книги / Труды IX Международной (XX Всероссийской) конференции по автоматизированному электроприводу АЭП-2016 , Пермь, 3-7 октября 2016 г

противоположном выбранному. При этом водитель нажимает на педаль акселератора, но задание крутящего момента, пропорциональное угловому положению этой педали, недостаточно для преодоления сопротивления движению автомобиля и силе тяжести, вызывающей его скатывание в противоположном направлении (автомобиль стоит на склоне).

Исходя из этого, алгоритм входа в режим удержания рассматривает две основные ситуации (при условии, что электромеханическая трансмиссия не находится в состоянии аварии, в звене постоянного напряжения тяговых электроприводов присутствует достаточный для их работы уровень напряжения):

♦ситуация, когда водитель не инициирует движение самосвала (т.е. не выбрано направление движения или не нажата педаль акселератора);

♦ситуация, когда водитель инициирует движение

самосвала (водитель выбрал направление движения

инажал на педаль акселератора).

Вслучае если движение самосвала не инициируется, вход в режим удержания выполняется независимо от состояния органов управления тормозами при условии, что модуль частоты вращения любого из тяговых элек-

тродвигателей имеет значение ниже порога входа в удержание (соответствует скорости движения самосвала 1–1,5 км/ч). При этом модуль частоты второго тягового электропривода может быть выше, хотя разность скоростей не может быть существенной даже

вслучае поворота самосвала с минимальным радиусом. В этом случае КВУ вычисляет для каждого из тяговых электроприводов начальные значения переменных контура положения, исходя из текущей частоты вращения двигателя и его реального крутящего момента в момент входа в контур удержания. Далее КВУ не реагирует на состояние педали электрического тормоза, выполняя торможение с интенсивностью, определяемой настройкой контура удержания.

Вслучае если движениесамосвала инициируется, вход

врежим удержания выполняется при условии, что направление движения любого из ведущих колес становится противоположным выбранному направлению движения самосвала. При этом в режим удержания переводятся оба тяговых привода. Алгоритм входа (расчет начальных значений) аналогиченпредыдущемуслучаю.

IV. АЛГОРИТМ ВЫХОДА ИЗ РЕЖИМА УДЕРЖАНИЯ

КВУ осуществляет выход из режима удержания, исходя из соотношения состояния следующих переменных (сигналов):

♦состояние органов управления (педаль акселератора, рукоятка выбора направления движения, рукоятка включения ручного тормоза);

♦текущиескоростиобоихведущихколес(частотывращенияваладвигателейобоихтяговыхэлектроприводов).

Выход из режима удержания возможен только при условии, что ранее этот режим был включен. Это происходит в следующих случаях:

♦происходит включение ручного (стояночного) тормоза;

♦водитель инициирует движение самосвала, выбрав направление движения и нажав на педаль акселератора.

В случае включения стояночного тормоза выход из режима удержания предполагает плавный сброс момента до минимального уровня с целью предотвращения расхода электроэнергии и нагрева двигателей и сило-

вых преобразователей. Работа контура удержания в этом случае может привести к тому, что крутящие моменты, развиваемые тяговыми электроприводами, будут «бороться» со стояночным тормозом, бесполезно растрачивая энергию.

В режиме начала движения КВУ соблюдает следующие условия выхода из режима удержания:

♦задания крутящих моментов тяговым электроприводам, формируемые со стороны КВУ в соответствии с положением педали акселератора, имеют тот же знак, что и моменты, развиваемые в режиме удержания, либо модуль момента движения превышает модуль момента удержания;

♦направления вращения двигателей тяговых электроприводов соответствуют выбранному направлению движения.

Проверка этих условий выполняется для каждого тягового электропривода индивидуально. Выход же из режима удержания происходит только в случае, если условия выхода выполняются для обоих приводов.

V.ПРОВЕРКА РАБОТОСПОСОБНОСТИ АЛГОРИТМА

Проверка работоспособности режимов движения самосвала выполнялась на заводском полигоне БелАЗ в г. Жодино. Самосвал осуществлял движения с различными скоростями во всем рабочем диапазоне (от 0 до 60 км/ч вперед и до 10 км/ч назад) по различным участкам полигона, различающимся как покрытием (асфальт и грунтовая поверхность), так и уклоном (горизонтальные участки, движение вверх и вниз с уклоном от 8 до 11 %). Испытания проводились как при отсутствии груза на самосвале, так и при загрузке, близкой к номинальной. Проверялся режим движения на ползучей скорости, резкий и плавный разгон, резкое и плавное торможение.

