CC BY
41
Полученные данные толщины слоев цинкового покрытия в зависимости от продолжительности погружения в расплаве представлены на рис. 1.
14 12 10 8 6 4
ФазаС
Фаза 6
Фаза у
1 3 5 7 9 11 13 15 17 19 21 23 25 27 Время диффузии, с
Рис. 1. График зависимости толщины фаз цинкового
покрытия от времени погружения в расплав
В результате работы при использовании геометрии конструктивных фракталов было проведено описание процесса формирования структуры цинковых покрытий стальной проволоки. Полученные зависимости позволяют прогнозировать структурный состав железоцинковых фаз в зависимости от времени погружения в расплав. Таким образом, появляется возможность устанавливать наиболее рациональную скорость движения проволоки в агрегате горячего цинкования и получать покрытия требуемого уровня качества, соответствующего современным требованиям потребителей. В итоге возрастает качество готовой продукции, снижается вероятность появления дефектов, связанных с недостаточным сцеплением покрытия с основой и достигается требуемая толщина покрытия.
Наиболее хрупкой из указанных фаз является С,-фаза, что объясняется ее строением. Установлено, что она имеет ярко выраженную столбчатую структуру. Стехиометрический состав отвечает Фаза С,, кристаллизуясь, имеет моноклинную решетку. Содержание железа в фазе составляет 6 % (по массе). Плотность ее 7,18 г/см3, микротвердость примерно 2649 МПа. Иногда ^-фаза бывает очень дисперсной, ее кристаллы принимают форму расходящихся ветвей и внедряются в вышележащий слой т)-фазы [3]. Очевидно, что эта фаза является наиболее нежелательной в цинковом покрытии.
Таким же образом можно установить общую толщину цинкового покрытия, которая будет равна сумме толщин отдельных фаз:
h = (my+mi+ml.)(l-\-\ ),
где ту, ть, т^ - коэффициенты, связывающие динамику процесса и линейное измерение толщины слоя, соответственно, для фаз у, 5 и Зависимость толщины цинкового покрытия от продолжительности цинкования представлена на рис. 2.
25,0000 20,0000 15,0000 10,0000 5,0000 0,0000
Г
1 2 3 4 5 6 7 8 9 10 11 12 13 14 Время диффузии, с
Рис. 2. График зависимости общей толщины цинкового покрытия от времени погружения
Список литературы
1. Арсентьев, П.П. Металлические расплавы и их свойства / П.П. Арсентьев, JI.A. Коледов. - M., 1976.
2. Бузунов, Е.Г. Описание процесса диффузии цинковых покрытий стальной проволоки на основе теории конструктивных фракталов / Е.Г. Бузунов // Вестник МГТУ им. Г.И. Носова. - 2010. - № 1. - С. 66.
3. Проскурин, Е.В. Цинкование: справочник / Е.В. Проскурин, В.А. Попович, А.Т. Мороз. -М., 1988.
4. Lauwerier, H.A. Fractals - images of chaos / H.A. Lau-werier. - Princetion; NY., 1991.
УДК 681.3
Е.В. Ершов, Л.Н. Виноградова, Е.В. Майтама
МАТЕМАТИЧЕСКОЕ И АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ВЫХОДА ГОДНОГО АГЛОМЕРАТА НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ КОХОНЕНА
В статье дается краткая характеристика состава математического обеспечения, описывается система прогнозирования выхода годного агломерата, состоящая из двух подсистем: подсистемы сбора и сжатия информации и подсистемы анализа и прогнозирования. Дается обоснование применения нейросетевой технологии для процесса прогнозирования, приводится алгоритм обучения нейронной сети Кохонена для данной прикладной задачи.
Агломерат, изображение, шихта, датчик, прогнозирование, нейронная сеть, кластер.
The paper briefly describes the mathematical support and the system of forecasting consisting of two subsystems: a subsystem of gathering and a compressing information and a subsystem of analyzing and forecasting. The application of Kohonen neural network is substantiated for the forecasting process and the algorithm of teaching this neural network for the given applied problem is presented.
