Применение инструментов моделирования в рамках функционирования «умного» нефтехимического производства


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Цель исследования. Исследование направлено на выявление возможностей применения различных инструментов моделирования в рамках функционирования «умного» нефтехимического производства. Достижению цели способствовало решение ряда 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. Выводы. Резюмируется, что 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; «умное» производство должно сопровождаться выработкой механизма цифровизации производственных процессов, регламентацией алгоритма построения киберпространства; 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. В результате исследования разработана схема ввода производственных активов в условиях «умного» производства (в нотации BPMN), транслирующая протекание данного процесса, учитывающая сложные ситуации, связанные с функционированием производственного оборудования; построена логико-информационная модель формирования «умного» нефтехимического производства (в нотации IDEF0), учитывающая взаимосвязи между подпроцессами и потенциальный эффект, позволяющая разработать инструкции и методические материалы по модернизации нефтехимического производства; 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.

Полный текст

Доступ закрыт

Об авторах

Рустам Карлович Нургалиев

Казанский национальный исследовательский технологический университет

Email: nurgalievr@yandex.ru
кандидат технических наук, доцент; заведующий кафедрой систем автоматизации и управления технологическими процессами Казань, Российская Федерация

Алексей Иванович Шинкевич

Казанский национальный исследовательский технологический университет

Email: ashinkevich@mail.ru
доктор технических наук, профессор; заведующий кафедрой логистики и управления Казань, Российская Федерация

Список литературы

  1. Абрамова И.Г., Абрамов Д.А. Повышение эффективности производственных мощностей в свете реализации технологий бережливого и умного производства // Известия Самарского научного центра Российской академии наук. 2013. Т. 15. № 6-3. С. 557-562.
  2. Ахмадиев Ф.Г., Маланичев И.В. Нейросетевые алгоритмы топологической оптимизации в задачах гидродинамики // Вестник Технологического университета. 2019. Т. 22. № 7. С. 110-113.
  3. Барвинок В.А. Смелов В.Г., Кокарева В.В., Малыхин А.Н. Построение «умного» производства на базе аддитивных технологий // Проблемы машиностроения и автоматизации. 2014. № 4. С. 142-149.
  4. Бирбраер Р. Московченко А., Бусов С., Новиков Д. К «умному» производству через объединение возможностей // САПР и графика. 2009. № 4 (150). С. 54-57.
  5. Брендл Д. «Умное» производство: конвергенция различных составляющих // Control Engineering Россия. 2016. № 6 (66). С. 26-29.
  6. Вершинин А.Н., Карамышева Е.О. Особенности разработки математической модели процесса обучения нейронной сети для контроля защищенности автоматизированных информационных систем // Computational Nanotechnology. 2019. № 1. С. 39-43.
  7. Козак Н.В., Нежметдинов Р.А., Мартинова Л.И. Интеграция данных систем логического управления в «умное» производство на основе концепции Industry 4.0 // Автоматизация в промышленности. 2018. № 5. С. 11-15.
  8. Мокшин В.В., Кирпичников А.П., Маряшина Д.Н. и др. Сравнение систем структурного и имитационного моделирования Stratum 2000, SIMULINK, AnyLogic // Вестник Технологического университета. 2019. Т. 22. № 4. С. 144-148.
  9. Нигматуллин В.Р., Руднев Н.А. Использование методов машинного обучения и искусственного интеллекта в химической технологии. Ч. II // Электронный научный журнал «Нефтегазовое дело». 2019. № 5. С. 202-238.
  10. Новикова С.В., Тунакова Ю.А., Шагидуллин А.Р., Кузнецова О.Н. Проектирование и обучение нейросети для расчета концентраций металлов, поступающих от передвижных источников загрязнения, на примере г. Казани // Вестник Технологического университета. 2016. Т. 19. № 24. С. 123-125.
  11. Нургалиев Р.К., Гайнуллина А.А., Рыжов Д.А. Учебный программный комплекс «Автоматизированная система управления предприятием» // Вестник Технологического университета. 2017. Т. 20. № 18. С. 130-134.
  12. Панченко А.А., Рахман П.А., Сафаров А.М. Нейросетевые модели прогнозирования уровня загрязнения атмосферного воздуха в промышленном городе // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2018. № 5. С. 121-126.
  13. Петрищев И.О., Шубович В.Г., Федорова Е.А., Знаенко Н.С. Моделирование процессов объектов складов нефтепродуктов на основе методологии IDEF0 // Сб. матер. Всерос. заочной науч.-практ. конф. «Образование и информационная культура: теория и практика». Ульяновск: Ульяновский гос. пед. ун-т им. И.Н. Ульянова. 2016. С. 113-117.
  14. Сучков М.А., Галимулина Ф.Ф. Принципы управления криптоданными в рамках инновационного развития информационной среды предприятия // Наука и бизнес: пути развития. 2020. № 5 (107). С. 152-154.
  15. Фарахов М.И., Лаптев А.Г., Башаров М.М. Модернизация аппаратов очистки жидкостей от дисперсной фазы в нефтехимическом комплексе // Теоретические основы химической технологии. 2015. Т. 49. № 6. С. 635-643.
  16. Farakhov M.I., Laptev A.G., Basharov M.M. Import Substitution of Industrial Devices for Gas Purification from the Disperse Phase in Petrochemical Industry // Chemical and Petroleum Engineering. 2016. Vol. 52. Is. 5-6. Pр. 316-319.
  17. Shinkevich A.I., Shaimieva E.Sh., Malysheva T.V., Gumerova G.I. Information system of decision support in the management environment of ecological project // Academy of Strategic Management Journal. 2020. Т. 19. № 5. С. 1-11.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах