автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизированное энергосберегающее нейроуправление температурным режимом агрегата непрерывного горячего цинкования

ОНТРОЛьны

и

сГЬ.

7 ІЧ <На Ійр^йах р^кеписй

О

ГОЛОВКО Никита Анатольевич

АВТОМАТИЗИРОВАННОЕ ЭНЕРГОСБЕРЕГАЮЩЕЕ НЕЙРОУПРАВЛЕНИЕ ТЕМПЕРАТУРНЫМ РЕЖИМОМ АГРЕГАТА НЕПРЕРЫВНОГО ГОРЯЧЕГО ЦИНКОВАНИЯ

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

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 8 АПР 2013

Оренбург-2013

005057572

005057572

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Магнитогорский государственный технический университет им. Г.И. Носова».

доктор технических наук, профессор Парсункин Борис Николаевич

Пищухин Александр Михайлович,

доктор технических наук, профессор, ФГБОУ ВПО «Оренбургский государственный университет», декан факультета информационных технологий;

Леднов Анатолий Викторович,

кандидат технических наук, доцент, ФГБОУ ВПО «Магнитогорский государственный технический университет им. Г.И. Носова», доцент кафедры вычислительной техники и прикладной математики

ФГБОУ ВПО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина» (г. Екатеринбург)

Защита состоится 1 марта 2013 г в 9:30 на заседании диссертационного совет Д 212.181.02, созданного на базе ФГБОУ ВПО «Оренбургский государственны" университет», по адресу: 460018, г. Оренбург, пр. Победы, 13, ауд. 6205.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Оренбург ский государственный университет».

Автореферат разослан 2.9 января 2013 г.

Ученый секретарь

диссертационного совета г В.И. Рассоха

Научный руководитель -Официальные оппоненты:

Ведущая организация -

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. За последние 10 лет отмечено снижение срока службы стальных изделий во всех сферах применения, обусловленное повышенной коррозионной активностью сред, в которых они эксплуатируются. Процесс горячего оцинкования приводит к расширению области применения металлических изделий в активных средах. По этой причине наблюдается увеличение спроса на оцинкованные изделия до 7 миллионов тонн в год. В условиях ОАО «Магнитогорский металлургический комбинат» процесс оцинкования осуществляется на агрегатах непрерывного горячего цинкования (АНГЦ).

В основе процесса горячего оцинкования лежит принцип распределенной во времени и пространстве термической обработки изделий. Качество получаемой продукции и эффективность технологических процессов определяются стабильностью поддержания таких параметров нагрева изделия, как скорость протягивания полосы и температурный режим в зонах.

Отклонение от требуемой технологией программы термообработки, субъективный характер управления и негативное влияние внешних возмущающих факторов на термические процессы оказывают воздействие на качество выпускаемой продукции. Наблюдается рост объемов некондиционной продукции, достигающий 8 - 9 % от общего объема продукции. Отклонение от температурного режима приводит к перегреву поверхности полосы, неравномерности цинкового покрытия, возникновению наплывов отслоения, шероховатости цинковых покрытий и разрушению рабочих элементов печи.

Решению вопросов рационального термохимического отжига посвящено большое количество работ Аптермана В.Н., Еринова А.Е., Иванова И.А., Лисовского С.И. В работах рассматривается математическое моделирование теплового состояния полосы при движении по технологическим зонам в процессе оцинкования. В основу этих моделей положено частное решение систем дифференциальных уравнений, описывающих процесс теплопереноса в пространстве печи. Вопросам выбора технологически рационального управления для процесса горячего оцинкования посвящены работы Тымчака В.М. и Гельмана Г.А., которые предлагали представить зоны протяжной печи в виде последовательно-параллельного соединения инерционных звеньев второго порядка.

Однако, несмотря на проведенные исследования и значительное число публикаций в области управления агрегатами горячего цинкования, остаются актуальными следующие проблемы:

- отсутствие методик настройки и регулирования процесса отжига на агрегате горячего цинкования в автоматизированном режиме для полос толщиной от 6 10 ^ до 2,5 10 "3 м;

- отсутствие программно-аппаратного комплекса для интеллектуальной поддержки принятия решений в автоматизированной системе управления для агрегата горячего цинкования, построенного на основе современной теоретической базы, позволяющей учитывать многозонную структуру технологического агрегата.

Для решения проблем в работе предложены математическое описание, методики и программная реализация, позволяющие синтезировать автоматизированный

комплекс поиска и стабилизации распределения температур по зонам участка нагрева, построенных на основе искусственных нейронных сетей.

Цель работы - уменьшение доли некондиционной продукции горячего цинкования в условиях энергосберегающего режима протекания процесса термохимического отжига при использовании автоматизированной системы управления, построенной на основе искусственных нейронных сетей и учитывающей зональную конструкцию АНГЦ.

Задачи исследования:

1) теоретико-информационный анализ технологических особенностей процесса термического отжига стальной полосы на АНГЦ;

2) проведение экспериментальных исследований в ходе функционирования агрегата горячего цинкования для выявления факторов, оказывающих существенное влияние на формирование температурных программ отжига;

3) разработка математического описания процесса термического отжига полосы, состоящего из трех взаимосвязанных подсистем имитационного моделирования процесса отжига полосы в башенной печи АНГЦ, поиска распределения температур по зонам участка нагрева протяжной печи АНГЦ, стабилизации температурных уставок по зонам участка нагрева протяжной печи АНГЦ;

4) синтез адаптивного регулятора на основе искусственных нейронных сетей, позволяющего поддерживать на заданном уровне уставки температур по зонам печи;

5) реализация программно-аппаратного комплекса для управления процессом отжига стальной полосы на АНГЦ

Объект исследования - системы поиска и стабилизации управления технологическим режимом непрерывного горячего оцинкования полосы.

Предмет исследования - информационное, математическое и программное обеспечение автоматизированного комплекса поиска и стабилизации распределения температур по зонам участка нагрева протяжной печи.

Научной новизной обладают:

1) модели для имитационного моделирования процесса отжига полосы в башенной печи агрегата непрерывного горячего цинкования, модели поиска технологически рациональных температурных уставок по зонам участка нагрева протяжной печи АНГЦ и стабилизации температурных уставок по зонам участка нагрева, отличительной особенностью которых является трансляция значений технологических параметров между подсистемами, что позволяет создать новый механизм технологически рационального управления многозонным агрегатом;

2) многослойный персептрон, охваченный обратными связями и обучаемый методом RPROP (resilient back propagation), используемый для поиска технологически рационального распределения температур по зонам участка нагрева полосы;

3) алгоритм работы универсального самонастраивающегося регулятора, способного управлять нестационарными объектами с многозонной структурой и технологическими параметрами, отличающийся от ранее известных тем, что нейронная сеть формирует управляющие воздействие, которое подается на вход исполнительного устройства.

Практическую значимость имеют:

1) разработанный комплекс поиска и стабилизации технологически рационального распределения температур по зонам печи, построенный на основе искусственных нейронных сетей и способный прогнозировать температурное состояние многозонного агрегата в реальном времени, осуществлять поиск и поддержание уставок для регуляторов зон, что позволяет обеспечить выпуск продукции требуемого качества;

2) предложенное программно-аппаратное решение задачи поиска и стабилизации распределения температур по зонам печи, позволяющее обеспечить технологически рациональный и энергосберегающий режим работы агрегата, увеличить срок службы нагревательных элементов;

3) программная и аппаратная реализация комплекса поиска и стабилизации, построенного на основе искусственных нейронных сетей и способного эффективно функционировать в условиях неполной и недостаточной информации о параметрах управляемого процесса.

Результаты исследований внедрены в промышленную эксплуатацию в виде обучающей модели для технологов цеха покрытий ОАО «Магнитогорский металлургический комбинат».

Научные аспекты исследований нашли отражение в учебно-методическом материале и используются в учебном процессе ФГБОУ ВПО «Магнитогорский государственный технический университет им. Г.И. Носова».

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 гг. по государственному контракту 14.740.11.0498 «Разработка алгоритмов и методов создания адаптивной нейросетевой системы управления многопараметрическими технологическими агрегатами», программы содействия развитию малых форм предприятия в научно-технической сфере по государственному контракту № 7056р/9625 «Разработка и исследование энерго- и ресурсосберегающих технологий и технических решений для производства конкурентоспособного продукта» и государственному контракту № 10059р/14223 «Разработка и исследование инновационных технологий и ресурсосберегающих технических решений для различных областей промышленности».

На защиту выносятся:

1) модели функционирования системы поиска и стабилизации технологически рационального распределения температур по зонам печи, основанные на аппарате искусственных нейронных сетей;

2) модели имитационного моделирования процесса отжига полосы в башенной печи АНГЦ для прогнозирования температурного состояния агрегата, поисковой системы для определения технологически рационального распределения, адаптивного регулятора для стабилизации технологических уставок температурного режима отжига полосы на участке нагрева протяжной печи АНГЦ;

3) алгоритмы поиска и стабилизации технологически рационального распределения температур по зонам печи и их программная реализация.

