Диагностика отказов технологического оборудования химических производств с помощью искусственного интеллекта

Зубов Дмитрий Владимирович ORCID: 0000-0002-0703-1577 кандидат технических наук доцент; кафедра информационных компьютерных технологий; Российский химико-технологический университет имени Д.И. Менделеева 142602, Россия, г. Москва, ул. Героев Панфиловцев, 20, ауд. 127 Zubov Dmitrii Vladimirovich PhD in Technical Science Associate Professor; Department of Information Computer Technologies; D.I. Mendeleev Russian University of Chemical Technology 123580, Russia, Moscow, Geroyev Panfilovtsev str., 20, room 127 dvzubov@gmail.com

Лебедев Данила Александрович ORCID: 0009-0007-2873-2341 аспирант; кафедра информационных компьютерных технологий; Российский химико-технологический университет имени Д.И. Менделеева 119331, Россия, г. Москва, ул. Марии Ульяновой, 16, кв. 188 Lebedev Danila Aleksandrovich Postgraduate student; Department of Information Computer Technologies; D.I. Mendeleev Russian University of Chemical Technology 119331, Russia, Moscow region, Moscow, Maria Ulyanova str., 16, sq. 188 lebedev.d.a@muctr.ru

Современные информационные технологии значительно облегчают управление сложными химическими и нефтеперерабатывающими производствами: SCADA-системы позволяют операторам видеть текущую и архивную информацию с датчиков на своём рабочем месте, осуществлять удалённое управление исполнительными механизмами и получать подсказки в ходе ведения технологического процесса. Современные АСУТП позволили снизить количество работников, занятых рутинными операциями, однако полностью отказаться от операторов, осуществляющих диспетческое управление технологическим процессом не удаётся. Значительные сложности для управления представляют процессы пуска и останова технологических линий, перехода на новое сырьё, изменение технологических режимов и т.д. Особую сложность представляют процессы пуска новых технологических линий и пуска после ремонта, но и на установках непрерывного действия, работающих в стационарном режиме тоже могут возникнуть сложности – например, в результате аварий.

Аварийные ситуации проявляются изменением показаний датчиков и важнейшей задачей оператора являетется своевременная правильная оценка ситуации и принятие необходимых действий. Значительной помощью операторам может служить ПЛАС – план ликвидации аварийных ситуаций, в котором прописаны признаки аварии, возможные причины её возникновения и рекомендуемые действия. Тем не менее, своевременное распознавание аварий является сложной задачей для операторов, особенно на ранних стадиях, когда ещё не сработали предупредительные и аварийные сигнализаторы технологических величин.

Полезным инструментом для подготовки операторов являются компьютерныен тренажёры, в частности – компьютерные тренажёры на базе платформы RTsim ^[1], совмещающие в себе динамическую модель конкретного производства, имитатор SCADA-системы, обучающий комплекс из набора упражнений разной сложности и систему оценки уровня подготовки оператора. В набор упраждений входят задания от самых простых (ведение стационарного непрерывного технологического процесса на отдельном аппарате) до очень сложных (самостоятельный пуск и останов участка нефтеперерабатывающего производства, распознавание и ликвидация типовых аварийных ситуаций).

Достоинством тренажёрного комплекса является соответствие реальному производству, в том числе и по тем показаниям индикаторов на мнемосхемах, трендов и т.д., которые получает АСУТП и которые видит оператор ^[2], т.е. есть экран «реального мира» – модели технологического процесса, на котором можно увидеть состояние и управлять местным оборудованием (в частности – ручными задвижками) и при необходимости можно включить режим отображения всех переменных состояния модели, в том числе и тех, которые не контролируются датчиками и поэтому не видны на мнемосхемах SCADA-системы. Фрагмент экрана модели технологического процесса (Модель ТП) представлен на рис. 1.

