CC BY
57
го высококремнистого проката// Сборник научных трудов международной научно-практической конференции «Современная металлургия нового тысячелетия. К 80-летию НЛМК. Кадры для регионов» 17-21 ноября 2014 г.- Часть I. - Липецк: ЛГТУ, 2014.- С. 44-51.
6. Бенар Ж. Окисление металлов. Т. 1. Теоретические основы.- М.:Металлургия, 1968.- 499 с.
Bakhtin Alexey Sergeevich, student
(e-mail: sloomo@icloud.com)
Lipetsk State Technical University, Lipetsk, Russia
Bakhtin Sergey Vasilevich, Cand.Tech.Sci., associate professor
JSC NLMK, Lipetsk, Russia
(e-mail: bahtin_sv@nlmk.com)
RESEARCH QUESTIONS OF THE MECHANISM OF DEFECT FORMATION, "SPOTS OF DIRT, OXIDATION" AFTER COLD ROLLING REVERSING MIL Abstract: This article describes the research questions of the mechanism of defect formation, "spots of dirt, oxidation" after cold rolling reversing mill. Shows the effect of temperature and residuals neudenau emulsion on the formation of defects Key words: revers mill, cold rolling, spots of contamination, oxidation
РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ИЗМЕЛЬЧЕНИЯ И КЛАССИФИКАЦИИ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ Бойбутаев Санжар Бахритдинович, старший преподаватель Кадиров Ёркин Баходирович, старший преподаватель Саттаров Олим Усмонкулович, старший преподаватель (e-mail: navdki@mail.ru), Навайинский государственный горный институт, г Навоий, Узбекистан
В статье разрабатывается оптимальная система управления процессом измельчения и классификации цеха измельчения на базе искусственного интеллекта (нейронные сети) с целью максимально возможной переработки руды при обеспечении заданного качества её помола. Концепция построения системы управления процессом измельчения и классификации принята на основании условия значительной нестабильности вещественного состава и технологических свойств поступающей на переработку руды, поскольку построение системы управления на базе «жесткой» логики типа «задание - фактическое значение - рассогласование - регулирующее воздействие» заведомо не обеспечивает оптимальности управления.
Ключевые слова: измельчения, классификация, входные воздействия, расход руды, гранулометрический состав, спирального классификатор нейромоделей, нейросети.
Задача измельчения руды как подготовительной операции состоит в обеспечении наиболее полного раскрытия поверхности зерен извлекаемых
минералов. Основное технологическое оборудование процесса измельчения составляют мельницы (шаровые и стержневые) и классифицирующие аппараты (спиральные классификаторы и гидроциклоны). Количество материала в барабанной мельнице может быть стабилизировано путем изменения расхода сырья или конечного продукта, а также частоты вращения барабана.
Гранулометрический состав определяется, с одной стороны, свойствами измельчаемого материала (твердостью, влажностью, насыпной плотностью, размерами) и количеством его в барабане, а с другой — кинетической энергией, с которой шары воздействуют на материал.
Состав пульпы характеризуется следующими показателями: содержанием твёрдого материала в пульпе по массе, т.е. отношением массы твёрдого вещества к массе всей пульпы, в которой заключается это количество твёрдого; разжижением, т.е. отношением массы жидкого к массе твёрдого материала в некотором количестве пульпы; плотностью пульпы при известной плотности твёрдого материала.
Наличие жидкой фазы усложняет механизм явлений, происходящих при измельчении, приводит к необходимости учёта гидростатических и гидродинамических закономерностей.
Измельчение относится к числу основных технологических процессов обогатительных заводов. Являясь весьма энергоёмким процессом, формирующим конечные показатели процесса обогащения, измельчение определяет технологические и технико-экономические показатели работы заводов. От показателей измельчения зависят результаты всей дальнейшей переработки обогащаемого продукта, прежде всего такие, как производительность заводов, извлечение ценного компонента, содержание его в концентрате, потери в хвостах. Поэтому важное значение приобретает вопрос оптимизации режимов работы измельчительных агрегатов.
Входные воздействия процесса измельчения включают: расход руды и воды в мельницу, гранулометрический состав и твёрдость руды. При работе мельницы в замкнутом цикле с классификатором указанные выше параметры дополняются циркулирующей нагрузкой и расходом воды в слив мельницы и пески классификатора. Последний параметр часто объединяют с расходом воды в мельницу и рассматривают как единое входное воздействие: общий расход воды в мельницу.
Показателями процесса измельчения обычно служат гранулометрический состав и плотность продукта измельчения (при работе мельницы в открытом цикле продуктом измельчения является слив мельницы, а при работе в замкнутом цикле - слив классификатора), производительность по материалу заданной крупности.
Особо важное значение в интеграции систем приобретает централизованное автоматизированное управление на обогатительных заводах вследствие наличия большого числа технологических потоков и механизмов.
Централизованное управление одним контуром измельчения реализуется в виде операторской панели, на которой сведены управление и контроль за работой основных механизмов технологической цепи.
