سامانه‌ی کنترل پیشرفته‌ی فرآیند (APC)

8.2. مدل‌سازی فرآیند

پایه‌ی اصلی عملکرد هر سامانه‌ی APC، مدل فرآیند است. مدل باید بتواند رفتار دینامیکی فرآیند را با دقت کافی پیش‌بینی کند. اگر مدل‌سازی به‌درستی انجام شود، حتماً سامانه‌ی کنترل پیشرفته‌ی فرآیند (APC) به‌درستی عمل خواهد کرد. در بسیاری از پروژه‌های صنعتی، مدل‌سازی فرآیند از طریق آزمایش‌های میدانی و اعمال تغییرات کنترل‌شده بر متغیرهای فرآیندی انجام می‌شود. در این روش، یکی از متغیرهای مؤثر فرآیند تغییر داده شده و پاسخ سایر متغیرها ثبت می‌شود. این آزمایش‌ها معمولاً به‌صورت اعمال تغییرات پله‌ای مثبت و منفی و هرکدام در سه گام انجام می‌گیرند.

برای جلوگیری از ایجاد اختلال در تولید، دامنه‌ی تغییرات و بازه‌ی زمانی آزمایش‌ها باید از پیش طراحی و با بهره‌بردار هماهنگ شود. پس از جمع‌آوری داده‌ها، رفتار دینامیکی فرآیند استخراج شده و مدل مناسب ایجاد می‌شود.

الف) مدل‌سازی مبتنی بر داده (جعبه سیاه): در این روش، بدون تمرکز مستقیم بر روابط فیزیکی و ترمودینامیکی حاکم بر فرآیند، رفتار سامانه از طریق تحلیل داده‌های ورودی و خروجی استخراج می‌شود. فرآیند به صورت یک «جعبه‌ی سیاه» در نظر گرفته شده و مدل صرفاً بر اساس رفتار مشاهده ‌شده در ورودی‌ها و خروجی‌های سامانه ایجاد می‌شود. این روش معمولاً بر پایه‌ی تکنیک‌های آماری، شناسایی سامانه، شبکه‌های عصبی و مدل‌های یادگیری ماشین توسعه می‌یابد.

مزیت اصلی این رویکرد، سرعت بالاتر توسعه‌ی مدل و امکان استفاده در فرآیندهای بسیار پیچیده یا غیرخطی است. با وجود این، پارامترهای مدل در بسیاری موارد فاقد تفسیر مستقیم فیزیکی بوده و دقت مدل وابستگی زیادی به کیفیت داده‌های فرآیندی دارد.

ب) مدل‌سازی مبتنی بر اصول بنیادی: در این روش، رفتار فرآیند بر پایه‌ی معادلات بنیادی فیزیک و ترمودینامیک مدل‌سازی می‌شود. قوانین بقای جرم، بقای انرژی، انتقال حرارت، انتقال جرم و روابط ترمودینامیکی از جمله مبانی این نوع مدل‌سازی هستند. اگرچه این روش دقت بالایی دارد، اما توسعه‌ی مدل برای فرآیندهای پیچیده بسیار دشوار بوده و معمولاً نیازمند ساده‌سازی معادلات است.

در عمل، بسیاری از پروژه‌های صنعتی از ترکیبی از مدل‌های داده‌محور و مدل‌های مبتنی بر اصول بنیادی استفاده می‌کنند.

8.3. طراحی کنترل‌کننده

پس از تکمیل مدل‌سازی، طراحی کنترل‌کننده انجام می‌شود. مراحل اصلی طراحی کنترل‌کننده عبارتند از:

• طراحی ساختار کنترلی؛
• انتخاب متغیرهای کنترلی و متغیرهای اندازه‌گیری؛
• تعیین محدودیت‌های عملیاتی؛
• تنظیم پارامترهای کنترل‌کننده؛
• شبیه‌سازی عملکرد سامانه در سناریوهای مختلف؛
• ارزیابی پایداری و عملکرد کنترلی.

در APC معمولاً از کنترل‌کننده‌های چندمتغیره مبتنی بر MPC استفاده می‌شود که قادرند هم‌زمان چندین متغیر را مدیریت کنند.

8.4. اجرای سامانه‌ی APC

یک سامانه‌ی APC معمولاً به‌صورت یک لایه‌ی نرم‌افزاری بر روی بستر سامانه‌های DCS یا FCS اجرا می‌شود. در بسیاری از پروژه‌ها، بدون نیاز به تعویض کامل سامانه‌ی کنترل موجود، می‌توان APC را به سامانه‌ی فعلی اضافه نمود. ارتباط APC با تجهیزات و نرم‌افزارهای مختلف صنعتی معمولاً از طریق استاندارد OPC برقرار می‌شود.

ارتباطات پلتفرم باز[xvii] (OPC) یک بستر استاندارد تبادل داده میان تجهیزات صنعتی، PLCها، DCSها، سامانه‌های SCADA و نرم‌افزارهای تحلیلی فراهم می‌سازد. استفاده از این استاندارد باعث می‌شود تجهیزات ساخت شرکت‌های مختلف بتوانند به صورت یکپارچه با یکدیگر تبادل داده داشته باشند.

