Kuv_2022_MS_13_Recons_авг (1)

Содержание

Слайд 2

Анализ данных, поступающих из систем измерения. Согласование данных

Анализ данных, поступающих из систем измерения. Согласование данных

Слайд 3

Материальный баланс

Лука Пачоли (годы жизни 1445г. – 1517г.) – математик из Италии, имя

Материальный баланс Лука Пачоли (годы жизни 1445г. – 1517г.) – математик из
которого стало известно с момента обнаружения профессором математики Лючини в 1869 году в Миланском университете на забытых полках библиотеки известного на сегодняшний день каждому бухгалтеру Трактата о счетах и записях. Ссылка на сайт: https://buhbook.net/buhgalterskij-uchet/istoriya-buhgalterskogo-ucheta/luka-pacholi-biografiya-osnovatelya-buhgalterskogo-ucheta-1445g-19-iyunya-1517g/

Примеры. Системы согласования баланса в промышленности (в нефтяной, пищевой, фармацевтической, распределение воды для снабжения городов, энергетика)

Под материальным балансом понимается концепция описания, основанная на законе сохранения масс, согласно которой извлечённая масса равна сумме изменения первоначальной и привнесённой в динамическую систему массы

Слайд 4

Составление уравнений массового баланса

Пример - водоснабжение, энергетика
Погрешности измерений – з-н сохранения массы

Составление уравнений массового баланса Пример - водоснабжение, энергетика Погрешности измерений – з-н сохранения массы не выполняется
не выполняется

Слайд 5

F1 - F2 - F3 = 0 ; (1)
F2 - F4

F1 - F2 - F3 = 0 ; (1) F2 - F4
= 0;
F3 - F5 = 0;
F4 + F5 – F6 = 0;

1 -1 -1 0 0 0
0 1 0 -1 0 0
0 0 1 0 -1 0 (2)
0 0 0 1 1 -1

A=

Пример составления уравнения баланса

Слайд 6

Согласование (сведение) уравнений массового баланса

В англоязычной литературе термин “data reconciliation” переводится как

Согласование (сведение) уравнений массового баланса В англоязычной литературе термин “data reconciliation” переводится
согласование данных и используется для математического обозначения термина сведение массового (материального) баланса. Основной целью согласования данных является вычисление так называемых истинных (согласованных) значений потоков и вычисление грубых ошибок измерений (“gross error detection”). Согласование производится на основе уравнений массового баланса и при этом должно соблюдаться правило минимума разницы (коррекции) между измеренными и согласованными величинами.

Пусть измеренное значение потока равно x0, а x будет истинное (реальное) значение потока, тогда:
x0 = x +ɛ, (3)
где ɛ – ошибка измерения.
Согласно правилу минимума разницы (коррекции) между измеренными и согласованными величинами можно потребовать, чтобы разница между измеренными и согласованными величинами в квадрате была минимальной (метод наименьших квадратов)

Слайд 7

На вход поступил 2 потока, измеренная масса x01 = 80 и x02

На вход поступил 2 потока, измеренная масса x01 = 80 и x02
=30, на выходе
x03 =100.

Уравнение материального баланса вход-выход для измеренных величин
не выполняется, дебаланс d=10.
Требуется определить согласованные значения x , для которых выполняется закон сохранения масс и минимизируется некая целевая функция

Пример согласования данных, дебаланс

Слайд 8

Количество измерителей
Неизмеряемые потоки
Систематические и случайные погрешности
Диагностика неисправностей
Материальный и энергетический балансы

СОГЛАСОВАНИЕ ДАННЫХ ПРИБОРНОГО

Количество измерителей Неизмеряемые потоки Систематические и случайные погрешности Диагностика неисправностей Материальный и
УЧЕТА

Слайд 9

Типы потоков

Измеряемые, наблюдаемые
Показаны измеренные значения

Типы потоков Измеряемые, наблюдаемые Показаны измеренные значения

Слайд 10

Типы потоков

Типы потоков

Слайд 11

Практический пример. Нефтепереработка

Проблемы:Ошибочные измерения

Производство и потребление по продуктам за период балансировки
Состояние запасов

Практический пример. Нефтепереработка Проблемы:Ошибочные измерения Производство и потребление по продуктам за период
по продуктам на момент последнего закрытия баланса