Переменные качества исходной руды по крупности, влажности, твёрдости и другим факторам сильно осложняют задачу оптимизации режима измельчения. Процесс измельчения физически тесно связан с процессом классификации. Эти два процесса находятся, как правило, в замкнутом цикле. Поэтому технологические параметры, характеризующие каждый процесс в отдельности, находятся между собой в динамической связи. Отсюда следует, что при решении задачи автоматизации измельчения и классификации необходимо рассматривать как процесс, происходящий в одно-мобъекте: «мельнице-классификаторе». Конечным критерием, определяющим работу измельчительно-классифицирующего агрегата, является максимальная производительность при заданных классах крупности в готовом продукте.
Целью оптимального управления процессом измельчения и классификации цеха измельчения является максимально возможная переработка руды при обеспечении заданного качества её помола. Сама задача при этом сводится к нахождению оптимального управления, которое переводит систему из текущего состояния в требуемое, минимизируя заданный интегральный критерий качества.
Информация о качестве измельчения и классификации- это количество твердого продукта и гранулометрическийсостав пульпы в 4 точках процесса:
- На выходе мельницы первой стадии измельчения.
- На выходе мельницы второй стадии измельчения.
- В сливе спирального классификатора.
- Всливе гидроциклона.
Суть эксперимента - временно использовать седиментационный грану-лометр, разработанный фирмой ED GmbH для получения данных о тенденциях измельчения гранулометрического состава при различных параметрах работы измельчительного блока для определения экспериментальных и оптимальных значений параметров измельчения и классификации, а также для набора данных в резюме реального времени для создания ней-ромоделей мельничного и классифицирующего оборудования.
Нейросети выдают прогнозы грансостава в резюме реального времени, система оптимального управления использует эти данные для оперативных изменений заданных значений регулятором процесса.
Концепция построения системы управления процессом измельчения и классификации принята на основании следующих двух условий:
- в силу ряда специфических условий производственного процесса, в частности, значительная нестабильность вещественного состава и технологических свойств поступающей на переработку руды, построение системы
управления на базе «жесткой» логики типа «задание - фактическое значение - рассогласование - регулирующее воздействие» заведомо не обеспечивает оптимальности управления;
- на горно-металлургических заводах имеется достаточно богатый опыт эксплуатации поставленных фирмой «Engineering Dobersek GmbH» гидроциклонных установок «CONTICLASS® SYSTEM». При этом программа управления этими установками, построенная на основе SCADA-систем «WinErs», не только обеспечивает собственно управление насосным оборудованием и гидроциклонами, но также и осуществляет контроль, визуализацию и архивирование параметров работы основного оборудования мельничного блока, в связи с чем наиболее разумным представляется построение системы автоматизированного управления процессом измельчения и классификации как минимально необходимое расширение уже существующей системы.
В силу первого условия принято целесообразным построение системы управления процессом измельчения и классификации на базе искусственного интеллекта (нейронные сети).
Искусственный интеллект обычно толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, в нашем случае, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.
Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.
Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по свой природе и имеют способность отображать почти любые нелинейные функции, что не мало важно при решении задачи по созданию системы оптимального управления процессом измельчения и классификации на ГМЗ. Использование нейронной сети позволит справиться с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных.
При этом от пользователя требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень
знаний, необходимый для успешного применения нейронных сетей на процессе измельчения и классификации в условиях ГМЗ, гораздо скромнее, чем, например, при использовании традиционных методов статистики.
Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем.
Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается. При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Таким образом, сеть можно применять в ситуации, когда у имеется определенная известная информация, и ставится задача получения некоторой пока не известной информации.
Основу каждой нейронной сети составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены.
Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке 9.
Вход Синапс
Аксон Выход -О 7
У = ^ (^)
Рис. 9 Искусственный нейрон
Каждый синапс характеризуется величиной синаптической связи или ее весом который по физическому смыслу эквивалентен электрической проводимости.
Текущее состояние нейрона определяется, как взвешенная сумма его входов:
n
S = £ x. w.
i=1 (5)
Выход нейрона есть функция его состояния:
У = f(s) (6)
Нейрон получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синоптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (она также называется постсинаптическим потенциалом нейрона - PSP). Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.
Уравнения, которые описывают функционирование нейронной сети, имеют вид:
Угх (0) = 0, m = 1,2,..., M (7)
N M
s(k) = rn^xw +ÊXx(k- 1)v,x + b, i = 1,2,...,M, k = 1,2,...,K (8)
j=1 rx=1
y (k ) = f ( s (k )), i = 1,2,..., M, k = 1,2,..., K (9) где y - выход нейрона; m, i - номера нейронов; M - число нейронов в сети, s - выход сумматора сети; j - номер элемента входного сигнала; N - размерность входного сигнала; x - элемент входного сигнала; w - синоптический вес; v - вес связи от выхода нейрона к входу; k - номер такта функционирования сети; K - число тактов функционирования; b - смешение нейрона; ц - коэффициент затухания, например:
M(k ) = f (10)
k
где р - некоторая константа.
