Информационная система имитационного оптимизационного планирования для перерабатывающего предприятия непрерывного цикла::Журнал СА 6.2015
www.samag.ru
Журнал «БИТ. Бизнес&Информационные технологии»      
Поиск   
              
 www.samag.ru    Web  0 товаров , сумма 0 руб.
E-mail
Пароль  
 Запомнить меня
Регистрация | Забыли пароль?
Журнал "Системный администратор"
Журнал «БИТ»
Наука и технологии
Подписка
Где купить
Авторам
Рекламодателям
Магазин
Архив номеров
Вакансии
Контакты
   

Jobsora


  Опросы
1001 и 1 книга  
12.02.2021г.
Просмотров: 396
Комментарии: 0
Коротко о корпусе. Как выбрать системный блок под конкретные задачи

 Читать далее...

11.02.2021г.
Просмотров: 247
Комментарии: 0
Василий Севостьянов: «Как безболезненно перейти с одного продукта на другой»

 Читать далее...

20.12.2019г.
Просмотров: 7147
Комментарии: 0
Dr.Web: всё под контролем

 Читать далее...

04.12.2019г.
Просмотров: 8191
Комментарии: 2
Особенности сертификаций по этичному хакингу

 Читать далее...

28.05.2019г.
Просмотров: 9384
Комментарии: 2
Анализ вредоносных программ

 Читать далее...

Друзья сайта  

Форум системных администраторов  

sysadmins.ru

 Информационная система имитационного оптимизационного планирования для перерабатывающего предприятия непрерывного цикла

Архив номеров / 2015 / Выпуск №6 (151) / Информационная система имитационного оптимизационного планирования для перерабатывающего предприятия непрерывного цикла

Рубрика: Наука и технологии

Без фото АНИЩЕНКО Д.И., ведущий инженер по автоматизированным системам управления производством отдела функционального сопровождения информационно-управляющей системы предприятия ООО «Газпром переработка», AnishchenkoDI@gpp.gazprom.ru

Без фото ОВСЯНКИН М.В., нач. отдела аналитического мониторинга и прогноза ООО «Газпром переработка», OvsyankinMV@gpp.gazprom.ru

Информационная система имитационного оптимизационного планирования
для перерабатывающего предприятия непрерывного цикла

В статье рассматривается создание системы имитационного оптимизационного планирования и виртуального моделирования производства в режиме, приближенном к реальному. Система предназначена для нужд перерабатывающего предприятия непрерывного цикла в нефтегазовой промышленности на примере ООО «Газпром переработка». Актуальность инновационных методов управления производством оправдана возрастающими требованиями ОАО «Газпром» к повышению эффективности и производительности своей деятельности, а также возрастающей глобальной конкуренцией

Известно, что информационные технологии позволяют принести в компанию новое понимание бизнес-процессов. Повышение эффективности, корпоративной прозрачности и производительности – во многом результат успешной автоматизации. Это оружие, которое позволяет побеждать в конкурентной борьбе. В ОАО «Газпром», понимая необходимость качественных преобразований в 2008 году, приняли трехэтапную стратегию автоматизации. Цель этой стратегии – создание глобальных конкурентных преимуществ. Для вида деятельности «переработка газа и газового конденсата» одно из условий для наработки конкурентных преимуществ состоит в создании инновационных систем управления производством, моделировании производственной деятельности в режиме, приближенном к реальному. Таким образом, в данной статье пойдет речь о моделировании производства.

Проблематика. Введение

Предприятия ОАО «Газпром» вида деятельности «переработка газа и газового конденсата» должны планировать и моделировать производство. Некачественное планирование производства может привести к проблемам, таким какзатоваривание резервуарных парков готовой продукции, разгрузка (снижение нагрузки) производственных установок, невозможность приема сырья на переработку.

При подготовке добытого природного газа к транспорту неизбежно выделяется нестабильный конденсат. Этот конденсат в дальнейшем перерабатывается на перерабатывающих предприятиях – заводах.

Если производственные мощности конкретного завода не могут обеспечить прием дополнительного объема сырья, необходимо ограничивать добычу, а в случае переработки конденсата – ограничивать добычу природного газа. Таким образом, качество планирования балансов переработки сырья завода напрямую влияет на обеспечение плановых объемов добычи природного газа.

Но выполнить качественное планирование или моделирование производства достаточно сложно. Без специальных средств этот процесс занимает много времени, результаты имеют невысокую точность и очень сильно зависят от наличия специфических производственных знаний.

Без специальных средств трудно адекватно определить целесообразность тех или иных производственных изменений, таких как корректировка емкости резервуарных парков, мощности установок, производительности трубопроводов илиэстакад отгрузки готовой продукции. Сложности возникают из-за необходимости анализа очень большого объема данных и трудоемкости расчетов.

Для примера, в Западной Сибири предприятие ООО «Газпром переработка» имеет взаимосвязанные между собой два производственных завода и систему трубопроводов (см. рис. 1).

Рисунок 1. Схематическая логистическая сеть ООО «Газпром переработка» в Западной Сибири

Рисунок 1. Схематическая логистическая сеть ООО «Газпром переработка» в Западной Сибири

Все вместе это более 40 производственных установок, сотни резервуаров и десятки резервуарных парков, которые могут хранить разные продукты. Ко всему этому десятки отгрузочных эстакад и трубопроводов с различными ограничениями по пропускной способности.

Один из заводов данной технологической цепочки – Сургутский ЗСК, являющийся одним из крупнейших в Европе. На его мощностях перерабатывается до 12 миллионов тонн сырья в год (см. рис. 2).

Рисунок 2. Схематическая модель перерабатывающего завода

Рисунок 2. Схематическая модель перерабатывающего завода

Кроме большого количества элементов производственной цепочки, собственно сложности расчета каждого элемента, сложность возникает и при компаундировании некоторых видов продукции, например, автобензинов.

Рецептура бензинов включает в себя около шести различных компонентов. Каждый компонент имеет свои определенные характеристики, такие как октановое число, плотность, давление насыщенных паров, содержание серы иароматических углеводородов. Пропорция содержания каждого компонента бензина обычно допускается в широких пределах. Каждый компонент имеет определенную стоимость и доступное количество. При этом необходимо соблюдение показателей качества готового продукта, ее физических характеристик, а также обеспечение минимальной себестоимости и максимального объема производства. При отсутствии специальных средств составление оптимальной рецептуры бензина является достаточно сложной задачей.

Другую проблему представляет неравномерная поставка сырья на переработку. Это приводит к тому, что возникают отклонения от средней загрузки, которые могут привести к перегрузкам (см. рис. 3). Расчет посуточных планов требует значительных затрат времени и человеческих ресурсов.

Рисунок 3. Загрузка установки при неравномерной поставке сырья

Рисунок 3. Загрузка установки при неравномерной поставке сырья

Суммируя вышесказанное, можно сделать два вывода: квалифицированное планирование – залог выполнения планов не только по переработке и отгрузке поступающего сырья, но и планов по добыче газа.

Для решения проблемы качественного планирования коллективом авторов разработана архитектура системы имитационного оптимизационного планирования.

Проблематика. Решение

Система представляет собой два крупных блока – блок моделирования логистической цепочки и блок моделирования материальных балансов.

Блок моделирования логистической цепочки использует оптимизационный алгоритм для нахождения решения системы линейных уравнений. Для поиска оптимального решения применяется симплекс-метод. В результате расчетов сприменением симплекс-метода для такой модели мы всегда получим в результате выполнимый и оптимальный план производства и транспортировки.

В блоке создается виртуальная модель логистической цепочки. Модель полностью виртуальная, ее можно изменять по желанию с целью улучшить производство, оценить целесообразность каких-либо изменений. Расчеты производственных планов производятся в этом блоке с использованием оптимизационного алгоритма.

Для корректного расчета логистической цепочки необходимо указать, какую и сколько продукции можно получить, подав на установку тонну сырья. Для качественного определения материального баланса для каждой производственной установки требуется моделирование технологических процессов на этой установке.

Для того чтобы выполнить такой расчет в качестве входных параметров, помимо технических характеристик объектов, также для каждой производственной установки необходимо задать ее материальный баланс.

Материальный баланс установки можно выразить как уравнение следующего вида:

F1 + F2 + ... + Fn = G1 + G2 + G3 + ... + Gn-1 + Gn + L

где:

  • Fn – входящие на установку в качестве сырья потоки;
  • Gn – выходящие с установки потоки;
  • L – потери.

Моделирование технологических процессов – это отдельный функциональный блок в системе, который работает в тесном взаимодействии с блоком моделирования логистической цепочки. В этом блоке непосредственно происходит определение оптимальных материальных балансов для установок и для заданного фракционного состава поступающего сырья. Далее эта информация используется для расчетов производственных планов.

Описание блока моделирования технологических процессов

До недавнего времени, а на некоторых перерабатывающих предприятиях до сих пор, для планирования материального баланса переработки используется расчет от факта предыдущих периодов. При этом расчет баланса производит технически грамотный специалист с большим опытом выполнения данной работы, который на основании своих знаний технологических процессов, а также инженерной интуиции формирует план переработки.

Очевидно, что такой метод не может быть достаточно точным по определению, его точность тем ниже, чем больше неопределенностей во входных параметрах используемых процессов, больше процессов и ниже уровень подготовки специалиста службы планирования переработки, из чего можно сделать вывод: указанный подход к планированию переработки не является оптимальным. Необходимо создание моделей производственных объектов, позволяющих учитывать все значимые производственные факторы, оказывающие влияние на балансы переработки.

Для понимания того, каким образом можно наиболее эффективно моделировать технологические процессы переработки углеводородного сырья, следует пояснить, какие процессы вообще бывают.

Для этого необходимо внести пояснение: углеводородное сырье, поступающее на переработку, состоит из отдельных компонентов, каждый из которых обладает определенными свойствами, в том числе температурой кипения, характеризующей температуру, при которой данный компонент начинает переходить в газовую фазу. При разделении исходного сырья на целевые продукты, ввиду практической сложности разделения сырья на отдельные компоненты, оно разделяется на группы компонентов – фракции, характеризующиеся близкими температурами кипения и нужными физико-химическими свойствами.

В целом процессы переработки углеводородного сырья можно подразделить на две группы: первичные и вторичные процессы.

Первичные процессы переработки – процессы, при которых производится разделение поступающего сырья на отдельные фракции. При разделении сырья на фракции происходят практически только физические процессы. Материальный баланс процесса зависит в основном от аппаратурного оформления процесса – используемого оборудования и качества входящего сырья.

Вторичные процессы переработки – процессы, при которых, кроме процессов разделения сырья на отдельные фракции, происходят химические превращения компонентов исходного с образованием новых компонентов. Такие процессы являются более сложными, материальный баланс и качество получаемой продукции зависит не только от аппаратурного оформления, но и от применяемых реагентов, катализаторов, особых условий процесса.

Первичные процессы в настоящее время хорошо изучены и при наличии качественных и полных исходных данных моделируются с высокой точностью. Используемые модели ранжируются по сложности от моделей, учитывающих максимальное количество факторов процесса «термодинамических моделей», до простейших – имитационных моделей, основанных на статистических данных. Для практических целей подходят как термодинамические, так иимитационные, при этом последние являются более простыми в реализации.

В то же время вторичные процессы, являясь более сложными, могут быть смоделированы только с использованием «термодинамических моделей», учитывающих химизм процессов, взаимные преобразования компонентов в процессе.

Таким образом, первичные процессы можно моделировать с использованием упрощенных имитационных моделей, а вторичные только с использованием «термодинамических моделей».

Имитационные модели такого рода представляют собой специально обработанные статистические данные о работе каждого отдельного производственного процесса, выраженные в функциях отбора компонентов. Для построения такого рода моделей процесс разбивается на ступени разделения, каждая из которых имеет только один вход и два выхода (см. рис. 4).

Рисунок 4. Схема построения моделей имитационного моделирования

Рисунок 4. Схема построения моделей имитационного моделирования

При анализе его работы собираются данные о качестве сырья, продукции во всем диапазоне допустимых режимов работы оборудования.

Такого рода модели характеризуются относительной простотой и уже существуют на базе электронных таблиц с использованием специально разработанных макропроцедур. Такое построение моделей позволяет переносить их на сходную технологическую платформу, в нашем случае на SAP BI, с использованием языка APO.

