Содержание к диссертации
Введение
Глава 1 Характеристика процесса ректификации на атмосферной установке ректификации нефти малой мощности как объекта управления и современное состояние управления процессом 11
1.1 Описание технологического процесса ректификации нефти в условиях малого нефтеперерабатывающего завода 11
1.2 Определение качества нефтепродуктов 22
1.2.1 Методы определения показателей качества 22
1.2.2 Анализаторы показателей качества 24
1.3 Способы управления атмосферными установками ректификации нефти малой мощности 29
1.4 Математические модели процесса ректификации 37
1.5 Постановка задачи управления 42
1.6 Выводы по главе 1 49
Глава 2 Разработка математических моделей процесса ректификации нефти 51
2.1 Система уравнений статической модели атмосферной установки ректификации нефти 51
2.2 Модель аппарата воздушного охлаждения 56
2.3 Определение фракционного состава нефти 60
2.3.1 Аппроксимация ИТК девонской нефти 60
2.3.2 Определение физико-химических свойств и доли отгона сырья 63
2.4 Модели качества нефтепродуктов 66
2.5 Алгоритм решения систем уравнений статической модели 69
2.6 Секционная модель атмосферной установки ректификации нефти 72
2.6.1 Система уравнений секционной модели 72
2.6.2 Алгоритм решения уравнений секционной модели 75
2.7 Динамическая модель атмосферной установки ректификации нефти 78
2.8 Модель объекта по каналу возмущения 89
2.8 Выводы по главе 2 91
Глава 3 Имитационные исследования процесса ректификации нефти на атмосферной установке малой мощности и способов стабилизации промежуточных параметров 93
3.1 Исследование параметров, влияющих на качество нефтепродуктов 93
3.2 Исследование связи потенциального содержания фракций в нефти с температурным профилем 96
3.3 Выбор динамических каналов управления 98
3.4 Преобразование динамической модели ректификации к виду модели Гаммерштейна 101
3.5 Исследование способов стабилизации температурного профиля 110
3.5.1 Стабилизация температурного профиля с применением компенсаторов и типовых регуляторов 110
3.5.2 Исследование возможности применения метода EOTF 114
3.5.3 Оценка устойчивости системы 119
3.6 Выводы по главе 3 122
Глава 4 Разработка и исследование системы управления атмосферной установкой ректификации нефти малой мощности 124
4.1 Задачи управления температурным режимом установки и стабилизации температур на отборных тарелках 124
4.2 Определение структуры системы управления и алгоритм управления 126
4.3 Реализация системы управления атмосферной установкой ректификации нефти с применением виртуального контроллера 132
4.4 Проведение экспериментов на полученной модели системы управления 138
4.5 Испытание разработанной системы управления на нефтеперерабатывающей установке 141
4.6 Выводы по главе 4 148
Заключение 149
Список сокращений и условных обозначений .150
Список литературы 153
Приложения 178
- Анализаторы показателей качества
- Динамическая модель атмосферной установки ректификации нефти
- Стабилизация температурного профиля с применением компенсаторов и типовых регуляторов
- Испытание разработанной системы управления на нефтеперерабатывающей установке
Анализаторы показателей качества
В большинстве случаев оперативное управление технологическими процессами МНПЗ осуществляется на основе сбора и первичной обработки данных, включающих в себя результаты применения измерительных средств, а также лабораторные анализы промежуточной и товарной продукции. Чем раньше будет известно о нарушении качественных показателей, тем меньше будут возможные издержки от потери качества. Наличие оперативного контроля позволяет в течение длительного времени поддерживать стабильно заданное качество.
Виртуальный анализатор (ВА) может либо входить в состав АСУ ТП (в составе СППР), либо существовать в виде интеллектуальной надстройки контура управления. ВА позволяют отслеживать параметры в режиме онлайн, дополняя существующие лабораторные системы. Создается математическая модель, выходом которой является неизмеряемый параметр качества. На вход модели можно подавать данные как из баз данных, так и из онлайн источников, таких как OPC. В случае отклонения показателя от желаемоговозможно принимать решение по коррекции параметров процесса, не дожидаясь получения лабораторных анализов.
