Автоматизована система моніторингу процесів виробництва спирту та біоетанолу на основі віртуальних інструментів контролю

Abstract

Робота присвячена підвищенню ефективності автоматизованого моніторингу та керування технологічними процесами спиртової промисловості, зокрема виробництва спирту та біоетанолу шляхом використання віртуальних інструментів контролю. В першому розділі розглянуті особливості технологічних процесів виробництва спирту та біоетанолу, ключові проблеми автоматизації та перспективи впровадження інновацій Індустрії 4.0. Проаналізовано сучасні підходи та літературні джерела щодо віртуальних інструментів контролю, зокрема цифрових двійників та віртуальних аналізаторів. Зроблено висновки про наявність оптимізаційних проблем в спиртовому виробництві пов’язаних зі складним та комплексним характером біологічних та хімічних процесів, які важко чи дорого вирішити класичними засобами автоматизації, проте які можуть бути вирішені впровадженням віртуальних засобів контролю. Здійснено постановку задач дослідження, що включає розробку математичних моделей для опису основних технологічних процесів, синтез віртуальних сенсорів технологічних змінних та автоматизованої інтелектуальної системи керування процесами спирту та біоетанолу. В другому розділі проведено системний аналіз технологічних відділень спиртового виробництва, розроблено прикладну онтологію математичних моделей у межах якої досліджено використання віртуальних сенсорів для моніторингу технологічних змінних з урахуванням відповідності існуючих 3 моделей до поставлених задач дослідження. Згідно результатів було виділено список задач, що можуть бути вирішені з використанням віртуальних інструментів. Проведено статистичний аналіз даних роботи дистиляційного відділення для виявлення закономірностей, що можуть бути використані в класифікаційних задачах. Розроблено та протестовано на виробничих даних механізм на основі методу Gaussian Mixture Model для оцінки стабільності системи в реальному часі, що дає змогу виявляти ознаки нестабільності на ранніх етапах і мінімізувати пов’язані технологічні витрати. В третьому розділі здійснено передбачення невимірюваних показників з використанням NARX-моделей, досліджено вплив зміни гіперпараметрів NARX-моделей на їх продуктивність та розглянуто бібліотеки для автоматизованого підбору їх налаштувань. Відповідно до отриманих результатів, NARX-модель змогла пояснити 99% варіацій цільової змінної при прогнозуванні концентрації етанолу. Проведено порівняння ефективності інтелектуального моніторингу динамічних процесів на основі віртуальних сенсорів у дистиляційному відділенні спиртового виробництва за допомогою методів XGBoost, Decision Tree, NARX, Gradient Boosting та RNN. Моделювання підтвердило можливість компенсації функціоналу сенсорів у разі їхньої відмови або виходу з ладу, що забезпечує безперервність автоматизованого керування процесом. Зокрема: - моделювання витрати бражки на основі показників інших сенсорів дозволило компенсувати відмову датчика витрати з коефіцієнтом детермінації R²=0,96; - прогнозування тиску в колоні концентрації за відсутності даних від датчика тиску здатне пояснити 98% цільової змінної, що підтверджує можливість підтримки стабільної роботи системи при відмові відповідного сенсора; - компенсація відмови датчика температури дозволила пояснити 97,2% варіації цільової змінної, що підтверджує ефективність моделі для інтелектуального моніторингу в режимі реального часу. 4 Розроблено алгоритми для оптимізації режимів роботи бродильного відділення на основі моделі методами дерев регресії, для пошуку оптимальних налаштувань режимів процесу відповідно до поставленої задачі оптимізації. Запропоновані алгоритми дозволяють збільшити вихід етанолу в середньому на 8.4%, або зменшити час бродіння на 12,2%. В четвертому розділі розроблено автоматизовану інтелектуальну систему керування з використанням методів Reinforcement learning, яка забезпечує стабільне регулювання в нестаціонарних процесах спиртового виробництва, де ПІ-регулятор не здатний забезпечити достатньої точності підтримування заданих значень та якісні перехідні процеси, внаслідок змін об’єкта та середовища спричинених типовими виробничими змінами, такими як забруднення, старіння обладнання або коливання температури середовища чи складу сировини. Найкращі результати при змінах параметрів дистиляційної колони продемонстрував Soft Actor-Critic агент з Entropy weight 1 забезпечивши високу точність. Розроблено концептуальну структуру автоматизованої системи моніторингу та керування технологічними процесами виробництва спирту та біоетанолу з використанням віртуальних інструментів контролю. Також розроблено архітектуру автоматизованої системи моніторингу виробництвом спирту та біоетанолу з використанням віртуальних сенсорів та запропоновано її реалізацію з використанням програмно-технічних комплексів Unity Pro, NodeRED і хмарних інструментів InfluxDB, Grafana, Grafana Machine Learning. Запропонована архітектура дозволяє впроваджувати віртуальні інструменти в структуру виробничої системи та забезпечує обмін виробничою інформацією. Наукова новизна роботи полягає в розробці нової концепції автоматизованої системи моніторингу та керування виробничими процесами спирту та біоетанолу на основі віртуальних інструментів контролю. 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. Запропонований підхід дозволяє ефективно реагувати на змінну динаміку технологічних процесів і варіативність характеристик вхідної сировини, мінімізувати вплив людського фактора, підвищити точність прийняття рішень, зменшити енерговитрати та покращити якість кінцевої продукції, що забезпечує стійкість і адаптивність виробництва. 