Временные диаграммы экстренного торможения самосвала с отключённой антиблокировочной системой и вход в удержание при движении под уклон (11 %) показаны на рис. 2.

В результате было установлено:

♦ в процессе останова наблюдается явление отката – после полного останова самосвал начинает двигаться в противоположном направлении и только после этого останавливается. Однако путем правильной настройки регулятора положения величина отката была снижена до величины, не превышающей 0,7 м, что при диаметре колеса самосвала около 3 м считается незначительным. Необходимо отметить, что при работе полноценной антиблокировочной системы откат не наблюдался;

♦режим удержания работал надежно, не допуская скатывание самосвала ни при каких условиях;

♦режим удержания не производил ложных срабатываний и не препятствовал нормальному движению самосвала во всем диапазоне скоростей (в том числе

ина «ползучей» скорости при маневрировании самосвала на парковке и внутри испытательного цеха).

По результатам испытаний реализации алгоритма в системе управления самосвалом можно сделать следующие выводы:

♦алгоритм эффективно реализует удержание самосвала на месте в случае, если водитель не инициирует движение;

♦ алгоритм надежно входит в режим удержания в процессе останова и выходит из него в режиме начала движения;

♦алгоритм не вызывает неудобства использования

уводителя.

Библиографический список

1.Результаты разработки и испытаний комплекта тягового электрооборудования карьерного самосвала грузоподъемностью 240 тонн / А.Б. Виноградов, Н.Е. Гнездов, С.В. Журавлев, А.Н. Сибирцев // Электротехника. 2015. № 3. С. 39–45.

2.Вонг Дж. Теория наземных транспортных средств: пер. с англ. М.: Машиностроение, 1982. 284 с.

Предложено теоретическое обоснование разработки энергоэффективных электроприводов технологических установок транспорта углеводородного сырья на базе интеллектуальных систем управления и мониторинга. Рассмотрены стратегии многофакторной оптимизации электроприводных агрегатов в условиях действия стохастических возмущений технологического и природного характера. Получены инвариантные системы и регрессионные алгоритмы управления частотно-регулируе- мыми электроприводами технологически связанными агрегатами. Предложены принципы нейро-нечеткого прогнозирования технического состояния для разработки встроенных систем мониторинга электромеханических систем.

There suggested theoretical justification of power efficient electric drives development of crude hydrocarbons transport process units on the base of intelligent control and monitoring systems. Strategies of electric drives multifactorial optimization were reviewed under the conditions of stochastic disturbances of technology-related and natural character. There achieved invariant systems and regression control algorithms of variable-frequency drives of technologically interrelated units. There suggested technical state neuro-fuzzy prediction principles for development of the in-built electromechanical systems monitoring systems.

Ключевые слова: автоматизированный электропривод, научное обоснование, интеллектуальная система управления, инвариантная система, мониторинг, прогнозирование.

Keywords: automatic electric drive, scientific justification, intelligent control system, invariant system, monitoring, prediction.

ВВЕДЕНИЕ

Решение задач повышения энергоэффективности, надежности и экологичности технологических процессов добычи, транспорта и распределения углеводородного сырья связано с совершенствованием техники и технологий автоматизированных электроприводов с интеграцией их в рамках единой концепции ресурсосбережения нефте- и газотранспортных систем. Тенденции снижения энергоемкости и рисков возникновения нештатных ситуаций обусловливают необходимость создания самооптимизирующихся и интеллектуальных систем с прогнозированием технического состояния

ипараметров оборудования на основе новых объектоориентированных электроприводов. При этом в рамках реализации малолюдных и безлюдных технологий решается комплекс вопросов по максимальному объединению электромашинных систем с исполнительными механизмами (рис. 1), их частотному регулированию

икоординации работы технологически связанных агрегатов, а также оптимизацией по энергопотреблению линейных участков газопроводов.