Апробация работы. Основные положения и результаты диссертации обсуждались и были одобрены на международных научных конференциях «Создание и внедрение корпоративных информационных систем (КИС) на промышленных пред-

приятиях Российской Федерации» (Магнитогорск, 2008); «Применение ОСРВ QNX во встраиваемых системах» (Санкт-Петербург, 2008); «Workshop on Computer Science Information Technologies» (Анталия, 2008); «Творческое наследие Б.И. Китае-ва» (Екатеринбург, 2010); «Новые технологии в металлургии» (Липецк, 2011); «Математическое и программное обеспечение в промышленной и социальных сферах» (Магнитогорск, 2011); «Теория и практика тепловых процессов в металлургии» (Екатеринбург, 2012); «Проблемы информатики и моделирования» (Харьков, 2012), а также на всероссийском конкурсе инновационных проектов аспирантов и студентов «Информационно-телекоммуникационные системы» (Москва, 2008) и всероссийской зимней школе-семинаре аспирантов и молодых ученых (Уфа, 2008,2010).

Публикации. По материалам диссертации опубликованы 3 статьи в изданиях из «Перечня ...» ВАК, 8 статей в материалах международных и всероссийских научных конференций, зарегистрирована в ВНТИЦ одна программа для ЭВМ.

Структура и объем работы. Диссертация состоит из введения, четырех глав, общих выводов, списка использованных источников из 81 наименования, изложена на 149 станицах и включает 55 рисунков, 10 таблиц и 7 приложений.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы, определены цель и задачи работы, объект и предмет исследования, сформулированы научные результаты, выносимые на защиту, охарактеризованы научная новизна и практическая значимость результатов работы, приведены сведения о внедрении ее результатов.

В первой главе выполнен теоретико-информационный анализ технологических особенностей процесса термического отжига стальной полосы в проходной печи башенного типа на агрегате непрерывного горячего цинкования и существующих систем управления процессом.

В ходе анализа выявлено, что существующая система управления, в данный момент функционирующая на агрегате, способна в автоматическом режиме управлять агрегатом для полос толщиной не более 6 10 м. Однако современный сортамент охватывает более широкий диапазон (от 4 10 до 2,5 10 "3 м), для которого управление ведется в ручном режиме с использованием субъективного опыта технологов.

Статистический анализ данных о фактах возникновения некондиционной продукции на агрегате показал, что на ситуацию ручного режима управления приходится более 60% некондиционной продукции. Отклонение от температуры 750 °С на выходе зоны нагрева приводит к появлению таких дефектов, как неравномерность цинкового покрытия, возникающая при недостаточном уровне нагрева полосы (рис. 1, а), или наплывы цинка на поверхности полосы при ее излишнем нагреве. Высокие градиенты температур в системе подачи топлива приводят к разрушению нагревательных элементов (рис. 1, б).

Сравнительный анализ доли образования некондиционной продукции при цинковании полосы для всего сортамента продукции показал, что повышение количества некондиционной продукции характерно для полос толщиной свыше 1,6 10 м (рис. 2).

а б

Рис. 1 - Примеры проявления последствий нарушения технологии производства на агрегате горячего непрерывного цинкования: а - неравномерность цинкового покрытия; б - трещина по шву нагревательного элемента

Рис. 2 - Доля некондиционной продукции в общем объеме полос выбранной толщины

Агрегат цинкования, функционирующий в условиях ОАО «Магнитогорский металлургический комбинат», имеет многозонную структуру (рис. 3). В каждой зоне определена группа горелок. Группы управляются по двухступенчатой схеме согласно заданному режиму нагрева.

Для учета зональной конструкции агрегата предлагается использовать математическое описание на основе искусственных нейронных сетей (ИНС), которое позволяет осуществить многопараметрический прогноз, выполнить оперативное прогнозирование в течение 5 мин (при полном времени цикла 30 - 40 мин).

Во второй главе выполнено построение математического описания процесса термического отжига полосы, построенного на основе ИНС. Сравнительный анализ архитектур (рекуррентная сеть, сеть Хопфилда, сеть Хемминга, многослойный пер-септрон) показал, что целесообразно в решении поставленной задачи использовать полносвязную нейронную сеть прямого распространения - Multi Layer Perceptron (MLP).

Основным критерием выбора архитектуры сети является скорость обучения и алгоритмическая сложность реализации на конечных элементах - программируемых контроллерах.

Рис. 3 - Схема технологических зон агрегата и температурное задание в зонах

Предложено каждый из участков протяжной печи представить в виде отдельной нейронной сети. На вход каждой из нейронной сетей подаются средние значения технологически параметров в зоне за N отрезков времени: вектор средних температур в каждой из семи зон нагрева, вектор средних скоростей протягивания полосы на участке нагрева. В результате работы нейронной сети получаем прогнозируемые значения температуры на выходе участка нагрева протяжной печи. Полученные значения используются в качестве входных значений управляющих параметров для нейронной сети, представленной на рис. 4.

11®

р8Мр II 11р

■¡11111111

1|11шШш

т

1Й

II11Ц н|М ¡■Н1|1 р|11Р|р| 111111111

* I ' 1« ; "у! -¡ж

УЧАСТОК ВЫДЕРЖКИ

Рис. 4 - Структура модели агрегата, представленная в виде последовательного соединения нейросетей, аппроксимирующих каждую из зон: 1 - средние значения семи температур в зонах нагрева за N отрезков времени; 2 и 7 - средние значения скорости полосы за N отрезков времени; 3 и 8 - средние значения толщины и ширины полосы за N отрезков времени;

4 и 9 - содержание химических элементов стали; 6 - средние значения температур в двух зонах выдержки за N отрезков времени

Реализация нейросетевой модели включает комплекс программных модулей для предварительной обработки данных, сбора данных с агрегата и их обработки: нормирования, усреднения по всему диапазону изменения технологических величин, масштабирования. Результатом работы является выборка исходных данных, используемая для обучения ИНС модели.

В работе предложена общая методика построения нейросетевой прогнозирующей модели, описывающей процесс нагрева полосы на участке нагрева протяжной печи АНГЦ. В основу методики положен алгоритм редукции сети для получения структурно-рациональной архитектуры нейронной сети модели и модифицирован-

ный алгоритм для обучения нейросетевой модели. В соответствии с предложенной методикой, для каждого интервала толщин полос и марки стали синтезирована и обучена нейросетевая модель, описывающая процесс нагрева полосы. Таким образом, для всего диапазона толщин полос и марок стали синтезируется семейство нейронных сетей, описывающих процесс нагрева полосы на участке нагрева протяжной печи АНГЦ.

В ходе вычислительного эксперимента по исследованию работы нейронной сети было выявлено, что целесообразно использовать входной вектор размерностью 20 элементов - 7 средних температур за 10 и 20 мин, средние скорости за 5, 10, 15 мин и средняя толщина и ширина полосы за 15 мин, содержание химических элементов в стали, определяемых ее маркой.

Для определения оптимальной внутренней структуры ИНС был использован алгоритм Optimal Brain Damage(OBD) редукции сети, где в качестве меры значимости веса используется показатель асимметрии:

1 агЕ ,

= 2~dwff '' (!)

где Sy - показатель асимметрии веса нейрона с номером i в слое j; Е - целевая функция (функция погрешности), к минимизации которой стремится тот или иной алгоритм обучения; Wij - значение веса.

Структура сети синтезируется по алгоритму:

1) синтезировать сеть с избыточным числом нейронов в скрытых слоях;

2) для каждого нейрона скрытого слоя вычислить коэффициент асимметрии по

(1);

3) отбросить нейроны с наименьшими значениями коэффициента асимметрии.

На основании алгоритма редукции для всего диапазона толщин полос и марок

стали получено семейство многослойных архитектур нейронных сетей, общий принцип работы математической модели рассмотрен на примере двух архитектур для марок стали 08Ю и Ст2кп, приведенных на рис. 5: 20-26-1 (рис. 5, а) и 20-32-8-1 (рис. 5, б).

