Введение. Для обеспечения безопасности при хранении и перевозке опасных наливных грузов различными видами транспорта применяют системы дистанционного мониторинга технического состояния оборудования и текущих параметров хранимого или перевозимого продукта [1, 2]. При этом актуальной задачей является организация долговременного хранения криогенных продуктов (жидкого кислорода, жидкого азота, сжиженного природного газа и др.) в стационарных и транспортных системах, где срок их безопасного (бездренажного) хранения ограничен вследствие роста давления в сосуде из-за неизбежных теплопритоков из окружающей среды через вакуумную теплоизоляцию [3]. Проблема роста давления в стационарной системе хранения (СХ) усугуб- ляется также за счет температурной стратификации продукта, возникающей в процессе естественной конвекции [4]. Время безопасного хранения криогенного продукта в СХ является максимальным (предельно допустимым) временем хранения, поэтому расчет его оценки – ключевой аспект мониторинга состояния криогенного оборудования (состояния СХ).

Мониторинг состояния любой СХ (стационарной или транспортной) в режиме реального времени требует применения средств телеметрии [5, 6]. На многих объектах производства и потребления криогенных продуктов уже эксплуатируются телеметрические системы, реализующие мониторинг уровня жидкости внутри криогенного сосуда на основе измерения разности давлений в паровой и жидкой фазах с учетом поправки на изменение плотности, рассчитанной по показаниям датчика давления [7]. К настоящему времени обеспечена возможность индикации параметров на мониторе, встроенном в криогенный сосуд, с передачей данных на удаленное устройство контроля процесса бездренажного хранения [8, 9]. При этом для повышения точности прогнозирования максимального времени хранения криогенного продукта необходимо совершенствование системы поддержки принятия решений в процессе мониторинга состояния криогенного оборудования.

Приоритетами такого совершенствования должны быть

– обеспечение учета внешних условий хранения (температуры окружающей среды, вибраций, атмосферного давления и т.п.);

– обеспечение учета ретроспективной информации о процессе хранения;

– применение технологий автономной телеметрии.

В связи с этим целью исследования являлась разработка архитектуры системы поддержки принятия решений в процессе мониторинга состояния криогенного оборудования, ориентированной на учет названных приоритетов.

Структура системы

Точное прогнозирование времени хранения криогенного продукта в криогенном сосуде при помощи компьютерного моделирования представляет собой сложную задачу, решение которой для всего спектра вероятных термодинамических состояний продукта пока не представляется возможным [1, 10]. Поэтому для расчета оценки времени бездренажного хранения продукта с точностью, достаточной для практических целей, целесообразно применение эвристических вычислительных алгоритмов [11, 12]. При этом задачей системы поддержки принятия решений в процессе мониторинга состояния криогенного оборудования будет являться обеспечение сбора и обработки информации при удаленном мониторинге состояния такого оборудования, в том числе с возможностью на основе результатов компьютерного моделирования вычислять резервное время бездренажного хранения продукта для каждой конкретной СХ.

Структурная схема разработанной системы приведена на рисунке 1.

Информация от датчиков и преобразователей передается в модуль телеметрии. За счет наличия у каждой из СХ, состояние которой контролируется в режиме реального времени, индивидуального телеметрического модуля в систему мониторинга могут быть дополнительно включены различные СХ независимо от объема криогенного хранилища или удаленности СХ друг от друга [13, 14].

Сервер цифрового двойника СХ содержит вычислительный комплекс обработки информации, поступающей от модулей телеметрии каждой из подключенных к системе мониторинга стационарных и транспортных СХ. Ключевой информацией являются данные о давлении и уровне жидкого криогенного продукта внутри криогенного сосуда. На информационной картине цифрового двойника также отображаются режим хранения в конкретный момент времени (стационарный или транспортный) и основной расчетный параметр – время безопасного хранения криогенного продукта.

Базой для вычисления оценки времени безопасного хранения криогенного продукта является массив данных по времени хранения, полученных по результатам компьютерного моделирования, сопряженный с БД результатов моделирования. Текущая информация о про- цессе хранения дополнительно записывается в БД статистической информации, которая подлежит последующему анализу в интересах уточнения прогноза по времени хранения для конкретной СХ [15] при изменении статуса системы с «ОК» на «ВНИМАНИЕ» (статус изменяется в том случае, если значение времени хранения становится меньше 24 часов). Незамедлительное информирование оператора СХ производится при изменении статуса на «ОПАСНО», например, при достижении давления в криогенном сосуде значения 0,98pм, где pм – предельно допустимое рабочее давление в сосуде, или в случае, когда прогнозируемое значение времени хранения становится меньше 2 часов, а также при получении аварийного сообщения (значение давления в сосуде превышает 1,15pм, значение уровня жидкости в хранилище превышает 98 %, отсутствует вакуум в теплоизоляционной полости и т.п.). Для поддержки принятия решений могут применяться технологии сбора и обработки экспертной информации с учетом территориальной удаленности экспертов [16, 17].

