Прогнозирование отказов технологического оборудования гидрокрекинга методами нейросетевого моделирования

Введение 5
1 Обзор процессов нефтепереработки 7
1.1 Этапы нефтепереработки 7
1.2 Крекинг 9
1.3 Гидрокрекинг 11
1.3.1 Процесс гидрокрекинга 11
1.3.2 Сырьё, продукты и катализаторы 11
1.3.3 Технологическая схема гидрокрекинга 13
1.3.4 Технологический процесс гидрокрекинга 16
2 Системно-информационный анализ решения задач контроля отказов технологического оборудования гидрокрекинга на основе нейросетевых технологий 18
2.1 Анализ существующего информационного обеспечения решения задач контроля отказов технологического оборудования гидрокрекинга 18
2.2 Анализ особенностей применения нейросетевых технологий для решения задачи контроля автоматизированных информационных систем 22
2.3 Постановка и формализация задачи исследования 34
3 Разработка теоретических положений решения задач контроля автоматизированных информационных систем анализа отказов технологического оборудования гидрокрекинга 39
3.1 Разработка математической модели процесса обучения нейронной сети 39
3.2 Исследование свойств модели создания эффективных нейросетевых средств оценки отказов технологического оборудования гидрокрекинга 50
3.3 Обоснование методов и разработка алгоритма нейросетевого оценивания параметров гидрокрекинга 62
4 Экспериментальная часть 68
4.1 Моделирование установки гидрокрекинга с помощью симулятора химических процессов Aspen Hysys 69
4.2 Получение выборки данных. Предобработка данных 72
4.3 Создание различных моделей машинного обучения. Решение задачи классификации 74
4.3.1 Деревья решений 74
4.3.2 Логистическая регрессия 79
4.3.3 Искусственная нейронная сеть. Регрессия 81
4.3.4 Искусственная нейронная сеть. Классификация 83
Заключение 85
Список использованных источников 88

Весь текст будет доступен после покупки

Эксплуатация промышленного оборудования предполагает воздействие на него большого количества различных факторов, которые вызывают изменения в техническом состоянии, что со временем приводит к отказу. Существенной особенностью этих факторов является их случайный (стохастический) характер. К факторам, оказывающим наиболее существенное влияние на скорость изменения технического состояния оборудования, относятся: технологические нагрузки, прочностные характеристики материала, геометрические размеры. Кроме них, необходимо выделить такие факторы как: соблюдение условий технологического процесса, качество технического обслуживания и ремонта, вибрация, температура и др. Случайный характер рассмотренных факторов приводит к непредсказуемому изменению технического состояния устройств, из узлов, механизмов, следовательно, и времени работы до отказа.
В настоящее время основными стратегиями выполнения ремонтов являются стратегия «Ремонт после отказа», что сопровождается большими затратами и стратегия «Планово-предупредительный ремонт», что в половине случаев является, как правило, преждевременным.
Вместе с тем наиболее перспективной представляется стратегия «Ремонт по состоянию» с использованием предиктивного подхода к техническому обслуживанию, который позволяет заранее определять возможные отказы оборудования, тем самым повышая эксплуатационную надежность.
Для решения задачи прогнозирования отказов промышленного оборудования предложено множество моделей и методов, отличающихся набором входных данных и формой представления результатов. Традиционно применяются вероятностные методы и методы статистического анализа данных. Данные методы обеспечивают достоверность прогноза отказов оборудования при различных условиях эксплуатации только при наличии модели формирования отказов, описывающей процессы повреждения или отклонения от нормального функционирования, основанной на данных об оборудовании, относящихся к прошедшим периодам
Другая группа применяемых методов основана на интеллектуальном анализе относительно больших массивов данных. Целью такой обработки является извлечение из имеющихся массивов данных закономерностей и зависимостей, позволяющих строить прогнозные модели на основе статистических методов. Данные методы дают хорошие результаты для выявления одиночных отказов и идентификации их локальных эффектов. Однако они не обеспечивают приемлемых результатов в случае множественных отказов и их эффектов на системном уровне, что ограничивает применение в режиме реального времени.
Наиболее перспективными являются методы, основанные на машинном обучении, позволяющие строить прогнозные модели с использованием как ретроспективных, так и текущих данных, поступающих в реальном времени с измерительной аппаратуры и получать неочевидные на первый взгляд закономерности.
Способность к обучению даёт возможность оперативно корректировать параметры моделей прогнозирования при изменяющихся условиях функционирования оборудования и определять новые сроки проведения плановых ремонтов, значительно минимизируя простои оборудования. Существенных ограничением использования данных методов являются ситуации, когда отказы оборудования происходят достаточно редко или отсутствуют статистические данные по отказам.
В связи с этим разработка математических и алгоритмических моделей для прогнозирования отказов на основе методов машинного обучения в условиях малого количества поломок и изменяющихся режимах работы оборудования является актуальной научной задачей.
Цель и задачи диссертационной работы.
Целью диссертационной работы является повышение точности прогнозирования отказов технологического оборудования установки гидрокрекинга.
Для достижения поставленной цели в работе необходимо решить следующие задачи:
1. Выполнить анализ проблемы прогнозирования отказов технологического оборудования установки гидрокрекинга.
2. Разработать математическую модель для прогнозирования отказов на основе методов машинного обучения в условиях малого количества поломок и изменяющихся режимах работы оборудования.
3. Разработать алгоритмическую модель для прогнозирования отказов технологического оборудования установки гидрокрекинга.
4. Выполнить экспериментальные исследования разработанных математических и алгоритмических моделей.

