Transition Technologies S.A.

Metody bazujące na biologicznych obserwacjach takie jak: Sztuczne Sieci Neuronowe, Algorytmy Ewolucyjne, Algorytmy Mrówkowe czy Optymalizacja Rojem Cząstek znalazły szerokie zastosowanie przy rozwiązywaniu wielu skomplikowanych problemów technicznych. Sztuczne Systemy Immunologiczne to nowy nurt inspirowanych biologią rozwiązań bazujących na obserwacji działania układu odpornościowego organizmów żywych. System odpornościowy to szczególny układ organizmu, posiadający pamięć i podnoszący swoje umiejętności poprzez naukę i doświadczenie. Te właściwości układu odpornościowego są wielce przydatne w kontekście bieżącej optymalizacji procesów technologicznych.

Poniżej przedstawiony jest optymalizator immunologiczny SILO II. Wykorzystano w nim mechanizmy czerpiące inspiracje z działania układu odpornościowego organizmów żywych. Optymalizator immunologiczny jest nowym, udoskonalonym rozwinięciem zastosowań modelowania empirycznego w optymalizacji procesów przemysłowych. Rozwiązanie to posiada nowe, niezwykle korzystne cechy. Są to m.in.: eliminacja testów parametrycznych na obiekcie i lepsza adaptacja do procesu, wynikająca z ciągłego zdobywania wiedzy o obiekcie. System SILO II potwierdził swoją wysoką skuteczność w elektrowniach w Polsce, USA, Korei Płd. i Tajwanie.

Optymalizator SILO II służy do optymalizacji procesów ciągłych zachodzących w obiektach przemysłowych dużej skali. Jednym z głównych zastosowań tego rozwiązania jest optymalizacja procesu spalania zachodzącego w kotle energetycznym. W przemyśle energetycznym, dzięki zastosowaniu SILO II, producenci energii elektrycznej i ciepła mogą poprawić sprawność wytwarzania przy równoczesnej minimalizacji emisji NOx, CO i SO2. Obniżeniu ulegają, więc koszty związane z samym procesem wytwarzania energii oraz opłatami wynikającymi z przekroczeń limitów emisji. Ponadto, dzięki zastosowaniu SILO II, przedsiębiorstwo unika wymiany całego systemu automatyki, a jedynie dokonuje jego modernizacji, co pozwala na znaczne zwiększenie efektywności istniejącej infrastruktury. SILO II może być wykorzystywane jako optymalizator technologii FGD, SCR i SNCR.

SILO II - Podstawowe informacje

System SILO II przeprowadza bieżącą optymalizację procesów przemysłowych, posiadających wiele wejść i wyjść. Jego zadaniem jest:

• Maksymalizacja przychodów związana z końcowym produktem,
• Minimalizacja kosztów związanych z wielkościami wejściowymi (np. paliwo) i karami za nieprzestrzeganie norm dotyczących ochrony środowiska.

Specjalny moduł obliczeń ekonomicznych pomaga tak zdefiniować cele optymalizacji procesu, aby możliwe było osiągnięcie jak największych korzyści finansowych. W przypadku optymalizacji procesu spalania w kotle energetycznym celem SILO II jest zwiększenie sprawności bloku energetycznego oraz redukcja emisji NOx i CO.

System SILO II to innowacyjne rozwiązanie, prezentujące nowe podejście do problemu optymalizacji procesów technologicznych. Klasyczne, szeroko stosowane produkty realizujące bieżącą optymalizację i nadrzędną regulację procesów przemysłowych bazują na rozległym, w ogólności nieliniowym modelu procesu, obejmującym kompletny zbiór wszystkich rozpatrywanych punktów pracy. Zbudowanie takiego modelu w warunkach przemysłowych jest trudne i wymaga przeprowadzenia bardzo dużej liczby eksperymentów identyfikacyjnych na obiekcie. Zarządzanie takim modelem oraz strojenie jego parametrów i struktury jest znacznie utrudnione. Powyższe czynniki powodują, że zastosowane algorytmy adaptacji mają w warunkach przemysłowych często niewystarczającą wydajność i po pewnym czasie takie rozwiązanie nie nadaje się już do użytku. Ponadto struktura zadania optymalizacji jest sztywna. Dodanie zmiennych sterujących, zakłóceń czy optymalizowanych wyjść wymaga wiele czasu i pracy związanej z przeprowadzeniem eksperymentów identyfikacyjnych. W systemie SILO II wdrożono odmienne podejście. Optymalizator na bieżąco zdobywa wiedzę o procesie (limfocyty typu B) i używa wyselekcjonowanych kwantów wiedzy do wnioskowania o zachowaniu obiektu w wąskim otoczeniu aktualnego punktu pracy. W tym celu posługuje się budowanym na bieżąco, w oparciu o bazę wiedzy, najprostszym modelem liniowym. Dzięki takiemu podejściu system SILO II

