Аннотация и ключевые слова
Аннотация (русский):
Рассматривается гибридная интеллектуальная подсистема для обучения управлению процессами синтеза фуллеренов. Подсистема реализует обучение управлению в нештатных ситуациях и обучение оптимальному управлению, использует информационные модели для описания технологической линии производства фуллеренов, математические - для описания связей входных, управляющих воздействий и выходных параметров процессов синтеза фуллеренов, модели представления знаний для описания на псевдоестественном языке условий управления процессами синтеза фуллеренов и знания экспертов. Все из вышеперечисленных моделей являются структурно-лингвистическими. В режиме обучения управлению в нештатных ситуациях инструктор формирует сценарий обучения таким образом, чтобы обучаемый смог изучить все способы устранения типовых нештатных ситуаций производства фуллеренов. Гибридная интеллектуальная подсистема в режиме обучения оптимальному управлению процессами синтеза фуллеренов позволяет оператору найти такие значения режимных параметров, которые соответствуют безопасному функционированию промышленного оборудования и требуемому качеству синтезируемого фуллерена. Гибридная интеллектуальная подсистема тестировалась на примере данных, предоставленных предприятием ЗАО «Инновации ленинградских институтов и предприятий», г. Санкт-Петербург.

Ключевые слова:
синтез, фуллерены, обучение, гибридная интеллектуальная подсистема, математические модели, нештатные ситуации
Текст
Введение Процессы синтеза фуллеренов (ПСФ) являются сложными в управлении, потенциально опасными объектами, протекают в реакторах фуллереновой сажи при высоких значениях температуры (3800-4100) К и низких значениях давления (100-150) торр. На качество целевого продукта (фуллерена Cn) влияют внешние возмущения среды (перепады атмосферного давления, напряжения на генераторе и температура окружающего воздуха). При малом отклонении вольт-амперной характеристики генератора от заданных значений изменение рабочей температуры приводит к резкому снижению процентного содержания целевого продукта Cn в саже, которую заполняют недофуллерены, нанотрубки, «лёгкие» фуллерены. На следующих стадиях синтеза Cn (растворение в о-ксилоле, фильтрация, сушка) получают меньшую массу целевого продукта. Многие из нештатных ситуаций приводят к остановке и перезапуску процесса, после чего требуются дополнительные материальные затраты на сырьё (графитовые стержни, инертный газ, хладагент), что экономически невыгодно [1]. Основными заказчиками фуллереновых соединений как сырьевого продукта являются производители лекарственных антибактериальных и противораковых средств. Фуллерен, обладая обеззараживающими свойствами, выступает как весьма перспективная модифицирующая добавка для шихты сорбента, которая способна составить конкуренцию применяемому в настоящее время серебру [2]. Производители сверхточной радиотехники на основе наноэлементов заинтересованы в сотрудничестве с предприятиями по производству высококачественных (чистоты > 99 %) фуллереновых порошков. В строительстве при производстве сверхпрочных бетонных конструкций в качестве добавки используются фуллереновые соединения. Актуальность разработки программных комплексов для обучения управлению сложными химико-технологическими процессами определяется двумя основными тенденциями: жёсткие требования к качеству подготовки специалистов и появление сред и инновационных технологий для разработки высокоэффективных компьютерных тренажёров. Кроме того, разработка обучающих тренажёрных комплексов, имитирующих поведение производственных объектов, необходима для повышения рентабельности развивающихся предприятий и их конкурентоспособности [3]. Анализ российского рынка программных средств показал, что программно-алгоритмического тренажёрного комплекса, способного качественно и эффективно обучать специалистов управлению ПСФ, нет. Практическая