Моделирование ХТП в динамике и его роль в создании цифровых двойников НПЗ

По мере внедрения цифровых двойников и интеллектуальных средств управления производством моделирование химико-технологических процессов (далее – ХТП) в динамике всё более востребовано и становится важным инструментом цифровой трансформации нефтеперерабатывающей отрасли. В отличие от моделирования в статике данный подход позволяет анализировать возможные варианты протекания процесса во времени, учитывать его переходные режимы, инерционность распространения технологических возмущений по цепочке оборудования, реакцию на внешние воздействия. Модели динамики применяются при управлении производством для оптимизации работы технологических установок и предиктивной аналитики, а также с целью обучения производственного персонала.

Заместитель директора по развитию NAUKA Илья Шура рассказал о перспективах, которые открывает данный подход к моделированию ХТП, о настоящем и будущем цифровых двойников на НПЗ, а также привел пример возможного эффективного применения модели динамики на основе прототипа, разработанного компанией.

Илья Андреевич, Вы регулярно выступаете на отраслевых конференциях с докладами о моделировании ХТП в динамике. В чём суть данного подхода?

Суть состоит в моделировании изменения параметров ХТП, таких, как температура, давление, расходы потоков, уровни жидкости в аппаратах и др. во времени. Это целесообразно, когда технологическое оборудование испытывает повышенные нагрузки, в частности, при переходных режимах, связанных с увеличением или уменьшением производительности установки, изменением состава сырья, пуском или остановом. Модели статики позволяют получить значение параметров ХТП уже в установившемся режиме и никак не информируют об их изменении в процессе достижения этого состояния. Однако в отдельных случаях новое стационарное состояние процесса не достигается, поскольку возникает предаварийная или даже аварийная ситуация, которая вызывает срабатывание блокировок — вплоть до остановки процесса. Для предотвращения таких ситуаций или, по крайней мере, минимизации вероятности их возникновения, нужно своевременно обнаруживать тренды на отклонение параметров ХТП от регламентных значений. Эту и другие важные задачи решает моделирование процессов в динамике.

Моделирование ХТП в динамике более эффективно, чем в статике?

Оба варианта эффективны в своей области применения, поэтому при выборе подхода важно опираться на целеполагание. Моделирование ХТП в статике полезно для оценки состоятельности процесса, например, будет ли он приводить к получению продукта требуемого состава и количества. Это даёт возможность оптимизировать режимы работы оборудования, сократить технологические потери, повысить энергоэффективность и улучшить качество продукции. Иными словами, оно служит основой для оценки эффективности и планирования производства.

Сейчас на производствах реализовано множество моделей статики для оценки состояния оборудования. Например, модели эффективности работы печей, теплообменных аппаратов. Инженеры периодически обновляют информацию, когда расчет модели статики повторяется через определенный промежуток времени: один раз за несколько часов, суток, недель и т. д. В модели динамики уже заложен алгоритм непрерывного обновления и корректировки данных с учетом протекания переходных процессов.

Таким образом, моделирование ХТП в динамике дополняет и является логичным продолжением моделирования технологического процесса в статике — прогноз изменения его параметров во времени помогает выявлять потенциальные аномалии до их критического развития. В результате снижается риск нештатных ситуаций, простоев и связанных с ними затрат, упущенной выгоды и, что немаловажно, повышается уровень безопасности производства.

Выявление потенциально опасных значений параметров ХТП особенно актуально там, где их допустимые колебания минимальны. Например, на установках гидроочистки и гидрокрекинга температура должна удерживаться в пределах ±2−3 °C, давление — не превышать допустимую величину более чем на 0,3 МПа, а резкие изменения расхода (например, более 10% за минуту) могут указывать на засорение или отказ оборудования. В данном случае рост давления, например, более 0,1 МПа/мин или температуры выше 2 °C/мин, — становятся ключевыми индикаторами предаварийных состояний. Важно вовремя обнаружить подобные тенденции к отклонению от режима работы установки, рассчитать время достижения этого состояния с учетом взаимосвязи параметров ХТП, определить первопричину отклонения. И тогда у оператора, управляющего технологическим процессом, будет достаточно времени, для того чтобы разобраться в ситуации и снизить вероятность негативных последствий. Таким образом, снижается количество ошибок, вызванных человеческим фактором.