Рис. 1. Фрагмент экрана модели ТП тренажёрного комплекса RTsim

На экране распределённой системы управления (РСУ) представлен интерфейс SCADA-системы, причём обучаемый в некоторых случаях может выбрать используемую систему, так как они различаются видом элементов интерфейса и т.д. На рис. 2 представлен тот же самый участок технологической линии, что и на рис. 1, но так, как он виден в SCADA-системе на базе программного комплекса Yokogawa.

Рис. 2. Фрагмент экрана РСУ тренажёрного комплекса RTsim

Пример отображения аварии типа «Полное разрушение колонны C-1» приведён на рис. 3. Оператор по показаниям индикаторов, трендам и предупредительным сообщениям должен идентифицировать тип проишествия и предпринять действия по остановке технологического процесса.

Рис. 3. Фрагмент экрана РСУ тренажёрного комплекса RTsim при имитации аварии типа «Полное разрушение колонны C-1»

Подготовка операторов к работе в условиях нештатных ситуаций снижает время их реакции на уже знакомую ситуацию, но набор аварийных ситуаций, которые рассматриваются в процессе обучения ограничен, ведь возможных аварий может быть несколько типов с каждым аппаратом технологической цепочки, в результате операторы будут готовы к уже знакомым аварийным ситуациям, которые они видели в ходе обучения и будут менее готовы к ситуациям, которые им не встречались, что повысит вероятность совершения неоптимальных действий. Логичным шагом представляется создание автоматизированной системы распознавания аварийных ситуаций.

В работе ^[3] предложено строить дерево отказов технологической линии и с учётом вероятностей возникновения исходных событий и ожидаемого вреда от последствий аварий выбирать действия оператора, которые сведут к минимуму наиболее вероятный ущерб. К сожалению, проблемой остаётся получение вероятностей исходных событий (течь аппарата, закупорка трубопровода, отказ клапана и т.д.) и поэтому этот подход применим скорее на этапе проектирования.

В работе ^[4] представлен обзор публикаций по использованию искусственного интеллекта для диагностики аварий в промышленности. Большинство решений ориентированы на использование в транспорте и машиностроении, но есть и публикации по применению искуственного интеллекта в химической промышленности: в работе ^[5] предложено использовать байесовскую сеть для обнаружения причин аварий на химических производствах, в работе ^[6] предложено использовать частный случай рекуррентной нейронной сети – LSTM-сеть – для ранней диагностики аварий в системе принудительного окисления при мокрой сероочистке дымовых газов. В работе ^[7] предложено использовать нейронную сеть для диагностики отказов предохранительного клапана. Во всех рассмотренных случаях для обучения сети использовались данные с реальных объектов, что ограничило объём использованного датасета.

Нами предлагается в процессе работы оператора использовать автоматизированную систему распознавания аварий, основанную на нейронной сети, обученной с помощью данных, полученных с модели конкретного производства.

В работе ^[8] предложен подход для имитации типовых аварий технологических аппаратов с помощью систем моделирования химико-технологических процессов, таких как Aspen One, UniSim и других. Использование систем моделирования или цифровых двойников ^[9] значительно облегчит сбор модельных данных, но предлагаемый подход вполне может быть использован и на тренажёрах.

В тренажёрном комплексе RTsim моделируются технологические линии вплоть для ручных и предохранительных клапанов, что позволяет смоделировать широкий спектр аварийных ситуаций. Рассмотрим несколько примеров:

– моделирования стабильной разгерметизации аппарата – открытие отсечного клапана на дренаж (в рассмотреном на рис. 1-3 случае – клапан UV-007), который в нормальном режиме полностью закрыт и полностью открывается в момент начала имитации аварии;

– моделирования развивающейся разгерметизации аппарата – предварительно отсечной клапана на дренаж (UV-007) открыт, но закрыт ручной клапан (Z-024), который в момент начала имитации аварии начинает плавно открываться;

– отказ центробежного насоса имитируется резким закрытием ручного клапана на линии нагнетания, полностью открытого в нормальном режиме.

Использование предложенного подхода позволяет смоделировать большое количество аварий и получить тренды технологических переменных, срабатывания блокировок и т.д., которые можно использовать для обучения нейронной сети.

