Application of modeling tools in the framework of smart petrochemical production

Full Text

Введение Современный уровень развития технической науки позволяет конструировать высокоэффективные производственные системы, обеспечивающие энергоресурсосбережение, содействующие устойчивому развитию, повышению производительности труда, качества производимой продукции за счет формирования единого информационного пространства управления процессами, протекающими внутри промышленного предприятия, и совокупности информационных технологий, обеспечивающих управление данными. Переход к Индустрии 4.0 сопровождается усложнением функциональных информационных систем, их интеграцией в единое информационное поле предприятия, ориентацией на полную информатизацию процессов, повышением емкости оцифрованных данных. Такая технологическая конвергенция лежит в основе цифровой трансформации промышленности. Особый интерес представляет цифровизация конкурентоспособных отраслей российской промышленности, в структуре которой преобладают нефтехимические производства и на которые по оперативным данным за 2020 г. приходится 16,3% в общем объеме отгруженных товаров, работ, услуг (11% - производство нефтепродуктов, резиновых и пластмассовых изделий; 5% - производство химических продуктов и лекарственных средств) и нефтегазодобывающая отрасль - 13,8%1. Несмотря на это, существуют проблемы в развития нефтехимии, связанные с медленными темпами цифровой трансформации российских производств, о чем свидетельствуют статистические данные в разрезе европейских стран2. Одним из технологических решений цифровой трансформации является «умное» производство, консолидирующее самостоятельные функциональные области управления предприятием, в частности управления цепями поставок, активами, жизненным циклом продукта и т.д. [Брендл, 2016]. За счет единого информационного поля обеспечивается возможность наиболее рационального, эффективного управления ресурсами предприятия. Преимущество «умного» производства также состоит в гибкости при модернизации процессов, реализации новых методик и моделей управления техническими системами. В связи с этим особой ценностью обладают научные работы, посвященные моделированию в рамках функционирования «умного» нефтехимического производства. Так в научной литературе нашли отражение модель архитектуры информационных систем применительно к автоматизации машиностроительных производств [Бирбраер, Московченко, Бусов, Новиков, 2009]; апробация методики имитационного моделирования производственных систем по принципам «умного» производства, позволяющей сократить затраты в несколько раз [Абрамова, Абрамов, 2013] и направленная на выявление «узких мест» в производстве [Барвинок, Смелов, Кокарева, Малыхин, 2014]; реализация имитационного моделирования на основе широкого разнообразия информационных систем [Мокшин, Кирпичников, Маряшина и др., 2019]; методика определения вероятности экологичности промышленного производства [Shinkevich, Shaimieva, Malysheva, Gumerova, 2020]; архитектурное моделирование производственных систем [Козак, Нежметдинов, Мартинова, 2018] и другие практически значимые разработки. Другими инструментами являются методология моделирования IDEF0 и ее адаптация к нефтехимическим процессам [Петрищев, Шубович, Федорова, Знаенко, 2016]. Актуальным в условиях интеллектуализации промышленных производств является нейросетевое моделирование. Применение данного инструментов находит отражение в разных областях деятельности - при построении системы оперативного выявления неисправностей [Нигматуллин, Руднев, 2019], в целях оптимизации течения жидкости [Ахмадиев, Маланичев, 2019], прогнозировании различных параметров [Панченко, Рахман, Сафаров, 2018] и т.д. Таким образом, очевидна стратегическая значимость применения инструментов моделирования в построении системы «умного» нефтехимического производства, что определяет цель данного исследования: изучить возможности применения различных инструментов моделирования в рамках функционирования «умного» нефтехимического производства. Достижение цели предполагается посредством решения следующих задач: изучить возможности применения методологии IDEF0 в условиях построения «умного» производства; построить декомпозицию процесса внедрения нового оборудования в условиях «умного» нефтехимического производства в нотации BPMN; исследовать специфику нейросетевого моделирования и разработать модель нейронной сети в целях прогнозирования энергопотребления нефтехимических производств. Методы решения задач В достижении цели применены такие методы научного познания, как анализ и синтез инструментария моделирования, сравнение, обобщение, методы моделирования. В качестве последних применены: 