РАЗРАБОТКА ЦИФРОВОЙ МОДЕЛИ ПРОЦЕССА ЭЛЕКТРОЛИЗА НА БАЗЕ АЛГОРИТМА ОПТИМИЗАЦИИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ МЕТОДОМ ЛЕВЕНБЕРГА-МАРКВАРДА

АННОТАЦИЯ

В данной работе рассматривается разработка алгоритма оптимального управления процессом электролиза, направленного на производство водорода, с применением метода оптимизации на базе нейронных сетей Левенберга-Марквардта и технологий цифрового двойника Unisim Design. В данной статье рассматривается и исследуется возможность внедрения цифровых моделей с методами искусственного интеллекта. Это анализируется с целью повышения эффективности и надежности технологического процесса на производстве. Особое внимание уделяется актуальности применения интеллектуальных систем для прогнозирования выхода водорода и реализации мягкой сенсорики в реальном времени. В рамках данного исследования проводится моделирование электролизного процесса с использованием виртуального стенда, позволяющего анализировать влияние различных параметров на производительность системы. Также рассматриваются способы адаптивного управления режимами электролиза с учетом изменений внешних условий и динамических характеристик оборудования на производстве. Предложенный подход ориентирован на повышение эффективности использования электроэнергии, минимизацию потерь предприятия и стабилизацию выхода водорода. Разработанная модель может быть использована для автоматизации и совершенствования реальных промышленных установок, а также для дальнейшего внедрения и улучшения цифровых технологий в процессы водородной энергетики.

ABSTRACT

This paper discusses the development of an optimal control algorithm for the electrolysis process aimed at hydrogen production using the optimization method based on Levenberg-Marquardt neural networks and Unisim Design digital twin technologies. This article discusses and explores the possibility of implementing digital models with artificial intelligence methods. This is analyzed in order to improve the efficiency and reliability of the technological process in production. Particular attention is paid to the relevance of using intelligent systems to predict hydrogen yield and implement soft sensors in real time. As part of this study, the electrolysis process is simulated using a virtual stand, which allows analyzing the impact of various parameters on system performance. Also, methods for adaptive control of electrolysis modes are considered, taking into account changes in external conditions and dynamic characteristics of equipment in production. The proposed approach is aimed at increasing the efficiency of energy use, minimizing enterprise losses and stabilizing hydrogen yield. The developed model can be used to automate and improve real industrial installations, as well as for further implementation and improvement of digital technologies in hydrogen energy processes.

Ключевые слова: водородная энергетика, цифровой двойник, метод оптимизации Левенберг-Марквардта, оптимальное управление, электролиз, Unisim Design.

Keywords: hydrogen energy, digital twin, Levenberg-Marquardt optimization method, optimal control, electrolysis, Unisim Design.

Введение

Автоматизация систем управления играет ключевую роль в обеспечении оперативной настройки технологических процессов в режиме реального времени. Цифровизация производственных процессов является одним из ключевых стратегических направлений исследований промышленности, поскольку она может позволить будущим заводам работать автономно или с минимальным вмешательством человека с помощью автоматизированных алгоритмов принятия решений, обеспечивающих надежную, безопасную и продуктивную работу [1]. На этапе проектирования необходимо учитывать множество требований, чтобы предотвратить накопление дополнительных затрат на более поздних этапах разработки [2]. Одним из наиболее перспективных инструментов цифровой трансформации промышленности является технология цифрового двойника, представляющая собой виртуальную копию существующей физической системы. Данный подход позволяет моделировать поведение системы в производственной среде и анализировать возможные сценарии её функционирования без необходимости физического вмешательства [3].

Литературный обзор

В сегодняшнем быстро меняющемся экономическом климате конкурентное давление на фирмы продолжает расти [4]. Более совершенные продукты и производственные процессы, а также более тесные технологические взаимосвязи в отрасли ставят перед глобальными компаниями новые задачи по оптимизации сроков вывода на рынок, использованию ресурсов и повышению экономической эффективности [5]. Компании концентрируют внимание на качестве продукции и оптимизации производственных процессов, чтобы оставаться конкурентоспособными. Интеграция технологий искусственного интеллекта (AI) и цифрового двойника (DT) в настоящее время является необходимым условием эффективного управления процессами.