Нештатные ситуации в нефтепереработке происходят, в основном, в переходных режимах, когда оборудование испытывает повышенные нагрузки?

Я бы так не сказал. На комплексе гидрокрекинга одного из НПЗ нами был проведён анализ актов расследования. Из 38 изученных случаев 28 произошли при нормальной работе установки, а 10 — во время переходных режимов. Все они приводили либо к останову установок или отдельного оборудования, либо к снижению производительности. Такое соотношение нештатных ситуаций можно объяснить тем, что причины отклонений значений параметров от нормативных связаны не только со сменой технологического режима работы установки. Это может быть вызвано, например, износом оборудования, неудачными проектными решениями по размещению и обвязке аппаратов, халатностью персонала при проведении ремонтно-профилактических работ и т. п.

В таких случаях персоналу бывает трудно принимать оперативные решения из-за нехватки времени на анализ ситуации, запутанной логики регулирования, недостатка измерительных приборов для своевременной фиксации изменений параметров или их запоздалого реагирования вследствие инерции процесса. К тому же, исходные настройки, которые были заданы ещё на стадии проектирования или строительства установки и давно не пересматривались, порой становятся «ловушками». Например, в процессе пуска установки персонал постепенно переводит АСУТП из ручного в автоматическое регулирование, а значение какого-нибудь регулируемого параметра оказалось ниже порога срабатывания защиты, что может привести к последовательному отключению оборудования и останову установки.

Таким образом, крайне важно заранее спрогнозировать развитие нештатной ситуации, рассчитать время, имеющееся в распоряжении персонала для ее устранения и определить порядок действия для выполнения этой задачи. Предсказание событий с помощью информационных технологий или предиктивная аналитика сегодня находит всё большее применение в различных сферах деятельности.

Расскажите об условиях и возможностях применения предиктивной аналитики в области переработки нефти. Как это связано с моделированием ХТП в динамике?

Прежде всего, необходимо достаточное количество достоверных данных о значениях параметров ХТП от контрольно-измерительных приборов (КиП) и их своевременное получение из контура АСУТП. Это подразумевают оснащённость измерительными приборами, их метрологическую точность, дискретность получения информации и ряд других возможностей.

Во-вторых, требуется программное обеспечение для моделирования ХТП, в качестве которого наша компания предлагает ПО NAUKA.Proxima. С его помощью создается модель технологического процесса, которая адаптируется под его фактические параметры посредством интеграции с историческим сервером данных АСУТП, либо какого-то другого способа получения текущих и ретроспективных данных о ХТП. 

Третьим условием я бы назвал интеграцию программ по созданию моделей ХТП с системами мониторинга технологических режимов предприятия. Это особенно полезно в случае моделирования процессов не только одной конкретной установки, но и в масштабе целого завода или нефтегазового холдинга. Так появляется возможность отслеживать последствия развития аномалии на всей цепочке технологических процессов, определять влияние на операционные планы производства, на расчёт показателей эффективности, в том числе экономической.

NAUKA уже применяла моделирование динамики ХТП на реальных производственных объектах?

Для комплекса гидрокрекинга, о котором уже было сказано, мы разработали прототип модели динамики узла, включающего шлемовую линию и орошение колонны-дебутанизатора. В данном случае особое внимание было уделено безопасности объекта. Модель позволяет своевременно предсказывать события, которые при негативном стечении обстоятельств могут приводить не только к финансовым убыткам, но и к несоблюдению условий охраны труда. Такое решение помогает оператору найти оптимальный выход из сложившейся неблагоприятной ситуации, тем самым одновременно повышая безопасность и эффективность эксплуатации производственных объектов.

