Модели и алгоритмы системы диагностики процесса агломерации железных руд

Ендияров, Сергей Валерьевич

Системный анализ, управление и обработка информации (по отраслям)

автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Модели и алгоритмы системы диагностики процесса агломерации железных руд

кандидата технических наук: Ендияров, Сергей Валерьевич
город: Екатеринбург
год: 2012
специальность ВАК РФ: 05.13.01

Диссертация по информатике, вычислительной технике и управлению на тему «Модели и алгоритмы системы диагностики процесса агломерации железных руд»

Автореферат диссертации по теме "Модели и алгоритмы системы диагностики процесса агломерации железных руд"

На правах рукописи

Ендияров Сергей Валерьевич

МОДЕЛИ И АЛГОРИТМЫ СИСТЕМЫ ДИАГНОСТИКИ ПРОЦЕССА АГЛОМЕРАЦИИ ЖЕЛЕЗНЫХ РУД

Специальность 05.13.01 - «Системный анализ, управление и обработка информации (в металлургии)»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Череповец-2012

005049395

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Уральский государственный горный университет» на кафедре «Информатика»

Научный руководитель: доктор технических наук, профессор

Зобнин Борис Борисович

Официальные оппоненты: доктор технических наук, профессор,

профессор кафедры теплоэнергетики и теплотехники ФГБОУ ВПО «Череповецкий государственный университет» Аншелес Валерий Рудольфович

кандидат технических наук, ведущий научный сотрудник, руководитель ИГАДО отдела НИР дирекции продаж ОАО «Уралмашзавод» Головырин Сергей Станиславович

Ведущая организация: ФГБОУ ВПО «Магнитогорский

государственный технический университет им. Г.И. Носова» (г. Магнитогорск)

Защита диссертации состоится 21 декабря 2012 г., в 16 часов на заседании диссертационного совета Д212.297.02 в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Череповецкий государственный университет» по адресу 162602, г. Череповец, Вологодская обл., ул. Луначарского, д.5, конференц-зал.

С диссертацией можно ознакомиться в библиотеке Федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Череповецкий государственный университет»

Автореферат разослан «16» ноября 2012 г.

Ученый секретарь диссертационного совета, кандидат технических наук, доцент

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Многолетняя практика показала, что окускование пылеватых руд и концентратов путем спекания и получения офлюсованного агломерата обеспечило значительное снижение удельного расхода кокса на выплавку чугуна и увеличение производительности доменных печей. Это произошло благодаря тому, что по качеству офлюсованный агломерат не уступает кусковой руде.

Так как применение агломерата в доменных печах способствует улучшению качества чугуна, повышению производительности печей и снижению расхода кокса, то качественная подготовка аглошихты к спеканию является одним из важнейших факторов, определяющих эффективность агломерационного, а следовательно, и доменного производства. Подготовка шихты заключается в обеспечении рациональных значений ее химического, гранулометрического составов и влажности. Конечной задачей процессов подготовки шихты являйся обеспечение высокого качества агломерата и максимальной производительности агломашин.

Процесс производства агломерата протекает в условиях возмущающих воздействий: изменения химико-минералогического и зернового состава компонентов спекаемой шихты, условий дозирования, транспортирования, смешения и увлажнения шихты, а также укладки шихты на агломерационную машину. Наличие рециклов, длительного времени запаздывания между опробованиями приводит к тому, что корректировка хода процесса, основанная на опыте и знаниях персонала, не позволяет достигнуть эффективной работы комплекса производства агломерата. Период дискретности между поступлением результатов опробования некоторых компонентов шихты настолько велик, что данная информация вовсе не может быть использована для корректировки хода процесса агломерации.

Для повышения эффективности принятия решений по корректировке хода процесса агломерации железных руд необходимо осуществлять диагностику состояния процесса с целью определения фактического состояния объекта. Кроме того, вследствие существенного запаздывания информации о химическом составе компонентов шихты рационально использовать прогнозирование основных качественных показателей агломерата для оперативной выработки корректирующих воздействий. Таким образом, разработка моделей и алгоритмов системы диагностики процесса агломерации железных руд является актуальной научно-технической задачей.

Объект исследования. Технологический комплекс производства агломерата.

Предмет исследования. Математические модели и алгоритмы системы диагностики процесса производства железорудного агломерата.

Цель диссертационной работы. Уменьшение колебаний химического состава агломерата и снижение расхода твердого топлива на

спекание шихты за счет разработки моделей и алгоритмов системы диагностики процесса агломерации железных руд.

Задачи исследования. Исходя из цели работы, были поставлены следующие задачи:

- Исследовать основные характеристики процесса агломерации железных руд как объекта диагностики;

- Разработать модели и алгоритмы системы диагностики процесса агломерации железных руд;

- Разработать модели прогнозирования основных качественных показателей агломерата;

- Разработать модель оптимизации процесса агломерации железных руд.

Методы исследования. Для решения поставленных задач использовались методы теории множеств, теории вероятности, аналитической геометрии, теории оптимизации, нечетких множеств, вычислительного эксперимента, математической статистики, методы системного анализа, объектно-ориентированного анализа и проектирования, математического моделирования.