реализация Одна из подсистем, входящих в состав программно-алгоритмического тренажёрного комплекса, - гибридная интеллектуальная подсистема (ГИП). Термин «гибридная» в данном контексте означает использование подсистемой различных моделей: - информационных - для описания технологической линии производства фуллеренов; - математических - для описания связей входных, управляющих воздействий и выходных параметров ПСФ; - моделей представления знаний (МПЗ) - для описания на псевдоестественном языке условий управления ПСФ, а также знаний экспертов, необходимых для управления [3]. Все из вышеперечисленных моделей являются структурно-лингвистическими. Для систематизации информации, необходимой для описания объекта исследования и компонент программно-алгоритмического тренажёрного комплекса, используется краткая запись фрейма-прототипа в виде нотации Бэкуса - Наура: Fp :: = <имя, атрибутi,j, характеристикаi,j,k>, где i, j, k - номер фрейма, атрибута, характеристики атрибута соответственно; символ :: = означает «определяется как». Анализ характеристик систем управления позволил определить состав компонент программно-алгоритмического тренажёрного комплекса для обучения управлению ПСФ. Информационная структура системы обучения, построенная на базе описания объекта, представлена в виде фрейма-прототипа Fp и включает в качестве компонент модели описания объекта (q1), стратегии обучения (q2), модель обучаемого (q3), модель контроля знаний (q4). Каждая из компонент q1 - q4 включает множество характеристик A1 - A4. Каждая из характеристик содержит слоты a1.1 - a1.k; a2.1 - a2.l; a3.1 - a3.m; a4.1 - a4.n, где k, l, m, n - число слотов в соответствующих компонентах. Информационная структура фрейма-прототипа для обучения управлению ПСФ представлена в виде следующего списка: Fp :: = <ПСФ Q, A > Q = {q1{А1 = a1.1, a1.k}, ..., q4{А4 = a4.1, a4.n}} Использование фрейма-прототипа для описания фрейма Fpsf рассматриваемого объекта позволило представить фрейм Fpsf: Fpsf ::= <ПСФ Q, A> Q = {Иерархический уровень {ПСФ, Производство фуллереновой сажи, Реактор фуллереновой сажи, Вольт-амперная характеристика}, Аппаратурно-технологическое оформление {Характер изменения во времени - периодический, Смешанная структура потоков, Реактор РФС-1}, Режимы эксплуатации {Аварийные, Предаварийные, Эксплуатационные, Оптимальные}, Характеристика производительности {Масса фуллереновой сажи, % содержание фуллерена в саже}, Характеристика сырья {Графитовые стержни, инертный газ, Хладагент}, Характеристика качества продукции {% содержание фуллерена в саже}, Характеристика возмущений {Перепады давления буферного газа, Нестабильность вольт-амперной характеристики}, Характеристика параметров объекта {Датчик давления газовоздушной (г/в) смеси в реакторе, Датчики начальной и конечной температур хладагента, Датчик межэлектродного расстояния, Амперметр, Вольтметр, Пирометр}, Характеристика постов управления {АРМ оператора, Мнемосхема процесса синтеза фуллереновой сажи, Производственный персонал реакторного зала}}. Предлагаемая ГИП обучения управлению ПСФ использует базу знаний (БЗ), включающую экспертные данные по управлению процессами, математическую модель расчёта массы синтезируемой сажи и процентного содержания целевого продукта в ней в зависимости от геометрических и физических характеристик графитовых стержней, режимных параметров процесса синтеза фуллереновой сажи (температура дуги, давление гелия), алгоритмы вывода рекомендаций по управлению. Гибридная интеллектуальная подсистема позволяет на основе БЗ, базы данных (БД), текущих значений технологических параметров и регламентных ограничений выявить причины возникновения нештатной ситуации, вывести рекомендации для устранения причин. Таблица «Технологические параметры» в БД имеет следующую структуру: ТП {код параметра, наименование параметра, код аппарата, код единицы измерения, текущее значение}. Таблица «Единицы