سامانه‌ی کنترل پیشرفته‌ی فرآیند (APC)

مقدمه

صنایع فرآیندی[i] مدرن نظیر پالایشگاه‌ها، مجتمع‌های پتروشیمی، نیروگاه‌ها، صنایع شیمیایی و واحدهای تولید انرژی، از جمله پیچیده‌ترین سامانه‌های صنعتی به شمار می‌روند. ماهیت دینامیکی این فرآیندها، وجود متغیرهای متعدد و به ‌هم‌ وابسته، رفتارهای غیرخطی[ii]، تأخیرهای زمانی[iii]، محدودیت‌های عملیاتی، اغتشاشات محیطی و تغییرات مداوم شرایط بهره‌برداری، موجب شده است که روش‌های کنترل کلاسیک به ‌تنهایی پاسخگوی نیازهای امروز صنعت نباشند.

وجود متغیرهای متعدد و به ‌هم‌ وابسته، رفتارهای غیرخطی[ii]، تأخیرهای زمانی[iii]، محدودیت‌های عملیاتی، اغتشاشات محیطی و تغییرات مداوم شرایط بهره‌برداری، موجب شده است که روش‌های کنترل کلاسیک به ‌تنهایی پاسخگوی نیازهای امروز صنعت نباشند.

در چنین محیط‌هایی، صرف پایدار نگهداشتن چند متغیر فرآیندی کافی نیست، بلکه واحد صنعتی باید هم‌زمان در شرایط ایمن، اقتصادی، پایدار و بهینه فعالیت کند.

کنترل‌کننده‌های کلاسیک مبتنی بر PID که طی دهه‌های گذشته ستون اصلی سامانه‌های کنترل صنعتی بوده‌اند، عمدتاً برای فرآیندهای تک‌ورودی/ تک‌خروجی[iv] (SISO) توسعه یافته‌اند. هرچند این کنترل‌کننده‌ها همچنان در لایه‌های پایه‌ی کنترل نقش بسیار مهمی دارند، اما در فرآیندهای چند متغیره[v] (MIMO) با تداخل‌های[vi] پیچیده، محدودیت‌های عملیاتی و تغییرات شدید بار، با چالش‌هایی نظیر نوسان، کوپل متقابل، افت کیفیت کنترل و کاهش راندمان مواجه می‌شوند.

در پاسخ به این چالش‌ها، مفهوم «سامانه‌ی کنترل پیشرفته‌ی فرآیند[vii]» یا APC شکل گرفت؛ رویکردی که امروزه به‌عنوان لایه‌ی هوشمند تصمیم‌گیری بر فراز سامانه‌های کنترل پایه نظیر DCS و یا FCS شناخته می‌شود. APC تنها یک الگوریتم کنترلی نیست، بلکه مجموعه‌ای از روش‌های مدل‌سازی، تخمین، پیش‌بینی، بهینه‌سازی و کنترل است که هدف آن هدایت فرآیند به سمت بهترین نقطه‌ی عملکرد اقتصادی و عملیاتی می‌باشد.

APC تنها یک الگوریتم کنترلی نیست، بلکه مجموعه‌ای از روش‌های مدل‌سازی، تخمین، پیش‌بینی، بهینه‌سازی و کنترل است که هدف آن هدایت فرآیند به سمت بهترین نقطه‌ی عملکرد اقتصادی و عملیاتی می‌باشد.

در این رویکرد، متغیرهای کنترلی، متغیرهای فرآیندی، محدودیت‌های عملیاتی و شاخص‌های اقتصادی به صورت همزمان مورد تحلیل قرار گرفته و تصمیمات کنترلی بر مبنای رفتار آینده‌ی فرآیند اتخاذ می‌شود.

امروزه استفاده از APC در صنایع نفت، گاز، پتروشیمی و نیروگاهی، علاوه بر افزایش ظرفیت تولید و کاهش مصرف انرژی، به ابزاری راهبردی برای ارتقاء کیفیت محصول، کاهش توقف‌های ناخواسته، افزایش ایمنی تجهیزات و بهبود سودآوری تبدیل شده است. اهمیت این فناوری در صنایع فرسوده نیز دوچندان است؛ زیرا APC می‌تواند بدون نیاز به تغییرات گسترده سخت‌افزاری، بخشی از افت عملکرد تجهیزات قدیمی را جبران کرده و واحد را به شرایط نزدیک به طراحی بازگرداند.