Научная новизна и основные положения, выносимые на защиту:

1. Модели и алгоритмы статистической диагностики процесса агломерации железных руд для оперативного оповещения обслуживающего персонала в случае возникновения разладки процесса. При этом особенностью разработанных моделей является робастность по отношению к распределению исходного сигнала, а так же его нестационарности;

2. Модели прогнозирования основных качественных показателей агломерата, отличающиеся применением для прогнозирования содержания железа и монооксида железа в агломерате нейро-нечетких сетей Такаги-Сугено с учетом низкочастотных составляющих сигналов, что позволило в сравнении с авторегрессионными моделями значительно снизить погрешность прогнозирования;

3. Модель оптимизации процесса агломерации железных руд, позволяющая производить поиск оптимальных корректирующих воздействий. При этом в отличие от известных моделей корректировки процесса агломерации, предложенная модель оптимизации позволяет учитывать все основные качественные показатели одновременно, что достигается применением методов глобальной оптимизации;

4. Модель и алгоритм оценки соотношений сортов твердого топлива, который позволяет по косвенным показателям процесса спекания, восстанавливать текущие соотношения сортов твердого топлива. До настоящего времени в литературе не была описана возможность восстановления соотношений сортов твердого топлива по результатам измерений косвенных показателей процесса.

Практическая ценность работы и реализация результатов работы.

Практическая ценность диссертационной работы состоит в том, что разработанные модели и алгоритмы системы диагностики процесса агломерации железных руд, позволяют повысить достоверность контроля, прогнозировать основные качественные показатели агломерата и выдавать рекомендации по корректировке расходов компонентов шихты, что позволяет стабилизировать химический состав агломерата, снизить расход твердого топлива на спекание.

Установлено, что предложенная модель оптимизации позволила снизить колебания качественных показателей агломерата: в 5,08 раз по основности, в 4 раза по железу и в 3,90 раз по монооксиду железа. Кроме того, сравнение фактических данных по расходам компонентов твердого топлива с расходами, полученными в результате моделирования, показало, что предложенная модель корректировки позволила снизить расход твердого топлива на 3,57%. Введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза.

Результаты диссертационной работы внедрены в виде практических методик реализации этапов создания системы диагностики сложных технических систем и процессов внедрены в учебный процесс кафедры информатики УГГУ с 1 мая 2012 года по дисциплинам «Моделирование систем», «Информационные технологии», «Основы теории управления» для студентов 3-го, 4-го курсов специальности «220200 — Автоматизированные системы обработки информации и управления» (АСУ), кафедры общетехнических дисциплин с 1 мая 2012 года по дисциплинам «Численные методы», «Компьютерное моделирование», «Математическое моделирование» для студентов 3-го, 4-го курсов специальности «080801 -Прикладная информатика (в образовании), «050203.00 - Физика и информатика» института физики и технологии УрГПУ.

Кроме того разработанная модель оптимизации, на основе метода роя частиц, а так же алгоритмы и модели диагностики используются в ООО «Интеллект» (г. Екатеринбург). Результаты работы в виде программного обеспечения «Система диагностики и управления процессом агломерации железных руд» (этап производства железорудного агломерата) (свид. № 2012619126 от 08.10.2012 и № 2012619059 от 05.10.2012) внедрены в ООО «НПО УГГУ» (г. Екатеринбург).

2010» в рамках VII евро-азиатского форума «Связь-промэкспо 2010» (г. Екатеринбург, 2010), Международной научно-практической конференции молодых ученых и студентов проводимой в рамках международной научно-практической конференции «Уральская горная школа-регионам» (г. Екатеринбург, 2011), Всероссийской научной конференция с международным участием «Информационные технологии в горном деле» (г. Екатеринбург, 2011), Международной научно-практической конференции молодых ученых и студентов проводимой в рамках международной научно-практической конференции «Уральская горная школа-регионам» (г. Екатеринбург, 2012).

Публикации. По теме диссертационной работы опубликовано 28 печатных работ, в том числе: 7 - в журналах, определенных ВАК, 4 - в зарубежных рецензируемых журналах, 2 - свидетельства о государственной регистрации программы для ЭВМ, 6 - материалах международных конференций, 11 — в других сборниках.

Структура диссертации. Диссертация состоит из введения, 4 глав, 6 приложений, заключения, списка литературы (165 наименования). Общий объем работы составляет 179 машинописных страниц, включая 82 рисунков и 18 таблиц. Приложения включают 34 страницы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации и современное состояние основных решаемых в работе проблем. Сформулирована цель и основные задачи исследования. Обоснована научная новизна и практическая значимость работы. Приведено краткое изложение содержания работы и основных положений, выносимых на защиту.

В первой главе приведен обзор основных проблем и принципов построения систем диагностики процесса агломерации железных руд. При этом изучены работы в области исследования процесса агломерации железных руд Коротича В. И., Фролова Ю. А., Бездежского Г. Н., Клейна В. И., Вегмана Е. Ф., Малыгина А. В., Невраева В. П., Гуркина М. А., Катаева P.JT., Сигова A.A., Базилевича C.B., Каплуна Л.И., Muchi I., Higuchi J., Zhuwu M и др.