Автономная телеметрия криогенного емкостного оборудования

Одним из ключевых компонентов архитектуры системы поддержки принятия решений в процессе мониторинга состояния криогенного оборудования (рис. 1) являются модули автономной телеметрии. Такие модули стационарных СХ, интегрированные в сенсорную сеть передачи данных, могут служить промежуточными звеньями в цепи передачи данных от модулей транспортных СХ, удаленных на значительное расстояние от базовой станции. Также сама сенсорная сеть для большого числа стационарных СХ является резервным каналом связи в случае отсутствия подключения к основной сети передачи данных (например, GPRS).

При этом для современных транспортных СХ, в частности, для модулей криогенных танк-контейнеров, перевозимых разными транспортными средствами и неоднократно переустанавливаемых в процессе перевозки одной партии криогенного продукта, не представляется возможным классическое подключение к мобильной сети передачи данных. Это обусловливает необходимость установки на контейнер модулей телеметрии, обладающих автономностью, пониженным энергопотреблением, но при этом имеющих большую дальность связи.

При практической реализации концепции сети передачи данных для транспортных СХ выбираемая технология должна обеспечивать надежное покрытие для большого числа недорогих устройств телеметрии с низким энергопотреблением. Для этого целесообразно использовать сенсорные сети передачи данных на базе модулей дальнего радиуса действия, например, модулей ZigBee Pro, NB-IoT или LoRaWAN [18, 19].

Принципиальная схема автономного устройства телеметрии на базе модуля LoRaWAN, предназначенная для мониторинга состояния транспортных танк-контейнеров различных типов, в том числе криогенных, приведена на рисунке 2.

Информационный обмен между блоками устройства осуществляется посредством системной шины. В контроллере производится обработка информации, поступающей от ресивера GPS/ГЛОНАСС, о текущих координатах и скорости движения объекта.

На информационной панели блока управления и индикации отображаются текущие значения параметров хранения: рабочее давление, уровень жидкости, рассчитанная оценка времени безопасного бездренажного хранения криогенного продукта. Устройство может работать на аккумуляторных батареях без обслуживания и подзарядки от 1 года до 2 лет. До- полнительно может быть организована подзарядка аккумуляторных батарей от солнечной батареи, размещенной на верхней поверхности корпуса, что увеличит срок непрерывной работы модуля LoRaWAN еще на несколько лет.

В зависимости от типа перевозимого продукта в контроллере производятся вычисление плотности жидкости и уровня жидкости в сосуде и последующая запись результатов в блок хранения данных. После этого вычисляется время безопасного хранения криогенного продукта для текущих значений давления, уровня жидкости и режима (движение или стоянка). При превышении параметров хранения допустимых значений автоматически происходят формирование и отправка аварийного сообщения.

Заключение

В результате исследования разработана архитектура системы поддержки принятия решений в процессе мониторинга состояния криогенного оборудования, обеспечивающая возможность такого мониторинга с применением автономных энергоэффективных модулей телеметрии. Использование системы, реализующей предложенную архитектуру, обеспечивает возможность сбора и обработки информации, позволяющей в режиме реального времени рассчитать безопасное время бездренажного хранения криогенных продуктов с учетом те- кущего технического состояния и режимов эксплуатации сосудов, а также динамически изменяющихся условий окружающей среды. Это, в свою очередь, обеспечивает своевременное распознавание потенциально опасной ситуации и принятие превентивных мер, нап- равленных на предотвращение потерь криогенного продукта в процессе хранения и недопущение возникновения пожаровзрывоопасной ситуации.

Список литературы

1.   Lee S., Haskins C., Paltrinieri N. Digital twin concept for risk analysis of oil storage tanks in operations: A systems engineering approach. CET, 2022, vol. 90, pp. 157–162.

2.   Mourtzis D., Angelopoulos J., Panopoulos N. Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality. Front. Mech. Eng., 2020, vol. 6, art. 578379. doi: 10.3389/fmech.2020.578379.

3.   Ряжских В.И., Сумин В.А., Хвостов А.А., Журавлев А.А., Семенихин О.А. Численное моделирование термоконцентрационной конвекции в криогенных резервуарах // ММТТ. 2020. Т. 5. С. 17–20.