Пока преждевременно говорить о внедрении наших моделей динамики в масштабах крупных промышленных объектов. Однако у нас имеются разработки в данной области, которые заслуживают внимания. Например, упомянутый прототип модели динамики.

Расскажите подробнее об этом прототипе: что он собой представляет и как может быть реализован?

Рис. 1. Блок-схема комплекса гидрокрекинга.

Отдельным цветом обозначена секция разделения легких углеводородов, в состав которой входит смоделированный нами узел шлемовой линии и орошения колонны-дебутанизатора К-1. Сам узел представлен на рисунке 2 в виде упрощенной технологической схемы.

Рис. 2

С верха К-1 отбирается дистиллят, который проходит через холодильник-конденсатор ХК-1, охлаждающий его с помощью оборотной воды. После конденсации дистиллят попадает в рефлюксную емкость Е-1, где его несконденсированная часть (пары) выходит сверху емкости и идет на дальнейшую переработку. Жидкость стекает к насосу Н-1, который подает ее на дальнейшую переработку, при этом часть потока на выходе из насоса отбирается с целью орошения К-1. Таким образом, дистиллят частично циркулирует с верха колонны через описанный выше контур и снова попадает в К-1.

Модель динамики ХТП настроена на обнаружение возмущений — изменений параметров процесса с выходом за допустимые границы. С учетом скорости изменения значений параметра во времени и других факторов осуществляется поиск источника возмущения, а затем прогнозируется развитие ситуации с возможным воздействием на работу оборудования. После этого системой поддержки принятия решений (СППР) выдаются рекомендации по изменению технологического режима. На рисунке 3 наглядно представлена работа модели в виде алгоритма на примере обнаружения отклонений трендов ключевых параметров по скорости изменения ключевого параметра.

Рис. 3

Приведу один из примеров реализации этой модели. В рефлюксной емкости Е-1 растет давление и может превысить норму. Модель выявила эту аномалию за счет фиксации превышения допустимой скорости изменения давления. Для определения причины отклонения от нормы был запущен расчётный механизм, основанный на ретроспективной модели узла орошения. В результате обработки ретроспективных данных по эксплуатации данного узла наша модель выдала три возможные причины роста давления в Е-1: подъем давления в К-1, изменение состава дистиллята, повышение температуры охлаждающей воды, подаваемой на ХК-1. После проверки этих показателей аномальным оказался третий. Это подтвердилось и повышением температуры на входе дистиллята в Е-1, а также падением уровня жидкости в емкости.

Четкую картину протекания процесса во времени предоставляют оператору графики изменения указанных технологических параметров (рис. 4).

Рис. 4

С ростом температуры охлаждающей воды конденсация идет менее эффективно, в результате дистиллят, попадающий из ХК-1 в Е-1, имеет более высокую температуру, а также содержит больше паровой и, соответственно, меньше жидкой фазы, чем требуется по технологическому регламенту. Это и вызывает рост давления в данном аппарате, о чем поступит сигнал через 70 секунд после начала подъема температуры воды, а затем — падение уровня жидкости, который дойдет до минимально допустимого значения через 190 секунд.

На рисунке 5 представлен список предупреждений и рекомендаций.

Рис. 5

Если не принять рекомендуемые меры, перечисленные на рисунке 5, то через 245 секунд после начала подъема температуры охлаждающей воды поток жидкости станет недостаточным для работы насоса Н-1, и произойдет его сброс (аварийный останов). Чем раньше оператор начнет выполнять рекомендации, тем легче будет вывести установку на регламентный режим.

Вы привели пример моделирования одного технологического узла. Можно ли создавать модели динамики для более крупных объектов?

Можно и нужно. Если еще раз взглянуть на рисунок 1, то мы увидим, что секция разделения легких углеводородов, где расположен смоделированный нами узел шлемовой линии колонны и орошения, связана с несколькими блоками комплекса. Следовательно, выход значения технологического параметра за допустимые границы может повлечь за собой предаварийную или аварийную ситуацию в соседней секции или даже на другой установке, технологически связанной с той, где произошло отклонение от нормы. 

