Разработка моделей массообменных технологических процессов для подсистемы АСУТП оценки качества выходных продуктов

Во введении обосновывается актуальность темы диссертационной работы,
определены объект и предмет исследования, сформулированы цель и задачи, а также определены методы решения задач. Раскрыты научная новизна и практическая значимость работы, приводятся положения, выносимые на защиту, а также сведения об апробации и внедрении результатов работы.
В первой главе приведен обзор состояния исследований по проблемам построения математических моделей для оценки качества выходных продуктов ректификационных колонн с использованием виртуальных анализаторов (ВА). На рисунке 1 представлена схема взаимодействия подсистемы АСУ ТП виртуального анализа и СУУТП.
Рисунок 1 – Взаимодействие подсистемы АСУТП виртуального анализа с технологическим процессом, АСУ ТП и СУУ ТП (КИС – контрольно-измерительные
средства; МРС – model predictive control)
ВА взаимодействуют с АСУ ТП технологической установки и с помощью СУУ ТП формируются оптимальные значения управляющих воздействий, что способствует повышению качества основных видов нефтепродуктов с минимальными энергетическими и экономическими затратами.
В связи с этим одной из основных тенденций развития СУУ ТП является распространение более совершенных технологий разработки и поддержки виртуальных анализаторов, использующих современные достижения прикладной статистики и робастного управления.

b(X )(b,1,…,b,j,…,b,K)T, i1,…,n2, X i i i i i
, X Y, (1) n1 n2
(2)
и вектор разностей
в котором
b,k b,k1 b,k , iii
b  (b,1,…,b,k ,…,b,K1)T , k 1,…,K 1 iiii
В первой главе описаны проблемы, связанные с построением прогнозирующих математических моделей для оценки показателей качества промышленных РК. Одной из основных задач при их разработке является определение структуры модели для нелинейных процессов. Подробно рассмотрены существующие подходы и методы предсказательного моделирования, а также приведен алгоритм АСЕ для объектов исследования.
Во второй главе предложен алгоритм для определения индекса структурной идентифицируемости объекта исследования, под которым понимается информативность входных переменных относительно выхода модели.
Исходной информацией для оценки индекса структурной идентифицируемости служат базовая матрица (матрица, сформированная из выборки, содержащей значения входных и выходной переменных), число М возмущенных матриц данных, получаемых из базовой матрицы путем добавления к ее элементам малых случайных чисел.
Шаг 1. Базовую матрицу преобразуем в расширенную матрицу данных размера (K(n+2)), включая в нее некоррелируемый с выходом дополнительный нормально распределенный вход  с параметрами 0;1 ( (0, 1)).
Шаг 2. Получаем базовый набор векторов оптимальных преобразований  по каждому входу исследуемого объекта, применяя алгоритм АСЕ к расширенной матрице данных,
(3) получения векторов оптимальных преобразований, используя возмущающие
воздействия. Для этого к переменным Xi , i 1,2,…,n,n  2 , добавляем малые случайные числа  q   q  N (0,1) , i  1, 2,…, n, n  2 , q  1,…, M .