Для обучения нейронной сети необходимо сформировать датасет, структура которого может быть различной, но очевидно, что в нём целевыми признаками будет код типа аварии, а предикторами – величины технологических переменных. Для определённости, будем считать, что каждый тип аварии кодируется значением 1 в соответствующем столбце, т.е. есть Na столбцов целевых признаков, Na – количество кодируемых типов аварий, причём 0 означает что авария данного типа не произошла. Допустим, что второй столбец целевых признаков кодирует тип аварии «отказ насоса Н-1А», а третий столбец – тип аварии «отказ насоса Н-1B», тогда появление в в ячейке второго столбца 1 будет означать отказ насоса Н-1А, а 0 – означать его исправное состояние (в том числе и когда он выключен).

Количество столбцов предикторов будет зависеть от количества информационных сигналов в АСУТП, их можно разделить на группы:

– технологические переменные с аналоговым или цифровым сигналом (данные с датчиков температуры, давления, уровня, состава и т.д.). Переменные этой группы нормализуем в диапазоне от 0 до 255, т.е. 0 – будет соответствовать нижней границе диапазона измерения измерительного преобразователя, 255 – верхней границе. При этом происходит некоторое огрубление сигнала, выполняющее функцию цифрового фильтра нулевого порядка, что несколько спасает от случайных флюктуаций технологической величины. Если по каким-то причинам это нежелательно, на этапе разработки системы можно задать диапазон нормировки в соотвествии с мнением разработчика.

– технологические переменные с дискретным сигналом (сигнал с сигнализаторов нижнего и верхнего уровней, реле давления и т.д.) – кодируются как 0 (соответствующий сигнализатор не сработал) и 1 (сигнализатор сработал);

– цифровые управляющие переменные (степень открытия регулирующего клапана, мощность обогревателя и т.д.) – нормализуется в диапазоне от 0 (клапан полностью закрыт/обогреватель полностью выключен) до 255 (клапан полностью открыт/мощность обогревателя максимальна);

– дискретные управляющие переменные (отсечные клапаны, включение центробежного насоса и т.д.) – кодируются как 0 (клапан закрыт, насос выключен) и 1 (клапан открыт, насос включен).

В большинстве случаев распределённая система управления в рамках одного технологического участка управляется одним промышленным контроллером, который работает циклическим образом: в начале цикла с блоков ввода в соответствующую область памяти заносятся значения технологических переменных и до окончания этого цикла работы контроллера они считаются неизменными. На их основе контроллер рассчитывает величины управляющих воздействий, заносит их в выходную область данных и они единовременно выдаются на блоки вывода, после чего начинается новый цикл работы контроллера. Отход от данной схемы возможен, но резко усложняет вычислительную сложность системы управления и встречается сравнительно редко. Аналогично, системы моделирования технологических процессов обычно оперируют понятием такта, в рамках которого данные, рассчитанные на предыдущей итерации считаются неизменными и единовременно обновляются по окончании такта. Набор данных о состоянии системы – т.е. все значения технологических величин, положения клапанов и т.д. называют снимком системы.

По одному снимку системы можно было бы оценивать её состояние, если бы у системы не было «памяти», а у каналов управления – времени запаздывания. По факту, для управления инерционными объектами (ёмкостные аппараты, теплообменники, трубопроводы) нужно значить не только их текущее состояние, но и некоторое количество предыдущих. Для определённости предположим, что длительность одного периода опроса датчиков в АСУТП и одного цикла в системе моделирования равна 1 секунде, а величина самого большого из времён запаздывания в рассматриваемом фрагменте технологической линии равна τ, тогда можно предположить, что для корректного распознавания всех состояний системы достаточно 1.5 – 2 τ снимков. Вероятно, точное минимальное количество данных, достаточное для обучения нейронной сети будет зависеть и от топологии потоков внутри рассматриваемого фрагмента технологической линии.