В области управления и диагностики процесса агломерации железных руд были изучены работы Петрушенко С. Ю., Зобнина Б. Б., Сурина А. А., Головырина С. С., Жукова С. Ф., Важинского А. И., Ершова Е. В., Ткаченко Г. Г., Хрущева И. A, Langer M., Vogel В., Kostial I., Doreak L., Terpak J., Oprescu I., К won W. H., Kim Y. H„ Lee S. J., Paek K. N„ Myllymäki P., Poutiainen J., Vanderheyden В., Mathy C., Xiaohui F., Lijuan J., Xuling C., Wang Y., Tao J., Daifei L., Xiang J., Wu M., Katsushige H., Fukagama T., Kunihiro I., Unaki H., Miki К и др.

Анализ существующих решений в области оптимизации и диагностики процесса агломерации железных руд показал, что практически все алгоритмы и модели диагностики и оптимизации процесса производства

железорудного агломерата, разрабатываемые отечественными и зарубежными коллективами не решают ряд следующих задач:

- восстановление текущих соотношения сортов твердого топлива по косвенным показателям процесса спекания. Решение данной задачи позволит осуществлять выработку корректирующих воздействий, с целью стабилизации процесса спекания;

- прогнозирование основных качественных показателей агломерата с учетом особенностей конкретного производства (наличие периодических составляющих сигналов). Решение данной задачи позволит более точно прогнозировать основные показатели агломерата, а значит улучшить качество корректирующих воздействий;

- обнаружение изменения хода процесса спекания, что позволит оповещать обслуживающий персонал о возможном изменение соотношений сортов, скорости агломашины, увеличения подсосов, газопроницаемости шихты и т. п.;

- поиск отклонений основных показателей процесса (относительных значений). Результаты такого поиска могут затем использоваться для объяснения текущей технологической ситуации и причин, приведших объект к определенному состоянию с использование б азы знаний;

- обнаружение тенденций изменения расходов компонентов шихты, что позволит оперативно оповещать обслуживающий персонал о возможной разладке процесса дозирования.

Кроме того, в известных решениях выработка корректирующих воздействий осуществляется, как правило, с использованием прогнозных моделей и уравнений материального и теплового балансов. При этом часто не учитываются ограничения на качественные показатели агломерата, заданную производительность и др. Информация о состоянии процесса не является полной (например, отсутствует контроль некоторых показателей), поэтому осуществление корректировки хода процесса на основе балансовых соотношений приводит к существенным флуктуациям химического состава агломерата.

Дополнительно приведены результаты системного анализа процесса агломерации железных руд. Дано краткое описание исследуемого объекта, а так же основных причинно-следственных связей процесса. Анализ причинно-следственных связей позволил обосновать структуру прогнозных моделей, выделить основные причины колебаний химического состава агломерата, что в дальнейшем стало основой для создания диагностической базы знаний процесса агломерации. Проведен статистический анализ колебаний химического состава агломерата и комплексный анализ периодических составляющих временных рядов, описывающих процесс агломерации. Для анализа использовались методы спектрального анализа, R/S анализа, гармонического анализа и фазового анализа. Установлено, что колебания FeO наиболее значимы (трехсигмовые границы: 10.681 + 1.347), что может свидетельствовать о нестабильности процесса спекания в результате

воздействиях различных дестабилизирующих факторов, таких например как неучтенные соотношения сортов твердого топлива.

железных руд (где ИМ - исполнительный механизм; Р- регулятор; П — поток материала, х1ф'х2ф'хлф'х4ф — расходы компонентов шихты; x1,x2,xJ,x4 - задания локальным системам дозирования шихтовых материалов; GmK - вектор, характеризующем процесс спекания; Рт и А.-, - информация о химическом анализе шихты и агломерата; г0,г, -запаздывания

результатов опробования химсостава шихты и агломерата; F(s) - функции прогнозирования качественных показателей агломерата)

Проведенный анализ показал, что сигналы, характеризующие химический состав шихты содержат низкочастотные периодические составляющие (основность - 41 ч; углерод - 59 ч; FeO - 24 ч; Fe - 20 ч; СаО (известняк) - 32 ч; Si02 (руда) - 42 ч). Информация о низкочастотных периодических составляющих использована для повышения точности моделей прогнозирования качественных показателей агломерата.

Приведена упрощенная структурно-функциональная схема процесса агломерации железных руд, показывающая связь системы с параметрами процесса агломерации железных руд (рисунок 1). Выявлены режимные параметры процесса агломерации железных руд на основе непрерывного вейвлет преобразования (рисунок 2). Из рисунка видно, что основность и содержание железа в агломерате выходят за допустимые пределы, что свидетельствует о необходимости стабилизации химического состава агломерата с целью перемещения режимов в сторону центра допустимого региона. Каждый j режим описывался координатами центра режима cJ=(xj,yJ) и разбросом вокруг этого центра <ху. Выявлено, что для сигналов, характеризующих шихтовые материалы, характерно наличие больше одного режима (основность — 5 режимов; углерод — 4 режима; FeO - 2 режима; СаО — 4 режима; Fe — 5 режимов).

2 !з 2 1

>•

я 2 05 о

( С©)) "

( г-т ; . Г" I \ 7Г } I ))

75 1 3 "ч."------ 1 £5 19 1 55 2 2 05 21 2

& 5

.......-......

(( ■Э^РР /

Содержание Бе, %

Рисунок 2 - Диаграммы устойчивых состояний качественных показателей агломерата

Наличие режимов показало, что сигналы, описывающие процесс агломерации, относятся к нестационарным. Нестационарность сигналов, характеризующих исследуемый объект, позволила сделать заключение о том, что разрабатываемые модели должны адаптироваться к изменениям, происходящим в объекте.

