Способ идентификации компонентов бензина и определения его состава в режиме реального времени

Изобретение относится к измерительным системам и устройствам и может быть использовано для идентификации компонентов бензина и определения его состава. Техническим результатом является обеспечение идентификации в режиме реального времени с оперативным внесением поправок в технологический процесс. Способ заключается в том, что идентификацию компонентов производят по минимуму целевой функции и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей, расчет значений активации нейронов определяют в соответствии с функцией активации, при этом концентрацию компонентов бензина производят по минимуму целевой функции и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей, а расчет значения активации нейрона состава производят в соответствии с функцией активации, и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси численно равным значениям коэффициентов синаптических связей. 5 табл., 5 ил.

 

Изобретение относится к измерительным устройствам и системам для определения состава и октанового числа бензинов и может использоваться, например, для контроля и поддержания требуемой концентрации и значения детонационной стойкости компонентов при производстве товарного бензина путем смешения компонентов.

Известно изобретение «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ И УСТРОЙСТВО ДЛЯ ЕГО РЕАЛИЗАЦИИ» [1].

Способ определения октанового числа бензинов, включающий зондирование оптическим излучением кюветы с бензином; измерение интенсивности прошедшего оптического излучения на выходе кюветы; определение коэффициента поглощения, отличающийся тем, что кювету зондируют оптическим пучком излучения дальнего ультрафиолетового или фиолетового диапазона с длиной волны 370≤λ≤420 нм; измеряют интенсивность прошедшего излучения при зондировании пустой кюветы и кюветы, наполненной анализируемым бензином, и определяют оптическую плотность из следующего соотношения:

где Dλ - оптическая плотность кюветы с анализируемым бензином; D - оптическая плотность пустой кюветы; (I0)λ - интенсивность входного излучения (при отсутствии кюветы) на длине волны λ; (Ii)- интенсивность излучения на длине волны длины λ, прошедшего пустую кювету; (Ii)λ - интенсивность излучения на длине волны длины λ, прошедшего кювету, наполненную анализируемым бензином; (k0i1)λ - спектральный коэффициент поглощения бензина на длине волны λ; L - толщина зондируемой кюветы,

при этом октановое число определяют по калибровочной кривой, связывающей значения оптической плотности бензина с соответствующим значением октанового числа бензина.

Недостатком указанного аналога является то, что калибровочная кривая, связывающая значения оптической плотности или спектральных коэффициентов поглощения бензина с соответствующим значением октанового числа бензина, будет еще определяться компонентным составом бензина, который может быть не известен.

Известно изобретение «АВТОМАТИЗИРОВАННЫЙ СПОСОБ СПЕКТРОФОТОМЕТРИЧЕСКОГО АНАЛИЗА ВЕЩЕСТВ» [2].

Автоматизированный способ спектрофотометрического анализа веществ, включающий измерение оптической плотности, по меньшей мере, двух образцов с известным значением определяемого показателя вещества непрерывно по шкале длин волн в видимом, инфракрасном или ультрафиолетовом диапазоне спектра; формирование банка данных по полученным спектрам; регистрацию спектра исследуемого вещества, отличающийся тем, что выбирают набор информативных длин волн по максимальным отклонениям одного спектра от другого, строя функциональную зависимость определяемого показателя от величины оптической плотности в наборе информативных длин волн, и по указанной зависимости находят величину искомого показателя.

Недостатком этого аналога является то, что для обеспечения указанного способа необходимо выбирать набор информативных длин волн по максимальным отклонениям одного спектра от другого и строить функциональную зависимость состава от величины оптической плотности. Набор информативных длин волн для различных компонентов, в общем случае, будет различным. То есть для выбора набора информативных длин волн необходимо априорное знание о том, какие компоненты входят в состав анализируемой смеси.