Весь текст будет доступен после покупки

1 Обзор процессов нефтепереработки

1.1 Этапы нефтепереработки

Процесс нефтепереработки состоит из нескольких этапов, как показано на рисунке 1.1.
Первая стадия переработки сырой нефти состоит из колонны атмосферной перегонки, которой обычно предшествуют обессоливающая установка и линия предварительного нагрева. Продукты, выходящие из верхней части колонны при атмосферной перегонке, включают легкую нафту и газы; тяжелая нафта, керосин и газойль удаляются как побочные продукты; и, наконец, со дна колонны удаляют тяжелые кубовые продукты с более низкими температурами кипения, атмосферные газойли (250 °C – 350 °C) и атмосферные остатки (> 350 °C). Кубовые продукты направляются в вакуумную ректификационную колонну. Перегонка в условиях вакуума приобрела популярность, поскольку она позволяет получать менее летучие продукты из нефти без присутствия реакций крекинга. Атмосферная перегонка имеет ограниченные возможности при рабочих температурах из-за того, что при температуре выше 350 °C происходит крекинг остатка. Остаток вакуума (> 550 °C) направляется в установку замедленного коксования для производства кокса, мазута или асфальта. Продукты вакуумного газойля (350 °C – 550 °C) направляются в качестве сырья на установки каталитического крекинга или гидрокрекинга. Роль установок гидрокрекинга заключается в расщеплении тяжелых молекул до более легких соединений молекулярной массы с диапазоном температур кипения, близким к бензину и дистиллятному топливу [1].