1) логические модели, представляющие собой визуализацию последовательности этапов того или иного процесса, представленной в нотациях IDEF0 и BPMN; 2) корреляционный анализ, позволяющий определить тесноту связи между показателями, характеризующими развитие российских нефтехимических предприятий в условиях цифровой трансформации и интеллектуализации производственных процессов, и выявить значимые в рамках исследования переменные; 3) нейросетевое моделирование, идентифицирующее функцию зависимости между исследуемыми переменными и обеспечивающее предсказание управляемой переменной по наиболее производительной с точки зрения обучения нейронной сети. Моделирование производственных процессов в нотации BPMN Д. Брендлом справедливо отмечено пересечение функциональных моделей в едином пространстве «умного» производства [Брендл, 2016]. Возможности современных инструментов моделирования позволяют декомпозировать производственные процессы, объединив отдельные аспекты управления в информационном поле промышленного предприятия. Весьма распространенной является методология BPMN, чаще применяемая в рамках управления бизнес-процессами (например, управления заказами), реже - относительно производственных процессов. Неотъемлемым преимуществом данного инструмента является простота и лаконичность формализации процессов, прозрачность их графической трансляции, доступная любому сотруднику промышленного предприятия, позволяющая формировать четкие регламенты выполнения задач. Широкий набор графических инструментов позволяет визуализировать разнообразие факторов, элементов, ресурсов, требуемых для обеспечения нормального протекания производственного процесса. В условиях «умного» производства важна возможность автоматизации контроля условий исполнения процесса. Кроме того, успех построения эффективного интеллектуального предприятия детерминирован качеством регламентации и стандартизации процессов, что актуализирует применение данной методологии в рамках исследуемой тематики. В связи с вышесказанным данный инструмент адаптирован к «умному» нефтехимическому производству, в результате чего построена модель управления в нотации BPMN применительно к интеграции информационных систем, отвечающих за управление производственными активами и безопасностью автоматизированных систем (рис. 1). Модель отражает этапы жизненного цикла оборудования в ходе выполнения плана производства, последовательность решения задач, альтернативные исходы событий, условия наступления событий, сопровождающие процесс информационные потоки. Предусмотрены следующие блоки: 1) ввод производственных активов; 2) подключение к единой цифровой среде, синхронизация работы оборудования с Центром обработки данных, в частности по вопросам безопасного и бесперебойного протекания производственных процессов, настройка уведомлений в режиме обратной связи; 3) обратная связь в случае сбоев, выхода оборудования из строя, 4) выполнение/невыполнение плана. Данный инструмент моделирования отражает отдельные элементы MES-системы, позволяет визуализировать процесс управления производственными активами в комплексе с управлением безопасностью автоматизированных систем, оборудования, предусматривает коммуникационные сети между производственным оборудованием и серверами, интегрированными к единому Центру обработки и хранения данных (среда электронного взаимодействия выделена отдельным блоком). Данные формируются в режиме реального времени, обрабатываются, выводятся в виде отчетов, участвуют в моделировании процессов, архивируются. Важными принципами управления данными являются системный подход к управлению производством и соответствующими данными, логичность агрегирования и обработки данных, обусловленная последовательностью этапов производства, оптимизация трудовложений в процесс обработки данных, архивирование стратегически важных данных и т.д. [Сучков, Галимулина, 2020]. В условиях цифровизации производств особенно важным элементом управления является эффективная система безопасности консолидируемых данных, предоставление к ней ограниченного доступа пользователям (выдача цифровых подписей), мониторинг системы защиты информационной среды и базы данных. Методология также обеспечивает возможность отражения в моделях документации, генерируемой на разных этапах цепи управления, в частности, разного рода заявок, отчетов, формируемых в соответствии с выстроенной архитектурой предприятия автоматически или по запросу пользователя. В рамках MES-системы управления предприятием автоматизация обеспечивает оперативное управление, детальное планирование производства, повышение надежности и устойчивости производственных процессов [Нургалиев, 2017]. Декомпозиция производственных процессов