الگوریتم های کنترل نوآورانه برای عملیات پایدار آتش

مقدمه: نقش حیاتی ثبات آتش نشانی

بخاری های آتش زده، همچنین به عنوان کوره های فرآیند شناخته می شوند، دارایی های حیاتی در پالایشگاه ها، گیاهان پتروشیمی و امکانات تولید برق هستند. آنها انرژی حرارتی با درجه حرارت بالا مورد نیاز برای تقطیر، شکستن، اصلاحات و سایر واکنش های یادگیری نیمه نهایی را به طور فزاینده ای تحت تاثیر قرار می دهد، ثبات یک بخاری شلیک شده به طور مستقیم بر کیفیت محصول، بهره وری انرژی، طول عمر و مهمتر از آن، ایمنی عملیاتی، حتی نوسانات سیستم های کنترل دقیق تر - در حالی که می تواند منجر به عملیات های کنترل ماشین های کارآمد، انفجار ماشین های کنترل ماشین های پردازش، و یا انفجار، و یا انفجار ماشین های کنترل ماشین های کنترل دقیق تر شود.

درک چالش های کنترل در آتش سوزی

بخاری های آتش نشانی مجموعه ای منحصر به فرد از مشکلات کنترل را ارائه می دهند که از پویایی غیر خطی، متغیرهای تعامل چندگانه و اختلالات مکرر خارجی ناشی می شود.

رفتار غیر خطی و زمان-Varying

رابطه بین جریان سوخت، جریان هوا و دمای لوله به شدت غیر خطی است. ضریب انتقال حرارت با خطا، ترکیب سوخت متفاوت است (به عنوان مثال، تغییر از گاز طبیعی به گاز پالایشگاه)، و پیش نویس اثر شرایط محیطی و بهره وری سنتی PID، که فرض رفتار سیستم خطی، نیاز به بازسازی مداوم برای حفظ عملکرد.

دانلود بازی Cross-Coupling of Variables

یک بخاری شلیک شده یک سیستم چند متغیر است: تنظیم جریان سوخت نه تنها بر دمای خروجی بلکه اکسیژن اضافی ( انتشار گازهای گلخانه ای و کارایی) تأثیر می گذارد، به طور مشابه، تغییر جریان هوا بر شکل شعله و توزیع شار حرارت تاثیر می گذارد، اغلب به طور مستقل عمل می کند، و باعث تعاملاتی می شود که منجر به نوسانات می شود.

اختلال در شرایط Upset

تغییرات در میزان جریان تغذیه، ترکیب خوراک یا شرایط فرآیند بالادستی به عوامل محیط زیست گرم مانند باد می تواند عرضه هوا را تغییر دهد.فشار گاز سوخت یا نوسانات ارزش گرمایشی رایج است.این اختلالات خواستار یک سیستم کنترلی هستند که می تواند به طور فعال پیش بینی و جبران کند، نه فقط واکنش نشان می دهد.

محدودیت های کنترل متعارف صنعت را به سمت استراتژی های پیشرفته تر هدایت کرده است.بخش های زیر، امیدوار کننده ترین نوآوری های الگوریتمی را به خود اختصاص داده اند.

دانلود بازی Breaking Away From PID: Advanced Control Paradigms

کنترل پیش بینی مدل (MPC): پیش بینی و بهینه سازی

کنترل پیش بینی مدل از یک مدل ریاضی از بخاری شلیک شده برای پیش بینی رفتار فرایند آینده در یک افق زمانی محدود استفاده می کند.در هر فاصله کنترل، یک مشکل بهینه سازی برای تعیین بهترین توالی اقدامات کنترلی (به عنوان مثال، موقعیت دریچه سوخت، تنظیمات مرطوب کننده هوا) حل می شود که عملکرد هزینه را در هنگام احترام به محدودیت ها به حداقل می رساند.

چگونه MPC به چالش های آتش نشانی

• MPC به طور طبیعی چندین ورودی و خروجی را به طور همزمان مدیریت می کند، حل مسائل متقابل-coupling، به عنوان مثال، می تواند هماهنگی سوخت و تنظیمات هوا برای حفظ هر دو دمای خروجی و بهینه سازی اکسیژن اضافی ، کاهش انتشار گازهای گلخانه ای].
• مدیریت انعطاف پذیر: [FLT 1] محدودیت های سخت بر دمای پوست لوله، فشار کوره و خاموش کننده به طور واضح شامل، جلوگیری از عملیات ناامن است.
• قابلیت پیش رو ( با شامل اختلالات اندازه گیری شده (مانند تغییرات نرخ تغذیه) در مدل، MPC می تواند به طور پیشگیرانه جریان سوخت را قبل از انحراف دما تنظیم کند.

