Модели анализа качества стекольной шихты на основе искусственных нейронных сетей Текст научной статьи по специальности «Химические технологии»

УДК 666.1.013

О.А. Крайнов, Д.Ю. Петров, П.А. Король

МОДЕЛИ АНАЛИЗА КАЧЕСТВА СТЕКОЛЬНОЙ ШИХТЫ

НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Разработаны методы анализа управления качеством стекольной шихты, т.е. соответствием химического состава рецепту, и качеством смешивания на основе искусственных нейронных сетей с применением программного комплекса Matlab 7.

Производство шихты, искусственные нейронные сети

O.A. Kraynov, D.Yu. Petrov, P.A. Korol

MODELS OF QUALITY ANALYSIS GLASS-CHARGE ON THE BASIS

OF NEURAL NETWORKS

Management methods by quality glass-charge (conformity of a chemical compound to the recipe and quality of mixing) on the basis of neural networks with application of program complex Matlab 7 are developed.

Production of glass-charge, neural networks

В условиях современной рыночной экономики при наличии свободной конкуренции для успешного развития производства листового стекла предприятию необходимо повысить качество выпускаемой продукции. Качество и потребительские свойства листового стекла зависят от однородности стекломассы, которая вместе с рядом технологических характеристик определяют применяемые сырьевые материалы, способы их обработки и подготовки шихты. Поэтому необходимо разработать комплекс моделей для анализа качества стекольной шихты.

Основными показателями качества стекольной шихты являются соответствие химического состава рецепту и заданному составу во всех микрообъемах (однородность). Незначительные отклонения от рецепта приводят к нарушениям варки и формования стекла, появлению пороков в нем. В частности, при увеличении содержания песка удлиняется протяженность зоны шихты в бассейне стекловаренной печи, при этом изменяется температурный режим печи. При увеличении содержания соды или недостаточном количестве сульфата натрия удлиняется зона пены и т.п.

Основными причинами, вызывающими отклонения в составе шихты, являются: колебания химического состава сырья и ошибки дозирования [1]. Кроме того, оказывают влияние влажность сырья и гранулометрический состав (ГС) соды. Повышение влажности сырьевого материала приводит к уменьшению основного вещества в отвесе и, следовательно, к отклонениям от рецепта. Наличие большого числа крупных фракций соды приводит к ошибкам при проведении лабораторных анализов шихты.

Соответствие шихты рецепту определяется соотношениями:

S1=f1(c1,., c4, d1,..., d4), (1)

где £1 - отклонение от заданного химического состава по нерастворимому остатку (оксиду кремния); с1, с2, с3, с4 - содержание SiO2 в песке, доломите, карбонате кальция и полевом шпате, соответственно; d1, d2, d3, d4 - ошибки дозаторов песка, доломита, карбоната кальция и полевого шпата, соответственно;

S2=f2(c5, g1, g2, g3, h1, d5, d6), (2)

где S2 - отклонение от заданного химического состава по соде; с5 - содержание Na2CO3 в соде; g1, g2, g3 - ГС соды, сита № 2K, № 08, № 063, соответственно; h1 - влажность соды; d5, d6 - ошибки дозаторов сульфата натрия и соды, соответственно;

S3 =/з(с6, с7, h2, h3, d2, d3), (3)

где S3 - отклонение от заданного химического состава по сумме карбонатов кальция и

магния; с6, с7 - содержание CaCO3 и MgCO3 в карбонате кальция, соответственно; h2, h3 -

влажность карбоната кальция и доломита, соответственно; d2, d3 - ошибки дозаторов доломита и карбоната кальция, соответственно;

S4=/t(h4, d5), (4)

где S4 - отклонение от заданного химического состава по сульфату натрия; h4 -влажность сульфата натрия; d5 - ошибка дозатора сульфата натрия.

Качество смешивания шихты (однородность) зависит от ГС, влажности и температуры сырьевых материалов. При большом различии в зерновом составе сырьевых материалов увеличивается склонность к расслоению и комкованию готовой шихты. Шихта с нормальной влажностью не пылит, менее подвержена расслоению, так как имеет место слипание частиц. При температуре ниже 35° С происходит комкование шихты, так как моногидрат соды Na2CO3-H2O превращается в декагидрат Na2CO3-10H2O [1, 2, 3]. Расслоение шихты и ее неоднородность вызывают неравномерное проваривание и затрудняют усреднение больших объемов стекломассы и, как следствие, приводят к появлению таких пороков как свили и шихтные камни.

Качество смешивания шихты описывается функцией

B=fg4,..., g31, hl,..., h5, tl, t2, t3), (5)

где g4,., g8 - ГС песка, сита № 08, № 063, № 04, № 01 и поддон, соответственно; g9,., g13 - ГС доломита, сита № 2, № 08, № 063, № 04, № 01 и поддон, соответственно; g14,., g19 - ГС полевого шпата, сита № 08, № 063, № 04, № 01 и поддон, соответственно; g20,., g25 - ГС соды, сита № 2К, № 08, № 063, № 04, № 01 и поддон, соответственно; g26,..., g31 - ГС угля, сита № 08, № 063, № 04, № 01 и поддон, соответственно; h1,..., h5 - влажность доломита, карбоната кальция, сульфата натрия, соды и угля, соответственно; t1, t2 -температура песка в бункерах дозирования № 1 и № 2; t3 - температура воды на увлажнение.

