Search academic texts

Registration Number

0825U002580, PhD dissertation

Status

Доктор філософії, 151, Автоматизація та комп’ютерно-інтегровані технології

Date

popup.evolution

o

Title

Automated system for monitoring ethanol and bioethanol production processes based on virtual control tools

Author

Oleksandr S. Omelchenko,

popup.head Nataliia M. Lutska
popup.opponent Andrii L. Perekrest
popup.opponent Taras H. Bahan
popup.review Victor M. Sidletskyi
popup.review Andrii O. Moshenskyi

Description

Робота присвячена підвищенню ефективності системи автоматизованого моніторингу та керування технологічними процесами спиртової промисловості, зокрема виробництва спирту та біоетанолу шляхом використання віртуальних інструментів контролю. В першому розділі на основі аналізу наукової літератури розглянуті особливості технологічних процесів виробництва спирту та біоетанолу, ключові проблеми автоматизації та перспективи впровадження інновацій Індустрії 4.0. Відповідно до виявлених оптимізаційних проблем здійснено постановку задач дослідження, що включає розробку математичних моделей, синтез віртуальних сенсорів та автоматизованої інтелектуальної системи керування процесами спирту та біоетанолу. У другому розділі проведено системний аналіз технологічних відділень спиртового виробництва та розроблено прикладну онтологію математичних моделей, у межах якої досліджено використання віртуальних сенсорів для моніторингу технологічних змінних з урахуванням відповідності існуючих моделей до поставлених задач дослідження. Запропоновано алгоритм на основі Gaussian Mixture Model для виявлення ознак нестабільності технологічних процесів в реальному часі. У третьому розділі використано NARX-моделі для прогнозування невимірюваних змінних, що дозволило пояснити 99% варіацій цільової змінної при прогнозуванні концентрації етанолу. Було досліджено вплив зміни гіперпараметрів NARX-моделей на їх продуктивність. Також було виконано порівняння методів XGBoost, Decision Tree, Gradient Boosting, RNN та NARX для моніторингу роботи та компенсації відмови сенсорів. Зокрема: • моделювання датчика витрати бражки із точністю R²=0,96; • моделювання тиску в колоні бражки із точністю R²=0,98; • передбачення температурного сенсора із точністю R²=0,972. Розроблено алгоритми оптимізації режимів роботи бродильного відділення з використанням дерев регресії для пошуку оптимальних налаштувань відповідно до поставленої оптимізаційної задачі, що дозволило підвищити вихід етанолу на 8,4% або скоротити час бродіння на 12,2%. У четвертому розділі реалізовано інтелектуальну систему керування з використанням методів Reinforcement learning. Найкращі результати показав агент Soft Actor-Critic (Entropy weight 1), що забезпечив високу точність регулювання (<0,1%), низьку динамічну похибку (21–26% від цільового значення) і найменшу сумарну помилку за інтегрально-квадратичним критерієм. Було запропоновано архітектуру автоматизованої системи моніторингу з використанням віртуальних сенсорів і програмно-технічних комплексів Unity Pro, Node-RED, InfluxDB, Grafana та інструментів машинного навчання. Запропонована архітектура забезпечує інтеграцію віртуальних інструментів у виробничу систему та обмін інформацією в реальному часі. Наукова новизна роботи полягає в розробці нової концепції автоматизованої системи моніторингу та керування виробничими процесами спирту та біоетанолу на основі віртуальних інструментів контролю. Запропоновано онтологічну структуру моделей із включенням віртуального сенсора як ключового елемента для прийняття рішень. В роботі знайшли подальший розвиток системи моніторингу та автоматизованого керування технологічними процесами виробництва спирту та біоетанолу, що засновані на використанні віртуальних сенсорів і математичних моделях, які здійснюють аналіз стабільності процесів, прогнозування та ідентифікацію ключових параметрів на основі супутніх змінних, оптимізацію режимів та інтелектуальне управління. Вперше сформовано онтологічну структуру математичних моделей технологічних процесів із включенням віртуального сенсора як ключового елемента, яка слугує інструментом підтримки прийняття рішень під час вибору адекватних моделей, забезпечує цілісний підхід до їх класифікації та аналізу, скорочує час пошуку релевантних рішень і полегшує інтеграцію нових знань у наявні системи моделювання. Практичне значення отриманих результатів полягає у створенні ефективних інструментів підтримки прийняття рішень і підвищення надійності виробництва спирту та біоетанолу. Розроблена онтологія математичних моделей забезпечує зручну структуризацію знань та швидкий доступ до релевантних підходів моделювання. Модель класифікації дозволяє оперативно оцінювати стабільність процесів в реальному часі, виявляючи нестабільність на ранніх етапах. Застосування машинного навчання для передбачення невимірюваних змінних підвищує інформаційну обізнаність про стан об'єкта та дозволяє зменшити технологічні втрати. Оптимізаційні алгоритми забезпечують гнучке налаштування режимів відповідно до зміни сировини. Інтелектуальна система керування на основі RL-агентів забезпечує високу точність регулювання і стабільність роботи обладнання. Отримані результати знайшли практичне застосування в освітньому процесі кафедри автоматизації та комп’ютерних технологій систем управління ім. проф. А.П. Ладанюка та в умовах виробництва на «Марилівському спиртовому заводі», що підтверджує їхню прикладну цінність.

popup.nrat_date

2025-07-02