Синтезированные сети обучались методом модифицированного обратного распространения ошибки - RPROP (resilient backpropagation), основанным на поведении градиентов функции ошибки обучения сети. Приращение для каждого веса вычисляется индивидуально на каждом шаге итерации по (2) в соответствии с убыванием градиента ошибки целевой функции обучения сети. Величина приращения А,] усиливается фактором S+, когда величина A,J принимает минимальное значение и производная сохраняет знак. Это ускоряет процесс на плоских участках и замедляет в случае пропуска локального минимума. Если производная ошибки изменяет знак, то происходит возврат к предыдущему значению веса:

ft * \ Ss' шт(Д?. ■5+,Д,тн[), если -----> О;

dwtf aw у

, . , Эе'-1 дес

тах(Ду -5- Д^), если — ■ — < О; (2)

IJ I]

де'-1 дее

dwtj dw,

з

а

б

Рис. 5 - Архитектуры нейронных сетей для имитационной модели протяжной печи: а - 20-26-1 для марки стали 08Ю; б - 20-32-8-1 для марки стали Ст2кп:

1 - значения средних температур в семи зонах нагрева за 10 мин;

2 - средние значения температур в семи зонах нагрева за 20 мин;

3 - средние значения скорости полосы за 5,10,20 мин; 4 - средние значения толщины и ширины полосы за 15 мин; 5 - марка стали

где Ау - величина приращения веса для нейрона с номером і в слое ]; Б - усиливающий фактор 5"(= 0,5} < 1 < 5 + (= 1.2); о1^"1 - приращение ошибки обучения на предыдущем шаге; дєт- приращение ошибки обучения на текущем шаге; Зи^- - приращение веса нейрона і в слое j.

Значения весов модифицируются в соответствии с направление убывания градиента;

где т) - параметр, определяющий скорость обучения; о| - значение на выходе ¡-го нейрона.

В табл. 1 приведены показатели адекватности нейросетевой модели, описывающей процесс нагрева стальной полосы на участке нагрева протяжной печи агрегата непрерывного горячего цинкования. Полученные коэффициенты корреляции при объеме выборки 65536 являются значимыми на уровне 1 % по критерию Стьюдента.

В третьей главе представлены результаты построения математического описания оптимизационной задачи поиска технологически рациональных температурных уставок режима нагрева полосы в технологических зонах участка нагрева протяжной печи для получения требуемого режима протекания процесса и температуры полосы на выходе участка нагрева.

(3)

Таблица 1 - Показатели соответствия прогнозируемых и экспериментальных значений температуры на выходе участка нагрева протяжной печи АНГЦ при обучении нейронных сетей 20-26-1 и 20-32-8-1

Эпохи Показатели 20-26-1 20-32-8-1

5000 Средняя квадратическая ошибка,°С 20,38 21,44

Коэффициент корреляции 0,89 0,82

Средняя относительная ошибка, % 2,03 2,15

6000 Средняя квадратическая ошибка,"С 20,04 20,56

Коэффициент корреляции 0,90 0,88

Средняя относительная ошибка, % 2,00 2,06

7000 Средняя квадратическая ошибка,°С 20,47 20,98

Коэффициент корреляции 0,90 0,89

Средняя относительная ошибка, % 2,05 2,1

В общем виде задача имеет следующий вид:

= - WeW(Ä.Тг,r3, Г.,rs.T6, r7, iJ,И, W,S) -» min, (4)

где £Л1 — целевая функция, определяющая разность между заданием по технологической инструкции и реальными значениями температуры на выходе участка нагрева; Fm(t) _ функция программного задания температурной обработки полосы во времени, которая определяется в соответствии с технологической инструкцией; t — время, мин; /^нагрев - функция, описывающая температуру нагрева полосы во времени и по зонам на участке нагрева протяжной печи агрегата непрерывного горячего цинкования, зависящая от Г, — вектор температур в /-й зоне участка нагрева, °С, /= 1,7; D - вектор, описывающий скоростной режим полосы в зонах участка нагрева, м/мин; //-толщина обрабатываемой полосы, м; W — ширина обрабатываемой полосы, м; S - параметр, характеризующий марку стали.

Необходимо найти такой вектор {ТЛ,Т2, Г3, Г5, Т6, Т., iX Н, IV, 5), чтобы значение функции E(t) разности между функцией технологического задания температурного режима процесса отжига F3m и Fmrpn было минимальным на всем временном участке обработки полосы в зонах нагрева, т.е. еУ> —► min.

В соответствии с синтезированной имитационной нейросетевой моделью, описывающей процесс нагрева на участке нагрева АНГЦ функция ^„агрев имеет вид:

w = T.y^lT, U',5) (5)

где {T|...T7}'i - вектор средних значений температур в семи зонах нагрева за 10 мин; {Тр-.Ту}^ - вектор средних значений температур в семи зонах нагрева за 20 мин; t9f>,t5r«, ¡9Г< - средние значения скорости полосы за 5,10 и 20 мин ЯЧ W1' — средние значения толщины и ширины полосы за 20 мин; S - параметр, характеризующий марку стали.

В соответствии с предложенной концепцией трехкомпонентной структуры нейросетевой системы управления для решения данной задачи был применен аппарат нейронных сетей - создана поисковая нейросетевая архитектура, осуществляющая процесс поиска значения функции FHarpcB(t).

В качестве основы для поисковой нейронной сети выбран многослойный пер-септрон, обучаемый на основании алгоритма сопряженных градиентов. Поисковая нейронная сеть содержит два слоя: первый слой - входные элементы с линейной функцией активации; второй слой нейронный с функцией активации в виде гиперболического тангенса. Входной и выходной слои имеют одинаковую размерность -17 элементов. Сеть охвачена положительной обратной связью: выход каждого нейрона выходного слоя связан с соответствующим входом нейронов входного слоя.

На рис. 6 приведена структурная схема работы системы поиска рационального режима распределения температурных заданий по зонам участка нагрева.

......-

•ГЫ{6\е1<>,Г-е}

,|фц "

^ Поисковая * 4 ИНС

И

ОСТ{Т| 1 ШСш>даиь

ОИТ^8,«?",^0)

участка нагрела

Рис. б - Структурная схема системы поиска режима распределения температурных заданий по зонам участка нагрева

На вход поисковой нейронной сети - блок «Поисковая ИНС» подается текущий вектор распределения температур и скоростей (мгновенное состояние агрегата) -[Ш{Т,...Т7}10, ГЫ{Т,...Т7}20 , Ш{я?5,|31О,0гв}], под действием синаптических весов блока «Поисковая ИНС» входной вектор нелинейно преобразуется в выходной -[О1ЩТ1...Т7}10, ОиТ{Т1...Т7}20 , ОиТ{1?5,1?;10,1Э20}], полученный вектор совместно с параметрами толщина полосы (\У), ширина (Н) и марка стали (Б) подается на вход имитационной модели нагрева полосы - блок «ИНС модель участка нагрева», одновременно с этим выходной вектор подается на вход блока «Поисковая ИНС». На выходе модели участка нагрева формируется прогноз по температуре Рнагрев, который на элементе ЭС1 сравнивается с термической программой Рзад. Полученная разность Е подается на блок настройки весов, который меняет значение межсинап-тических связей в блоке «Поисковая ИНС».

Тестирование построенного алгоритма работы системы поиска режима распределения температурных заданий по зонам участка нагрева проведено для марки стали 08Ю. Толщина ленты составляла 8 10 "3 м, ширина - 1,269 м и полосы той же марки стали толщины 6 10 "3 м, ширина - 1,269 м. В соответствии с технологической инструкцией для обработки стальной полосы марки стали 08Ю температура в конце участка нагрева должна составлять 740 °С.

Сформированный ПНС вектор рекомендации по ведению температурного и скоростного режима отжига полосы представлен в табл. 2.

Полученные температурные уставки, в соответствии с принятым на данный момент технологическим регламентом, передаются в качестве задания на вход регуляторов каждой из зон.

Таблица 2 - Значения компонент входного вектора искусственной нейронной сети при моделировании процесса нагрева полосы на участке нагрева протяжной печи АНГЦ для стали марки 08Ю при ширине полосы 1,269 м и конечной требуемой температуре нагрева полосы на выходе участка нагрева Т=740 °С

Параметр Зона! | Зона 2 | Зона 3 | Зона 4 | Зона 5 | Зона 6 | Зона 7

Толщина 8 10 ~3 м

Средняя температура за 10 мин 723,94 750,92 760,70 752,34 749,97 743,68 747,30

Средняя температура за 20 мин 754,22 756,86 745,45 749,61 754,10 762,11 756,44

Средняя скорость 5 мин 112,78 112,78 112,78 112,78 112,78 112,78 112,78

Средняя скорость 10 мин 53,8 53,8 53,8 53,8 53,8 53,8 53,8

Средняя скорость 20 мин 124,48 124,48 124,48 124,48 124,48 124,48 124,48

Толщина 6 10 ~3 м

Средняя температура за 10 мин 692,31 718,65 728,19 720,03 717,72 711,58 715,11

Средняя температура за 20 мин 751,25 747,99 757,61 749,33 747,01 740,83 744,38

Средняя скорость 5 мин 110,23 110,23 110,23 110,23 110,23 110,23 110,23

Средняя скорость 10 мин 46,35 46,35 46,35 46,35 46,35 46,35 46,35

Средняя скорость 20 мин 119,11 119,11 119,11 119,11 119,11 119,11 119,11

В соответствии с предложенной структурой многокомпонентной модульной системы поиска и стабилизации технологически рациональных параметров работы АНГЦ предложен вариант реализации стабилизирующего регулятора технологических параметров зоны на базе нейронной сети (рис. 7).

