Адаптивный виртуальный анализатор на основе метода “движущегося окна”, предназначенный для определения и анализа качественных показателей хлорида калия в режиме реального времени, постоянно адаптирующий свой алгоритм работы на основе последних данных

Введение. В настоящее время в мире особое внимание уделяется проблемам совершенствования методов определения и оценки качественных показателей готовой “Развитие науки и технологий” Научно–технический журнал №6/2025 56 Кимё ва кимёвий технологиялар продукции химической промышленности, в том числе калийных удобрений. Повышение эффективности усовершенствованных систем управления технологическими процессами производства калийных удобрений является одним из важнейших факторов конкурентоспособности готовой продукции. Применение оперативно-прогностических систем управления в задачах определения, контроля и оптимизации управления качеством калийных удобрений на сегодняшний день становится чрезвычайно актуальным и важным [1-4]. Методы и материалы исследования. Поэтому проводятся масштабные научноисследовательские работы, направленные на создание высокоэффективных виртуальных систем определения и анализа качества продукции. В связи с этим особое внимание уделяется внедрению усовершенствованных систем управления, обеспечивающих энергоэффективность и ресурсосбережение, включая адаптивные виртуальные анализаторы. Для выполнения этих задач использование адаптивных виртуальных анализаторов, определяющих качество калийных удобрений, является чрезвычайно актуальным [2]. Адаптивный виртуальный анализатор - это интеллектуальная система, которая автоматически анализирует данные в режиме реального времени или в офлайн-режиме, способная к самонастройке. Этот анализатор обрабатывает данные с использованием искусственного интеллекта или передовых статистических методов и предоставляет результаты пользователю. Вместе с тем, адаптивный виртуальный анализатор автоматически настраивается на основе результатов модели, при вводе дополнительных данных обновляет алгоритмы, а при изменении потока данных - оптимизирует себя. Поэтому предлагается использовать его для определения и контроля качества продукции во всех отраслях промышленности, в том числе в производстве калийных удобрений. Адаптивный виртуальный анализатор для контроля технологических параметров и качества продукции при производстве калийных удобрений обеспечивает высокий уровень точности и эффективности [4-11]. Результаты исследования. Качество хлорида калия (KCl) требует постоянного контроля в ходе технологических процессов. При этом, по сравнению с традиционными методами анализа, предпочтительны быстрые, в реальном времени и автоматизированные методы [3-6]. С этой целью совершенствуется виртуальный анализатор, разработанный на основе метода “движущегося окна”. Для определения качества хлорида калия предложено обновить виртуальный анализатор, который может адаптировать устройство на основе разработанного метода “движущееся окно - (это алгоритм, который анализирует последние ξ интервала данных на основе измерений в реальном времени и адаптирует модель на этой основе),” который состоит из этапов подготовки анализатора к работе и (1÷ξ) деления данных на диапазон [6]. Представлена структурная схема процесса функционирования предлагаемого виртуального анализатора (рис. 1). Обобщенная математическая модель виртуального анализатора построена с помощью метода робастной регрессии при следующих параметрах:       , ,1 ˆ ,..., ˆ , ˆ ˆ m k b b a A  . Основываясь на обучающей выборке размерности k, получим:  , ,    X Y B             1 k y      h k X X X -матрица расчета  1 ~     — аргументы функции настройки; где: Y   h k y  величин на входе; k-интервал изменения аргументов согласующих функций. “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №6/2025 57 Химия и химические технологии Возмущения Барабанная сушилка Контролируемые технологические параметры Высушенный материал Влажный материал   G A y / Показатель качества продукции Контролно-измерительные приборы Контроллер РСУ k G A y / ....... ˆ   k A   ........  