Суммарная погрешность лабораторных приборов снижается из-за необходимости отбора пробы в удаленной точке и последующей ее доставки в лабораторию. Из-за невозможности обеспечить сохранение истинного фазового состояния пробы при ее транспортировке в лабораторию измерение на потоке может быть точнее.
Применение параллельной схемы работы ВА и поточных анализаторов (ПА) целесообразно, например, для контроля качества разделения фракций на установках первичной переработки нефти, с целью увеличения выхода светлых, а также стабилизации качества по выходам, являющихся сырьем для процессов вторичной переработки. Для управления ТП используются более точные измерения показателей качества, получаемые от ПА качества, а в случае его неработоспособности могут использоваться данные ВА. В таблице 1.2 сравниваются способы измерения качества нефтепродуктов. Критерии выбора способа измерения: частота измерений, требования к точности, стоимость измерений [68]. Виртуальный анализатор в системах управления формирует виртуальные модели реальных функциональных элементов. На рисунке 1.6 приведен пример структурной схемы ВА для системы управления с идентификатором [19]. Если произвести замыкание контура управления, идентификатором в цепи обратной связи [19].
Приведем краткий обзор методов построения ВА.
ВА показателей качества нефтепродуктов установки атмосферной разгонки представляет собой математическую зависимость между моделируемым показателем и параметрами технологического процесса, измеряемыми приборами непосредственно на технологической установке. Математические модели ВА подстраиваются на основе данных лабораторно-аналитического контроля. При поступлении по заводской сети из ЛИМС очередного значения лабораторного анализа система оценивает его статистическую состоятельность и целесообразность корректировки модели соответствующего ВА [89].
Часто применяемым методом синтеза ВА является регрессия. То есть поиск коэффициентов в заранее заданной функции. Это может быть полином, сплайн, нелинейная зависимость (экспонента, например) и т.д. Основами моделей ВА могут быть регрессионная зависимость (в том числе, в виде многомерного сплайна), нечеткая логика, нейронная сеть, генетические алгоритмы. Метод синтеза (для регрессии) – это или метод наименьших квадратов (МНК) или точная интерполяция.
В работах [59, 60] предлагаются регрессионные модели ВА массообменных процессов установки АВТ в виде зависимости показателя качества (процентное содержание компонента) от нескольких измеряемых технологических параметров – расхода сырья, температуры верха и низа колонны, давления вверху колонны, расхода дистиллята, флегмового числа. Используются метод наименьших квадратов, робастная и гребневая регрессии, анализируются различные структуры зависимостей. Критериями адекватности выбраны коэффициент детерминациии среднеквадратичная ошибка.
При получении модели ВА в виде регрессионной зависимости невозможно учесть неизмеряемые возмущения, так как ректификация является сложным процессом. Для устранения этой проблемы в работах [59, 60] предлагается использовать показатель идентифицируемости объекта на основе алгоритма чередующихся условных математических ожиданий. С его помощью оценивается возможность получения адекватной модели по имеющейся выборке, избегая длительного перебора возможных вариантов структур.
Этим же коллективом авторов для построения адекватной модели в случае, если выборка данных по входу изменяется в малом диапазоне, предлагается вводить корректирующую поправку, учитывающую влияние этой входной переменной, исходя из построенной физико-химической модели объекта (ФХМ). ФХМ учитывает закономерности фазового равновесия, коэффициента полезного действия (КПД) ступеней разделения, балансы.
В работе [115] предлагается ВА конца кипения бензиновой фракции, получаемой в колонне отбензинивания, на основе искусственной нейронной сети по статистическим данным работы модели. В качестве входных данных используются значения рефлюксного числа, температуры и давления верха колонны предварительного отбензинивания.