измерения» в БД имеет следующую структуру: ЕИ {код единицы измерения, наименование единицы измерения, краткое обозначение}. Таблица «Целевые компоненты» содержит сведения о производимых на предприятии фуллеренах: ЦК {код целевого компонента, химическая формула, плотность, поляризуемость, проводимость, чистота}. Расчётные значения режимных параметров (сила тока, температура дуги) формируются с помощью математической модели процесса. Обучаемому выводится величина изменения значения технологического параметра ∆Par в рекомендованном направлении. Гибридная интеллектуальная подсистема реализована продукционно-фреймовой МПЗ. Продукционно-фреймовая МПЗ или модель, основанная на продукционных правилах и фреймовых моделях, позволяет представить знания в виде предложений типа «Если (условие), то (действие)». Фрейм - структура данных для представления множества стереотипных ситуаций [3]. Фрейм «Регламенты ТП»: РТП {код регламента, код технологического параметра, минимальное значение, максимальное значение, оптимальное значение, интервал опроса при нормальных условиях, нижнее предаварийное значение, верхнее предаварийное значение, интервал опроса при аварии, код целевого компонента}. Фрейм «Ситуация»: С {код ситуации, текст ситуации, вид ситуации, контролируемый параметр, место возникновения}. Фрейм «Причина»: П {код причины, описание, информационное описание, код ситуации, контролируемый параметр, место возникновения, разъяснение, вес причины}. Фрейм «Рекомендация»: Р {код рекомендации, текст рекомендации, код причины, параметр воздействия, описание рекомендации, вес рекомендации}. Структура ГИП включает интерфейс инженера по знаниям и лица, принимающего решения (ЛПР), модуль генерации нештатных ситуаций, математическую модель для расчёта численных значений режимных параметров для формирования сообщения ЛПР. Гибридная интеллектуальная подсистема использует БД оборудования, технологических параметров и целевых продуктов, БЗ нештатных ситуаций, причин их появления и рекомендаций по их устранению. Обучающий формирует задание обучаемому в виде конкретного типа реактора фуллереновой сажи, целевого компонента и регламентов на технологические параметры. Производится пуск процесса. Модуль генерации нештатной ситуации вносит коррективы в коэффициенты математической модели. По заданному сценарию моделируется выход технологического параметра (одного или нескольких) за пределы рабочих (регламентных) диапазонов. В заданные временные интервалы производится проверка на наличие нештатных ситуаций. Интерпретатор вывода, анализируя текущие значения режимных параметров и знания из БЗ, делает заключение, согласно продукционным правилам, о возникающих нештатных ситуациях, причинах их возникновения и способах их устранения с указанием численных значений и направлений изменения технологического параметра - инициатора нештатной ситуации [3]. Функциональная структура ГИП приведена на рис. 1. Главными компонентами БЗ являются регламенты ТП (требования к безопасности и работоспособности), которые формируются для конкретного оборудования и используемых графитовых стержней и хладагента. Требования к качеству и количеству синтезируемых продуктов формируются заказчиком. Каждому из реакторов для получения фуллереновой сажи соответствует интервал допустимых значений температуры, давления и расхода, который гарантирует безопасное протекание процесса (без риска оплавки или разгерметизации реактора). Интервалы допустимых значений рассчитываются при проектировании оборудования в зависимости от его геометрических характеристик, видов сварных швов, марки стали, толщины стенок и т. д. Рис. 1. Функциональная структура ГИП: M - сообщения оператору (ЛПР); EL - техническое и программное оснащение системы обучения; V - визуализация процесса с применением моделей оборудования, элементов управления и контроля; U - вектор управляющих воздействий моделируемого процесса; S - метаданные