CC BY
32
лургического факультета Череповецкого государственного университета, академик Российской академии естественных наук.
Тел.: 8-909-559-83-86.
Gabelaya, David Ivlerievich - Candidate of Science (Technology), Associate professor, Department of Metallurgical Technologies, Faculty of Metallurgy, Cherepovets State University.
Тек: 8-921-250-41-11; e-mail: davex16@gmail.com
Grigoriev, Michael Aleksandrovich - Postgraduate student, Department of Metallurgical Technologies, Faculty of Metallurgy, Cherepovets State University.
Тек: 8-921-131-22-93; e-mail: mike-lk@yandex.ru
Kabakov, Zоtey Konstantinovich - Doctor of Science (Technology), Professor, Head of the Metallurgical Technologies Department, Faculty of Metallurgy, Cherepovets State University.
Те!.: 8-909-559-83-86.
УДК 681.3
Е.В. Ершов, Л. Н. Виноградова, Е. С. Шумилова
ОПРЕДЕЛЕНИЕ ФУНКЦИОНАЛЬНЫХ ТРЕБОВАНИЙ К СИСТЕМЕ ПРОГНОЗИРОВАНИЯ ВЫХОДНЫХ ПАРАМЕТРОВ НЕПРЕРЫВНОГО ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА ПРОИЗВОДСТВА АГЛОМЕРАТА
E. V. Ershov, L. N. Vinogradova, E. S. Shumilova
DETERMINATION OF FUNCTIONAL REQUIREMENTS FOR A SYSTEM OF
FORECASTING OUTPUT PARAMETER OF A CONTINUOUS TECHNOLOGICAL PROCESS IN THE PRODUCTION OF AGGLOMERATE
Рассмотрены особенности функционирования системы прогнозирования выходных параметров непрерывного технологического процесса производства агломерата. Дается краткая характеристика состава математического обеспечения. Представлена функциональная схема системы прогнозирования выходных параметров агломерата.
Агломерат, изображение, шихта, датчик, прогнозирование, телекамера.
The paper considers peculiarities of functioning of a system of forecasting output parameters of a continuous technological process in the production of agglomerate, briefly describes relevant mathematical software, presents a functional diagram of the system of forecasting agglomerate output parameters.
Agglomerate, image, charge, sensor, forecasting, TV camera.
Агломерация является заключительной операцией в комплексе мероприятий по подготовке железных руд к доменной плавке. Основная цель этой операции состоит в том, чтобы получить кус-ковый материал заданного размера, улучшить металлургические свойства сырья путем его окуско-вания, введения флюса и других полезных добавок и удаления вредных примесей [1]. Процесс агломерации включает в себя несколько условных этапов:
1) смешивание, увлажнение и окомкование шихты;
2) загрузку шихты на агломашину;
3) зажигание и поддержание заданных параметров горна агломашины;
4) спекание шихты и охлаждение агломерата.
В состав агломерационной шихты входят следующие компоненты: мелкий железно-рудный материал, как правило, концентрат; измельченное топливо - кокс (фракции 0^3 мм, содержание в
123
шихте 4^6 %); измельченный известняк (фракции 0^3 мм, содержание до 8^10 %); возврат - некондиционный агломерат от предыдущего спекания (фракции 0^8 мм, содержание 25^30 %); железосодержащие добавки - колошниковая пыль из доменных печей, окалина прокатных цехов, пирит-ные огарки сернокислотного производства и др. (фракции 0^3 мм, содержание до 5 %) [1].
Современный агломерационный процесс относится к типу слоевых. Так, через минуту после начала процесса спекания шихты в агломерационном слое образуются следующие зоны: готового агломерата (агломерационный спек), плавления, интенсивного нагрева, сушки, конденсации и переувлажнения шихты (рис. 1).
Рис. 1. Структура агломерируемого слоя по длине агломашины: 1 - вакуум-камеры; 2- готовый агломерат; 3 - зона плавления; 4 - зона интенсивного нагрева; 5 - зона сушки; 6 - зона конденсации; 7 -зона переувлажнения; 8 - исходная шихта
Специфика процесса спекания шихты на агломерационной машине требует хранения больших объемов экспериментальных данных с множеством влияющих на процесс параметров (порядка нескольких десятков) [2]. При этом важным является прогнозирование содержания доли оптимального класса крупности 5 (5^40 мм) по окончании процесса агломерации с целью снижения расхода кокса и увеличения производительности доменных печей.
Функционирование системы прогнозирования выходных параметров агломерата имеет ряд особенностей:
1. Работа в режиме непосредственной связи с объектом.
Входная информация (сигналы датчиков параметров шихты, агломашины, температуры зажигательного горна и др.) или информация, представляемая обслуживающим персоналом, вводится непосредственно из точки ее возникновения, выходная информация (параметры и изображение
излома аглоспека) передается непосредственно из точки получения.
2. Работа в реальном времени.
Полученная информация о состоянии технологического процесса производства агломерата своевременно обрабатывается, а затем выдаются прогноз и рекомендации по изменению управляющих параметров процесса спекания агломерата.