Основным отличием предложенного нейросетевого регулятора от известных аналогов является использование искусственной нейронной сети непосредственно в качестве элемента, формирующего значения параметров регулирующего воздействия, подаваемые на вход исполнительного устройства.

Испытания регулятора выполнены на компьютеризированном испытательном стенде. На рис. 7 приведена схема построения нейрорегулятора для задачи стабилизации давления в рабочем пространстве печи.

Рис. 7 - Схема системы управления с нейросетевым адаптивным регулятором для стабилизации давления в рабочем пространстве печи

Согласно схеме на рис. 7 сигнал с выхода объекта поступает на элемент сравнения ЭС2, где он сравнивается с заданием; полученная разность подается на блок корректировки весов, на ИНС и на блок задержки. ИНС вырабатывается регулирующее воздействие, которое подается на вход элемента сравнения ЭС1, где сравнивается с сигналом, пропорциональным текущему положению вала исполнительного механизма. Регулирующее воздействие с выхода элемента сравнения ЭС1 подается на вход трехпозиционного элемента. Управляющий сигнал с выхода трехпо-зиционного элемента поступает на вход исполнительного механизма. Вал исполнительного механизма механически связан с заслонкой, регулирующей давление защитной атмосферы в рабочем пространстве печи.

Блок нейросетевого регулятора содержит программную реализацию искусственной нейронной сети. Программная реализация позволила создать ИНС с различным числом скрытых слоев и различным числом нейронов в слое. Ядро программы для нейрорегулятора реализовано в виде резидентного модуля, взаимодействующего по DDE интерфейсу с клиентскими программами. Для устройства связи с объектом была выполнена программная реализация DDE сервера на языке С++.

После настройки параметров регулятора выполнено исследование переходных процессов, происходящих в рабочем пространстве печи испытательного стенда (рис. 8).

Рис. 8 - Переходные процессы стабилизации давления в рабочем пространстве печи, полученные при использовании системы управления с нейрорегулятором 2-10-1

Установлено что:

- увеличение нормы обучения для нейронной сети приводит к возникновению затухающего колебательного процесса;

- увеличение числа скрытых слоев ИНС и элементов в них приводит к возрастанию инерционности переходного процесса.

За счет настройки внутренней структуры нейронной сети регулятора и выбора номы обучения можно получить переходные процессы с заданными показателями качества для любых объектов. Полученные закономерности положены в основу общего алгоритма синтеза и настройки нейросетевого регулятора.

В четвертой главе описана техническая реализация разработанных составляющих нейросетевой системы. Рассмотрены основные модули и способы их технической реализации.

В качестве технической платформы для реализации разработанных составляющих системы использованы контроллеры PLC компании ОВЕН. Разработана система сбора данных с объекта для решения задачи предобработки данных.

На базе языка ST разработана и обучена нейросетевая модель участка нагрева протяжной печи, реализована поисковая нейросетевая архитектура.

На основании реализованных систем получены рекомендации технологически-рационального распределения температур по зонам (рис. 9). Средние значения расхода топлива на зоны нагрева за период работы агрегата составляли порядка 1035 -1040 м3/ч.

\ т

* К» .....■ -Г" ..... .....4.....-

а . ■ [

| 50 . — о- ..........¡1 4.....»« —....... -

f

с \ ] 1 1

0 J LU l_LJ.il. L ___U-LL 11.;

12 3 4 5«?

Номера зон

вРдефспдовк та^чешя» систшон оС>даотутая« раафекшаж

Рис. 9. - Диаграмма сравнения существующих средних расходов топлива в зоны нагрева и полученных при исследовании разработанной системы

При режиме, рассчитанном нейронной сетью, расход топлива на все горелки уменьшился на 6 %. Ожидаемый экономический эффект за счет сокращения потребления газа составляет 544 881 руб./год. Предложенная в работе система позволила получить значения параметров управляющего воздействия по зонам участка нагрева печи, при которых снижается доля некондиционной продукции на 1,2% за счет поиска и поддержания технологически рационального распределения тепловых нагрузок.

Экономический эффект от снижения доли некондиционной продукции составит 22 млн. руб. в год для производительности стана 250 тыс. т. в год и рыночной стоимости тонны оцинкованного листа 40 тыс. руб.

ОБЩИЕ ВЫВОДЫ

1. Произведен теоретико-информационный анализ технологических особенностей процесса термического отжига стальной полосы на агрегате непрерывного горячего цинкования. Выполнено обоснование необходимости выбора нейросе-тевой структуры системы управления процессом нагрева стальной полосы на участке нагрева протяжной печи АНГЦ для достижения технологически заданного температурного режима протекания процесса термохимического отжига полосы и снижения доли выпуска некондиционной продукции. В ходе функционирования агрегата горячего цинкования были проведены экспериментальные исследования для выявления основных факторов, оказывающих влияние на формирование температурных программ отжига. Выявленные закономерности положены в основу нейро-сетевой модели участка нагрева.

2. Разработано математическое описание процесса термического отжига полосы, построенного на основании ИНС, состоящего из трех взаимосвязанных подсистем: подсистемы имитационного моделирования на базе ИНС, описывающей участок нагрева полосы; подсистемы поиска и распределения температур по зонам участка нагрева; подсистемы стабилизации найденных уставок на основе ИНС. Применение разработанной архитектуры подсистем позволило создать семейство нейронных сетей, описывающих процесс нагрева полосы в протяжной печи АНГЦ для всего диапазона изменения толщин и марок стали, на основе полученного прогноза осуществить нейросетевой многокомпонентный поиск распределения температурных уставок по зонам участка нагрева для достижения требуемого режима протекания процесса термохимического отжига и реализовать адаптивный процесс стабилизации найденных уставок на требуемом для протекания процесса уровне.

3. Выполнено математическое описание оптимизационной задачи поиска технологически рациональных уставок в технологических зонах участка нагрева протяжной печи для получения требуемого режима протекания процесса и температуры полосы на выходе участка нагрева. Для решения задачи была разработана и реализована архитектура поисковой нейронной сети. Разработана комплексная ней-росетевая подсистема поиска и стабилизации технологически рационального распределения температурных уставок по зонам участка нагрева протяжной печи, позволяющая в автоматизированном режиме осуществлять поиск распределения температурных уставок по зонам участка нагрева с целью получения требуемой температуры полосы на выходе участка нагрева протяжной печи агрегата непрерывного горячего цинкования;

4. Разработана и реализована схема интеграции трехкомпонентного комплекса нейросетевого управления процессом отжига стальной полосы на участке нагрева протяжной печи АНГЦ. Выполнена техническая реализация нейросетевой системы управления на платформе ОВЕН ПЛК150 и 154. Полученная система управления позволяет в автоматизированном режиме формировать прогноз по температуре на выходе участка нагрева, осуществлять поиск распределения температурных уставок по зонам с целью получения требуемой температуры на выходе участка нагрева и в автоматическом режиме поддерживать найденные уставки на заданному уровне.

5. Проведение процесса термохимического отжига полосы на агрегате непрерывного горячего цинкования в соответствии с полученными в работе рекомендациями позволяет снизить долю некондиционной продукции на 1,2%, расход топлива в зонах участка нагрева на 6%.

Основные положения диссертации опубликованы в работах:

- в рецензируемых научных журналах из Перечня ВАК:

1. Головко, Н.А. Адаптивная система автоматического управления стохастическими нелинейными процессами / Н.А. Головко, Б.Н. Парсункин, О.С. Логунова, С.М. Андреев//Научное обозрение,-2013.-№ 1.-С. 166-170.

2. Головко, Н.А. Разработка концепции экстремальной нечеткой системы автоматической оптимизации управления энергетическим режимом выплавки стали в ДСП / Н.А. Головко, Б.Н. Парсункин, О.С. Логунова, С.М. Андреев [и др.] // Вестник Магнитогорского государственного технического университета им. Г.И. Носова.-2011.-№3.-С. 88-91.

3. Головко, Н.А. Нечеткое экстремальное управление процессом измельчения руды для обеспечения максимальной производительности / Н.А. Головко, Б.Н. Парсункин, О.С. Логунова, С.М. Андреев [и др.] // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. -2011. — №4. - С. 69-73.

- в прочих изданиях:

4. Головко, Н. А. Оценка характеристик архитектур искусственных нейронных сетей для моделирования процесса нагрева стальной полосы на агрегате непрерывного горячего цинкования / Н.А. Головко, О.С. Логунова // Вісник Національного технічного університету «Харківський політехнічний інститут». Збірник наукових праць. Тематичний випуск: Інформатика і моделювання. - Харків: НТУ «ХПІ», 2012. -№ 39. - С. 105-112.

5. Головко, Н.А. Возможность использования ИНС в задачах прогнозирования технических процессов / Н.А. Головко, С.М Андреев. // Материалы 65-й науч.-техн. конф.: сб. докл. - Магнитогорск: ГОУ ВПО «МГТУ», 2007. - Т. 2. - С. 162-164.