для средств обучения; F - моделируемые возмущающие воздействия; Ef - математическое описание моделируемого процесса; TP - технологические параметры; K - вектор геометрических характеристик оборудования; C - вектор физико-химических свойств сырья; E - коэффициенты математической модели; L - знания о нештатных ситуациях на моделируемом процессе, причин их появления и рекомендаций по их устранению; RTP - требования к безопасности и работоспособности, RC - требования к качеству и количеству синтезируемых продуктов В процессе виртуального получения фуллереновой сажи с использованием тренажёра все действия со стороны обучаемого фиксируются в протоколе обучения. В протоколе фиксируются также изменения технологических параметров, вызванные действиями обучаемого [4]. Математическое описание процесса синтеза фуллеренов Математическое описание ПСФ позволяет получить интегральный выход (FCn, %) фуллерена Cn и массу синтезируемой сажи (mс, кг) за время выгорания полезной длины анода: , , , , , , , где S - площадь поперечного сечения анода, м2; D - диаметр анода, м; R - сопротивление анода, Ом; Rуд - удельное сопротивление материала анода, Ом∙мм2/м; La - длина анода, м; Iд - сила тока дуги, А; Uд - напряжение на электродах; p1, p2 - коэффициенты для учёта влияния межэлектродного расстояния на силу тока дуги, рассчитывающиеся в зависимости от плотности материала анода; Lе - межэлектродное расстояние, м; Tд - температура дуги, K; Pг - давление г/в смеси в реакторе, торр; ma - полезная масса анода, кг; ρ - плотность материала анода, кг/м3; Lап - полезная длина анода, м. Масса сажи рассчитывается с поправкой на газообразные примеси, принимаемые 0,04 % от полезной массы анода; mCn - масса чистого фуллерена Cn, являющаяся максимально возможной при экстракции чистого Cn [5]. Экспериментальные данные (табл. 1), обработанные средствами для постановки регрессионного анализа (Oakdale Datafit), позволили разработать математическое обеспечение ГИП для обучения управлению ПСФ. В графическом виде зависимости Tд(Uд,Iд) и FC60(Tд, Pг) изображены на рис. 2. Таблица 1 Экспериментальные данные Uд, В Iд, А Tд(Uд,Iд), К Tд, К Pг, торр FC60(Tд, Pг), % 12 30 1890 2500 100 12,4 18 30 2080 3500 100 17,5 24 30 2300 4500 100 14,8 30 30 2380 5500 100 12,3 12 60 2830 2500 300 8,1 18 60 3010 3500 300 14,2 24 60 3280 4500 300 11,3 30 60 3360 5500 300 6,8 12 90 4970 2500 500 5,1 18 90 5240 3500 500 11,7 24 90 5525 4500 500 9,1 30 90 5610 5500 500 4,4 Режимы обучения Гибридная интеллектуальная подсистема позволяет обучать производственный персонал управлению ПСФ при различных видах используемого сырья (графитовые стержни, хладагент, буферный газ), различных геометрических характеристиках реактора для синтеза фуллереновых соединений с заданными свойствами, т. к. сформированные в библиотеке математических моделей описания ПСФ позволяют адаптировать обучение под производственные процессы предприятия. В результате обучения оператор овладевает навыками управления, перенастраиваемыми под требования заказчика к качеству целевых продуктов ПСФ, максимально снизив при этом риск возникновения нештатной ситуации, влекущей за собой неблагоприятные условия для эффективного протекания процесса, поломку оборудования и агрегатов. Гибридная интеллектуальная подсистема предусматривает два режима обучения: режим обучения управлению в нештатных ситуациях и режим обучения оптимальному управлению. В режиме обучения управлению в нештатных ситуациях инструктор формирует сценарий обучения таким образом, чтобы обучаемый смог изучить все способы устранения типовых нештатных ситуаций производства фуллереновой сажи [4]. Возможные нештатные ситуации разделяют на два вида - устранимые и неустранимые. Фрейм-пример для неустранимой и устранимой нештатных ситуаций приведён в табл. 2. Таблица 2 Фрейм-пример для критической и некритической нештатных ситуаций Реактор Целевой продукт Параметр нижнее