Шаг4. Находим множество векторов оптимальных преобразований и разностей:
q(X )(q,1,…,q,j,…,q,K)T, i1,…,n2, q1,…,M (4) i ,i ,i ,i ,i
q (q,1,…,q,k,…,q,K1)T , (5) ,i ,i ,i ,i
где X X q, q 0, q,k q,k1q,k, k1,…,K1. ,i i i n1 ,i ,i ,i
Шаг 5. Преобразуем полученные векторы разностей (2) и (5) к виду
q  (q,1,…,q,k ,…,q,K1)T iiii
где b,k b,k /Sb, q,k q,k /Sq ,
Шаг 3. Из базовой матрицы формируем набор матриц размера (K(n+2)) для
ii
b (b,1,…,b,k,…,b,K1)T iiii
, (6) , q1,…,M (7)
i
Sb ((b
i ,i
Sq ((q
i ,i
b
,i)2 /(K2))1/2,
q
,i)2 /(K2))1/2,
,ii i
,i i

b ,i 
q ,i 
 k1 K1
(b,k ) / (K 1) , ,i
K1
 k1
(   q , k ) / ( K  1) . ,i
Vq,k b,k q,k iii
( 8 ) (9)
(10)
Шаг 7. Получаем количественную оценку отклонений V q i
Шаг6. Находим отклонения разностей (6) базовых оптимальных преобразований от разностей (7) для каждого q  1,…, M :
, i  1, . . . , n  2 , k  1, . . . , K  1 , из которых формируем последовательность векторов
Vq (Vq,1,…,Vq,k,…,Vq,K1)T , i1,…,n2. iiii
K1 
k1
из (9)
Шаг 8. Определяем показатель идентифицируемости по i-ой переменной
Eq  i
Vq,k ,i1,…,n2,q1,…,M. i
Hi En1 /Ei, i1,…,n2 (11) где E  M Eq / M , а Eq вычисляется по (10).
Шаг 9. Сравниваем полученные показатели идентифицируемости Hi из (11) с
соответствующим пороговым значением H p . Если Hi  H p , то объект
идентифицируем, в противном случае он не идентифицируем на основе предоставленных данных.
Заметим, что единой методики для определения порогового значения Hp не
существует. При неизвестной структуре модели для его задания приходится учитывать особенности конкретных объектов или процессов и условия их функционирования. Вычислительные эксперименты показали, что точность показателя идентифицируемости Hi зависит от числа M возмущенных матриц,
устанавливаемого опытным путем. Он рассчитывается для каждого набора данных, зависит от случайных возмущений, используемых в алгоритме АСЕ, а его окончательное значение находится усреднением полученных величин.
Предложенная методика иллюстрируется следующим примером. Пусть объект задается функциональной зависимостью вида:
Y  X 2 sin(3X )(X 3)ln(X ). (12) 1234
По уравнению (12) и входным переменным Xi,i1,2,3,4, на которые
наложены ограничения 2.5 X1 2.5, 0 X2 5, 0 X3 1, 0 X4 2,
формируется выборка объема K = 1000, представляющая собой матрицу размера (K5). Она преобразуется в расширенную выборку включением дополнительного некоррелированного с выходом Y входа X5 с параметрами 0;1 ( X5  (0, 1)). Анализ коэффициентов парной корреляции и корреляционных отношений, полученных по исходной выборке (таблица 1), не позволяет сделать вывод о возможной структуре модели. Применяя алгоритм АСЕ к расширенной выборке, формируем базовый набор векторов оптимальных преобразований bi (X ,i ) .
i
q1
ii

Таблица 1 – Коэффициенты корреляционных связей
Переменные Корреляционные связи
X1 X2 X3 X4 X5 Y Коэффициенты парной корреляции 0.0507 -0.0042 0.2665 0.3866 0.0167 1.0000
Корреляционные отношения 0.7621 0.2703 0.3119 0.3982 0.1148 1.0000
Для оценки индекса структурной идентифицируемости выбрано M = 20, где M это количество итераций цикла, предназначенного для усреднения значений, итого получено 20 векторов оптимальных преобразований (рис.2).
Рисунок 2 – Результат применения алгоритма АСЕ к сформированным матрицам данных
В таблице 2 представлены результаты оценки индекса структурной идентифицируемости, полученные с использованием предложенного подхода.
Таблица 2 – Оценка индекса структурной идентифицируемости
Параметр (i) X1 X2
X3 0,132 12,27
X4 X5 0,113 1,45
46,15 1,00
Y
0,032 103,34
Ei Hi
0,043 0,107 81,31 31,61
Значение E5 1,45
X 5
(средние суммы расстояний между точками базовой оценки
соответствует его неидентифицируемости.
