CC BY
14
УДК 621.78.08
Д.В. БОГАЧЕВ, ЕВ. ЕРШОВ, И. А. ВАРФОЛОМЕЕВ
Череповецкий государственный университет
ОПТИМИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПАРАМЕТРОВ ПРОЦЕССА УСКОРЕННОГО ОХЛАЖДЕНИЯ ЛИСТОВОГО ПРОКАТА
В статье предложена реализация интеллектуального модуля системы управления установкой ускоренного охлаждения листового проката с использованием алгоритмов нейро-нечеткого моделирования. Приведены результаты тестирования разработанной модели с применением производственно-технологических данных стана 5000 ЛПЦ-3 ОАО «Северсталь». Использование интеллектуального модуля позволит улучшить эффективность работы стана и повысить качество выпускаемой продукции.
Ключевые слова: установка ускоренного охлаждения, листовой прокат, термическая обработка, нейро-нечеткая модель.
D.V. BOGACHEV, E.V. ERSHOV, I.A. VARFOLOMEEV
Cherepovets State University
OPTIMIZATION OF PROCESS PARAMETERS OF ACCELERATED COOLING OF ROLLED
SHEET
Annotation
One of the methods to improve the efficiency of rolling mills is increasing the quality characteristics of manufactured metal products. These conditions can be achieved by perfection of technology of accelerated cooling of rolled metal. The purpose of this paper is to construct an intellectual module of the control of accelerated cooling machine, which is able to work effectively under the uncertainty inherent in the considered installation.
Technological speed of rolled sheet motion was admitted as the main control parameter. Neuro-fuzzy models are capable to provide the required insensitivity to the changing dynamic characteristics and measurement errors. Having a single output parameter can greatly simplify the final control module. Thus, one of the major problems associated with the formation of the module structure was solved using methods based on self-organization - subtractive clustering and competitive learning algorithm. In this case, synthesis of a model was performed using the training data. Designed model will be used for a particular grade of steel. Module testing using historical data of cooling yielded results that meet the technological requirements.
Application of considered mathematical methods allowed us to develop a neuro-fuzzy model with automatic mechanism for fuzzy rules constructing and setting the initial values ofparameters of membership functions.
Keywords: accelerated cooling machine, rolled sheet, heat treatment, neuro-fuzzy model.
Постановка проблемы. Для улучшения качественных показателей выпускаемой металлопродукции при осуществлении процесса прокатки листовой стали на предприятиях черной металлургии широко используется установка ускоренного охлаждения. Она предназначена для регулируемого ускоренного охлаждения стальных листов до определённой температуры. Использование ускоренного охлаждения позволяет получить на выходе установки раскат с требуемой структурой металла, расширить сортамент станов высококачественными марками стали и одновременно снизить расходы на производство.
При прокатке листов толщиной более 12 мм температура конца прокатки может достигать 900 -1050 оС. Данный показатель превышает оптимальное значение на 100 - 150 оС. Кроме того колебания температуры конца прокатки внутри партии листов достигают 50 оС и более. В итоге до 40 % листов не удовлетворяют требованиям стандартов. Поэтому без обеспечения необходимых режимов охлаждения не обходится производство ни одного из видов толстого листа. Таким образом, задача разработки оптимальной технологии регулирования рассматриваемого процесса, позволяющей повысить эффективность работы станов, является актуальной.
Анализ публикаций по теме исследования. Изучению тепловых процессов ускоренного охлаждения металла посвящено значительное количество теоретических и экспериментальных работ. Основным недостатком большинства существующих технологий является их эмпирический характер, когда положительного результата достигают методом проб и ошибок. Такое положение можно преодолеть созданием математических имитационных моделей, которые способны преодолеть высокую сложность и слабую изученностью связей системы, а также наличие неслучайных помех и значительных погрешностей измерения.
Алгоритм управления установкой ускоренного охлаждения с использованием нейро-нечетких ANFIS-моделей предложен в работах [5, 6]. Авторами была разработана система автоматического регулирования, описаны алгоритмы структурной и параметрической идентификации. Однако рассмотренная модель требует предварительного подбора параметров. Поэтому для перенастройки системы управления необходимым является наличие квалифицированного специалиста.