Wyróżnia się następującymi cechami:

• Bieżące zdobywanie wiedzy o procesie
  Specjalny moduł rejestruje statyczne reakcje obiektu na zmianę sterowania. Zarejestrowane odpowiedzi obiektu stanowią kwanty wiedzy (limfocyty tupu B), które mogą być w przyszłości użyte do zbudowania dokładnego, liniowego modelu procesu w ścisłym sąsiedztwie aktualnego punktu pracy. System SILO II może również zdobyć wiedzę o obiekcie na podstawie informacji z pliku zawierającego historyczne przebiegi zmiennych procesowych.
• Dokładna i szybka adaptacja do aktualnego punktu pracy
  SILO II automatycznie identyfikuje zależności między wejściami i wyjściami procesu w aktualnym punkcie pracy na podstawie wyselekcjonowanej informacji z bazy wiedzy. Jest to nowe podejście do problemu uwzględnienia nieliniowości obiektu. Na podstawie wyselekcjonowanych, najnowszych kwantów wiedzy, reprezentujących zachowanie obiektu w okolicy aktualnego punktu pracy, system SILO II automatycznie tworzy nowy model procesu przed każdą interwencją (np. co 5 minut). Zapewnia to dokładniejsze odzwierciedlenie nieliniowej charakterystyki obiektu, w porównaniu do innych rozwiązań bazujących na zdefiniowanym explicite modelu obiektu.
• Dokładna i szybka adaptacja do zmian charakterystyk obiektu
  Charakterystyki procesu przemysłowego zmieniają się wraz z upływem czasu (na horyzoncie tygodni, miesięcy, lat). Jest to wynikiem zużycia urządzeń wykonawczych, modernizacji obiektu, zmian właściwości używanego paliwa i zmian wywołanych przez czynniki zewnętrzne (np. zmiany temperatury otoczenia). System SILO II jest w stanie uwzględnić te zmiany dzięki bieżącej nauce procesu.
• Brak konieczności definiowania a priori modelu obiektu
  Podczas wdrożenia systemu SILO II nie trzeba przeprowadzać długotrwałych i kosztownych eksperymentów identyfikacyjnych obiektu. Optymalizator na bieżąco zdobywa wiedzę o obiekcie i podnosi swoją wydajność wraz z upływem czasu . Bezpośrednio po instalacji systemu, nie ma on wiedzy o wewnętrznych zależnościach istniejących między wejściami sterowanymi i optymalizowanymi wyjściami procesu. Optymalizator używa wówczas specjalnej heurystyki realizującej bezpieczną eksplorację przestrzeni rozwiązań. System SILO II stara się polepszyć rozwiązanie bez wykorzystywania wiedzy zagregowanej w postaci modelu. Po pewnym czasie (np. kilka godzin w przypadku procesu spalania) system zaczyna na bieżąco budować pierwsze modele, w oparciu o zdobytą wiedzę na temat zachowania obiektu. Z czasem te modele stają się coraz bardziej dokładne. W przypadku optymalizacji procesu spalania w kotle energetycznym system SILO II uzyskuje docelową wydajność po upływie od 2 do 6 tygodni od pierwszego uruchomienia. Taki sposób wdrożenia oznacza następujące korzyści dla klienta:
  • Nie ma potrzeby zmiany planu produkcji zakładu przemysłowego związanej z koniecznością wykonania długotrwałych eksperymentów identyfikacyjnych. Klient nie ponosi więc finansowych obciążeń związanych z koniecznością modyfikacji planu produkcji.
  • Podczas wykonywania eksperymentów identyfikacyjnych obiekt często pracuje w sposób nieefektywny. W systemie SILO II nauka obiektu zintegrowana jest z procesem optymalizacji. Nie obserwuje się więc pogorszenia wydajności pracy instalacji przemysłowej.
  • Koszt wdrożenia jest znacząco obniżony. Dla klienta oznacza to szybszy zwrot inwestycji.

Widać więc, że dzięki zastosowaniu systemu SILO II znaczącemu obniżeniu ulegają koszty wdrożenia oraz pewne pośrednie obciążenia finansowe związane z przeprowadzaniem testów obiektu.