Для теоретического обоснования разработки и создания новой электроприводной техники и алгоритмов работы технологических агрегатов насосных и компрессорных станций магистрального транспорта предлагается единый методологический подход [1, 2]. Он основан на синтезе структур интеллектуальных электроприводов на базе системной оптимизации в рамках теории планирования эксперимента [3, 4] и процедур нейронечеткой идентификации процессов в объектах магистрального транспорта [1, 5].

вентиля, а также устройства потребления газа, W – фактор «энергии» или минимизации потребления электроэнергии на компримирование газа и его охлаждение в АВО перед подачей в газопровод, C – фактор «цели», т.е. максимизации (минимизации) расхода газа на участке системы, расположенном между двумя точками МГ, или давления в определенной точке соединения.

Причем указанные ограничения включают в себя ограничения равенства, в число которых входят закон потери напора в трубопроводах и первое правило Кирхгофа, определяющие расчеты сетей, и ограничения неравенства, в число которых входят ограничения на минимальные и максимальные значения расхода газа, ограничения на минимальное и максимальное давление в активных или пассивных объектах и ограничения мощности ЭГПА КС.

Оптимальная конфигурация активных объектов КС моделируется в виде программы P оптимизации следующего вида:

переменных расхода газа Q и давления Р, G(х) – целевая функция, представляющая собой экономический критерий оптимизации, CI(x) – совокупность р линейных и нелинейных ограничений неравенства для активных объектов, β – вектор, коэффициенты которого равны нулю или максимальным значениям ограничений, е – вектор двоичных переменных, СЕ(х) – совокупность q линейных и нелинейных ограничений равенства, s – переменная отклонения, ненулевое значение которой обозначает нарушение ограничения, α – коэффициент, соответствующий допустимой степени нарушения ограничений.

В результате при заданном расходе газа 8 (см. рис. 1) давление 19 и температура 18 газа на выходе КС устанавливаются и стабилизируются на заданном оптимальном по энергопотреблению КС уровне. Данный способ магистрального транспорта газа при этом представляет собой надежную и долговечную в эксплуатации систему, ограничивающую превышение давления и температуры газа выше и ниже предельных значений.

Использование предлагаемого способа магистрального транспорта газа обеспечивает по сравнению с существующими способами автоматическую стабилизацию давления и температуры газа на выходе КС, и тем самым практически полностью устраняет недопустимые деформации и напряженные состояния трубопровода и возможные разрушения его противокоррозионной изоляции, врезультате чего повышается эксплуатационная надежность, а также оптимизируются интегральные энергозатраты на привод ЭГПА и вентиляторов АВО газа магистральных газопроводов.

II. ИНТЕЛЛЕКТУАЛИЗАЦИЯ ФУНКЦИЙ УПРАВЛЕНИЯ ЭЛЕКТРОПРИВОДАМИ ТЕХНОЛОГИЧЕСКИХ АГРЕГАТОВ

Для реализации данной энергоэффективной технологической схемы система электропривода ЭГПА должна быть частотно-регулируемой [1, 13] и инвариантной ко всем параметрам, возмущениям детерминированного и стохастического характера, т.е. комбинированной САР (по отклонению и возмущению) с отрицательной обратной связью по главному технологическому параметру – давлению газа на выходе компрессорной станции. Такая система, разработанная при участии автора [14], показана на рис. 3.

Возмущающие

воздействия

1 - Датчики измерения внешних воздействий

Рис. 3. Структура инвариантной системы частотно-регулируемого ЭГПА

Данная комбинированная система, состоящая из САР по отклонению (давления газа) и САР по возмущению (стохастических возмущений), обеспечивает автоматизацию процесса компримирования газа до оптимального стабильного давления в условиях различных случайных воздействий средствами инвариантной системы управления частотно-регулируемого ЭГПА. При этом решается искомая задача повышения точности отработки требуемой величины давления газа на выходе КС и стабилизации процесса компримирования газа средствами ЭГПА. Этому способствует строгое соблюдение параметров основного технологического процесса компримирования газа, что позволяет повысить производительность и надежность газопровода в условиях действия возмущающих воздействий.

При необходимости перевода ЭГПА в турбодетандерный режим работы необходимо обеспечивать на выходе преобразователя параметры напряжения с помощью введения внешней отрицательной обратной связи по выходному напряжению, как это выполнено в работах автора [1, 15].

III. ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ ПОЛУЧЕНИЯ РЕГРЕССИОННЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ

Очевидный стохастический характер влияния технологических и климатических факторов на оптимальные режимы транспорта природного газа предполагает необходимость применения для их обработки и формализации соответствующих статистических методов. Совокупность этих методов, основанных на приложе-

ниях центральной теоремы теории вероятности, составляет общая теория планирования эксперимента, впервые изложенная английским статистиком Р. Фишером в работе [16]. Действительно, все основные возмущения, воздействующие на агрегаты, арматуру и трубопроводы, носят случайный характер, независимы друг от друга и каждый из них вносит неопределяющую долю в общее изменение параметров транспорта газа. Поэтому искомые многопараметрические зависимости необходимо получить в виде регрессионных моделей с использованием матричных способов наименьших квад-

ратов [1, 17].

Метод регрессионного анализа, являющийся фундаментом многих разделов теории планирования эксперимента, используется в практике проектирования инвариантных ЭГПА.

Для обработки экспериментальных данных имеем модель линейной регрессии в матричном виде:

где Y – матрица выходных параметров системы (величины скорости вращения АЭП или технологических параметров); X – матрица входных воздействий (параметров задания и внешних возмущающих воздействий); a – параметры механизма преобразований в системе; ζ – матрица помех (неучтенных факторов).

При этом одновременно можно решить две поставленные прикладные задачи:

♦прогноз (восстановление) неизвестных значений из всего реального диапазона регулирования индивидуаль-

ных Y(X) или средних Yср(X) значений исследуемых результирующих показателей по заданным значениям соответствующих переменных. Это необходимо для оценки технико-экономических показателей автоматизации средствами ЭГПА (диапазон, плавность, точность регулирования, эффект проекта);

♦выявление причинно-следственных связей между входными X и выходными Y показателями, управление значениями Y путем регулирования переменных. Это необходимо для программной реализации оптимальных алгоритмов управления, обеспечивающей оптимальный поток газа с выхода КС по МГ.

IV. МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ ЭЛЕКТРОПРИВОДОВ

Все МГ РФ и стран ближнего зарубежья относятся к промышленным объектам повышенной опасности [18, 19], и независимо от режимов работы электроприводных КС с каждым годом нормативно-техническими документами ужесточаются требования обеспечения повышенной надежности и безаварийности работы всего оборудования.

В связи с этим разработка универсальных систем мониторинга надежности нефтегазовых объектов, действующих в режиме реального времени и позволяющих осуществлять контроль и управление при различных уровнях и в масштабах систем, является задачей первого приоритета по повышению надежности и безопасности систем энергетики.

Но более эффективной процедурой мониторинга ЭГПА является не диагностирование СТД, а достоверное прогнозирование его технического состояния и оценка остаточного ресурса агрегата, позволяющие предотвратить внезапные нештатные аварии и перейти от планово-предупредительных процедур ТОиР к обслуживанию по фактическому состоянию оборудования (рис. 4). Для работы в режиме реального времени целесообразно использовать алгоритмы нечеткой логики, которая в отличие от булевой двухуровневой логики является многоуровневой с языковым синтаксисом, использующим лингвистические переменные и уровни.

Первичными источниками информации для такой системы могут служить интеллектуальные датчики на базе серийных термопреобразователей, а её обработка производится на нечётких контроллерах [5, 20]. Для составления алгоритма мониторинга используется предварительная фаззификация текущих измеряемых переменных и их скоростей изменения. По полученным лингвистическим величинам текущего значения параметра

искорости его изменения определяется прогнозируемое значение каждого фактора.

Создана база данных и выполнен статистический анализ отказов более 60 электродвигателей типа СТД-12500

иСДГ-12500 за период эксплуатации с 1987 по 2010 год.

Выявлены наиболее характерные виды повреждений. Выполнены измерения основных параметров работы электродвигателей в различных режимах работы в условиях действующих компрессорных цехов. Проведен комплексный анализ и определены 4 группы эксплуатационных факторов, влияющих на ресурс электродвигателя ЭГПА.