Формулирование целей статьи. Основной целью работы является проектирование интеллектуального модуля управления установкой ускоренного охлаждения листа, позволяющего повысить точность управления: на выходе установки должна обеспечиваться заданная температура с меньшим значением погрешности.
Основная часть. Наиболее известным и широко изученным способом охлаждения является струйное охлаждение. На использующих его установках охладитель подается на верхнюю и нижнюю поверхность листа в виде плоских потоков. Данная технология обеспечивает равномерное охлаждение проката. При этом расходы охладителя, поступающего снизу и сверху, задаются независимо друг от друга. Как правило, установка имеет несколько секций охлаждения с раздельно регулируемым расходом. Дополнительно каждая секция может быть разбита на отдельные зоны для более точного управления.
Оператору установки ускоренного охлаждения до начала обработки партии поступает информация о прокате, требуемой технологии обработки (режиме), конечной температуре охлаждения и т.д. Оператор осуществляет выбор количества включаемых секций, а система управления - расчет расходов охладителя по зонам секций, предварительный расчет скорости движения раскатов через установку.
Управление ускоренным охлаждением сталкивается с рядом трудностей, связанных с большой нестационарностью протекающих процессов теплообмена (скорости охлаждения могут достигать нескольких сотен градусов в секунду). Поэтому применение традиционных методов построения модулей управления (использование конечно-разностных схем, экспериментально-статистические зависимости) не всегда приводит к желаемым результатам в силу принимаемых допущений. Таким образом, в данном случае оправданным является использование интеллектуальных методов, наиболее популярными из которых являются нейронные сети и нечеткая логика. Нейро-нечеткие модели позволяют, с одной стороны, привнести способность к обучению и вычислительную мощность нейронных сетей в системы с нечеткой логикой, а с другой стороны - усилить интеллектуальные возможности нейронных сетей свойственными «человеческому» способу мышления нечеткими правилами выработки решений.
Для реализации нечеткой системы интеллектуального модуля использовалась формула [2, 11]:
N -к Ту СТ к=1 ( п П ехр 1=1 V (— — к\ х - х V г у _ Л у
N IСТ к=1 V п П ехр 1=1 V -к Л2 х-- х г у Л у
где N - количество нечетких правил, п - количество входных переменных, х. - конкретное значение
входного сигнала, у - конкретное значение выходного сигнала. Здесь в качестве функций принадлежности входных и выходных переменных используются непрерывно дифференцируемые функции Гаусса (удобны для вычисления производных в алгоритме обратного распространения ошибки), определяемые по формулам:
и . (х ) = ехр
(У) = ехР
г% - х^2
У
(- 2
У - У
V
У
где х , У - центры, а СТ. , СТ - коэффициенты растяжения (сжатия) гауссовских кривых для входных
и выходных переменных соответственно.
Теперь каждый элемент формулы (2) можно задать в форме функционального блока, что после соответствующего объединения позволяет создать нейроподобную многослойную сеть. А поскольку алгоритм обратного распространения ошибки можно обобщить на любую сеть с прямым распространением сигнала, то данный модуль нечеткого управления можно обучать также, как и
обычную нейронную сеть. При этом параметры и весовые коэффициенты будут модифицироваться в процессе обучения, что позволит улучшать подбор нечетких множеств.
Основные трудности использования полученной структуры применительно к построению модели управления установкой ускоренного охлаждения возникают в ходе построения нечетких правил и задания начальных значений параметров функций принадлежности. Данная проблема решается с помощью методов, основанных на самоорганизации. Применительно к функциям принадлежности это означает такое размещение их центров, чтобы они охватывали только те области входных и выходных пространств, в которых находятся данные [2]. При этом требуется избавить оператора, осуществляющего расчет параметров процесса охлаждения, от задания количества термов для всех входных и выходных переменных. Исходя из этого, актуальной представляется задача построения нечетких правил и формирования функций принадлежности на основе обучающих данных.
Для разбиения пространства каждой переменной в работе был использован метод субтрактивной кластеризации [2, 14]. Для синтеза базы правил применялся так называемый алгоритм на основе конкуренции (competitive learning algorithm) [2, 11, 15]. Использование указанных технологий позволило оптимизировать процесс построения нейро-нечеткой структуры.
Максимальное число правил (1) модели экспоненциально зависит от числа входных переменных и числа термов для каждого входа [10]. Поэтому процесс построения базы правил стремительно усложняется с возрастанием количества входов и количества нечетких множеств для каждого из них -«проклятие размерности» [13]. Использование нейроподобной структуры модели упрощает синтез базы правил. Однако вместе с ростом числа правил увеличивается количество весовых коэффициентов модели. В этом случае резко ухудшаются обучающие способности нейро-нечетких сетей. При использовании субтрактивной кластеризации для разбиения пространства каждого входа отсутствует возможность повлиять на количество термов переменных. Поэтому единственной способом регулирования степени обучаемости модели является уменьшение числа входных переменных, т.е. определение значимых факторов [2].
При моделировании процесса охлаждения в качестве входных параметров могут выступать следующие показатели: начальная температура проката; требуемая итоговая температура; габариты листа; температура охладителя; промежуток времени между окончанием прокатки и началом охлаждения; марка стали; параметры прокатки.
В качестве основного выходного параметра для управления используется скорость движения проката (стан 5000 ЛПЦ-3 ОАО «Северсталь») или расход охладителя [7].
Наиболее остро проблема выбора входных переменных возникает в случае управления установкой за счет регулирования скорости рольгангов. В такой ситуации параметры расхода охладителя становятся ключевыми влияющими факторами. При этом их число может достигать нескольких десятков в зависимости от имеющегося числа секций охлаждения. Использование такого количества переменных в нейро-нечеткой модели не представляется возможным. В то же время методы определения значимых факторов, выполняющие отбор нескольких переменных из общего числа, здесь не применимы, так как необходимым является сохранение информации обо всех охлаждающих зонах. Для решения данной проблемы использовался метод главных компонент, позволяющий уменьшить количество входных переменных с наименьшей потерей информации [1, 3]. При этом обработке данным алгоритмом подвергались только параметры, отвечающие за расход охладителя.
Часто в случае установления линейного характера зависимости можно оценить значимость входов построением линейных регрессионных моделей. Однако управляющие параметры установки ускоренного охлаждения проката (скорость рольгангов, расход охладителя) имеют сложные взаимосвязи с входным пространством. Применение же нелинейных регрессионных моделей затруднено необходимостью явного определения характера нелинейности еще до проведения анализа.
Одним из эффективных методов выбора значимых факторов, обладающим возможностью установления нелинейных зависимостей, является метод «box-counting» [4]. Данный метод основывается на определении меры предсказуемости выходов, обеспечиваемой данным набором входных переменных.
Метод главных компонент позволяет сократить число параметров, отвечающих за расход охладителя до 3 - 5 переменных. Для алгоритма «box-counting» принято решение отбирать 4 значимых фактора.
Математическое обеспечение интеллектуального модуля управления реализовано программно в среде Borland Delphi 7 и протестировано с использованием ретроспективных данных установки контролируемого охлаждения (УКО) стана 5000 ЛПЦ-3 ОАО «Северсталь». Главной задачей разработки интеллектуального модуля было повышение точности управления работой установки: обеспечение попадания итоговой температуры в заданный диапазон, что достигается при вычислении скорости рольгангов с погрешностью, не превышающей заданное технологами значение (что не обеспечивалось до тестирования модуля). В качестве входных переменных использовались следующие данные: начальная температура проката; требуемая итоговая температура; длина, ширина, толщина листа; температура
охладителя; промежуток времени между окончанием прокатки и началом охлаждения; время прокатки; время подстуживания листа на воздухе; выполнение кантовки при подстуживании. При этом модель строилась применительно к каждой марке стали. В таблице 1 приведены примеры работы интеллектуального модуля для марки стали К60.
Таблица 1
Результаты работы интеллектуального модуля
Номер листа Значимые факторы Температура конца прокатки, °C Температура после УКО, C Толщина листа, мм Температу ра охладителя C, Скорость движения листа (интеллектуальный модуль), м/с Скорость движения листа (существующая модель), м/с Скорость движения листа (фактическая), м/с
1 Температура конца прокатки, температура после УКО, толщина листа, температура охладителя 720 602 21,9 20,9 2,12 2,43 2,17
2 752 614 23,7 24,1 2,02 2,34 2,06
3 734 588 23,4 17,8 1,56 1,67 1,6
Структура полученного интеллектуального модуля представлена на рисунке 2. В зависимости от используемой выборки ретроспективных данных для конкретной марки стали методом «box-counting» формировался определенный набор значимых факторов.