модели от текущей оценки модели для выхода и каждого входа) полностью подтверждают существование нелинейной модели для исследуемого объекта и могут служить признаком его идентифицируемости. Величины Hi отражают вклад каждой
переменной относительно неидентифицируемого дополнительного входа, при этом вход X1 дает наибольший вклад в модель, вход X3 – наименьший, и полученные
результаты не противоречат описанию (12). Таким образом, объект идентифицируем, поскольку значение индекса структурной идентифицируемости для выхода
для входа
Остальные значения Ei

Результаты расчета порогового значения идентифицируемости объекта (12) приведены на рисунке 3.
HY
140 120 100
80 60 40 20
индекса
R2
1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
структурной
HY 103,34, что значительно больше заданного порогового значения Hp 16,
которое определяется по алгоритму, приведенному ниже.
Алгоритм нахождения порогового значения индекса структурной идентифицируемости исследуемого технологического объекта.
Численный алгоритм определения порогового значения индекса структурной идентифицируемости в рамках задачи разработки ММОПК для подсистемы АСУТП промышленной РК включает следующие шаги.
Шаг 1. Формирование эталонной выборки данных заданного объема с учетом выбранной структуры модели.
Шаг 2. Вычисление индекса идентифицируемости по выходной переменной HY для эталонной выборки данных.
Шаг 3. Определение допустимых диапазонов изменения параметров, используемых в модели на основе существующих технологических регламентов.
Шаг 4. Преобразование эталонной выборки и определение по ней показателей идентифицируемости HY с учетом различных погрешностей, наложенных на исходную выборку данных, т.е. эмулируется неучтенное влияние на нее размером 5 %, 10 %, 15 %, 20 %, 25 %, 30 % и т.д. от текущего значения.
Шаг 5. Выбор порогового значения Hp показателя идентифицируемости модели на основании полученных результатов.
HY
R2
0
0 5 10 15 20 25 30 35
Погрешность выходной переменной, %
Рисунок 3 – Зависимость HY и R2 от зашумленности синтетических данных
Из рисунка 3 можно сделать вывод, что при значении индекса структурной
идентифицируемости HY 16 для выбранного объекта исследования модель может
быть адекватной.
Предложенный алгоритм нахождения Hp объекта исследования позволяет
оценить процент неучтенной информации, содержащийся в исследуемой выборке данных. Такой подход к анализу данных позволяет на раннем этапе разработки ММОПК для подсистемы АСУТП оценить репрезентативность используемой выборки данных. В случае ее нерепрезентативности следует заменить входные переменные модели, которые имеют наименьшее значение индекса структурной
идентифицируемости, на более информативные. Это существенно упрощает процесс подбора входов в модель и формирование выборки данных для описания объекта исследования.
Дополнительным преимуществом предложенного подхода является возможность быстрой оценки используемой выборки данных на репрезентативность. Это существенно экономит время разработки адекватной математической модели.
В третьей главе приводится описание ректификационной колонны С-6 вторичной перегонки бензинов. Схема РК и процесс массообмена в ней представлены на рисунке 4.
V, y Тв, Рв
k
Конденсатор
Qc
L, xk Свк j=f (Тарелка подачи сырья)
Твп
Твр, От
D,XD (Дистиллят)
Накопитель
,
Спв, Твых
,
k
Спк,Твс
Fj,XF (Сырье)
Тн, Рн
j j+1 j=f-1
,
k
,
j
j=nt
Кипятильник
j=f+1
QR В,XВ (Нижний продукт)
,
k
nt
Рисунок 4 – Схематическое изображение ректификационной колонны С-6
Нестабильный бензин поступает в РК С-6. С верха колонны С-6 отходят пары пропан-бутановой фракции и сероводород (рефлюкс). Необходимо проводить оценку концентрации изо-пентана, а также содержание бензолообразующих компонентов в верхнем продукте (дистилляте).