В [158] для определения показателей качества колонны блока вторичной перегонки бензина разработан виртуальный анализатор в условиях неопределенности состава питания. Построены регрессионные модели, отражающие зависимость показателей качества (температур начала и конца кипения) от наиболее значимых контролируемых параметров: расходов орошения (Fор), дистиллята (Fд) и кубового остатка (Fо), температуры теплоносителя (Ттн). Установлено, что, поскольку контролируемые переменные – расход орошения и отбор дистиллята – позволяют косвенно оценивать влияние состава питания на показатели качества разделяемых компонентов, они должны входить в состав параметров модели предложенного ВА.
В [111] предлагаются зависимости, связывающие текущие значения температур начала и конца кипения с молекулярными весами байпасных потоков и их паровых фаз, а также зависимости молекулярных весов и отборов светлых фракций от давления и расходов орошений с коррекцией коэффициентов уравнений регрессии.
В [42] приведено описание оценки параметров модели ВА с учетом ограничений на коэффициенты модели как статических, так и динамических режимов. Полученныерезультаты протестированы на данных промышленного процесса фракционирования нефти в атмосферной ректификационной колонне при идентификации параметров моделей ВА для определения показателей качества (температур начала и конца кипения) бензиновой и дизельной фракций. В алгоритме, учитывающем динамические свойства объекта, используются дискретные аналоги ядер Вольтерра первой степени, и модель представляется в виде сумм сверток входов объекта и конечных импульсных характеристик (КИХ). В [4, 29] для повышения достоверности статистической информации используется проведение имитационного эксперимента на адаптированной к условиям технологического процесса физико-химической математической модели объекта с формированием необходимой выборки и ее дальнейшим использованием с целью идентификации модели ВА. Используется среда имитационного моделирования Honeywell UNISIM Design.
В [29] предлагается модель ВА для отбензинивающей колонны, связывающая показатель качества (температуру конца кипения бензина) с составом продукта (мольными долями псевдокомпонентов с различной температурой кипения).
В [79, 99, 100] при синтезе ВА сырьевых потоков применяется метод главных компонент на примере задачи анализа и визуализации свойств сырьевого потока, образованного смесью предельных углеводородов С9,…,С20.
В настоящее время на крупных НПЗ применяется технология виртуального мониторинга технологического процесса, например, Yokogawa (система создания виртуальных анализаторов RQE), Honeywell (Profit Sensor Pro), Aspen Technology (Aspen IQ), Emerson (Delta V Neural).
Таким образом, в вышеперечисленных работах чаще всего предлагаются регрессионные модели ВА, метод синтеза – метод наименьших квадратов. Полученные модели применимы на установках АТ, АВТ, блоках вторичной переработки бензина для решения задачи поддержания регламентируемых показателей технологического процесса.
Рассмотренные модели для МНПЗ неприменимы, потому что при выборе параметров необходимо учесть особенности технологического процесса, перечисленные в разделе 1.1. Следует отметить, что виртуальные анализаторы Yokogawa, Emerson и др. являются дорогостоящими для МНПЗ.
Для разработки системы управления следует выбирать ВА на основе регрессионных, авторегрессионных и ARMAX-моделей, полученных по экспериментальным данным с учетом особенностей технологического процесса на МНПЗ.
Динамическая модель атмосферной установки ректификации нефти
В разделе 1.5 показано, что для решения задачи стабилизации температурного профиля атмосферной колонны применение компенсаторов возмущений и перекрестных связей и типовых регуляторов не обеспечивает необходимое качество регулирования. Поэтому предлагается способ управления с использованием математической модели. Для решения этой задачи необходимо разработать динамическую модель процесса ректификации.