Для сопоставления достоверности результатов прогнозирования технического состояния ЭГПА различными методами рассмотрим тренд, описывающий суточные колебания температуры статора СТД-12500-2 в процессе эксплуатации ЭГПА (рис. 5, кр. а) и произведем анализ эффективности инерционных прогностических методов.

Для этого известный временной ряд, описывающий изменение температуры, разобьем на две части, первая из которых будет являться основанием прогноза, а вторая – для проверки апостериорной точности прогноза.

Рис. 4. Структура встроенной системы диагностики и прогнозирования технического состояния ЭГПА

Рис. 5. Прогнозирование температуры статора электродвигателя СТД-12500-2: а – фактический температурный ряд, б – прогноз, полученный с использованием ИНС (сеть Ворда), в – прогноз, полученный с использованием модели Бокса-Дженкинса,

г– прогноз, полученный с использованием метода АДСС

Врезультате проведенных исследований можно констатировать, что использование методов прогнозирования позволяет делать точные прогнозы состояния СТД-12500-2.

Разработанная функциональная схема (рис. 4) системы анализа влияния эксплуатационных факторов СТД на ресурс изоляции статора и алгоритмы прогноза состояния двигателей ЭГПА на основе fuzzy-logic и искусственных нейронных сетей позволяет:

♦ получать достоверную информацию о техническом состоянии привода в режиме онлайн;

♦планировать капитальные и текущие ремонты машин на основе фактического состояния, сократив время ремонта с 12 тыс. ч до 2–3 тыс. ч;

♦за счет предотвращения повреждений СТД в работе, исключить тепловое действие токов и снизить стоимость капремонтов в 3 раза;

♦для СД с гибкой многослойной обмоткой выполнять текущие ремонты вместо капитальных с заменой стержней (стоимость ниже в 4 раза).

Библиографический список

1.Крюков О.В. Энергоэффективные электроприводы газоперекачивающих агрегатов газопроводов на базе интеллектуальных систем управления и мониторинга: дис. … д-ра техн. наук по спец. 05.09.03. – М.: АО «Корпорация ВНИИЭМ», 2015. 312 с.

2.Крюков О.В. Комплексная система мониторинга и управления электроприводными газоперекачивающими агрегатами // Передовые информационные технологии, средства и системы автоматизации и их внедрение на российских предприятиях: тр. МНПК / AITA-2011: М., 2011. С. 329–350.

3.Крюков О.В. Стратегии инвариантных систем управления электроприводами объектов ОАО «Газпром» // Идентификация систем и задачи управления SICPRO'15 / Институт проблем управления им. В.А. Трапезникова. М., 2015. С. 368–386.

4.Крюков О.В. Прикладные задачи теории планирования эксперимента для инвариантных объектов газотранспортных систем // Идентификация систем и задачи управления SICPRO `12: тр. IX

Междунар. конф. 2012. С. 222–236.

5.Крюков О.В. Методология и средства нейро-нечеткого прогнозирования состояния электроприводов газоперекачивающих агрегатов // Электротехника. 2012. № 9. С. 52–57.

6.Крюков О.В. Опыт создания энергоэффективных электроприводов газоперекачивающих агрегатов // Труды VIII Междунар. (XIX Всерос.) конф. по автоматизированному электроприводу АЭП-2014: в 2 т. / отв. завып. И.В. Гуляев. Саранск, 2014. С. 157–163.

7.Крюков О.В., Степанов С.Е. Повышение устойчивости работы электроприводов центробежных нагнетателей на компрессорных станциях ОАО «Газпром» // Газовая промышленность. 2014. № 8 (710). С. 50–56.

8.Крюков О.В. Анализ моноблочных конструкций электрических машин для газоперекачивающих агрегатов // Машиностроение: сетевой электронный научный журнал. 2015. Т. 3,

№ 4. С. 53–58.

9.Крюков О.В. Виртуальный датчик нагрузки синхронных машин // Электрооборудование: эксплуатация и ремонт. 2014. № 3. С. 45–50.

10.Васенин А.Б., Крюков О.В., Серебряков А.В. Алгоритмы управления электромеханическими системами магистрального транспорта газа // Труды VIII Междунар. (XIX Всерос.) конф. по автоматизированному электроприводу АЭП-2014: в 2 т. / отв. за вып. И.В. Гуляев. Саранск, 2014. С. 404–409.

