CC BY
45
Кожевникова Ирина Александровна - кандидат технических наук, доцент кафедры машин и агрегатов металлургических заводов металлургического факультета Череповецкого государственного университета.
Тимофеева Марина Анатольевна - кандидат технических наук, доцент кафедры машин и агрегатов металлургических заводов металлургического факультета Череповецкого государственного университета,
Кузнецов Виктор Валентинович - кандидат технических наук, ЧерМК ОАО «Северсталь».
Garber, Eduard Alexandrovich - Doctor of Science (Technology), Professor, Department of Machines and Aggregates in Metallurgical Plants, Metallurgical Faculty, Cherepovets State University.
Tel.: 8-921-252-63-91; e-mail:[email protected].
Pavlov, Sergey Igorevich — Cherepovets Steel Company, Severstal PLC.
Kozevnikova, Irina Alexandrovna - Candidate of Science (Technology), Associate Professor, Department of Machines and Aggregates in Metallurgical Plants, Metallurgical Faculty, Cherepovets State University.
Timofeeva, Marina Anatolievna - Candidate of Science (Technology), Associate Professor, Department of Machines and Aggregates in Metallurgical Plants, Metallurgical Faculty, Cherepovets State University.
Kuznetsov, Viktor Valentinovich - Candidate of Science (Technology), Cherepovets Steel Company, Severstal PLC.
УДК 681.3
E.B. Ершов, Л.Н. Виноградова, E.C. Шумилова
ИСПОЛЬЗОВАНИЕ НЕЙРОННОЙ СЕТИ И ФРАКТАЛЬНОЙ АППРОКСИМАЦИИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ МАКРОСТРУКТУРЫ И КАЧЕСТВА АГЛОМЕРАТА В ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЕ УПРАВЛЕНИЯ
СПЕКАНИЕМ ШИХТЫ
E.V. Ershov, L.N. Vinogradova, E.S. Shumilova
USING NEURAL NETWORKS AND FRACTAL APPROXIMATION TO FORECAST MACROSTRUCTURE PARAMETERS AND AGGLOMERATE QUALITY IN OPTICAL-ELECTRONIC SYSTEMS CONTROL OF SINTERING CHARGE
В статье предлагается алгоритм прогнозирования параметров макроструктуры и качества агломерата на основе нейронной сети и фрактального сжатия, дается обоснование применения фрактальных распределений для повышения степени архивации, приведена блок-схема алгоритма.
Агломерат, алгоритм, изображение, макроструктура, нейронная сеть, прогнозирование, фрактал.
The paper proposes an algorithm to forecast macrostructure parameters and agglomerate quality on the basis of neural network and fractal compression, as well as substantiates application of fractal distributions to improve backup and presents the algorithm block diagram.
Agglomerate, algorithm, image, macrostructure, neural network, forecasting, fractal.
В ходе непрерывных металлургических процессов для обеспечения качества продукции учитываются и контролируются десятки входных и выходных параметров. При этом для прогнозирования значений выходных параметров возможно использование накопленной в ходе предыдущих технологических циклов информации, так называемый банк ретроспективных данных, требую-
щий для своего хранения больших объемов памяти.
Автоматизированные системы управления процессом агломерации выполняют контроль параметров спекания, контроль шихтовых материалов и температуры газового потока, анализ отходящего газа на содержание СО, СОг, Н2.
С точки зрения быстродействия наиболее пер-
спективными системами контроля качества продукции являются оптико-электронные системы, в которых для обработки информации используются различные методы анализа изображений.
Для решения задачи контроля качества агломерата с использованием оптико-электронного метода в условиях реального агломерационного производства необходимо исследовать структурные характеристики агломерационного спека в изломе, сопоставив вид получаемой в процессе спекания макроструктуры и прочностные свойства агломерата.
Анализ макроструктуры аглоспека [4] даёт возможность сопоставить физические свойства агломерата с измеренными параметрами с целью определения его прочности, а следовательно, и его качества. Способность агломерата к разрушению определяется его макроструктурой и характеризуется рядом обстоятельств: изменением его гранулометрического состава, средним диаметром зерна, специфическими особенностями макроструктуры аглоспеков (средним диаметром пор, удельной поверхностью пор, объемной долей пор), влиянием свойств исходного сырья, расходом топлива [2].