Рассмотрены проблемы, связанные с колебанием соотношений сортов твердого топлива. Например, из рисунка 3 видно, что содержания шлама, коксовой мелочи и отсева доменного цеха в условиях ОАО «ММК» (Магнитогорский металлургический комбинат) подвержено серьезным флуктуациям. Статистический анализ показал, что в смеси преобладает содержание коксовой мелочи 0-10 мм, содержание которой может достигать 70 %.

Время, сутхи

Рисунок 3 - Изменение расходов сортов твердого топлива в условиях ОАО «ММК» в течение за 30-ого дневного периода

Установлено, что наибольшей колеблемостью обладает отношение коксовой мелочи и отсева из-под грохотов доменного цеха (трехсигмовые границы: 1.52±2.04). При этом данные сорта топлива значительно отличаются калорийностью. Сделан вывод о том, что неконтролируемое изменение соотношений сортов твердого топлива может приводить к существенным флуктуациям химического состава агломерата. По результатам анализа сделан вывод о том, что отсутствие оперативной информации о текущих соотношениях сортов не позволяет техническому персоналу эффективно корректировать ход процесса агломерации железных руд.

Проведен анализ чувствительности основности аглошихты к различным корректирующим воздействиям. Получено, что наибольшее влияние на основность аглошихты оказывает содержание кремния в руде ( = -0.2353). Установлено, что наиболее значимым корректирующим

воздействием является расход флюсов = 0.1475). Сделан вывод о том,

что средством для корректировки хода процесса спекания является расход твердого топлива, а для корректировки основности агломерата расход флюсов.

На основе проведенного анализа сделан вывод, что исследование моделей и алгоритмов диагностики и оптимизации процесса агломерации железных руд является актуальной научно-технической задачей. Сформулированы основные задачи исследования.

Вторая глава посвящена разработке математических моделей системы диагностики процесса агломерации железных руд. Рассмотрена задача прогнозирования основных качественных показателей агломерата с применением моделей авторегрессии и нейро-нечетких сетей типа Такаги-Сугено. Для прогнозирования содержания Ие, ИеО в агломерате предложено использовать нейро-нечеткие сети. Для прогнозирования основности использовалась адаптивная модель авторегрессии. Применение нейро-нечеткой сети для прогнозирования Яе и ЯеО позволило учесть нелинейную зависимость между входом и выходом. Рассмотрена возможность повышения точности прогнозных моделей посредством введения в их структуру периодических составляющих, информация о которых была получена в ходе системного анализа объекта.

. Исследованы различные модели оптимизации процесса агломерации. На основе балансового уравнения аглошихты рассмотрена модель приведения основности агломерата к заданному значению. Формула для расчета корректировки расхода флюсов имеет вид:

1-<Г 'М ЙОз

100

1=1

где ¡ = порядковый номер компонента шихты (включая все возвратные

продукты; <2,— весовые расходы компонентов шихты, т/ч; И^'- влажность в ¡-м компоненте шихты, %; СоСГ - содержание СаО в ¡-м компоненте шихты, %; - содержание ЖО, в ¡-м компоненте шихты, %; А/,', - есть заданная основность агломерата; 8М/{, - прогнозное значение невязки.

Разработана модель корректировки расхода твердого топлива при изменении соотношений сортов, базирующаяся на тепловом балансе процесса горения углерода в слое шихты. Рассмотрена задача выбора оптимальных корректирующих воздействий на основе нейро-нечеткой сети. С этой целью получена целевая функция:

/=ХП)=(1К)(Я,- £ А,-ш=

" " " , (2)

(хгГ(Х', Н7))2

—--г--> Ш1П

1-\ М м V,

где — среднее значение суммарных корректирующих воздействий,

- переменные подлежащие выбору, Ау.....- фиксированные

величины, /■'(•) - известная функция, х] — решение предшествующей задачи оптимизации, п - обозначает вектор всех входных параметров функции /г(-).

При этом введены следующие ограничения на корректирующие воздействия, подлежащие выбору:

А, > 8Ь.,И, < ИГ

. (3)

где И] - текущее значение j корректирующего воздействия, а <УЛу -минимально возможное по величине корректирующее воздействие, обусловленное возможностями оборудования. Решением задачи являются оптимальные расходы компонентов шихты. Отметим, что предложенная модель корректировки на основе нейро-нечеткой сети может быть использована для приведения в допустимые границы Ре и ЯеО агломерата.

Автономное использование ранее рассмотренных методов корректировки хода процесса агломерации приводит к конфликтной ситуации. Предложены различные, пути разрешения данной конфликтной ситуации. Для разрешения конфликтной ситуации предложена следующая целевая функция:

= ^[(£(0)-У;)]2 + -п"]2 + [4-ЕП®!)) ™, (4)

где 0 - вектор нечеткой принадлежности отклонений, £(0) и В{&) -математическое ожидание и дисперсия вектора 0, И0,) - заданная пороговая функция, 0; - элемент вектора 0> а т]к =1 и /]" = 0. При этом учитывались следующие ограничения:

\8М\< Лу,\8Ре\ < < Л,.ю'

где 50! — минимально возможная величина, на которую возможно изменить расход у компонента, Я,. - параметр, задающий допустимые границы для к показателя, отражающего качество агломерата. Решением задачи как м прежде являются оптимальные расходы компонентов шихты.