11.Пужайло А.Ф., Крюков О.В., Репин Д.Г. Способ магистрального транспорта газа: пат. № 2502914, МПК F17D1/02; опубл. 10.10.2013. Бюл. № 28.

12.Крюков О.В. Оптимальное управление технологическим процессом магистрального транспорта газа // XII Всерос. совещ. по проблемам управления ВСПУ-2014 / Институт проблем управл.

им. В.А. Трапезникова РАН. М., 2014. С. 4602–4613.

13.Пужайло А.Ф., Крюков О.В., Рубцова И.Е. Энергосбережение в агрегатах компрессорных станций средствами частотно-регули- руемого электропривода // Наука и техника в газовой промыш-

ленности. 2012. № 2 (50). С. 98–106.

14.Электропривод газоперекачивающего агрегата: пат. №145058, МПК H02P 27/04 / А.С. Белов, Е.В. Бычков, О.В. Крюков, А.В. Серебряков, С.Е. Степанов, А.С. Хлынин; Опубл. 10.09.2014, Бюл. №25.

15.Крюков О.В., Горбатушков А.В., Степанов С.Е. Принципы построения инвариантных электроприводов энергетических объектов // Автоматизированный электропривод и промышленная электроника: тр. IV Всерос. науч.-практ. конф. / под общ. ред. В.Ю. Островлянчика. Новокузнецк, 2010. С. 38–45.

16.Fisher R.A. The design of experiments. London: Olyver and Boyd. 1935.

17.Крюков О.В. Регрессионные алгоритмы инвариантного управления электроприводами при стохастических возмущениях // Электричество, 2008, № 9. С. 44–50.

18.Бабичев С.А, Бычков Е.В., Крюков О.В. Анализ технического состояния и безопасности электроприводных газоперекачивающих агрегатов // Электротехника. 2010. № 9. С. 30–36.

19.Бабичев С.А., Захаров П.А., Крюков О.В. Автоматизированная система оперативного мониторинга приводных двигателей газоперекачивающих агрегатов // Автоматизация в промышленности. 2009. № 6. С. 3–6.

20.Крюков О.В. Стратегии инвариантных электроприводов газотранспортных систем // Интеллектуальные системы: тр. Одиннадцатого междунар. симпоз. / под ред. К.А. Пупкова, 2014.

С. 458–463.

Рассмотрены особенности работы электроприводов компрессорных станций в условиях воздействия случайных возмущений. Представлена методика реализации инвариантного управления электроприводами вентиляторов установок охлаждения газа, обеспечивающая компенсацию возмущений. Приведён пример расчёта регрессионных уравнений для управления аппаратами воздушного охлаждения.

Presents the peculiarities of work of electric drives of compressor stations in the conditions of influence of random perturbations. The technique of realization of invariant control of electric drives of the fans of the cooling gas that compensates for disturbances. The example of calculation of regression equations to control the air-cooling unit.

Ключевые слова: частотно-регулируемый электропривод, вентилятор, аппарат воздушного охлаждения газа, инвариантнаясистемарегулирования.

Keywords: variable frequency drives, fan, air cooler gas, invariant control system.

ВВЕДЕНИЕ

Энергоэффективная и надежная работа магистральных газопроводов в условиях детерминированных и стохастических возмущений зависит от строгого соблюдения оптимальных показателей каждого локального объекта компрессорных станций (КС). Это в значительной степени определяется совершенством более 4 тыс. газоперекачивающих агрегатов (ГПА) [1–4] и 6 тыс. аппаратов воздушного охлаждения (АВО) газа [2, 5, 6], которые

всовокупности являются основными технологическими агрегатами КС (рис. 1).

Анализ режимов и особенностей работы АВО газа

вреальных условияхпоказал, что применение частотно-

Рис. 1. Установки охлаждения газа (комплекс АВО) на КС МГ

регулируемого электропривода (ЧРП) вентиляторов позволяет повысить надёжность работы газопроводов и снизитьэнергоемкостьтранспортагаза[7, 8].

