Интернет вещей позволяет повсеместно получать отклик реального мира на результаты сбора, накопления и анализа цифровых данных, что было невозможно в прошлом. Таким образом Интернет вещей наталкивает нас на мысль о предстоящем изменении в обществе, которое можно назвать информационной революцией. Соответственно и эксплуатация предприятий должна стать более интеллектуальной и устойчивой посредством анализа больших массивов данных из различных источников, превращая эти данные в ценное знание, на основании которого принимаются решения и реализуются изменения. Мы предполагаем, что в будущем создание ценности и эксплуатация производств будут абсолютно автономными и основанными на использовании искусственного интеллекта.
Промышленный Интернет вещей позволит эффективно использовать огромные объемы данных об эксплуатации, которые ранее были рассеяны, что приведет к тотальной оптимизации производств, в том числе к эффективному использованию энергии. Управление по методике RENKEI (согласованное управление) – подход к эффективному использованию энергии на производстве, продвигается Японской Отраслевой Ассоциацией Электроники и Информационных Технологий, для оптимизации энергопотребления системы в целом посредством координирования устройств и систем, вовлеченных в генерацию и потребление энергии. В дополнение к результатам использования методики RENKEI в энергетике, Yokogawa нацелена на достижение аналогичной эффективности при сохранении баланса между себестоимостью производства и качеством продукции.
Эффективный способ достижения идеально сбалансированной между энергопотреблением и качеством эксплуатации согласно методике RENKEI – смоделировать все оборудование, приборы и процессы, провести оптимизационные вычисления, построить планы эксплуатации и установить множество значений уставок. Однако требуется профессионализм в большом наборе различных областей знаний для моделирования предприятия, на котором различные процессы и устройства связаны между собой. Требуемые знания включают физику, термодинамику, химическую технологию, анализ данных, статистику, методы оптимизации, такие как математическое программирование, и разработку программного обеспечения. Тем самым качество построенной модели в огромной степени зависит от навыков и знаний инженеров. Другая проблема заключается в том, что модель становится слишком крупной и сложной для достижения согласованности управления и требует огромного количества трудозатрат.
Для решения данных задач Yokogawa разработала технологию моделирования для оптимизации основанную на данных (DDMO), которая может автоматически создавать модели оборудования на основании реальных данных об эксплуатации.
DDMO: ТЕХНОЛОГИЯ МОДЕЛИРОВАНИЯ
Для оптимизации процесса эксплуатации, работа предприятия описывается математически и далее для получения оптимального решения используются методы математической оптимизации.
При моделировании предприятия целиком, характеристики каждого прибора представлены в виде соответствующей математической модели, далее множество моделей соединяются для построения сетевой модели, описывающей предприятие. Рис. 1 показывает пример такой модели. В верхней части изображена полная модель завода. Прямоугольники, шестиугольники и цилиндры представляют компоненты предприятия, также на схеме указаны входные и выходные связи между компонентами. В нижней части рис. 1 представлена модель оборудования, определяющая отношения между переменными в оборудовании.
Для эффективного моделирования предприятия, Yokogawa разработала технологию DDMO, которая автоматически создает модели оборудования (компоненты модели предприятия), такие как показаны в нижней части рис. 1.
РИС. 1. Блок-схема оптимизационного моделирования
DDMO
Технология DDMO автоматически создает модели оборудования завода, исходя из актуальных данных эксплуатации посредством применения множества методов статистического анализа. DDMO тщательно извлекает не только выходные характеристики, но и отношения между переменными оборудования в виде характеристического уравнения. В связи с тем, что характеристики большинства установок не могут быть представлены одним уравнением, оборудование представляется несколькими уравнениями балансов одновременно, например материальным и энергетическим балансами. DDMO может автоматически определить необходимое количество характеристических уравнений и детерминировать их.
