CC BY
34
В1СНИК ПРИАЗОВСЬКОГО ДЕРЖАВНОГО ТЕХН1ЧНОГО УН1ВЕРСИТЕТУ 2007 р. Вип. №17
УДК 681.5.08
Золотько Ю.С.1
ОПТОЭЛЕКТРОННОЕ РАСПОЗНАВАНИЕ ЧУГУНОВОЗНЫХ КОВШЕЙ
Рассмотрена возможность применения системы идентификации подвижных объектов на базе искусственных нейронных сетей для автоматизации учета чугуно-
возных ковшей при их транспортировке.
В условиях непрерывного производства металлопродукции на ОАО «МК «Азовсталь» во многих случаях востребован учет различной технической информации. Одними из основных особенностей такого учета являются точность и актуальность информации, позволяющие более эффективно управлять соответствующими технологическими и производственными процессами.
Жидкий чугун, полученный в результате доменной плавки, разливается в ковши, размещенные на железнодорожных платформах, следует в отделение десульфурации, отделение скачивания шлака, проходит взвешивание, затем сливается в миксер кислородно-конвертерного цеха (ККЦ). При транспортировке чугун охлаждается. На потери тепла оказывает влияние масса чугуна, температура ковшей, зависимая от времени их транспортировки как с чугуном, так и без, а также процедуры налива и слива ковшей [1]. Без изменения расхода чугуна, при повышении его температуры на 10 °С, конечная температура стали повышается на 7 °С, а расход чугуна без изменения температуры стали уменьшается на 4,0 кг/т стали [2]. Поскольку потери тепла только в течение примерно полутора часов транспортировки и обработки чугуна составляют порядка 100 °С, это приводит к существенным экономическим потерям.
Как следствие, одной из востребованных задач является прослеживание движения и контроль времени транспортировки чугуновозных ковшей на перегоне доменный цех - миксерное отделение ККЦ.
Используемая система, в определенной степени реализующая эту задачу, представлена в [3]. Она позволяет вести автоматический учет перемещения платформ на участке и автоматизированный учет ковшей.
Целью настоящей статьи является описание возможности применения системы оптоэлек-тронной идентификации на базе нейронных сетей для автоматического учета чугуновозных ковшей на указанном участке.
Транспортными узлами и рабочими станциями (PC) локальной вычислительной сети, на которых производится учет, являются:
• станция «доменная» (PC АСУ ТП доменной печи №6);
• отделение десульфурации чугуна (PC сменных мастеров);
• отделение скачивания чугуна (PC весовщика);
• миксерное отделение ККЦ (PC старшего мастера отделения).
Учет производится на входе и выходе каждого узла.
В существующей системе используются компоненты радиочастотной идентификации TIRIS производства фирмы Texas Instruments. Железнодорожные платформы оснащены низкочастотными метками (транспондерами), а пути - считывателями. Высокая температура нагрева ковшей +450°... 1100° С [1] не позволяет устанавливать на них транспондеры в полипропиленовом корпусе, максимально допустимая температура работы которых составляет +70° С, критическая +85° С [3].
Контроль передвижения чугуновозного ковша выполняется параллельно контролю передвижения платформ при помощи его идентификации по нестандартизированному регистрационному номеру (см. рис. 1(а,б)), в настоящее время наносимому на двух противопо-
1ПГТУ, аспирант
ложных частях внешней поверхности ковша от руки, с использованием светлой краски, контрастной на фоне темной поверхности ковша. Оператор РС визуально, без использования какой-либо наблюдательной техники, определяет номер ковша и заносит его в баз}' данных, устанавливая соответствие между номером ковша и номером платформы после прохождения состава через транспортный узел в определенное время.
Анализ информации о турах перемещений чугуновозных ковшей и платформ в миксер-ном отделении ККЦ ОАО «МК «Азовсталь» показывает, что перестановки ковшей могут происходить как в пределах одного тура, так и между разными турами (в качестве примера см. табл. 1). Продолжительность тура различна - от получаса до двух часов, что вследствие необходимости контроля перемещения порожних ковшей требует постоянного присутствия оператора для слежения за составом при его выходе из миксерного отделения. Существующие сегодня технологии способны заменить функции человека в решении подобных, достаточно однообразных задач.
Таблица 1. Туры № 6 и № 7 передвижения чугуновозных ковшей в миксерном отделении ККЦ 04.07.2006 г."
Тур №6 13:30 - вход в миксер 14:25 - выход из миксера
№ ковша 05** 31 27 53 34 06** 31 27 53 34
№ платформы 32 37 7 44 28 32 37 7 44 28
Тур №7 12:50 - вход в миксер 13:23 - выход из миксера
№ ковша 06** 04* 04* 05**
№ платформы 24 25 24 25
* Перестановка внутри тура. ** Перестановка между турами.
Концепция функционирования системы распознавания подвижных объектов на базе искусственных нейронных сетей теории адаптивного резонанса представлена в [4], [5].
Система распознавания образов представляет собой аппаратно-программный комплекс, имеющий следующие функции:
• получение данных (цифровой фотографии объекта);
• сегментация идентификаторов объекта;
• распознавание идентификаторов.
54
ОУ1
а) б) в)
Рис. 1. а) Исходная фотография чугуновозного ковша; б) фотография ковша после удаления недостаточно ярких элементов изображения; в) образы, поступающие на вход нейронной сети, после сегментации и фильтрации изображения.
Для получения фотографии объекта (рис. 1.а) может использоваться как промышленная, так и любительская фото- либо видеокамера. Рекомендуемое разрешение изображения, исходя из существующих наиболее широко распространенных стандартов устройств, составляет соответственно 640x480 и 720x576 пикселей. Использование более высоких разрешений приводит к увеличению качества, но вместе с тем, с увеличением времени последующих этапов обработки
данных. Наиболее значительно увеличивается время распознавания образов нейронной сетью, что, в свою очередь, может потребовать модернизации либо замены существующих вычислительных систем.
Для внедрения системы распознавания в эксплуатацию потребуется взаимодействие с существующей системой - при радиочастотной идентификации платформы сигнал из существующей системы должен передаваться в систему распознавания, определяя момент формирования фотоснимка чугуновозного ковша (возможно, с платформой).
Основные принципы сегментации фотографий (рис. 1 а) ковшей основываются на определении порога яркости изображения, выделения элементов (сегментов), превышающих некоторый порог яркости и имеющих определенные пропорции и площадь (под площадью в данном случае подразумевается количество точек сегмента) [7], [8]. После сегментации изображение проходит дополнительный этап фильтрации (рис. 1 в)), при котором устраняются неровности краев сегментов и удаляются тонкие линии и пятна. После фильтрации, перед поступлением образов на вход нейронной сети, изображения нормируются - для всех образов устанавливаются одинаковые размеры. Распознаются образы с помощью модифицированной нейронной сети АЯТ-1 (рис. 2). Модификация заключается в изменении управляющего слоя «Сброс» с целью улучшения распознавания схожих образов.
Рис. 2 - Схема нейронной сети АЯТ-1.
Распознавание объектов вследствие отсутствия стандартизации их идентификаторов возможно лишь после обучения системы оператором РС. Самообучение нейронной сети заключается в независимой от человека и выходных данных настройке внутренних связей. Функция оператора состоит в том, чтобы установить соответствие цифрового значения нейрону-победителю в слое распознавания нейронной сети.
Необходимым элементом системы распознавания объектов при обучении оператором является возможность сохранения и чтения из файла структуры и содержимого памяти сети и соответствующих нейронам слоя распознавания сети категорий распознавания (цифр). Файлы можно обрабатывать средствами пакета Ма^аЬ вне зависимости от работы системы распознавания. Для облегчения работы оператора разработана отдельная программа. С целью исключения попыток обработки неинформативных сегментов (световых бликов, грязевых скоплений, схожих с цифрами) предусмотрена возможность блокирования сегмента при распознавании. В ходе обучения системы формируется массив значений -1...10, определяющих, распознан ли сегмент, следует ли его распознавать, и какой цифре он соответствует в случае его распознавания.
