2026. — Т 13. — №3 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/15inor326.html

This article metadata is also available in English

DOI: 10.15862/15INOR326 (https://doi.org/10.15862/15INOR326)

Полный текст статьи в формате PDF (объем файла: 853.3 Кбайт)

Ссылка для цитирования этой статьи:

Азизмохаммади -С., М. Повышение эффективности управления технологическими процессами на основе интеллектуальной обработки производственных данных / М. Азизмохаммади -С., А. В. Гончаров, А. В. Шаховской [и др.] // Ресурсы. — 2026. — Т 13. — №3. — URL: https://resources.today/PDF/15INOR326.pdf. — DOI: 10.15862/15INOR326. (дата обращения: 19.10.2026).

Повышение эффективности управления технологическими процессами на основе интеллектуальной обработки производственных данных

Азизмохаммади Мохаммад-сафар Мохсенович
ФГБОУ ВО «Московский государственный университет технологий и управления имени К. Г. Разумовского»,
Москва, Россия
E-mail: safar2002@yandex.ru

Гончаров Андрей Витальевич
ФГБОУ ВО «Московский государственный университет технологий и управления имени К. Г. Разумовского»,
Москва, Россия
Кандидат технических наук, доцент
E-mail: a.goncharov@mgutm.ru

Шаховской Андрей Владимирович
ФГБОУ ВО «Московский государственный университет технологий и управления имени К. Г. Разумовского»,
Москва, Россия
Кандидат технических наук, доцент
E-mail: a.shakhovskoy@mgutm.ru

Ротанов Евгений Геннадьевич
ФГБОУ ВО «Московский государственный университет технологий и управления имени К. Г. Разумовского»,
Москва, Россия
Кандидат технических наук, доцент
E-mail: e.rotanov@mgutm.ru

Аннотация. В распределённых системах управления непрерывных производств накапливаются значительные массивы производственных данных, однако показатели качества продукции по-прежнему измеряются поточными анализаторами с запаздыванием, и решения по ведению режима принимаются по устаревшей информации. В работе предложен и апробирован подход, при котором результат интеллектуальной обработки производственных данных соотносится с эффективностью управления технологическим процессом, а точность модели служит промежуточной характеристикой. Эмпирическую базу составил открытый набор промышленных данных колонны дебутанизации нефтеперерабатывающего завода, включающий семь технологических переменных и содержание бутана в кубовом продукте. Задача поставлена как упреждающая оценка показания анализатора на заданном горизонте по информации, доступной на момент принятия решения. Сопоставлены наивная схема, одномерная авторегрессия и четыре многомерные модели, а именно гребневая регрессия, проекция на латентные структуры, градиентный бустинг и нейронная сеть, при хронологическом разделении наблюдений и перекрёстной проверке с расширяющимся окном. Установлено, что технологические переменные опережают показание анализатора, а их включение в модель сокращает ошибку упреждающей оценки тем сильнее, чем длиннее горизонт, и на средних горизонтах уменьшает её примерно наполовину относительно одномерной схемы. Регуляризованная линейная модель оказалась не хуже нелинейных, а типовая фильтрация выбросов ухудшила результат и была отклонена по перекрёстной проверке. Основной вклад в точность вносит температура на контрольной тарелке, тогда как часть переменных информационно избыточна. На основе известного результата о нижней границе дисперсии регулируемой величины ошибка упреждающей оценки интерпретирована как предел достижимого качества стабилизации. Это позволило выразить эффект через сокращение неустранимого разброса показателя, допустимый сдвиг рабочей точки к границе спецификации и полноту раннего предупреждения о выходе показателя за порог. Результаты могут быть использованы при обосновании проектов усовершенствованного управления и при выборе состава данных для виртуальных анализаторов.

Ключевые слова: управление технологическими процессами; интеллектуальная обработка данных; производственные данные; виртуальный анализатор; искусственный интеллект; машинное обучение; запаздывание измерений; показатель качества; ректификация