Установлено, что задача поиска оптимальных корректирующих воздействий является задачей нелинейного программирования, а минимизируемая функция является невыпуклой (рисунок 4).

Известняк,

Кокс, т/ч

Рисунок 4 - Зависимость минимизируемой функции от расходов компонентов шихты

В связи с этим приведено сравнение различных методов оптимизации, позволяющих, решить данную задачу. Для минимизации вероятности того, что хотя бы одно из ограничений будет нарушено, предложен гибридный метод оптимизации, основанный на методе роя частиц (МРЧ), заключающийся в использовании лучшего решения по результатам работы трех МРЧ, что позволило обеспечить 99 % вероятность нахождения оптимального решения задачи. Установлено, что предлагаемый метод корректировки расходов компонентов шихты позволяет значительно снизить флуктуации качественных показателей агломерата.

Для объяснения текущей технологической ситуации и причин, приведших объект к определенному состоянию с использование базы знаний была разработана модель диагностики процесса агломерации на основе статистического контроля основных показателей аглошихты. Для выделения статистических событий использовались доверительные интервалы вида:

/>(©, <0<®2) = 1-а, (6)

где 1 -а - заранее выбранная вероятность, называемая доверительной.

Результатом статистического контроля является вектор событий, который затем используется базой знаний для объяснения текущей технологической ситуации.

С целью обнаружения изменения хода процесса спекания разработана модель диагностики процесса спекания, использующая коэффициенты передачи по оксидам кремния и кальция k'j"", вычисляемые следующим образом:

F(Sl) = (Mt-M''f -> min , (7)

' ' i'f.if"1

где M'j - фактическое значение основности, М" - расчетное значение основности:

fi-r,. kj°° ■ CaO'j

1 100 J 100

К EßV fl -IV'].) к*10* ■ Si02'j

1 100 100

При этом необходимо учитывать следующие ограничения:

кЧ"">0,к?а-> 0. (9)

Разработана модель проверки изменений коэффициентов передачи на основе проверки статистических гипотез. Данная модель используется для объяснения причин изменения основности агломерата. Сделан вывод, что данная модель позволяет отделить влияние корректирующих воздействий (расходов компонентов шихты) от изменений, происходящих в ходе спекания.

Разработана модель, позволяющая по косвенным показателям процесса агломерации восстанавливать соотношения сортов твердого топлива. Для обнаружения изменения соотношений сортов использован ряд балансовых соотношений. На рисунке 5 представлена схема диагностики соотношений сортов твердого топлива.

(, сетаммьи с характэриспжами твердого гоплиаа

Гц.

flfri-w. V z -^fc —I «О

j Расчет невязок, связанных с реакциями

ия-восстановления

^ТС«" ' оГ' .

iO. Н;"

Расчет невязок, связанных с тестовые балансом процесса

* - , ХСС^ FeOjl^

Получение текущих

соотношений сортов | ОцеЮ,^...^,,) твердого топлива, путем ; ' '

решения задачи

оптимизации, осуществляющей минимизацию невязок

Рисунок 5 - Упрощенная схема диагностики соотношений сортов твердого топлива

В результате была получена система уравнений:

\м;-м'к) = п" (£>;-£>;) = п" с= (со2-со:)=п,у'' (&-а, )=«""*'

= Ох (ГеО;. - РеО'к) = О.'"" {(ГеО)"" -(ЯгО)'1™") = 0.мжл , (10) (^-к;.) = пг (&„-&„)/* = О."»™ (СО-СО' ) = П'° (4 -4) = а' (й .-4 ) = £!<*'

где Г2'— невязки расчетных и фактических значений показателей. При этом необходимо учитывать следующие ограничения:

о < < о"

(П)

где - расход твердого топлива, Q'¡ - расходы твердого топлива по сортам. Решение системы уравнений (10) сводится к минимизации целевой функции:

^ = /(пу) = £ ^ = (пм )2 / + («' )2 / + )2 / <, +

)2 / <х2., + (П"' )2 / <т2, + (а1' )2 / ^ + (п""40 )2 / 5 (, 2)

+(П<*' )2 / <т2,., + (П"'"'1 )2 / ^ + (а""" "1' )2 / <72 + (О™ )2 / а2,„

+(Псо= )2 / <т2 ТЛ + (П" )2 / <т2 шга

и - и дк

где ег2, — дисперсия у показателя. Решением данной системы уравнений являются текущие соотношения сортов твердого топлива. Выявлено, что разработанная модель определения соотношения сортов твердого топлива позволяет производить корректировку расхода твердого топлива в оперативном режиме.

Исследован вопрос, связанный с обнаружением тенденций изменения расходов компонентов шихты для осуществления диагностики состояния оборудования или оценки оперативных действий персонала по корректировке хода технологического процесса. Для робастного оценивания времени изменения среднего значения сигнала совместно использовались алгоритмы СиэиМ и ЕМ\УА. Установлено, что данная модель позволяет обнаруживать изменения в нестационарных сигналах, распределение которых отлично от нормального.