в нотации IDEF0 Широко распространенным инструментом логико-информационного моделирования является методология IDEF0, которая позволяет систематизировать входные параметры, механизмы, инструменты управления, ресурсы в единую модель. Несомненным преимуществом данного инструмента является возможность оптимизировать производственные процессы, визуализировать информационную поддержку на всех стадиях процесса, формализовать взаимозависимости между производственными задачами, что в результате позволяет повысить производительность, качество управления процессами и производимой продукции, сократить затраты. В рамках исследуемой темы методология IDEF0 применена в отношении нефтехимического производства, а именно - процесса очистки жидкостей (воды, углеводородных смесей и др.). Методы и технологические установки, применяемые в отрасли в целях очистки, широко исследуются в научном кругу, в частности, подробно освещены в трудах М.И. Фарахова [Фарахов, Лаптев, Башаров, 2015; Farakhov, Laptev, Basharov, 2016]. Развивая теоретические подходы к технологическим процессам нефтехимических производств, предлагаем учесть элементы цифровизации и построения «умного» производства в виде модели в нотации IDEF0. Подобная логико-информационная модель может быть декомпозирована до низшего уровня производственной системы (операций, действий каждого сотрудника), представляя достаточно емкую схему управления на предприятии. В нашем случае детализация процессов представлена на двух уровнях: нулевом - в виде контекстной диаграммы, обобщающей все категории элементов процесса очистки жидкостей модели (рис. 2), и первом, конкретизирующем этапы построения «умного» нефтехимического производства. На рис. 2 отражены потоки жидкости, подлежащей очистке, а также атмосферный воздух, применяемый в целях образования пузырьков и выведения загрязнений в виде пены. На последней стадии в результате доочистки выводится дисперсная фаза и отдельно - очищенная жидкость [Фарахов, Лаптев, Башаров, 2015]. Процессы отвечают требованиям нормативно-правовых актов, в том числе направленных на охрану окружающей среды, а также внутренним стандартам, технологическим инструкциям, регламентам и другим документам. Применительно к построению цифровой платформы описываемый процесс сопровождается установкой различных устройств, датчиков, позволяющих осуществлять мониторинг очистки, наблюдение за параметрами процесса (давлением, температурой, расходом жидкости), отслеживать допустимые отклонения и оперативно реагировать на критические отклонения показателей. Рис. 2. Контекстная диаграмма процесса очистки жидкостей от примесей нефти (в нотации IDEF0) Fig. 2. Context diagram of the process of cleaning liquids from oil impurities (IDEF0 notation) На рис. 3 представлена декомпозиция процесса «Построение «умного» нефтехимического производства» в нотации IDEF0, которая отражает последовательность этапов цифровизации системы управления производством. Входом процесса служит постановка задачи «Построить». Ее решение в предлагаемой модели охватывает 5 емких этапов, каждый из которых можно детализировать на более конкретные задачи и подпроцессы, с уточнением ответственных лиц. Рассмотрим более подробно каждый из подпроцессов, отраженных на рис. 3. На этапе проектирования посредством программного обеспечения с учетом стратегии предприятия, устава, законодательной базы, государственных стандартов и других регламентирующих документов определяются цели построения новой системы, принципы ее функционирования, ресурсное и инфраструктурное обеспечение, система мониторинга, что в целом находит отражение в техническом задании, которое является входом для следующего подпроцесса - моделирования производственных процессов. Этап моделирования основывается в частности на имитационном моделировании, нейросетевом моделировании, позволяющем оценить альтернативные варианты построения «умного» производства при разных параметрах, выявить потенциальные риски и разработать превентивные механизмы, способные минимизировать сбои в работе автоматизированных систем, информационных технологий, в результате чего формируется набор параметров нормального протекания технологических процессов, стандартизируются элементы, оборудование, инструменты. Все заданные параметры и технологические регламенты служат фундаментом для программирования оборудования, роботов, системы управления производством, производственными активами, жизненным циклом продукции, безопасностью, снабженческой деятельностью, заказами, логистическими операциями, обслуживанием производства, то есть формирования единого информационного пространства, наиболее полно интегрирующего функциональные подсистемы промышленного предприятия. Выходом