Весь текст будет доступен после покупки

1. Основные технологические процессы топливного производства // Журнал «Neftegaz.ru» : [сайт]. – 2009. – 3 сентября. – URL: https://neftegaz.ru/science/pererabotka/332243-osnovnye-tekhnologicheskie-protsessy-toplivnogo-proizvodstva-neftepererabotka-kratko/ (дата обращения: 08.06.2022).
2. Данилов, А. М. Книга для чтения по переработке нефти / А.М. Данилов. - М.: Химиздат, 2012. - 352 c.
3. Установка гидрокрекинга // Журнал «ПроНПЗ» : [сайт]. – URL: https://pronpz.ru/ustanovki/gidrokreking.html (дата обращения: 08.06.2022).
4. Давидюк Н.В. Методика оценки требуемого уровня защищенности информационных ресурсов автоматизированных систем обработки информации и управления // Научный вестник Новосибирского государственного технического университета. - 2016. - № 4 (65). - С. 104.
5. Беляев А. Системы обнаружения аномалий: новые идеи в защите информации / Экспресс-Электроника. ? 2004. ? № 2. ? С. 12?14.
6. Planquart J.-P. Application of neural networks to intrusion detection [Electronic resource] / Jean-Philippe Planquart // SANS Information Security Reading Room. – Electronic data. – [USA] : SANS Institute, 2001. – Mode of access: – URL: http://www.sans.org/reading_room/whitepapers/detection/application-neuralnetworks-intrusion-detection_336. – Language: English. – Description based on home page (дата обращения: 08.06.2022).
7. Kotov V. Detection of web server attacks using principles of immunocomputing / V. Kotov, V. Vasilyev // Proc. of 2nd World Congress on Nature and Biologically Inspired Computing. – 2010. – P. 25-30.
8. Нейман Дж. Теория самовоспроизводящихся автоматов. М.: Мир, 1971. 384 с.
9. Хайкин С. Нейронные сети: полный курс. ? М.: Вильямс, 2006. ? 1104 с.
10. Касперский Е.В. Компьютерные вирусы: что это такое и как с ними бороться. ? М.: СК Пресс, 1998. ? С. 112.
11. Карташов А. П. Построение сети нейроподобных элементов с ациклической активностью и экспоненциальным временем затухания /Автоматика и телемеханика. ? 1989. ? № 2. ? С. 147?157.
12. Соколов А.И, Нейронные сети и нейродинамические системы : учебное пособие / А. И. Соколов, С. С. Чистякова ; Минобрнауки России, Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В. И. Ульянова (Ленина). - Санкт-Петербург : Изд-во СПбГЭТУ "ЛЭТИ", 2016. – С. 62.
13. Резник А. М. О природе интеллекта / Математические машины и системы. - 2008. - №1. - С.23-45.
14. Котеров Д. PHP 5. СПб.: БХВПетербург, 2005. С. 716.
15. Гришин А.В. Нейросетевые технологии в задачах обнаружения компьютерных атак /Информационные технологии и вычислительные системы – 2011. – №1. – С. 53 -64.
16. Chen Y., Narayanan A. , Shaoning Pang , Ban Tao. Multiple sequence alignment and artificial neuralnetworks for malicious software detection // Natural Computation, 2012, P. 261 – 265.
17. Du Toit T., Kruger H. Filtering spam e-mail with Generalized AdditiveNeural Networks // Information Security for South Africa. 2012., P.1-8.
18. Магницкий Ю.Н. Использование бинарной нейронной сети для обнаружения атак на ресурсы распределенных информационных систем /Динамика неоднородных систем. — 2008. — С. 200-205.
19. Крыжановский А.В. Применение искусственных нейронных сетей в системах обнаружения атак/Доклады ТУСУРа. – 2008. – № 2 (18), часть 1. – С. 37-41.
20. Слеповичев И.И. Обнаружение DDoS-атак нечеткой нейронной сетью / И. И. Слеповичев, П. В. Ирматов, М. С. Комарова, А. А. Бежин // Известия Саратовского университета. – 2009. – Т. 9, сер. Математика. Механика. Информатика, вып. 3. – С. 84-89.
21. Талалаев А.А.Разработка нейросетевого модуля мониторинга аномальной сетевой активности /Нейрокомпьютеры: разработка и применение. — 2011. — № 7. — С. 32-38.
22. Bezobrazov S., Golovko V. Neural Networks for Artificial Immune Systems: LVQ for Detectors Construction // International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications. – Dortmund, 2007. – P. 180-184.
23. Зайцев О. Нейросети в системах безопасности / IT-Спец. – 2007. – № 6. – С. 54–59.
24. Большев А. К. Алгоритмы преобразования и классификации трафика для обнаружения вторжений в компьютерные сети. ? СПб, 2011. ? С. 19.
25. Емельянова Ю. Г. Нейросетевая технология обнаружения сетевых атак на информационные ресурсы /Программные системы: теория и приложения. – 2011. – №3(7). – С. 3–15.
26. Корченко А.А. Базовая модель параметров для построения систем выявления атак / А.И. Стасюк, А.А. Корченко // Защита информации. 2012. - № 2 (55). - С. 47-51.