Наиболее близким по назначению и по технической сущности к предлагаемому техническому решению и выбранным вследствие этого в качестве прототипа является «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ» [3]. Указанный способ определения октанового числа бензинов, включающий измерение спектров поглощения в ближней инфракрасной области, характеризуется тем, что последовательно измеряют в ближней инфракрасной области коэффициенты поглощения трех чистых углеводородов из ряда изооктан, n-гептан, толуол или бензол, по коэффициентам поглощения трех чистых углеводородов составляют модельный спектр вида:

Km=K1C1+K2C2+K3C3,

где K1, K2, K3 - коэффициенты поглощения n-гептана, изооктана, толуола (или бензола);

С1, C2, C3 - концентрации n-гептана, изооктана, толуола (или бензола) соответственно;

измеряют коэффициенты поглощения паспортизованных бензинов разных марок с использованием идентичных кювет и на тех же длинах волн, определяют коэффициенты С1, С2, С3 паспортизованных бензинов путем сравнения спектра поглощения каждого паспортизованного бензина с модельным, который программно видоизменяют методом перебора комбинаций значений С1, С2, C3 достижения минимального отклонения модельного спектра от спектра паспортизованного бензина; определяют градуировочную зависимость октановых чисел паспортизованных бензинов от концентрации С3 толуола (или бензола) в их модельном спектре и используют эту зависимость для определения октанового числа любого анализируемого бензина в следующей последовательности для каждого бензина: измеряют коэффициенты поглощения анализируемого бензина с использованием идентичных кювет и на тех же длинах волн; определяют коэффициенты С1, C2, С3 анализируемого бензина путем сравнения его спектра поглощения с модельным, который программно видоизменяют методом перебора комбинаций значений С1, С2, C3 до достижения минимального отклонения модельного спектра от спектра анализируемого бензина, и по концентрации толуола (или бензола) C3 модельного спектра анализируемого бензина определяют октановое число анализируемого бензина по указанной градуировочной зависимости.

Недостатком прототипа является необходимость априорного знания компонентов, входящих в состав бензина, что не всегда возможно на практике.

Задачей предлагаемого изобретения является обеспечение достоверности идентификации компонентов, входящих в состав товарного бензина, повышение точности определения состава и октанового числа бензинов.

Технический результат от использования предлагаемого изобретения заключается в обеспечении процесса идентификации компонентов бензина и определения его состава в режиме реального времени с оперативным внесением поправок в технологический процесс.

Технический результат достигается тем, что в способе идентификации компонентов бензина и определения его состава в режиме реального времени, включающем создание базы данных спектральных коэффициентов поглощения тестовых компонентов, измерение спектральных коэффициентов поглощения тестовых компонентов и бензина в технологических линиях, сигналы о спектральных коэффициентах поглощения тестовых компонентов и бензина суммируются нейронами идентификации, число которых равно числу компонентов в бензине и нейронов состава, с соответствующими синаптическими коэффициентами, величины и знаки которых, а также значения активации нейронов устанавливаются по образцам тестовых компонентов и бензинов с использованием методов обучения нейронных сетей, например, алгоритма обратного распространения ошибки, в котором минимизируются целевые функции идентификации Uj и состава В:

причем идентификацию j-компонентов производят по минимумам целевых функций Uj и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей ωij, а значения активации нейронов определяют в соответствии с функцией активации, например:

при этом концентрацию компонентов в бензине определяют по минимуму целевой функции состава и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей ωij, а значения активации нейрона состава вычисляют в соответствии с функцией активации, например:

R=е-Bαε,

и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси cj численно равным значениям коэффициентов синаптических связей ωij,

где kjэтi) - спектральные коэффициенты поглощения тестовых компонентов находящихся в базе данных;

kji) - измеренные спектральные коэффициенты поглощения компонентов в технологических линиях;

kсмi) - измеренные спектральные коэффициенты поглощения бензина в технологических линиях;

λi - длины волн, на которых измеряются спектральные коэффициенты поглощения;

Tj - функции активации искусственной нейронной сети идентификации;

j - число компонентов в бензине;

R - функция активации искусственной нейронной сети состава;

α, β - коэффициенты, учитывающие наклон функций активации;

ε - погрешность измерения спектральных коэффициентов поглощения.

В качестве примера реализации предлагаемого способа может быть рассмотрена многоканальная спектрометрическая информационно-измерительная система оценки состава и детонационной стойкости товарного топлива.