DDMO раскрывает лежащие в основе связи по реальным производственным данным и создает модели оборудования. Поэтому, даже если физические характеристики не ясны, технология может выделить взаимосвязи до тех пор, пока они различимы в данных.
Так как DDMO автоматически оценивает количество и коэффициенты характеристических уравнений, пользователи не должны обладать знаниями статистического анализа или математического программирования. Полученные характеристические уравнения автоматически трансформируются в модель, которая задается в оптимизационном ПО. Тем самым пользователи также не должны знать программирование. Ранее эти знания были нужны для вызова интерфейса прикладного программирования оптимизационной среды из неспециализированных языков программирования или для написания модели на языке оптимизационного моделирования.
При использовании DDMO инженеры должны иметь знания о целевых процессах, а не писать уравнения.
Фильтрация
Производственные данные содержат аномальные величины (выбросы) обусловленные многими факторами, например неисправностями датчиков, шумами, остановами предприятия. Перед созданием моделей оборудования, основанных на производственных данных, эти выбросы отсекаются посредством фильтрации.
Модель DDMO показывает зависимости между переменными. Для того чтобы модель была более точной, также необходимо выделить и удалить точки в которых зависимость не фиксирована, как часть точек выброса. Эти точки определяются не только посредством просчета каждой величины по отдельности, но также с учетом взаимосвязей между величинами.
Разбиение
Характеристики заводского оборудования не всегда линейные, а значит требуются также нелинейные представления. Однако современные математические оптимизационные методы могут работать только с ограниченным числом нелинейных типов и характеристические уравнения должны быть определены в рамках данных ограничений.
Для этих целей DDMO использует кусочно-линейную модель, в которой реальные данные разделены на несколько интервалов и характеристики в каждом интервале принимаются линейными. Эта кусочно-линейная модель предполагает возможность изменения характеристических уравнений в зависимости от объема производства.
DDMO разделяет данные, автоматически выделяя блоки и определяя их границы таким образом, чтобы минимизировать ошибки моделирования.
Характеристический анализ
На данном шаге актуальные данные переменных, ассоциированных с оборудованием, анализируются и выделяются все характеристические уравнения, представляющие зависимости между переменными. Существует несколько зависимостей, которым должны подчиняться множество величин, например материальный баланс, и они должны быть записаны как уравнения связи в задачах оптимизации. Данные зависимости получаются автоматически на данном этапе. Когда для представления имеющихся данных необходимо несколько характеристических уравнений, их количество определяется автоматически и характеристические уравнения выделяются соответственно.
Parameter adjustment
Корректировка параметров
Смещение характеристических уравнений может быть скорректировано для улучшения точности расчета улучшения оперативных показателей посредством оптимизации. Основываясь на текущих эксплуатационных данных во время моделирования оптимизации, смещение может корректироваться автоматически или могут подстраиваться верхние и нижние пределы переменных. При моделировании предыдущих периодов для корректировки могут использоваться ранее собранные данные. При прогнозном моделировании для корректировки могут использоваться текущие данные процесса.
Рис. 2 Алгоритм работы технологии DDMO
Конвертирование формата в задачу оптимизации
Характеристическое уравнение, полученное с помощью DDMO состоит из нескольких прямых линий в соответствии с разбиением. Для решения данного уравнения в рамках задачи оптимизации на полном интервале значений переменных, формулы из каждого кусочного интервала унифицируются, а также для них указываются граничные условия, для обеспечения единственности решения в любой точке. Эта конвертация позволяет проводить оптимизацию на участках между разными интервалами. После результат выгружается в виде программы, написанной на языке среды оптимизации.
Программный инструмент DDMO
Yokogawa разработала инструмент для последовательной обработки данных процесса и последующего определения потенциала улучшения рабочих характеристик в едином интерфейсе.
Обычно инженеры вручную создавали модели оборудования предприятия и собирали все эти модели для создания сетевой модели завода. Эта процедура требовала больших трудозатрат.