• Brak konieczności strojenia modelu i obniżenie kosztów strojenia podstawowego układu regulacji
  Dzięki wydajnemu mechanizmowi adaptacji nie występuje konieczność dodatkowego strojenia modeli SILO II. Optymalizator SILO II może również do pewnego stopnia skompensować spadek wydajności podstawowego układu regulacji, wynikający ze słabej adaptacji tego układu.
• Działanie algorytmu optymalizacji zależy nie tylko od aktualnego stanu procesu, ale również od wiedzy systemu SILO II na temat procesu
  System SILO II posiada specjalny mechanizm odpowiedzialny za wybór najlepszej strategii optymalizacji. Optymalizator używa najnowszych kwantów wiedzy o obiekcie związanych z aktualnym punktem pracy w celu zbudowania modelu procesu w ścisłym sąsiedztwie aktualnego punktu pracy. Jeżeli ilość i jakość tej wiedzy jest niewystarczająca, wówczas SILO II stara się zbudować model oparty na wiedzy zarejestrowanej w innych punktach pracy. Jeżeli i ta wiedza będzie niewystarczająca, wówczas optymalizator stara się znaleźć lepsze rozwiązanie w oparciu o pewną heurystykę nieuwzględniającą modelu obiektu. Jednocześnie w każdym z tych trzech podejść system SILO II zdobywa nowe informacje o obiekcie, dzięki czemu jakość i ilość kwantów wiedzy w bazie wiedzy powiększa się. Klasyczne rozwiązania służące do optymalizacji procesów przemysłowych nie posiadają zazwyczaj mechanizmów umożliwiających ocenę zgromadzonej lub zdefiniowanej a priori wiedzy. Model procesu jest wówczas wykorzystywany nawet, jeżeli jego dokładność jest niewystarczająca.
• Łatwa modyfikacja zadania optymalizacji
  Dodawanie lub usuwanie ze struktury SILO II zmiennych sterujących, optymalizowanych wyjść oraz zakłóceń procesu nie stanowi problemu. Nie ma potrzeby wykonywania dodatkowych eksperymentów identyfikacyjnych dla wprowadzonych zmiennych. System SILO II nauczy się nowych zależności w trakcie normalnej pracy. Łatwość modyfikacji zadania optymalizacji oznacza większą elastyczność w rozwoju i modernizacji przedsiębiorstwa.
• Łatwa modyfikacja celów optymalizacji
  Użytkownik może zmienić cele optymalizacji bez zatrzymywania optymalizatora. Nowe wymagania mogą być zdefiniowane w oparciu o symulator kosztów i przychodów. Wskaźnik jakości składa się z części liniowej i kwadratowej, dzięki czemu użytkownik ma dużą swobodę w formułowaniu celów optymalizacji.
• Interfejs graficzny oparty na technologii WWW
  Interfejs graficzny system SILO II oparty jest na technologii WWW. Dzięki temu wszyscy użytkownicy sieci intranetowej mogą mieć do niego dostęp.
• Wsparcie dla kadry zarządzającej, inżynierów i operatorów procesu
  Specjalny moduł systemu SILO II odpowiedzialny jest za dostarczanie kadrze zarządzającej informacji o wpływie systemu SILO II na ekonomiczne aspekty działania obiektu. Na podstawie bieżących wskaźników i analiz statystycznych inżynierowie mogą ocenić wydajność optymalizatora. Operatorzy znajdą odpowiedzi na pytania, „Dlaczego SILO II wykonał określony ruch?” i „Co mogę zmienić, aby zwiększyć wydajność instalacji przemysłowej?”.
• Kompleksowa optymalizacja zespołu obiektów
  System SILO II może być wykorzystany do optymalizacji różnych obiektów przemysłowych dużej skali. W przypadku optymalizacji procesu spalania w kotle energetycznym, możliwe jest wykorzystanie systemu SILO II na blokach o różnej wielkości, wykorzystujących różne rodzaje paliw. Optymalizator uzyskuje najwyższą wydajność w stanach ustalonych, ale potrafi także nadzorować proces w stanach przejściowych (np. zmiana obciążenia bloku). Instalacja i zarządzanie systemem SILO II jest łatwe. Powyższe właściwości wraz z wydajnym algorytmem adaptacji i elastyczną strukturą zadania optymalizacji powodują, że rozwiązanie to świetnie nadaje się do zastosowania w koncernach o zróżnicowanym typie instalacji przemysłowych.
• Możliwość implementacji wiedzy eksperckiej
  W systemie SILO II istnieje możliwość implementacji wiedzy eksperckiej na temat procesu, nawet, jeżeli wiedza ta jest nieostra, rozmyta i trudna do jednoznacznego zdefiniowania. Użytkownik ma możliwość określania explicite wybranych wzmocnień modelu obiektu oraz narzucania ograniczeń na wybrane wzmocnienia automatycznie identyfikowanego modelu procesu.

System SILO II jest częścią rodziny SmartProcess złożonej z produktów realizujących optymalizację, sterowanie i monitorowanie procesów przemysłowych. Może być on łatwo zintegrowany z systemem EDS. Wówczas system SILO II zyskuje nowe funkcjonalności takie jak:

• raportowanie,
• monitorowanie,
• długoterminowe archiwizowanie,
• tworzenie dedykowanych grafik operatorskich w systemie EDS.