Цифровые двойники широко используются во всех современных отраслях для точного моделирования, отслеживания, диагностики и прогнозирования процессов [6]. Если взять в качестве примера производство водорода, то открытие клапана подачи воды на входе на 80% может привести к избыточному давлению в нагревателе и снизить эффективность системы. Цифровое двойное моделирование в этом случае заранее выявляет риски и сводит к минимуму время простоя [7].

Цифровые двойники позволяют проводить полуфизическое моделирование, сокращая время и затраты на ввод в эксплуатацию за счет заблаговременного выявления ошибок проектирования [8]. Помимо DTs, в промышленных процессах используются системы искусственного интеллекта для автоматической настройки параметров в режиме реального времени. Например, термисторы со встроенными модулями искусственного интеллекта регулируют температуру котла, повышая надежность системы и энергоэффективность.

Это исследование актуально, поскольку существует необходимость максимально увеличить производство водорода с помощью электролиза. Предполагается, что адаптивные алгоритмы управления могут оптимизировать производство энергии и снизить себестоимость производства. В исследовании сравнивается эффективность цифровых двойников, искусственных нейронных сетей (ANNS) и алгоритма Левенберга-Марквардта.

DTS обеспечивают моделирование в реальном времени для улучшения процесса принятия решений, диагностики и производительности [9]. Благодаря данным датчиков, машинному обучению и аналитике DTS позволяют производителям отслеживать и оптимизировать процессы в режиме реального времени [10], [11]. Построение DTs является сложной задачей, поскольку оно должно работать в различных временных масштабах, таких как секунды для определения поведения турбины и годы для управления жизненным циклом [12].

ИИ, напротив, облегчает автоматизацию трудоемких задач, снижая трудоемкость ручного труда. Тем не менее, разработка моделей с использованием ИИ занимает много времени и требует больших объемов высококачественных данных, которых не всегда достаточно. В то время как искусственный интеллект продолжает набирать популярность [13], фирмы проявляют все больший интерес к использованию его потенциала. Тем не менее, риск утечки данных и информации является причиной для беспокойства [14]. Кроме того, чрезмерная стоимость создания DTs и AI — особенно сенсорных систем — является непростой задачей для небольших организаций.

Хотя у каждого из них есть свои сильные и слабые стороны, DTs и ИИ дополняют друг друга. Их сочетание обеспечивает наиболее эффективный и снижающий риски метод максимизации производства.

Целью исследования является проведение сравнительного анализа цифровых двойников и искусственного интеллекта для получения водорода электролизом и создание адаптивного алгоритма управления с использованием таких технологий. Будут собираться и анализироваться технологические данные, а также цифровые модели и алгоритмы искусственного интеллекта с акцентом на оптимизацию в реальном времени и максимизацию энергоэффективности.

Материалы и методы

Технологический процесс электролиза состоит из нескольких этапов (рис. 1). Вода и гидроксид калия (KOH) сначала закачиваются в мешалку 1 и смешиваются в пропорции 4:1, а затем по байпасной линии поступают в мешалку 2 для хранения. Нагреватель 1 нагревает подаваемую жидкость таким образом, чтобы уменьшить сопротивление щелочного раствора и увеличить скорость переноса ионов, затем раствор проходит через электролизер. К крайним монополярным электродам подводится электрический ток.

Рисунок 1. P&ID диаграмма тех. процесса

Основной целью является оптимизация процесса электролиза для увеличения выхода водорода и уменьшения погрешности в прогнозировании модели с использованием искусственной нейронной сети (ANN) и метода Левенберга-Марквардта.

После сравнения моделей, используемых при производстве водорода на основе искусственного интеллекта, был сделан вывод о выборе модели ANN, искусственной нейронной сети, для прогнозирования и обработки процесса при изменении входных параметров (давления и температуры). Для гарантии того, что модель не будет сохраняться, был использован алгоритм Левенберга-Марквардта, который решает эти проблемы оптимизации.

Рассматривается искусственная модель нейронной сети, обучаемая на входных данных и состоящая из задачи нелинейной оптимизации.