Также представлена технологическая схема процесса производства высокооктановой добавки бензинов – метил-трет-бутилового эфира (рисунок 5).
Конденсатор V, yk Накопитель Qc
из р-ра Твк1 Метанол j=f Fj,XF
D,XD (Дистиллят)
Срс
j=5
QR В,XВ
,
k
j=1
L, xk
К-2
j=nt
k
,
j
,
j=f-1 (Сырье) К-1
Т5т
Реактор
Кипятильник
,
k
К-1, К-2 –ректификационные колонны; МеОН – метанол; МТБЭ – метил-трет-бутиловый эфир Рисунок 5 – Технологическая схема процесса производства МТБЭ
При осуществлении данного процесса особое внимание уделяется выбору соотношения изобутилен-метанол. Неправильно заданное количество метанола приводит к перерасходу исходного сырья, недополучению готовой продукции и
Тнк1, Рнк1
МТБЭ (Нижний продукт)
снижению ее качества. По окончании процесса выход МТБЭ должен составлять 98 %. Основным показателем качества данного процесса является содержание метанола в МТБЭ. Массовая доля метанола не должна превышать 1,5 % в товарном продукте МТБЭ по техническому регламенту.
Приводится калибровка аналитических моделей объектов исследования (подбор КПД по Мерфри, при котором достигается максимальное соответствие между экспериментальными данными и аналитической модели ТО). Применен метод определения порогового значения индекса структурной идентифицируемости массообменных технологических объектов, на основе использования их физико- химических закономерностей.
Результаты влияния погрешности измерения выходной переменной на величину индекса структурной идентифицируемости ММОПК для подсистемы АСУТП по концентрации изо-пентана и бензолообразующих в дистилляте РК С-6 вторичной перегонки бензинов приведены на рисунке 6а и 6б, соответственно.
а) б)
Рисунок 6 – Влияние погрешности измерения выхода на величину индекса структурной идентифицируемости: а) концентрации изопентана; б) концентрации бензолообразующих
Из рисунка 6 можно сделать вывод, что модель может быть адекватной в случае, если индекс структурной идентифицируемости для выбранного объекта исследования при HY изоп  6 и HY бенз  10 , так при меньшем значении индекса структурной
идентифицируемости, модель будет содержать более 25% неучтенной ошибки, что позволит построить адекватную математическую модель. Следовательно, пороговое значение индекса структурной идентифицируемости для построения ММОПК по концентрации изо-пентана и бензолообразующих в дистилляте РК С-6 составит
Hp  6 и Hp 10, соответственно.
Пороговое значение индекса структурной идентифицируемости ММОПК по метанолу в выходном (нижнем) продукте РК К-1 процесса производства метил-трет- бутилового эфира H p MeOH определялось на сформированной выборке данных
откалиброванной аналитической модели процесса в интервале ошибки (%) 0; 25 от
среднего значения каждой входной переменной. Влияния погрешности измерения выходного значения на HY приведены на рисунке 7.

m1 Yda0 aX.
ˆ
i1
ii
HY R2
50
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1
HY
R2
0
0 5 10 15 20 25
Погрешность выходной переменной, %
Рисунок 7 – Зависимость HY и R2 от зашумленности данных аналитической модели
В данном случае R2  0,7 тогда, когда зашумленность данных составляет около
10 %, что соответствует пороговому значению Hp MeOH  22,65.
Рассчитанные значения индекса структурной идентифицируемости при построении ММОКП по концентрации изо-пентана и бензолообразующих составили HY изоп 10,59 и HY бенз 15,39, соответственно, что превышает пороговые значения.
При разработке ММОПК по метанолу в нижнем продукте РК К-1 значение индекса
структурной идентифицируемости составило HY  68,14 . Объекты является
структурно-идентифицируемыми, так как их значения показателей индекса структурной идентифицируемости для выхода превышают их пороговые значения.