Математическая функция каждого нейрона - это весовая сумма его входов, которая поддаётся обработке на выходной экспоненциальной функции (см рис 10).
Условный вес данного сигнала
Рисунок 1 - Математическая модель нейрона
Моделирование нейронной сети является удобным и естественным базисом для представления информационной модели процесса измельчения и классификации в условиях ГМЗ.
Список литературы
1. Андреев С.Е., Перов В. А., Зверевич В.В. Дробление, измельчение и грохочение полезных ископаемых. / Под ред. В.П. Куник. - М.: Недра, 1980.
2. Троп А.Е., Козин В.З., Аршинский В.М. Автоматизация обогатительных фабрик. / Под ред. Б.И. Антонова. - М.: Недра, 1970.
3. Ронканен В.В. Проектирование автоматизации обогатительных фабрик. / Под ред. В.В. Мирской. - М.: Недра, 1978.
4. Хан Г.А., В.П. Картушин Автоматизация обогатительных фабрик. / Под ред. Л.П. Рузинова. - М.: Недра, 1974.
5. Кошарский Б.Д., Ситковский А.Я. Красномовец А.В. Автоматизация управления обогатительными фабриками. / Под ред. Н.Д. Балашова. - М.: Недра, 1977.
6. Устинова Г.М. Информационные системы менеджмента. / Под ред. Л.Л. Кистер-ского. - СПб: Издательство «ДиаСофтЮП», 2000.
Boybutaev Sanjar Baxritdinovich, senior teacher, (e-mail: navdki@mail.ru), Navoi state mining institute, Navoi, Uzbekistan
Kadirov Yorkin Baxodirovich, senior teacher, (e-mail: navdki@mail.ru), Navoi state mining institute, Navoi, Uzbekistan
Sattarov Olim Usmonqulovich, senior teacher, (e-mail: navdki@mail.ru), Navoi state mining institute, Navoi, Uzbekistan
DEVELOPMENT OF EXPERT SYSTEM OF PROCESS CONTROL FOR GRINDING AND CLASSIFICATION BASED ON NEURAL NETWORKS.
Abstract. In the article, we develop the optimal control system by process of grinding and classifying plant grinding based on artificial intelligence (neural network) to achieve a maximum possible ore processing while ensuring the target quality of the grinding. The concept of
building a process control system grinding and classification adopted under the conditions of instability of the material composition and technological properties of the incoming ore as the construction of the control system on the basis of "hard" logic of the "job - the actual value -the misalignment - regulating effect" obviously does not provide optimal control. Keywords: grinding, classification, inputs, consumption of ore, the granulometric composition, spiral classifier neuromodule, neurostimulant, classification, inputs, consumption of ore, the granulometric composition, spiral classifier neuromodule, neural networks
УДК 663.44
ИССЛЕДОВАНИЕ ПРОЦЕССА ОХМЕЛЕНИЯ ПИВНОГО СУСЛА С ПРИМЕНЕНИЕМ СОВРЕМЕННОГО ОБОРУДОВАНИЯ Бородулин Дмитрий Михайлович, д.т.н., профессор (e-mail: borodulin_dmitri@list.ru) Сафонова Елена Александровна, к.т.н., доцент (e-mail: safonova.kem@yandex.ru) Просин Максим Валерьевич, к.т.н., старший преподаватель (e-mail: santa-dlx.kem@yandex.ru) Миленький Илья Олегович, аспирант Кемеровский технологически институт пищевой промышленности (университет), г. Кемерово, Россия (e-mail: milenkiyilia@mail.ru)
Настоящая статья посвящена исследованию процесса охмеления пивного сусла в пивоваренной промышленности с применением роторно-пульсационного аппарата (РПА). В данном аппарате проводят приготовление хмелевого экстракта, который затем вносится в пивное сусло в процессе кипячения. Определены оптимальные технические параметры работы РПА, при которых полученный хмелевой экстракт имеет максимально возможное содержание изогумулона - основного компонента горьких веществ. Применение РПА на стадии охмеления пивного сусла позволяет уменьшить нормы внесения гранулированного хмеля и сократить длительность процесса кипячения с 2 до 1 часа.
Ключевые слова: пиво, роторно-пульсационный аппарат, охмеление, пивное сусло, изогумулон, хмелевой экстракт.
Рассматривая состояние рынка пива на 2016 год можно отметить его небольшое падение относительно 2015 года, которое замедлилось и составляет 1 - 2 % [1]. В современных условиях для конкурентоспособности отрасли важны снижение затрат на производственный цикл. Это возможно достигнуть за счет совершенствования технологии производства путем внедрения нового современного оборудования.
Нами предлагается возможность получения экономического эффекта в пивоваренном производстве в результате интенсификации стадии охмеле-
