Алгоритм создания информационной нейро-модели для целей оптимизации управления технологическими процессами измельчения и классификации Текст научной статьи по специальности «Компьютерные и информационные науки»

Моник мцчньи ими 2011

АЛГОРИТМ СОЗДАНИЯ ИНФОРМАЦИОННОЙ НЕЙРО-МОДЕЛИ ДЛЯ ЦЕЛЕЙ ОПТИМИЗАЦИИ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ ИЗМЕЛЬЧЕНИЯ И КЛАССИФИКАЦИИ

П.В. Кузнецов, В.Н. Богатиков, А.Е. Пророков*

Для достижения целей оптимального управления процессом измельчения и классификации необходимо перерабатывать максимальное количество руды, обеспечивая необходимое качество ее помола. В данном случае требуется определить оптимальное управление, которое было бы способно перевести систему из текущего состояния в требуемое, при минимизации заданного критерия качества.

Учитывая специфику условий технологического процесса измельчения апатито-нефелиновых руд (нестабильность вещественного состава, крупности и других свойств руды), построение стандартной системы управления в виде локальных контуров автоматического регулирования отдельных параметров не позволяет в достаточной степени обеспечить оптимальное управление.

Исходя из этого, предпочтительно разработать систему управления процессом измельчения и классификации на основе нейронных сетей, особенностью моделей которых является возможность воспроизведения чрезвычайно сложных зависимостей.

Нейронные сети обладает целым рядом свойств, привлекательных с точки зрения их практического использования на процессах измельчения и классификации:

• сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;

• толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;

• способность к обучению, программирование вычислительной системы заменяется обучением;

• способность к распознаванию образов в условиях сильных помех и искажений.

Общая структура системы оптимального управления приведена на рис. 1.

Процесс создания системы управления процессом измельчения можно разделить на два этапа:

1. Построение математической модели и определение степени влияния контролируемых параметров на качество помола и производительность мельницы по руде;

2. Исключение из системы оборудования для измерения таких параметров работы технологического процесса, значения которых можно определять вычислениями и запуском системы в минимально необходимой конфигурации [1].

Нейронная сеть

Прогноз качества измельчения и классификации

I

Система регулирования

в п

да I" аю

Н

ф

Новомосковский институт РХТУ им. Д. И. Менделеева, г. Новомосковск.

Рис.1. Структура системы управления процессом измельчения и классификации

Процесс сокращения множества параметров и входных сигналов является одним из этапов нейро-сетевого моделирования, целями которого являются:

1. Упрощение специализированных технических устройств (гранулометров и т.п.);

2. Сокращение объема используемой памяти системы управления и увеличение быстродействия нейросети;

3. Уменьшение количества используемых данных за счет отбрасывания наименее значимых параметров процесса;

4. Облегчение явной вербальной интерпретации процесса и результатов обработки данных [2].

Наиболее важными являются две последние цели. Сокращение объема данных уменьшает затраты на самый трудоемкий процесс - сбор данных; возможность явной вербальной интерпретации -новое свойство нейросетей, в результате которого появляется возможность приведения структуры нейронной сети к понятному и допускающему осмысленный пересказ виду. Первые два из перечисленных этапов представляет собой достаточно серьезную задачу, поэтому рассмотрим их более подробно.

Первый этап

Система управления гидроциклонными установками должна обеспечивать программное управление пуском и остановкой насосов, а также переход с работающего насоса на резервный и обратно. При этом управление процессом классификации в гидроциклонах осуществляется следующими контурами регулирования:

• скорости вращения насоса, что предотвращает его кавитационный износ и поддержание в зумпфе постоянного уровня;

• подачи воды в зумпф, что обеспечивает оптимальную плотность питания гидроциклона.

Диаграмма программного самописца, отображаемого на мониторе, непосредственно на рабочем месте машиниста мельницы, должна служить для общей оценки технологического процесса измельчения и классификации и отображать, в том числе, и следующие технологические параметры:

• плотность текущей переработки руды;

• сигнал шумомера;

• расход воды в мельницу;

• давление на входе гидроциклонной батареи, находящейся в данный момент в работе;

• слива гидроциклонов;

• плотность слива классификатора.