Слайд 12

Порядок действий при согласовании данных баланса

Порядок действий при согласовании данных баланса

Слайд 13

Математическая статистика. Обработка результатов измерений

Математическая статистика. Обработка результатов измерений

Слайд 14

Погрешности измерения

- погрешность измерения: разность между результатом измерения величины и действительным (опорным)

Погрешности измерения - погрешность измерения: разность между результатом измерения величины и действительным
значением величины;
- случайная погрешность измерения, случайная погрешность: составляющая погрешности измерения, изменяющаяся случайным образом (по знаку и значению) при повторных измерениях одной и той же величины, проведенных с одинаковой тщательностью;
- систематическая погрешность измерения; систематическая погрешность: составляющая погрешности измерения, остающаяся постоянной или закономерно изменяющаяся при повторных измерениях одной и той же величины, проведенных с одинаковой тщательностью;
- грубая погрешность измерения: погрешность измерения, существенно превышающая зависящие от объективных условий измерений значения систематической и случайной погрешностей.

Слайд 15

, (1)
где x – вектор согласованных переменных, описывающий массу материальных потоков предприятия,

, (1) где x – вектор согласованных переменных, описывающий массу материальных потоков
продукцию в резервуарах, расход топлива и потери, A- матрица балансовых уравнений размерности (элементы матрицы aij=1 для входящих потоков и aij=-1 - для выходящих, aij =0 - если поток не участвует в массовом балансе).

В качестве критерия оптимизации рассматривается функция ,
которая записывается в следующем виде

где B - матрица весовых коэффициентов, характеризующих погрешности соответствующих измерений, - дисперсия, q –количество измерений, - согласованные переменные для измеренных значений.
Физический смысл критерия (2) заключается в том, что решения системы уравнений (1), которые называются согласованными, должны как можно меньше отличаться от измеренных значений.

Математическая модель согласования данных

m – кол-во уравнений, n – кол-во переменных, q – кол-во измерений

(2)

Слайд 16

Проиллюстрируем работу алгоритма согласования данных на примере с одним узлом

На вход

Проиллюстрируем работу алгоритма согласования данных на примере с одним узлом На вход
поступил 2 потока, измеренная масса x01 = 80 и x02 =30, на выходе
x03 =100. Точность измерения одинакова

Для согласованных значений x выполняется закон сохранения масс и минимизируется целевая функция

Здесь - погрешности соответствующих измерений

Пример согласования данных с одним узлом

Если

Слайд 17

(Introduction to Gross Error Detection)

В некоторых случаях в измерениях может присутствовать так

(Introduction to Gross Error Detection) В некоторых случаях в измерениях может присутствовать
называемая грубая ошибка (gross error), которая возникает в случае смещения нуля, дрейфа значений вниз или вверх, а так же ухудшения точности.

Грубые ошибки отрицательно влияют на согласование данных и для точного согласования данных необходимо вначале, перед согласованием, устранить все грубые ошибки измерений, а потом уже согласовывать данные.

Определение грубых ошибок измерения – первый этап перед согласованием данных

Слайд 18

Закон больших чисел. Правило корня из n
Ecли надо измерить некоторую величину, истинное

Закон больших чисел. Правило корня из n Ecли надо измерить некоторую величину,
значение которой равно а, проводят n независимых измерений этой величины. В качестве меры истинного значения случайной величины выбирается средняя арифметическая. Если при измерениях отсутствуют систематические погрешности (искажающие результат измерения в одну и ту же строну) естественно предположить, что математическое ожидание M(ξi)=a при любом i.
На основании теоремы Чебышева средняя арифметическая результатов n измерений сходится по вероятности к истинному значению а.
Если все измерения производятся с одинаковой точностью, характеризуемой дисперсией D(ξi)=σ2 , то дисперсия их средней

Таким образом, среднее квадратическое отклонение оказывается равным

Средний ожидаемый разброс средней из n измерений в корень квадратный из n раз меньше разброса каждого измерения (этот вывод известен под названием «правила корня из n»)

