etet Вопросы природопользованияEnvironmental Management Issues 3034-3461 Индивидуальный предприниматель Подколзин М.М. 10.25726/z9799-1182-5194-q273 INFORMATION AND MANAGEMENTИНФОРМАЦИЯ И УПРАВЛЕНИЕ Разработка комплексной адаптивной системы управления технологическими установками нефтеперерабатывающего завода на основе многомодельного предиктивного регулирования и самообучающихся цифровых двойниковDevelopment of an integrated adaptive control system for technological units of an oil refinery based on multimodel predictive control and self-learning digital twins Бараненков Алексей Евгеньевич alex.baranenkov@list.ru Российский государственный университет нефти и газа, 119991, г. Москва, Ленинский просп., д. 65, корп. 1 2025 30 08 2025 4819Вопросы природопользованияEnvironmental management issues73 82 Статья посвящена разработке и опытно-промышленной проверке комплексной адаптивной системы управления технологическими установками нефтепереработки, ориентированной на преодоление ограничений классических DCS/ПИД-контуров и деградации моделей в традиционных линейных APC-решениях при нестационарности, нелинейности и дрейфе параметров оборудования. Рассматривается архитектура, объединяющая многомодельное нелинейное предиктивное регулирование со скользящим горизонтом и ансамбль самообучающихся цифровых двойников, функционирующих как динамические предикторы и виртуальные анализаторы качества в условиях существенных задержек лабораторного контроля. В качестве ключевых технологических примеров описаны первичная переработка нефти (ЭЛОУ-АВТ-6) и секция каталитического крекинга; обработка массивов архивной телеметрии высокой частоты и редких данных по качеству потребовала процедур очистки, синхронизации и вычислительной поддержки, совместимых с промышленными требованиями реального времени. Цифровые двойники реализованы гибридно: рекуррентные нейросетевые модели (LSTM/GRU) дополняются упрощенными физико-химическими соотношениями материального и теплового балансов для повышения робастности при выходе режима за пределы обучающих сценариев. Введен механизм непрерывной адаптации, инициирующий дообучение при росте ошибки прогноза, а также модуль валидации уставок, ограничивающий управляющие воздействия технологическими регламентами. Показано, что для ректификационной колонны при возмущении по питанию адаптивный NMPC обеспечивает существенное сокращение времени установления, подавление перерегулирования и снижение интегральных критериев ошибки по сравнению с каскадным ПИД и стандартным MPC, одновременно уменьшая удельный расход пара. Для виртуальных анализаторов качества демонстрируется высокая объясняющая способность моделей (R² > 0,92) и погрешности, сопоставимые с лабораторной воспроизводимостью по ряду показателей, что делает возможным замкнутое управление по качеству без ожидания анализов. На уровне каталитического крекинга зафиксировано перераспределение материального баланса в пользу светлых фракций при снижении выхода газа, кокса и потерь катализатора, а корреляционный анализ связывает стабилизацию режима с экономическими эффектами. Описанные результаты и показатели вычислительной латентности подтверждают практическую реализуемость подхода и его релевантность для задач повышения энергоэффективности, выхода целевых продуктов и надежности управления на современных НПЗ.The article is devoted to the development and pilot-industrial validation of an integrated adaptive control system for oil refining process units, aimed at overcoming the limitations of classical DCS/PID loops and model degradation in traditional linear APC solutions under nonstationarity, nonlinearity, and equipment parameter drift. An architecture is considered that combines multimodel nonlinear predictive control with a receding horizon and an ensemble of self-learning digital twins functioning as dynamic predictors and virtual quality analyzers under conditions of significant laboratory analysis delays. Primary oil processing (EDU-AVT-6) and the catalytic cracking section are described as key technological examples; processing of large volumes of high-frequency archival telemetry and sparse quality data required data cleaning, synchronization, and computational support procedures compatible with industrial real-time requirements. The digital twins are implemented in a hybrid manner: recurrent neural network models (LSTM/GRU) are supplemented with simplified physicochemical relations of mass and heat balances to enhance robustness when operating conditions move beyond the training scenarios. A continuous adaptation mechanism is introduced that initiates retraining when forecast error