6. Головко, Н.А. Создание системы нейросетевого регулирования температурного режима в зонах проходной печи для термохимической обработки полосы / Б.Н. Парсункин, Н.А. Головко // Информатика, управление и компьютерные науки. Актуальные проблемы в науке и технике: сб. статей третьей всерос. зимней школы-семинара аспирантов и молодых ученых. - Уфа: Диалог, 2008. - С. 527-532.

7. Golovko, N.A. Neural net based control system of the steel strip thermo chemical annealing process / S.M. Andreev, N.A. Golovko // Proceedings of the Workshop on Computer Science Information Technologies (CSIT'2008). - Ufa: State Aviation Technical University, 2008. - P. 36-38.

8. Головко, Н.А. Создание адаптивного нейросетевого регулятора для управления нелинейными динамическими объектами с переменными параметрами / С.М. Андреев, Б.Н. Парсункин, Н.А. Головко // Творческое наследие Б.И. Китаєва: сб. тр. междунар. науч.-практ. конф. — Екатеринбург: УГТУ УПИ, 2009. - С. 379382.

9. Головко, Н.А. Разработка адаптивного нейросетевого регулятора для технологических объектов металлургии / Н.А. Головко // Инновации молодых ученых-

участников молодежного научно-инновационного конкурса на 67-й науч.- техн. конф.: сб. докл. - Магнитогорск: ГОУ ВПО «МГТУ», 2009. - С. 124-128.

10. Головко, H.A. Обоснование возможности многокритериальной оптимизации режимов вторичного охлаждения средствами нейронных сетей / О.С. Логунова, H.A. Головко // Создание и внедрение корпоративных информационных систем (КИС) на промышленных предприятиях Российской Федерации: сб. тр. междунар. науч.-техн. конф. - Магнитогорск: ИПЦ ООО «Проф-Принт», 2007. - Вып. 2. -С. 145-148.

11. Головко, H.A. Разработка нейросетевой системы стабилизации технологических параметров на базе операционной системы реального времени QNX / Б.Н. Парсункин, H.A. Головко // Информатика, управление и компьютерные науки. Актуальные проблемы в науке и технике: сб. статей пятой всерос. зимней школы-семинара аспирантов и молодых ученых. - Уфа: Диалог, 2010. - Т. 2. - С. 125-127.

Подписано в печать 18.01.2013 Формат 60x84/16. бумага тип. №

Плоская печать. Усл.печ.л. 1,00. Тираж 100 экз. Заказ 35

455000, Магнитогорск, пр. Ленина, 38 Полиграфический участок ФГБОУ ВПО «МГТУ»

ВВЕДЕНИЕ.

ГЛАВА 1. ТЕОРЕТИКО-ИНФОРМАЦИОННЫЙ АНАЛИЗ АГРЕГАТА НЕПРЕРЫВНОГО ГОРЯЧЕГО ЦИНКОВАНИЯ С ТОЧКИ ЗРЕНИЯ УПРАВЛЕНИЯ ПРОЦЕССОМ ТЕРМОХИМИЧЕСКОЙ ОБРАБОТКИ ЛИСТОВОГО ПРОКАТА.

1.1. Технологические особенности процесса термохимического отжига, совмещенного с горячим цинкованием на АНГЦ в условиях цеха покрытий ОАО «ММК».

1.2. Характеристика процесса термохимической обработки, совмещенной с горячим цинкованием.

1.3. Характеристика системы автоматического управления процессом термохимической обработки.

1.4. Характеристика АНГЦ, функционирующего в условиях

ОАО «ММК».

1.5. Обоснование требований к системе управления тепловым режимом печи АНГЦ.

1.6. Цели и задачи диссертационного исследования.

ГЛАВА 2. ИМИТАЦИОННАЯ МОДЕЛЬ НАГРЕВА ПОЛОСЫ НА АГРЕГАТЕ АНГЦ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕМПЕРАТУРЫ.

2.1. Эмпирическая основа для имитационного моделирования нагрева полосы.

2.2. Обоснование структуры имитационной модели процесса непрерывного отжига, совмещенного с горячим цинкованием.

2.2.1. Обоснование технологии нейросетевого моделирования для процесса непрерывного горячего цинкования.

2.2.2. Обоснование выбора типа искусственной нейронной сети для задачи имитационного моделирования процесса нагрева полосы на АНГЦ.

2.2.3. Описание методики обучения искусственной нейронной сети.

2.3. Методика синтеза имитационной модели процесса термохимического отжига на основе искусственных нейронных сетей.

2.3.1. Описание принципа построения нейросетевой модели процесса нагрева.

2.3.2. Процесс обучения имитационной модели процесса нагрева на основе искусственной нейронной сети.

2.3.3. Исследование имитационной модели процесса нагрева на основе искусственных нейронных сетей.

2.4. Методика редукции и обучения искусственной нейронной сети для создания модели процесса нагрева.

2.5. Выводы по главе 2.

ГЛАВА 3. СИНТЕЗ СИСТЕМЫ СТАБИЛИЗАЦИИ РЕЖИМА ТЕРМОХИМИЧЕСКОГО ОТЖИГА СОВМЕЩЕННОГО, С НЕПРЕРЫВНЫМ ГОРЯЧИМ ОЦИНКОВАНИЕМ.

3.1. Требования к системе стабилизации режима термохимического отжига, совмещенного с непрерывным оцинкованием.

3.2. Структура искусственной нейронной сети для системы стабилизации режима термохимического отжига, совмещенного с непрерывным оцинкованием.

3.3. Синтез системы поиска режима распределения температурных заданий по зонам участка нагрева.

3.4. Результаты вычислительного эксперимента по испытанию системы поиска режима распределения температурных заданий по зонам участка нагрева.

3.5. Синтез стабилизирующего регулятора для поддержания температурных уставок в зонах нагрева.

3.6. Организация испытаний стабилизирующего контура управления с ИНС-регулятором на компьютеризированном стенде.

3.7. Результаты испытания стабилизирующего контура управления с ИНС-регулятором.

3.8. Выводы по главе 3.

ГЛАВА 4. ТЕХНИЧЕСКАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ УПРАВЛЕНИЯ ПРОЦЕССОМ ТЕРМОХИМИЧЕСКОГО ОТЖИГА И ИНТЕГРАЦИЯ ЕЕ В СТРУКТУРУ АСУ ТП ПРОИЗВОДСТВА.

4.1. Требования к аппаратно-программному комплексу и его интеграция в систему управления процессом термохимического отжига.

4.2. Структура аппаратно-программного модуля для сбора и обработки технологических данных с участка нагрева протяжной печи.

4.3. Структура программного модуля для реализации и обучения нейросетевой модели для описания процесса нагрева полосы на участке нагрева протяжной печи.

4.4. Структура программно-аппаратного модуля формирования и стабилизации температурных уставок регуляторов зон.

4.5. Оценка экономической эффективности внедрения системы управления процессом нагрева стальной полосы на участке нагрева протяжной печи АНГЦ.

4.6. Выводы по главе 4.

Актуальность работы. За последние 10 лет отмечено снижение срока службы стальных изделий во всех сферах применения, обусловленное повышенной коррозионной активностью сред, в которых они эксплуатируются. Процесс горячего оцинкования приводит к расширению области применения металлических изделий в активных средах. По этой причине наблюдается увеличение спроса на оцинкованные изделия до 7 млн т в год. В условиях ОАО «Магнитогорский металлургический комбинат» (ОАО «ММК») процесс оцинкования осуществляется на агрегатах непрерывного горячего цинкования (АНГЦ).

В основе процесса горячего оцинкования лежит принцип распределенной во времени и пространстве термической обработки изделий. Качество получаемой продукции и эффективность технологических процессов определяются стабильностью поддержания параметров нагрева изделия: скоростью протягивания полосы и температурным режимом в зонах.

Отклонение от требуемой технологией термической программы, субъективный характер управления и негативное влияние внешних возмущающих факторов на термические процессы оказывают воздействие на качество выпускаемой продукции. Наблюдается рост объемов некондиционной продукции, достигающий 8 - 9 % от общего объема продукции. Отклонение от температурного режима приводит к перегреву или недогреву поверхности полосы, неравномерности цинкового покрытия, возникновению наплывов и отслоения, шероховатости цинковых покрытий и разрушению рабочих элементов печи.

Решению вопросов рационального термохимического отжига посвящено большое количество работ Аптермана В.Н., Еринова А.Е., Иванова И.А., Лисовского С.И. В работах рассматривается математическое моделирование теплового состояния полосы при движении по технологическим зонам в процессе оцинкования[8,23,25]. В основу этих моделей положено частное решение дифференциальных уравнений, описывающих процесс теплообмена в зонах печи. Вопросам выбора рационального и оптимального управления тепловым режимом для процесса горячего оцинкования посвящены работы Тымчака В.М. и Гельмана Г.А., которые предлагали представить зоны протяжной печи в виде последовательно-параллельного соединения инерционных звеньев второго порядка [18,26].