Необходимо учитывать, что ЧРП АВО, как и всех агрегатов газотранспортной системы, функционирует в условиях, при которых момент нагрузки, скорость и многие технологические параметры значительно изменяются во времени. Это обусловлено как факторами технологического характера (особенностями режимов газоподачи, колебаниями нагрузки и сети), так и внешними воздействиями (метеорологическими и природными), которые носят случайный характер (рис. 2). При этом коэффициент вариации для большинства процессов случайного нагружения ЧРП велик и составляет 0,4–0,9; а энергетический частотный спектр их обычно заключен в диапазоне низ- кихчастот0,01–4 Гц.

Поэтому при стабилизации выходных параметров (температуры газа и газоподачи) на оптимальном уровне

Рис. 2. Процесс охлаждения газа в АВО

ЧРП АВО газа должен отрабатывать все изменения внешних параметров и автоматически корректировать управляющие воздействия на механизм [2, 9].

I. ЭНЕРГОСБЕРЕГАЮЩИЕ ТЕХНОЛОГИИ ОХЛАЖДЕНИЯ ГАЗА

Совокупность случайных факторов, действующих на рабочие органы теплотехнических узлов и вентиляторов, определяет не только случайный характер нагрузки, потребляемой мощности и скорости ЧРП, но и его КПД и коэффициент мощности. Поскольку случайный процесс нагружения не может быть достоверно описан традиционной детерминированной диаграммой, для адекватного расчета параметров ЧРП АВО используются статистические методы теории планирования эксперимента.

Исследования с привлечением аппарата теории вероятности показали [10-12], что процесс нагружения ЧРП АВО газа распределен по закону Райса. Методология оптимизации параметров ЧРП со случайной нагрузкой основана на статистических функциях распределения параметров АВО газа и метода анализа.

Коррекцию воздействия совокупности стохастических возмущений на электрические и механические органы ЧРП АВО наиболее целесообразно организовать с применением инвариантной системы управления (ИСУ), адекватно учитывающей все частные влияния возмущений на объект [10,13]. Для этого все основные влияющие возмущения после формализации вводятся в закон управления ЧРП, обеспечивая адекватность задания момента и скороститекущимпараметрамАВОгаза(рис. 2).

Общими особенностями для ИСУ ЧРП вентиляторами АВО газа и требованиями к ним в условиях КС являются:

♦продолжительный спокойный режим работы;

♦плавное изменение нескольких независимых стохастических возмущений;

♦регулирование скорости при нагрузке Мст ≡ ω2;

♦стабилизация скорости вращения ЧРП;

♦большой суммарный момент инерции;

♦периодическая работа на низких скоростях;

♦инерционность теплотехнических процессов;

♦высокая экономическая эффективность ЧРП;

♦высокая надежность и живучесть работы;

♦интеграция локальных ЧРП АВО в АСУ ТП. Анализ данных требований показывает, что все они,

за исключением второго, могут быть реализованы современными серийными ПЧ. Аппаратные средства позволяют интегрировать локальные микропроцессорные системы управления АВО с системами диагностики, создавая технически законченные, многофункциональные и недорогие системы.

Однако реализация второго требования является определяющей и наиболее специфичной задачей, относя рассматриваемые ЧРП АВО к классу систем со случайными возмущениями, теоретическая и методологическая база которых практически отсутствует. Это предполагает применение для создания ИСУ ЧРП и их формализации статистических методов, основанных на приложениях центральной теоремы теории вероятности, входящих

вобщую теорию планирования эксперимента. При этом искомые многопараметрические алгоритмы получаются

ввиде регрессионных моделей с использованием матричных способов наименьших квадратов [13, 14].

II. ОПТИМИЗАЦИЯ СТРУКТУР УСТАНОВОК ОХЛАЖДЕНИЯ ГАЗА

Метод регрессионного анализа используется, когда после проведения экспериментов имеются базы численных данных для обработки на ПК или при эксплуатации АВО данные с датчиков обрабатываются на управляющем компьютере.

Для обработки экспериментальных данных можно использоватьмодельлинейнойрегрессии ввиде матрицы:

где Y – матрица выходных параметров системы (величины скорости вращения ЧРП или технологических параметров); X – матрица входных воздействий (параметров задания и внешних возмущающих воздействий); a – параметры механизма преобразований в системе; ζ – матрица помех (прочих факторов).