Agglomerate, image, charge, sensor, forecasting, neural network, cluster.
Агломерация - процесс спекания мелких руд и концентратов путем сжигания топлива в слое спекаемого материала или подвода высокотемпературного тепла извне.
Агломерационный процесс наиболее эффективен при получении высокоосновного агломерата из шихты с высокой газопроницаемостью на базе богатых по железу гематитовых руд с низким содержанием кремнезема [2].
Для управления процессом спекания шихты технический персонал аглофабрики использует:
- показания контрольно-измерительных приборов, установленных на операторских пунктах;
- данные технологических карт, составляемых работниками агломерационной лаборатории;
- личные визуальные наблюдения за внешним видом сырья, загрузкой шихты на паллеты, работой зажигательного горна, готовой продукцией и пр.
Визуальный анализ окончания процесса спекания осуществляется персоналом в разгрузочной части машины. По наблюдениям за внешним видом излома аглоспека делается вывод о том, идет ли технологический процесс в пределах установленных норм или требуется его регулирование.
Наличие в изломе аглоспека зон горения и непро-горевшей шихты говорит о качестве хода технологического процесса. Отклонение от нормального состояния может быть вызвано изменением:
- содержания топлива в шихте;
- содержания влаги в шихте;
- скорости движения паллет;
- скорости фильтрации воздуха;
- газопроницаемости спекаемого слоя;
- времени внешнего нагрева;
- состава газа, поступающего на горение.
Для обеспечения высокого качества агломерата в настоящее время используются автоматизированные системы, следящие за производством и прогнозирующие показатели качества продукта на выходе производства. Данные системы используют огромное количество параметров, снимаемых на всем протяжении процесса агломерации. Высокие технико-экономические показатели на многих аглофабриках страны достигнуты в результате внедрения автоматизированных систем регулирования работы механизмов агломерационных машин. Информативными параметрами, как правило, являются температура или разность температур отходящих газов в последних вакуум-камерах, температура газов перед газоочисткой, светимость спекаемого слоя над последними вакуум-камерами и ряд других факторов. В основу регулирования положено изменение скорости движения паллет в зависимости от перечисленных параметров, одновременное и точное изменение которых на практике осуществить сложно. Любая корректи-
ровка загрузки, увлажнения, зажигания или вакуумного режима приводит к снижению качества агломерата и производительности машины. Наиболее высокие технико-экономические показатели достигаются при стабилизации скорости движения паллет, высоты спекаемого слоя и режима зажигания [1].
Разделение аглоспека на годный агломерат и возврат осуществляется после выдачи аглоспека с агло-машины при дальнейшей его обработке на тракте подачи к доменным печам.
В соответствии с технологией доменной плавки к агломерату предъявляются определенные требования, среди которых по возможности однородная крупность при минимальном количестве мелочи (0,0 -5- 5,0 мм). Многолетняя практика применения агломерата в доменном процессе показала, что наилучшие технико-экономические показатели плавки достигаются при работе на агломератах с минимальным содержанием мелочи [2]. Получение агломерата с высокими потребительскими свойствами - одно из условий увеличения производительности доменных печей и улучшения качества выплавляемого чугуна.
Следовательно, прогнозирование выхода годного агломерата [содержания доли оптимального класса крупности 6 (5 40 мм)] по окончании процесса агломерации с целью снижения расхода кокса и увеличения производительности доменных печей является важным [1].
Математическое обеспечение системы прогнозирования параметров непрерывного технологического процесса производства агломерата строится с учетом некоторых особенностей ее функционирования:
- работы в режиме непосредственной связи с объектом;
- работы в режиме реального времени;
- разнообразия выполняемых функций системы при их относительной неизменности во время эксплуатации;
- необходимости обмена информацией с большим количеством ее источников и потребителей в процессе решения основных функциональных задач.
Специальное математическое обеспечение системы прогнозирования выходных параметров процесса спекания агломерата является совокупностью математического обеспечения двух подсистем.