Возможность компьютерного анализа изображений излома аглоспека была проверена экспериментально непосредственно в технологическом потоке в разгрузочной части агломерационной машины аглоцеха № 2 ОАО «Северсталь». При этом использовалась телекамера с приёмником оптического излучения в видимом диапазоне длин волн, которая формировала часть изображения излома спекаемого слоя, захватывая его главным образом по высоте, а не по ширине, т.е. анализу подвергался участок размером примерно 300 х 300 мм. Разрешение телекамеры позволило получить изображение макроструктуры с видимыми в изломе порами, анализ которого даёт чёткую картину распределения макроблоков в межблочном пространстве.
Растровые изображения всегда имели наибольший размер среди прочих форматов хранения информации, уступая только видео. Для создания изображения требуется описать каждый пиксель, поэтому чем больше пикселей и чем больше различных вариаций этого пикселя, тем больше размер файла. Вследствие всего этого возрастает трафик и время передачи. Поэтому для передачи и хранения параметров в формате графических изображений целесообразно использовать сжатие. Сжатие основано на устранении избыточности информации, содержащейся в исходных данных. Существуют разнообразные методы сжатия информации, однако именно фрактальное сжатие
максимально устраняет избыточность информации. Для сжатия можно применять как фрактальные образы, так и любые другие, обладающие из-ломистой структурой, но преимуществом фракталов является то, что они генерируются простой зависимостью и максимально устраняют избыточность информации (фракталы Мандельброта, Жю-лиа, треугольник Серпинского и др.).
Аппроксимация рядов экспериментальных данных с помеховой составляющей может быть проведена границами фракталов Мандельброта и Жюлиа. При аппроксимации данных фракталом Мандельброта ряд разбивается на 5 частей. В каждой части кривая задаётся прямоугольной областью фрактала и отрезком, на котором данные составляют прямую, приблизительно параллельную оси абсцисс.
Каждый единичный отрезок может быть представлен большим количеством промежуточных данных. Аппроксимируя такую кривую фракталами, получим довольно большой коэффициент сжатия, к тому же бесконечная извилистость фрактальной кривой даст возможность очень точно задать не только местоположение отдельных точек, но и изменение их дисперсии вокруг линии тренда.
Аппроксимация полиномом второй степени (на примере у = 0,0007х2 - 0,0021х + 0,1824) даёт значение дисперсии 0,003 вокруг исходного ряда. Фрактальная же аппроксимация, проведённая распределением, полученным на основе фрактала Мандельброта, даёт значение дисперсии 0,0009. Очевидно, что фрактальная кривая наиболее точно повторяет исходный ряд, а аппроксимация полиномом сильно искажает характер распределения экспериментальных данных, делая выборку неадекватной.
Фрактальная архивация основана на том, что изображение представляется в более компактной форме с помощью коэффициентов системы итерируемых функций, которые являются набором трехмерных аффинных преобразований. Преобразованию подвергаются точки в трехмерном пространстве: х_координата, ^координата, яркость. Каждое преобразование кодируется несколькими байтами, в то время как изображение, построенное с их помощью, может занимать десятки мегабайт [1]. Например, для файла в градациях серого 256 уровней 512 х 512 пикселей при размере блока 8 пикселей аффинных преобразований будет 4096 (512/8 х 512/8). На каждое потребуется 3,5 байта. Следовательно, если исходный файл занимал 262 144 байта, то файл с коэффициентами будет занимать 14 336 байт. Коэффициент архивации равен 18.
Свойства аглоспека рассматривались как функция А = F(p), где в качестве р использовались параметры: средний диаметр пор, удельная поверхность и доля межблочных пор крупнее 3 мм. При этом макроструктура изменялась от мелкопористой до кавернозной (рис. 1). Полученная информация о той или иной структуре может накапливаться, дополняться и обновляться, с тем чтобы создать банк ретроспективных данных для прогнозирования параметров аглоспека.
в
Рис. 1. Типы макроструктур агломерата:
а - мелкопористая: поры размером не более 4 мм;
б - крупнопористая: поры и раковины размером до
10-15 мм; в - монолитная: редко встречающиеся поры и раковины
Важнейшей особенностью нейронной сети является параллельная обработка информации всеми звеньями, что позволяет значительно ускорить процесс обработки информации. Кроме того, при большом числе межнейронных соединений сеть приобретает устойчивость к ошибкам, возникающим на некоторых линиях.
