автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация управления качеством конечных продуктов процесса Ванюкова

На правах рукописи

005532082

Костин Евгений Владимирович

АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ КАЧЕСТВОМ КОНЕЧНЫХ ПРОДУКТОВ ПРОЦЕССА ВАНЮКОВА

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

15 АВГ 2013

Красноярск-2013

005532082

На правах рукописи

Костин Евгений Владимирович

АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ КАЧЕСТВОМ КОНЕЧНЫХ ПРОДУКТОВ ПРОЦЕССА ВАНЮКОВА

Специальность 05.13.06- Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Красноярск - 2013

Работа выполнена в Федеральном государственном бюджетном образовательно учреждении высшего профессионального образования «Норильский индустриальны институт» (г. Норильск)

Научный руководитель: кандидат технических наук, доцент

Писарев Александр Иванович

Официальные оппоненты: Медведев Александр Васильевич,

доктор технических наук, профессор, Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева, профессоркафедры системного анализа и исследования операций

Черняк Зиновий Александрович,

доктор технических наук, Технический директор ЗАО «ПРОМТЕХ»

Ведущая организация: ФГАБОУ ВПО «Сибирский федеральный университет»,

г. Красноярск

Защита состоится «20» сентября 2013 г. в 14 часов на заседании диссертационног совета Д 212.249.02, созданного на базе ФГБОУ ВПО «Сибирский государственны аэрокосмический университет имени академика М.Ф. Решетнева» по адресу: 660014 г. Красноярск, проспект имени газеты «Красноярский рабочий», 31.

С диссертацией можно ознакомиться в библиотеке Сибирского государственног аэрокосмического университета имени академика М.Ф. Решетнева.

Автореферат разослан «20» августа 2013 г.

Ученый секретарь Диссертационного совета

Кузнецов Александр Алексеевич

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Экономические показатели производства катодной меди зависят от эффективности управления головным процессом — плавкой медного сырья в печах Ванюкова (ПВ). Качество управления оценивается химическим составом получаемых продуктов плавки, производительностью плавильного комплекса и эффективностью расхода энергоресурсов. Целью управления технологическим процессом (ТП) ПВ является обеспечение работы плавильного комплекса в режимах, позволяющих решить основную задачу процесса Ванюкова - пирометаллургическое разделение шихты на штейн и отвальный шлак с минимальными потерями цветных металлов.

Теоретические основы плавки в жидкой ванне (ПЖВ) были разработаны профессором Ванюковым A.B. в 1949 году. Дальнейшие исследования в области переработки сырья в печах Ванюкова производились специалистами МИСиС, «Гинцветмет», Норильского и Балхашского горно-металлургического комбинатов и других организаций.

Разработкой математических моделей и систем управления процессом занимались A.B. Ванюков, В.П. Быстрое, А.Д. Васкевич, A.B. Спесивцев, В.И. Лазарев и др. Тем не менее, вопросу автоматического управления ПВ посвящено недостаточно исследований. Уровень развития алгоритмического и информационного обеспечения ТП предоставляет ограниченные возможности для автоматического ведения процесса — существующие автоматизированные системы управления технологическим процессом (АСУТП) Ванюкова включают в себя контуры контроля технологических параметров и регулирования входных материальных потоков, а контроль конечных продуктов плавки осуществляется с большой задержкой. Принятие управляющих решений об оперативном изменении режимных параметров осуществляет оператор-технолог. Как следствие, содержанием меди в получаемых штейнах ПВ изменяется в широких диапазонах 47-57 % или 65-73 % в зависимости от состава перерабатываемой шихты, тогда как регламентированное значение составляет 55-60 %. Получение таких штейнов приводит к дополнительным затратам на стадии конвертирования. Такое управление процессом говорит о необходимости совершенствования и модернизации существующего алгоритмического обеспечения.

Из вышесказанного следует, что задача исследования и построения алгоритмов управления процессом плавки в ПВ является актуальной. Решение этой задачи позволит улучшить качество конечных продуктов плавки и, как следствие, снизить затраты при переработке сульфидного сырья.

Цель работы - создать алгоритмическое обеспечение системы управления ПВ, обеспечивающее контроль и управление качеством конечных продуктов за счет прогнозирования основных технологических параметров.

Задачи исследования:

1. Разработать нейросетевую модель, прогнозирующую качество конечных продуктов плавки в ПВ.

2. Сформулировать критерии формирования входных и выходных информационных потоков (ИП) с целью параметрической настройки модели прогнозирования качества конечных продуктов ПВ.

3. Разработать алгоритм формирования входных и выходных ИП модели ПВ.

4. Создать обобщенную схему управления качеством продуктов ПВ.

5. Модифицировать алгоритм динамического программирования и принцип Беллмана применительно к управлению процессом Ванюкова с целью сокращения числ вариантов.

6. По разработанным алгоритмам создать пакет прикладных программ для мониторинга состояния и управления процессом плавки в печах Ванюкова.

7. Провести численные эксперименты для апробации результатов моделирования на промышленных данных.

Объект исследования — процесс плавки в печах Ванюкова

Предмет исследования - автоматизация управления качеством конечны продуктов ПВ.

На защиту выносятся следующие положения и результаты:

1. Критерии подготовки статистических данных процесса Ванюкова пр построении репрезентативной выборки, устанавливающей связь технологически параметров и качества конечных продуктов процесса.

2. Методика нейросетевого моделирования качества конечных продукте процесса Ванюкова с абсолютной ошибкой не более 2.5 %.

3. Алгоритм вычисления управляющих воздействий при регулировани качества продуктов процесса Ванюкова по заданному критерию управления основанный на модификации динамического программирования Беллмана.

4. Структурная схема системы управления качеством конечных продукте

ПВ.

5. Пакет прикладных программ для мониторинга состояния и управления качеством конечных продуктов ПВ.

Научную новизну диссертационного исследования составляют:

1. Нейросетевая модель прогнозирования качественных показателей продуктов плавки ПВ с научно обоснованным выбором параметров нейронной сети, отличающаяся введением сети с радиально-базисной функцией активации на выход классификатора Кохонена.

2. Модифицированный алгоритм динамического программирования отличающийся введением критерия группировки состояний системы целенаправленным сокращением количества вариантов принятия решений п управлению процессом Ванюкова.

3. Обобщенная структурная схема управления качеством конечных продукте плавки ПВ, отличающаяся комбинированным применением пейросетево" прогнозирующей модели и модифицированного алгоритма динамическог программирования Беллмана.

Значение для теории: в результате исследования развиты положения:

теории управления - предложена обобщенная структурная схема управлени металлургическим процессом с применением прогнозирующей нейросетевой модели;

теории динамического программирования — разработан модифицированный алгоритм поиска управляющих воздействий при заданном критерии управления;

теории синтеза нейросетевых моделей - предложена составная нейронная сеть н базе классификатора Кохонена и нейронной сети с радиально-базисной функцие" активации применительно к прогнозированию качества конечных продуктов плавки печах Ванюкова.

Значение для практики: разработан и внедрен программный комплекс, позволяющий вести мониторинг качественных показателей процесса Ванюкова. Н основании спрогнозированных показателей плавки программный комплекс позволя •

рассчитывать необходимые управляющие воздействия для корректировки качества конечных продуктов процесса Ванюкова в соответствии с регламентированным заданием качества.

Реализация результатов работы

1. На разработанный программный комплекс, прогнозирующий качество конечных продуктов плавки в ПВ получено авторское свидетельство.