Третья глава посвящена разработке алгоритмов системы диагностики процесса агломерации железных руд на основе рассмотренных моделях диагностики, прогнозирования и оптимизации. При этом были разработаны следующие алгоритмы: алгоритм прогнозирования основности аглошихты, алгоритм прогнозирования Ие и РеО агломерата с применением

нейро-нечетких сетей Такаги-Сугено, алгоритмы адаптации моделей прогнозирования к условиям конкретного производства, алгоритм формирования оптимальных корректирующих воздействий, алгоритм диагностики процесса агломерации на основе расчета доверительных интервалов, алгоритм диагностики процесса спекания на основе коэффициентов передачи, алгоритм обнаружения тенденций изменения расходов компонентов шихты, алгоритм диагностики соотношений сортов твердого топлива по косвенным признакам.

На основе структурно-функциональной схемы процесса агломерации железных руд (рисунок 6) описано как разработанные алгоритмы и модели взаимодействуют совместно в рамках единой системы диагностики процесса агломерации железных руд.

Сай1 .?/«„ д.

М,

м'

аю„

Расчет основности шихты

Выделение возмущений, приложенных к выходу объекта

Прогнозирование возмущений

Прогнозирование Ре агломерата

Прогнозирование ГеО агломерата

О?'

Обнаружение изменений тенденций расходов компонентов шихты

Прогнозирование основности агломерата

АС

Диагностика процесса спекания на основе контроля коэффициентов _передачи_

РеО^аО]'

Фактические значения качественных показателей агломерата

Статистический контроль усредненных показателей

Контроль показателей (допустимые границы)

СО"

дГО,

Восстановление соотношений сортов твердого топлива

Поиск причин отклонений основных качественных показателей агломерата

Модель прогнози РеО

Оператор

Процесс производства агломерата

Расчет оптимального значения расхода твердого топлива

Поиск опти ма п ьн ы х корректирующих воздействий

Модель прогнозирования основности

Модель прогнозирования РеО

Рисунок 6 — Структурно-функциональная схема работы системы диагностики процесса

агломерации железных руд

Разработан алгоритм функционирования системы диагностики процесса агломерации железных руд. Блок-схема алгоритма, отражающая процесс функционирования системы представлена на рисунке 7.

^ Начало )

♦

Получение

информации

из БД

Получение информации о ХС составе шихты, агломерате, расходах компонентов и д. р.

Адаптация

коэффициентов моделей на основе данных процесса

Расчет содержания основных компонентов шихты

Осуществление прогноза основных качественных показателей агломерата: основности, железа и монооксида железа

Выполнение диагностики расходов и диагностики соотношений сортов твердого топлива

Выполнение основных диагностических алгоритмов процесса агломерации железных руд

На основе данных, полученных ь ходе диагностики получаем причины и рекомендации из базы знаний ОШШОР^)

Производим оптимизации» методом роя частиц, с целью минимизации заданного функционала и удовлетворения о ограничений

Отображаем результаты работы диагностических алгоритмов и результатов оптимизации

Рисунок 7 - Блок-схема алгоритма функционирования системы диагностики процесса агломерации железных руд

Разработанный алгоритм (рисунок 7) позволил объединить все созданные модели и алгоритмы в единую непротиворечивую систему диагностики процесса агломерации железных руд.

Четвертая глава посвящена оценке эффективности использования моделей и алгоритмов системы диагностики. Расчет эффективности модели оптимизации производился на основе сравнения экспериментальных данных, полученных с аглофабрики, и данных, полученных в результате моделирования. За показатель эффективности работы модели оптимизации было принято снижение колебаний химического состава агломерата и снижение расхода твердого топлива.

На рисунках 8, 9 представлены результаты сопоставления моделей оптимизации с экспериментальными данными по железу Ре, монооксиду железа РеО.

К-Ре факт

^-ре корректировка (осн.)

ре корректировка (пред.)

Рисунок 8 - Графики сопоставления результатов работы моделей оптимизации с экспериментальными данными по Ре

—К- РвО факт

—--РеО корректировка (осн.)

--------- Ро0 крорректиров ка (пред.)

90 "100 110

Рисунок 9 - Графики сопоставления результатов работы моделей оптимизации с экспериментальными данными по РеО

Время, ч

Рисунок 10-Графики сопоставления экспериментальных данных по твердому топливу и данных полученных по результатам моделирования

Получено, что предложенная модель оптимизации позволила снизить колебания качественных показателей агломерата: в 5,08 раз по основности, в 4 раза по железу и в 3,90 раз по монооксиду железа. Кроме того, сравнение фактических данных по расходам компонентов твердого топлива с расходами, полученными в результате моделирования, показало, что предложенная модель корректировки позволил снизить расход твердого топлива на 3,57% (рисунок 10). Результаты сравнения моделей корректировки применительно к содержанию железа в агломерате сведены в таблицу 1 (где МО — математическое ожидание, а КВ - коэффициент вариации). Из таблицы I видно, что применение предложенной модели оптимизации позволило значительно снизить колебания содержания железа в агломерате по отношению к экспериментальным данным и модели корректировки основанной на балансовой основности.