Другое не менее важное свойство - способность к обучению и обобщению накопленных знаний. Нейронная сеть обладает чертами искусственного интеллекта. Натренированная на ограниченном множестве данных сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся при ее обучении [3].
В настоящее время нейронные сети используются для решения целого ряда задач, одной из которых является задача прогнозирования.
При проведении анализа входных параметров и изображения на выходе с помощью нейронной
сети можно классифицировать макроструктуру аглоспека. При накоплении данных о типе макроструктуры, полученных в ходе предыдущих технологических циклов, по входным параметрам можно определить, какая будет получена макроструктура и какими параметрами необходимо управлять для повышения качества агломерата.
На рис. 2 представлен алгоритм прогнозирования параметров макроструктуры и выхода годного агломерата. Информация о выходе годного агломерата хранится вместе с изображением излома
Прогнозирование выходных параметров
Корректировка параметров процесса спекания
Конец
Рис. 2. Примерный алгоритм прогнозирования макроструктуры и выхода годного агломерата
аглоспека, сжатым с помощью фрактальной аппроксимации в базе данных. При получении экспериментальных данных производится поиск в базе данных похожих параметров, после чего определяется тип макроструктуры. При отсутствии типа макроструктуры проводится классификация с использованием восстановленного из базы данных изображения излома аглоспека с помощью нейронной сети, на основе чего определяется, можно ли перейти к следующему шагу либо необходимо произвести подстройку параметров. На следующем шаге проводится анализ экпериментальных данных с уже имеющимися результатами. На основе проведенного анализа формируется прогноз по доле оптимального класса крупности кусков агломерата (от 5 до 40 мм). Если доля оптимального класса крупности агломерационного спека меньше 67 %, выдвигаются рекомендации по корректировке самого процесса спекания, например по изменению скорости движения паллет. В противном случае процесс считается оптимально скорректированным.
В случае строго лимитированного объёма накопителей алгоритм позволит заложить в систему
большее количество данных, а следовательно, улучшить качество прогнозирования. Также данный алгоритм позволит осуществлять поиск оптимальных параметров управления процессом спекания агломерационной шихты, тем самым обеспечивая необходимое качество агломерата.
Список литературы
1. Ватолин, Д. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео / Д. Ватолин, А. Ратушняк, М. Смирнов и др. - М.: ДИАЛОГ-МИФИ, 2002.
2. Ищенко, А.Д. Автоматизированная система управления агломерационным процессом / А.Д. Ищенко, М.Л. Фишман, Л.Г. Бенсман и др. // Черная металлургия. - 1990. - № 4. - С. 65-66.
3. Осовский, С. Нейронные сети для обработки информации / С. Осовский. - М.: Финансы и статистика, 2002.
4. Kasai, Е. An analysis of the structure of iron ore sinter cake / E. Kasai, W.J. Rankin, R.R. Lovel, Y. Omohi // ISI J International. - 1989. - Vol. 29, № 8. - C. 635 - 641.
Ершов Евгений Валентинович - доктор технических наук, профессор, заведующий кафедрой ПО ЭВМ Института информационных технологий Череповецкого государственного университета.
Тел.: 8(8202) 55-65-97; e-mail: [email protected]
Виноградова Людмила Николаевна - старший преподаватель кафедры ПО ЭВМ Института информационных технологий Череповецкого государственного университета.
Шумилова Елена Сергеевна - ассистент кафедры ПО ЭВМ Института информационных технологий Череповецкого государственного университета.
Ershov, Evgeniy Valentinovich - Doctor of Science (Technology), Professor, Head of the Department of Computer Software, Institute of Information Technologies, Cherepovets State University.
Tel.: 8(8202) 55-65-97; e-mail: [email protected]
Vinogradova, Ludmila Nickolaevna - Senior Lecturer, Department of Computer Software, Institute of Information Technologies, Cherepovets State University.
Shumilova, Elena Sergeevna - Assistant, Department of Computer Software, Institute of Information Technologies, Cherepovets State University.