Однако, несмотря на проведенные исследования и значительное число публикаций в области управления агрегатами горячего цинкования остаются актуальными проблемы:

- отсутствие методик настройки и регулирования процесса отжига на агрегате горячего цинкования в автоматизированном режиме для полос толщиной от 6><1 О*4 м до 2,5x10"3 м;

- отсутствие программно-аппаратного комплекса для интеллектуальной поддержки принятия решений в АСУ для агрегата горячего цинкования, построенного на основе современной теоретической базы, позволяющей учитывать многозонную структуру технологического агрегата.

Для решения проблем в работе предложены математическое описание, методики и программная реализация, позволяющие синтезировать автоматизированный комплекс поиска и стабилизации распределения температур по зонам участка нагрева, построенных на основе искусственных нейронных сетей (ИНС).

Цель работы - уменьшение доли некондиционной продукции горячего цинкования в условиях энергосберегающего режима протекания процесса термохимического отжига при использовании автоматизированной системы управления, построенной на основе искусственных нейронных сетей и учитывающей зональную конструкцию АНГЦ.

Задачи исследования:

1) теоретико-информационный анализ технологических особенностей процесса термического отжига стальной полосы на агрегате непрерывного горячего цинкования;

2) проведение экспериментальных исследований в ходе функционирования агрегата горячего цинкования для выявления факторов, оказывающих существенное влияние на формирование температурных программ отжига;

3) разработка математического описания процесса термического отжига полосы, состоящего из трех взаимосвязанных подсистем имитационного моделирования процесса отжига полосы в башенной печи агрегата непрерывного горячего цинкования, поиска распределения температур по зонам участка нагрева протяжной печи агрегата горячего цинкования, стабилизации температурных уставок по зонам участка нагрева протяжной печи агрегата непрерывного горячего цинкования;

4) синтез адаптивного регулятора на основе искусственных нейронных сетей, позволяющего поддерживать на заданном уровне уставки температур по зонам печи;

5) реализация программно-аппаратного комплекса для управления процессом отжига стальной полосы на агрегате непрерывного горячего цинкования.

Объект исследования - системы поиска и стабилизации управления технологическим режимом непрерывного горячего оцинкования полосы.

Предмет исследования - информационное, математическое и программное обеспечение автоматизированного комплекса поиска и стабилизации распределения температур по зонам участка нагрева протяжной печи.

Научной новизной обладают:

1) модели для имитационного моделирования процесса отжига полосы в башенной печи агрегата непрерывного горячего цинкования, модели поиска технологически рациональных температурных уставок по зонам участка нагрева протяжной печи агрегата непрерывного горячего цинкования и стабилизации температурных уставок по зонам участка нагрева, отличительной особенностью которых является трансляция значений технологических параметров между подсистемами, что позволяет создать новый механизм технологически рационального управления многозонным агрегатом;

2) многослойный персептрон, охваченный обратными связями и обучаемый методом RPROP (resilient back propagation), используемый для поиска технологически рационального распределения температур по зонам участка нагрева полосы;

3) алгоритм работы универсального самонастраивающегося регулятора, способного управлять нестационарными объектами с многозонной структурой и технологическими параметрами, отличающийся от ранее известных тем, что нейронная сеть формирует управляющие воздействие, которое подается на вход исполнительного устройства.

Практическую значимость имеют:

1) разработанный комплекс поиска и стабилизации технологически рационального распределения температур по зонам печи, построенный на основе ИНС и способный прогнозировать температурное состояние многозонного агрегата в реальном времени, осуществлять поиск и поддержание уставок для регуляторов зон, что позволяет обеспечить выпуск продукции требуемого качества;

2) предложенное программно-аппаратное решение задачи поиска и стабилизации распределения температур по зонам печи, позволяющее обеспечить технологически рациональный и энергосберегающий режим работы агрегата, увеличить срок службы нагревательных элементов;

3) программная и аппаратная реализация комплекса поиска и стабилизации, построенного на основе ИНС и способного эффективно функционировать в условиях неполной и недостаточной информации о параметрах управляемого процесса.

Результаты исследований внедрены в промышленную эксплуатацию в виде обучающей модели для технологов цеха покрытий ОАО «Магнитогорский металлургический комбинат».

Научные аспекты исследований нашли отражение в учебно-методическом материале и используются в учебном процессе ФГБОУ ВПО «Магнитогорского государственного технического университета им. Г. И. Носова». Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 -2013 гг. по государственному контракту 14.740.11.0498 «Разработка алгоритмов и методов создания адаптивной нейросетевой системы управления многопараметрическими технологическими агрегатами», программы содействия развитию малых форм предприятия в научно-технической сфере по государственному контракту № 7056р/9625 «Разработка и исследование энерго- и ресурсосберегающих технологий и технических решений для производства конкурентоспособного продукта» и государственному контракту № 10059р/14223 «Разработка и исследование инновационных технологий и ресурсосберегающих технических решений для различных областей промышленности».

На защиту выносятся:

1) модели функционирования системы поиска и стабилизации технологически рационального распределения температур по зонам печи, основанные на аппарате искусственных нейронных сетей;

2) модели имитационного моделирования процесса отжига полосы в башенной печи агрегата непрерывного горячего цинкования для прогнозирования температурного состояния агрегата, поисковой системы для определения технологически рационального распределения, адаптивного регулятора для стабилизации технологических уставок температурного режима отжига полосы на участке нагрева протяжной печи агрегата непрерывного горячего цинкования;

3) алгоритмы поиска и стабилизации технологически рационального распределения температур по зонам печи и их программная реализация.

Апробация работы. Основные положения и результаты диссертационной работы обсуждались и были одобрены на международных научных конференциях «Создание и внедрение корпоративных информационных систем (КИС) на промышленных предприятиях Российской Федерации» (Магнитогорск, 2008); Всероссийском конкурсе инновационных проектов аспирантов и студентов «Информационно-телекоммуникационные системы» (Москва, 2008); «Применение ОСРВ QNX во встраиваемых системах» (Санкт-Петербург, 2008); «Всероссийская зимняя школа-семинар аспирантов и молодых ученых» (Уфа 2008, 2010); «Workshop on Computer Science Information Technologies» (Анталия, 2008); «Международная научно-практическая конференция Творческое наследие Б.И. Китаева» (Екатеринбург, 2010); «Новые технологии в металлургии» (Липецк 2011); «Математическое и программное обеспечение в промышленной и социальных сферах» (Магнитогорск, 2011); «Теория и практика тепловых процессов в металлургии» (Екатеринбург, 2012); «Проблемы информатики и моделирования» (Харьков, 2012).

Публикации по теме диссертации. По материалам диссертации опубликованы три статьи в изданиях из «Перечня.» ВАК, восемь статей в материалах международных и всероссийских научных конференций. Зарегистрирована одна программа для ЭВМ в ВНТИЦ.

Структура и объем работы. Диссертация состоит из введения, четырех глав с описанием теоретических и экспериментальных исследований, общих выводов, списка использованных источников из 81 наименования. Диссертация изложена на 149 станицах и включает 55 рисунков, 10 таблиц и 7 приложений.

4.6. Выводы по главе 4

В результате работы была разработана и реализована принципиальная схема интеграции трехкомпонентного комплекса нейросетевого управления процессом отжига стальной полосы на участке нагрева протяжной печи

АНГЦ. В структуре существующего АСУ ТП были рекомендованы заменены блоков математической модели, блок формирования температурных уставок по зонам и блок стабилизации уставок. Введенные изменения позволили создать адаптивную систему стабилизации температурного режима каждой из семи зон участка нагрева протяжной печи.

Для сбора, обработки и архивирования технологических данных с участка нагрева протяжной печи была разработана и реализована программно-техническая схема, позволяющая в реальном времени по ОРС интересу опрашивать первичные приборы учета, установленные на участке нагрева, осуществлять визуализацию технологического процесса а также обработки, архивирования и хранения в базе данных технологических данных, используемых для создания нейросетевой модели, описывающей процесс нагрева стальной полосы на участке нагрева протяжной печи АНГЦ.

Была реализована имитационная модель, описывающая процесс нагрева полосы на участке нагрева протяжной печи АНГЦ, основанная на принципе нейронных сетей. В качестве основы для технической реализации нейросетевой модели были выбраны контроллеры ОВЕН ПЛК154, на базе которых при помощи языка 8Т была реализована структура нейронной сети для построения модели участка нагрева.