APC می‌تواند بدون نیاز به تغییرات گسترده سخت‌افزاری، بخشی از افت عملکرد تجهیزات قدیمی را جبران کرده و واحد را به شرایط نزدیک به طراحی بازگرداند.

در این بخش، ضمن آشنایی با مبانی APC، معماری سامانه، رویکردهای مدل‌سازی، نقش هوش مصنوعی و کنترل پیش‌بین، اجزای اصلی سامانه، روش طراحی و پیاده‌سازی، و همچنین چالش‌های اجرایی آن در صنایع فرآیندی بررسی خواهد شد. در ادامه نیز با ارائه‌ی یک مثال کاربردی از برج‌های تقطیر، نحوه‌ی انتخاب متغیرها، مدلسازی فرآیند و طراحی کنترل‌کننده‌ی چند متغیره مورد بحث قرار می‌گیرد.

۱. سیر تکاملی رویکردهای نوین در APC

برای درک عمیق‌تر مفاهیم APC، ابتدا باید بدانیم چرا امروزه صنعت از روش‌های کلاسیک کنترل فاصله گرفته و به سمت کنترل هوشمند حرکت کرده است. فرآیندهای صنعتی امروزی به دلیل چندمتغیره بودن، وجود تأخیرهای زمانی، رفتارهای غیرخطی، طراحی حلقه‌های کنترل پیچیده و تغییرات مداوم شرایط بهره‌برداری، نیازمند روش‌هایی هستند که بتوانند فراتر از واکنش صرف به خطای لحظه‌ای عمل کنند. در همین راستا، نسل جدید سامانه‌های کنترل پیشرفته بر پایه‌ی پیش‌بینی، یادگیری و بهینه‌سازی توسعه یافته‌اند.

الف) کنترل پیش‌بین مبتنی بر مدل (MPC)

کنترل پیش‌بین مبتنی بر مدل[viii] (MPC) مهم‌ترین و فراگیرترین فناوری مورد استفاده در APC محسوب می‌شود. امروزه بخش عمده‌ی کاربردهای صنعتی APC در صنایع نفت، گاز و پتروشیمی بر پایه‌ی MPC طراحی می‌شوند.

برخلاف کنترل‌کننده‌های PID که عمدتاً بر اساس خطای لحظه‌ای تصمیم‌گیری می‌کند، MPC در هر گام زمانی رفتار آینده‌ی فرآیند را پیش‌بینی می‌نماید.

برخلاف کنترل‌کننده‌های PID که عمدتاً بر اساس خطای لحظه‌ای تصمیم‌گیری می‌کند، MPC در هر گام زمانی رفتار آینده‌ی فرآیند را پیش‌بینی می‌نماید.

این الگوریتم با استفاده از یک مدل داخلی از فرآیند، روند تغییرات متغیرهای خروجی را در یک افق زمانی مشخص تخمین زده و سپس از طریق حل یک مسئله‌ی بهینه‌سازی، بهترین مقادیر متغیرهای دستکاری ‌شونده را تعیین می‌کند.

ویژگی برجسته‌ی MPC، توانایی مدیریت همزمان چندین متغیر و در نظر گرفتن محدودیت‌های عملیاتی است. برای مثال، در یک برج تقطیر ممکن است افزایش درجه‌ی خلوص محصول مستلزم افزایش دمای عملیاتی باشد، اما این افزایش دما نباید از محدودیت حرارتی تجهیزات فراتر رود. MPC می‌تواند میان این اهداف متعارض تعادل برقرار کرده و بهترین نقطه‌ی عملکرد را انتخاب نماید.

ب) هوش مصنوعی و یادگیری ماشین[ix] (AI/ML)

در بسیاری از فرآیندهای پیچیده‌ی صنعتی، استخراج روابط ریاضی دقیق فرآیند دشوار یا حتی غیرممکن است. در چنین شرایطی، استفاده از تکنیک‌های مبتنی بر داده و هوش مصنوعی اهمیت ویژه‌ای پیدا می‌کند.

شبکه‌های عصبی مصنوعی[x] (ANN) قادرند با استفاده از داده‌های تاریخی، روابط غیرخطی میان ورودی‌ها و خروجی‌های فرآیند را یاد بگیرند. این مدل‌ها بدون نیاز به دانستن دقیق معادلات فیزیکی، می‌توانند رفتار فرآیند را با دقت مناسبی پیش‌بینی کنند.