данного подпроцесса является, прежде всего, «цифровой двойник» технологического процесса, интеграция программы «цифровой логист» в систему «умного» производства, MES-системы, серверная часть и другие программные модули, необходимые для эффективного функционирования системы «умного» производства. Рис. 3. Декомпозиция процесса «Построение «умного» нефтехимического производства» в нотации IDEF0 (построено автором) Fig. 3. Decomposition of the process «Building a smart petrochemical production», IDEF0 notation (built by the author) Настроенная платформа, интегрирующая все необходимые элементы, оборудование, программное обеспечение, позволяет запустить «умное» производство, которое обеспечивает существенный синергетический эффект за счет оптимизации ряда функциональных подсистем. Дальнейшее обслуживание информационной платформы включает в частности мониторинг, выявление сбоев, неисправностей и отклонений в работе оборудования и системы управления производственными процессами, формулирование на данной основе рационализаторских предложений, служащих предпосылкой для модернизации функционирующего «умного» производства, что возвращает потоки управления вновь к подпроцессу «Моделирование производственных процессов» с целью внесения корректив. Построение «умного» производства на основе нейронных сетей Фундаментальной особенностью «умного» производства является нейросетевое моделирование. Интеллектуализация информационной среды промышленного предприятия - возможность минимизировать промышленные риски, негативное воздействие на окружающую среду с учетом принципов устойчивого развития. Построение информационного пространства с применением нейронных сетей обеспечивает возможность прогнозирования неполадок, разработки превентивного механизма на основе искусственного интеллекта, машинного и глубокого обучения. Промышленное производство - это система, в рамках которой циркулирует весьма емкий объем данных, рационально обрабатывать который вручную достаточно сложно. Данная задача с легкостью решается посредством глубокого обучения, построения сложных нейронных сетей, используемых для формализации алгоритмов посредством обработки больших массивов данных. В процессе обучения искусственная нейронная сеть учится своевременно выявлять дефекты и отклонения в производстве и оперативно реагировать на подобные отклонения от нормального протекания производственного процесса, что в целом предполагает возможность исследовать, идентифицировать особенности технологического процесса и их трансформацию во временном промежутке. В частности, работа с большими данными предполагает сбор информации, ее преобразование в n-мерные массивы данных, подлежащих обработке с целью нахождения оптимальных значений. Таким образом, происходит формализация инструмента, оценивающего входные данные о процессах и выдающего сообщение о возникновении неисправностей, что в результате обеспечивает выявление сбоев и повреждений в режиме реального времени [Нигматуллин, Руднев, 2019]. Как было отмечено ранее, интеллектуальные системы управления производством выстраиваются на базе автоматизированных информационных систем и нуждаются в надежной защите. Повысить эффективность безопасности таких систем также позволяют нейронные сети [Вершинин, Карамышева, 2019]. Следующим примером применения нейросетевых моделей является оценка загрязнения окружающей среды в результате эксплуатации автотранспорта [Новикова, Тунакова, Шагидуллин, Кузнецова, 2016]. Обучение нейросети осуществлено на данных об интенсивности движения автотранспорта и направлено на вычисление концентрации металлов, обеспечивает более высокую точность расчетов для мониторинга загрязнения атмосферы. Процесс обучения охватывает разработку алгоритма построения нейросети, определение функции активации и эксплуатацию. Также одной из возможностей нейросетевого моделирования является прогнозирование, которое также встроено в алгоритмы построения «умного» производства. Преимущество нейронных сетей перед другими прогностическими методами состоит в возможности предсказания параметров со сложными латентными зависимостями. Применительно к нефтехимическим производствам, сопровождаемым высоким объемом выбросов загрязняющих веществ в атмосферу, обучение нейронных сетей может осуществляться в целях прогнозирования уровня загрязнения [Панченко, Рахман, Сафаров, 2018]. Принципиально важным является понимание сути обучения нейронных сетй. Ключевыми элементами нейронной сети являются входной, скрытый и выходной слои нейронов, связанные между собой синапсами, каждый из которых имеет свой вес и может либо усиливать, либо ослаблять сигнал. Входной слой представляет собой массив входных переменных, подвергающихся