Периодичность расчета-1раз в 2 мин k S А k A 1 k A k G A y / ˆ k G A y / 1 ˆ   k G A y / 2 ˆ   LIMS k A 1 k A k S А y 3 y 1y y x 2 y G y 1 y y x 1 y 2 y 1 G y  Оператор 3 x 1x 2 x 1 G x  1 x G x 2 x 1 x Периодичность лабораторных анализов1раз в рабочую смену Операторская станция РСУ/СУУТП 1   1  2   2 3 G-1 G Заводская лаборатория Лабораторные анализы Рис.1. Структурная схема функционального процесса работы виртуального анализатора. По построенной модели значения выходных переменных можно использовать для прогнозирования значений: m , ˆ ˆ ) ( 1 ) ( ˆ / 1       i k i k k B k u b a y h k (1) i где: ) (i k u - технологические параметры, h k B ky ˆ / 1  - показатель качества продукции, ) (i kb - коэффициенты регрессии, обновляемые на основе каждого измерения ξ. По выборке реального значения вычисляется абсолютная ошибка, чтобы прогноз, сделанный моделью с регрессионной связью, не приводил к ошибке: . / 1 1 1 k B y y САП          (2) Во избежание больших ошибок в общем прогнозе после вычисления абсолютной ошибки используется виртуальный анализатор:  , , 1 1 1       X Y B (3)                      y x x    k k h k h m 2 1 2 ,1 2 , где: Y X ;  k k y x x     k k k m h m 1 1,1 1, Для выборки h k B 1 ˆ , которая обучает новую регрессию, задаются параметры модели, и выполняется описанная выше последовательность действий. Вместе с наблюдением выходных и входных параметров используются ) ,..., ( N  , переменных и формируется вектор ошибки прогнозирования:   k N k k k САП САП САП САП ,.... , 1     (4) Погрешность качественного показателя адаптивного виртуального анализатора вычисляется для следующего усреднения квадратичной ошибки: N       САП СКП k i h (5) ) ( 2 . 1  N i Виртуальный анализатор непрерывно рассчитывает показатель качества продукции, основываясь на параметрах технологического процесса [5-11]. “Развитие науки и технологий” Научно–технический журнал №6/2025 58 Кимё ва кимёвий технологиялар Для определения входных параметров виртуального анализатора и получения регрессионных зависимостей оценивают показания датчиков соответствующих параметров технологического процесса с сервера системы управления (рис.2-рис.7). Рис.2. Регрессионная зависимость от показаний датчика расхода сушильного агента. Рис.3. Регрессионная зависимость от показаний датчика первичного расхода воздуха. Рис.4. Регрессионные аппроксимации показаний с датчика вторичного расхода воздуха. Рис.5. Регрессионные аппроксимации показаний с датчика влажности KCl на входе в сушильный аппарат. Рис.7. Регрессионные аппроксимации показаний с датчика влажности воздуха на входе в топку сушилки. Структура модели виртуального анализатора, включая влажность хлористого калия на входе и выходе барабанной сушилки, расход сушильного агента, первичный расход воздуха, вторичный расход воздуха, влажность хлористого калия на входе, расход влажного концентрата, влажность воздуха на входе, получена нелинейность рабочей характеристики калорифера на входе [143]. Технологические параметры, влияющие на влажность в процессе сушки, являются основными входными переменными виртуального анализатора: 1x – расход теплоносителя [m3/soat]; 2x – расход первичного воздуха [m3/soat]; 3x – вторичный расход Рис.6. Регрессионные аппроксимации показаний с датчика расхода материала на входе в сушильный аппарат. “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №6/2025 59 Химия и химические технологии воздуха [m3/soat]; 4x – входная влажность хлорида калия [%]; 5x – расход влажного концентрата [m3/soat]; 6x – входная влажность воздуха [%]. Переменные для концентрации СО в сушильном агенте, соответственно входы 6 5 4 3 2 1 , , , , , x x x x x x выражаются следующим образом:    y y co co 82 ,0 025 ,0 ) (     x x 63 ,0 0032 ,0 ) ( 1 1 1       2 2 2 2 x x x x 1,4 000071 ,0 ) ( 0062 ,0 00041 ,0 ) ( (6) 3 3 3      x x x 3, 681 07 ,0 0005 ,0 ) ( 4 4 4 4      5 2 5 5 5 x x x 8, 814 007 ,0 00075 ,0 ) (      5 2 6 6 6 x x x 9, 845 008 ,0 00083 ,0 ) ( Используя существующий промышленный образец и уравнение (7), строится модель ВА для концентрации оксида углерода (CO) в сушильном агенте: 2 5 2 4 2 2 5 4 3 2 1 02 ,6 6,3 54 ,0 8, 420 5, 671 8,0 5, 81 7,0 6, 2071 x x x x x x x x yco          (7) На рисунке 8 ниже видно изменение результатов лабораторных и модельных исследований окиси углерода в теплоносителе. СО% 0,07 0,06 0,05 0,04 0,03 0,02 0,01 t /ч Рис.8. Изменение лабораторных и модельных результатов содержания оксида углерода в теплоносителе. 