Публикации автора

Для решения задачи получения целевых продуктов сжигания черного щелока в топке СРК - карбоната и сульфида натрия - выполнена разработка имитационной модели подсистемы сжигания черного щелока в топке СРК. Разработанная имитационная модель подсистемы сжигания черного щелока в топке СРК даст возможность моделировать процессы: горения черного щелока - для изучения влияния различных факторов (состав черного щелока, расход воздуха, температура) на эффективность сжигания и тепловую мощность СРК; восстановления сульфата натрия - для изучения влияния температуры, состава газов и содержания углерода на скорость восстановления сульфата натрия до сульфида натрия в СРК. Применение имитационной модели подсистемы сжигания черного щелока в топке СРК позволит оптимизировать процесс сжигания, минимизировать выбросы загрязняющих веществ в атмосферу, снизить потребление ресурсов и отходов, а также повысить общую эффективность процессов регенерационного цикла.

Процесс сжигания черного щелока в содорегенерационных котлоагрегатах играет ключевую роль в обеспечении замкнутого цикла химической регенерации щелоков на предприятиях целлюлозно-бумажной промышленности. Цель исследования - разработка архитектуры интеллектуальной системы диагностики нарушений процесса сжигания черного щелока с учетом современных тенденций развития автоматизации и цифровизации в рамках концепции «умного производства». Анализ выполнен в соответствии с принципами подготовки обзоров по протоколу PRISMA. Поиск источников проводился в международных и российских базах данных (Scopus, ScienceDirect, SpringerLink, IEEE Xplore, Google Scholar) за период с 2010 по 2024 г. Были проанализированы 127 публикаций, из которых 37 отобраны для включения в список литературы. В ходе обзора классифицированы методы диагностики (моделирование, экспертные системы, машинное обучение, техническое зрение), обобщены их преимущества и ограничения, выделены параметры с высокой диагностической значимостью. Проведено сопоставление подходов по степени адаптивности, чувствительности и применимости в условиях ограниченной наблюдаемости. Предложена модульная архитектура интеллектуальной системы диагностики, объединяющая цифровые и визуальные признаки, с возможностью переобучения и адаптации к реальным условиям эксплуатации. Интеграция методов машинного обучения и технического зрения в SCADA-контур позволяет повысить чувствительность диагностики, своевременно выявлять нарушения и поддерживать устойчивость режима сжигания. Разработанная архитектура может быть использована на предприятиях отрасли для повышения эффективности и надежности работы содорегенерационных котлов.