Идентификация колонного оборудования химико-технологических установок при управлении процессами газофракционирования

Рассмотрена применимость фундаментальных имитационных моделей технологических процессов в системах управления с прогнозированием. Описана роль установок газофракционирования в процессах переработки нефти и газа, а также технологические особенности указанных типов установок, которые обусловливают необходимость обновления параметров прогнозирующих моделей в составе систем усовершенствованного управления технологическим процессом при изменении условий эксплуатации установки. Рассмотрены общепринятые подходы к управлению на основе прогнозирующих моделей установками химико-технологического типа в сфере нефтепереработки и газопереработки. Описаны устройство типовой колонны газофракционирующей установки и физические принципы ее функционирования, а также влияние КПД тарелок колонны на качество разделения жидкости и газа. Построена математическая модель ректификационной колонны, позволяющая прогнозировать изменение режима колонны при заданных начальном состоянии и управляющих воздействиях. В основу указанной модели положены фундаментальные физические законы, в том числе законы сохранения массы и энергии, гидравлические зависимости, учитывающие геометрию колонны и свойства протекающего через колонну вещества. Для расчета фазовых переходов и компонентного состава жидкости и газа на тарелках использовано уравнение состояния Пенга—Робинсона. Формализована постановка задачи идентификации построенной модели в рамках управления технологическим режимом газофракционирующей установки. Рассмотрен общий подход к идентификации и алгоритм идентификации в составе системы управления газофракционирующей установкой на основе прогнозирующей модели. Приведен модельный пример расчета колонны газофракционирующей установки. Определены коэффициенты нормировки компонентов вектора состояния модели колонны для расчета невязки модели относительно экспериментальных данных. Проведены численные эксперименты по идентификации построенной модели колонны на основе расширенного фильтра Калмана. Исследовано влияние различных факторов на возможность и качество идентификации. Определена эффективность рассмотренного метода при наличии шума на выходах объекта, а также отклонении структуры модели от структуры моделируемого оборудования.

1. Капустин В. М., Гуреев А. А. Технология переработки нефти. Часть 2. Деструктивные процессы. М.: Колосc, 2007. 334 с.

2. Kermaloglu S., Kuzu O., Gorce D., Cetin O. Model predictive control of a crude distillation unit an industrial application // IFAC Proceedings Volumes. 2009. Vol. 42, N. 11. P. 880—885.

3. Бояринов А. И., Кафаров В. В. Методы оптимизации в химической технологии. М.: Химия, 1969. 564 с.

4. Garcia C. E., Prett D. M., Morari M. Model predictive control: theory and practice // Automatica. 1989. Vol. 25, N. 3. P. 335-348.

5. Hokanson D. A., Gerstle J. G. Dynamic matrix control multivariable controllers // Practical distillation control. 1992. P. 248-271.

6. Alamir M. Optimization based nonlinear observers revisited // Int. J. Contr. 1999. Vol. 72, N. 13. P. 1204-1217.

7. Badgwell T., Qin S. Model-Predictive Control in Practice. // Baillieul J., Samad T. (Eds.) Encyclopedia of Systems and Control. London: Springer, 2013. P. 1-6.

8. Фуртат И. Б., Нехороших А. Н. Модифицированный алгоритм бэкстеппинга и его применение для управления дистилляционной колонной // Мехатроника, автоматизация, управление. 2019. Т. 20, № 2. C. 90-96.

9. Andrei A. M., Bildea C. S. Linear Model Predictive Control of Olefin Metathesis Process // Processes. 2023. Vol. 11. P. 2216.

10. Nebeluk R., Ławryńczuk M. Fast Nonlinear Predictive Control Using Classical and Parallel Wiener Models: А Comparison for a Neutralization Reactor Process // Sensors, 2023. Vol. 23. P. 9539.

11. Taguchia T., Yamashitab Y. А Hybrid Approach for Process Optimization of Distillation Reflux Condition using First Principle Models and Least Squares Regression // Eden M. R., Ierapetritou M. G., Towler G. P. (Eds.) Computer Aided Chemical Engineering. 2018. Vol. 44. P. 229-234.

12. Foo D. C. Y. Chemical engineering process simulation. Upper Saddle River, NJ: Prentice Hall, 2022. 496 p.

13. Dozortsev V., Nazin V., Oboznov A., Mironova А. Structural knowledge as an evaluation instrument of trainess progress in learning // 11th IEEE International Conference on Application of Information and Communication Technologies. 2017. Vol. 2. P. 275 -279.

14. Elbashir N. O., El-Halwagi M. M., Economou I. G., Hall K. R. Natural Gas Processing from Midstream to Downstream. Hoboken, New Jersey: Wiley, 2019. 584 p.

15. Dodds S., Adams G., Health W., Goodwin G. Application of an extended Kalman filter to a binary distillation column model // IFAC dynamics and control of process systems. Jejudo Island, Korea, 2001. P. 421-426.

16. Дозорцев В. М., Тасанбаев С. Е., Сластенов И. В. Метод идентификации на базе имитационного моделирования технологических процессов // XII Всероссийское совещание по проблемам управления. М.: ИПУ РАН, 2014. С. 4447-4459.

17. Сластенов И. В., Кушников В. А., Богомолов А. С., Резчиков А. Ф. Идентификация имитационных моделей ректификационных колонн процессов нефтепереработки // Управление развитием крупномасштабных систем: труды Шестнадцатой международной конференции, 26-28 сентября 2023 г. М.: ИПУ РАН, 2023. С. 893-899.

18. Ловчаков В. И. Выбор весовых коэффициентов квадратичного функционала качества в задаче АКОР Летова-Калмана // Мехатроника, автоматизация, управление. 2023. Т. 24, № 3. C. 122-130.

19. Park S., Kim S. Nonlinear Model Predictive Control of Thermal Vacuum Chamber Temperature // International Journal of Aeronautical and Space Sciences. 2023. Vol. 25. P. 5-7.

20. Stichlmair J. G., Klein H., Rehfeldt S. Distillation: Principles and Practice. Hoboken, New Jersey: Wiley, 2021. 688 p.

21. Ayazi A., Babakhani D., Soleymani M. Simulation of Depropanizer Distillation Column using Equilibrium and NonEquilibrium Models and Validation of Results by Industrial Data // Chemical Engineering & Technology. 2022. Vol. 45, N. 1. DOI: 10.1002/ceat.202100582.

22. Ghoderao P., Narayan M., Dalvi V., Byun Н. Predictions of thermodynamic properties of pure fluids, refrigerants, and binary mixtures using modified Peng-Robinson equation of state // Korean Journal of Chemical Engineering. 2022. Vol. 39. DOI: 10.1007/s11814-022-1217-x.

23. Wang S., Zhou L., Ji X., Dang Y. Synthesis and optimization of refinery hydrogen network using surrogate models // Computer Aided Chemical Engineering. Elsevier, 2019. Vol. 46. P. 655-660.

24. Рябчиков М. Ю., Рябчикова Е. С., Новак В. С. Гибридная модель для упреждающего управления температурой металла при горячем оцинковании стальной полосы // Мехатроника, автоматизация, управление. 2023. Т. 24, № 8. C. 421-432.

25. Li S., Zheng Y., Li S., Huang M. Mechanism-embedded neural network modeling and operation optimization of a distillation unit with varying production performance // Chemical Engineering Research and Design. 2022. Vol. 183. P. 221-234.