2. Результаты работы переданы и внедрены в практику управления процессом плавки в ПВ на Медном заводе ЗФ ОАО «ГМК «Норильский никель». По рекомендациям, сгенерированным системой управления, в настоящее время осуществляется периодическое управление, позволяющее в условиях недостаточной информации получать штейны с содержанием меди в регламентированных рамках, что существенно снижает затраты на последующих этапах конвертирования и рафинирования меди.

3. Материалы исследования используются в учебном процессе кафедры «Электропривод и автоматизация технологических процессов и производств» Норильского индустриального института.

Все результаты применения диссертационных исследований подтверждаются соответствующими актами.

Методы исследования. Решение поставленных задач осуществлялось при помощи методов теории вероятностей и математической статистики, теории искусственных нейронных сетей и классификации информации, теории автоматического управления, методов принятия решений и оптимального управления процессами, методов динамического программирования Беллмана, методов математического и компьютерного моделирования.

Все необходимые расчеты производились с применением математических пакетов MATLAB, Deductor Studio и программных продуктов, разработанных автором.

Достоверность полученных результатов обеспечена корректным использованием методов моделирования и математической статистики, непротиворечивостью исследованиям других авторов, использованием сертифицированного программного обеспечения, а также сходимостью прогнозируемых показателей качества с экспериментальными данными процесса.

Апробация результатов работы

Полученные автором результаты исследований докладывались и обсуждались:

1. На 2-ой Международной научно-практической конференции «Перспективы и темпы научного развития» г. Тамбов 2012 г.;

2. На Международном форуме МАЙНЕКС 2011, конкурс молодых специалистов «От идеи к инновации»;

3. На V Региональной научной конференции молодых ученых, преподавателей, аспирантов, студентов и учащихся «Научный потенциал Норильского промышленного района - XXI век» г. Норильск 2012 г;

4. На XVI Международной конференции по мягким вычислениям и измерениям SCM 23-25 мая 2013 г. Санкт-Петербург 2013г.

5. На Научно-методическом семинаре Института цветных металлов и материаловедения Сибирского федерального университета 6 июня г. Красноярск.

Публикации. Основные результаты исследований опубликованы в 8 научных работах, из которых 3 в ведущих рецензируемых изданиях, включенных в список ВАК.

Получено авторское свидетельство на программный комплекс «Система прогнозирования результатов плавки в печах Ванюкова».

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 112 источников, 50 рисунков и 3 приложений. Работа изложена на 109 страницах машинного текста.

СОДЕРЖАНИЕ РАБОТЫ

Во введении дано описание проблемы, обоснована актуальность и практическая значимость проблемы, формулируются цель и задачи исследования.

В первой главе рассмотрены основные теоретические и технологические аспекты процесса плавки медного сырья в печах Ванюкова на примере плавильного комплекса печь Ванюкова №3 (Г1В-3) Медного завода ЗФ ОАО «ГМК «Норильский никель».

ПВ-3 представляет собой агрегат (рис. 1) непрерывного действия, предназначенный для плавки сульфидного сырья с целью получения штейнов и шлаков с заданным содержанием меди.

Процесс Ванюкова заключается в том, что компоненты перерабатываемой шихты богатая по содержанию сульфидов меди руда, отфильтрованный медный концентрат! бедные обороты, песчаник и т.д. загружаются на поверхность интенсивно барботируемой шлако-штейновой ванны расплава и под воздействием дутья кислородо-1 воздушной смесью (КВС) окисляются с выделением количества тепла, достаточного для автогенного протекания плавления и разделения расплава на штейн и отвальный шлак.

Процесс Ванюкова является автогенным. При этом элементарные стадии процесса плавления (нагрев шихты, плавление, диссоциация неустойчивых химических соединений, окисление сульфидов и т.д.) совмещены во времени и в пространстве.

Основной задачей управления комплексом ПВ является поддержание физико-химических условий процесса с целью получения продуктов плавки заданного! химического состава, путем изменения количества и соотношения подаваемых на плавку материалов и энергетических потоков: металлосодержащих материалов, флюсов,! топлива и кислородосодержащего дутья.

Режимными параметрами технологического процесса, отражающими качество работы комплекса ПВ-3, являются:

Температура расплава, ['С] - важнейший параметр для оперативного контроля и1 безаварийного управления температурным режимом шлаковой ванны. Изменение|

Рисунок 1 - Печь Ванюкова в разрезе

температуры отслеживается непрерывно, косвенным способом, по температуре воды, сливаемой с кессонов печи.

Расход технологического кислорода на тонну металлосодержащих компонентов шихты, [нм'/ч] - важнейший параметр процесса, позволяющий регулировать степень окисления шлаковой ванны печи, следовательно, и содержание цветных металлов в штейне. Параметр изменяется в диапазоне — 74-180 нм3/т, что говорит о нестабильности и несогласованности управляющих воздействий. Измерение осуществляется непрерывно.

Массовая доля меди в штейне и шлаке, [%] - регламентируется в диапазоне ~60% для штейна (измерение по химическим анализам с дискретностью 2 часа) и ~1% для шлака (измерение по химическим анализам с дискретностью 4 часа), позволяет качественно оценить процесс плавки, так как основной задачей ПВ является получение продуктов плавки с заданным содержанием меди. Практика показывает, что диапазон изменения содержания меди в штейне шире и составляет 55-65% или 62-74%. Это приводи к увеличению времени последующего процесса конвертирования, что влечет за собой существенные затраты.

Массовая доля кремнезема в шлаке, [%] - регламентируется диапазоном ~29-31 % (дискретность измерения 4 часа). Практика показывает, что диапазон изменения кремнезема в шлаке шире и составляет 25-33%. Выход из регламентированного диапазона приводит к потерям цветных металлов со шлаками.

Таким образом, задача исследования, рассматриваемая в настоящей работе, заключается в создании алгоритмов управления, обеспечивающих эффективное прогнозирование качеством конечных продуктов и управление процессом ПВ в целом.

Вторая глава посвящена разработке математической модели, прогнозирующей качественные показатели продуктов плавки в печах Ванюкова. Для построения математической модели процесса необходимо описать существующие ИП ПВ. На рис. 2 представлена обобщенная структурная схема существующей системы автоматического управления ПВ-3.

Рисунок 2 - Обобщенная структурная схема управления ПВ

ИП ПВ, описываются следующими векторами: Б - вектор режимных параметров плавки, и - вектор управляющих сигналов, X — вектор переменных состояния, Z -вектор возмущений.

Параметры, характеризующие состояние процесса Ванюкова, контролируются измерительными приборами АСУТП либо определяются в результате химических анализов. Они формируют вектор состояния процесса Ванюкова X = , ¡=1 ...п, л=15:

■ - содержание меди в штейне [%];

■ х2 - содержание меди в шлаке [%];

■ X}- содержание кремнезема в шлаке [%];

■ X),; - содержание меди в /-ом компоненте шихты [%];

■ х5>/ - содержание серы в /-ом компоненте шихты [%];

■ х6- расчетное количество загружаемой меди в шихте [%];

■ х-] — расчетное количество загружаемой серы в шихте [%];

■ х% — температура воды на сливе с кессонов печи [ ° С];

■ хд — расход технологического кислорода [нм3 /ч];

■ .гк; - расход кислородо-воздушной смеси [нм3 /ч];

■ х\ 1 - расход природного газа на обогрев [нм3 /ч];

■ х\г - обогащение кислородного дутья кислородом [%];

■ дгп — загрузка металлосодержащих компонентов шихты [т/ч];

" хм — загрузка флюсовых компонентов шихты [т/ч];

" Х\5 — расход технологического кислорода на тонну металлосодержащих

компонентов шихты [нм3/т].