4.   Dinardo G., Fabbiano L., Vacca G. A smart and intuitive machine condition monitoring in the Industry 4.0 scenario. Measurement, 2018, vol. 126, pp. 1–12. doi: 10.1016/j.measurement.2018.05.041.

5.   Short M., Twiddle J. An industrial digitalization platform for condition monitoring and predictive maintenance of pumping equipment. Sensors, 2019, vol. 19, no. 17, art. 3781. doi: 10.3390/s19173781.

6.   Орехов В.А., Бобков В.И., Панченко С.В. Разработка информационной системы расчета, накопления информации и паспортизации теплофизических свойств фосфоритов // Программные продукты и системы. 2022. Т. 35. № 3. С. 502–508. doi: 10.15827/0236-235X.139.502-508.

7.   Soldatov A.S., Soldatov E.S. Controlling the equipment state throughout the industrial life cycle of the product using digital twin. In: LNNS. Proc. CSOC, 2023, vol. 722, pp. 624–631. doi: 10.1007/978-3-031-35311-6_60.

8.   Ряжских А.В., Хвостов А.А., Соболева Е.А., Ряжских В.И. Температурное поле однородной квадратной области с движущимися без ускорения смежными сторонами при граничных условиях первого рода // Вестн. ЮУрГУ. Сер.: Математика. Механика. Физика. 2023. Т. 15. № 1. С. 55–62. doi: 10.14529/mmph230106.

9.   Солдатов Е.С. Вычислительный алгоритм прогнозирования времени бездренажного хранения криопродуктов в стационарных и транспортных сосудах // Науч. ведомости БелГУ. Сер.: Экономика. Информатика. 2019. Т. 46. № 3. С. 485–495. doi: 10.18413/2411-3808-2019-46-3-485-495.

10. Soldatov E., Bogomolov A. Decision support models and algorithms for remote monitoring of the equipment state. CEUR Workshop Proc. Proc. ITIDMS, 2021, vol. 2843, pp. 1–8.

11. Soldatov E., Bogomolov A. Issues of energy-efficient storage of fuel in multimodal transport units. In: Electromechanics and Robotics. SIST, 2022, vol. 232, pp. 393–402. doi: 10.1007/978-981-16-2814-6_34.

12. Larkin E.V., Akimenko T.A., Bogomolov A.V. The swarm hierarchical control system. In LNCS. Proc. ICSI, 2023, vol. 13968, pp. 30–39. doi: 10.1007/978-3-031-36622-2_3.

13. Tobin D., Bogomolov A., Golosovskiy M. Model of organization of software testing for cyber-physical systems. In Cyber-Physical Systems: Modelling and Industrial Application. SSDC, 2022, vol. 418, pp. 51–60. doi: 10.1007/978-3-030-95120-7_5.

14. Golosovskiy M., Bogomolov A., Balandov M. A model of continuous integration and deployment of engineering software. In LNNS. Proc. CoMeSySo, 2021, vol. 231, pp. 789–796. doi: 10.1007/978-3-030-90321-3_64.

15. Golosovskiy M., Bogomolov A. Fuzzy inference algorithm using databases. In LNNS. Proc. CSOC, 2023, vol. 724, pp. 444–451. doi: 10.1007/978-3-031-35314-7_39.

16. Тобин Д.С., Голосовский М.С., Богомолов А.В. Технология обеспечения достоверности информации при проведении сетевых экспертиз // Современные информационные технологии и ИТ-образование. 2020. Т. 16. № 3. С. 623–632.

17. Богомолов А.В., Климов Р.С. Автоматизация обработки информации при проведении коллективных сетевых экспертиз // Автоматизация. Современные технологии. 2017. Т. 71. № 11. С. 509–512.

18. Kim D.-S., Tran-Dang H. Wireless sensor networks for industrial applications. In: Industrial Sensors and Controls in Communication Networks. CCN, 2019, pp. 127–140. doi: 10.1007/978-3-030-04927-0_10.

19. Niles K., Ray J., Niles K., Maxwell A., Netchaev A. Monitoring for analytes through LoRa and LoRaWAN technology. Procedia Computer Science, 2021, vol. 185, pp. 152–159. doi: 10.1016/j.procs.2021. 05.041.

References

1.      Lee, S., Haskins, C., Paltrinieri, N. (2022) ‘Digital twin concept for risk analysis of oil storage tanks in operations: A systems engineering approach’, CET, 90, pp. 157–162.

2.      Mourtzis, D., Angelopoulos, J., Panopoulos, N. (2020) ‘Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality’, Front. Mech. Eng., 6, art. 578379. doi: 10.3389/fmech.2020.578379.