На фиг.1 приведена многоканальная спектрометрическая информационно-измерительная система оценки состава и детонационной стойкости товарного топлива, где:

1 - резервуары компонентов бензина (1, 2, 3, …, j),

2 - технологические трубопроводы,

3 - проточные кюветы,

4 - волоконно-оптический кабель,

5 - смесители №1 и №2,

6 - резервуар с бензином (Бензин 1 и Бензин 2),

7 - оптический мультиплексор,

7а - источник света,

8 - спектрометр,

9 - персональный компьютер (ПК).

На фиг.2 приведена искусственная нейронная сеть, используемая при идентификации компонентов бензиновой смеси.

На фиг.3 приведена искусственная нейронная сеть, используемая при вычислении состава и детонационной стойкости бензина.

На фиг.4 приведен график функции активации нейрона искусственной нейронной сети идентификации компонентов.

На фиг.5 приведен график функции активации нейрона искусственной нейронной сети вычисления состава и детонационной стойкости бензина.

Многоканальная спектрометрическая система содержит ИК-спектрометр, соединенный с промышленными проточными кюветами посредством волоконно-оптического кабеля через оптический мультиплексор. По команде от ПК излучение от ИК-излучателя через оптический мультиплексор направляется по волоконно-оптическому кабелю первого канала в промышленную проточную кювету, расположенную рядом с технологическим трубопроводом, по которому из резервуара подается первый компонент. Производится измерение спектральных коэффициентов пропускания ИК-спектрометром и последовательный ввод их значений в ПК по USB-интерфейсу с последующим расчетом на их основе спектральных коэффициентов поглощения первого компонента [5]. Результаты расчетов запоминаются в ПК, после чего по интерфейсу RS-232 ПК дает команду оптическому мультиплексору на переключение излучения от ИК-излучателя (источника света) к волоконно-оптическому кабелю второго канала, соответствующего точке отбора второго компонента. Производится измерение спектральных коэффициентов пропускания, расчет на их основе спектральных коэффициентов поглощения второго компонента и сохранение в памяти ПК. Эти действия повторяются, пока не будут измерены спектральные коэффициенты пропускания всех компонентов, а также товарных бензинов, полученных в результате смешения компонентов в смесителях и по технологическим трубопроводам поступающих в резервуар с готовым бензином. По вычисленным значениям спектральных коэффициентов поглощения компонентов kji) и спектральных коэффициентов поглощения тестовых компонентов kjэтi) в соответствии с целевой функцией искусственной нейронной сети производится идентификация компонентов. Когда идентификация компонентов завершена, определяют состав cj в соответствии с целевой функцией искусственной нейронной сети с последующим расчетом октанового числа и формированием управляющих воздействий для управления расходами компонентов товарного бензина.

Задача обеспечения достоверности идентификации компонентов, входящих в состав товарного бензина, повышения точности определения состава и октанового числа бензинов решается применением предлагаемого способа, когда по измеренным значениям спектральных коэффициентов поглощения kji) компонентов, входящих в состав бензина, и спектральных коэффициентов поглощения kсмi) бензина производят идентификацию компонентов бензина j, вычисляя значения синаптических коэффициентов ωij. Величины и знаки синаптических связей ωij каждого из нейронов устанавливаются при калибровке по образцам тестовых компонентов и бензинов с известными спектральными коэффициентами поглощения kji) с использованием методов облучения нейронных сетей, например, алгоритма обратного распространения ошибки в котором минимизируются целевые функции Uj, B.

Способ осуществляется следующим образом.

1) Измеряются спектральные коэффициенты поглощения компонентов, входящих в состав бензина kj i) в технологической линии.

В примере рассматривается четыре компонента: n-гептан, изооктан, толуол, бензол (таблица 1) [4]:

Таблица 1
Спектральные коэффициенты поглощения компонентов
Длина волны, нм n-гептан изооктан толуол Бензол
1080 0,004 0,001 0,002 0,03
1090 0 0 0 0
1100 0 0 0 0
1110 0,011 0,015 0,0125 0,042
1120 0,014 0,02 0,1 0,2
1130 0,049 0,05 0,325 0,5625
1140 0,075 0,125 1,15 1,9
1150 0,3 0,3625 1,2 1,2
1160 0,345 0,4375 0,45 0,2875
1170 0,5125 0,6 0,3375 0,1625
1180 0,75 0,8875 0,413 0,075
1190 1,6 1,65 0,6 0,0625
1200 1,45 1,35 0,45 0,0132
1210 1,78 0,7102 0,161 0,0126
1220 1,2 0,55 0,629 0,0116
1230 0,55 0,3 0,0612 0,0112

2) Изменяя коэффициенты синаптической связи ωij, минимизируется целевая функция Uj,:

с использованием алгоритма обратного распространения ошибки,

где λi - длина волны; kji) - спектральный коэффициент поглощения j-ого компонента на i-ой длине волны; kjэтi) - коэффициент поглощения j-го тестового компонента на i-й длине волны; ωij - коэффициент синаптической связи j-го компонента на i-й длине волны.

3) Компонент идентифицирован, когда нейрон активирован, а функция активации

имеет значение 0,999≤T≤1 (фиг.4),

где β - коэффициент, учитывающий наклон функции активации; ε=0,01 - погрешность измерения спектральных коэффициентов поглощения.

4) Измеряются спектральные коэффициенты поглощения бензина kсмi) в технологической линии (таблица 2):

Таблица 2
Значения спектральных коэффициентов поглощения бензина 1, 2, 3, 4.
Длина волны, нм k поглощения Смеси 1 (А-80) k поглощения Смеси 2 (АИ-92) k поглощения Смеси 3 (АИ-95) k поглощения Смеси 4 (АИ-98)
1080 0,0016607 0,0013427 0,0040409 0,003972
1090 0 0 0 0
1100 0 0 0 0
1110 0,0140072 0,0145354 0,0173987 0,017635
1120 0,0226395 0,0250554 0,0374736 0,037863
ИЗО 0,0636829 0,0697286 0,1015837 0,100703
1140 0,1668361 0,1913762 0,3023259 0,302703
1150 0,3930848 0,4151751 0,439582 0,442058
1160 0,4232332 0,4293248 0,4180944 0,422167
1170 0,5670818 0,5759268 0,5522126 0,554859
1180 0,8361118 0,8463342 0,7999697 0,802912
1190 1,5828313 1,582134 1,496415 1,498348
1200 1,3259162 1,299941 1,2308942 1,223276
1210 0,8949754 0,7642968 0,6992196 0,678423
1220 0,6827157 0,6121177 0,5366323 0,520776
1230 0,3373029 0,3029228 0,2884309 0,280779

5) Изменяя коэффициенты синаптической связи ωj, минимизируется целевая функция В :

где kсмi) - спектральный коэффициент поглощения бензина на i-й длине волны.

6) Состав установлен, когда нейрон активирован, а функция активации

R=е-Baε

имеет значение 0.999≤R≤1 (фиг.5),

где α - коэффициент, учитывающий наклон функции активации; ε=0,01 - погрешность измерения спектральных коэффициентов поглощения.

При этом концентрации компонентов в бензине cj численно равны значениям коэффициентов синаптических связей ωj.

Таблица 3
Вычисленные и тестовые значения концентраций компонентов бензинов
Бензин 1 Бензин 2 Бензин 3 Бензин 4
Тестовое значение концентрации n-гептана, % 20,00% 9,00% 6,00% 3,00%
Тестовое значение концентрации изооктана, % 75,00% 84,00% 84,00% 87,00%
Тестовое значение концентрации толуола, % 5,00% 7,00% 0,00% 0,00%
Тестовое значение концентрации бензола, % 0,00% 0,00% 10,00% 10,00%
Вычисленное значение концентрации н-гептана, % 19,8262% 8,8744% 5,7846% 3,1063%
Вычисленное значение концентрации изооктана, % 75,2469% 84,1866% 84,2998% 86,8967%
Вычисленное значение кцентрации толуола, % 4,9269% 6,9390% 0,2698% 0,0000%
Вычисленное значение концентрации бензола, % 0,0000% 0,0000% 9,6458% 9,9971%
Погрешность вычисления концентрации н-гептана, % 0,173822499 0,125621022 0,215435268 0,106268190
Погрешность вычисления концентрации изооктана , % 0,246894713 0,186634822 0,299846913 0,103345864
Погрешность вычисления концентрации толуола, % 0,073072213 0,061013800 0,269794846 0,000000000
Погрешность вычисления концентрации бензола, % 0,000000000 0,000000000 0,354206491 0,002922326

Погрешность вычисления состава бензина определялась по формуле:

Δcj=(сэj-cj)·100,

где сэj - тестовое значение концентрации j-го компонента бензина, cj - вычисленное значение концентрации j-го компонента бензина.

7) По вычисленным значениям концентраций компонентов бензина cj находят октановое число товарного бензина по формуле:

где cj - концентрация j-го компонента бензина; Qj - октановое число j-го компонента бензина; b - суммарное отклонение октановых чисел от аддитивности, обусловленное межмолекулярными взаимодействиями между компонентами:

где bj - интенсивность межмолекулярных взаимодействий j-го компонента, cj - концентрация j-го компонента.

Интенсивность межмолекулярного взаимодействия углеводородов

Компонент bj
n-гептан 0,1
изооктан 0,12
толуол 0,78
бензол 1,08
Таблица 4
Октановые числа смесей
Октановые числа
Смесь 1 Смесь 2 Смесь 3 Смесь 4
Суммарное отклонение, bj 0,00149 0,001644 0,002148 0,002154
ИОЧ 80,9488 92,2167 95,5139 98,1955
МОЧ 80,2788 91,2730 95,3422 98,0555

Данное техническое решение промышленно реализуемо на нефтеперерабатывающих предприятиях.

Источники информации

1. Патент на изобретение RU 2331058 «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ И УСТРОЙСТВО ДЛЯ ЕГО РЕАЛИЗАЦИИ», МПК G01N 21/35, приоритет от 02.04.2007.

2. Патент на изобретение RU 2284506 «АВТОМАТИЗИРОВАННЫЙ СПОСОБ СПЕКТРОФОТОМЕТРИЧЕСКОГО АНАЛИЗА ВЕЩЕСТВ», МПК G01N 21/31, приоритет от 05.09.2002.

3. Патент на изобретение RU 2310830 «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ», МПК G01N 21/35, приоритет от 17.08.2006.

4. Веснин В.Л., Мурадов В.Г. «Характерные особенности спектров поглощения бинарных смесей углеводородов в области длин волн 1090-1240 нм на примере изооктана, n-гептана, толуола, бензола», Известия Самарского научного центра Российской академии наук, т.11, №3, 2009, с. 29-32..

5. Шмидт В. «Оптическая спектроскопия для химиков и биологов». - М.: Изд-во «Техносфера», 2007.

Способ идентификации компонентов бензина и определения его состава в режиме реального времени, включающий создание базы данных спектральных коэффициентов поглощения тестовых компонентов, измерение спектральных коэффициентов поглощения тестовых компонентов и бензина в технологических линиях, отличающийся тем, что сигналы о спектральных коэффициентах поглощения тестовых компонентов и бензина суммируются нейронами идентификации, число которых равно или больше числа компонентов в бензине, и нейроном состава, с соответствующими синаптическими коэффициентами, величины и знаки которых, а также значения активации нейронов устанавливаются по образцам тестовых компонентов и бензинов с использованием алгоритма обратного распространения ошибки, в котором минимизируются целевые функции идентификации Uj и состава В:

причем идентификацию j-компонентов производят по минимумам целевых функций Uj и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей ωij, а значения активации нейронов определяют в соответствии с функцией активации
Tj=e-Ujβε,
при этом концентрацию компонентов в бензине определяют по минимуму целевой функции состава и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей ωij, а значения активации нейрона состава вычисляют в соответствии с функцией активации
R=е-Bαε,
и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси cj численно равным значениям коэффициентов синаптических связей ωij,
где kjэтi) - спектральные коэффициенты поглощения тестовых компонентов, находящихся в базе данных;
kji) - измеренные спектральные коэффициенты поглощения компонентов в технологических линиях;
kсмi) - измеренные спектральные коэффициенты поглощения бензина в технологических линиях;
λi - длины волн, на которых измеряются спектральные коэффициенты поглощения;
Tj - функции активации искусственной нейронной сети идентификации;
j - число компонентов в бензине;
R - функция активации искусственной нейронной сети состава;
α, β - коэффициенты, учитывающие наклон функций активации;
ε - погрешность измерения спектральных коэффициентов поглощения.



 

Похожие патенты:

Изобретение относится к области радиотехники и может быть использовано для интеллектуального анализа оценки устойчивости инфокоммуникационной системы. Техническим результатом является повышение устойчивости функционирования системы связи при воздействии деструктивных электромагнитных излучений на ее структурные элементы за счет оперативной реконфигурации и обработки характера деструктивных воздействий.

Изобретение относится к моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.
Изобретение относится к информационным технологиям и нейрофизиологии. Техническим результатом изобретения является повышение скорости работы технологий нейрокомпьютерного интерфейса.
Изобретение относится к средствам биометрической защиты анонимности свидетелей при судебном делопроизводстве. Техническим результатом является повышение надежности защиты анонимности свидетеля.

Изобретение относится к области управления компьютерными сетями с использованием алгоритмов искусственного интеллекта. Техническим результатом является снижение времени простоя рабочих объектов компьютерной сети за счет увеличения точности прогноза изменений основных показателей.

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Группа изобретений относится к области обработки и распознавания радиосигналов, в частности к распознаванию вида и параметров манипуляции радиосигналов, и может быть использована в радиотехнических устройствах для распознавания манипуляции радиосигналов.

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Изобретение относится к области гидрометеорологии и может быть использовано для прогнозирования паводков и других гидрометеорологических явлений. .

Изобретение относится к судостроению, а именно к способам прогнозирования качки судна, позволяющим обеспечить надежную посадку летательных аппаратов на суда и плавучие технические средства освоения Мирового океана, в том числе научно-исследовательские суда, буровые платформы и др. Технический результат - повышение достоверности прогноза «окна безопасной посадки» при значительных ветроволновых воздействиях. Сущность изобретения заключается в следующем: на базе данных измерений с использованием принципа конкуренции выбирают предпочтительную вычислительную технологию с использованием стандартной модели, реализующей фильтр Калмана, и адаптивной нейронечеткой модели, построенной с помощью нейронной сети прямого распространения. На основе функции выбора для выделенной вычислительной технологии осуществляют моделирование динамики взаимодействия судна с внешней средой, результаты которого используют при проведении контроля взлетно-посадочных операций в заданных погодных условиях. 6 ил., 2 табл.

Изобретение относится к автоматизированному управлению технологическими процессами в нефтегазовой промышленности. Технический результат - упрощение и автоматизация процедур контроля состояния узлов производства с расширением набора контролируемых параметров состояния технологических узлов предприятия, повышение точности калибровки каналов измерения параметров состояния, поддержка принятия решений по парированию нештатных ситуаций. Способ заключается в оценке параметров состояния технологических узлов предприятия с формированием образа текущей ситуации, выборе базовых параметров контроля состояния и формировании нейросетевых аппроксимаций для передаточных функций связи базовых параметров контроля состояния с дополнительными параметрами контроля состояния, верификации значений коэффициентов аппроксимации, формируемых с использованием нейросетевых моделей, для соответствующих частей передаточных функций. В качестве базовых параметров контроля состояния технологических узлов предприятия выбирают параметры, формируемые теми каналами контроля состояния узла, значения показателей степени доверия/недоверия к измерениям в которых выше заданного значения. 3 з.п. ф-лы, 13 ил., 6 табл.

Изобретение относится к технической кибернетике. Технический результат - повышение достоверности диагностирования сложного технического объекта и снижение трудоемкости. В способе диагностирования сложных технических объектов среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, в качестве признаков технического состояния объекта используют статистические характеристики разностей текущих и эталонных значений внутренних и выходных параметров объекта, в качестве эталонных признаков исходного алфавита классов используют статистические характеристики разностей текущих и эталонных значений внутренних и выходных параметров исправного объекта, при этом в качестве эталонных значений внутренних и выходных параметров объекта используют их расчетные значения, вычисляемые для каждого режима работы объекта по измеренным текущим значениям входных параметров с помощью нейросетевых моделей. 12 ил.

Изобретение может быть использовано для непрерывного контроля, оценки и прогнозирования состояния неопределенности взаимодействия судна с внешней средой. Техническим результатом является повышение степени надежности функционирования бортовых систем для обеспечения безопасности мореплавания судов при возникновении экстремальных ситуаций. Для достижения технического результата в предлагаемом способе регистрируют сигналы в блоке измерений параметров судна и внешней среды в экстремальной ситуации, устанавливают уровень неопределенности ситуации и сравнивают текущие значения параметров энтропии с заранее зафиксированными значениями. При возникновении экстремальной ситуации в условиях большой неопределенности определяют базовое значение определяющего параметра, относительно которого рассматривается состояние неопределенности, энтропийного потенциала и его приращения с использованием конкурентного отношения, осуществляют распознавание уровня неопределенности и формируют математические модели динамики изменения неопределенности, рассчитывают величину комплексного энтропийного потенциала и определяют изменение характеристик энтропии, прогнозируют развитие ситуации. 4 ил.

Изобретение относится к теории автоматического управления и может быть использовано для получения моделей сложных объектов, описываемых дифференциальными уравнениями в частных производных, процесс получения математических моделей которых затруднен вследствие неполной информации, сложных эксплуатационных режимов и структурных особенностей объекта. Техническим результатом является повышение точности создания математической модели сложного объекта, описываемого дифференциальными уравнениями в частных производных. Способ содержит сбор статистических данных в режиме номинального функционирования объекта и использование их в качестве обучающей выборки динамической нейронной сети с элементами дробного запаздывания в ветви обратной связи, причем после завершения обучения на вход нейронной сети, как на "черный ящик", подается типовое ступенчатое воздействие, а полученная реакция на выходе нейронной сети с помощью модифицированного метода Симою аппроксимируется в форме передаточной функции дробного порядка. 3 ил.

Изобретение относится к вычислительной технике. Технический результат заключается в снижении затрат памяти и вычислительных затрат для сжатия данных. Способ сжатия данных с использованием подхода на основе нейронной сети, состоящего из режима обучения и режима вывода, в котором разделяют пространство входных данных на множество элементов данных, причем каждый элемент данных характеризуется координатным вектором и вектором объемных значений; используя координатные векторы, определяют адреса ячеек в ассоциативной памяти, с которыми должны быть связаны элементы данных, причем каждая из ячеек имеет весовое значение; связывают элементы данных с ячейками в ассоциативной памяти на основе определенных адресов; аккумулируют все весовые значения ячеек, связанных с элементами данных, для получения весового вектора; вычитают весовой вектор из вектора объемных значений для формирования сигнала ошибки; и если сигнал ошибки является ненулевым, включают режим обучения, при котором весовые значения ячеек, связанных с элементами данных, регулируют на основе сигнала ошибки; или если сигнал ошибки является нулевым, включают режим вывода, при котором вектор сжатых объемных значений вычисляют с использованием весового вектора и затем выводят. 2 н. и 4 з.п. ф-лы, 4 ил.

Изобретение относится к области вычислительной техники, применяемой в нефтяной промышленности, а именно, к информационным системам автоматизации управления нефтедобывающего предприятия. Технический результат - создание системы статистической обработки, агрегирования и визуализации данных, полученных с систем телеметрии, с целью получения информации, пригодной для решения задач регулирования технологических процессов. Заявленная система содержит: блок выбора данных, базу данных хранения телеметрической информации, блок настройки списков пользователей, блок обработки запросов параметров, блок построения отчетов, блок нейросетевого анализа, блок расчета математического ожидания, блок расчета среднеквадратического отклонения, блок расчета асимметрии, блок расчета корреляции, блок отображения графиков, блок отображения векторов взаимовлияния, блок отображения матрицы Мериленда, блок отображения тепловой карты, базу данных справочной информации, блок обработки картографических параметров, блок подготовки необработанных данных, блок подготовки нормированных данных, блок подготовки данных в логарифмических координатах, блок подготовки данных для математических расчетов, блок редактирования параметров расчета, блок расчета параметров нефтедобычи. 1 ил.