далее обработке нейронами последующих слоев. Каждый переход к следующему слою задается собственной функцией активации, вследствие чего срабатывает сигнал на выходе. Каждый нейрон получает сигналы на входе (каждый сигнал имеет свой вес), после чего сумматор складывает все взвешенные сигналы, которые далее преобразуются в соответствии с функцией активации и подаются на выход в виде числового значения. К числу таких функций относятся гиперболический тангенс, экспоненциальная логистическая, гауссова функции и другие. Таким образом, процесс обучения сети лежит в основе построения нейронных сетей, формируется на массиве фактических данных и заключается в установлении связей между входными и выходными показателями. Суть обучения состоит в поиске альтернативы, характеризуемой глобальным оптимумом, которому соответствует минимальная ошибка. В рамках нашего исследования для построения нейронных сетей применен инструмент «Автоматизированные нейронные сети» программы Statistica, который позволяет прогнозировать данные на основе обучения нейронных сетей. Ключевой принцип реализации инструмента заключается в возможности пакета самостоятельно классифицировать наблюдения на обучающие, контрольные и тестовые. В нашем случае исходный массив данных охватывает ряд показателей, характеризующих энергопотребление химическими предприятиями и предприятиями по производству кокса и нефтепродуктов, влияние предприятий данных отраслей на окружающую среду (а именно - выбросы загрязняющих веществ), активность нефтехимических предприятий в области модернизации оборудования в результате его приобретения, а также технологические инновации, направленные на совершенствование процессного управления. Включение последних в аналитическое исследование обусловлен совершенствованием процессов промышленных предприятий в целях построения «умного» производства на основе внедрения новых методов производства, обеспечивающих повышение его эффективности. Массив данных включает временной ряд с 2007 по 2018 г.3 Предварительно проведена оценка корреляционных связей между показателями развития предприятий, производящих кокс и нефтепродукты: Y - энергопотребление предприятиями отрасли, млн т условного топлива; X1 - затраты отрасли на процессные технологические инновации, млн руб.; X2 - доля организаций отрасли, приобретавших оборудование в качестве технологических инноваций, %; X3 - объем выбросов загрязняющих веществ от стационарных источников предприятий отрасли, тыс. т. В результате получены значимые коэффициенты корреляции (уровень значимости р менее 0,05) между зависимой переменной Y и независимыми переменными X1 и X3, что представлено в корреляционной матрице (табл. 1). Графики парной зависимости между переменными отражены на рис. 4 в виде диаграмм рассеяния. В соответствии со шкалой Чеддока наблюдается прямая весьма высокая зависимость энергопотребления нефтехимических предприятий от затрат на процессные технологические инновации и заметная обратная зависимость - от объема загрязняющих окружающую среду выбросов. Таблица 1 Корреляционная матрица (получено автором) [Correlation matrix (obtained by the author)] Коэффициенты корреляции [Correlations] Выделенные коэффициенты корреляции значимы при p < ,05000 N = 12 [Marked correlations are significant at p < ,05000 N = 12] Среднее значение [Means] Стандартное отклонение [Standard deviation] Y X1 X2 X3 Y 41,73 4,85 1,000000 0,917569 -0,573170 -0,584790 X1 71 722,28 48 993,29 0,917569 1,000000 -0,357939 -0,552744 X2 32,21 10,29 -0,573170 -0,357939 1,000000 0,346395 X3 701,02 78,70 -0,584790 -0,552744 0,346395 1,000000 Рис. 4. Диаграммы рассеяния (получено автором): а - взаимосвязь между Y и X1; b - взаимосвязь между Y и X2 Fig. 4. Scatterplots (obtained by the author): а - the Y and X1 correlation; b - the Y and X2 correlation Полученные результаты позволяют включить значимые переменные X1 и X2 в массив исходных данных для прогнозирования посредством обучения нейронной сети. В качестве типа анализа применены «Временные ряды (регрессия)». В ходе обучения построены два типа нелинейных сетей - многослойный персептрон (MLP), имеющий большое число скрытых слоев, и сеть радиальной базисной функции (RBF), имеющая один скрытый слой, а также в каждом случае применены два варианта прогнозирования энергопотребления нефтехимическими предприятиями - с учетом одного предиктора X1 и двух предикторов X1 и X3. Установлены следующие ограничения для количества скрытых слоев: для многослойного персептрона - 2-8, для сети радиальной базисной функции - 4-5. Количество нейронных сетей для обучения - 20, для сохранения - 5. Далее рассмотрены результаты автоматизированного обучения нейронных сетей. Из 5 