Дискретность измерения технологических параметров составляет: Х{ - 2 часа; х2, х} - 4 часа; хц, - 1 сутки-1 неделя (в зависимости от компонента шихты); х6-хц -непрерывно.

Исходя из материальных запасов и химического состава сырья, для каждой плавки, формируется вектор режимных параметров процесса плавки Б = (с/,)™!, /=1 ...т, т=5:

■ (1\ — расход технологического кислорода на плавку [нм3/ч];

■ ¿1 - расход перерабатываемого металлосодержащего сырья [т];

■ с1} — содержание меди в штейне [%];

■ (/4 - содержание меди в шлаке [%];

■ г/5 - содержание кремнезема в шлаке [%].

В процессе плавки на объект управления также действуют возмущения Ъ - (г,)".,, 1—1 ...о, а=5:

■ 2\ — отклонения от номинала химического состава сырья;

■ гг — отклонения гранулометрического состава сырья;

■ гу — отклонения давления технического кислорода;

■ г4 — отклонения давления воздуха;

■ - отклонения давления природного газа.

Оператор-технолог, руководствуясь технологической инструкцией, сменным заданием и априорной информацией о количественном и качественном составе входных материальных потоков и собственным опытом ведения процесса, выбирает вектор управляющих сигналов и = (и,)ы> — Ь, £>=4:

■ и 1 - расход металлосодержащих компонентов шихты [т/ч];

■ и2- расход песчаника [т/ч];

■ «з - расход технологического кислорода на плавку [нм3/ч];

" и4 - обогащение кислородного дутья кислородом [%].

Следуя цели исследования, поставленной в первой главе, необходимо разработать математическое обеспечение системы управления ПВ, позволяющее рассчитать значение вектора управления и. Для построения системы автоматического управления ПВ требуется математическая модель, адекватная процессу ПВ. Предлагается использовать математический аппарат построения моделей на базе искуственных

нейронных сетей (ИНС). Данный вид моделей подразумевает «обучение» и настройку ИНС на основании исторических данных ведения процесса. Таким образом, первоначально требуется произвести формирование исходных ИП модели.

Основные операции формирования ИП модели включают следующие этапы

■ Приведение к единой дискретизации по времени;

Для модели, прогнозирующей качество продуктов плавки ПВ, уровень квантования составляет 2 часа (период измерения химического состава штейна). Параметры, измеряемые чаще 2 часов (ежеминутно), усредняются за 1 и 2 часа до поступления анализа химического состава штейна. Тогда, для каждого параметра с непрерывным измерением число ИП увеличится до 2-х (за предыдущий час и предшествующий предыдущему часу). Параметры, измеряемые реже 2 часов (раз в 4 часа - состав шлака, раз в 8, 12, 24 часа - состав компонентов шихты) восстанавливаются методами линейной интерполяции.

■ Приведение к единому масштабу измерения: нормирование и центрирование

данных;

■ Фильтрация данных;

Включает в себя операцию исключения «аномальных» значений, которые возникают с очень низкой вероятностью появления (до 0.3%), и обнаруживаются при помощи правила «трех сигм».

Фильтрация включает операцию исключение моментов времени, когда процесс плавки приостановлен, либо остановлен полностью, например:

- печь остановлена, либо находится на «притычках» - загрузка сырья и дутьё остановлены, расплав не скачивается и обогревается природным газом;

- печь в ремонте — процесс плавки полностью остановлен, свод печи разбирается, расплав скачивается из ванны;

- печь на разогреве - предпусковые работы, по подготовке свода печи к заливке расплава в печь.

■ Формирование объема и структуры ИП.

Операция подразумевает создание и расчет параметров, которые определяются косвенным путем по измеренным. К расчетным относятся следующие производственные параметры: дг6, х1, х13, хц.

Объем выборки является важным параметром ИП при построении нейросетевой модели, модели. С целью расчета объема предлагается использовать независимые характеристики - ошибку прогнозирования моделируемой величины (а) и продолжительности настройки нейросети (б). Оптимальный объем, находится на пересечении характеристик.

Построение классификатора исторических данных ПВ

В результате выполнения описанных операций по подготовке ИП, получены исходные входные и выходные ИП для построения модели. Рассматривая плавку в печах Ванюкова как сложный многофакторный процесс, осуществляемый в условиях значительной неопределенности, можно сделать выводы о том, что процесс является стохастическим. В связи с этим, предлагается использовать математический аппарат теории классификации и искусственных нейронных сетей для аппроксимации зависимости между параметрами вектора состояния процесса Ванюкова.

В качестве классификатора исходной информации о процессе принята самоорганизующаяся сеть Кохонена и соревновательный алгоритм обучения. Настраиваемым параметром сети Кохонена является число нейронов. В известных работах предлагается использование метода субстрактивной кластеризации,

позволяющего определить количество и координаты экстремумов многомерного пространства. Однако эта методика не учитывает расстояние между экстремумами, что является существенным при построении классификаторов многофакторных процессов.

Используя подход, предложенный для определения объема выборки, можно определить количество нейронов для слоя Кохонена, при фиксированном объеме выборки. Для этого используются характеристики (рис. 3) - ошибка прогнозирования моделируемой величины (а) и продолжительности настройки нейросети (б). Компромиссный вариант между ошибкой и временем обучения находится на пересечении характеристик.

Приведенные характеристики являются независимыми при условии, что параметры

модели и объем выборки не изменяется при расчете числа нейронов слоя Кохонена. Поэтому было проведено исследование для зависимости трех

сети не в печах

Рисунок 3 - Графическое представление методики определения числа нейронов слоя Кохонена

построения характеристик:

■ ошибка прогнозирования;

■ объем выборки;

■ число нейронов в слое.

Время обучения нейронной

учитывалось, так как плавка Ванюкова является инерционным процессом, что позволяет опустить данный параметр из рассмотрения. В процессе исследования использовались ИП, подготовленные на предыдущем этапе. Общий объем выборки составил 1450 часовых отсчетов, что соответствует -120 дням работы плавильного комплекса ПВ-3.

При исследовании объем выборки изменялся от 250 до 1450 отсчетов, число нейронов в слое Кохонена изменялось от 9 до 400 нейронов.

На рис. 4 представлен график изменения ошибки прогнозирования классификатором Кохонена в зависимости от числа нейронов в слое и объема выборки. Видно, что с минимальным числом нейронов в слое и максимальным объемом выборки, ошибка прогнозирования составляет почти 90%. Однако, с увеличением числа нейронов в слое, ошибка резко уменьшается от 50% до 30%.

Область с минимальной ошибкой распределена неравномерно и разделяется на две части (область (а) и область (б)). При этом область (б) распространяется около диагонали квадрата со сторонами «число нейронов» и «объем выборки». Она пересекается с областью (а) на уровне -800 отсчетов выборки и -100 нейронов в слое. Наименьшую ошибку обеспечивает область (а), на уровне -70 нейронов в слое и в диапазоне объема выборки от 800 до 1400 отсчетов.

Следуя принципу минимизации времени обучения, можно сделать вывод, что оптимальное соотношение «объем выборки» — «число нейронов» будет находиться в точке минимальной ошибки прогнозирования с наименьшим объемом выборки и числом нейронов. Для представленной плоскости эта точка находится на уровне 100 нейронов в слое Кохонена и 850 отсчетов выборки.