Построим функции (модели) (1) - (5) по выборкам входных и выходных значений и оценим их точность. Величина каждой выборки составляет 2188 значений.

Решение задачи выполнено с помощью искусственных нейронных сетей (ИНС) в программной среде Matlab 7 фирмы Mathworks. Выбор ИНС обусловлен тем, что между входами и выходом процессов неизвестен точный вид связей, а ИНС обладают способностью к выделению скрытых связей и обобщению. Для этой цели использованы двухмерные многослойные персептроны (MultiLayer Perceptron, MLP-сети) и двухмерные нейронные сети, использующие радиальные базисные функции (Radial Basis Function Network, RBF-сети) [4].

В ходе многочисленных экспериментов выбрана MLP-сеть с прямым распространением сигнала и обратным распространением ошибки (Feed-forward backpropagation). Обучение сети проводилось по алгоритму Левенберга - Марквардта (Trainlm), который имеет эффективную реализацию в среде Matlab, хотя и требует достаточно много памяти для хранения промежуточных результатов [4]. Оценка качества обучения сети осуществлялась по соотношению

1 N

MSE = — У ег2, (6)

Nt1 г

где N - величина выборки; e - разность между значениями выхода функции и выхода ИНС.

Определена первоначальная архитектура сетей для (1) - (5): количество слоев - 2, количество нейронов в первом слое равно полусумме входов и выходов сети, количество нейронов во втором слое - 1. Функция активации нейронов первого слоя сигмоидальная,

второго - линейная. Для исключения переобучения сети выборки разделены на три множества: обучающее, контрольное и тестовое.

В ходе проведенных опытов для функции (1) - (4) наиболее эффективной оказалась ИНС, содержащая 3 слоя по 50 нейронов в первом и втором слоях. Удовлетворительное значение функционала ошибки (6) достигнуто на 6-м цикле обучения и составило 0,0004 для обучающего множества и 0,001 для контрольного. Для функции (5) оптимальной оказалась ИНС, содержащая 2 слоя с 55 нейронами в первом слое. Значение функционала ошибки, равное 9,3-10-6 для обучающего множества и 7,3-10-4 - для контрольного, достигнуто на 100-м цикле обучения.

Результаты обучения ИНС для (1) - (4) и (5) иллюстрируют рис. 1, 2.

Рис.1. Результаты обучения ИНС модели соответствия шихты рецепту

Рис. 2. Результаты обучения ИНС модели качества смешивания шихты

В левой части рис. 1 расположены графики зависимости ошибки от номера цикла обучения для обучающего, контрольного и тестового множества, а в правой части -результаты линейного регрессионного анализа для обучающего, контрольного, тестового множества и общей совокупности выборок (вид выходных значений ИНС, коэффициенты корреляции, уравнения линейной регрессии).

Таким образом, полученная структура ИНС позволяет построить функции (1) - (4) и (5) со среднеквадратичной ошибкой не более 0,001 и 7,3 • 10-4, соответственно. Для предприятий, выпускающих листовое стекло, данная ошибка допустима, и полученные модели могут быть использованы для исследования влияния изменения свойств сырьевых материалов на качество шихты, а также для прогнозирования и управления качеством шихты. Полученная модель предназначена для прогнозирования и управления качеством стекольной шихты.

ЛИТЕРАТУРА

1. Панкова Н.А., Михайленко Н.Ю. Стекольная шихта и практика ее приготовления : учеб. пособие / Н.А. Панкова, Н.Ю. Михайленко. М.:РХТУ им.Д.И. Менделеева, 1997. 121 с.

2. Производство стекла / В.В. Тарбеев, Д.Н. Шепелев, А.И. Бутняков,

Т.Г. Цепелева. Н.Новгород: ФГУИПП «Нижполиграф», 2002. 234 с.

3. Маневич В.Е. Сырьевые материалы, шихта и стекловарение / В.Е. Маневич, К.Ю. Субботин, В.В. Ефременков; под ред. В.Е. Маневича. М.: РИФ «Стройматериалы», 2008. 326 с.

4. Медведев В.С. Нейронные сети. Matlab 6 / В.С. Медведев, В.Г. Потемкин; под ред. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. 435с.

Крайнов Олег Александрович -

аспирант Института проблем точной механики и управления РАН

Петров Дмитрий Юрьевич -

кандидат технических наук, доцент кафедры «Системотехника» Саратовского

государственного технического университета

Король Павел Александрович -

аспирант кафедры «Системотехника» Саратовского государственного технического университета

Статья поступила в редакцию 07.10.10, принята к опубликованию 21.10.10