Блок-схема на рисунке 2 описывает алгоритм процесса электролиза:

Рисунок 2. Блок схема технологического процесса электролиза

В выбранном методе Левенберга-Марквардта рассматривается задача оптимизации функции ошибки при обучении нейронной сети. Пусть имеется обучающая выборка, состоящая из входных данных X и целевых значений Y. Целью оптимизации является минимизация среднеквадратичной ошибки (MSE) между предсказанными значениями сети и реальными данными:

Используемый метод Левенберга-Марквардта является одной из наиболее эффективных стратегий для оптимизации нейронных сетей. Данный алгоритм опирается на методы, приведённые в блок-схеме:

Рисунок 4. Выведение алгоритма

Как показано на рисунке 4, алгоритм Левенберга-Марквардта - это численный алгоритм, используемый для решения задач нелинейной оптимизации. Алгоритм использует лучшее из методов наискорейшего спуска и Гаусса-Ньютона, что позволяет эффективно минимизировать функции ошибок при использовании в обучении нейронных сетей и аппроксимациях. Проблема, о которой идет речь, заключается в нахождении оптимального набора весов w таким образом, чтобы функция ошибки E(w) могла быть сведена к минимуму.

Чтобы обучить модель, необходимо собрать исходные условия обучения модели. К ним относятся: температура, установочное давление. Исходные данные собираются с сервера OPC и отправляются в ANN. Выходными маркерами являются выход кислорода и водорода. Кроме того, для обучения этой модели необходимы предыдущие измеренные значения для водорода и кислорода. После обучения сеть тестируется с использованием новых данных и проверяется точность расчетов. С этой целью используется визуализация сходимости ошибок. Это позволяет увидеть, как со временем уменьшается погрешность модели в обучающих и проверочных наборах. Для подтверждения модели необходимо использовать стандартное отклонение (MSE), которое является мерой отклонения предсказаний нейронной сети от реальных значений. Модель основана на сборе данных с OPC-сервера, который получает измерения температуры, давления, выхода водорода и кислорода из физической системы. Эти данные также используются для обучения нейронной сети с дальнейшей оптимизацией управляющих параметров процесса электролиза.

Результаты и обсуждение

Аналитическая модель, построенная с использованием искусственной нейронной сети (ANN), обученной на реальных данных. \

После обучения нейросети были получены следующие результаты: 

1. Число эпох обучения: 14 (при максимальном 1000). 
2. Градиент ошибки: снижался от  до 2.11. 
3. Минимальная достигнутая MSE: , (что указывает на хорошее предсказание модели). 
4. Число валидационных проверок: 6, что подтверждает корректное обобщение данных. 

На рисунке 5 видно, что предсказанные значения (красная линия) практически совпадают с реальными измерениями (синяя линия), что свидетельствует о высокой точности модели. 

Рисунок 5. Результаты работы алгоритма ANN

Предсказывать поведение процесса в реальном времени – ANN обучается на исторических данных и может мгновенно адаптироваться к изменяющимся условиям.

В данной работе Experion PKS интегрируется с цифровым двойником, построенным в Unisim и ANN, обеспечивая:

Передачу данных в ANN, обученную методом Левенберга-Марквардта, для предсказания выхода продукта.

Рисунок 7. Модель Unisim электролизной установки

Для автоматизации же процесса производства водорода путем электролиза была выбрана программа Experion PKS. Experion PKS (Process Knowledge System) – это интегрированная система управления (DCS) от компании Honeywell, предназначенная для автоматизации промышленных процессов. Она объединяет в себе систему управления процессами (PCS), интерфейс оператора (HMI) и систему управления активами (AMS), обеспечивая полный контроль над технологическим объектом. 

В данной работе Experion PKS интегрируется с цифровым двойником, построенным в Unisim и ANN, обеспечивая: 

1. Сбор данных с реальных датчиков (температура, давление, концентрация водорода/кислорода). 
2. Передачу данных в ANN, обученную методом Левенберга-Марквардта, для предсказания выхода продукта. 
3. Оптимизацию параметров процесса и динамическое управление электролизером. 

Мониторинг состояния системы и генерацию аварийных предупреждений.

Рисунок 8. HMI-панель для производства водорода

В результате модель обеспечивает автоматическую адаптацию параметров электролиза, повышая эффективность производства водорода, минимизируя энергопотребление и снижая риски выхода системы из рабочего режима.

Рисунок 9. Программные блоки FBD с ПИД-регулятором 2

В этих блоках описаны алгоритмы передачи и приема сигнала со входов и способы их подключения к выходам.

Заключение

В данной работе рассмотрена разработка интеллектуальной системы управления процессом электролиза воды для получения водорода. Для достижения высокой точности моделирования и оптимизации технологических параметров использован цифровой двойник, построенный на основе программной среды UniSim Design.