Ошибка g g

<х1П% I 9 2

8 8

8.4

8

7.6

7.2

6.8

6 4

6

5.6

5 2

4.8

4.4

4

3 6

Рисунок 4 - Графическое представление зависимости ошибки прогнозирования от объема выборки и числа нейронов в слое Кохонена

Результаты классификации исторических данных ПВ

Руководствуясь данным критерием определения объема выборки и числа нейронов в слое, построена сеть Кохонена. Параметры сети:

■ количество нейронов - 144 (структура 12x12);

■ начальный и конечный радиусы обучения -7.1 и 0.1 нейронов соответственно;

■ скорость обучения — 0.3 в начале и 0.005 в конце обучения.

После обучения, используя координаты слоя Кохонена и значения весовых коэффициентов по каждому из входов, были построены плоскости распределения параметров по кластерам классификатора. На рис. 5-7 представлены распределения некоторых режимных параметров процесса плавки.

Из-за особенности построения карты Кохонена объединять схожие векторы в группы, можно сказать, что полученные графики описывают взаимное влияние каждого фактора на содержание меди в штейне. Первые два фактора (рис. 5) обладают схожими плоскостями распределения. Это объясняется химическим соединением меди и серы в шихте (CuFeS2 и CuFe2S3). Следует отметить, что оба распределения обладают одинаковым и конечным количеством экстремумов, что говорит о детерминированности изменения химического состава шихтовых материалов.

График распределения расхода флюса на плавку (рис. 6, а) существенно отличается от приведенных зависимостей содержания меди и серы в шихте. Распределение отличается одним экстремумом и особенной плавностью изменения. Можно сделать вывод о независимости расхода флюса от содержания меди и серы в шихте, а также от дутьевого режима печи.

Распределение содержания меди в штейне представлено на рис. 7 (а - предыдущее значение, б — текущее). Плоскость отличается резкими изменениями и большим количеством экстремумов. Это говорит об отсутствии детерминированности процесса и стохастичности изменения выходной величины. Такое поведение процесса можно объяснить большим количеством возмущающих воздействий. Наиболее влияющим возмущением является человеческий фактор, так как основные решения по

управляющим воздействиям принимает оператор-технолог, что приводит к резким скачкам и большому числу экстремумов.

Рисунок 5 - Распределение содержания меди (а) и серы (б) в шихте

Рисунок 7 - Распределение содержания меди в штейне на текущем (а) и предыдущем (б) шаге

Рисунок 6 - Распределение расхода флюса (а) на плаву и удельного расхода

кислорода (б) на тонну металлосодержащих компонентов шихты

Построение аппроксимирующего звена на выходе слоя классификатора Кохонена

Классификация статистики при помощи сети Кохонена позволяет производить приближенное решение задачи аппроксимации содержания меди в штейне. Тем не менее, вопрос построения модели, прогнозирующей качественные показатели продуктов плавки Г1В, остается решенным не до конца, так как выход слоя Кохонена является дискретным и указывает только на номер нейрона, к которому относится тот или иной входной сигнал. В связи с этим, необходимо построить аппроксимирующее звено на выходе слоя Кохонена, которое может из промежуточного решения классификатора получить окончательное решение. В качестве аппроксимирующего звена автором предложено использование искусственной нейронной сети с радиально-базисной функцией активацией (Radial basis function network - RBF-network). Для которой расчет í-ого из К возможных выходных параметров осуществляется по выражению:

л(х)=1^/(х,с,.,)' 0)

где Н - число нейронов в сети, ДХ, Су) - радиально-симметричная базисная функция; Су - вектор столбец, указывающий центры радиально базисной функции; X -вектор столбец входных сигналов.

Для расчета весовых коэффициентов wtJ сети используется линейное матричное уравнение. Настраиваемыми параметрами сети являются: количество нейронов, ширина и центр радиально-базисной функции. В работе предлагается методика построения RBF-cenm с выбором центров и ширины базисной функции нейронов. Структурная схема предложенного метода представлена на рис. 8.

Алгоритм функционирования модели включает этапы:

1. От объекта управления вектор состояний ПВ поступает на вход слоя Кохонена, обучение которого осуществляется непрерывно.

2. Рассчитывается Евклидово расстояние между вектором X и нейронами слоя -столбцами из матрицы УУ,8) (верхний индекс (я) указывает на принадлежность матрицы весовых коэффициентов карте Кохонена).

3. Нейроны, которые наилучшим образом повторяют входной сигнал, обладают наименьшим Евклидовым расстоянием. По этому признаку отбирается два нейрона, так называемые нейроны «победители».

4. Далее строится ЯВИ-сеть на базе нейронов «победителей». Узлы интерполяции принимаются равными значениям весовых коэффициентов нейронов «победителей», а

ширина радиально базисных функций выбирается равной Евклидовому расстоянию между ними.

5. Производится расчет весовых коэффициентов ЯВЕ-сети.

6. Входной вектор X подается на вход вновь построенной КВГ-сети. где окончательно рассчитываются значения выходных параметров.

Предложенная модель построена и обучена выборке, полученной в результате работы плавильного комплекса ПВ-3. Проверка работоспособности модели осуществлялась на тестовой выборке, которая не участвовала в обучении. Результаты работы модели представлены на рис. 9. По графику изменения выходного параметра видно, что модель повторяет содержание меди в штейне с достаточной степенью приближения к реальным данным за период 30 последовательных анализов (60 часов).

В третьей главе решается вопрос построения алгоритма управления процессом Ванюкова, основанный на методе динамического программирования.

i

t^

Рисунок 9 - График изменения содержания меди в штейне (- реальные данные,---рассчитанные по модели)

Для качественного управления ПВ необходимо вести плавку таким образом, чтобы в течение процесса переработки вектор состояния X был как можно ближе к вектору режимных параметров D. Таким образом, функционал качества управления можно представить в виде:

г

/ = J(a,(d, -х,)2 +a2(d2 -хпУ + a,(d, - х,)2 + a„(d, - х2)2 + a5(d5 - x2)2)dt -у min (2)

о

где а\-а5 - весовые коэффициенты значимости режимных параметров на эффективность управления. Сумма весовых коэффициентов равна единице. При этом качество продуктов плавки является наиболее важным показателем, поэтому значения коэффициентов в первом приближении выбраны: а^О.125, а2=0.125, аз=0.25, 04=0.25, 05=0.25.

Физический смысл функционала заключается в следующем: в течение всего процесса плавки необходимо минимизировать отклонение основных режимных параметров от их заданных значений с целью получения продуктов заданного химического состава.

С целью управления по заданному функционалу разработана модификация метода динамического программирования Беллмана. Для описания предложенного алгоритма вводятся следующие понятия: ■ период плавки Т - промежуток времени между двумя последовательными

моментами контроля химического состава штейна;

■ дискретность управления Д/ - периодичность времени, с которой производится

изменение управляющих сигналов U;

■ число моментов управления за период N=T/At;

■ дискретное время /,=/'• А/, где/=0, 1,... N-1.

Под влиянием выбранного в момент времени tj управления (принятого решения) печь переходит в новое состояние. Этот переход можно описать соотношением: X(/y+1) = /(X(f,),U(fy)) (3)

Здесь /(Х(,(),и((,)) ~ л-мерная функция (3) от »-мерного вектора X и т-мерного

вектора U, характеризующая процесс Вашокова. Она представляет собой нейросетевую модель плавки и подробно описана в предыдущей главе. Начальное состояние процесса обозначим как Х(/0).

Записав функционал (2) в соответствии с введенными обозначениями, получим:

= а, [х, (/,, U(f,)) - d,)1 + F(X(t„)), (4)

J-о 4 l-l )

где L - количество режимных параметров; F(X(t„)) - точность приведения в конечное (оптимальное) состояние; а,- - весовые коэффициенты.

Введем понятие значение критерия оптимальности для момента времени tj и управляющего воздействия и((у)- Оно характеризуется суммарными отклонениями режимных параметров при плавке на j-м шаге управления:

/=1

Вычисление оптимального вектора управления для каждого момента времени осуществляет по рекуррентному уравнению:

U {tj) = arg mm{s(t], U(<,)) + J(tjn)) (6)

где J(tj+i) - значение критерия оптимальности на следующем шаге, которое определяется по выражению:

U(iy+1)) + J(iy+2)) (7)

Процедура вычисления вектора управления по методу оптимальности Беллмана осуществляется в два этапа.

Выполнение «попятной» процедуры Определяются все возможные состояния процесса в дискретные моменты времени. Её выполнение осуществляется из конечного оптимального состояния. Для определения всех возможных состояний объекта используется модель управляемого процесса Ванюкова. Изменяя с дискретностью ди управляющие сигналы и подавая их на вход модели, рассчитываются все возможные состояния процесса для момента времени tj. Количество возможных состояний для момента времени обозначим q.

Выполнение «прямой» процедуры

Осуществляется из начального состояния модели. Для всех возможных вариантов управления процессом рассчитывается критерий оптимальности в начальный момент времени у(,п). Тот путь, значение критерия оптимальности которого будет минимальным, принимается за оптимальный.

Для применения данного метода к процессу управления ПВ автором предлагаются модификация «прямой» и «попятной» процедур:

1. При вычислении «попятной» процедуры нет уверенности, что будет найден путь перехода системы из оптимального конечного состояния в начальное состояние, так как количество моментов дискретного управления N может оказаться недостаточным. В связи с этим предлагается осуществлять поиск возможных путей управления из начального состояния.

2. Для уменьшения объемов вычисления при «прямой» процедуре вводится алгоритм целенаправленного сокращения вариантов управления, который заключается в следующем.

Для каждого момента времени производить группировку полученных вариантов по значению критерия оптимальности (5). Объединения в группы предлагается осуществлять по критерию:

|5„(Х(/;),и(^))-^(Х(/у)>и(/у))| < 3, п = 1 ..ч,т = 1..?,« * т (8)

где 5 - критерий точности группировки.

Если указанное выше условие выполняется, тогда можно сказать, что разные управляющие воздействия (с индексами пит) приведут к одному и тому же состоянию печи. Из этого следует, что можно выбрать только одно из управляющих воздействий (например, с индексом п), а соответственно уменьшить количество возможных вариантов управления <7.

Обобщенная структурная схема управления качеством конечных продуктов плавки в ПВ представлена на рис. 10.

X

Предв-ая обработка Модель нейронная сеть

и ^

Ь Л

Алгоритм принятия решений

ОУ (ПВ-3)

Рисунок 10 - Обобщенная схема управления качеством конечных продуктов плавки в печах Ванюкова

Работа предложенной схемы управления качеством продуктов плавки заключается в следующем:

1. Объект управления (печь Ванюкова) под воздействием управляющего вектора и и возмущающих воздействий Ъ описывается вектором состояний X.

2. По каналам обратной связи (АСУ ТП и лаборатория химического анализа) вектор состояния процесса X поступает на блок «Предварительная обработка», где в соответствии с алгоритмом формирования входных и выходных потоков модели определяется расчетный вектор состояния процесса X для текущего момента времени.

3. По текущему значению расчетного вектора состояния X и предыдущему значению расчетного вектора управляющих воздействий и, определяются последующие возможные состояния на заданный период управления при помощи нейронной сети на базе слоя Кохонена и КВР-сети.

4. В соответствии с заданным вектором режимных параметров Б рассчитывается план управления процессом плавки на период плавки. Выбор наиболее

эффективного пути управления и осуществляется по функционалу качества ПВ с использованием модификации метода динамического программирования Беллмана.

итёйне, К 5S S8 59158 59 58

:

56.5 .......Ä

/

/ . 54.3

минуть

Автоматическое управление —!*«» Управление оператора ■—Регламентированное

Рисунок 11 - Сравнение методов управления ПВ

Предложенная схема автоматического управления опробована для расчета оптимального плана управления процессом плавки в печи Вашокова. Расчет проводился на базе нейросетевой модели, описанной в предыдущей главе. Период плавки принят 60 минутам, дискретность управления 15 минутам. Были рассмотрены все возможные варианты управления по описанному выше алгоритму группировки. В результате было получено всего 168 возможных путей управления, тогда как классический подход Беллмана составил бы более 2 • 106 вариантов управления.

Результаты расчетов (рис. 11) показали рациональность принимаемых решений. В результате принятых решений по управлению процессом плавки, фактическое содержание меди в штейне увеличилось с 52.40% до 59.58%. При этом регламентированное значение содержание меди в штейне составляет 60.00%.

В четвертой главе описан способ интеграции системы управления процессом плавки в печи Вашокова в существующую АСУТП Медного завода, которая представлена тремя уровнями автоматизации. На среднем уровне используются контроллеры фирмы Rockwell Automation ControlLogix 5000. На верхнем уровне используется автоматизированное рабочее место (АРМ) оператора, оснащенное промышленным компьютером фирмы AllenBradley и расположенное в комнате операторов ПВ-3. В состав верхнего уровня также входит сервер сбора исторических данных технологического процесса.

Для интегрирования системы автоматического управления процессом плавки на верхний уровень внедряется станция системы автоматического управления. Внедряемая станция осуществляет выполнение прикладного программного обеспечения (рис. 12 ):

- непрерывную обработку исторических данных и подготовку обучающей выборки;

- непрерывное обучение классификатора Кохонена;

- расчет текущих значений моделируемых параметров: содержание меди в штейне, содержание меди и кремнезема в шлаке;

- расчет оптимального плана управления процессом Ванюкова.

Процесс Ванюкова

j Сервер

N исторических

141 данных

Ж

Система управления

^J Блок предварительной обработки

Jj

Сеть Кохонена

И

Интерполирующая RBF-сеть

J Хранилище расчетов

Блок соревнования и корректировки весов нейронов

Сервер системы управления

Регламентированное содержание меди в штейне (поз. 5) задает параметры функционала расчета управляющих воздействий. Смоделированное содержание меди в штейне (поз. 6) характеризует текущее обогащение штейна. График на поз. 9 позволяет оценить динамику изменения управляемой величины. Поз. 4 отображает график

Рисунок 12 - структурная схема программного комплекса сервера системы

управления ПВ

Программная реализация математической модели процесса и модели управления осуществлялась на языке С# платформы .NET Framework 3.5. Результаты смоделированных значений управляемых переменных передаются на АРМ оператора и отображаются на мнемосхеме (рис. 13) ведения технологического процесса. На основании оптимального плана управления, генерируются сообщения-советы для операторского персонала и отображаются на мнемосхеме (рис. 13, поз. 1-3).

Рисунок 13 - главная мнемосхема системы управления качеством конечных продуктов процесса Ванюкова

изменения основных режимных параметров процесса и позволяет наглядно оценить степень согласованности процесса.

В результате принятия управляющих воздействий, предложенных системой управления качеством продуктов ПВ, уменьшается отклонение качества штейнов от регламентированного значения и, тем самым, снижаются затраты на последующих этапах конвертирования и рафинирования. Это достигается за счет стабилизации химического состава штейнов ПВ на уровне, регламентированной производственными задачами и стандартами предприятия.

ОСНОВНЫЕ ВЫВОДЫ II РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработана нейросетевая модель процесса Ванюкова. Предложен способ определения центров и ширины радиально-базисной функции ГШИ-сети с использованием классификатора Кохонена. Синтезированная нейросетевая модель процесса плавки Ванюкова позволяет спрогнозировать качественные показатели продуктов плавки. Использование классификатора Кохонена на промежуточном этапе позволяет не только строить постоянно самонастраивающуюся модель, но и производить сравнительный анализ входных и выходных параметров модели.

2. Сформулированы критерии формирования входных и выходных информационных потоков с целью параметрической настройки модели прогнозирования качества конечных продуктов ПВ. Описаны и обоснованы критерии определения объема выборки и числа нейронов в слое Кохонена в зависимости от ошибки прогнозирования и времени настройки нейросетевой модели.

3. Разработан алгоритм формирования входных и выходных ИП для построения модели, прогнозирующей качество продуктов плавки в печах Ванюкова.

4. Предложена и опробована обобщенная структурная схема управления процессом Ванюкова, включающая в себя нейросетевую модель и алгоритм принятия управляющих решений по методу динамического программирования Беллмана с описанием поэтапного построения.

5. Предложена модификация метода динамического программирования Беллмана, описывающая многошаговый алгоритм управления процессом плавки. Модификация заключается в целенаправленном сокращении числа вариантов управления и позволяет сократить объемы вычисления при решении «попятной» процедуры.

6. Разработано программного обеспечение для моделирования и построения прогноза содержания меди в штейне, меди и кремнезема в шлаке. Оно используется для расчета оптимального управления процессом плавки, использующее в качестве эталонной модели самонастраивающуюся нейронную сеть.

7. Осуществлены численные эксперименты и апробации модели прогнозирования качества конечных продуктов ПВ на промышленных данных. Апробация произведена путем сравнения расчетных и фактических значений содержания меди в штейне. Решен вопрос интеграции предложенной оптимальной системы управления в существующую АСУТП печи Ванюкова №3 Медного завода ЗФ ОАО «ГМК «Норильский никель» путем введения сервера системы оптимального управления на верхнем уровне.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ:

1. Костин Е.В. Нейросетевая модель процесса плавки медного никельсодержащего сырья в печах Ванюкова [Текст] / Е.В. Костин, А.И. Писарев / Научно-технические ведомости СПбГПУ. - 2012. - № 1(140). - С. 67-72.

2. Костин Е.В. Метод оптимального управления процессом плавки медного никельсодержащего сырья в печах Ванюкова [Текст] / Е.В. Костин, А.И. Писарев / Научно-технические ведомости СПбГПУ. - 2012. - № 3(150). - С. 41^46.

3. Костин Е.В. Алгоритмическое обеспечение управления качеством продуктов плавки в печах Ванюкова [Текст] // Вестник СибГАУ. - 2013. - № 2(48). С. 192-198.

Прочие основные публикации, по теме диссертации:

4. Костин Е.В. Подготовка статистических данных для построения нейросетевой модели процесса плавки в печах Ванюкова [Текст] / Е.В. Костин, А.И. Писарев // Научный вестник Норильского индустриального института. - 2011. - № 8. С. 45-*9.

5. Костин Е.В. Предобработка исторических данных процесса Ванюкова посредством классификатора Кохонена [Текст] / Е.В. Костин, А.И. Писарев // Перспективы и темпы научного развития. Сб. трудов 2-ой международной научно-практической конференции. Тамбов, 28-29 декабря 2012. - 2012. - С. 49-55.

6. Костин Е.В. Разработка нейросетевой модели печи дожига участка производства элементарной серы Медного завода [Текст] / Е.В. Костин, P.M. Латыпов // Научный потенциал Норильского промышленного района - XXI век. Норильск, 17-20 апреля 2012.-С. 56-61.

7. Костин Е.В. К вопросу построения нейросетевой модели процесса плавки медного никельсодержащего сырья в печах Ванюкова [Текст]/ Е.В. Костин // Сборник материалов 7-й горнопромышленного форума «МАЙНЕКС Россия 2011». - 2011. -С. 89-94.

8. Костин Е.В. Алгоритмическое обеспечение управления сложными технологическими системами на основе нейросетевых моделей [Текст] / Е.В. Костин, A.B. Спесивцев, А.И. Писарев // Сб. трудов XVI Международной конференции по мягким вычислениям и измерениям SCM. Санкт-Петербург, 23-25 мая 2013. - 2013. -С. 76-81.

Разработка, зарегистрированная в Реестре программ для ЭВМ РФ:

9. Костин Е.В. Система прогнозирования результатов плавки в печах Ванюкова. // Св-во гос. Регистрации № 2012612085 от 24.02.2012.

ЛР №021341 от 19.05.99. Подписано в печать 10.07.2013. Формат 60x84 1/16. Гарнитура Times New Roman. Печать плоская. Бум. для. копир.-мн.ап. Физ.печ.л. 1,5. Усл.печ.л. 1,3. Уч.-изд.л. 1,12. Тираж 100 экз. Заказ №101.

Редакционно-издательский отдел ФГОУВПО «НИИ» 663310, Норильск, ул. 50 лет Октября, 7. E-mail: RIO@norvuz.ru

Отпечатано в отделе ТСОиП ФГОУВПО «НИИ»

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФГБОУ ВПО «НОРИЛЬСКИЙ ИНДУСТРИАЛЬНЫЙ ИНСТИТУТ» ФГБОУ ВПО «СИБИРСКИЙ ГОСУДАРСТВЕННЫЙ АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ ИМЕНИ АКАДЕМИКА М.Ф. РЕШЕТНЕВА»

На правах рукописи

04201361377

Костин Евгений Владимирович

АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ КАЧЕСТВОМ КОНЕЧНЫХ ПРОДУКТОВ ПРОЦЕССА

ВАНЮКОВА

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (промышленность)

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель: кандидат технических наук, доцент, Писарев Александр Иванович

f¿J>

Красноярск -2013

ОГЛАВЛЕНИЕ

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ.................................................................4

ВВЕДЕНИЕ..........................................................................................................5

ГЛАВА 1. ОБОСНОВАНИЕ НЕОБХОДИМОСТИ МОДЕРНИЗАЦИИ АЛГОРИТМОВ УПРАВЛЕНИЯ ПРОЦЕССОМ ВАНЮКОВА...................10

1.1. Анализ процесса Ванюкова.................................................................10

1.1.1. Физико-химические основы процесса Ванюкова........................10

1.1.2. Обзор работ по исследованию процесса обеднения шлаков и управлению печами Ванюкова..................................................................14

1.2. Обзор способов контроля и управления ПВ на примере печи Ванюкова №3 Медного завода......................................................................23

1.2.1. Краткое описание технологического процесса

комплекса ПВ-3...........................................................................................23

1.2.2. Регулирование температурного режима плавки.........................27

1.2.3. Регулирование химического состава штейна..............................28

1.2.4. Регулирование химического состава шлака по содержанию диоксида кремния.......................................................................................28

1.2.5. Особенности плавки в ПВ-3..........................................................28

1.2.6. Недостатки существующего управления.....................................29

1.3. Характеристика информационных потоков процесса плавки в печи Ванюкова №3 Медного завода......................................................................31

1.3.1. Информационный поток химических составов сырья и готовой продукции....................................................................................................31

1.3.2. Информационный поток основных технологических параметров процесса Ванюкова.....................................................................................32