предварительное значение Минимальное значение Оптимальное значение Максимальное значение Верхнее предварительное значение Интервал опроса при нормальных условиях Интервал опроса при нештатной ситуации Текущее значение РФС-01 С60 Tд. С1 Описание Разъяснение Разрыв электрической дуги Горения электрической дуги, наблюдаемого через смотровое окно, не происходит Описание Информационное описание Разъяснение Р Рекомендации П1 Излом графитового стержня, массивный протуберанец Брак графитового стержня привёл к его излому Р1 Остановить реактор перекрытием рабочего газа и напряжения Р2 Заменить графитовый стержень П2 Неисправность автоматической системы регулирования (АСР) межэлектродного расстояния Механический износ или неисправность фотодатчика АСР Р1 Остановить реактор перекрытием рабочего газа и напряжения Р2 Устранить неисправность АСР межэлектродного расстояния Продолжение табл. 2 Фрейм-пример для критической и некритической нештатных ситуаций Реактор Целевой продукт Параметр Нижнее предаварительное значение Минимальное значение Оптимальное значение Максимальное значение Верхнее предварительное значение Интервал опроса при нормальных условиях Интервал опроса при аварии Текущее значение РФС-01 С60 Pг С2 Описание Разъяснение Высокое давление г/в смеси в реакторе Текущее давление Pг = торр выше регламента [-] для производства фуллерена C60 Описание Информационное описание Разъяснение Р Рекомендации П1 Переход реактора в стационарный режим работы после нагрева При нагревании реактора давление внутри него возрастает Р1 Уменьшить давление в реакторе до торр откачкой г/в смеси П2 Неисправность клапана вакуумирования Клапан вакуумирования негерметичен Р1 Остановить реактор перекрытием рабочего газа и напряжения Р2 Заменить клапан вакуумирования Для предотвращения устранимой нештатной ситуации нет необходимости останавливать процесс перекрытием всех энергетических и материальных потоков. Достаточна корректировка значения технологического параметра с использованием моделей элементов управления непосредственно при протекании моделируемого процесса. Для предотвращения неустранимой нештатной ситуации требуется остановка процесса синтеза фуллереновой сажи и ремонт оборудования (или замена графитовых стержней) [5]. Алгоритм идентификации нештатной ситуации позволяет в зависимости от текущего значения технологического параметра, обращаясь к БЗ, выявить нештатную ситуацию на процессе, сформировать список причин возникновения нештатной ситуации и список рекомендаций для её устранения. В случае выхода параметра Par процесса за границы диапазона [Parmin; Parmax] и недостатке знаний, система формирует сообщение обучаемому о возникновении нештатной ситуации исходя из сроков планового ремонта и замены узлов оборудования, с которым связана моделируемая нештатная ситуация [6]. В режиме обучения оптимальному управлению оператор решает задачу поиска с помощью средств компьютерного моделирования и визуализации такого вектора управляющих воздействий , которому соответствует максимальный выход фуллерена Cn при соблюдении регламентных ограничений: ; , где - максимальная температура стенки реактора; - минимальный и максимальный расход хладагента; - минимальное и максимальное давление г/в смеси в реакторе. Граничные значения регламентных диапазонов формируются исходя из технических характеристик и требований к безопасности работы реактора и качеству целевого продукта: , где - вектор геометрических характеристик реактора; - вектор физико-химических характеристик целевого продукта. Поиск обучаемым вектора Uopt значительно упрощается, т. к. при изменении одного из значений режимного параметра (Uд, Le, Gг, Gх) производится расчёт промежуточных параметров (Iд, Tд) и качественных показателей (mс, FCn, mCn), что представляется обучаемому в виде 3D-графиков (рис. 2) с указанием неблагоприятных и благоприятных зон для синтеза фуллеренов и промышленного оборудования. При