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. Подальшого розвитку набули методи створення віртуальних сенсорів із використанням машинного навчання для оцінки й прогнозування ключових змінних у динамічних системах, що дозволяє підвищити надійність контролю, виявляти збої у роботі реальних сенсорів, компенсувати втрати даних і тим самим забезпечити вищий рівень інформаційної обізнаності, стабільності та енергоефективності процесів. Крім того, розроблено інтелектуальну систему керування дистиляційною колоною, яка вперше реалізує підхід підкріплювального навчання для стабілізації концентрацій цільових компонентів у продуктах розділення, забезпечуючи адаптивне управління технологічними змінними в реальному часі, швидке реагування на збурення та коливання параметрів, що сприяє підвищенню якості продукції та стабільності функціонування в умовах невизначеності. Практичне значення отриманих результатів полягає у створенні ефективних інструментів підтримки прийняття рішень і підвищення надійності функціонування технологічних систем виробництва спирту та біоетанолу. Розроблена онтологія математичних моделей технологічних процесів забезпечує зручну структуризацію знань, швидкий доступ до релевантних підходів моделювання та полегшує вибір відповідних моделей для конкретних виробничих завдань. Запропонована модель класифікації дозволяє оперативно оцінювати стабільність функціонування виробничих процесів в реальному часі, виявляючи ознаки нестабільності на ранніх етапах і знижуючи пов’язані технологічні втрати. Застосування моделей машинного навчання для передбачення невимірюваних змінних і впровадження інтелектуального моніторингу сприяє підвищенню інформаційної обізнаності про стан об’єкта, надає змогу контролювати справність сенсорів та компенсувати втрати даних у разі їх відмови. Оптимізаційні алгоритми, що базуються на математичних моделях процесів, забезпечують можливість гнучкого налаштування технологічних режимів відповідно до зміни вхідної сировини та досягнення заданих виробничих цілей. Інтелектуальна система керування дистиляційною колоною на основі RL-агентів дає змогу забезпечити високу точність регулювання і стабільність роботи обладнання в умовах варіативності параметрів процесу. Розроблена архітектура автоматизованої системи керування з інтегрованими віртуальними сенсорами підвищує ефективність інформаційної взаємодії та забезпечує гнучкість виробничих структур. Отримані результати знайшли практичне застосування як у вигляді методичних підходів до створення віртуальних сенсорів для харчової промисловості в освітньому процесі кафедри автоматизації та комп’ютерних технологій систем управління ім. проф. А.П. Ладанюка, так і в умовах реального виробництва на «Марилівському спиртовому заводі», що підтверджує їхню прикладну цінність і ефективність. The study is dedicated to enhancing the efficiency of automated monitoring and control of technological processes in the ethanol industry, particularly in the production of ethanol and bioethanol, through the use of virtual control tools. 11 In the first chapter, the features of technological processes in ethanol and bioethanol production, key automation challenges, and prospects for implementing Industry 4.0 innovations are examined. Modern approaches and literature sources regarding virtual control tools, including digital twins and virtual analyzers, are analyzed. Conclusions are drawn about the presence of optimization challenges in ethanol production related to the complex and intricate nature of biological and chemical processes, which are difficult or costly to address with classical automation methods but can be resolved by implementing virtual control tools. The research objectives are formulated, including the development of mathematical models to describe key processes, analysis of methods for predicting the dynamics of technological parameter changes, and evaluation of the effectiveness of proposed approaches for optimizing the control of ethanol and bioethanol production processes. In the second chapter, a systemic analysis of technological units in ethanol production is conducted, and an applied ontology of mathematical models is developed, within which the use of virtual sensors for monitoring technological processes is studied, taking into account the suitability of existing models for the research objectives. Based on the results, a list of tasks that can be addressed using virtual tools is identified. A statistical analysis of the distillation unit’s operational data was conducted to identify patterns suitable for classification tasks. A Gaussian Mixture Model-based mechanism was developed and validated using production data to monitor system stability in real time, allowing for the early detection of instability indicators and the reduction of related technological expenses. In the third chapter, prediction of unmeasurable parameters is carried out using NARX models, the impact of NARX model hyperparameter variations on their performance is investigated, and libraries for automated tuning of their settings are explored. According to the obtained results, the NARX model was able to explain 99% of the variations in the target variable when predicting ethanol concentration. A comparison of the effectiveness of intelligent monitoring of dynamic processes in the distillation unit of ethanol production is conducted using XGBoost, Decision Tree, NARX, Gradient Boosting, and RNN methods. Modeling confirmed the possibility of 12 compensating for sensor functionality in case of their failure or malfunction, ensuring the continuity of automated process control. Specifically: • modeling the mash flow rate based on the readings of other sensors allowed compensation for the failure of the flow sensor with a coefficient of determination R² = 0.96; • forecasting the pressure in the concentration column in the absence of data from the pressure sensor was able to explain 