Розробка системи діагностики відділення абсорбції-дистиляції виробництва кальцинованої соди

Автор(и)

  • Alevtyna Pereverzieva Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0003-2072-2521
  • Anatoly Bobukh Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0002-3405-386X
  • Mikhail Podustov Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002, Україна https://orcid.org/0000-0003-2119-1961

DOI:

https://doi.org/10.15587/1729-4061.2020.201552

Ключові слова:

кальцинована сода, система діагностики, логічні таблиці рішень, вектор аналізу

Анотація

Виробництво кальцинованої соди аміачним способом відноситься до класу складних неперервних хіміко-технологічних систем та характеризується багатомірністю, інерційністю, наявністю циклів матеріальних потоків, складними залежностями між вхідними і вихідними параметрами технологічних режимів. Дослідження роботи цього виробництва та показників його роботи показали, що 24–26 % втрат за випуском кальцинованої соди відбулися із-за порушень технологічного режиму відділення абсорбції-дистиляції. При цьому багато з цих порушень можна попередити, а втрати значно зменшити за рахунок розробки системи діагностики стану технологічних процесів цього відділення. Основною задачею системи діагностики відділення абсорбції-дистиляції є визначення моменту переходу технологічного процесу в аварійний стан, відключення системи управління, повідомлення технологу-оператору про ймовірну причину аварійної ситуації та рекомендації по її усуненню. Після усунення причин відхилення технологічного процесу від нормального функціонування передбачені заходи по включенню системи управління. Система діагностики відділення абсорбції-дистиляції виробництва кальциновано соди повинна бути реалізована на основі пасивних спостережень за ходом технологічного процесу. Це обумовлено безперервністю виробництва, з одного боку, та вимогою дотримання режиму нормального функціонування технологічного процесу, з другого боку. За результатами аналізу діагностики аварійних ситуацій підтверджується, що реалізація методу логічних таблиць рішень буде сприяти підвищенню швидкості процесу діагностики та покращанню його якості за рахунок попередження та своєчасної ліквідації аварійних ситуацій. Встановлено, якщо одному і тому вектору аналізу аварійних ситуацій відповідають різні причини аварійних ситуацій цієї системи необхідно використовувати характеристики статистичної теорії рішень

Біографії авторів

Alevtyna Pereverzieva, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Аспірант

Кафедра автоматизації технічних систем та екологічного моніторингу

Anatoly Bobukh, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Кандидат технічних наук, доцент

Кафедра автоматизації технічних систем та екологічного моніторингу

Mikhail Podustov, Національний технічний університет «Харківський політехнічний інститут» вул. Кирпичова, 2, м. Харків, Україна, 61002

Доктор технічних наук, професор, завідувач кафедри

Кафедра автоматизації технічних систем та екологічного моніторингу

Посилання

  1. Steinhauser, G. (2008). Cleaner production in the Solvay Process: general strategies and recent developments. Journal of Cleaner Production, 16 (7), 833–841. doi: https://doi.org/10.1016/j.jclepro.2007.04.005
  2. Bobukh, A. A., Dzevochko, A. M., Podustov, M. A., Pereverzeva, A. N., Romanenko, R. S. (2015). Selection and optimization criteria control for object of absorption-desorption in soda ash production. Intehrovani tekhnolohiyi ta enerhozberezhennia, 4, 72–81.
  3. Zaytsev, I. D., Tkach, G. A., Stoev, N. D. (1984). Proizvodstvo sody. Moscow: Himiya, 312.
  4. Ladaniuk, A. P., Zaiets, N. A., Vlasenko, L. O. (2016). Suchasni tekhnolohiyi konstruiuvannia system avtomatyzatsiyi skladnykh obiektiv (merezhevi struktury, adaptatsiya, diahnostyka ta prohnozuvannia). Kyiv: Vydavnytstvo Lira-K, 312.
  5. Cheng, S. E. (2011). Manufacturing Execution System Based on the Soda Ash Industry. Advanced Materials Research, 383-390, 780–784. doi: https://doi.org/10.4028/www.scientific.net/amr.383-390.780
  6. Czichos, H. (2014). Technical diagnostics: principles, method, and application. The journal of measurement science, 9, 32–40.
  7. Vlasenko, L. O., Ladanyuk, A. P., Sich, M. A. (2014). Statisticheskaya diagnostika protsessa funktsionirovaniya vyparnoy stantsii saharnogo zavoda. Avtomatyzatsiya tekhnolohichnykh ta biznes protsesiv, 2, 50–60.
  8. Pankin, A. M. (2010). Nekotorye voprosy metodologii diagnostirovaniya nepreryvnyh tehnicheskih obektov. Trudy mezhdunarodnogo simpoziuma «nadezhnost' i kachestvo», 1, 42–48.
  9. Mekkel, A. M. (2017). Diagnostic model of possible states of an object. T-Comm, 11 (7), 31–37.
  10. Duer, S., Duer, R. (2010). Diagnostic system with an artificial neural network which determines a diagnostic information for the servicing of a reparable technical object. Neural Computing and Applications, 19 (5), 755–766. doi: https://doi.org/10.1007/s00521-009-0333-4
  11. Bobuh, A. A., Kovalev Hark, D. A. (2013). Komp'yuterno-integrirovannaya sistema avtomatizatsii tehnologicheskih obektov upravleniya tsentralizovannym teplosnabzheniem. Kharkiv: HNAGH, 226.
  12. Bigus, G. A., Daniev, Yu. F., Bystrova, N. A., Galkin, D. I. (2014). Diagnostika tehnicheskih ustroystv. Moscow: Izd-voMGTU im. N.E. Baumana, 615.
  13. Mahutov, N. A., Permyakov, V. N., Ahmethanov, R. S. et. al. (2017). Diagnostika i monitoring sostoyaniya slozhnyh tehnicheskih sistem. Tyumen': TIU, 632.
  14. Glushchenko, P. V. (2004). Tehnicheskaya diagnostika: Modelirovanie v diagnostirovanii i prognozirovanii sostoyaniya tehnicheskih obektov. Moscow: Vuzovskaya kniga, 248.
  15. Dorf, R. C., Bishop, R. H. (2014). Modern Control Systems. Pearson India, 1048.
  16. Ramachandran, K. M., Tsokos, C. P. (2014). Mathematical Statistics with Applications. Elsevier, 848.
  17. Fogel, D. B., Liu, D., Keller, J. M. (2016). Fundamentals of Computational Intelligence. Wiley. doi: https://doi.org/10.1002/9781119214403
  18. Moshkov, M., Zielosko, B. (2011). Combinatorial Machine Learning. Springer. doi: https://doi.org/10.1007/978-3-642-20995-6

##submission.downloads##

Опубліковано

2020-04-30

Як цитувати

Pereverzieva, A., Bobukh, A., & Podustov, M. (2020). Розробка системи діагностики відділення абсорбції-дистиляції виробництва кальцинованої соди. Eastern-European Journal of Enterprise Technologies, 2(2 (104), 52–59. https://doi.org/10.15587/1729-4061.2020.201552