значениях параметров, соответствующих неблагоприятным зонам на графике, резко возрастает опасность возникновения нештатной ситуации (разгерметизация реактора, оплав подводящих проводов и т. д.). а б Слева - найденная температура дуги (4097 К), соответствующая оптимальным Uд и Le и зависимая от режимных параметров, установленных обучаемым (4482 К). Справа - найденный системой максимальный выход фуллерена С60 (15 %), соответствующий требованиям к безопасности и работоспособности и зависимый от режимных параметров, установленных обучаемым (11,9 %) Рис. 2. Графики зависимости: а - Tд(Uд, Iд); б - FC60(Tд, Pг) Демонстрация работы гибридной интеллектуальной подсистемы в режимах обучения В режиме обучения управлению в нештатных ситуациях обучаемый настраивает моделируемый процесс на рабочий режим, соблюдая при этом требования безопасности (рис. 3). Моделируется устранимая нештатная ситуация «Высокое давление г/в смеси в реакторе» (см. табл. 2). Сформировано соответствующее сообщение обучаемому. Обучаемый выясняет истинную причину возникновения нештатной ситуации и устраняет её. Рис. 3. Режим обучения управлению в нештатных ситуациях Гибридная интеллектуальная подсистема в режиме обучения оптимальному управлению ПСФ позволяет оператору найти такие значения режимных параметров, которые соответствуют безопасному функционированию промышленного оборудования и требуемому качеству синтезируемого фуллерена (рис. 4). Обеспечив требования к безопасности и работоспособности, обучаемый добивается требуемого выхода фуллерена С60, варьируя давление г/в смеси и температуру дуги. На графике - исходное содержание С60 = 13,5 % и достигнутое (14,0 %) при поиске вектора Uopt Рис. 4. Режим обучения оптимальному управлению Тестирование ГИП осуществлялось по данным, предоставленным предприятием ЗАО «Инновации ленинградских институтов и предприятий» (ЗАО «ИЛИП»), г. Санкт-Петербург. Заключение Таким образом, гибридная интеллектуальная подсистема позволяет на основе базы знаний, базы данных, текущих значений технологических параметров и регламентных ограничений выявить причины возникновения нештатной ситуации, вывести рекомендации для устранения причин. Тестирование показало пригодность ГИП для обучения производственного персонала предприятий в области производства наноструктурированных углеродных материалов (ЗАО «ИЛИП»; ООО «Карбон», г. Санкт-Петербург; НОЦ «Плазма», Республика Карелия, г. Петрозаводск), а также для обучения студентов направлений подготовки 230000 - «Информатика и вычислительная техника», 240100 (550800) - «Химическая технология и биотехнология».
Список литературы

1. Зуев В. В. Высокопроизводительный комплекс по получению фуллеренов / В. В. Зуев, Е. А. Кузнецова, Н. А. Чарыков // Петербургский журнал электроники. 2007. Т. 53, № 4. С. 16-31.

2. Тихомирова А. Д. Сравнение бактерицидной активности фуллеренов С60 и С70 / А. Д. Тихомирова, М. Л. Подвязников, В. В. Самонин, Е. А. Спиридонова, Е. А. Федотова // Сб. тез. IV науч.-техн. конф. молодых учёных «Неделя науки-2014». СПб.: СПбГТИ (ТУ), 2014. С. 143.

3. Чистякова Т. Б. Информационные технологии синтеза компьютерных тренажеров для химических производств / Т. Б. Чистякова // Изв. Санкт-Петербург. гос. технолог. ин-та (техн. ун-та). 2007. № 1. С. 90-95.

4. Петров Д. Н. Интеллектуальная подсистема для обучения управлению процессами синтеза фуллереновой сажи / Д. Н. Петров, Т. Б. Чистякова, Н. А. Чарыков // Материалы науч.-практ. конф., посвящ. 185-й годовщине образования СПбГТИ (ТУ). СПб.: СПбГТИ (ТУ), 2013. С. 152-153.

5. Петров Д. Н. Программно-алгоритмический комплекс для обучения управлению процессами синтеза фуллереновой сажи / Д. Н. Петров, Т. Б. Чистякова, Н. А. Чарыков // Изв. Москов. гос. техн. ун-та «МАМИ». 2013. Т. 2. С. 138-145.

6. Дозорцев В. М. Компьютерные тренажеры для обучения операторов технологических процессов / В. М. Дозорцев. М.: Синтег, 2009. 372 с.