1.3.3. Недостатки существующих информационных потоков печи Ванюкова.....................................................................................................33

1.4. Выводы...................................................................................................34

ГЛАВА 2. НЕЙРОСЕТЕВАЯ МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ПОКАЗАТЕЛЕЙ КАЧЕСТВА ПРОДУКТОВ ПЛАВКИ ПРОЦЕССА ВАНЮКОВА......................................................................................................36

2.1. Описание существующей системы управления плавильным комплексом ПВ-3...........................................................................................36

2.2. Обработка входных и выходных информационных потоков перед построением нейросетевой модели процесса Ванюкова...........................39

2.2.1. Приведение к единому уровню квантованию по времени и единой шкале измерения............................................................................39

2.2.2. Фильтрация и очистка исторических данных..............................40

2.2.3. Формирование структуры входного информационного потока41

2.2.4. Определение объема входного информационного потока.........41

2.3. Построение грубой аппроксимирующей модели процесса Ванюкова на базе классификатора Кохонена................................................................42

2.4. Построение уточненной аппроксимирующей модели прогнозирующей качество продуктов плавки в печи Ванюкова на базе сети с радиально-базисной функцией активации.......................................52

2.5. Выводы...................................................................................................59

ГЛАВА 3. МОДЕЛЬ УПРАВЛЕНИЯ КАЧЕСТВОМ КОНЕЧНЫХ ПРОДУКТОВ ПРОЦЕССА ВАНЮКОВА НА БАЗЕ МОДИФИЦИРОВАННОГО АЛГОРИТМА ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ И ПРИНЦИПА ОПТИМАЛЬНОСТИ БЕЛЛМАНА.......................................................................................................61

3.1. Структурная схема управления процессом Ванюкова......................61

3.2. Модификация алгоритма динамического программирования и принципа оптимальности Беллмана применительно к управлению процессом Ванюкова......................................................................................62

3.2.1. Классический подход динамического программирования и

принципа оптимальности Беллмана на примере процесса Ванюкова ..63

3.2.2. Модификация алгоритма...............................................................66

3.3. Пример расчета плана управления процессом плавки в печи Ванюкова.........................................................................................................67

3.3.1. Моделирование управления для режима с богатым штейном... 67

3.3.2. Моделирование управления для режима на заданный штейн... 71

3.4. Выводы...................................................................................................73

ГЛАВА 4. ИНТЕГРАЦИЯ СИСТЕМЫ УПРАВЛЕНИЯ КАЧЕСТВОМ КОНЕЧНЫХ ПРОДУКТОВ ПРОЦЕССА ВАНЮКОВА В АСУ ТП ПРЕДПРИЯТИЯ................................................................................................75

4.1. Описание принципов интеграции системы управления в АСУ ТП 75

4.2. Алгоритмическое обеспечение системы управления качеством конечных продуктов процесса Ванюкова....................................................79

4.3. Описание интерфейса визуализации системы управления качеством конечных продуктов процесса Ванюкова....................................................84

4.4. Апробация результатов........................................................................88

4.5. Выводы...................................................................................................90

ЗАКЛЮЧЕНИЕ..................................................................................................92

СПИСОК ЛИТЕРАТУРЫ.................................................................................95

ПРИЛОЖЕНИЕ 1............................................................................................107

ПРИЛОЖЕНИЕ 2............................................................................................108

ПРИЛОЖЕНИЕ 3............................................................................................109

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

АСУ ТП Автоматизированная система управления

технологическими процессами

АСУ Автоматическая система управления

ПВ Процесса Ванюкова

КВС Кислородо-воздушная смесь

ТП Технологический процесс

ПЛК Программируемый логический контроллер

АРМ Автоматизированное рабочее место

ОРС OLE for Process Control

ПЖВ Плавка в жидкой ванне

ИП Информационный поток

ктс Комплекс технических средств

ВВЕДЕНИЕ

Актуальность темы. Качество управления процессом плавки в печи Ванюкова (ПВ) оценивается химическим составом получаемых продуктов плавки, производительностью плавильного комплекса и эффективностью расхода энергоресурсов. Целью управления технологическим процессом (ТП) Ванюкова является обеспечение работы плавильного комплекса в режимах, позволяющих решить основную задачу процесса Ванюкова -пирометаллургическое разделение шихты на штейн и отвальный шлак с минимальными потерями цветных металлов.

Теоретические основы плавки в жидкой ванне (ПЖВ) были разработаны профессором Ванюковым A.B. в 1949 году. Дальнейшие исследования в области переработки сырья в печах Ванюкова производились специалистами МИСиС, «Гинцветмет», Норильского и Балхашского горно-металлургического комбинатов и других организаций.

Разработкой математических моделей и систем управления процессом занимались A.B. Ванюков, В.П. Быстров, А.Д. Васкевич, A.B. Спесивцев, A.B. Гречко, В.И. Лазарев и др. Тем не менее, вопросу автоматического управления ПВ посвящено недостаточно исследований. Уровень развития алгоритмического и информационного обеспечения ТП предоставляет ограниченные возможности для автоматического ведения процесса -существующие автоматизированные системы управления технологическим процессом (АСУТП) Ванюкова включают в себя контуры контроля технологических параметров и регулирования входных материальных потоков, а контроль конечных продуктов плавки осуществляется с большой задержкой. Принятие управляющих решений об оперативном изменении режимных параметров осуществляет оператор-технолог. Как следствие, содержанием меди в получаемых штейнах ПВ изменяется в широких диапазонах 47-57 % или 65-73 %, тогда как регламентированное значение составляет 55-60 %. Получение таких штейнов, приводит к

дополнительным затратам на последующей стадии конвертирования. Такое управление процессом говорит о необходимости совершенствования и модернизации существующего алгоритмического обеспечения.

Из вышесказанного следует, что задача исследования и построения алгоритмов управления процессом плавки в печах Ванюкова является актуальной. Её решение позволит улучшить качество конечных продуктов плавки, и, как следствие, снизить затраты при переработке медного сульфидного сырья.

Цель работы - создать алгоритмическое обеспечение системы управления ПВ, реализующее контроль и управление качеством конечных продуктов за счет прогнозирования основных технологических параметров.

Задачи исследования:

1. Разработка составной нейросетевой модели, прогнозирующей качество конечных продуктов плавки ПВ.

2. Разработка критериев формирования входных и выходных информационных потоков (ИП) с целью параметрической настройки модели прогнозирования качественных показателей ПВ.

3. Разработка обобщенной схемы управления качеством продуктов плавки ПВ.

4. Исследование и модификация алгоритма динамического программирования и принципа Беллмана применительно к управлению ПВ при помощи целенаправленного сокращения числа вариантов.

5. Создание пакета прикладных программ для мониторинга состояния и управления процессом плавки в печах Ванюкова.

6. Проведение численных экспериментов и апробация результатов моделирования на промышленных данных.

Объект исследования - процесс плавки в печах Ванюкова.

Предмет исследования - автоматизация управления качеством конечных продуктов ПВ.

Научную новизну диссертационного исследования составляют:

1. Нейросетевая модель прогнозирования качества конечных продуктов плавки ПВ с научно обоснованным выбором параметров нейронной сети, отличающаяся введением аппроксимирующего звена в виде сети с радиально-базисной функцией активации на выходе классификатора Кохонена.

2. Модифицированный алгоритм динамического программирования, отличающийся введением критериев группировки состояний системы, позволяющий произвести целенаправленное сокращение количества вариантов принятия решений по управлению процессом Ванюкова.