Алгоритм построения ММОПК на основе данных аналитической модели
В случае построения ММОПК для подсистемы АСУТП по концентрации изо- пентана в РК С-6 вторичной перегонки бензинов вход по давлению (Xm) почти не изменяется, поэтому параметр модели при нем будет статистически незначимым. Однако в реальных условиях возможны отклонения по давлению, которые оказывают существенное влияние на значение выхода. В таких случаях предлагается использовать алгоритм построения ММОПК с использованием априорных знаний, полученных с помощью аналитической модели МТП, который включает в себя следующие шаги:
Шаг1. Формируется расширенная выборка путем увеличения диапазона изменчивости входа Xm с учетом его физико-химических свойств (с применением
физико-химической модели для возможности расширения выборки).
Шаг2. По полученной выборке строится модель Ym  f(Xm). Возможно
построение модели с помощью полиномиальной аппроксимации, так как зачастую связь таких входов является нелинейной.
Шаг 3. Вычисляется корректирующая поправка, и в исходной выборке данных переменная Y преобразуется к виду Yd  Y  f ( X m ).
Шаг 4. По полученной на шаге 3 выборке строится модель от (m-1) переменных
ˆˆ
Шаг 5. Определяется истинное значение выходной переменной: YM  Yd  f ( X m ).
Скорректированная математическая модель с учетом априорных знаний о влиянии давления на качество выходного продукта для оценки концентрации изо- пентана в дистилляте РК С-6 имеет следующий вид:
Y 108668,1200,497X 0,368X 1724,243X 1,123X 2677,233X  изоп 12345
4,999103 X2 854,206X2 22,238X2 139,679X3 6.156102 X3. 23535
Результаты применения алгоритма для построения математической модели для оценки концентрации изо-пентана в дистилляте РК С-6 без учета влияния давления и с учетом влияния давления на проверочной (тестовой) выборке приведены на рисунке 8а и 8б, соответственно.
а) б)
Рисунок 8 – Результат функционирования модели на проверочной выборке а) без учета влияния давления б) с учетом влияния давления
В данной главе также представлен подход к построению адекватных математических моделей для оценки качества выходных продуктов с использованием нового подхода построения непараметрических моделей на основе алгоритма АСЕ:
Этап 1. Сформировать выборки данных для построения ММОПК.
Этап 2. Определить пороговое значение индекса структурной идентифицируемости ( H p ) исследуемого объекта по алгоритму, описанному в главе
2.
Этап 3. Определить индекс структурной идентифицируемости ( HY )
математической модели для оценки показателя качества выходного продукта по алгоритму, описанному в главе 2.
Если HY  H p , то переходим на этап 4, иначе переход к этапу 1.
Этап 4. По циклу выполнить для каждой строки выборки:
А) Взять текущую строку и временно вычеркнуть еѐ из выборки данных;
Б)На основе оставшихся данных построить непараметрическую модель с
помощью алгоритма АСЕ.
В) С помощью интерполяции построить
кривые зависимостей i  X i  от X i . Затем интерполировать Y от  Y , где  Y    X .
p
ii
i1
Г)Для вычеркнутой строки рассчитать значение выхода Y на основе интерполированных кривых из пункта В) и значений входов исключенной строки из выборки (восстановление выходного значения модели).
Д) Сравнить рассчитанное значение Y со значением, известным из измерений, и вычислить критерий точности модели.
Подход построения математических моделей для оценки показателей качества выходных продуктов была протестирована на примере РК К-1 процесса производства МТБЭ. Математическая модель по концентрации метанола в нижнем продукте РК К-1 имеет следующий вид:
ˆ
Y 551,789,95X 0,05X2 369,01X 77,24X2 3,51X X . (13)
112212
В таблице3 представлены коэффициенты детерминации (R2) и квадратного корня средней квадратической ошибки (RMSE) параметрических моделей, полученных методом наименьших квадратов (МНК), робастной регрессией (РР), модели (13) и непараметрической модели, построенной на основе алгоритма ACE для
обучающей (обуч) и проверочной (пров) выборок.