Что касается процессов вторичной переработки, то модели таких процессов самостоятельно создавать нецелесообразно ввиду их высокой сложности, затраты на самостоятельное создание таких моделей скорее всего превысят стоимость существующих решений и могут не дать ожидаемый результат. Кроме того, на рынке существуют программные продукты, которые позволяют моделировать вторичные процессы с высокой достоверностью. Указанные программные продукты позволяют интеграцию с внешними системами, что дает возможность вести построение материальных балансов вторичной переработки с использованием сторонних программ с дальнейшим экспортом результатов в SAP BI.

Расчеты процессов первичной и вторичной переработки можно объединить в один блок – блок расчета материальных балансов.

Описанный подход к моделированию процессов совместно с блоком моделирования логистической сети позволяет выстроить следующую схему системы (см. рис. 5).

Рисунок 5. Схема архитектуры системы

Рисунок 5. Схема архитектуры системы

Вместе блоки моделирования логистической цепочки и расчета материальных балансов процессов переработки позволяют полностью в виртуальности составить производственную цепочку любой сложности, которая будет включать сырьевые месторождения, трубопроводы для транспортировки сырья, заводы для переработки, резервуарные парки для хранения сырья и продукции, наливные эстакады для отгрузки продукции разными способами. Все эти объекты будут учтены со своими характеристиками, такими как объем сырья для месторождений, пропускная способность для труб и эстакад, мощность переработки для установок, емкость хранения для резервуарных парков.

В настоящее время имитационные модели процессов первичной переработки созданы и эксплуатируются на базе электронных таблиц Microsoft Excel в связке с VBA.

Блок моделирования логистической цепочки на системах SAP APO и SAP BI эксплуатируется на производстве с 2013 года. Ведется проработка вопросов, связанных с переносом имитационных моделей первичной переработки на базу SAP BI.

Ведется анализ рынка производителей продуктов, с использованием которых можно осуществить моделирование процессов вторичной переработки.

В целом же данная система после ввода ее в эксплуатацию позволит на основании имеющихся данных об объемах и качестве сырья, требуемой номенклатуре продукции, составе и схеме производственной цепочки получить точный план переработки и транспортировки, рассчитать оптимальные рецептуры смешивания автомобильных бензинов, получить надежный инструмент планирования работы новых заводов.

Вывод

Для дочерних обществ система позволит разрабатывать обоснования для проектирования новых производств. В виртуальную модель можно добавить любой новый объект. Важен также поиск узких мест на производстве – в виртуальной модели можно легко определить, где следует расширить мощности, а где они лишние. Преимущества для материнской компании тоже налицо. Не потребуется детального знания конкретного производства на филиале, чтобы проводить производственные расчеты. Доступно моделирование выпуска готовой продукции с изменяемыми входными параметрами, такими как объем сырья. Повышается прозрачность сквозного управления бизнес-процессом «сверху-вниз». Снижаются производственные риски и их возможное влияние на другие виды деятельности.

Ключевые слова: ИТ-система, оптимизация, инновации, управление производством.


Imitation and optizimation planning IT system for continuous cycle process production manufacture

Anishchenko D.I., senior engineer of automated production controlling systems in the functional support department of enterprise informational management system, «Gazprom peperabotka» LLC, AnishchenkoDI@gpp.gazprom.ru

Ovsyankin M.V., chief of the department of analytical monitoring and prognosis, «Gazprom pererabotka» LLC, OvsyankinMV@gpp.gazprom.ru

Summary: The article is about creating imitation and optimization planning IT system with virtual production modelling functionality closest to reality. The system is intended for use in oil and gas process production manufacture following the example of «Gazprom-pererabotka» LLC. Nowadays the demands for innovation methods of production management are determined by growing «Gazprom» OSC needs of effectivity, productivity, and growing global competition.

Keywords: IT-system, optimization, innovation, production management


Комментарии отсутствуют

Добавить комментарий

Комментарии могут оставлять только зарегистрированные пользователи

               Copyright © Системный администратор

Яндекс.Метрика
Tel.: (499) 277-12-41
Fax: (499) 277-12-45
E-mail: sa@samag.ru