در بسیاری از پروژه‌های نوسازی[xviii] نیز، اگر سامانه‌ی کنترل موجود دارای حداقل زیرساخت مناسب باشد، امکان پیاده‌سازی APC بدون تعویض کامل سامانه‌ی کنترل وجود خواهد داشت.

۹. جمع‌بندی نهایی

سامانه‌های کنترل پیشرفته‌ی فرآیند (APC) را می‌توان نقطه‌ی تلاقی مهندسی کنترل، مدلسازی فرآیند، بهینه‌سازی و فناوری اطلاعات صنعتی دانست. این سامانه‌ها با بهره‌گیری از مدل‌های پیش‌بین، روش‌های بهینه‌سازی و تحلیل همزمان متغیرهای فرآیندی، امکان هدایت واحدهای صنعتی به سمت عملکردی پایدار، ایمن و اقتصادی را فراهم می‌کنند.

برخلاف سامانه‌های کنترل کلاسیک که عمدتاً بر حفظ نقطه‌ی تنظیم تمرکز دارند، APC قادر است محدودیت‌های عملیاتی، اهداف اقتصادی، تغییرات خوراک، اغتشاشات محیطی و تداخل متغیرها را به صورت همزمان مدیریت نماید. به همین دلیل، APC امروزه به یکی از ارکان اصلی بهره‌برداری هوشمند در صنایع نفت، گاز، پتروشیمی، نیروگاهی و شیمیایی تبدیل شده است.

در صنایع فرسوده، اهمیت APC بیش از پیش نمایان می‌شود؛ زیرا این فناوری می‌تواند بدون نیاز به تغییرات گسترده سخت‌افزاری، بخشی از افت عملکرد تجهیزات را جبران کرده و راندمان واحد را به شرایط نزدیک به طراحی بازگرداند.

از این منظر، APC نه تنها یک ابزار کنترلی، بلکه بخشی از راهبرد نوسازی، تحول دیجیتال و افزایش رقابت‌پذیری صنایع فرآیندی محسوب می‌شود.

در نهایت، موفقیت در طراحی و پیاده‌سازی APC مستلزم درک صحیح فرآیند، مدل‌سازی دقیق، کیفیت مناسب داده‌ها، انتخاب صحیح متغیرها، طراحی مناسب کنترل‌کننده و همکاری نزدیک میان تیم‌های کنترل، فرآیند، ابزاردقیق و بهره‌برداری است. البته پیش نیاز تمام شرایط بالا، فرهنگ‌سازی استفاده از سامانه‌ی کنترل فرآیند پیشرفته در بین کارکنان و مدیران و کارفرمایان می‌باشد. تنها در چنین شرایطی است که APC می‌تواند نقش واقعی خود را به عنوان مغز هوشمند بهره‌برداری صنعتی ایفا نماید.

فهرست منابع

1. Qin, S. J., & Badgwell, T. A. (2003).A survey of industrial model predictive control technology. Control engineering practice, 11(7), 733-764.
2. Seborg, D. E., Edgar, T. F., Mellichamp, D. A., & Doyle III, F. J. (2016).Process dynamics and control. (4th ed.). Wiley.
3. Camacho, E. F., & Bordons, C. (2007).Model predictive control.
4. Luyben, W. L. (2013).Distillation design and control using Aspen simulation. (2nd ed.). Wiley.
5. Darby, M. L., & Nikolaou, M. (2012).MPC: Current practice and challenges. Control Engineering Practice, 20(4), 328-342.
6. Bauer, M., & Craig, I. K. (2008).Economic assessment of advanced process control – A survey and framework. Journal of Process Control, 18(1), 2-18.
7. Lee, J. H., & Lee, J. M. (2009).Approximate dynamic programming-based approach to dual adaptive control. IEEE Transactions on Automatic Control, 54(3), 523-538.
8. Hassanpour, H., et al. (2020).A review on artificial intelligence applications in industrial process control. Computers & Chemical Engineering, 142, 107045.
9. AspenTech (2022).Aspen DMC3 for Advanced Process Control – Brochure.
10. Honeywell (2021).Profit Suite – APC solutions.
11. Yokogawa (2020).Advanced Process Control & optimization solutions.
12. موحدی، م.ح. (1388)، مقدمه‌ای بر کنترل صنعتی، انتشارات شرکت ملی نفت ایران

[i] Calibration
[ii] Data Historian
[iii] Monitoring
[iv] Industrial PC
[v] Supervisory
[vi] Quality Estimator
[vii] Controlled Variable
[viii] Manipulated Variable
[ix] Disturbance Variable
[x] Process Output Variable
[xi] Economic Variable
[xii] Constraints Targets
[xiii] Reflux
[xiv] Reboiler
[xv] Vent
[xvi] Multi Variable Controller
[xvii] Open Platform Communication
[xviii] Revamping