Кроме этого, на мониторе должна отображаться температура коренных подшипников мельницы и подшипников ее привода, окна сообщений об ошибках и основных событиях в работе гидроциклонной установки и некоторая другая информация.

Некоторые основные характеристики процесса измельчения, используемые в алгоритмах управления, приведены на рисунке 2.

При создании экспертной системы путём расширения программы управления гидроциклонными установками в систему необходимо добавить следующие локальные контуры регулирования:

• стабилизация коэффициента заполнения мельницы, при этом регулируется подача руды;

• предотвращение глубоких перегрузов мельницы по шуму путём своевременного снижения переработки руды: при достижении определенного значения шумомера мельница автоматически переходит в режим выработки, снижая подачу руды;

• стабилизация плотности разгрузки мельницы;

• стабилизация плотности слива спирального классификатора;

• переключение вибропитателей в автоматическом режиме.

Уровень руды в аккумулирующих бункерах измеряется ультразвуковыми датчиками повышенной мощности и большого диапазона измерения, установленных в верхней точке бункера. Сигналы уровня над отдельными вибропитателями передаются на управляющий компьютер мельничного блока и по сети на отдельный компьютер. Выбор и управление его работой осуществляет экспертная система. Уровень заполнения бункеров над каждым вибропитателем и количество руды в бункере отображается на экране компьютера управления блоком, на компью-

тере в центральном диспетчерском пункте, центральной базе данных и архивируется на жёсткий диск.

а)

Коэффициент заполнения мельницы

Рис. 2. Зависимости пропускной способности мельницы I стадии измельчения от плотности ее разгрузки (а) и потребляемой мощности привода от уровня заполнения барабана (б)

Измерения активной мощности электродвигателей классификаторов представляют собой дополнительную информацию о песковой нагрузке классификаторов. Общая циркулирующая нагрузка программно вычисляется из баланса по твёрдому продукту технологического процесса. Уровни шума мельницы определяются стандартным шумомером. Для измерения крупности руды используется ультразвуковой датчик, установленный над конвейером подачи руды в мельницу. Аналоговый сигнал с датчика используется после программной обработки как дополнительный корректирующий сигнал на адаптивный регулятор подачи руды в мельницу.

Расход пульпы из зумпфа вычисляется из расхода воды и подачи руды в мельницу.

Крупность продуктов измеряется грануло-метрами.

Для измерения и контроля температуры, защиты от перегрева подшипников синхронного электродвигателя, подшипников вала-шестерни привода, коренных подшипников мельниц использованы сигналы от существующих датчиков температуры. Эти сигналы отображаются на экране компьютера управления мельничным блоком, на компьютере, центральной базе данных и архивируются на жёсткий диск.

Расход воды в различных точках мельничного блока измеряется индукционными расходомерами.

Наиболее трудоемкой задачей в ходе первого этапа построения системы оптимального управления процессом измельчения является шкалирование

первичных датчиков и верификация их показаний, особенно гранулометров, для получения достоверных данных о тенденции изменения гранулометрического состава продуктов при различных параметрах работы измельчительного и классифицирующего оборудования, т.е. определения экстремальных и оптимальных значений параметров измельчения и классификации, необходимых для создания нейромоделей измельчительного и классифицирующего оборудования мельничного блока.

Второй этап

При создании нейронной сети для процесса измельчения и классификации создается информационная нейро-модель по следующему алгоритму:

1. Запись текущих значений параметров (сигналов измерений и вычислений) в базу данных во время работы блока измельчения в различных режимах рудной нагрузки и при различных свойствах измельчаемой руды на протяжении заданного времени с заданным интервалом.

2. Автоматическая обработка данных взятых из базы данных, которые влияют на работу главных объектов процесса измельчения и классификации:

• мельницы;

• спирального классификатора;

• гидроциклонных установок с целью определения типичных составов параметров для создания и тренировки объектов нейромодели.

3. Автоматическое создание нейромодели 3-х выше указанных объектов и их тренировка с целью минимизации ошибки математического моделирования для реальных диапазонов изменений входных и выходных переменных по принципу распространения сигналов ошибки от выходов нейронной сети к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы.