сохраненных нейронных сетей отобрана сеть MLP 1-2-1 с высоким коэффициентом корреляции между фактическими и предсказываемыми данными, равным 0,912, с наименьшей ошибкой обучения, равной 0,738. Данная сеть имеет 1 нейрон на входе, 2 скрытых нейрона и 1 нейрон на выходе. Показатель чувствительности Y к X1 составил 21,91, то есть превышает 1, вследствие чего можно утверждать, что исключение данной независимой переменной из анализа увеличит ошибку модели в 21,91 раз. Таблица 2 Итоги анализа нейронных сетей для обучения, Y = f(X1) (многослойный персептрон) [Results of neural networks analysis for training, Y = f(X1) (multilayer perceptron)] Наименование сети [Network name] Производительность обучения [Training performance] Ошибка обучения [Training error] Контрольная ошибка [Test error] Тестовая ошибка [Validation error] MLP 1-2-1 0,761134 2,277416 6,668948 21,49717 MLP 1-8-1 0,908516 0,781135 0,000002 8,02193 MLP 1-6-1 0,900857 0,859931 0,003196 8,89512 MLP 1-2-1 0,725952 2,596948 8,559349 23,09813 MLP 1-2-1 0,912053 0,737628 0,002128 6,51114 В случае сети типа радиальной базисной функции качество зависимости более высокое, о чем свидетельствует производительность обучения сети RBF 1-4-1, равная 0,927, и имеющая еще более низкую ошибку обучения - 0,57 (табл. 3). Чувствительность энергопотребления нефтехимических отраслей к затратам на процессные инновации (в частности в развитие модулей «умного» производства) составила 84,85 раза, что свидетельствует о многократном ухудшении модели вследствие исключения независимой переменной X1 из анализа. Аналогичным образом построены сети для двух независимых переменных, определяющих уровень результирующей переменной Y, для каждого типа сети также сохранены 5 альтернатив (табл. 4). При обучении многослойного персептрона получена наилучшая сеть с производительностью обучения, равной 0,929 - сеть, имеющая 2 нейрона на входе, 7 скрытых нейронов и 1 - на выходном слое. При обучении сети радиальной базисной функции целесообразно применение сети с архитектурой RBF 2-5-1, производительность ее обучения - 0,969, ошибка обучения составила 0,081, что ниже 0,2, а число скрытых нейронов составляет 5. Данная сеть является качественной. Таблица 3 Итоги анализа нейронных сетей для обучения, Y = f(X1) (сеть радиальной базисной функции) [Results of neural networks analysis for training, Y = f(X1) (radial basis function network)] Наименование сети [Network name] Производительность обучения [Training performance] Ошибка обучения [Training error] Контрольная ошибка [Test error] Тестовая ошибка [Validation error] RBF 1-5-1 0,819294 2,353990 0,01206 0,929013 RBF 1-5-1 0,892498 0,955771 0,00354 7,519003 RBF 1-5-1 0,916740 0,683304 4,41796 2,887803 RBF 1-5-1 0,653545 3,204965 25,63675 7,942555 RBF 1-4-1 0,926670 0,571619 0,13345 3,084159 Таблица 4 Итоги анализа нейронных сетей для обучения, Y = f(X1, X3) [Results of neural networks analysis for training, Y = f(X1, X3)] Наименование сети [Network name] Производительность обучения [Training performance] Ошибка обучения [Training error] Контрольная ошибка [Test error] Тестовая ошибка [Validation error] Чувствительность [Sensitivity] X1 X3 Многослойный персептрон [Multilayer perceptron] MLP 2-7-1 0,929221 0,543459 0,000137 1,40396 40,1010 2,6288 MLP 2-7-1 0,893730 1,147487 0,045762 7,44006 MLP 2-3-1 0,885963 1,038070 0,007108 6,51686 MLP 2-7-1 0,788365 2,018860 2,995529 25,14545 MLP 2-3-1 0,907499 1,204335 0,002349 3,44951 Сеть радиальной базисной функции [Radial basis function network] RBF 2-5-1 0,969105 0,08127 0,420520 6,43857 9,4797 2,4928 RBF 2-4-1 0,854221 1,35885 0,891103 25,89047 RBF 2-5-1 -0,132125 23,71937 0,000004 76,15992 RBF 2-5-1 0,809544 1,81301 0,010961 20,29039 RBF 2-5-1 0,845051 1,45399 0,023203 16,65318 Рис. 5. Архитектура нейронных сетей с высокой производительностью обучения (построено автором): а - MLP 1-2-1; b - RBF 1-4-1; с - MLP 2-7-1; d - RBF 2-5-1 Fig. 5. Architecture of neural networks with high training performance (built by the author): а - MLP 1-2-1; b - RBF 1-4-1; с - MLP 2-7-1; d - RBF 2-5-1 Анализ чувствительности двух типов сетей для Y = f(X1, X3) подтверждает высокую значимость величины затрат предприятий, производящих кокс и нефтепродукты, на процессные инновации при прогнозировании энергопотребления. Кроме того, наибольший показатель демонстрирует сеть радиальной базисной функции архитектуры RBF 2-5-1 относительно обеих независимых переменных. Таким образом, отобраны нейронные сети, архитектура которых отличается количеством нейроном на входном слое и количеством скрытых нейронов (рис. 5). Активация скрытого слоя в нейронной сети MLP 1-2-1 осуществляется в соответствии с экспоненциальной функцией; в