Нелінійне предиктивне управління процесом каталітичного риформінгу на основі гібридної моделі (укр.)

Автор(и)

  • Віталій Степанович Цапар Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» , Україна image/svg+xml https://orcid.org/0000-0002-8347-7941
  • Сергій Михайлович Ткачук Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» , Україна image/svg+xml https://orcid.org/0009-0002-4013-8875
  • Вадим Валерійович Бондар Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» , Україна image/svg+xml https://orcid.org/0009-0000-3320-4550

DOI:

https://doi.org/10.20535/2617-9741.1.2026.354345

Ключові слова:

каталітичний риформінг, предиктивне управління, нелінійна оптимізація, гібридна модель, нейронна мережа, машинне навчання, soft-сенсор, CasADi

Анотація

Досліджено проблему підвищення ефективності управління процесом каталітичного риформінгу з безперервною регенерацією каталізатора (CCR). Актуальність роботи зумовлена тим, що традиційні системи управління на основі ПІД-регуляторів не забезпечують оптимальної роботи установки через значну інерційність процесу, транспортні затримки, нелінійність характеристик та змінність параметрів внаслідок дезактивації каталізатора. Метою роботи є розробка системи нелінійного предиктивного управління (NMPC) на основі гібридної моделі, що поєднує фізичну кінетичну модель процесу з нейромережевим компонентом для корекції похибок прогнозування.

Розроблено комплексну математичну модель процесу CCR-риформінгу, що включає кінетичну модель з 8 псевдокомпонентами та 12 реакціями, модель дезактивації каталізатора та модель розрахунку октанового числа за адитивною формулою. Запропоновано архітектуру гібридної моделі з послідовною інтеграцією компонентів, де нейромережа типу багатошарового персептрона (MLP) з двома прихованими шарами (64 та 32 нейрони) компенсує систематичні похибки фізичної моделі. Гібридна модель забезпечує підвищення точності прогнозування октанового числа на 25% порівняно з базовою фізичною моделлю.

Синтезовано систему NMPC з квадратичною функцією цілі, що мінімізує відхилення керованих змінних від завдання та штрафує різкі зміни керуючих впливів. Задача оптимізації включає обмеження на діапазон температур, тиск та швидкість зміни керуючих впливів. Для програмної реалізації використано мову Python з бібліотеками CasADi для символьних обчислень та автоматичного диференціювання, IPOPT для розв'язання задачі нелінійного програмування методом внутрішньої точки. Реалізовано механізм адаптації моделі для компенсації дрейфу внаслідок дезактивації каталізатора.

Результати імітаційного моделювання для установки потужністю 1,5 млн т/рік підтверджують переваги розробленої системи NMPC: зниження середньої абсолютної похибки октанового числа на 57 % порівняно з PID-управлінням та на 36 % порівняно з лінійним MPC; скорочення часу перехідних процесів у 2,8 рази; зниження максимального відхилення при збуреннях складу сировини на 63%. Практичне значення роботи полягає у можливості застосування розроблених алгоритмів для підвищення ефективності управління промисловими установками CCR-риформінгу.

Біографії авторів

Віталій Степанович Цапар, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Кандидат технічних наук, доцент, завідувач кафедри технічних та програмних засобів автоматизації Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського»

Сергій Михайлович Ткачук, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Аспірант кафедри технічних та програмних засобів автоматизації Національного технічного університету України « Київський політехнічний інститут імені Ігоря Сікорського»

Вадим Валерійович Бондар, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Аспірант кафедри технічних та програмних засобів автоматизації Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського»

Посилання

Qin, s. Joe & Badgwell, Thomas. (2003). A Survey of Industrial Model Predictive Control Technology. Control engineering practice. 11. 733-764. DOI:10.1016/S0967-0661(02)00186-7

Rawlings, J. & Mayne, D.Q. & Diehl, Moritz. (2017). Model Predictive Control: Theory, Computation, and Design.

Li, Jin & Tan, Yuejin & Liao, Liangcai. (2005). Modeling and optimization of a semi-regenerative catalytic naphtha reformer. 867 - 872. DOI:10.1109/CCA.2005.1507238.

Rahimpour, M. R. & Jafari, Mitra & Iranshahi, Davood. (2013). Progress in catalytic naphtha reforming process: A review. Applied Energy. 109. 79–93. DOI:10.1016/j.apenergy.2013.03.080.

Argyle, Morris & Bartholomew, Calvin. (2015). Heterogeneous Catalyst Deactivation and Regeneration: A Review. Catalysts. 5. 145-269. DOI:10.3390/catal5010145.

von Stosch, Moritz & Oliveira, Rui & Peres, Joana & Feyo de Azevedo, Sebastião. (2014). Hybrid semi-parametric modeling in process systems engineering: Past, present and future. Computers & Chemical Engineering. 60. 86-101. DOI:10.1016/j.compchemeng.2013.08.008.

Примиська, С., Абрамова, А., & Складанний, Д. (2025). Інтеграція штучного інтелекту в системи автоматизації промислових процесів. КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, (58), 12-20. https://doi.org/10.36910/6775-2524-0560-2025-58-02

Ковалюк, Д. О., Ковалюк, О. О., & Малішевський, В. С. (2024). Реалізація систем контролю якості продукції на основі машинного зору та web-технологій. Вісник НТУУ “КПІ імені Ігоря Сікорського”. Серія: Хімічна інженерія, екологія та ресурсозбереження, (1), 28–34. https://doi.org/10.20535/2617-9741.1.2024.300980

Schweidtmann, Artur & Esche, Erik & Fischer, Asja & Kloft, Marius & Repke, Jens-Uwe & Sager, Sebastian & Mitsos, Alexander. (2021). Machine Learning in Chemical Engineering: A Perspective. Chemie Ingenieur Technik. 93. DOI:10.1002/cite.202100083.

Andersson, Joel & Gillis, Joris & Horn, Greg & Rawlings, James & Diehl, Moritz. (2018). CasADi: a software framework for nonlinear optimization and optimal control. Mathematical Programming Computation. DOI:11. 10.1007/s12532-018-0139-4.

##submission.downloads##

Опубліковано

2026-03-15

Як цитувати

Цапар, В. С., Ткачук, С. М., & Бондар, В. В. (2026). Нелінійне предиктивне управління процесом каталітичного риформінгу на основі гібридної моделі (укр.). Вісник НТУУ “КПІ імені Ігоря Сікорського”. Серія: Хімічна інженерія, екологія та ресурсозбереження, (1), 40–52. https://doi.org/10.20535/2617-9741.1.2026.354345

Номер

Розділ

АВТОМАТИЗАЦІЯ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