وبلاگ

مانیتورینگ و كنترل محصول نهایی برج تقطیر از اهمیت بسیار زیادی در صنایع پالایش كشور بر خوردار می باشد. اجرای این دو كار در شرایط كنونی عمدتا” بر مبنای آنالیز آزمایشگاهی محصول نهایی برج و استفاده از نتایج آن در تنظیم سیستم كنترل برج تقطیر صورت می گیرد . بدلیل وجود وقفه زمانی بسیار زیاد در انجام نمونه گیری، آنالیز و ارائه مقادیر واقعی غلظت محصول نهایی برج تقطیر ،اجرای مؤثر كنترل برج تقطیر را با مشكلات فراوانی روبرو می كند . در چنین شرایطی ، بروز نوسانات حاصل از مشخصه های ورودی برج تقطیر نظیر غلظت آن ، می تواند موجب بروز تغییرات زیاد در كیفیت محصول نهایی در فاصله زمانی مورد نیاز در عملیات نمونه برداری و آنالیز آزمایشگاهی گردد . این امر باعث تنزل كیفیت محصول برج و ضررهای اقتصادی ناشی از آن می گردد . نتایج این تحقیق می تواند در برداشتن سیكل زمان بر عملیات نمونه برداری و آنالیز آزمایشگاهی گردیده و ارتقاء كیفیت مانیتورینگ با بهره گیری از سنسورهای هوشمند و كنترل اتوماتیک به موقع و زمان حقیقی برج تقطیر تأثیر بسزایی داده باشد و از این طریق موجب افزایش سود آوری محصول كیفی برج تقطیر گردد.
فصل اول
كلیات

1-1) هدف
برج تقطیر در بسیاری از صنایع فرایندی یک سیستم صنعتی مهم محسوب می شود . سیستم برج تقطیر به شدت غیر خطی و تو أم با عدم قطعیت است.
برای كنترل برج نیاز به اندازه گیری لحظه ای و مستمر متغیرهای حالت و خروجی است . سنسورهای اندازه گیری كه برای آنالیز لحظه ای برج بكار می رود گاز كروماتوگراف است . اگر چه پیشرفت های زیادی در ساخت این نوع سنسور ها حاصل شده است اما هنوز با مسائلی از جمله زمان ت أخیر و قیمت بالا و هزینه نگهداری و تعمیر بالا همراه است در نتیجه نمی تواند جهت اندازه گیری های لحظه ای بكار رود.
در این پروژه قصد داریم با بهره گرفتن از اطلاعات قابل دسترس سیستم اندازه گیری برج تقطیر نسبت به تخمین درجه خلوص محصول نهایی با بهره گرفتن از روش های پردازش هوشمند شبكه عصبی اقدام نماییم . برای اندازه گیری پروسه های پیشرفته با افزایش حجم داده , مانیتوریک این حجم داده خیلی مشكل است بنابر این نیاز است كه ویژگی داده بررسی گردد . آنالیز اجزای اصلی (PCA) و تجزیه بردار ویژگی (SVD) دو ابزار نیرومند جهت كاهش ا بعاد داده و بدست آوردن ویژگی داده های پروسه می باشد. شبكه عصبی در مهندسی یك
مدل غیر خطی از ورودی وخروجی یک سیستم بدست می آورد كه می تواند در پیشگویی، كلاس بندی و تشخیص الگو بكار گرفته شود. شبكه عصبی توانایی تخمین توابع غیر خطی با تعدادی داده آموز شی پیدا می كند و احتیاجی به دانش اولیه از سیستم ندارد و می توانند مسائل پیچیده را با مفروضات كمتری حل كند.
برای طراحی تخمین گر ابتدا بوسیله PCA یک بردار ویژگی از داده های پروسه بدست آورده و با بهره گرفتن از این بردار ویژگی به عنوان ورودی و غلظت محصول نه ایی به عنوان خروجی یک شبكه عصبی آن را آموزش داده و یک تخمین گر هوشمند طراحی می كنیم سپس، با بهره گرفتن از تخمین گرهای طراحی شده به عنوان سنسورهای نرم افزاری جهت طراحی یک حلقه كنترل اتوماتیک بهره برداری می گردد . در طراحی سیستم كنترل اتوماتیک نیز از تكنیک كنتر ل پیشگو استفاده خواهد شد كه بدلیل ویژگی های مطلوب آن در صنایع فرایندی بسیار مورد توجه می باشد . سیستم كنترل برج باید موقعیت محصول را با وجود اغتشاش در تغذیه در نزدیک نقطه كار نگهدارد . این كنترلر باعث می شود كه عملكرد بهتری از عملكرد فیدبك معمولی بدست آوریم و با ایجاد قیود بر روی متغیرهای ورودی وخروجی ضریب كارایی بهبود یافته و خواص مقاوم بودن ایجاد شود.