Слайд 19

Замечание по точности измерения

Замечание. Если измерительный прибор имеет точность q (например,

Замечание по точности измерения Замечание. Если измерительный прибор имеет точность q (например,
q- половина ширины деления шкалы прибора), то полученным способом нельзя получить точность измерения величины а , больше, чем q. Каждое измерение дает результат с неопределенностью q и среднее арифметическое будет обладать той же неопределённостью. (Н.Ш.Кремер)

Слайд 20

Избыточные измерения

Избыточность может быть обусловлена избыточностью датчиков, когда датчики дублируются для того, чтобы

Избыточные измерения Избыточность может быть обусловлена избыточностью датчиков, когда датчики дублируются для
иметь более одного измерения одной и той же величины. Избыточность также возникает, когда одна переменная может быть оценена несколькими независимыми способами из отдельных наборов измерений в данный момент времени или период усреднения по времени, используя алгебраические ограничения.

Источник Wikipedia

Слайд 21

Наблюдаемость

Избыточность может быть использована в качестве источника информации для перекрестной проверки

Наблюдаемость Избыточность может быть использована в качестве источника информации для перекрестной проверки
и коррекции измерений и повышения их точности и точности: с одной стороны, они выверяются далее, проблема выверки данных, представленная выше, также включает в себя неизмеряемые переменные. Основываясь на информационной избыточности, оценки этих неизмеримых переменных могут быть рассчитаны вместе с их точностью. В промышленных процессах эти неизмеримые переменные, которые обеспечивает согласование данных, называются мягкими или виртуальными датчиками (soft sensors or virtual sensors), где аппаратные датчики не установлены.

Избыточность связана с понятием наблюдаемости. Переменная (или система) является наблюдаемой, если модели и измерения датчиков могут быть использованы для однозначного определения ее значения (состояния системы). Датчик является избыточным, если его удаление не приводит к потере наблюдаемости. 

Слайд 22

СОГЛАСОВАНИЕ ДАННЫХ Data validation and reconciliation

Валидация и согласование данных промышленных процессов, или,

СОГЛАСОВАНИЕ ДАННЫХ Data validation and reconciliation Валидация и согласование данных промышленных процессов,
более кратко, согласования данных (process data reconciliation PDR)- это технология, которая использует информацию о процессах и математические методы для автоматического обеспечения валидации и согласования данных путем коррекции измерений в промышленных процессах. Использование PDR позволяет извлекать точную и достоверную информацию о состоянии промышленных процессов из исходных данных измерений и получать единый согласованный набор данных, представляющих наиболее вероятную технологическую операцию.

Слайд 23

Рабочий процесс проверки и согласования данных

Источник Wikipedia

Data validation and reconciliation

Рабочий процесс проверки и согласования данных Источник Wikipedia Data validation and reconciliation

Слайд 24

Квадратичное программирование (quadratic programming, QP) — задача оптимизации (минимизации или максимизации) квадратичной функции нескольких переменных при

Квадратичное программирование (quadratic programming, QP) — задача оптимизации (минимизации или максимизации) квадратичной
линейных ограничениях на эти переменные. Квадратичное программирование является частным случаем нелинейного программирования.

Ограничения – равенства

Задача квадратичного программирования несколько проще, если Q является положительно определённой и все ограничения являются равенствами (нет неравенств), поскольку в этом случае можно свести задачу к решению системы линейных уравнений.

Методы решения

Слайд 25

Алгоритм последовательного квадратичного программирования

Последовательное квадратичное программирование (Sequential quadratic programming (SQP)) — один из наиболее распространённых

Алгоритм последовательного квадратичного программирования Последовательное квадратичное программирование (Sequential quadratic programming (SQP)) —
и эффективных оптимизационных алгоритмов общего назначения, основной идеей которого является последовательное решение задач квадратичного программирования, аппроксимирующих данную задачу оптимизации. Для оптимизационных задач без ограничений алгоритм SQP преобразуется в метод Ньютона поиска точки, в которой градиент целевой функции обращается в ноль. Для решения исходной задачи с ограничениями-равенствами метод SQP преобразуется в специальную реализацию ньютоновских методов решения системы Лагранжа.