27. Игнатов В. А. Элементы теории оптимального обслуживания технических изделий / В. А. Игнатов, Г. Г. Маньшин, В. В. Костановский. -Минск: Наука и техника, 1974. - 192 с.
28. Волосов К. А. Методика анализа эволюционных систем с распределенным параметрами специальность: дис. ... докт. техн. наук: 05.13.01 / Волосов К. А. - М., 2007. - 264 с.
29. Гнатюк С. Кибертерроризм: история развития, современные тенденции и контрмеры / С. Гнатюк // Безопасность. - 2013. - Том 9, №2. - С. 118 - 129.
30. Орлов А. И. Высокие статистические технологи / А. И. Орлов // Заводская лаборатория. - 2003. - Т. 69, №11. - С. 55-60.
31. Орлов А. И. Прикладная статистика. - М.: КноРус, 2015.. - 656 с.
32. Кендалл М. Многомерный статистический анализ и временные ряды / Кендалл М., Стюарт А.; пер. с англ. - М .: Наука, 1976. - 722 с.
33. Шапорев С.Д. Математические методы прикладной статистики : учебное пособие ; М-во образования и науки Российской Федерации, Федеральное гос. авт. образовательное учреждение высш. образования Санкт-Петербургский гос. ун-т аэрокосмического приборостроения. - Санкт-Петербург : ГУАП, 2016. - 407 с.
34. Игнатов В. А. Элементы теории оптимального обслуживания технических изделий / В. А. Игнатов, Г. Г. Маньшин, В. В. Костановский. -Минск: Наука и техника, 1974. - 192 с.
35. Корченко А.А. Система выявления аномального состояния в компьютерных сетях / А.А. Корченко // Безопасность. - 2012. - № 2 (18). - С. 80-84.
36. Руденко О.Г. Искусственные нейронные сети. Учеб. пособие. / А.Г. Руденко, Е.В. Бодянский. - Харьков: ООО "Компания СМИТ", 2016. - 404 с.
37. Богданова Е.А. Инженерия знаний : учебное пособие; Поволжский государственный университет телекоммуникаций и информатики, Кафедра Экономических и информационных систем. - Самара : Поволжский государственный университет телекоммуникаций и информатики, 2016. – С. 93.
38. Богуш В.Н. Информационная безопасность: терминологический учебный справочник / В. Богуш, В. Г. Кривуца, А. М. Кудин. - М.: УИК, 2004. - 508 с.
39. Марьенков А.Н. Обеспечение информационной безопасности вычислтельных сетей : учебно-методическое пособие для студентов направления подготовки 10.03.01 "Информационная безопасность" / [А. Н. Марьенков, В. Г. Лим] ; Министерство образования и науки РФ, Федеральное государственное бюджетное образовательное учреждение высшего образования "Астраханский государственный университет", Факультет математики и информационных технологий, Кафедра "Информационная безопасность". - Астрахань : издатель Сорокин Р. В., 2018. - 72 с.
40. Бубнов А.А. Основы информационной безопасности : учебник для студентов, обучающихся по специальностям укрупненной группы специальностей среднего профессионального образования "Информационная безопасность" / А. А. Бубнов, В. Н. Пржегорлинский, О. А. Савинкин. - 2-е изд., стер. - Москва : Академия, 2019. - 253 с.
41. Ежов А. А. Нейрокомпьютинг и его применения в экономике и бизнесе / А. А. Ежов, С. А. Шумский. - М.: МИФИ, 1998. - 224 с.
42. Лукацкий А.В. Обнаружение атак / А. В. Лукацкий. - СПб. БХВ-Петербург, 2003. - 624 с.
43. Шарабыров И.В. Интеллектуальный анализ данных в задачах обнаружения атак на локальные беспроводные сети // Естественные и технические науки. - 2015. - № 11 (89). - С. 479-481.
44. Вентцель Е.С. Элементы теории игр / Е. С. Вентцель. - М.: Гос. изд. физ.-мат. лит., 1961. - 68 с.
45. Вентцель Е. С. Исследование операций / Е. С. Вентцель. - М.: Сов. радио, 1972. - 552 с.
46. Вентцель Е.С. Теория вероятностей / Е. С. Вентцель, Л. А. Овчаров. - М.: Наука, 1976. - 378 с.
47. Емельянова Ю. Г. Нейросетевая технология обнаружения сетевых атак на информационные ресурсы / Ю.Г. Емельянова, А. А. Талалаев, И. П. Тищенко, В. П. Фраленко // Программные системы: теория и приложения. -2011. - №3 (7). - С. 3-15.
48. Комар М.П. Метод построения совокупного классификатора трафика информационно-телекоммуникационных сетей для иерархической классификации компьютерных атак / М.П.Комар // Системы обработки информации.- 2012. - Выпуск 3 (101), том 1 - С. 134-138.
49. Корченко А.А. Определение коэффициентов важности для экспертной оценки в области информационной безопасности / Д.А. Горницкий, B. В. Волянська, А.А. Корченко // Защита информации. - 2012. - №1 (54). - C. 108-121.
50. СТУ 7.5-07-2021 Стандарт университета «Общие требования к построению, изложению и оформлению документов учебной деятельности».

Весь текст будет доступен после покупки