H. Sidikov, M.O. Atajonov, S.T. Yunusova, G. Nashvandova // European Science Review. – 2020. – Vol. 1. – Iss. 2. – P. 78–83 / [Электронный ресурс]. – Режим доступа: https://doi.org/10.29013/ESR-20-1.2-78-83.
5. Formalization of the Cotton Drying Process Based on Heat and Mass Transfer Equations « » / S.T. Yunusova, D.A. Halmatov, M.O. Atajonov, U.O. Huzanazarov // IIUM ENGINEERING JOURNAL. – Kuala Lumpur Malaysia, 2020. – Vol. 21. – № 2. – P. 256–265 / [Электронный ресурс]. – Режим доступа: https://doi.org/10.31436/iiumej.v21i2.1456.
6. Pegat A. Fuzzy modeling and control. – М. : laboratory knowledge, 2009. – 798 p.
7. Voskoboinikov Yu.E. Stable methods and algorithms for parametric identification, – Novosibirsk: NSASU (Sibstrin), 2006.
8. Yarushkina N.G. Foundations of theory and hybrid systems. – M. : Finance and statistics, 2004.­ – 320 p.
9. Zadeh L.A. Fuzzy sets // Inform. Contr. – 1965. – Vol. 8. – P. 338–353.
10. Zhdanov A.I. Introduction to methods for solving ill-posed problems. – Samara State Aerospace University, 2006.