Можно разработать модель динамики для одного аппарата, допустим, колонны, либо для технологического узла, как в приведенном примере, либо — для целой установки, которая включает несколько десятков технологических аппаратов, либо — для крупного НПЗ, в состав которого входит более десятка установок. Масштаб может быть различным. С другой стороны – не всегда требуется рассчитывать модель всего завода или всей установки в динамике. Особенно — учитывая ресурсоемкость вычислений, влияющую на самый ценный ресурс – оставшееся на реакцию время. Поэтому важным элементом является блок анализа причин и следствий развития аномалий. Он позволяет отсечь ненужные или второстепенные контуры и выполнить расчет моделей только в тех границах, которые существенны для процесса.

Разнообразие производственных процессов НПЗ дает возможность создавать разные модели. Есть ли смысл связывать их между собой?

Безусловно. Сейчас популярно слово «синергия», и здесь оно подходит как нельзя лучше. Например, для оптимизации товарной корзины НПЗ создают модель на основе материальных потоков предприятия, для повышения энергоэффективности — на основе энергетических потоков. Первая модель не учитывает потребления энергии, вторая — маржинальности выпускаемой продукции. Но если их объединить на основе общего критерия оптимальности, возникает синергетический эффект и получается более точный результат в контексте оптимизации работы завода в целом.

В наш лексикон прочно вошло сочетание слов «цифровой двойник», которое в нефтегазовой отрасли различными экспертами трактуется по-разному. Что Вы вкладываете в это понятие, и как цифровые двойники связаны с моделированием динамики ХТП?

Согласен, по-прежнему в профессиональной среде к этому термину относят разные классы ИТ-решений. Свойством цифрового двойника наделяют цифровой эквивалент реального объекта даже в узком смысле: цифровой паспорт изделия, 3D-модель, математическая компьютерная расчетная модель.

Думаю, трактовка понятия зависит от контекста. В нашем представлении в контексте деятельности компании NAUKA, связанной с моделированием ХТП в динамике, цифровой двойник представляет собой систему, состоящую из реального объекта, адекватной цифровой модели его технологического процесса в динамике и двусторонних связей между ними.

Какие направления развития цифровых двойников применительно к моделированию ХТП в динамике Вы бы сегодня назвали ключевыми?

Мне кажется, общая тенденция развития связана прежде всего с упрощением, т.е. снижением сложности создания и эксплуатации цифровых двойников, отражающих технологию производства в динамике. Это обусловлено наметившимся трендом на применение гибридных моделей, базирующихся не только на строгой математике, но и технологиях искусственного интеллекта, в том числе машинном обучении. Кроме того, развитие цифровых двойников сопряжено с ростом вычислительной способности техники. 

Скорее всего, цифровые двойники зададут импульс и в развитии АСУТП — с точки зрения дооснащения производства контрольно-измерительными приборами, повышения надёжности измерений. Это, в свою очередь, повысит требования к метрологическим операциям. Строго говоря, развитие цифровых двойников может затронуть многие аспекты производства, но двигателем этого процесса станет выгода, которую можно получить от использования таких моделей.

02.08.22

Интервью с экспертом

Умные решения для производства: методики регулирования работы предприятий

Разработка и внедрение прогрессивных методик регулирования работы предприятий на основе российских элементов управления: опыт NAUKA

18.04.23

14 мин

Интервью с экспертом

Эффективное управление НПЗ возможно, невзирая на уход мировых вендоров.

Трудности, с которыми столкнулись нефте — и газоперерабатывающие предприятия в новых рыночных условиях и пути их преодоления

17 мин

Эмиль Гасанов

Александр Кривоспицкий

генеральный директор
кандидат технических наук

менеджер продукта
кандидат технических наук