На рис. 3 приведена функциональная схема взаимодействия переменных реального объекта (механизма преобразования входных переменных в результирующие показатели – 1). Входные переменные x(p) 2 описывают условия функционирования и являются независимыми аргументами, предсказывающими (предикторными) и объясняющими поведение. Выходные переменные y(n) 4 характеризуют результат (эффективность) функционирования объекта и представляют собой зависимые (эндогенные) результирующие отклики. Неучтенные остаточные компоненты ζ(m) 3 представляют собой случайные латентные (скрытые, не поддающиеся измерению) факторы, отражающие влияние второстепенных воздействий и случайных ошибок измерения.

3

Рис. 3. Общая схема взаимодействия переменных при статистическом исследовании

Тогда общая задача статистического исследования зависимостей формулируется следующим образом. По итогам n измерений

{[xi (1), xi (2), … xi (p); yi (1), yi (2), … yi (n)]}i = 1, 2, …, n, (2)

которая позволила бы наилучшим образом восстановить значения результирующих переменных Y = [y (1), y (2), … y(n)]T

по заданным значениям входных (объясняющих) переменных X = [x (1), x (2), …, x (p)]T. При этом можно решить

две прикладные задачи:

♦прогноз неизвестных значений из всего диапазона

регулирования индивидуальных Y(X) или средних Yср(X) значений исследуемых результирующих показателей по заданным значениям соответствующих переменных. Это необходимо для оценки показателей ЧРП (диапазон регулирования, эффективность и окупаемость);

♦выявление причинно-следственных связей между входными и выходными показателями, управление значениями Y путем регулирования переменных. Это необходимо для программной реализации оптимальных алгоритмов ЧРП (рис. 4).

Регрессионная модель (1) получается из (3) при обработке экспериментальных данных по методу наименьших квадратов, обеспечивающему реальность поведения. Алгоритм получения модели следующий.

Допустим, что случайная величина y с последова-

тельностью её значений y1, y2, … yn зависит от некоторых технических параметров, характеризуемых признаками

x1, x2, … xm. Для исследования зависимости y = f (x) все признаки xi регистрируются одновременно по информации с системы датчиков, а y – спустя некоторый интер-

Рис. 4. Моделирование процессов частотного регулирования АЭП вентилятора

вал времени τ, составляющий 3–4 постоянных времени объекта. В результате этого можно получить уравнение линейной регрессии [14, 15]:

III. ИНВАРИАНТНЫЕ САУ ВЕНТИЛЯТОРОВ АВОГАЗА

В качестве примера рассмотрим методологию оптимизации ИСУ ЧРП АВО газа, являющихся главными потребителей электроэнергии КС [2, 16]. Охлаждение газа является энергоёмким процессом (до 70 % расхода электроэнергии), а мощность, потребляемая АВО, составляет сотни киловатт.

Опыт эксплуатации АВО газа показывает, что наибольшее влияние на охлаждение газа оказывают колебания значений 4 параметров:

♦температура окружающего воздуха θ, изменяющаяся в диапазоне ±40 °С;

♦его влажность β = 30–100 %;

♦температура газа на входе или перепад темпера-

тур компримирования t = 15 °С;

♦массовый расход газа (подача газопровода) Q обычно в диапазоне 2:1.

Все эти возмущения на АВО газа имеют стохастический характер, независимы друг от друга и каждый из них вносит неопределяющую долю в общее изменение состояния. Это позволяетприменитьрегрессионныйанализ.

Так как скорость вращения ω вентилятора АВО задается в условиях случайного изменения всех пара-

метров, для получения стабильной температуры газа t2 необходимо:

♦получить и обработать информацию с датчиков

вцикле с дискретностью порядка минуты;

♦вычислить оптимальную (заданную) скорость вращения вентиляторов АВО по аналитическим регрессионным алгоритмам:

♦ скорректировать ее путем стабилизирующего контура по температуре охлажденного газа t2.

Для этого целесообразно использовать экспериментальные данные ω = f (θ) и ω = f (β) реальных АВО газа за годовой промежуток наблюдений и интерполировать их в виде:

где K, A – коэффициенты пропорциональности; a1, a2, a3, a4 – показатели интенсивности каждого из возмущений.

Так, в результате анализа численных данных АВО газа с ЧРП вентилятора мощностью Рном = 37 кВт с использованием средств Mathcad и выражений (2)–(7), получены: