CC BY
10
УДК 681.518.5
Егорова Е.Г.
канд.тех.наук, ст.преподаватель СПбГТИ (ТУ), г.СПб, РФ Русинов Л.А. доктор тех.наук, профессор, зав.кафедрой СПбГТИ (ТУ), г.СПб, РФ
СОВЕРШЕНСТВОВАНИЕ ПРОЦЕССА АГЛОМАРАЦИИ ЖЕЛЕЗОРУДНОГО СЫРЬЯ ВВЕДЕНЕМ СИСТЕМЫ ДИАГНОСТИКИ
Аннотация
В современных экономических условиях развития возрастают требования к качеству выпускаемой продукции и снижению её себестоимости на всех этапах производства на металлургических предприятиях. В статье рассмотрена структура работы системы диагностики процесса производства железорудного агломерата на основе нейросетевой диагностической модели.
Ключевые слова
Процесс агломерации, система диагностики, нарушения, нейронные сети, раннее обнаружение
Тенденции развития доменного процесса требуют увеличения производства сырья требуемого качества на этапе агломерации. Как правило, это достигается увеличением производительности агломашин и использованием автоматизированных систем управления технологическим процессом.
Процесс агломерации протекает под воздействием большого количества возмущений таких как: нестабильность химико-минералогического и гранулометрического состава исходной шихты; различий в характеристиках топлива, в дозировании и укладке шихты на ленту агломерационной машины; условий зажигания и спекания и т.д. Традиционные системы автоматического регулирования стабилизируют основные технологические параметры, но не всегда могут учесть возникающие отклонения от номинальных значений этих параметров, что приводит к появлению сырья несоответствующего качества.
Анализ технологических инструкций и опрос экспертов (посредством составления контрольных карт) позволил выделить ряд нештатных ситуаций, каждая из которых вызывается различными нарушениями. Рассматриваемая система диагностики необходима для обнаружения таких нарушений на ранних стадиях развития технологического процесса в реальном времени с последующей выдачей рекомендаций по их предотвращению операторам с целью уменьшения выхода агломерата несоответствующего качества. Система работает параллельно с традиционной системой управления.
Из разных типов диагностических моделей выбрана нейросетевая модель на основе нейронной сети с прямым распространением ошибки. С целью уменьшения временных затрат на обучение решено использовать иерархическую структуру модели. Данная структура модели подразумевает проведение декомпозиции процесса. Для этой цели принято решение провести декомпозицию нарушений на процессе агломерации, сгруппировав их в 9 ситуаций, каждая из которых характеризуется несколькими общими для группы нарушений диагностическими показателями. Количество ситуаций определяет число входных нейронов сети верхнего уровня. Сеть верхнего уровня определяет одну из 9-ти ситуаций. Для
issn 2410-6070
международный научный журнал «инновационная наука»
№ 5-1 / 2022
определения причины вызвавшей ситуацию, т.е. для выявления конкретного нарушения, используются сети нижнего уровня диагностической модели.
Для повышения надёжности работы системы диагностики принято решение использовать МГК, который посредством контроля статистик Т2 и Ц, запускает непосредственно диагностику только после обнаружения факта возникновения нарушения.
При формировании перечня из 26 нарушений [1, с.267] было выявлено, что далеко не все необходимые диагностические показатели снабжены средствами непрерывного автоматического или лабораторного контроля. Для оценки таких диагностических показателей на участках агломерационной машины, на которых можно их идентифицировать, принято решение использовать средства оптического контроля. Их расположение представлено на рисунке 1 [2, 124].
Агломерационная машина Рисунок 1 - Схема расположения оптических средств контроля
Для определения нарушения «Неравномерность распределения температуры по ширине аглоленты» используется блок получения изображения 1, которое находится над поверхностью агломерата в зоне 5-7-й вакуум-камер.
Для определения нарушений в режимах зажигания шихты предлагается установить блок получения изображения 2 (цветная камера), которая располагается над зоной охлаждения для определения цвета «пирога». Камере необходимо предъявить эталонные образцы, которые соответствуют нормальному состоянию зажигания и развивающемуся нарушению.
Для определения ситуации «Выход агломерата несоответствующего качества (недостаток/избыток углерода)» используется блок получения изображения 3, которое необходимо расположить в просмотровом окне над грохотом, т.к. при таком варианте камера размещается параллельно излому аглоспёка, т.е. перекрытие излома слоем агломерата будет минимально.
Система диагностики процессом агломерации собирает информацию со всех средств оптического контроля.
Алгоритм работы системы диагностики (представлен на рисунке 2) включает предварительный этап (на нём производится подготовка данных, формирование обучающих массивов, обучение сети верхнего уровня и обучение сетей нижнего уровня) и рабочий этап работы системы диагностики (где каждый вектор данных подвергается обработке, аналогичной обработке при обучении). Рассчитываются статистики Т2 и Ц. Если хотя бы одна из статистик Т2 и/или Ц превысит своё пороговое значение, то начинает работать система диагностики.
Если выход соответствующего нейрона сети верхнего уровня превысил порог у (на основании эксперимента у=0,65-0,75) (оператор 11), то ситуация считается определенной сетью верхнего уровня.
После определения ситуации Si запускается соответствующая сеть нижнего уровня, по выходным значениям нейронов сети нижнего уровня определяется нарушение, которое явилось причиной возникновения ситуации Si. При превышении выходом соответствующего нейрона активной сети нижнего уровня некоторого порога нарушение считается идентифицированным. Далее оператор, ведущий процесс, на основании результатов работы системы диагностики получает рекомендации по действиям для возврата процесса в регламентный режим.
Экспериментальное исследование работы системы диагностики на основании реальных данных методом имитационного моделирования всех девяти ситуаций показало её работоспособность. Система уверенно, хотя и с разными скоростями, обнаруживала нарушения на раннем этапе их развития (в пределах 20% зоны от их максимального развития). Список использованной литературы:
1. Ендияров, С.В. Диагностика процессов подготовки и производства агломерата. Методы и модели искусственного интеллекта/ С.В.Ендияров, С.Ю. Петрушенко. - Германия: LAP LAMBERT Academic Publishing, 2013.323 с.- ISBN 978-3-659-31778-1.
2. Ершов, Е.В. Система прогнозирования качества продукции металлургического производства / Е.В.Ершов, Л.Н.Виноградова, Д.В.Богачев, О.С.Петрухина // Известия вузов. Приборостроение. - 2015. Т58. - №2.- С.123-127.
© Егорова Е.Г., Русинов Л.А., 2022