3.      Ryazhskikh, V.I., Sumin, V.A., Khvostov, A.A., Zhuravlev, A.A., Semenikhin, O.A. (2020) ‘Numerical simulation of thermoconcentration convection in cryogenic tanks’, Math. Methods in Eng. and Tech., 5, pp. 17–20 (in Russ.).

4.      Dinardo, G., Fabbiano, L., Vacca, G. (2018) ‘A smart and intuitive machine condition monitoring in the Industry 4.0 scenario’, Measurement, 126, pp. 1–12. doi: 10.1016/j.measurement.2018.05.041.

5.      Short, M., Twiddle, J. (2019) ‘An industrial digitalization platform for condition monitoring and predictive maintenance of pumping equipment’, Sensors, 19(17), art. 3781. doi: 10.3390/s19173781.

6.      Orekhov, V.A., Bobkov, V.I., Panchenko, S.V. (2022) ‘Information system for calculation, information accumulation and certification of phosphorite thermophysical properties’, Software & Systems, 35(3), pp. 502–508 (in Russ.). doi: 10.15827/0236-235X.139.502-508.

7.      Soldatov, A.S., Soldatov, E.S. (2023). ‘Controlling the equipment state throughout the industrial life cycle of the product using digital twin’, in: LNNS. Proc. CSOC, 722, pp. 624–631. doi: 10.1007/978-3-031-35311-6_60.

8.      Ryazhskikh, A.V., Khvostov, A.A., Soboleva, E.A., Ryazhskikh, V.I. (2023) ‘The temperature pattern of a homogeneous square area with adjacent sides moving without acceleration under boundary conditions of the first kind’, Bull. of the SUSU. Ser.: Math. Mech. Phys., 15(1), pp. 55–62 (in Russ.). doi: 10.14529/mmph230106.

9.      Soldatov, E.S. (2019) ‘Computational algorithm for predicting the time of non-drain cryoproducts storage in stationary and transport vessels’, Sci. Bull. of the BSU. Economics. Inform. Tech., 46(3), pp. 485–495 (in Russ.). doi: 10.18413/2411-3808-2019-46-3-485-495.

10.    Soldatov, E., Bogomolov, A. (2021) ‘Decision support models and algorithms for remote monitoring of the equipment state’, CEUR Workshop Proc. Proc. ITIDMS, (2843), pp. 1–8.

11.    Soldatov, E., Bogomolov, A. (2022) ‘Issues of energy-efficient storage of fuel in multimodal transport units’, in: Electromechanics and Robotics. SIST, 232, pp 393–402. doi: 10.1007/978-981-16-2814-6_34.

12.    Larkin, E.V., Akimenko, T.A., Bogomolov, A.V. (2023) ‘The swarm hierarchical control system’, in: LNCS. Proc. ICSI, 13968, pp. 30–39. doi: 10.1007/978-3-031-36622-2_3.

13.    Tobin, D., Bogomolov, A., Golosovskiy, M. (2022) ‘Model of organization of software testing for cyber-physical systems’, in: Cyber-Physical Systems: Modelling and Industrial Application. SSDC, 418, pp. 51–60. doi: 10.1007/978-3-030-95120-7_5.

14.    Golosovskiy, M., Bogomolov, A., Balandov, M. (2021) ‘A model of continuous integration and deployment of engineering software’, in: LNNS. Proc. CoMeSySo, 231, pp. 789–796. doi: 10.1007/978-3-030-90321-3_64.

15.    Golosovskiy, M., Bogomolov, A. (2023) ‘Fuzzy inference algorithm using databases’, in: LNNS. Proc. CSOC, 724, pp. 444–451. doi: 10.1007/978-3-031-35314-7_39.

16.    Tobin, D.S., Golosovskiy, M.S., Bogomolov, A.V. (2020) ‘Technology for ensuring the reliability of information during network examinations’, Modern Information Technologies and IT-Education, 16(3), pp. 623–632 (in Russ.).

17.    Bogomolov, A.V., Klimov, R.S. (2017) ‘Automation of information processing during collective network expert examinations’, Automation. Modern Technologies, 71(11), pp. 509–512 (in Russ.).

18.    Kim, D.-S., Tran-Dang, H. (2019) ‘Wireless sensor networks for industrial applications’, in: Industrial Sensors and Controls in Communication Networks. CCN, pp. 127–140. doi: 10.1007/978-3-030-04927-0_10.

19.    Niles, K., Ray, J., Niles, K., Maxwell, A., Netchaev, A. (2021) ‘Monitoring for analytes through LoRa and LoRaWAN Technology’, Procedia Computer Science, 185, pp. 152–159. doi: 10.1016/j.procs.2021.05.041.