Таблица I - Результаты сравнения моделей оптимизации по железу

Метод корректировки Показатель СКО МО КВ Относительно фактического метода корректировки Относительно корректировки по балансовой основности

Фактические данные Железо 0,3069 56,50 0,0054 - -

Корректировка по балансовой основности Железо 0,2279 56,52 0,0040 1,35 -

Корректировка на основе решения задачи оптимизации Железо 0,0767 56,47 0,0014 4,00 2,97

Приведена оценка эффективности использования диагностических алгоритмов и моделей системы диагностики. За эффективность работы

диагностических алгоритмов и моделей было принято снижение времени нахождения объекта в не желательном состоянии за счет оперативного вмешательства в процесс производства железорудного агломерата. Установлено, что введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза.

Приведена оценка эффективности использования моделей прогнозирования основных качественных показателей агломерата с применением моделей авторегрессии и нейро-нечетких сетей типа Такаги-Сугено. Результаты прогнозирования представлены в таблице 2.

Прогнозирование производилось на 1 час вперед (в условиях ОАО «ММК»), при этом прогноз вычисляется на основе предыдущего химического анализа агломерата и текущего химического анализа компонентов шихты. Обнаружено, что применение нейро-нечетких сетей приводит к значительному снижению ошибки прогнозирования (см. таблицу 2).

Таблица 2 - Сравнение результатов прогнозирования качественных показателей

агломерата

Структура модели Ошибка авторегрессионной модели (СКО), % Ошибка нейро-нечеткой сети (СКО), %

Fe=f(Fe"',Fe;_„C"',Ml") 0.286 0.147

FeO1 = f(FeO"', FeOf_,, C'" ,M'") 0.669 0.324

Mm = M„+SMm 0.0306 -

На рисунке 11 представлены результаты сравнения экспериментальных данных с прогнозными значениями для Ре.

55.5

100 200 300 400 500 600 700 800 900 1000 Время, 10 мин

Рисунок 11 — Графики результатов прогнозирования

Установлено, что при включении в модель низкочастотных составляющих сигнала погрешность прогнозирования снижается еще приблизительно в 2 раза (погрешности: Fe ' = 0.064, FeO'=0.147 ).

Представлены гистограммы распределения ошибок прогнозирования для разработанных моделей. На рисунке 12 в качестве иллюстрации представлена эмпирическая гистограмма распределения ошибок прогнозирования содержания железа в агломерате при включенной в структуру модели низкочастотной периодической составляющей. Из рисунка видно, что ошибка прогнозирования стремиться к нулю.

350 300 250 200 150 100 50 О

-0.3 -0.2 -0.1 0 0.1 0.2

Ошибка, %

Рисунок 12-Гистограмма распределения ошибок прогнозирования Fe

В заключении изложены основные результаты, полученные в работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе в рамках решения поставленной научно-технической задачи уменьшения колебаний химического состава агломерата и снижения расхода твердого топлива на спекание шихты за счет разработки моделей и алгоритмов системы диагностики процесса агломерации железных руд получены следующие основные результаты:

1. В результате исследований основных характеристики процесса агломерации железных руд как объекта диагностики установлено, что сигналы, характеризующие химический состав шихты, содержат низкочастотные периодические составляющие (основность — 41 ч; углерод — 59 ч; FeO - 24 ч; Fe - 20 ч; СаО (известняк) - 32 ч; Si02 (руда) - 42 ч). Кроме того выявлено, что для данных сигналов характерно наличие больше одного режима (основность — 5 режимов; углерод — 4 режима; FeO — 2 режима; СаО - 4 режима; Fe - 5 режимов), что подтверждает гипотезу о нестационарности рассматриваемых сигналов;

2. Разработаны модели и алгоритмы системы диагностики процесса агломерации железных руд, позволяющие снизить колебаниях химического состава железорудного агломерата и уменьшить расход твердого топлива на спекание, за счет восстановления фактического состояния процесса;

3. Решена задача оптимизации процесса агломерации железных руд, которая позволяет удовлетворить все ограничения, накладываемые на

качественные показатели агломерата. Для решения поставленной задачи было предложено использовать гибридный метод оптимизации на основе метода роя частиц, что позволило обеспечить 99 % вероятность нахождения оптимального решения задачи;

4. Расчет эффективности применения моделей и алгоритмов системы диагностики показал, что их использование позволило значительно снизить колебания основных качественных показателей агломерата по отношению к экспериментальным данным (в 5,08 раз по основности, в 4 раза по железу и в 3,9 раз по монооксиду железа) и модели корректировки, основанной на балансовой основности (в 2,09 раз по основности, в 2,97 раза по железу и в 2,87 раз по монооксиду железа);

5. Сравнение фактических данных по расходам компонентов твердого топлива с расходами полученными в результате моделирования показывает, что предложенная модель оптимизации позволяет снизить расход твердого топлива на 3,57 %. Кроме того введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза;

6. Разработаны модели прогнозирования основных качественных показателей агломерата на основе нейро-нечетких сетей Такаги-Сугено. Результаты сравнения моделей нейро-нечетких сетей и авторегрессии показали, что использование нейро-нечетких сетей позволило значительно снизить погрешность прогнозирования качественных показателей агломерата. Кроме того, включение в модель низкочастотных составляющих сигнала позволило уменьшить погрешность прогнозирования Fe и FeO еще приблизительно в 2 раза (погрешности: Fe'1 =0.064,FeO '=0.147 ).