сетях RBF 1-4-1 и RBF 2-5-1 - в соответствии с гауссовой функцией; в сети MLP 2-7-1 - в соответствии с функцией гиперболического тангенса. Систематизация характеристик построенных нейронных сетей позволяет сопоставить качество и наиболее достоверный из альтернативных вариантов прогноз энергопотребления промышленными предприятиями. Сравнительный анализ представлен в табл. 5. Предсказанное значение энергопотребления предприятиями, производящими кокс и нефтепродукты, принадлежит диапазону 35,18-46,77 млн т условного топлива (в зависимости от модели нейронной сети). Причем наибольшее значение прогнозирует более качественная модель RBF 2-5-1. В результате сравнения обученных нейронных сетей наиболее высокую производительность демонстрирует сеть радиальной базисной функции архитектуры RBF 2-5-1. Вывод прогнозируемых значений и их отклонение от фактического объема потребленной энергии незначительны лишь в данном из четырех рассматриваемых случаев (рис. 6). Прогнозные значения на 2019 г. (13-й порядковый период) учитывают минимально и максимально возможные уровни. Увеличение прогнозируемого временного ряда возможно в случае больших массивов исходных данных. Построенная нейросетевая модель может применяться на практике в качестве инструмента оптимизации энергопотребления производств посредством регулирования затрат на технологические инновации, а также управления экологичностью функционирования нефтехимических предприятий. Модель также может быть интегрирована в информационную среду промышленного предприятия, ориентированного на переход к «умным» производственным системам, обеспечив таким образом возможность прогнозирования коррелируемых показателей на основе нейромоделирования. Риc. 6. Сравнение фактических и предсказанных данных по объему потребления природного топлива, тепло- и электроэнергии, млн т условного топлива: а - прогнозирование на основе MLP 1-2-1; b - прогнозирование на основе RBF 1-4-1; с - прогнозирование на основе MLP 2-7-1; d - прогнозирование на основе RBF 2-5-1 Fig. 6. Comparison of actual and predicted data on the volume of consumption of natural fuel, heat and electricity, million tons of oil equivalent: a - forecasting with MLP 1-2-1; b - forecasting with RBF 1-4-1; с - forecasting with MLP 2-7-1; d - forecasting with RBF 2-5-1 Таблица 5 Сравнение статистических параметров альтернативных обученных нейронных сетей (получено автором) [Comparison of statistical parameters of alternative trained neural networks (obtained by the author)] Статистики [Predictions statistics] Архитектуры [Network architecture] MLP 1-2-1 RBF 1-4-1 MLP 2-7-1 RBF 2-5-1 Производительность обучения [Training performance] 0,912053 0,926670 0,929221 0,969105 Минимальное предсказанное значение (обучающая) [Minimum prediction (train)] 35,18331 35,71823 35,18579 35,60080 Максимальное предсказанное значение (обучающая) [Maximum prediction (train)] 45,07324 45,86333 46,42270 46,77456 Минимальное предсказанное значение (контрольная) [Minimum prediction (test)] 35,13476 35,71662 35,18342 34,28292 Максимальное предсказанное значение (контрольная) [Maximum prediction (test)] 35,13476 35,71662 35,18342 34,28292 Минимальное предсказанное значение (тестовая) [Minimum prediction (validation)] 44,59136 45,71639 46,52432 44,61153 Максимальное предсказанное значение (тестовая) [Maximum prediction (validation)] 44,59136 45,71639 46,52432 44,61153 Минимальное предсказанное значение (пропущенная) [Minimum prediction (missing)] Максимальное предсказанное значение (пропущенная) [Maximum prediction (missing)] Минимальные остатки (обучающая) [Minimum residual (train)] -3,14987 -2,40480 -2,52205 -0,67456 Максимальные остатки (обучающая) [Maximum residual (train)] 1,52676 2,29547 1,84150 0,73345 Минимальные остатки (контрольная) [Minimum residual (test)] 0,06524 -0,51662 0,01658 0,91708 Максимальные остатки (контрольная) [Maximum residual (test)] 0,06524 -0,51662 0,01658 0,91708 Минимальные остатки (тестовая) [Minimum residual (validation)] 3,60864 2,48361 1,67568 3,58847 Максимальные остатки (тестовая) [Maximum residual (validation)] 3,60864 2,48361 1,67568 3,58847 Минимальные стандартные остатки (обучающая) [Minimum standard residual (train)] -3,66754 -3,18072 -3,42113 -2,36620 Максимальные стандартные остатки (обучающая) [Maximum standard residual (train)] 1,77767 3,03612 2,49797 2,57278 Минимальные стандартные остатки (контрольная) [Minimum standard residual (test)] 1,41421 -1,41421 1,41421 1,41421 Максимальные стандартные остатки (контрольная) [Maximum standard residual (test)] 1,41421 -1,41421 1,41421 1,41421 Минимальные стандартные остатки (тестовая) [Minimum standard residual (validation)] 1,41421 1,41421 1,41421 1,41421 