Таблица 3 – Значения R2 и RMSE для представленных моделей.
Метод построения модели
Метод наименьших квадратов
Робастная регрессия
Проекция на скрытые структуры Нейронная сеть с обратной связью Модель, построенная на основе алгоритма ACE
R2
R2 RMSE
RMSE
0,1365 0,1363 0,1365 0,1234
0,0521
обуч
пров обуч
пров
0,7755 0,7646 0,7755 0,7857
0,9996
0,8767 0,1821 0,8769 0,1864 0,8767 0,1821 0,8992 0,1780
0,9820 0,0032
Согласно результатам, представленным в таблице 3, очевидно, что наиболее точно описывает исследуемый МТО непараметрическая модель, построенная на основе алгоритма ACE, в сравнении с другими методами. Результаты функционирования непараметрической модели, построенной на основе алгоритма ACE, и экспериментальные данные приведены на рисунке 9.
Рисунок 9 – Результаты функционирования непараметрической модели, построенной на основе алгоритма ACE, для оценки показателя качества выходного продукта на проверочной выборке

Из рисунка 9 видно, что использование непараметрической модели, построенной на основе алгоритма ACE, для оценки показателя качества выходного продукта на проверочной выборке позволяет достаточно точно описать исследуемый процесс.
Устойчивость модели (12) рассчитывали путем добавления случайной нормально распределенной ошибки 0    1 в обучающую выборку данных. Величина ошибки изменялась в диапазоне 0% до 20% относительно среднего значения соответствующей входной переменной. Для ММОПК, полученной на промышленных данных процесса производства МТБЭ, устойчивость анализировалась аналогичным способом. Ошибка имеет случайное нормальное распределенное значение в диапазоне 1; 1. Величина ошибки увеличивается от 0 % до 0,6 %. Результатом анализа устойчивости будет являться график зависимости рассчитанного R2 от наложенной ошибки измерений. Графики зависимости рассчитанных значений R2 от наложенной ошибки измерений представлены на рисунке 10а) и 10б).
а) б) Рисунок 10 – Результаты анализа устойчивости моделей:
а) для модели (12); б) ММОПК процесса производства МТБЭ.
По представленным рисункам 10а) и 10б) можно сделать вывод: критерий точности ММОПК имеет устойчивую тенденцию к снижению при увеличении ошибки измерений.
В четвертой главе сформулирована постановка задачи разработки ММОПК в составе подсистемы АСУТП. Описаны основные функции и общая характеристика решения задачи на ЭВМ. Приведена блок-схема многоуровневой обработки выборки данных при построении ММОПК.
Уровень 1 – определение индекса структурной идентифицируемости ММОПК и порогового значения индекса структурной идентифицируемости. При положительном результате алгоритм переходит на 2й уровень, при отрицательном программа формирует отчет.
Уровень 2 – учет априорной информации. Если у исследователя нет дополнительных сведений о ТП, то этот уровень можно пропустить, если есть, то программа преобразует основную выборку с учетом априорных знаний о ТП.
Уровень 3 – определение структуры ММОПК для подсистемы АСУТП. Программа строит графики, отражающие функциональную взаимосвязь входной и выходной переменных с помощью алгоритма АСЕ, после чего каждый вход аппроксимируется квадратичными функциями. В результате формируется структура модели, равная сумме аппроксимированных кривых, а также рассчитывается «вес» для каждой входной переменной.

Уровень 4 – построение ММОПК. Данный уровень предназначен для определения параметров модели регрессионным методом с учетом замещения нелинейных входов на линейные путем преобразования с помощью подхода, описанного в главе 3.