6 12 18 24 Анализ результатов исследования. Виртуальный анализатор, построенный на основе регрессионных моделей, позволяет улучшить качество управления процессом, исходя из его способности адаптироваться при изменении значений качества продукта. С помощью этих регрессионно-связанных моделей строится виртуальный качественный анализатор. Виртуальные анализаторы предоставляют математические модели, которые выполняют косвенные расчеты показателей хлорида калия с использованием архивных данных, хранящихся в их базе данных, и лабораторных результатов [10,11]. Одной из инвариантных задач при прогнозировании качества является нахождение решения для выбора наиболее оптимального значения ширины окна на основе точных критериев. Если отклонение результата виртуального анализатора от положения равновесия больше обычного, окончательный результат расчета ширины окна определяется по следующему выражению: 0 10 n  , где n - показатель степени входных тактовых переменных в конечном результате модели [6-8]. “Развитие науки и технологий” Научно–технический журнал №6/2025 60 Кимё ва кимёвий технологиялар В зависимости от отклонений переменных на входе в модель в положении равновесия целесообразно использовать среднеквадратическую ошибку, чтобы избежать ошибок при прогнозировании значения выходного результата, соответствующего каждому удаляющемуся от положения равновесия такту на этапе выбора оптимального результата из переменных:  2 / ' ) ˆ ( 1        1 G A KX O k y y G J , (8)      1 k A A y k 1 / 1 ˆ       – где:  y - значение аргументов k функций согласования; прогнозирование значений аргументов функций адаптации. Ширина окна виртуального анализатора соответствует минимизированному значению прогноза. Кроме того, при расчете ширины окна целесообразно использовать коэффициенты детерминации. Она рассчитывается следующим уравнением:   ) ˆ ( 1     2 / 2 y y J      k G A    , (9)  2  N y y  ) (     G где: y - среднее арифметическое значения аргументов функций согласования. Ширина окна виртуального анализатора с адаптивным свойством 2 N J определяется минимальным значением оптимальной ширины критерия. При выборе оптимальных значений ширины окна виртуального анализатора, обладающего свойством адаптации, модель с регрессионной зависимостью от данных об аргументах адаптационной функции требует использования в качестве информации критериев, отражающих изменение значений технологических параметров. Среднеквадратические отклонения используются для определения изменения прогнозируемого значения модели с регрессионной зависимостью:  2 ) ( , ) ( , ˆ ) ˆ ( 1       i b k i k b b b G P i k ) ( , (10)     G ) ( , i b kb - i -переменные модели, имеющие регрессионную зависимость на основе k - аргументов функций согласования в ширине  подвижного окна; Виртуальный анализатор с где, шириной   ) (i kb представляет собой среднее арифметическое i-прогнозных значений модели с регрессионной зависимостью в результате движения[6-10].Проанализируем критерий расчета ошибок точности прогноза модели с регрессионной зависимостью в качестве критерия выбора наилучшего значения ширины окна виртуального анализатора: m    ) ( . (11) i P B i k p J На рис. 9 изображены графики зависимости минимизированного значения от оптимальной ширины окна виртуального анализатора. В то же время предлагается использовать значение минимизации с целью уменьшения ошибок в прогнозировании модели: B N СКО J J J J    2 (12) J - минимизированное значение модельного прогноза. “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №6/2025 61 Химия и химические технологии Влажность 0,8 JСКО Критерий JN 2 Критерий Критерий JВ 0,6 Критерий Минимальное значение J 0,4 0,2 Ден 110 210 310 410 510 610 810 910 710 1010 Ширина окна Pис.9. Ширина окна виртуального анализатора с адаптивными свойствами. Ширина окна, среднеквадратическая ошибка и коэффициенты детерминации, используемые при расчете значений аргументов функции согласования, приведены в табл. 1. Таблица 1. Критерий СКО J 2 N J B J J Оптимальная ширина окна 110 110 1010 610 N среднеквадратическая ошибка (СКО) 0,07339 0,07339 0,14123 0,07828 N2 коэффициенты детерминации 0,40172 0,40172 0,35345 0,39115 В действительности, в ходе изучения различных критериев выбора оптимальной ширины окна виртуального анализатора, обладающего свойством адаптации, наличие способности подобия СКО J и 2 N J , совпадение значений при расчете оптимальной ширины и превращение их в убывающую по изменению функцию выражает соответствие между ними [11]. Заключение. В данной статье разработана и предложена концепция адаптивного виртуального анализатора на основе метода "движущегося окна" как современного подхода к определению и оценке качественных показателей продукта хлорида калия (KCl). Предлагаемая система постоянно обновляет модель линейной регрессии на основе данных последних  измерений, а также алгоритм работы анализатора и обеспечивает быструю адаптацию системы к малым изменениям параметров