Максимальные стандартные остатки (тестовая) [Maximum standard residual (validation)] 1,41421 1,41421 1,41421 1,41421 Выводы Проведенное исследование позволяет резюмировать, что: 1) моделирование является неотъемлемым элементом проектирования и управления «умным» нефтехимическим производством, обеспечивает оптимизацию процессов, рационализацию информационно-коммуникационной среды предприятия, энергоресурсосбережение, повышение качества нефтехимической продукции, эффективности производства, сокращение негативного воздействия на окружающую среду; 2) «умное» производство должно сопровождаться выработкой механизма цифровизации производственных процессов, регламентацией алгоритма построения киберпространства; 3) необходим интегрированный подход к моделированию производства, предполагающий сквозное управление данными на всех этапах производства, с применением различных методов моделирования, консолидацию результатов моделирования в единой базе данных, что служит релевантной эмпирической базой для принятия рациональных управленческих решений. Заключение Перечень инструментов моделирования, применимых к построению «умного» нефтехимического производства, не исчерпывается представленными подходами. Одни инструменты (IDEF0, BPMN, «процедура», EPC нотации моделирования процессов и др.) позволяют формализовать структуру нефтехимического производства, различные аспекты его функционирования, строить алгоритмы управления и принятия решений, детализировать процессы интегрированного взаимодействия производственного оборудования с информационным пространством предприятия, учитывающего альтернативные события при протекании технологических процессов. Другие инструменты (регрессионные модели, обучение нейронных сетей, имитационное моделирование и т.д.) носят математический характер и обеспечивают эффективные сбор, обработку, вывод, а также хранение данных о производственных процессах, неисправностях, ресурсообеспечении и т.д., позволяют прогнозировать показатели производства, разрабатывать комплекс превентивных мер, минимизирующих разного рода риски. Комплексное применение инструментов моделирования обеспечивает синергетический эффект, свойственный «умному» производству. В результате проведенного исследования представлены адаптированные к «умному» производству модели, отличающиеся объектом изучения. Получены следующие научные результаты: 1) разработана схема ввода производственных активов в условиях «умного» производства (в нотации BPMN), транслирующая протекание данного процесса, учитывающая возникновение сложных ситуаций, связанных с функционированием производственного оборудования; при выстроенной надлежащим образом информационно-коммуникационной среде реализация модели позволит оперативно и гибко отвечать на сбои и неисправности в условиях неопределенности работы технической системы производства; 2) построена логико-информационная модель формирования «умного» нефтехимического производства (в нотации IDEF0), отражающая ключевые этапы, ресурсное обеспечение, управляющие и преобразующие входы, а также выходы каждого подпроцесса, учитывающая взаимосвязи между подпроцессами и потенциальный эффект, позволяющая разработать инструкции и методические материалы по модернизации нефтехимического производства; 3) предложена прогностическая модель регулирования уровня энергопотребления нефтехимическими предприятиями в зависимости от затрат на технологические инновации и от объемов загрязняющих выбросов, генерируемых промышленными предприятиями, основанная на обучении нейронных сетей разной архитектуры и позволяющая в соответствии с функцией активации скрытого слоя нейронной сети выявить тенденции изменения энергопотребления. Полученные результаты могут быть учтены руководством нефтехимических предприятий, адаптирующих производственные процессы к цифровизации, при регламентации и стандартизации процессов и операций, построении единой информационно-коммуникационной платформы предприятия, взаимосвязывающей разнородные модели, модули и программы управления. В перспективе планируется продолжить изучение возможностей моделирования применительно к комплексному управлению производственными процессами «умного» нефтехимического производства.

About the authors

Rustam K. Nurgaliev

Kazan National Research Technological University

Email: nurgalievr@yandex.ru
Cand. Sci. (Eng.), Associate Professor; Head at the Department of Automation and Process Control Systems Kazan, Russian Federation

Alexey I. Shinkevich

Kazan National Research Technological University

Email: ashinkevich@mail.ru
Dr. Sci. (Eng.), Full Professor; Head at the Department of Logistics and Management Kazan, Russian Federation

References

Supplementary files