پیاده سازی های صنعتی MPC در بخاری های شلیک شده گزارش داده اند کاهش در نوسانات دما توسط 30 تا 50٪ و صرفه جویی در سوخت 2 تا 5٪ (منبع: AspenTech Advanced Control ) موفقیت MPC بستگی به یک مدل پویا قابل اعتماد دارد، که اغلب از طریق شناسایی گام یا داده های تاریخی به دست می آید.

کنترل منطق فازی: کنترل عدم اطمینان مانند یک اپراتور انسانی

کنترل منطق فازی (FLC) تصمیم گیری یک اپراتور با تجربه را با استفاده از متغیرهای زبانی و استنتاج مبتنی بر قانون تقلید می کند، به جای ورودی های عددی، FLC با درجه های عضویت در مجموعه های فازی کار می کند (به عنوان مثال، "درجه حرارت به طور متوسط بالا است").

مزایای غیر خطی

• شتاب نسبت به عدم قطعیت مدل: FLC نیاز به یک مدل ریاضی دقیق ندارد، حتی زمانی که تغییرات بخاری به دلیل تخریب یا تغییر سوخت به خوبی انجام می شود.
• پاسخ مووت: [FLT 1] انتقال تدریجی بین قوانین فازی، اقدامات کنترل مداوم را تولید می کند، کاهش سایش و استرس حرارتی.
• عدم اطلاع از Heuristics: دانش اپراتور - مانند "اگر پیش نویس بالا و دمای جعبه آتش است به سرعت در حال افزایش است، کاهش سوخت" - به طور مستقیم کدگذاری شده است.

منطق فازی به ویژه برای مدیریت (FLT:0) سوخته تر و نسبت سوخت هوا که در آن مدل های دقیق دشوار به دست آوردن است، بسیاری از کنترل کننده ها در حال حاضر ترکیب فازی با PID در یک طرح هیبریدی، با استفاده از فازی برای انطباق دستاوردهای آنلاین مطالعات موردی (به عنوان مثال، [Fzy].

یادگیری ماشین: Data-Driven Adaptation

الگوریتم های یادگیری ماشین (ML)، به ویژه شبکه های عصبی مصنوعی (ANNs) و یادگیری تقویت (RL)، به عنوان ابزار قدرتمند برای کنترل بخاری شلیک می شوند.آنها می توانند بدون مدل های فیزیکی صریح، روابط غیر خطی پیچیده را ثبت کنند.

شبکه های عصبی برای مدل سازی و بهینه سازی

ANN آموزش دیده در داده های گرمایشی تاریخی می تواند دمای خروجی، دمای پوست لوله یا حتی انتشار گازهای گلخانه ای را با دقت بالا پیش بینی کند.این مدل می تواند در چارچوب MPC (به نام MPC عصبی) و یا به عنوان یک سنسور نرم استفاده شود.به عنوان مثال، یک شبکه عصبی می تواند مقدار سوخت را تخمین بزند.

آموزش تقویت کننده برای هدایت خودکار

یادگیری تقویت کننده یک کنترل کننده را قادر می سازد تا سیاست های بهینه را از طریق آزمون و خطا (یا شبیه سازی) یاد بگیرد (یا شبیه سازی) یک عامل RLS می تواند به طور مداوم تنظیم نقاط و موقعیت های دریچه را تنظیم کند تا یک تابع پاداش را به حداکثر برساند که شامل ثبات، بهره وری و ایمنی است، در حالی که هنوز هم برای بخاری های شلیک شده آزمایش می شود، خلبانان اولیه توانایی برای (FLT:0 خود-ada به تغییرات بلند مدت مانند لوله کشی).

استقرار عملی نیاز به مدیریت دقیق داده ها، اعتبار در برابر محدودیت های فیزیکی و اغلب یک رویکرد هیبریدی که در آن مدل های ML کنترل های سنتی را افزایش می دهند، دارد: کنترل پیشرفته فرایندی پیشرفته ترواگاوا[۱۰] نشان می دهد ادغام ML در بخاری های صنعتی.

پیاده سازی ملاحظات و مزایای

از تئوری تا طبقه ی گیاه

استقرار الگوریتم های کنترل پیشرفته بر روی بخاری های شلیک شده، یک ارتقاء نرم افزار ساده نیست.