процесса, позволяя точно прогнозировать качество продукции. В результате за счет высокоточных прогнозов значительно повышается устойчивость технологического процесса и эффективность контроля качества продукции. Также полученные результаты показывают возможность практического применения предложенного виртуального анализатора в промышленных условиях и считаются перспективным решением для автоматизации мониторинга качества продукции в химической промышленности, что имеет важное практическое значение для повышения эффективности контроля качества продукции, снижения ошибок, связанных с человеческим фактором, и обеспечения общей стабильности производства. “Развитие науки и технологий” Научно–технический журнал №6/2025 62 Кимё ва кимёвий технологиялар Литература 1. Юсупбеков, Н., & Беккулов, Ж. (2023). Технологические процесса производства калийных удобрений как объекта контроля и управления. In Международная конференция академических наук (Vol. 2, No. 1, pp. 57-64). 2. Sherboyevich, B. J., & Askarovna, A. S. (2024). The conceptual structure of the APC-an improved system for monitoring and controlling technological processes for the production of mineral (potash) fertilizers. American Journal of multifunctional publishing, 1(7), 26-35. 3. Potocki, V.A., Fadeev, V.M., Maksimov, E.A., Bakhtadze, N.N. (2004). Virtual analyzers of the quality of technological process control based on a nonlinear dynamic predictor. Abstracts of the 5th International dokpads. Conferences "Problems of management and energy".Tbilisi, 35 p. 4. Ruziyev U.A., Bekkulov Zh.Sh./ Virtual Potassium Chloride Analyzer in the System of Advanced Control of Potash Fertilizer Production Processes. «Сhemical technology control and management». №1 (109) ,2023-pp.80-88. https://ijctcm.researchcommons.org/journal. 5. Маллаев А.Р., Бекқулов Ж.Ш., Норбоев О. Н., Эшонкулов M Н. Программа для отображения на экран данных, полученных с виртуальных анализаторов/Агентство по интеллектуальной собственности Республики Узбекистан. № DGU 09820.2021 г. 6. Д.А.Никитин и др. Адаптивный виртуальный анализатор в системе усовершенствованного управления// «Южно-сибирский научный вестник» №2(36).2021.ст.149-155. 7. Самотылова С.А. Разработка виртуальных анализаторов для системы управления массообменными технологическими процессами производства метилтрет-бутилового эфира //Aвтoреферaт диccертaции нa coиcкaние ученoй cтепени кaндидaтa техничеcких нaук. Владивосток -2020. 8. Chew, Chun Ming and Aroua, Mohamed Kheireddine and Hussain, Mohd Azlan. Advanced Rallo, J. Ferre-Gin, A. Arena, F. Giralt // Computers and Chemical Engineering. - 2002. - Vol. 26. - P. 1735-1754. 10. Бахтадзе Н.Н., Лотоцкий В.А. Современные методы управления производственными процессами // Системы управления технологическими процессами. - 2009. - №3 (1). - С. 56-63. 11. Логунов П.Л., Шаманин М.В. и др. Усовершенствованное управление технологическими процессами //Автоматизация в промышленности. 2015. №4, с. 4-14 с. Беккулов Джахонгир Шербоевич - Каршинский государственный технический университет доцент кафедры “Aвтоматизации и управления технологическими процессами” Тел: +99899-091-09-55 E-mail: jbekqulov@mail.ru SIANLASH JARAYONIDA IONSELEKTIV ELEKTRODI USULI YORDAMIDA SIAN KONSENTRATSIYASINI O‘LCHASH ANIQLIGINI OSHIRISH Mahmudov G‘.B., Ravshanov F.A., Qalandarov A.F. Navoiy davlat konchilik va texnologiyalar universiteti. Annotatsiya. Ushbu maqolada sian ionlarining konsentratsiyasini o‘lchashda ionselektiv elektrodlardan (ISE) foydalanishning ilmiy-metodik asoslari, metrologik jihatidan o‘lchash aniqligi va sanoatdagi qo‘llanilishi keng tahlil etilgan. Nodir metallarni sianlash jarayonining umumiy fizik-kimyoviy xususiyatlari, sinalash jarayonida ISE usulining afzalliklari o‘lchash aniqligini oshirishga qaratilgan texnik va algoritmik yechimlar, shuningdek o‘lchash tizimining strukturaviy sxemalari va uning tavsifi yoritilgan. Bundan tashqari, ISE asosidagi o‘lchash tizimlarini sun’iy intellekt bilan bog‘lash orqali aniqlikni oshirish, ishonchlilikni ta’minlash hamda avtomatlashtirilgan monitoring qilish imkoniyatlarini yaratish istiqbollari ko‘rib chiqilgan. Tayanch so‘zlar: sian ionlari, ionselektiv elektrod, metrologik aniqlik, sianlash jarayoni, kalibrlash, signallarni filtrlash, intellektual tizim, real vaqt monitoring, membrana selektivligi, oltin qazib olish, fizik-kimyoviy tahlil, mikroprotsessorli tizim, sun’iy intellekt. “Фан ва технологиялар тараққиёти” Илмий–техникавий журнал №6/2025 63