Уровень 5 – построение итоговой ММОПК. На данном уровне происходит последнее преобразование данных в виде перехода от нелинейной структуры модели к линейной за счет замены переменных и расчет параметров модели любым из предложенных методов регрессионного анализа.
После выполненных преобразований программа создает формы отчетов о разработанном ВА с информацией:
 о виде конечной модели;
 о коэффициенте детерминации на обучающей выборке, на тестовой
выборке;
 о параметре идентифицируемости;
 о пороге идентифицируемости;
 о текущем состоянии качества выходного продукта в режиме реального
времени;
 о состоянии ТП, отклонениях от модели.
Для осуществления контроля и предотвращения аварийных ситуаций, возможных при сбоях работы сложного оборудования, предлагается механизм контроля, который основан на заранее определенном диапазоне значений коэффициента детерминации ММОПК для подсистемы АСУТП, сформированный исходя из технологических регламентов производства. То есть при условии полноценной работы всех систем РК математическая модель для оценки показателей качества выходных продуктов будет находиться в заданных интервалах коэффициента детерминации при онлайн мониторинге ТП. В случае выхода из строя какого-либо параметра, влияющего на ВА, система определит понижение коэффициента детерминации.
Такое оповещение позволит оперативно реагировать на сбои РК и своевременно устранять неполадки. Быстрая реакция операторов позволит сократить издержки производства некачественного продукта и т.д.
Данный многоуровневый алгоритм позволяет строить ММОПК для слабо формализованных технологических процессов, в частности процесса ректификации промышленных ТП.
В заключении перечислены основные полученные научные и практические результаты работы. В приложении к диссертации находятся акт внедрения и свидетельства о государственной регистрации программ для ЭВМ.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
В работе получены следующие новые научные и практические результаты:
1. Разработан метод определения индекса структурной идентифицируемости массообменного технологического процесса при построении его модели, основанный на алгоритме АСЕ с использованием дополнительной входной переменной, некоррелируемой с выходом. Предложен метод определения порогового значения индекса структурной идентифицируемости массообменного технологического

процесса, разработанный на основе использования его физико-химических закономерностей.
2. Проведена оценка индекса структурной идентифицируемости HY с учетом
порогового значения Hp , которое определяется на основе аналитической модели
МТП. Предлагаемый подход проиллюстрирован на синтетических данных и данных технологического процесса. При разработке ММОПК для подсистемы АСУТП по концентрации изо-пентана и бензолообразующих в дистилляте РК С-6 пороговые значения индекса структурной идентифицируемости составили H p  6 и H p  10 ,
соответственно, и по концентрации метанола в кубовом продукте РК К-1 пороговое значение индекса структурной идентифицируемости составило Hp MeOH  22,65.
Исследуемые объекты являются структурно-идентифицируемыми, так как значения показателей индексов идентифицируемости для выходных переменных проверочной выборки превышают их пороговые значения.
3. Предложена методика учета физико-химических закономерностей массообмена при построении математических моделей для оценки качества выходных продуктов промышленных РК. Использование предложенной методики позволило учесть влияние давления при построении ММОПК для оценки концентрации изопентана в дистилляте РК С-6 и повысить ее точность.
4. Предложен подход к построению математических моделей на основе экспериментальных данных, отличающийся применением алгоритма АСЕ как для анализа идентифицируемости, так и для определения структуры моделей подсистемы АСУТП виртуального анализа. Применение предложенного подхода при построении статистической модели для оценки концентрации метанола в кубовом продукте РК К- 1 позволило повысить точность модели до 10 % R2 в сравнении с моделью, полученной на основе нейронной сети.
Внедрение разработанного программного комплекса для построения ММОПК для подсистемы АСУТП позволит сократить время построения математических моделей для оценки показателей качества выходных продуктов. Программный комплекс протестирован на экспериментальных данных промышленной РК С-6. ВА, полученные с помощью разработанного программного комплекса, внедрены в АО «Газпромнефть-ОНПЗ».