SILO II - Zasada działania

W systemie SILO II, będącym Sztucznym Systemem Immunologicznym, patogeny reprezentowane są przez zakłócenia oddziałujące na proces. Zmiana zakłócenia (np. zmiana obciążenia bloku) oznacza atak nowego patogenu. W przypadku pojawienia się patogenu, system SILO II poszukuje limfocytów typu B, które byłyby w stanie wygenerować zestaw skutecznych przeciwciał zdolnych do walki z patogenem. Przeciwciało reprezentowane jest przez wektor przyrostów sterowań ?x, stanowiący rozwiązanie zadania optymalizacji w danym kroku optymalizacji.

System SILO II składa się z dwóch głównych modułów: modułu uczącego i modułu optymalizacji. Moduły te pracują niezależnie. Moduł uczący analizuje na bieżąco wartości punktów procesowych. Jego zadaniem jest rejestrowanie statycznych odpowiedzi procesu na zmianę sterowania. W tym celu moduł uczący poszukuje w danych historycznych okien czasowych, w których nastąpiła zmiana sterowania i w których zakłócenia oddziałujące na proces znajdowały się na stałym poziomie (z dokładnością do szumów pomiarowych i oscylacji wynikających z niedostatecznego zestrojenia podstawowego układu regulacji). W przypadku odnalezienia takiego okna czasowego, moduł uczący tworzy limfocyt typu B, w którym zapisuje informacje o:

• średnich wartościach sygnałów sterujących przed zmianą sterowania,
• średnich wartościach sygnałów sterujących po zmianie sterowania,
• średnich wartościach sygnałów wyjściowych przed zmianą sterowania,
• średnich wartościach sygnałów wyjściowych po zmianie sterowania,
• średnich wartościach sygnałów zakłócenia w całym oknie czasowym.

Stworzony limfocyt jest zapisywany do pamięci immunologicznej i stanowi podstawową jednostkę wiedzy o procesie

Zmiany sterowania, stanowiące warunek konieczny do stworzenia limfocytu, mogą być generowane przez operatora, układ regulacji podstawowej lub moduł optymalizacji systemu SILO II. Zadaniem modułu optymalizacji jest dokonywanie w czasie rzeczywistym minimalizacji wskaźnika jakości, będącego sumą kar nakładanych na poszczególne punkty procesowe (np. emisja CO, temperatury pary itp.). Kary nakładane są na odchyłki wartości wybranych punktów procesowych od ich wartości zadanych.

Bezpośrednio po zainstalowaniu systemu SILO II pamięć immunologiczna jest pusta. System SILO II minimalizuje wskaźnik jakości w warstwie optymalizacji stochastycznej. W warstwie tej, w sposób automatyczny, wykonywane są zmiany pojedynczych zmiennych sterujących. Specjalna heurystyka pozwala na zminimalizowanie wskaźnika jakości na długim horyzoncie czasu. Ponadto moduł uczenia rejestruje statyczne odpowiedzi obiektu na zmiany sterowania i zapisuje powstałe w ten sposób limfocyty do pamięci immunologicznej. Po pewnym czasie pamięć immunologiczna będzie na tyle duża by system był w stanie zbudować model procesu. Dysponując odpowiednio dużą liczbą limfocytów stworzonych w podobnych do aktualnych warunkach (np. podobne obciążenie bloku, podobna konfiguracja pracujących młynów węglowych itp.), system SILO II jest w stanie dokonać liniowej aproksymacji procesu w okolicy aktualnego punktu pracy (optymalizacja na modelu mieszanym). W oparciu o liniowy model procesu, reprezentujący zachowanie obiektu w ścisłym sąsiedztwie punktu pracy, system SILO II wyznacza optymalny przyrost zmiennych sterujących.

Jeżeli jednak w pamięci immunologicznej nie ma wystarczającej liczby limfocytów reprezentujących aktualny punkt pracy, wówczas do stworzenia liniowego modelu obiektu wykorzystywane są niezwiązane z aktualnym punktem pracy limfocyty (optymalizacja na modelu globalnym). Do tworzenia modeli wykorzystywane są jedynie najmłodsze limfocyty, dzięki czemu adaptacja do zmieniających się charakterystyk procesu jest skuteczna.  Jeżeli okaże się, że nie jest możliwe dalsze zmniejszenie wartości wskaźnika jakości w oparciu o model matematyczny, wówczas optymalny wektor przyrostów sterowań wyznaczany jest w oparciu o heurystykę zaimplementowaną w warstwie optymalizacji stochastycznej.