3. Результаты апробации алгоритмического принятия решений на основе расчетов по обобщенной схеме путем сравнения с качеством конечных продуктов процесса Ванюкова в промышленных условиях.

Значение для теории. Развиты положения:

Теории управления - предложена обобщенная структурная схема управления металлургическим процессом с применением прогнозирующей нейросетевой модели;

Теории динамического программирования - разработан модифицированный алгоритм поиска управляющих воздействий при заданном критерии управления;

Теории синтеза нейросетевых моделей — предложена составная нейронная сеть на базе классификатора Кохонена и нейронной сети с радиально-базисной функцией активации применительно к прогнозированию качества конечных продуктов плавки в печах Ванюкова.

Значение для практики: разработан и внедрен программный комплекс, позволяющий вести мониторинг качественных показателей

процесса Ванюкова. На основании спрогнозированных показателей плавки программный комплекс позволяет рассчитывать необходимые управляющие воздействия для корректировки качества конечных продуктов процесса Ванюкова в соответствии с регламентированным заданием качества.

Реализация результатов работы

1. На разработанный программный комплекс, прогнозирующий качество конечных продуктов плавки ПВ получено авторское свидетельство.

2. Результаты работы переданы и внедрены в практику управления процессом плавки в печах Ванюкова на Медном заводе ЗФ ОАО «ГМК «Норильский никель».

3. Материалы исследования используются в учебном процессе кафедры «Электропривод и автоматизация технологических процессов и производств» Норильского индустриального института.

4. Результаты применения диссертационных исследований подтверждаются соответствующими актами.

Методы исследования. Решение поставленных задач осуществлялось при помощи методов теории вероятностей и математической статистики, теории искусственных нейронных сетей и классификации информации, теории автоматического управления, методов принятия решений и оптимального управления процессами, методов динамического программирования, методов математического и компьютерного моделирования.

Все необходимые расчеты производились с применением математических пакетов МАТЬАВ, Эеёи^ог ЗйисИо и программных продуктов, разработанных автором.

Достоверность полученных результатов обеспечена корректным использованием методов моделирования и математической статистики,

непротиворечивостью исследованиям других авторов, использованием сертифицированного программного обеспечения, а также сходимостью прогнозируемых показателей качества с экспериментальными данными процесса.

Апробация результатов работы

Полученные автором результаты исследований докладывались и обсуждались: на 2-ой Международной научно-практической конференции «Перспективы и темпы научного развития» г. Тамбов 2012 г.; на Международном форуме МАИНЕКС 2011, конкурс молодых специалистов «От идеи к инновации»; на V Региональной научной конференции молодых ученых, преподавателей, аспирантов, студентов и учащихся «Научный потенциал Норильского промышленного района - XXI век» г. Норильск 2012 г.

Публикации. Основные результаты исследований опубликованы в 7 научных работах, из которых 2 в ведущих рецензируемых изданиях, включенных в список ВАК. Получено авторское свидетельство на программный комплекс «Система прогнозирования результатов плавки в печах Ванюкова».

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 112 источников, 50 рисунков и 3 приложений. Работа изложена на 109 страницах машинного текста.

ГЛАВА 1. ОБОСНОВАНИЕ НЕОБХОДИМОСТИ МОДЕРНИЗАЦИИ АЛГОРИТМОВ УПРАВЛЕНИЯ ПРОЦЕССОМ ВАНЮКОВА

1.1. Анализ процесса Ванюкова

1.1.1. Физико-химические основы процесса Ванюкова

Процесс Ванюкова представляет собой плавку сульфидного сырья в интенсивно перемешиваемой шлако-штейновой ванне с использованием тепла окислительных реакций. От других способов плавки в расплаве ПВ отличается подачей обогащенного кислородом дутья и шихты в шлаковую ванну с небольшим содержанием штейна [33, 34, 35, 36, 42].

Процесс Ванюкова непрерывный, осуществляется в печах шахтного типа (печах Ванюкова). Обогащенное кислородом дутье подают в расплав через фурмы, расположенные симметрично с обеих сторон печи.

Характеристика исходного сырья

Шихта, перерабатываемая в печах Ванюкова, может содержать следующее основные компоненты:

■ богатая высокомедистая руда селективной добычи рудника «Октябрьский» (Си - 20.5%; № - 2.54%; Бе - 38.39%; Б - 29.03%; БЮз - 4.21%; СаО - 1.56%; 1У^О - 0.69%; А1203 - 1.02%);

■ отфильтрованный медный концентрат Производственного объединения обогатительных фабрик (ПООФ) (Си - 26.32%; N1 -1.30%; Ге -35.13%; Э -32.34%; 8Ю2 - 1.59%; СаО - 0.50%; MgO -0.35%; А12Оэ - 0.48%; 02 - 0.08%);

■ цементная медь цеха электролиза никеля (Си - 84.29%; N1 -3.69%; Со - 0.095%; Бе - 0.59%);

■ бедные обороты сушильного цеха (Си - 7.29%; № - 1.39%; Бе -45.90%; Б - 4.54%; 8Ю2 - 23.25%; СаО - 0.70%; ]У^О - 0.70%; А1203 - 1.30%; 02- 1.87%);

■ конвертерный шлак (Си - 3.26%; № - 1.64%; Со - 0.18; Бе -51.91%; 8 - 0.87%; 8Ю2 - 19.22%; 02 - 16.90%);

песчаник флюсовый (8Ю2 - 78.79%; СаО - 1.08%; MgO -0.36%; А1203 - 7.8%; Ре203 - 2.47%; Бе - 1.73%);

■ речной песок (8Ю2 - 79.84%; СаО - 1.30%; Д/^О - 0.36%; А1203 - 7.6%; Ре203 - 2.20%; Ре - 1.73%).

Процесс плавления шихты

В процессе Ванюкова, как и в других автогенных процессах, элементарные стадии процесса плавления (нагрев, диссоциация, окисление и т.д.) совмещены, поэтому можно рассмотреть только качественные особенности окислительных процессов.

Нагрев шихты и диссоциация высших сульфидов начинается во время ее вертикального движения к поверхности расплава и завершается в барботируемой области ванны. При этом могут идти следующие реакции диссоциации сульфидов:

Образующаяся элементарная сера окисляется кислородом воздуха, подаваемого через фурмы в газовое пространство печи.

В процессе плавки Ванюкова отсутствует прямой контакт кислорода дутья с исходной шихтой. Высокая скорость массообмена в барботируемой ванне приводит к образованию однородной шлако-штейновой эмульсии.

При этом кислород взаимодействует с сульфидом железа, растворенным как в штейновом, так и в шлаковом расплаве.

2СиРе82 = Си28 + 2Ре8 + 1/2 82 2СиРе283 = СИ28 + 4Ре8 + 1/2 82 3№Ре82 = №382 + ЗРе8 + 1/2 82 Ре788 = 7Ре8 + 1/2 82

(1.1) (1.2)

(1.3)

(1.4)

1/2 82 + 02 = 802

(1.5)

Ре8 + 3/2 02 = РеО + 802

(1.6)

Образующийся диоксид серы может, в свою очередь, выступать в качестве окислителя с выделением элементарной серы:

FeS + 1/2 S02 = FeO + 1/2 S2 (1.7)

Вюстит полученный по реакциям (1.6) и (1.7), попадая в область дутьевого факела окисляется до магнетита по реакциям:

3FeO + 1/2 02 = Fe304 (1.8)

который, в свою очередь, в интенсивно барботируемой ванне контактирует с сульфидом железа и снова восстанавливается до вюстита:

3Fe304 + FeS