Изобретение относится к нефтедобывающей отрасли, а именно к способам мониторинга состояния телемеханизированных добывающих и паронагнетательных скважин, погружного оборудования на месторождении добычи сверхвязкой нефти (СВН). Техническим результатом является появление конкретного способа контроля функционирования нефтепромысловых объектов и погружного оборудования по данным телеметрии на месторождениях добычи СВН. Способ нейросетевого анализа состояния телемеханизированных нефтепромысловых объектов, состоящий в том, что осуществляется подготовка данных из архива единой базы, содержащей данные телеметрии, в виде n-размерных векторов состояний скважин, которые поступают на обучение самоорганизующихся карт Кохонена, по которым каждый новый вектор состояния для каждой скважины проверяется на принадлежность к определенному узлу с помощью нейросетевого анализа, вводятся дополнительные «критические» n-размерные вектора состояний, полные наборы m из «архивных» и «критических» векторов поступают на обучение самоорганизующихся карт Кохонена, узлы построенной карты Кохонена разбиваются на три экспертные группы, на основе полученных групп строится статистика состояний скважины. 5 ил.

Изобретение относится к области вычислительной техники и может быть использовано для обработки и прогнозирования значений временных рядов данных или непрерывных функциональных зависимостей. Техническим результатом является повышение эффективности прогнозирования изменений значений функций по критериям длительности и значению погрешности прогноза, а также по быстродействию адаптивности системы при изменяющихся условиях. Устройство содержит блок формирования временного ряда х(k), с выхода которого через последовательно соединенные блок предварительной вейвлет-обработки, блок выделения аппроксимирующих коэффициентов m-го уровня Cm, а также блок формирования скользящего окна данных из n отсчетов аппроксимирующих коэффициентов с помощью n-разрядного сдвигового регистра, сигналы подаются на входы нейронной сети, построенной по схеме многослойного персептрона прямого распространения, с последующей итерационной процедурой обучения нейронной сети, в ходе которой осуществляется настройка весовых или синаптических коэффициентов по критерию минимизации ошибок прогноза, формируемых в блоках вычисления ошибок прогноза е*r на всех r выходах нейронов выходного слоя нейронной сети, с выходов которой аппроксимирующие коэффициенты прогноза совместно с детализирующими коэффициентами вейвлет-разложения временного ряда di, полученными в блоке их обработки алгоритмом сглаживания на основе метода штрафного порога, поступают на входы блоков восстановления выходных прогнозируемых значений функции S(k+r), со временем прогноза на r периодов временного ряда (r∈{1÷10}), при этом обработанные детализирующие коэффициенты разложения di совместно с аппроксимирующими коэффициентами Cm подаются на вход блока восстановления временного ряда в реальном времени S(k) с пониженной погрешностью представления информации за счет его вейвлет-обработки. 2 ил., 1 табл.

Изобретение относится к способам мониторинга состояния телемеханизированных скважин, погружного оборудования на месторождении добычи нефти. Техническим результатом является появление конкретного способа контроля функционирования нефтепромысловых объектов и погружного оборудования по данным телеметрии на месторождениях добычи нефти. Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа, заключается в подготовке данных из архива в виде n-размерных векторов состояний скважин, формировании карты Кохонена, формировании выборки данных из архива базы в виде n-размерных векторов состояний скважин. Алгоритм нейросетевого анализа использует зависимый параметр, вычисляются прогнозные значения зависимого параметра, вычисляется разница между расчетным и замеренным значениями зависимого параметра. Результаты работы алгоритма представляются в виде совместного графика двух переменных: средней дистанции между векторами входных параметров и вектором модели для каждой скважины и разницы между значениями расчетного и замеренного значения зависимого параметра для каждой скважины. 3 ил.

Изобретение относится к измерительным системам и устройствам и может быть использовано для идентификации компонентов бензина и определения его состава. Техническим результатом является обеспечение идентификации в режиме реального времени с оперативным внесением поправок в технологический процесс. Способ заключается в том, что идентификацию компонентов производят по минимуму целевой функции и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей, расчет значений активации нейронов определяют в соответствии с функцией активации, при этом концентрацию компонентов бензина производят по минимуму целевой функции и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей, а расчет значения активации нейрона состава производят в соответствии с функцией активации, и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси численно равным значениям коэффициентов синаптических связей. 5 табл., 5 ил.

Наверх