Температура конца
История охлаждений Рис.2. Структурная схема интеллектуального модуля
Выводы и перспективы дальнейших исследований
Анализ результатов моделирования позволяет сделать вывод о достаточной степени точности спроектированного модуля: для марки стали К60 итоговая ошибка расчетного значения скорости (0,063 м/с) стала меньше допустимого значения, установленного технологами (0,2 м/с).
Проверка функционирования модуля интеллектуального управления на ретроспективных данных доказала эффективность его применения для управления скоростью движения проката с
попаданием итоговой температуры охлаждения в заданный диапазон температур •••7тах). что
является необходимым условием формирования требуемых потребительских свойств металла. Следует отметить, что регулирование скорости рольгангов с помощью интеллектуального модуля не повлияет на производительность стана, так как работа УКО происходит изолировано от других этапов производства проката. Результаты работы модуля управления могут быть использованы оператором установки в режиме поддержки принятия решения при управлении процессом охлаждения.
Литература
1. Айвазян С.А. Прикладная статистика: Классификация и снижение размерности / С.А. Айвазян В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. - М.: Финансы и статистика, 1989. - 607 с.
2. Богачев Д.В. Оптимизация нейро-нечеткой модели управления технологическими процессами в металлургии / Д.В. Богачев Е.В. Ершов И.А. Варфоломеев // Вестник Череповецкого государственного университета . - 2013. - №1. - Т.2.- С. 10-14.
3. Дубров А.М. Многомерные статистические методы и основы эконометрики / А.М. Дубров, В.С. Мхитарян, Л.И. Трошин. - М., Московский государственный университет экономики, статистики и информатики. 2003. - 79 с.
4. Ежов А.А. Нейрокомпьютинг и его применения в экономике и бизнесе / А.А. Ежов, С.А. Шумский -М.: МИФИ, 1998. - 224 с.
5. Кудинов Ю.И. Модели и алгоритмы управления технологическим процессом / Ю.И. Кудинов, А.Ю. Келина, Е.А. Халов - Вестник ТГТУ. - 2002. - №3. - T.8. - С. 421-425.
6. Кудинов Ю.И. Адаптивная нейро-нечеткая комбинированная система управления / Ю.И. Кудинов, А.Ю. Келина, Е.А. Халов, И.Ю. Кудинов. - Известия РАН. Теория и системы управления, 2005.-№4. - С. 79-88.
7. Липунов Ю.И. Разработка систем регулируемого охлаждения и технологий термоупрочнения. -Ю.И. Липунов, Г.Г. Траянов, К.Ю. Эйсмондт - Сталь. - 2010. - № 3. - С. 96-99.
8. Морозов Ю.Д. Стали для труб магистральных трубопроводов: состояние и тенденции развития / Ю.Д. Морозов, Л.И. Эфрон. - Металлург, 2006. - № 5. - С. 53-57.
9. Минаев А.А. Совмещенные металлургические процессы: Монография / А.А. Минаев - Донецк: Технопарк ДонГТУ УНИТЕХ, 2008. - 552 с.
10. Пегат A. Нечеткое моделирование и управление / A. Пегат// пер. с англ. - 2-е изд. - М.: БИНОМ. Лаборатория знаний, 2013. - 798 с.
11. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия - Телеком, 2006. - 452 с.
12. Снитюк В.Е. Прогнозирование. Модели, методы, алгоритмы: учебное пособие. - К.: «Маклаут», 2008. - 364 с.
13. Brown M., Bossley K. M., Mills D. J., Harris C. J. High dimensional neurofuzzy systems: overcoming the curse of dimensionality. Proceedings of the International Conference. FUZZ-IEEE/IFES'95. Yokohama, Japan, 1995, pp. 2139-2146.
14. Chiu S. An Efficient Method for Extracting Fuzzy Classification Rules from High Dimensional Data // Advanced Computational Intelligence, vol. 1, no. 1, 1997.
15. Lin C.-T., Lee G. C. S., Neural-network-based fuzzy logic control and decision system // IEEE Transactions on Computers, December 1991, vol. 40, nr 12, 1320-1336.