В подсистеме сбора и сжатия информации реализуются алгоритмы фрактальной компрессии изображения излома агломерационного спека, сбора и первичной обработки входных и выходных параметров с целью создания петроспективного банка данных. Подсистема анализа и прогнозирования использует нейросетевые алгоритмы прогнозирования выхода годного агломерата, алгоритмы визуализации декомпрессии для представления результатов.
Соотношение скорости движения паллет (1,5-*-
3,2 м/мин) и скорости работы современной ЭВМ позволяет получать и обрабатывать количество информации, достаточное для того, чтобы на основе быстродействующих алгоритмов с высокой достоверностью получать информацию и рекомендации по управлению процессом агломерации.
Применение нейросетевой технологии уместно в случаях, когда формализация процесса решения трудна или вообще невозможна [3]. Именно такая ситуация сложилась при производстве агломерата: более десятка входных параметров влияют на качество агломерата, однако вывести точную зависимость качества агломерата от входных параметров не представляется возможным. Именно поэтому было принято решение прогнозировать выход годного агломерата с помощью нейросетевых алгоритмов.
Сеть Кохонена разработана Т. Кохоненом в начале 1980-х гг. и использует неконтролируемое обучение, а обучающее множество состоит лишь из значений входных переменных [4]. К преимуществам сети относится относительная простота реализации, быстрота обучения, устойчивость к помехам, то, что настройка весов заканчивается после обучения. Недостаток сети: необходимо заранее задавать количество кластеров.
Сеть Кохонена состоит из двух слоев. Нейроны выходного слоя называются кластерными элементами. Их количество определяет максимальное количество групп, на которые система может разделить входные данные. Увеличивая количество нейронов второго слоя, можно увеличить детализацию результатов процесса кластеризации.
Сеть работает по принципу соревнования: нейроны второго слоя соревнуются друг с другом. Побеждает тот элемент-нейрон, чей вектор весов ближе всего к входному вектору сигналов. За меру близости двух векторов обычно берётся евклидово расстояние между ними. Таким образом, каждый входной вектор относится к некоторому кластерному элементу.
Алгоритм обучения сети Кохонена представлен на рисунке и состоит из следующих этапов:
1. Инициировать матрицу весов малыми случайными значениями (на отрезке [-1, 1]).
2. Случайным образом выбрать вектор из входного множества.
3. Для каждого выходного нейрона у вычислить расстояние между его вектором весов и входным вектором х:
4. Найти выходной нейрон-победитель ymm с минимальным расстоянием тшЦ).
5. Для выходного нейрона-победителя jmm и для его соседей из окрестности hit, j, т) обновить векторы весов по правилу
Wij (t + 1) = Wij (t) + e(t) ■ h (t, j, m) ■ (x, - щ (/)),
где Wjj (t) - значение весового коэффициента связи входного нейрона i и выходного нейрона j в момент
+
Выбрать вектор из обучающей выборки
Для каждого нейрона
Г ^ Найти расстояние между входным вектором и весом нейрона (4)
Найти минимальное расстояние (min (dj))
Найти нейрон-победитель Jm in
Вычислить функцию окрестности h(t,j, т)
10
дя неирона-поОедителя и его соседей
11
Пересчитать веса
12
Посчитать ошибку
С
13
Конец
Г)
Блок-схема алгоритма обучения нейронной сети Кохонена
времени г; е(г) - коэффициент скорости обучения в момент времени Р, х1 - выход /-го нейрона первого слоя; Щ, /, т) — значение функции окрестности:
h{t,j,m) = ехр
(•xm-xj)2+(ym-yjf
ех;
р(-0
где т - нейрон-победитель; } - нейрон выходного слоя, для которого производится вычисление функции окрестности; г - параметр времени.
6. Повторить с п. 2 для всех элементов входного множества.
Цикл обучения продолжается до достижения системой нужного состояния. Критерием останова обучения является незначительное изменение весов.