Для иллюстрации предложенного метода рассмотрим предельно упрощённый пример: имеется центробежный насос, перекачивающий охлаждающую жидкость, состояние насоса описывается переменной S, S=0 означает, что насос исправен, S=1 означает что насос вышел из строя. Управление насосом описывается переменной H, H=1 означает что на насос подано напряжение, он должен быть включён, H=0 означает что на насос не подаётся напряжение, он должен быть выключён. Расход охлаждающей жидкости на линии нагнетания насоса обозначим переменной F, F=0 обозначает отсутсвие расхода, F=255 – максимально возможный расход. Предположим, что продолжительность такта моделирования в системе 1 секунда, а время запаздывания по каналу управления – 2 секунды. Тогда фрагмент датасета будет иметь вид, представленный в таблице 1.

Таблица 1. Пример фрагмента датасета для обучения нейронной сети

На представленном в таблице 1 фрагменте датасета мы видим следующий сценарий:

строка i – исходное состояние, команда на включение наноса не подана, насос не работает, расход жидкости отсуствует, считается что насос исправен;

строка i+1 – подана команда на включение наноса, но пока он ещё не успел включится, расхода жидкости нет, считается что насос исправен;

строка i+2 – подана команда на включение наноса, насос уже работает, но датчик расхода пока его не замечает, считается что насос исправен;

строка i+3 – подана команда на включение наноса, насос работает, датчик расхода измерил расход величиной 10/255 от максимального, считается что насос исправен;

строка i+4 – подана команда на включение наноса, насос работает, датчик расхода измерил расход величиной 50/255 от максимального, считается что насос исправен;

строка i+5 – подана команда на включение наноса, насос работает, датчик расхода измерил расход величиной 100/255 от максимального, считается что насос исправен;

строка i+6 – подана команда на включение наноса, насос работает, датчик расхода измерил расход величиной 10/255 от максимального – меньше чем было, это признак аварии.

Вариант структуры нейронной сети для распознавания аварийных ситуаций изображён на рис. 4.

Рис. 4. Структура нейронной сети для распознавания аварийных ситуаций

Количество нейронов во входном слое целесообразно выбрать равным числу входных переменных в одном снимке системы, умноженому на число снимков, т.е. в нашем примере с диагностикой насоса получим 2 переменных в снимке на 3 снимка = 6 нейронов во входном слое. В выходном слое число нейронов выберем равным числу распознаваемых типов аварий (m), увеличенному на 1 (состояние S0 исправной работы), в нашем примере число типов аварий было 1, значит, в выходном слое нужно предусмотреть 2 нейрона. Поскольку не может быть одновременно состояния исправной работы и аварии, то для выходного слоя выберем функцию автивации типа Softmax (многопеременная логистическая функция). Для выбора количества скрытых слоёв и функций активаций в них необходимо более детально рассмотреть датасет, но для расмотренного примера с насосом вполне достаточно двух скрытых слоёв с функцией активации ReLu.

В состав тренажёра RTsim входит модель и ряд типовых сценариев работы цеха разделения бутанов, в частности есть возможность провести пуск, останов колонны, наблюдать за стационарным режимом, переходить с режима на режим. Среди типовых аварий в комплект тренажёра входят сценарии полного разрушения колонны C-1, отказа насоса Н-1А и выхода из строя системы подачи силового электропитания. Все комплектные сценарии (пуск, останов, штатная работа, три типа аварий) были использованы для формирования обучающего датасета, дополнительно сгенерированы данные по результатам имитации аварии насоса Н-1B.

Полученный датасет использовался для обучения нейронной сети с двумя скрытыми слоями и удалось найти совокупность весов нейронов, обеспечивающую распознавание указаных четырёх видов аварий. При дальнейшем наборе данных моделирования планируется обучить сеть распознавать большее число типов отказов оборудования.

Заключение. Предложен метод распознавания отказов аппаратов химико-технологических систем с использованием нейронной сети, обученной на модели конкретного производства. Выбрана структура нейронной сети, распознающей одиночные аварии. Созданная система в перспективе может быть усовершенствована для распознавания не только одиночных, но множественных и зависимых отказов.