При составлении системы уравнений динамической модели использовались [182, 200, 203, 215]. Система включает уравнения общего материального баланса, покомпонентного материального баланса, парожидкостного равновесия, теплового баланса. Уравнения балансов изменены с учетом циркуляционных орошений, отбора боковых нефтяных фракций, подвода перегретого пара, отвода воды. При вводе в низ колонны водяного пара парциальное давление паров углеводородов снижается, что способствует испарению жидкости (ее кипению) при более низкой температуре. Для нахождения энтальпии водяного пара и воды получены аппроксимирующие зависимости с помощью Matlab с использованием данных, приведенных в [116].
Например, по табличным справочным данным получена зависимость удельной энтальпии воды hw (кДж/кг) от температуры Т (0С) следующего вида (с погрешностью, не превышающей 3%): /7=-0.0429+4.1954 7:. (2.42)
Физико-химические свойства и состав сырья определяются с помощью аппроксимирующей зависимости кривой ИТК (2.16). Давление на каждой тарелке считается постоянным.
Динамическая модель, представленная системой алгебро-дифференциальных уравнений (2.4), (2.5), (2.10), (2.11), (2.43)-(2.55) решалась с применением Matlab[156].
При решении систем уравнений динамической модели применялись следующие способы: «решатель» ode15s, явный метод Эйлера второго порядка, -функция Simulink.
«Решатель» ode15s использует многошаговый метод переменного порядка (от 1 до 5, по умолчанию 5), использующий формулы численного дифференцирования. Время расчета до достижения установившегося значения составляет 3 минуты.
При применении явного метода Эйлера второго порядка время расчета на порядок больше и зависит от шага.
Для реализации полученной модели в Simulink применяется -функция, реализованная как М-файл, которая подключается с помощью библиотечного блока S-function. Flag указывает задачу, которая должна быть выполнена (таблица 2.11). В этом случае использовался тот же М-файл, что и в «решателе» ode15s. Время расчета сопоставимо с первым способом. В Simulink удобнее проводить дальнейшие исследования. Из трех способов выбран способ с применением блока S-function.
На рисунке 2.5 приведена блок-схема алгоритма расчета динамической модели. В блоке 1 задаются начальные условия. В блоке 2 рассчитывается состав пара на тарелках из (2.3). Затем в блоке 3 определяется расход жидкой фазы из (2.47). Удерживающая способность по тарелкам определяется в блоке 4 из уравнений (2.48). Затем находится состав жидкости на тарелках из уравнений (2.50) (блок 5). Температура на тарелках определяется в блоке 6 из уравнений (2.53).
На рисунке 2.6 приведен пример полученных результатов моделирования с применением Matlab c помощью «решателя» ode15s для атмосферной установки ректификации нефти при изменении расхода сырья на 10 %.
На рисунке 2.7 приведен результат моделирования c помощью S-функции такжепри изменении расхода сырья на 10 %. Так как значения температур на всех тарелках не нужны, то выведены только температуры на отборных тарелках.
Для идентификации модели проводилась оценка отклонений значений, рассчитанных по модели выходных переменных (температур бензиновой, дизельной фракции, мазута) и экспериментальных значений для минимизации этих отклонений. Параметрами идентификации являются высота сливной перегородки тарелки и периметр слива.
На входе объекта менялся расход сырья (нефти) - тестовое воздействие. Отклонения для температур находились по нескольким точкам переходного процесса. С применением поискового алгоритма с использованием симплексного метода находится минимум невязки:
где т - число точек температурного профиля (температуры на отборных тарелках Т т и вверху колонны); N - число точек переходного процесса; 3ji" Mji температуры на тарелках, экспериментальные и рассчитанные по модели.
При проверке адекватности модели эталонные данные по возмущающим воздействиям и откликам получены из архивных данных, соответствующих проведению на установке экспериментальных исследований, проводимых в рамках проекта «Повышение производительности и срока службы Елховской НПУ». В результате проверки адекватности модели получено, что максимальная относительная погрешность модели не превышает 6,2 %.
Полученная динамическая модель процесса ректификации нефти в дальнейшем применяется:
- для выбора динамических каналов управления;
- при проведении «виртуального эксперимента» для получения переходных характеристик при идентификации параметров моделей объекта по каналам возмущения;
- при получении нелинейной модели Гаммерштейна, реализованной в виртуальном контроллере;
- в алгоритме управления атмосферной установкой ректификации нефти малой мощности.
Стабилизация температурного профиля с применением компенсаторов и типовых регуляторов
Для исследования САР температурного профиля в атмосферной установке ректификации нефти малой мощности используем модель Гаммерштейна.
Выделим вобъекте управления (рис. 1.10) каналы управления температурным профилем: расход острого орошения-температура верха; расход дизельного топлива-температура дизельного топлива; расход перегретого пара-температура мазута. Для устранения взаимных связей между каналами регулирования применим компенсаторы. На рисунке 3.15 приведена схема регулирования со статическим компенсатором перекрестных связей.
Применим средства Matlab на базе инструмента PID Tuner. С помощью пакета Control Design зададим требуемые ограничения для переходного процесса в исследуемой системе [133]. Основными показателями качества переходного процесса будем считать перерегулирование, время регулирования, интегральные показатели.
Введем обозначения:
1.Управляющие воздействия: расход верхнего орошения U1, расход дизельного топлива U2, расход перегретого пара U3.
2. Регулируемые параметры:
– температура верха (бензиновой фракции): y1 – текущее значение и SP1 – заданное значение;
– температура дизельной фракции: y2 – текущее значение и SP2 – заданное значение;
– температура куба (мазута): y3 – текущее значение и SP3 – заданное значение.
На рисунке 3.16 приведена Simulink-модель САР со статическим компенсатором перекрестных связей и компенсаторами возмущения – расхода сырья.
Схема содержит следующие основные блоки: блок LTI – возмущение по расходу сырья; блок Model – модель объекта; блок регуляторов температуры отбора бензиновой фракции, дизельной фракции, мазута – P1, P2, P3; блок компенсаторов возмущения – LTI1, LTI2, LTI3, статический компенсатор перекрестных связей G. в качестве уставок SP1, SP2, SP3 применяются значения температур, рассчитанные по секционной модели.
При применении статического компенсатора перекрестных связей G использовалась формула: где W(0) – матрица статических коэффициентов объекта.
Произведение W(0) G представляет собой единичную матрицу, что говорит о том, что в статическом режиме влияние каналов друг на друга отсутствует.
Выход компенсатора возмущения подается на вход регулятора. Параметры настройки регулятора рассчитываются независимо от компенсатора. Компенсатор
Определение параметров настройки регуляторов полученной схемы проводилось с использованием пакета PID Tuner. Полученные настроечные параметры ПИД-регуляторов приведены в таблице 3.7.
Поясним полученные графики. На рисунке 3.17а сначала процесс выходит на заданное значение температуры (140 С). В момент времени 1500 с подается возмущение расходом сырья. Видно, что через некоторое время температура устанавливается на значении 140 0С. На рисунке 3.17б меняется задание со 140 0С на 150 0С. Температура приходит к заданному значению. В момент времени 2000 с подается возмущение расходом сырья. Температура устанавливается не на заданном значении 150 0С, а выходит на другое значение 140 0С. На рисунке 3.17в меняется задание со 140 0С на 155 0С. Устанавливается режим автоколебаний.
Таким образом, настроечные параметры регуляторов могут быть получены для конкретного состояния объекта, но при его переходе в другие состояния (изменение задания по температуре, возмущение по расходу сырья) они уже не позволяют получать требуемое качество переходных процессов. Изменение задания может привести к автоколебаниям. Использование компенсаторов при управлении ведет к усложнению схемы и ее практической реализации.
Испытание разработанной системы управления на нефтеперерабатывающей установке
Предлагаемое решение по управлению объектом по модели испытано на действующей технологической установке МНПЗ. Управляющий уровень с контроллером осуществляет непосредственное управление объектом. Контроллер получает данные от датчиков и отправляет на рабочую станцию, от которой получает значение управляющего воздействия. Рабочая станция и Matlab взаимодействуют между собой через OPC-интерфейс посредством тегов. В Matlab передаются данные о параметрах, по которым формируются значения управляющих воздействий, поступающие в контроллер.
Основное программное и техническое обеспечение (ПТО), применяемое на объектах переработки нефти и газа, разработано компаниями Honeywell (ExperionPKS), Siemens (Simatic S7-300, -400, WinCC), Yokogawa (Centum VP), JUMO (датчики давления и др.), Shell и др.
Сравнение работы атмосферной установки ректификации нефти в различных режимах управления процессом проводилось также на нефтеперерабатывающей установке Елховского МНПЗ, мощность которой составляет до 500 тыс. тонн в год, где применяется система управления Experion PKS (Honeywell) (рисунок 4.12) [134].
Инструментальным средством программирования задач контроля и управления является построитель Control Builder – графический конфигуратор, использующий библиотеку типовых алгоритмов математических, логических, управленческих функций, которые группируются в модули контроля, регулирования, последовательного управления.
Инструментальные средства генерируют все традиционные виды представления информации на рабочих станциях: различные типы мнемосхем с возможностью анимации, окна с графическими панелями текущего состояния отдельных контуров управления, барграфы, тренды текущих и исторических данных (рисунок 4.13), сообщения о тревогах и аварийных ситуациях [134].
На технологической установке последовательность подключения следующая: датчики/исполнительные механизмы – кроссовый шкаф (промежуточный, клеммный) – входной/выходной модуль контроллера – контроллер – сетевой коммутатор – сервер технологического процесса – сетевой коммутатор – исторический модуль (PHD) – сетевой коммутатор – ОРС-сервер. На АРМ оператора информация идет с сервера технологического процесса – сетевой коммутатор – рабочая станция АРМ оператора.
На действующей установке мощностью до 500 тыс. т используется схема управления по проектному решению. Управление по проектному решению заключается в стабилизации температур профиля колонны ректификации на регламентных значениях. Часть таких значений приведена для примера в таблице 4.2. В ней приведен фрагмент типового решения для зимнего режима работы нефтеперерабатывающей установки малой мощности. По результатам анализа нефтепродуктов, получаемых из химико-аналитической лаборатории завода, операторы и технологи корректируют значения параметров, опираясь на опыт своей работы на установке.
В переходное время (с лета на зиму) на установке было применено предлагаемое управление по модели. Система была переведена в режим получения данных из модели и передачи данных.
В таблице 4.3 показано среднее квадратическое отклонение (СКО) по показателям качества при управлении по проектному решению и по модели.
На рисунке 4.15 показана функциональная схема автоматизации атмосферной установки ректификации нефти малой мощности. Обозначения: К-1 – атмосферная колонна, К-2 – отпарная колонна, Р-1, Р-2, Р-3, Р-4 – насосы, АВО – аппарат воздушного охлаждения, ФЕ – флегмовая емкость. Перечень приборов приведен в приложении Г.
На рисунке 4.16а показаны значения изменения температуры конца кипения дизельного топлива при управлении установкой по проектному решению, примененному в прошлый переходный период, а на рисунке 4.16б – этот же показатель за аналогичный период времени года, но при управлении по модели. При сравнении результатов видно снижение изменчивости температур конца кипения и отсутствие выхода параметра за заданные пределы. Рассчитанные значения СКО приведены в таблице 4.3.
Сравнение вышеприведенных результатов показывает, что предложенная система управления обеспечивает:
1) увеличение отбора светлых нефтепродуктов на 2,6 %.
2) уменьшение интервалов температур пересечения бензиновой и дизельной фракции до 5 0С;
3) снижение СКО температур кипения нефтепродуктов: бензиновой фракции до 2,4; дизельного топлива – до 2,5.