یکی دیگر از فناوری‌های نوین، یادگیری تقویتی[xi] (RL) است. در این روش، کنترل‌کننده به عنوان یک عامل هوشمند در محیط شبیه‌سازی آموزش دیده و از طریق آزمون و خطا، سیاست کنترلی بهینه را فرا می‌گیرد. این فناوری پتانسیل بالایی برای بهینه‌سازی بلادرنگ فرآیندها دارد.

ج) کنترل فازی و کنترل تطبیقی

در بسیاری از واحدهای صنعتی، دانش بهره‌برداران باتجربه به صورت قواعد زبانی بیان می‌شود؛ برای مثال: «اگر دمای راکتور بیش از حد افزایش یافت، شیر بخار کمی بسته شود». کنترل فازی این نوع دانش را به قوانین ریاضی تبدیل کرده و امکان استفاده از تجربه‌ی انسانی را در طراحی سامانه‌ی کنترل فراهم می‌سازد.

کنترل تطبیقی نیز در فرآیندهایی کاربرد دارد که پارامترهای آن‌ها به مرور زمان تغییر می‌کند. عواملی نظیر رسوب در مبدل‌ها، فرسودگی تجهیزات، تغییر نوع خوراک یا تغییر شرایط محیطی، باعث تغییر رفتار فرآیند می‌شوند. در چنین شرایطی، سامانه‌ی کنترل تطبیقی به صورت مداوم پارامترهای مدل را بازبینی کرده و تنظیمات کنترل‌کننده را اصلاح می‌نماید.

۲. معماری سامانه‌ی APC و تعامل آن با زیرساخت‌های موجود

یک سامانه‌ی APC کامل معمولاً از سه لایه اصلی تشکیل شده است که هرکدام وظیفه‌ی مشخصی را بر عهده دارند. شناخت صحیح این معماری برای طراحی، اجرا و بهره‌برداری موفق از APC ضروری است.

الف) لایه مدل‌سازی

پایه‌ی اصلی عملکرد APC، مدل فرآیند است. این مدل باید بتواند رفتار دینامیکی فرآیند را با دقت مناسبی توصیف نماید. مدل‌سازی فرآیند به طور کلی به دو دسته تقسیم می‌شود:

• مدلسازی مبتنی بر اصول بنیادی[xii]
• مدلسازی مبتنی بر داده[xiii]

مدل‌سازی به روش مبتنی بر اصول بنیادی، از قوانین فیزیکی و ترمودینامیکی نظیر موازنه‌ی جرم، موازنه‌ی انرژی، انتقال حرارت و انتقال جرم برای توصیف فرآیند استفاده می‌شود. این روش دقت بالایی دارد، اما توسعه‌ی آن برای فرآیندهای پیچیده زمان‌بر و دشوار است.

در مقابل، مدل‌سازی مبتنی بر داده، رفتار فرآیند از طریق تحلیل داده‌های تاریخی استخراج می‌شود. روش‌هایی نظیر ARX، ARMAX، NARX، شبکه‌های عصبی و تکنیک‌های یادگیری ماشین در این حوزه کاربرد گسترده‌ای دارند.

کیفیت مدل فرآیند تأثیر مستقیمی بر عملکرد APC دارد. مدل نامناسب می‌تواند منجر به تصمیم‌گیری اشتباه، ناپایداری سامانه و کاهش عملکرد فرآیند شود.

ب) لایه‌ی بهینه‌سازی

وظیفه‌ی این لایه، تعیین بهترین شرایط عملکرد فرآیند است. بهینه‌ساز با در نظر گرفتن محدودیت‌های عملیاتی، قیمت انرژی، قیمت مواد اولیه، کیفیت محصول و اهداف اقتصادی، مقادیر هدف جدید را برای سامانه‌ی کنترل تعیین می‌کند.

در این بخش معمولاً از الگوریتم‌های «بهینه‌سازی بی‌درنگ»[xiv] یا RTO استفاده می‌شود. خروجی این بخش، نقاط تنظیم[xv] (SP) بهینه برای لایه‌ی کنترل است.