Была разработана и технически реализована структура программно-аппаратного модуля формирования и стабилизации, температурных уставок регуляторов зон. В качестве основы для создания системы были выбраны контроллеры сери ОВЕН ПЛК150, на базе которых были разработаны нейро-сетвые архитектуры. Полученные в результате рекомендации уставки позволили снизить средний расход топлива в зоны с 1035 - 1040 до 950 -955 м3/ч, что на 6 - 7 % меньше существующего на данный момент на агрегате. Разработана техническая реализация адаптивного нейросетевого регулятора для поддержания найденных уставок в каждой из зон участка нагрева протяжной печи АНГЦ. На языке 8Т была разработана процедура, реализующая метод подстройки структуры сети под конкретный объект - OBDM, процедура была использована для самонастройки нейрорегулятора. Расход топлива на отл дельную горелку также снизился с 9,99 до 7,45 м /ч. Распределение топлива по зонам в данном случае достаточно равномерно. В то время как, для существующего режима работы агрегата характерно неравномерное распределение топлива по зонам.

В результате синтеза системы был рассчитан ожидаемый экономический эффект по двум статьям. Экономия топлива, полученная за счет снижения среднего расхода топлива на 6 - 7%, позволила достичь экономического эффекта в 544 881 руб/год, проектный коэффициент эффективности составил 1,7894. Стабилизация температурного режима отжига стальной полосы на участке нагрева позволяет достичь снижение доли некондиционной продукции на 2,2% от общего объема, что позволяет достичь экономического эффекта в 22000000 рублей в год за счет снижения доли некондиционной продукции на 2,2% проектный коэффициент эффективности составляет 72,24.

ЗАКЛЮЧЕНИЕ

В результате исследований:

1. Произведен теоретико-информационный анализ технологических особенностей процесса термического отжига стальной полосы на агрегате непрерывного горячего цинкования. Выполнено обоснование необходимости выбора нейросетевой структуры системы управления процессом нагрева стальной полосы на участке нагрева протяжной печи АНГЦ для достижения технологически заданного температурного режима протекания процесса термохимического отжига полосы и снижения доли выпуска некондиционной продукции. В ходе функционирования агрегата горячего цинкования были проведены экспериментальные исследования для выявления основных факторов, оказывающих влияние на формирование температурных программ отжига. Выявленные закономерности положены в основу нейросетевой модели участка нагрева.

2. Разработано математическое описание процесса термического отжига полосы, построенного на основании ИНС, состоящего из трех взаимосвязанных подсистем: подсистемы имитационного моделирования на базе искусственных нейронных сетей, описывающей участок нагрева полосы; подсистемы поиска и распределения температур по зонам участка нагрева; подсистемы стабилизации найденных уставок на основе искусственный нейронных сетей. Применение разработанной архитектуры подсистем позволило создать семейство нейронных сетей, описывающих процесс нагрева полосы в протяжной печи агрегата непрерывного горячего цинкования для всего диапазона изменения толщин и марок стали, на основе полученного прогноза осуществить нейросетевой многокомпонентный поиск распределения температурных уставок по зонам участка нагрева для достижения требуемого режима протекания процесса термохимического отжига и реализовать адаптивный процесс стабилизации найденных уставок на требуемом для протекания процесса уровне.

3. Выполнено математическое описание оптимизационной задачи поиска технологически рациональных уставок в технологических зонах участка нагрева протяжной печи для получения требуемого режима протекания процесса и температуры полосы на выходе участка нагрева. Для решения задачи была разработана и реализована архитектура поисковой нейронной сети. Разработана комплексная нейросетевая подсистема поиска и стабилизации технологически рационального распределения температурных уставок по зонам участка нагрева протяжной печи, позволяющая в автоматизированном режиме осуществлять поиск распределения температурных уставок по зонам участка нагрева с целью получения требуемой температуры полосы на выходе участка нагрева протяжной печи агрегата непрерывного горячего цинкования;

4. Разработана и реализована схема интеграции трехкомпонентного комплекса нейросетевого управления процессом отжига стальной полосы на участке нагрева протяжной печи АНГЦ. Выполнена техническая реализация нейросетевой системы управления на платформе ОВЕН ПЛК150 и 154. Полученная система управления позволяет в автоматизированном режиме формировать прогноз по температуре на выходе участка нагрева, осуществлять поиск распределения температурных уставок по зонам с целью получения требуемой температуры на выходе участка нагрева и в автоматическом режиме поддерживать найденные уставки на заданному уровне.

5. Проведение процесса термохимического отжига полосы на агрегате непрерывного горячего цинкования в соответствии с полученными в работе рекомендациями позволяет снизить долю некондиционной продукции на 1,2%, расход топлива в зонах участка нагрева на 6%.

1. Абиев, Р.Г. Синтез систем автоматического управления с обучаемыми на нейронной сети нечетким контроллером / Р.Г. Абиев, P.A. Алиев, P.P. Алиев // Изв. РАН. Техническая кибернетика. 1994. - № 2. - С. 192197.

2. Аведьян, Э.Д. Алгоритмы настройки многослойных нейронных сетей / Э.Д. Аведьян // Автоматика и телемеханика. 1995. -№4.-С. 106-118.

3. Александров, А.Г. Оптимальные и адаптивные системы / А.Г. Александров -М.: Высш. шк., 1989. -263 с.

4. Александров, А.Г. Синтез регуляторов многомерных систем /

5. A.Г. Александров М.: Машиностроение, 1986. - 272 с.

6. Алиев, P.A. Производственные системы с искусственным интеллектом / P.A. Алиев, Н.М. Абдикеев, М.М. Шахназаров М.: Радио и связь, 1990.-150 с.

7. Алюшин, М.В. Аппаратная реализация быстродействующих ней-росетей на основе программируемой логики фирм AMD, ALTERA, XILINX / M.B. Алюшин. M.: МИФИ, 1999 - С. 45-52.

8. Андрейчиков, A.B. Интеллектуальные информационные системы / A.B. Андрейчиков, О.Н. Андрейчикова М.: Финансы и статистика, - 2003. -368 с.

9. Аптерман, В.Н. Протяжные печи / В.Н. Аптерман, В.М Тымчак -М.: Металлургия, 2000. 320 с.

10. Архангельский, В.И. Нейронные сети в системах автоматизации /

11. B.И. Архангельский, И.Н. Богаенко, Г.Г. Грабовский, H.A. Рюмшин К.: Техника, 1999.-234 с.

12. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений / А.Б. Барский М.: Финансы и статистика, 2004. - 176 с.

13. Бенькович, Е.С. Практическое моделирование динамических систем / Е.С. Бенькович, Ю.Б. Колесов, Ю.Б. Сениченков СП.: БХВ-Петербург, - 2002. - 464 с.

14. Борцов, Ю.А. Электромеханические системы с адаптивным и модальным управлением / Ю.А. Борцов , Н.Д. Поляхов Л.: Энергоатомиздат, 1984.-216 с.

15. Васильев, В. И. Интеллектуальные системы управления с использованием нечеткой логики / В.И. Васильев, Б.Г. Ильясов Уфа: УГАТУ, 1995.-80 с.

16. Васильев, В.В. Интеллектуальные системы управления с использованием нейронных сетей / В.В. Васильев, Б.Г. Ильясов, C.B. Жернаков -Уфа: УГАТУ, 1997. 92 с.

17. Васильев, В.И. Нейроуправление новый раздел теории управления сложными системами / В.И. Васильев, C.B. Пантелеев // Нейрокомпьютеры: разработка и применение. - 2005. - № 5. - С. 33-45.

18. Винер, Н. Кибернетика или управление и связь в животном и машине / Н. Винер М.: Сов. радио, 1968. - 357 с.

19. Галушкин, А.И. Нейроуправление. Базовое направление развития теории и практики управления сложными динамическими системами / А.И. Галушкин А.И., C.B. Пантелеев М.: ИДК-Пресс, 2001. -170с.

20. Гельман, Г.А. Автоматизация тепловых режимов протяжных печей / Г. А. Гельман М.: Металлургия, 2000 - 112 с.

21. Гилл, Ф. Практическая оптимизация / Ф. Гилл, У. Мюррей, М. Райт М.: Мир, 1985. - 210 с.

22. Горбань, А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей / А.Н. Горбань М.: Мир, 1990. -120 с.

23. Деревицкий, Д.П. Прикладная теория дискретных адаптивных систем / Д.П. Деревицкий, A.J1. Фрадков М.: Наука, 1981. - 216 с.

24. Дюк, В. A. Data mining: учебный курс / В.А. Дюк., А.А. Самой-ленко СП.: Питер, 2001.-250 с.

25. Еринов, А.Е. Промышленные печи с радиационными трубами / А.Е. Еринов, A.M. Семернин М.: Металлургия, 2001 - 280 с.

26. Змеу, К.В. Безмодельное прогнозирующее инверсное нейро-управление / Б.С. Ноткин, К.В. Змеу // Мехатроника, автоматизация, управление. -2006.-№5.-С. 8-15.

27. Знаменский, В.Ю. Технологии горячего цинкования / В.Ю. Знаменский М.: Руда и металлы, 2004. - 74 с.

28. Иванов, И.А. Регулирование тепловых металлургических процессов / И.А. Иванов, С.И. Лисовский М.: Металлургия, 2001 - 300 с.