Результатом работы системы является числовое значение - идентификатор ковша, выводимое в текстовый файл.
Поскольку система оитоэлектроиной идентификации реализована с использованием пакета Matlab, а существующий пользовательский интерфейс системы распознавания платформ представляет ПО обработки БД Oracle, при её внедрении, помимо интеграции с программным обеспечением аппаратных компонентов (видеокамер) должен быть разработан интерфейс обмена данными между системами, посредством которого результат идентификации будет передаваться в соответствующие поля таблиц эксплуатируемой БД АСУТП.
Выводы
1. Система оптоэлектронной идентификации подвижных объектов на базе искусственных нейронных сетей теории адаптивного резонанса позволяет решить задачу автоматизации учета объектов, имеющих нестандартизированную маркировку, при первичном участии оператора для обучения системы.
2. Внедрение такой системы на участке перегона чугуновозных ковшей позволит сделать учет передвижения ковшей автоматическим; повысить качество системы учета за счет устранения человеческого фактора; снизить трудозатраты; обладать актуальной, высоко оперативной управляющей информацией.
3. Действующая стратегическая программа реконструкции и модернизации производственных мощностей ОАО «МК «Азовсталь» ставит главной задачей снижение материальных и энергетических затрат при производстве продукции, следовательно, решение представленной задачи актуально. Более эффективное управление перемещением чугуна позволит снизить себестоимость выпускаемой стали и металлопродукции последующих переделов. С учетом объемов ежегодного производства свыше 6 млн тонн стали и 5 млн тонн чугуна возможно получить существенный экономический эффект от внедрения системы распознавания в промышленную эксплуатацию.
4. Для повышения качества как оптоэлектронного, так и визуального распознавания чугуновозных ковшей необходима стандартизация их графических идентификаторов, своевременное проведение технического обслуживания.
Перечень ссылок
1. Зайцев B.C. К вопросу моделирования потерь тепла в чугуновозном ковше / B.C. Зайцев, М.Ю. Дубовкта. // Вюник Приазов. держ. техн. ун-ту: 36. наук. пр. - Мар1уполь,- 2001 -Вип. №11.-с. 259-262.
2. Технология производства стали в современных конвертерных цехах / С.В.Колпаков, Р. В Ставров, В.В.Смоктий и др.; под общей ред. С.В.Колпакова. - М.: Машиностроение, 1991. - 464с.
3. Малаховский A.A. Автоматизированная система прослеживания чугуновозных ковшей. / A.A. Малаховский Производственно-техническая инструкция ОАО «МК «Азовсталь». Мариуполь, 2006- с.
4. Зайцев B.C. Применение нейронных сетей для идентификации подвижных объектов / B.C. Зайцев, Ю.С. Золотъко. II Автоматизащя виробничих процсав: Всеукрашський науково-техн. журнал. 205,-№ 1(20).- С. 120-122.
5. Золотъко Ю.С. Система оптоэлектронной идентификации объектов железнодорожного транспорта. /Ю.С. Золотъко. II Тезисы докладов международной научно-технической конференции молодых специалистов «Азовсталь - 2006». - Мариуполь, май 2006. - С. 98-99.
6. Carpenter G.A. Pattern recognition by self-organizing neural networks / G.A. Carpenter, S. Grossberg. - Mit Press. - Cambridge, Mass. - 1991,- P.
7. Золотъко Ю.С. Сегментация в задаче распознавания образов. /Ю.С. Золотъко. II XII Региональная научная и научно-техническая конференция: Тез. докл. - Мариуполь;- 2006. - С.
8. Форсайт Д.А. Компьютерное зрение. Современный подход: пер. с англ. / Д.А. Форсайт, Ж. Понс. - Пер. с англ. - М.: Изд. дом «Вильяме»: 2004. - 928с.
Рецензент В.С.Зайцев д-р техн. наук, проф., ПГТУ
Статья поступила 26.02.2007