Это позволило создать детализированную модель процесса, включающую все ключевые элементы: электролизер, теплообменники, системы подачи электроэнергии и газоразделения. Для прогнозирования выхода водорода и автоматической оптимизации параметров использована нейросетевая модель, обученная с применением алгоритма Левенберга-Марквардта. Этот метод позволил добиться высокой точности предсказаний и быстрой сходимости решения. Валидация модели подтвердила её эффективность, обеспечивая минимальное среднеквадратичное отклонение между расчетными и экспериментальными данными.

Дополнительно была реализована интеграция цифрового двойника с системой управления Experion PKS. Это обеспечило автоматический сбор данных с реального оборудования, динамическое регулирование параметров электролиза и адаптивную корректировку режима работы.

Таким образом, предложенный подход позволил повысить производительность процесса, снизить энергозатраты и улучшить контроль над качеством получаемого водорода. В перспективе данная система может быть расширена за счет внедрения более сложных алгоритмов машинного обучения, а также интеграции с промышленными IoT-платформами для дистанционного мониторинга и управления.

Список литературы:

1. Flexible Automation and Intelligent Manufacturing, The Human Data Technology Nexus Proceedings of FAIM Detroit, Michigan, USA, Volume 1 (2022). https://doi.org/10.1007/978-3-031-18326-3.
2. Vlah, D., Žavbi, R., Vukašinovi ́c, N., Evaluation of topology optimization and generative design tools as support for conceptual design. In: International Design, Conference-DESIGN2020. Cambridge University Press, England (2022). https://doi.org/10.1017/dsd.2020.165.
3. van Dinter, R., Tekinerdogan, B., Catal, C., Predictive maintenance using digital twins: a systematic literature review. Inf. Softw. Technol. https://doi.org/10.1016/j.infsof.2022.107008.
4. Jiang, Z., Guo, Y., Wang, Z., Digital twin to improve the virtual real integration of industrial IoT. J. Ind. Inf. Integr. (2021). https://doi.org/10.1016/j.jii.2020.100196.
5. Tobias Gutmann, Felix Nyffenegger, Marco Pellegrini, Alessandro Cabrucci, Alessandro Guzzini, A Digital Twin-Based Approach for the Optimization of Floor-Ball Manufacturing (2023). https://doi.org/10.3390/electronics12244979.
6. Lu, Y.; Liu, C.; Kevin, I.; Wang, K.; Huang, H., Xu, X. Digital twin driven smart manufacturing: Connotation, reference model, applications and research issues (2020). https://doi.org/10.1016/j.rcim.2019.101837.
7. Kummerow, A., Nicolai,S., Brosinsky, C., Westermann, D., Nau mann, A., Richter, M.: Digital-twin based services for advanced monitoring and control of future power systems. IEEE Power and Energy Society General Meeting (PESGM) (2020). https://doi.org/10.1109/PESGM41954.2020.9354468.
8. Leng, J.; Wang, D.; Shen, W.; Li, X.; Liu, Q., Chen, X. Digital twins based smart manufacturing system design in Industry 4.0, A review. J. Manuf. Syst. (2021). https://doi.org/10.1016/j.jmsy.2021.05.011.
9. Jessica B. Heluany, Vasileios Gkioulos: A review on digital twins for power generation and distribution (2023). https://doi.org/10.1007/s10207-023-00784-x.
10. Rajat Jain, Nikhil Bharat, and P. Subhash Chandra Bose, Digital Twins of Hybrid Additive and Subtractive Manufacturing Systems, A Review (2023). https://doi.org/10.1007/978-981-99-6094-1_18.
11. Xie, J., Guo, J., Sun, M., Su, D., Li, W., Chen, S., Wang, S., A digital twin five-dimensional structural model construction method suitable for active distribution network. 2nd International Conference on Electrical Engineering and Mechatronics Technology (ICEEMT) (2022). https://doi.org/10.1109/ICEEMT56362.2022.9862649.
12. Tapas Tripura, Shailesh Garg, and Souvik Chakraborty, Digital Twin for Dynamical Systems (2022). https://doi.org/10.1007/978-3-031-36644-4_7.
13. On Safety Assessment of Artificial Intelligence (2020). https://doi.org/10.48550/arXiv.2003.00260.
14. Nguyen,S., Abdelhakim,M., Kerestes,R., Survey paper of digital twins and their integration into electric power systems, IEEE Power and Energy Society General Meeting (PESGM) (2021). https://doi.org/10.1109/PESGM46819.2021.9638011