Данные, подаваемые на вход сети и снимаемые с выхода, должны быть правильно подготовлены. При создании нейронной сети для экспертной системы выбран один из распространённых способов -масштабирование:

х = (1)

где х - масштабированный вектор;

х - исходный вектор;

- усреднённое значение совокупности входных данных;

с - масштабный коэффициент.

Масштабирование необходимо, чтобы привести данные в допустимый диапазон. Если этого не делать, то возможно несколько проблем:

• нейроны входного слоя или окажутся в постоянном насыщении (т велик, дисперсия входных данных мала) или будут всё время заторможены (т мал, дисперсия мала);

• весовые коэффициенты примут очень большие или очень малые значения при обучении (в зависимости от дисперсии), и, как следствие, растянется процесс обучения и снизится точность. Обучающая выборка имеет вид:

(2)

где

<т и с - элемент входного и выходного сигнала, соответственно;

е - номер обучающего примера (е = 1, 2,... . Р); г - число обучающих примеров в выборке.

Перед началом обучения сеть инициализируется синаптическим весам и смещениям присваиваются некоторые случайные значения из заданного диапазона. На каждой итерации обучения

выполняются модификации значений синаптических весов и смещений, уменьшающие функцию ошибки.

'<™'к

И#1 = IV* + - £

с1№>

г=1,2.....М, ;'=1,2......N

(3)

где

I - номер итерации обучения,

-г - шаг обучения.

Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки нейронной сети в процессе обучения является величина:

Ли)

(4)

где У]Р - реальное выходное состояние нейрона / выходного слоя N нейронной сети при подаче на ее входы р - го образа;

- идеальное (желаемое) выходное состояние этого нейрона.

Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам.

Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом:

=-!!■ — ■ (5)

'

где ж. - весовой коэффициент синоптической связи,

и

соединяющий г-ый нейрон слоя п-1 с _/-ым нейроном слоя

г] - коэффициент скорости обучения, 0 < }] < 1,

Количество входных и выходных нейронов отвечает количеству входных и выходных переменных. Каждый нейрон в сети имеет математические соединения с другими нейронами, входами и выходами. Схема полносвязной нейронной сети для мельницы представлена на рис. 3

<сг,.сг;

2

Рис. 3. Схема полносвязной нейронной сети для шаровой барабанной мельницы

Внешний входной сигнал подается на входы всех нейронов сети, выходы всех нейронов образуют выходной сигнал сети. Сеть функционирует в течение нескольких тактов. В начальный момент времени выходы всех нейронов равны нулю. В процессе функционирования на входы нейронов подаются выходные сигналы предыдущего такта и внешние входные сигналы.

При обучении нейронной сети основные переменные хранятся в оперативной памяти компьютера. Число основных переменных фиксировано, оно определяется числом настраиваемых параметров сети (весов и смещений).

1. Анализ степени влияния входных параметров нейромоделей на выходные и создание графических характеристик нейромоделей.

2. Создание каналов коммуникации между нейромоделями и системой управления по протоколу обмена, который позволяет двум приложениям обмениваться данными динамически во время выполнения таким образом, что изменения в одном приложении отражаются во втором.

3. Запуск нейромодели в режиме реального времени, в результате чего выдаётся прогноз гранулометрического состава пульпы в режиме реального времени.

4. Использование 2-х сигналов прогноза количества готового класса на задание регуляторов:

• уровень заполнения барабана мельницы, подача руды и воды в измельчение;

• подача воды в карман спирального классификатора (плотность слива).

Литература

1. Кафаров, В.В. Системный анализ процессов химической технологии. Процессы измельчения и смешения сыпучих материалов / В.В. Кафаров, И.Н. Дорохов, С.Ю. Арутюнов. - Москва: Наука, 1985.- 440 с.

2. Бобков, С.П. Моделирование систем: учебное пособие / С.П. Бобков, Д.О. Бытев. - Иваново: Иван. гос. хим.-технол. ун-т, 2008. - 156 с.

3. Линч, А. Дж. Циклы дробления и измельчения. Моделирование, оптимизация, проектирование и управление: Пер. с англ. / А. Дж. Линч. - Москва: Недра, 1981. - 343 с.

Постоянный технологический регламент АНОФ-2. -Апатиты: ОАО АПАТИТ, 2007.-159 с.