29. Иванченко, А.Г. Персептрон системы распознавания образов /

30. A.Г. Иванченко К.: Наук, думка, 1972. - 150 с.

31. Интеллектуальные системы автоматического управления /

32. B.М.Лохин и др.; под ред. И.М.Макарова. М.: Физматлит, 2001. - 575 с.

33. Кислова, В.И. Экономическая эффективность автоматизированных систем управления технологическими процессами / В.И. Кислова М.: Наука, 2010.-272 с.

34. Кнут, Д. Искусство программирования. Том 1. Основные алгоритмы. 3-е изд / Д. Кнут М.: Вильяме, 2000. - 450 с.

35. Колмогоров, А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций: сб. тр. меж-дунар. научн.- техн. конф / А.Н. Колмогоров М.: Пресс, 1990. - С. 45-54.

36. Комашинский, В.И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский, Д.А. Смирнов М.: Горячая Линия-Телеком, - 2002. - 94с.

37. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов М.: Горячая линия - Телеком, 2002.- 382 с.

38. Логовский, A.C. Применение искусственных нейронных сетей для решения задач управления динамическими объектами / A.C. Логовский -М.: Финансы и статистика, 2007 350 с.

39. Медведев, B.C. Нейронные сети. MATLAB 6 / B.C. Медведев, В.Г. Потемкин М.: ДИАЛОГ-МИФИ, 2002 - 170 с.

40. Медведев, B.C. Адаптивные системы автоматического управления / B.C. Медведев М.: Изд-во МГТУ им. Н.Э. Баумана, - 1994. - 51 с.

41. Минский, М.Л. Персептроны / М.Л. Минский, С.П. Пейперт -М.: Мир, 1971.-261 с.

42. Мкртчян, С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) / С.О. Мкртчян М.: Энергия, 1971. - 175 с.

43. Нейрокомпьютеры и интеллектуальные роботы / под ред. Амосова Н.И. — Киев: Наук, думка, 1991. 271с.

44. Омату, С. Нейроуправление и его приложение / С. Омату, М. Ха-лид, Р. Юсоф М.: ИПРЖРБ, 2000,- 272с.

45. Осовский, С. Нейронные сети для обработки информации / С. Осовский М.: Финансы и статистика, 2002. - 344 с.

46. Павлов, Б.В. Системы прямого адаптивного управления / Б.В. Павлов, И.Г. Соловьев М.: ИПУ, 1989. - 120 с.

47. Петрогерц, А.Г. Оптимальные и адаптивные системы / А.Г. Пет-рогерц М.: Высш. шк. - 1999. - 266 с.

48. Поляхов, Н.Д. Адаптация и идентификация автоматических систем / Н.Д. Поляхов, В.В. Путов Л.: Энергоатомиздат, 1984. - 80 с.

49. Пупков, К.А. Методы робастного, нейронечеткого и адаптивного управления / К.А. Пупков, Н.Д. Егупов М.: МГТУ им. Н.Э. Баумана, 2001. -744 с.

50. Рассел, С. Искусственный интеллект: современный подход / С. Рассел М.:Вильямс, 2005. - 1424 с.

51. Розенблатт, Ф. Аналитические методы изучения нейронных сетей / Ф. Розенблатт М.: Мир, 1965. - 140 с.

52. Розенблатт, Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга / Ф. Розенблатт М.: Мир, 1965. - 180 с.

53. Рябинин, А.Д. Некоторые особенности разностной обработки информации в нейронных сетях / А.Д. Рябинин, A.M. Шквар, А.И. Шевченко // Биологическая медицинская кибернетика и бионика. 1970. - №2. - С. 1326.

54. Солодовников, В.В. Методы идентификации объектов управления / В.В. Солодовников, В.Ф. Бирюков М.: Изд-МГТУ им. Н.Э. Баумана, -1986.-55 с.

55. Суровцев, И.С. Нейронные сети / И.С. Суровцев, В.И. Клюкин, Р.П. Пивоварова Воронеж: ВГУ, 1994. - 150 с.

56. Терехов, В. А. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин И М.: ИПРЖР, 2002. - 480 е.: ил.

57. Терехов, В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления / В.А.Терехов // Изв. РАН. Теория й системы управления. 1996. - № 3. - С. 70-79.

58. Терехов, В.А. Нейросетевые системы управления / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин М.: Высш. шк., 2002. - 183 с.

59. Терехов, В.А. Исследование устойчивости процессов обучения многослойной нейронной сети. I, II / В.А. Терехов, И.Ю. Тюкин //Автоматика и телемеханика. 1999. - №10. - С. 145-161.

60. Терехов, В.А. Устойчивость по Ляпунову процессов обучения многослойной нейронной сети в динамических системах управления / В.А. Терехов, И.Ю. Тюкин // Изв. ВУЗов. Приборостроение. 1999. - № 9. - С. 86-92.

61. Уоссермен, Ф. Нейрокомпьютерная техника / Ф. Уоссермен М.: Мир, 2002.-150 с.

62. Управление и оптимизация производственно-технологических процессов / Вихров Н.М., Гаскаров Д.В. Грищенков A.A. и др.; под ред. Д.В. Гаскарова. СП.: Энергоатомиздат, 1995. - 303 с.

63. Фомин, В.Н. Адаптивное управление динамическими объектами / В.Н. Фомин, А.Л. Фрадков, В.А.Якубович М.: Наука, 1981. - 448 с.

64. Фрадков, А.Л. Адаптивное управление в сложных системах: беспоисковые методы./ А.Л. Фрадков М.: Наука, 1990. - 296 с.

65. Хайкин, С. Нейронные сети: полный курс: пер. с англ. 2-е изд., испр. / С. Хайкин - М.: Вильяме, 2006. - 1104 с.

66. Цыпкин, Я.З. Основы теории обучающихся систем / Я.З. Цыпкин -М.: Наука, 1970.-252 с.

67. Широков, Р.В. О возможных подходах к построению систем управления динамическими объектами с применением нейрокомпьютеров./ Р.В. Широков // Компьютерная техника и технология: сб. тр. междунар. науч.- техн. конф Ставрополь: СевКавГТУ, 2003. - С. 121-127.

68. Яковлев, В.Б. Адаптивные системы автоматического управления / В.Б. Яковлев Л.: ЛГУ, 1994. - 25 с.

69. Astrom, K.J. Computer Controlled Sytems: Theory and Design / K.J. Astrom, B.C. Wittenmark-NJ.: Prentice-Hall, 1997. 75 p.

70. Barry, T.C. Model-free Predictive Controller with Laguerre Polynomial / T.C. Barry, L.A. Wang Australia, Springer, 2004. - 89 p.

71. Camacho, E.F. Model Predictive Control / E.F. Camacho, C Bordons Australia, Springer, 1999. - 45 p.

72. Favoreel, W. SPC:Subspace predictive control / W. Favoreel, B.D. Moor Belgium, Katholieke Universiteit Leuven,1998. - 120 p.

73. Hagan, M.T. An introduction to the use of neural networks in control systems / M.T Hagan., H.B. Demuth -NJ.: John Wiley & Sons, 2002. 985 p.

74. Hunt, K. J. R Neural networks for control systems / K.J. Hunt , D. Sbarbaro, R. Zbikowski NJ.: John Wiley & Sons, 1992. - 1083 p.

75. Kadali, R. A data driven subspace approach to predictive controller design / R. Kadali, B. Huang, A. Rossiter NJ.: Prentice-Hall, 1997. - 75 p.

76. Kohonen, T. Self-organized formation of topologically correct feature maps / T. Kohonen // Biological Cybernetics. 1982. - №43. - P.59-69.

77. Learning-logic: Casting the cortex of the human brain in silicon, Parker D. B.: Technical Report // Center for Computational Research in Economics and Management Science. Cambridge, MA: MIT, - 1985. — 73 p.

78. LeCun, Y. Une procedure d'apprentissage pour reseau a seuil assymetrique / Y. LeCun // Cognitiva 85, 1985. -P.599-604.

79. Minsky, M. L. Theory of neural-analog reinforcement systems and its application to the brain-model problem: Ph.D. Thesis / M.L. Minsky Princeton University, Princeton, 1954. - 143 p.

80. Mistry, S.I. Indirect control of a class of nonlinear dynamic systems / S.I. Mistry, S.S. Nair // IEEE Trans, on Neural Networks. 1996. - №7 - P. 10151023.

81. Piche, S.W. Steepest descent algorithms for neural network controllers and filters / S.W. Piche // IEEE Trans, on Neural Networks. 1994. - №. 5, - P. 198-212.

82. Rumelhart, D. E. Learning representations by back-propagating errors / D. E. Rumelhart, G. E. Hinton, R.J. Williams // Nature (London). 1986. - №323. -P.533-536.

83. Willshaw, D. J. How patterned neural connections can be set up by self-organization / D.J. Willshaw // Proceedings of the Royal Society of London. -1976.-№194.-P.431-445.