98% of the target variable, confirming the possibility of maintaining stable system operation in case of the respective sensor failure; • compensation for the failure of the temperature sensor enabled explaining 97.2% of the variation in the target variable, confirming the model’s effectiveness for intelligent real-time monitoring. Algorithms have been developed for optimizing the operating modes of the fermentation section based on regression tree models, aimed at finding optimal process settings according to the optimization task at hand. The proposed algorithms enable an average increase in ethanol yield by 8.4% or a reduction in fermentation time by 12.2%. Chapter four presents the development of an automated intelligent control system based on Reinforcement Learning methods, which ensures stable regulation in nonstationary processes in ethanol production. In cases where a conventional PI controller fails to maintain setpoints and generate high-quality transient responses due to changes in the process or environment (e.g., contamination, equipment aging, ambient temperature fluctuations, or variations in raw material composition), the proposed system offers a robust alternative. Among various agents, the Soft Actor-Critic (SAC) agent with Entropy weight 1 demonstrated superior performance under varying distillation column parameters, achieving high control accuracy. A conceptual structure of an automated system for monitoring and controlling technological processes in the production of ethanol and bioethanol using virtual control instruments has been developed. An architecture for an automated monitoring 13 system for ethanol and bioethanol production was also developed, integrating virtual sensors and implemented using software and hardware platforms such as Unity Pro, Node-RED, and cloud-based tools (InfluxDB, Grafana, Grafana Machine Learning). The proposed architecture enables the incorporation of virtual instruments into the production system and facilitates real-time exchange of production data. The scientific novelty of the work lies in the development of a new concept for an automated monitoring and control system for ethanol and bioethanol production processes based on virtual control instruments. The study significantly advances systems for monitoring and automated control of technological processes through the application of virtual sensors and mathematical models that enable process stability analysis, parameter prediction and identification, operational optimization, and intelligent control. This approach allows for effective response to dynamic process variability and raw material fluctuations, minimizes human error, enhances decisionmaking accuracy, reduces energy consumption, and improves product quality— thereby ensuring production resilience and adaptability. For the first time, an ontological structure of mathematical models for technological processes has been formulated, incorporating the virtual sensor as a core element. This structure serves as a decision support tool in model selection, enabling a comprehensive classification and analysis approach, reducing the time required to find relevant solutions, and facilitating the integration of new knowledge into existing modeling systems. The study further develops methods for creating virtual sensors using machine learning to estimate and predict key variables in dynamic systems. This enhances control reliability, enables detection of real sensor faults, and compensates for data loss—thereby improving situational awareness, process stability, and energy efficiency. Additionally, an intelligent control system for a distillation column has been developed. It is the first to implement a reinforcement learning-based approach for stabilizing the concentrations of target components in separation products. This system provides adaptive real-time control of technological variables, rapid disturbance response, and parameter fluctuation management—contributing to higher product quality and system stability under uncertainty. 14 The practical significance of the obtained results lies in the creation of effective decision support tools and increased reliability of technological systems in ethanol and bioethanol production. The developed ontology of mathematical models offers structured knowledge representation, quick access to relevant modeling approaches, and facilitates model selection for specific production tasks. The proposed classification model enables real-time assessment of production process stability, early detection of instability symptoms, and reduction of associated technological losses. The application of machine learning models for predicting unmeasured variables and implementing intelligent monitoring enhances awareness of system conditions, allows for sensor integrity checks, and compensates for data loss in case of sensor failure. Optimization algorithms based on mathematical process models enable flexible tuning of technological regimes according to raw material variations and production goals. The reinforcement learning-based intelligent control system for the distillation column ensures high regulation accuracy and equipment stability under varying process parameters. The developed automated control system architecture with integrated virtual sensors improves information interaction efficiency and provides flexibility in production structures. The results have found practical application both in educational settings — as methodological approaches to creating virtual sensors for the food industry at the Department of Automation and Computer-Integrated Control Systems named after Prof. A.P. Ladanyuk — and in real industrial conditions at Marylivsky Distillery, confirming their practical value and effectiveness.