3. Разнообразие выполняемых функций системы при их относительной неизменности во время эксплуатации.
Набор функций, алгоритмического и программного обеспечения для данной системы прогнозирования мало изменяются в течение всего периода эксплуатации.
4. Необходимость обмена информацией с большим количеством ее источников и потребителей в процессе решения основных функциональных задач.
За ограниченное время система прогнозирования не только решает различные функциональные задачи, но и осуществляет обмен информацией с источниками и потребителями. Строгая периодичность опроса источников входной информации необходима, так как при определении выходных параметров процесса производства агломерата и формировании рекомендаций требуется вести учет динамики технологического процесса.
Математическое обеспечение системы прогнозирования параметров непрерывного технологического процесса производства агломерата строится с учетом перечисленных особенностей функционирования системы.
Специальное математическое обеспечение системы прогнозирования выходных параметров процесса спекания агломерата является совокупностью некоторых прикладных программ, предназначенных для реализации алгоритмов обработки информации, формирования рекомендаций и управления процессом, а также для связи с объектом управления и обслуживающим персоналом. В состав математического обеспечения входят следующие функциональные подсистемы:
- сбора и первичной обработки информации;
- обработки и анализа входных параметров и прогнозирования выхода годного агломерата;
- расчета технико-экономических показателей процесса;
- ведения справочно-информационного фонда;
Система управления агломерационным производством
Зажигательный _горн
Бункер загрузи шихть
Блок обработки
анализа и прогнозирования
Блок сбора и пер-нвичной обработки информации
Агломерационная машина
I I ^ ^ Готовый агломерат
Рис. 2. Обобщенная функциональная схема системы прогнозирования параметров непрерывного процесса производства агломерата
- обмена информацией между системой прогнозирования и обслуживающим персоналом.
В подсистеме сбора и первичной обработки информации реализуются алгоритмы фрактального сжатия изображения излома агломерационного спека, сбора и первичной обработки входных и выходных параметров для создания ретроспективного банка данных, на основе которого система анализирует и выдает прогноз.
В подсистеме обработки, анализа и прогнозирования используются алгоритмы и математические формулы для расчетов параметров процесса спекания шихты, комплексных количественных показателей состояния процесса, контроля параметров, анализа и прогнозирования хода технологического процесса производства агломерата.
В результате действия двух подсистем формируются массивы информации о текущих значениях комплексных показателей процесса от заданных значений, а также текущие оценки состояния процесса спекания аглошихты.
Своевременное использование полученной информации дает возможность прогнозировать про-
текание исследуемого процесса агломерационного производства, вовремя предупреждать нежелательное его развитие и вносить соответствующее воздействие в систему управления спеканием шихты.
Система прогнозирования выходных параметров агломерата обеспечивает:
- прогнозирование качественных характеристик агломерата;
- прогнозирование выхода годного агломерата после грохотов;
- обработку и анализ выходной информации с целью принятия решения.
Обобщенная функциональная схема системы прогнозирования параметров непрерывного процесса производства агломерата представлена на рис. 2.
Для реализации задачи прогнозирования выходных параметров агломерата могут быть предъявлены следующие требования.
1. Требования к рабочей области определяются функциональным назначением: осуществлять прогнозирование выходных параметров агломерата,
используя датчики и телевизионные камеры для получения изображения и значений необходимых параметров шихты и агломерата.
2. По конструкторско-технологическим требованиям система прогнозирования представляет собой установку, состоящую из стандартных узлов: ЭВМ, телекамеры, датчика. Объединение их в единый комплекс представляется реальным ввиду доступности устройств, обеспечивающих их совместную работу.
Установка должна удовлетворять следующим эксплуатационным требованиям:
- телевизионные камеры всепогодные, установленные за пределами смотровых окон;
- окружающая среда по влажности имеет характеристики, равные атмосферным;
- энергопотребление системы прогнозирования минимально и определяется мощностью ЭВМ;
- 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 принимать решение о ходе процесса.
Требования к совместимости затрат времени на решение функциональных задач с временными характеристиками технологических циклов являются решающими при определении необходимых аппаратных и программных ресурсов. Система прогнозирования должна обеспечивать необходимое быстродействие и не нарушать временные характеристики технологического цикла производства агломерата.
Так как система прогнозирования выходных параметров агломерата формируется из стандартных унифицированных узлов серийно выпускаемого оборудования, на ее создание и эксплуатацию требуются минимальные затраты.
Система прогнозирования также должна удовлетворять требованию к расширению функциональных возможностей в процессе эксплуатации. В ней для обработки и хранения информации используется высокопроизводительная вычислительная техника с соответствующим алгоритмическим и программным обеспечением. Быстродействие ЭВМ может быть повышено заменой процессора на более производительный, установкой дополнительной оперативной памяти.
В целом эффективность системы прогнозирования в большей степени определяется не только удачным выбором тех или иных элементов (телекамера, вычислительное устройство), но и знанием оптимальных значений параметров ее функциональных блоков. Поиск таких значений возможен с помощью математической модели, описывающей происходящие процессы при производстве агломерата.