ج) لایه‌ی کنترل

این لایه دستورات صادر شده از بهینه‌ساز را دریافت کرده و با در نظر گرفتن دینامیک فرآیند، محدودیت‌های سخت‌افزاری و شرایط عملیاتی، فرامین کنترلی لازم را به تجهیزات اجرایی نظیر شیرهای کنترلی ارسال می‌کند. در عمل، این لایه معمولاً شامل کنترل‌کننده‌های چند متغیره مبتنی بر MPC است که به صورت مستقیم با سامانه‌ی DCS یا FCS در ارتباط می‌باشند.

۳. دستاوردهای صنعتی و نرخ بازده سرمایه‌گذاری در APC

استفاده از APC در صنایع فرآیندی صرفاً یک ارتقاء فنی نیست، بلکه یک تصمیم اقتصادی و راهبردی محسوب می‌شود.

استفاده از APC در صنایع فرآیندی صرفاً یک ارتقاء فنی نیست، بلکه یک تصمیم اقتصادی و راهبردی محسوب می‌شود.

در بسیاری از پروژه‌های صنعتی، نرخ بازده سرمایه‌گذاری[xvi] (ROI) حاصل پیاده‌سازی APC در بازه‌ای کمتر از ۶ تا ۱۸ ماه محقق می‌شود.

الف) افزایش ظرفیت تولید

در روش‌های کنترل کلاسیک، بهره‌برداران برای جلوگیری از عبور فرآیند از محدوده‌های خطرناک، واحد را با حاشیه‌ی ایمنی قابل توجهی بهره‌برداری می‌کنند. این موضوع باعث می‌شود بخشی از ظرفیت واقعی فرآیند بی‌استفاده باقی بماند. APC با پیش‌بینی دقیق رفتار فرآیند و کنترل هم‌زمان متغیرها، امکان بهره‌برداری نزدیک به محدودیت‌های ایمن را فراهم می‌سازد. در بسیاری از مجتمع‌های پتروشیمی، استفاده از APC موجب افزایش ۲ تا ۱۰ درصدی ظرفیت تولید شده است.

در بسیاری از مجتمع‌های پتروشیمی، استفاده از APC موجب افزایش ۲ تا ۱۰ درصدی ظرفیت تولید شده است.

ب) بهینه‌سازی مصرف انرژی

نوسانات فرآیندی در سامانه‌های کنترل سنتی، مصرف انرژی را افزایش می‌دهد. تغییرات ناخواسته در دما، فشار و دبی باعث می‌شود تجهیزات برای جبران این نوسانات انرژی بیشتری مصرف کنند. APC با کاهش نوسانات فرآیند و پایدارسازی شرایط عملیاتی، مصرف بخار، سوخت و انرژی الکتریکی را کاهش می‌دهد. گزارش‌های صنعتی نشان می‌دهد که استفاده از APC می‌تواند بین ۱ تا ۵ درصد کاهش مصرف انرژی ایجاد کند.

گزارش‌های صنعتی نشان می‌دهد که استفاده از APC می‌تواند بین ۱ تا ۵ درصد کاهش مصرف انرژی ایجاد کند.

ج) افزایش کیفیت محصول و کاهش ضایعات

در بسیاری از صنایع، کیفیت محصول نهایی مستقیماً بر ارزش اقتصادی آن تأثیر دارد. کنترل دقیق متغیرهای کیفیت، به‌ویژه در فرآیندهایی با تأخیر اندازه‌گیری زیاد، یکی از نقاط قوت APC محسوب می‌شود. APC با استفاده از مدل‌های پیش‌بین کیفیت و تخمین‌گرهای فرآیندی، نوسانات کیفیت محصول را کاهش داده و میزان محصولات خارج از مشخصات «محصول دور ریز[xvii]» را به حداقل می‌رساند.

د) افزایش پایداری فرآیند و کاهش استهلاک تجهیزات

حرکات سریع و غیرضروری شیرهای کنترلی در روش‌های کنترل سنتی، باعث افزایش استهلاک مکانیکی، فرسودگی عملگرها و کاهش عمر تجهیزات می‌شود. الگوریتم‌های پیشرفته‌ی APC نرخ تغییرات تجهیزات اجرایی را محدود کرده و از اعمال فرامین ناگهانی جلوگیری می‌کنند. این موضوع علاوه بر افزایش طول عمر تجهیزات، هزینه‌های تعمیرات و نگهداری را نیز کاهش می‌دهد.