Слайд 26

Проиллюстрируем работу алгоритма согласования данных на примере с одним узлом

На вход

Проиллюстрируем работу алгоритма согласования данных на примере с одним узлом На вход
поступил 2 потока, измеренная масса x01 = 80 и x02 =30, на выходе
x03 =100.

Уравнение материального баланса вход-выход для измеренных величин не выполняется, дебаланс d=10.
Для согласованных значений x выполняется закон сохранения масс
x1+ x2- x3=0
и минимизируется целевая функция

Здесь - погрешности соответствующих измерений

Пример согласования данных с одним узлом

Слайд 27

Скрипт. Согласование баланса

# согласование баланса
#from scipy import optimize
import numpy as np
from scipy.optimize

Скрипт. Согласование баланса # согласование баланса #from scipy import optimize import numpy
import minimize
import matplotlib.pyplot as plt
y=np.array([80,30,100])     #приборы

Слайд 28

Библиотека scipy.optimize

scipy.optimize.minimize
scipy.optimize.minimize(fun, x0,  method=None, bounds=None, constraints=(),  options=None)

https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html

Минимизация скалярной функции одной или нескольких переменных.

fun Целевая функция, которая должна

Библиотека scipy.optimize scipy.optimize.minimize scipy.optimize.minimize(fun, x0, method=None, bounds=None, constraints=(), options=None) https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.html Минимизация скалярной
быть минимизирована.
fun(x, *args) -> float
где x- 1-D массив и args  - кортеж фиксированных параметров, необходимых для полного задания функции.

x0 - ndarray, shape (n,)
Первоначальные предполагаемые значения. Массив вещественных элементов размера (n,), где ' n’ - число независимых переменных.

bounds , необязательно
Границы переменных для методов SLSQP . Есть два способа указать границы:
Экземпляр Bounds класса.
Последовательность (min, max)пар для каждого элемента в x. None используется для указания отсутствия привязки.

constraints ограничения{Constraint, dict} или список {Constraint, dict}, необязательный
Определение ограничений .

from scipy.optimize import minimize

res = minimize(value, x0, method='SLSQP', constraints=cons,
             bounds=bnds, options={'maxiter': 1000,'ftol': 1e-12})

Слайд 29

Метод SLSQP 

minimize(method=’SLSQP’)

Метод SLSQP  Sequential Least SQuares Programming использует Последовательное квадратичное программирование для минимизации функции

Метод SLSQP minimize(method=’SLSQP’) Метод SLSQP Sequential Least SQuares Programming использует Последовательное квадратичное
нескольких переменных с любой комбинацией ограничений границ, равенства и неравенства . 
Метод включает в себя подпрограмму оптимизации SLSQP, первоначально реализованную Дитером Крафтом (Kraft, D. A software package for sequential quadratic programming. 1988. Tech. Rep. DFVLR-FB 88-28, DLR German Aerospace Center – Institute for Flight Mechanics, Koln, Germany). Обратите внимание, что оболочка обрабатывает бесконечные значения в границах, преобразуя их в большие плавающие значения.

Слайд 30

Уравнения и ограничения

constraints ограничения{Constraint, dict} или список {Constraint, dict}, необязательный
Ограничения для

Уравнения и ограничения constraints ограничения{Constraint, dict} или список {Constraint, dict}, необязательный Ограничения
SLSQP определяются как список словарей. Каждый словарь с полями:
тип str
Тип ограничения: ‘eq’ для равенства, ‘ineq’ для неравенства.
fun
Функция, определяющая ограничение.

#целевая ф-ция
def value(x):
    return  ((y[0]-x[0])/y[0])**2 \
               +((y[1]-x[1])/y[1])**2+((y[2]-x[2])/y[2])**2
#уравнения и ограничения
cons = {'type': 'eq',
        'fun': lambda x:
          np.array([x [0] + x [1]-x [2]
            }
bnds = ([70, 90], [20,30],[100, 120])   #границы изменения
x0 = np.array([80, 30, 100])            # начальные значения

Слайд 31

Минимизация

res = minimize(value, x0, method='SLSQP', constraints=cons,
               bounds=bnds, options={'maxiter': 1000,'ftol': 1e-12})
print(res)
print(res.message)