1. ] ارزیابی ضروری: شناسایی مهمترین متغیرهای و محدودیت ها.تاریخ دانان داده باید در محل جمع آوری داده های فرآیند با کیفیت بالا باشند.
2. توسعه مدل: آیا با استفاده از مدل های اولیه فیزیکی، شناسایی داده محور، و یا یک هیبرید، مدل باید پویایی مربوطه را در محدوده عملیاتی ثبت کند.
3. تفسیر و اعتبار: تست آفلاین با استفاده از داده های تاریخی یا شبیه سازی شده تضمین می کند که الگوریتم قبل از پیاده سازی آنلاین رفتار می کند.
4. آموزش و مدیریت تغییر: اپراتورهای باید درک کنند که چگونه کنترل کننده جدید کار می کند و اعتماد به نفس در تصمیمات خود دارند. انتقال تدریجی، اغلب با حالت مشاوره شروع می شود، رایج است.
5. نگهداری مداوم: مدل ها نیاز به به به روز رسانی دوره ای دارند - به ویژه مدل های ML - برای منعکس کردن تخریب تجهیزات یا تغییرات فرایند.

مزایای قابل درک واقع در صنعت

تغییر در کنترل پیشرفته، بهبود قابل اندازه گیری در چندین KPI را به دست می آورد:

• ثبات: انحراف استاندارد از دمای خروجی لوله به میزان 40 تا 60 درصد کاهش یافته و به طور مستقیم ثبات محصول را بهبود می بخشد.
• بهره وری انرژی: پس انداز سوخت 3 تا 10٪ معمول است، با کاهش اضافی در مصرف بخار برای اتم سازی یا دمیدن سویا.
• سازگاری: نسبت سوخت بهتر هوا کنترل اکسیژن اضافی، کاهش NOx و انتشار گازهای گلخانه ای را کاهش می دهد.برخی از امکانات به کاهش (FLT:2 -15-20٪ در NOx [FLT3)
• [[۱] [۱۰] [۱۰] [۱۰] [۱۰] [۱۰] [۱]] [۱] [۱۰] [۱]] [۱۰]] [۱]] [۱۰] [۱]] [۱۰]] [۱۰]] [۱۰]] [۱۰]] [۱۰]]
• کارگردان: اتوماسیون اپراتورهای تنظیمات روتین برای تمرکز بر شرایط غیر طبیعی، کاهش خطای انسانی.

مسیر های آینده و روند نوظهور

دوقلوهای دیجیتال و بهینه سازی مبتنی بر شبیه سازی

تکنولوژی دوقلو دیجیتال یک نسخه مجازی زمان واقعی از بخاری شلیک شده ایجاد می کند که رفتار واقعی آن را منعکس می کند. الگوریتم های کنترل پیشرفته را می توان قبل از استقرار تست و بهینه سازی کرد.این سرعت توسعه و کاهش خطر را به دنبال (FLT:0Siemens Opcenter و دیگر سیستم عامل های ادغام دوقلو های بخاری دیجیتال.

Edge Computing و Real-Time Learning

با پردازنده های قدرتمند جاسازی شده، ML inference و حتی یادگیری آنلاین می تواند در سطح کنترل کننده (edge) اتفاق بیفتد، این اجازه می دهد تا الگوریتم کنترل برای (FLT:0) به سرعت به رویدادهای گذرا تبدیل شود بدون تکیه بر یک سرور متمرکز.

ادغام با بهینه سازی گیاه-Wide

به جای درمان بخاری شلیک شده به عنوان یک واحد جدا شده، سیستم های کنترل آینده آن را در هماهنگی با بالادستی و پایین جریان واحد بهینه سازی می کنند، به عنوان مثال، یک شبکه یکپارچه حرارت که هدف دمای خروجی بخاری شلیک شده در زمان واقعی بر اساس نیازهای ستون تقطیر تنظیم می شود، این در حال حاضر با MPC در سراسر کارخانه امکان پذیر است.

نتیجه گیری: یک مسیر پایدار به جلو

الگوریتم های کنترل نوآورانه –MPC، منطق فازی و یادگیری ماشین – دیگر مفاهیم نظری برای بخاری های شلیک نشده نیستند، آنها فناوری های اثبات شده ای هستند که بهبودهای conified در ثبات، بهره وری و ایمنی را ارائه می دهند [FLT 1] در حالی که پیاده سازی نیاز به تلاش آگاهانه در مدل سازی، اعتبار و آموزش دارد، بازگشت سرمایه گذاری قانع کننده است، زیرا قدرت محاسباتی همچنان به کاهش استراتژی های استاندارد و قابل دسترسی تر می رسد.