ها) کاهش توقف‌های ناخواسته

یکی از معضلات واحدهای فرآیندی، توقف‌های ناخواسته‌ی واحد و کاهش تولید می‌باشد. در روش‌های کنترل سنتی، به لحاظ وجود حلقه‌های کنترل پس‌خوری، ابتدا باید یک خطایی در سامانه رخ بدهد تا سامانه‌ی کنترل بعد از تشخیص خطا بتواند سعی در اصلاح خطا بنماید. این فرآیند تا حدودی زمان‌بر هست و در برخی فرآیندهای حساس یا در شرایط بحرانی ممکن است سبب توقف ناخواسته‌ی واحد و کاهش تولید بشود. هنر APC این هست که به‌واسطه‌ی وجود کنترل پیش‌بین و مدل‌سازی که در سامانه‌ی کنترل انجام می‌شود، سامانه‌ی کنترل قادر است قبل از بروز خطا روند عملکرد فرآیند را تشخیص داده و از اتفاقات بعدی جلوگیری نماید. شایان ذکر است ما هر سامانه‌ی کنترلی که داشته باشیم، در نهایت برای پایداری سامانه از کنترل پس‌خوری نیز استفاده می‌کنیم.

۴. سیستم کنترل APC و نوسازی صنایع فرسوده

بخش قابل توجهی از صنایع فرآیندی ایران دارای عمر عملیاتی بالا هستند. بسیاری از پالایشگاه‌ها، نیروگاه‌ها و مجتمع‌های پتروشیمی کشور بیش از دو یا سه دهه از زمان طراحی و راه‌اندازی آن‌ها می‌گذرد. در چنین شرایطی، نوسازی کامل تجهیزات مکانیکی و فرآیندی معمولاً بسیار پرهزینه و زمان‌بر است. در این میان، APC می‌تواند به عنوان یکی از مؤثرترین روش‌های نوسازی نرم‌افزاری و کنترلی مطرح شود.

جبران افت راندمان: فرسودگی تجهیزات، رسوب در خطوط لوله و مبدل‌ها، تغییر مشخصات خوراک و تغییر شرایط عملیاتی باعث می‌شود رفتار واقعی فرآیند با شرایط طراحی اولیه تفاوت پیدا کند. APC با استفاده از مدل‌ فرآیند داخلی خود، الگوریتم‌های تطبیقی و شرایط فرآیندی برخط، این تغییرات را شناسایی کرده و عملکرد واحد را به شرایط نزدیک به طراحی بازمی‌گرداند.

افزایش ایمنی بهره‌برداری: در تجهیزات فرسوده، احتمال نشت، افزایش فشار، داغ شدن موضعی و وقوع شرایط غیرعادی بیشتر است. APC ضمن دریافت برخط اطلاعات فرآیندی، آنالیز اطلاعات موجود و روند تغییرات آن، احتمال وقوع حوادث را شناسایی کرده و با کنترل دقیق‌تر شرایط فرآیند، کاهش نوسانات شدید، محیط را برای کاهش شرایط نامطلوب فراهم می‌کند.

کاهش وابستگی به بهره‌برداری دستی: در برخی واحدهای صنعتی، کمبود نیروی انسانی باتجربه یکی از چالش‌های مهم بهره‌برداری است. به ویژه هماهنگی بین مسئول/ مسئولان بُرد کنترل با کارشناسان مستقر در سایت هم زمان‌بر است و هم امکان بروز خطای انسانی وجود دارد. APC با خودکارسازی بخشی از تصمیم‌گیری‌های پیچیده، وابستگی فرآیند به تصمیمات انسانی را کاهش داده و احتمال خطای اپراتوری را کم می‌کند.

از این رو، در پروژه‌های نوسازی[xviii]، APC نباید به عنوان یک گزینه فرعی تلقی شود، بلکه به‌خوبی و به‌درستی می‌تواند بخشی جدایی‌ناپذیر از راهبرد نوسازی صنعتی در نظر گرفته شود.

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] Process Industries
[ii] Nonlinearity
[iii] Time Delays
[iv] Single Input Single Output
[v] Multi Input Multi Output
[vi] Interaction
[vii] Advanced Process Control
[viii] Model Predictive Control
[ix] Artificial Intelligence/ Machine Learning
[x] Artificial Neural Networks
[xi] Reinforcement Learning
[xii] First-Principles Modeling
[xiii] Data-Driven Modeling
[xiv] Real-Time Optimization
[xv] Setpoints
[xvi] Return On Investment
[xvii] Off-Spec Product
[xviii] Revamping