После прохождения обучения нейронная сеть способна осуществлять прогноз выхода годного агломерата в диапазонах, предусмотренных делением на кластеры (плохое качество - выход годного < 60 % и > 80 %, хорошее качество - выход годного от 61 до 67 %, отличное качество - выход годного от 68 до 80 %).
Данный прогноз осуществляется с помощью нейронной сети, если в ретроспективном банке данных система не обнаружит совпадения входной информации из базы данных с реальными экспериментальными данными. Если такие совпадения существуют, то
система выдает прогноз из ретроспективного банка данных. При прогнозе выхода годного агломерата < 60 % система выдает рекомендации оператору для поддержки принятия решений о корректировке хода технологического процесса.
Список литературы
1. Ершов, Е.В. Оценка качества агломерата с использованием оптико-электронного метода / Е.В. Ершов // Известия высших учебных заведений. Черная металлургия. -2006.-№7.-С. 19-22.
2. Коротич, В.И. Агломерация рудных материалов / В.И. Коротич, Ю.А. Фролов, Г.Н. Бездежский. - Екатеринбург, 2003.
3. Назаров, A.B. Нейросетевые алгоритмы прогнозирования и оптимизации систем / A.B. Назаров, А.И. Лоскутов. -М., 2003.
4. Осовский, С. Нейронные сети для обработки информации / С. Осовский. - М., 2002.
УДК 621.778.04
Р.А. Юдин, В.Р. Аншелес, И.Л. Вишнякова, И.Р. Юдин, А.Г. Ершов
ПОЛУЧЕНИЕ И ПРИМЕНЕНИЕ КОНТРОЛИРУЕМЫХ АТМОСФЕР
В ТЕРМИЧЕСКИХ ПЕЧАХ
В статье рассмотрены вопросы, связанные с применением контролируемых атмосфер в термических печах с муфелиро-ванием садки и пламени различных производств. Эти атмосферы защищают поверхность металлопродукции от окисления и обезуглероживания, восстанавливают химически чистое железо и углеродный потенциал.
Аммиак (NH3), химически чистый азот (99,9 % N2), азото-водородная смесь (ABC - 25 % N2, 75 % Н2), защитный газ (4-5 %Н2, 96-95 %N2).
The paper considers the problems of applying controlled atmospheres in thermal furnaces with hiding of content and fire in different production processes. These atmospheres protect surfaces of metals from oxidation and carbon escape, they restore chemically pure iron and carbon potential.
Ammonia (NH3), chemically pure nitrogen (99,9 % N2), nitrogen-hydrogen mixture (ABC - 25 % N2, 75 % H2), protecting gas (4-5 %H2, 96-95 %N2).
Практически во всех технологических процессах нагрев стальных изделий осуществляют несколько раз. При каждом нагреве в пламенных печах с полным сжиганием топлива и в электропечах, рабочее пространство которых заполнено воздухом, сталь окисляется и переходит в окалину около 5 - 6 % стали [2]. Решение вопроса о снижении окисления стали и полном его исключении достигается в печах с му-фелированием садки и пламени. К первым относятся колпаковые печи для термохимической обработки различных видов металлопродукции, например стальных рулонов, бунтов, пакетов прутков, и протяжные многониточные муфельные печи для термохимической обработки проволоки.
Колпаковые печи содержат один муфель из жаростойкой стали, установленный в специальном затворе, например простейшем песочном. Сверху на
муфель надевают футерованный изнутри специальный колпак. На его боковой футеровке устанавливают электронагреватели сопротивления либо газовые горелки, которыми нагревают внешнюю поверхность муфеля.
В рабочее пространство муфеля подают защитный газ, содержащий 95 - 96 % азота и 5 - 4 % водорода. Его влажность соответствует температуре точки росы не более -40 °С. Технологическая температура в термических печах с муфелированием садки значительно ниже, чем в нагревательных, и не превышает 950 °С. При такой температуре азот является химически инертным газом и не реагирует со сталью, а водород восстанавливает химически чистое железо на поверхности стали по химической реакции
РеО + Н2 => Бе + Н20 (1)