СПИСОК ЛИТЕРАТУРЫ
1. Коротич, В.И. Агломерация рудных материалов / В.И. Коротич. - Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2003. - 400 с.
2. Ищенко, А.Д. Автоматизированная система управления агломерационным процессом / А.Д. Ищенко, М.Л. Фишман, Л.Г. Бенсман, С.Л. Зевин, А.Ф. Сакир // Черная металлургия. - 1990. - № 4. - С. 65-66.
Ершов Евгений Валентинович - доктор технических наук, профессор, заведующий кафедрой программного обеспечения Института информационных технологий Череповецкого государственного университета.
Тел.: 8 (8202) 55-65-97; e-mail: eve@chsu.ru
Виноградова Людмила Николаевна - старший преподаватель кафедры программного обеспечения Института информационных технологий Череповецкого государственного университета.
Тел.: 8 (8202) 51-72-49; e-mail: lnvinogradova@bk.ru
Шумилова Елена Сергеевна - ассистент кафедры программного обеспечения Института информационных технологий Череповецкого государственного университета.
Тел.: 8 (8202) 51-72-49; e-mail: alenka.bunky@gmail.com
Ershov, Evgenij Valentinovich - Doctor of Science (Technology), Professor, Head of the Department of Computer Software, Institute of Information Technologies, Cherepovets State University.
Те!.: 8 (8202) 55-65-97; e-mail: eve@chsu.ru
Vinogradova, Ludmila Nickolaevna - Senior Lecturer, Department of Computer Software, Institute of Information Technologies, Cherepovets State University.
Tel.: 8 (8202) 51-72-49; e-mail: lnvinogradova@bk.ru
Shumilova, Elena Sergeevna - Assistant, Department of Computer Software, Institute of Information Technologies, Cherepovets State University.
Tel.: 8 (8202) 51-72-49; e-mail: alenka.bunky@gmail.com
УДК 621.391.3
А.С. Львов, А.В. Полянский
ПОВЫШЕНИЕ БЫСТРОДЕЙСТВИЯ В ОБУЧЕНИИ НЕЙРОННОЙ СЕТИ МНОГОПАРАМЕТРИЧЕСКОМУ КОНТРОЛЮ ПРОЦЕССОВ В МЕТАЛЛУРГИИ НА БАЗЕ ВЫЧИСЛИТЕЛЕЙ НИЗКОЙ КОНФИГУРАЦИИ
A.S. Lvov, A. V. Polyanskiy
HIGH-SPEED PERFORMANCE RISE IN NEURAL NETWORK TRAINING FOR THE MULTIPARAMETER CONTROL OF METALLURGICAL PROCESSES USING CALCULATORS OF CONFINED CONFIGURATION
Рассматривается возможность применения теории искусственных нейронных сетей в задачах связанного многопараметрического контроля в металлургии, когда сеть обучается на ЭВМ, а функционирует на высоконадежном микроконтроллере семейства PIC18xx. Предлагается схема, позволяющая сократить число измерений для формирования обучающей выборки за счет многомерной интерполяции, производится выбор оптимального метода интерполяции. Анализируются факторы, влияющие на эффективность нейросетевой аппроксимации. На примере типовых неаналитических функций трех параметров определяется алгоритм обучения, обеспечивающий наилучшую сходимость, рассчитывается оптимальная конфигурация сети.
Многопараметрический контроль, вычислитель низкой конфигурации, погрешность многомерной интерполяции, искусственная нейронная сеть, нейросетевая аппроксимация, обратное распространение ошибки, производительность сети, алгоритм Левенберга - Марквардта.
The paper considers a possibility of applying the ANN theory for the tasks of the linked multi-parameter control in metallurgy. The neural net is trained by a computer and functions in a highly reliable microcontroller of the PIC18xx family. The scheme is suggested reducing the number of measurements to generate a learning sample due to multivariate interpolation application; an optimum method of interpolation is chosen. The factors influencing the efficiency of neural net approximation are analyzed. The training algorithm providing the best convergence is determined and optimum neural net configuration is computed for the case of typical non-analytical functions of three parameters.
Multi-parameter control, confined configuration calculator, error of the multi-dimensional interpolation, ANN, neural net approximation, error back propagation, neural net performance, Levenberg-Marquardt algorithm.
Типовой технологический процесс (ТП) в металлургии [1] является многопараметрическим. Так, например, при контроле и управлении (КиУ) составом агломерационной шихты (рис. 1, а) определяемыми параметрами могут быть толщина слоя, плотность и гранулярность шихты, ее долевой состав и т. д. В настоящее время в практике
КиУ подбирают одномерные датчики, чувствительные к своему параметру и инвариантные к влиянию остальных, либо усложняют ТП на участке контроля так, чтобы стабилизировать смежные параметры (например, контроль радиационными датчиками толщины засыпки шихты выполняется при постоянстве ее плотности, влажности - при