Новый программный инструмент (рис. 3) позволяет избежать необходимости заранее создавать модели оборудования. Модели оборудования создаются автоматически после создания поточной диаграммы процесса (схема, представляющая потоки энергии и продуктов через производственные установки) и указания связи между соединителями поточной диаграммы и реальными данными в интерфейсе пользователя. Далее этот инструмент может быть использован для расчета оптимизации и оценки результатов.
Как клиентское приложение для создания поточных диаграмм и обработки данных процесса данный инструмент использует Microsoft Visio и Excel, оба приложения знакомы пользователям.
РИС. 3. Окна клиентского интерфейса
Верхняя часть рис. 3 показывает, что поточная диаграмма создается расстановкой и соединением подготовленных шаблонов, таких как оборудование, потребность/баланс и источник/хранилище в Visio.
Нижняя часть рис. 3 демонстрирует, что производственные данные подготовлены в Excel и связаны с соединителями в Visio методом drag&drop.
После того как поточные диаграммы построены и данные процесса подготовлены, можно создать модели оборудования и оценить эффект от оптимизации.
ПРИМЕРЫ ПРИМЕНЕНИЯ
Сокращение трудозатрат
Сначала мы проверили, сколько человеко-часов может быть сэкономлено при моделировании с помощью данного инструмента. Мы взяли прошлый проект, в котором завод был целиком смоделирован инженерами вручную и рассчитали, какие трудозатраты были бы нужны при моделировании с использованием данного инструмента. Рассматривалось большое ОЗХ с 77 установками, для описания задачи оптимизации требовалось 20 000 переменных. Результат показал, что использование инструмента DDMO позволяет создать модель со сравнимой точностью, при этом значительно снизив трудозатраты.
Снижение энергопотребления
Следующий пример – оптимизация процесса производства водорода, основанная на сокращении издержек при сохранении качества.
Как показано на рис. 4 метан и другое сырье реагирует в реакторе с выделением газовой смеси, состоящей из промежуточных продуктов (A и B). Закупленное топливо и побочные продукты, восстановленные и переработанные на поздних стадиях, используются для нагрева реактора. В дополнение к этим вводным и выводным переменным, пять параметров процесса, включая температуру, давление и концентрацию, использовались для моделирования процесса.
Для определения точности построенной модели, данные процесса были заменены на характеристические уравнения и посчитаны потоки промежуточных продуктов A и B. На рис. 5 показаны реальные данные процесса и полученные на модели для промежуточного продукта A. Точность модели определялась в виде средней абсолютной ошибки в процентах. На рис. 6 показаны эффекты оптимизации, рассчитанные на данной модели. Общая стоимость сырья и топлива была минимизирована при условии сохранения выработки промежуточных продуктов на том же уровне, что и в актуальных данных процесса. Эти условия были заданы для сохранения объема производства и качества (структурный коэффициент) промежуточных продуктов. Правая колонка рис. 6 демонстрирует изменения, полученные от оптимизации. Детальная информация об эффектах оптимизации не показана, так как содержит специфичную информацию заказчика. Оценка показывает, что более высокая температура реактора повышает затраты на топливо, но в свою очередь увеличивает выработку, а следовательно, уменьшает затраты на сырье. Как результат совокупные производственные издержки могут быть сокращены на 300 тыс. долларов в год.
В данной симуляции верхний и нижний пределы температуры и давления были определены основываясь на реальных данных. Также возможно оценить эффект от подъема температуры выше верхнего предела, что значит экстраполяция модели в температурный диапазон, для которого нет реальных производственных данных, что может привести к появлению различных связанных проблем, включая статистическую, связанную со сложностью оценки правильности результатов, и физическую, связанную с ухудшением характеристик реактора от повышенных температур. Как бы то ни было, этот метод может быть использован как инструмент для изучения возможности ресурсосбережения за пределами текущего д
Наименования организаций и продуктов, упомянутые в статье являются зарегистрированными торговыми марками соответствующих правообладателей.