Минимизация res = minimize(value, x0, method='SLSQP', constraints=cons, bounds=bnds, options={'maxiter': 1000,'ftol': 1e-12}) print(res) print(res.message)

Слайд 32

Печать результатов

# красивая печать
np.set_printoptions(precision=3)
print('N  измеренные согласованные коррекция')
for i in range(3):
    print('{}   {:>7.3f} {:12.3f}  

Печать результатов # красивая печать np.set_printoptions(precision=3) print('N измеренные согласованные коррекция') for i
{:9.3f}'.format(i+1,y[i],
          res.x[i],res.x[i]-y[i]))

Слайд 33

Визуализация решения

#рисунок: измеренные и согласованные значения 
x=np.arange(0,3,1)
plt.plot(x,res.x,'o',c='g',label='сoгласов')
plt.plot(x,y,'x',label='измеренные')
plt.grid(axis='y')
plt.legend(loc='lower right')
plt.title('согласование данных')
plt.ylabel('значение')
plt.show()

Визуализация решения #рисунок: измеренные и согласованные значения x=np.arange(0,3,1) plt.plot(x,res.x,'o',c='g',label='сoгласов') plt.plot(x,y,'x',label='измеренные') plt.grid(axis='y') plt.legend(loc='lower

Слайд 34

N измеренные согласованные коррекция
1 80.000 76.301 -3.699
2 30.000 29.480 -0.520
3 100.000 105.780

N измеренные согласованные коррекция 1 80.000 76.301 -3.699 2 30.000 29.480 -0.520
5.780

Согласованные данные (Python)

Слайд 35

Проиллюстрировать работу алгоритма согласования данных на примере с одним узлом

На вход

Проиллюстрировать работу алгоритма согласования данных на примере с одним узлом На вход
поступил 2 потока, измеренная масса за балансовый период
Вариант1 x01 =150 и x02 =40;
Вариант 2 x01 =150 и x02 =60;
на выходе x03 =200.

Для согласованных значений y выполняется закон сохранения масс и минимизируется целевая функция

Здесь - погрешности соответствующих измерений принять равной единице
Написать уравнение баланса
Вычислить согласованные значения с использованием Python
Ответить на вопрос «Имеются ли грубые ошибки измерения?» и обосновать свой ответ.

Задание 13_2 согласования данных с одним узлом

Слайд 36

Инженерные приложения. Согласование данных

Инженерные приложения. Согласование данных

Слайд 37

Схема работы IT-системы Production Balance

База данных реального
времени
Uniformance
Database

“Сырые” потоки
Запасы
Перемещения н/п

Ежедневно

Сбалансированные потоки
Запасы
Перемещения
Статистика

Схема работы IT-системы Production Balance База данных реального времени Uniformance Database “Сырые”
по балансам

Другие приложения
и ERP (SAP)

Источники информации
Системы управления
Датчики в резервуарах

Production Balance
(Honeywell)

Слайд 38

Пример практического использования системы

Расчёты

Пример практического использования системы Расчёты

Слайд 39

Типичный материальный баланс процесса каталитического крекинга гидроочищенного вакуумного газойля

https://ru.wikipedia.org/wiki/Каталитический_крекинг

Типичный материальный баланс процесса каталитического крекинга гидроочищенного вакуумного газойля https://ru.wikipedia.org/wiki/Каталитический_крекинг

Слайд 40

SCALPELLUM Кувыкин В.И., Матвеев А.Е. и др. Свидетельство о регистрации программы для

SCALPELLUM Кувыкин В.И., Матвеев А.Е. и др. Свидетельство о регистрации программы для
ЭВМ RUS 2015662513 13.10.2015

Инженерные приложения. Установка Каталитического Крекинга (УКК)

Слайд 41

Визуализация данных УКК

SCALPELLUM Кувыкин В.И., Матвеев А.Е. и др. Свидетельство о регистрации

Визуализация данных УКК SCALPELLUM Кувыкин В.И., Матвеев А.Е. и др. Свидетельство о
программы для ЭВМ RUS 2015662513 13.10.2015

Слайд 42

Вопросы ?

Вопросы ?
Имя файла: Kuv_2022_MS_13_Recons_авг-(1).pptx
Количество просмотров: 46
Количество скачиваний: 0