increases, as well as a setpoint validation module that constrains control actions by technological regulations. It is shown that for a distillation column under feed disturbances, adaptive NMPC provides a significant reduction in settling time, suppression of overshoot, and a decrease in integral error criteria compared to cascade PID and standard MPC, while simultaneously reducing specific steam consumption. For virtual quality analyzers, high explanatory power of the models (R² > 0.92) and errors comparable to laboratory reproducibility for a number of indicators are demonstrated, making closed-loop quality control possible without waiting for analyses. At the catalytic cracking level, a redistribution of the material balance toward light fractions is recorded with a reduction in gas yield, coke formation, and catalyst losses, and correlation analysis links regime stabilization with economic effects. The described results and computational latency indicators confirm the practical feasibility of the approach and its relevance for improving energy efficiency, target product yields, and control reliability at modern oil refineries.multimodel predictive controlnonlinear model predictive controlNMPCself-learning digital twinsvirtual quality analyzersoil refineryмногомодельное предиктивное управлениенелинейное модельно-предиктивное управлениеNMPCсамообучающиеся цифровые двойникивиртуальные анализаторы качестванефтеперерабатывающий завод issue-cover Баранов Н.Е. Построение системы усовершенствованного управления технологическими процессами с использованием адаптивной прогнозирующей модели // Технология машиностроения. 2023. № 8. С. 38–42. Бронов С.А., Непомнящий О.В., Чумаченко А.А., Вайман М.А., Хайдукова В.Н. Адаптивные системы управления в составе прецизионных электромеханических устройств // Известия Тульского государственного университета. Технические науки. 2023. № 8. С. 627–633. Говорков Д.А., Соловьев И.Г., Лапик Н.В., Лапик О.И. Частотная ПИ-стабилизация подачи с автоконтролем режимных ограничений для скважин с ЭЦН // Автоматизация и информатизация ТЭК. 2023. № 8 (601). С. 5–12. Иноземцев А.А., Грибков И.Н., Ламанова Н.Г., Плешивых А.С., Саженков А.Н. Аналитическое резервирование каналов измерений цифровой системы управления газотурбинного двигателя на основе адаптивного фильтра Язвинского // Авиационные двигатели. 2023. № 2 (19). С. 5–12. Карякин А.Т. Разработка адаптивных алгоритмов управления для стабилизации экономических процессов в условиях цифровой трансформации промышленных комплексов // Экономика: вчера, сегодня, завтра. 2025. Т. 15. № 2-1. С. 130–144. Корнеев А.М., Сметанникова Т.А., Максимов А.В., Пантюшин М.Н. Модули цифрового двойника многостадийного производственного процесса // Вести высших учебных заведений Черноземья. 2024. Т. 20. № 2 (76). С. 30–38. Кузнецов В.И., Старовойтенко Э.Ю. Научно-методические основы предиктивного управления на основе математических моделей цифровых двойников производственных технологических процессов // Труды «НПЦАП». Системы и приборы управления. 2024. № 2 (68). С. 60–68. Ломухин И.А., Киян А.И., Пищухин А.М., Ахмедьянова Г.Ф. Автоматизированная система управления эксплуатацией месторождения углеводородов // Автоматизация. Современные технологии. 2023. Т. 77. № 3. С. 99–103. Прохоренко В.А. Система адаптивного управления технологическим циклом автоматизированного производства // Известия Гомельского государственного университета имени Ф. Скорины. 2023. № 3 (138). С. 69–73. Работников М.А., Шумихин А.Г. Применение адаптируемых моделей в системах упреждающего управления процессами органического синтеза // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2023. № 46. С. 67–82. Севостьянов Р.А., Сотникова М.В. Цифровой алгоритм адаптивного управления контролируемыми переменными в заданном диапазоне // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2025. Т. 21. № 1. С. 151–168. Серяков А.М. Изучение применения адаптивного управления в процессах очистки нефтехимических продуктов от примесей // Наука и инновационные технологии. 2023. № 1 (26). С. 251–254. Смородин В.С., Прохоренко В.А. Интеллектуальная система адаптации управления с обратными связями // Проблемы физики, математики и техники. 2024. № 1 (58). С. 93–98. Фарунцев С.Д. От цифрового двойника к системам интеллектуального управления. Синтез гибридной модели управления теплотехническими объектами установок подготовки нефти // Автоматизация в промышленности. 2023. № 2. С. 3–14. Шевчук В.П. Адаптивное управление эффективностью функционирования верхней части ректификационной установки // Промышленные АСУ и контроллеры. 2024. № 2. С. 12–20.