Основные положения диссертации опубликованы в следующих работах: Публикации в изданиях, рекомендованных ВАК РФ

1. Yendiyarov, S. Robust Probabilistic Online Change detection Algorithm based on the Continuous Wavelet Transform / Yendiyarov S., Petrushenko S. // Proceedings of World Academy of Science, Engineering and Technology, France, Issue 60, December 2011, pp. 1810-1814 (SCOPUS).

2. Ендияров, С. В. Современный подход к анализу периодических составляющих временных рядов //. В мире научных открытий: серия «Математика. Механика. Информатика». Красноярск. Февраль. 2012. N 1. С. 20-30.

3. Ендияров, С. В. Диагностика сложных технологических комплексов на основе расчета погрешностей измерений / Б. Б. Зобнин, С. В. Ендияров, С. Ю Петрушенко.// В мире научных открытий: серия «Математика. Механика. Информатика». Красноярск. Февраль. 2012. N 1. С. 157-166.

4. Ендияров, С. В. Математическая модель дискретного весового дозирования / Б. Б. Зобнин, С. 10. Петрушенко, С. В. Ендияров // Известия высших учебных заведений. Горный журнал. 2012. N 4. С. 63-67.

5. Ендияров, С. В. Алгоритм обнаружения изменения среднего значения сигнала в реальном масштабе времени на основе непрерывного вейвлет преобразования / Б.

Б. Зобнин, С. В. Ендияров, С. Ю. Петрушенко //Известия высших учебных заведений. Горный журнал. 2012. N 5. С. 74-80.

6. Ендияров, С. В. Система диагностики и управления процессом подготовки и производства железорудного агломерата / С. В. Ендияров, С.Ю. Петрушенко // Автоматизация в промышленности, Москва. Октябрь. 2012. N 10. С.65-68.

7. Yendiyarov, S. Expert system for sintering process control based on the information about solid-fuel flow composition / Yendiyarov S., Zobnin В., Petrushenko S. // Proceedings of World Academy of Science, Engineering and Technology, France, Issue 68, August 2012, pp. 861-868 (SCOPUS).

Публикации в других изданиях

8. Zobnin В., Yendiyarov S., Petrushenko S. Design of a wavelet based data mining technique // Buletinul Institutului Politehnic din laji, Automatic Control and Computer Science Section, Romania, Issue 1, March, 2012, pp. 27-49.

9. Zobnin В., Yendiyarov S., Petrushenko S. Online Change Detection Algorithm Based on the Continuous Wavelet Transform, the CUSUM Algorithm and an Autoregressive Model // Current Trends in Signal Processing, India, vol. 1, Issue 2-3, November 2011, pp. 7-18.

10. Ендияров С. В. Интеллектуальная система повышения достоверности контроля состояния сложного технологического // Информационное обеспечение, автоматическое управление и контроль технологических процессов: материалы междунар. науч-практ. конф. «Уральская школа - регионам». Екатеринбург. С. 302303.

11. Ендияров С. В. Автоматическая идентификация периодических составляющих временного ряда на основе конечного множества подходов // Перспективы развития информационных технологий: сб. материалов V междунар. научно-практ. конф. Новосибирск. С. 31-36.

12. Ендияров С. В. Построение системы автоматической идентификации периодических составляющих временного ряда с применением теории нечетких множеств. Нечеткий периодический коэффициент корреляции // Алгоритмы, методы и системы обработки данных: электронный научный журнал. 2011. N 17. С. 1-19.

13. Ендияров С. В., Петрушенко С. Ю. Разработка оптимальной системы управления и диагностики сложного технологического комплекса (на примере процесса агломерации железных руд) // Алгоритмы, методы и системы обработки данных: электронный научный журнал. 2012. N 19. С. 40-53.

14. Зобнин Б. Б., Ендияров С. В. Предпроектный анализ систем управления сложными развивающимися технологическими комплексами // Программное обеспечение ВТ, АСУ и информационных технологий: материалы междунар. науч-практ. конф. «Актуальные проблемы современной науки, техники и образования». Магнитогорск. 2011. С. 66-69.

15. Зобнин Б. Б., Ендияров С. В. Моделирование системы повышения достоверности контроля состояния сложного технологического комплекса (на примере процесса агломерации железных руд) // Математическое и программное

обеспечение систем в промышленной и социальной сферах: междунар. сб. научн. трудов. Магнитогорск. 2011. Ч. 1. С. 125-133.

16. Зобнии Б. Б., Ендияров С. В. Проектирование подсистемы когнитивного моделирования // Актуальные проблемы современной науки, техники и образования: сбор, научн. трудов, конф. Магнитогорск. 2011. С. 14-16.

17. Зобнии Б. Б., Ендияров С. В. Процессный подход к управлению эффективностью автоматизированной системы контроля технологических параметров // Связь-пром 2011: материалы междунар. науч-практ. конф. Екатеринбург. 2011.С. 124-130.

18. Зобнин Б. Б., Ендияров С. В., Петрушенко С. Ю. Разработка имитационной модели диагностики процесса усреднения рудных материалов // Алгоритмы, методы и системы обработки данных: электронный научный журнал. 2012. N 19. С. 62-70.

19. Зобнин Б. Б., Ендияров С. В., Петрушенко С. Ю. Структуризация проблем, возникающих при решении задач управления развитием сложных технологических комплексов (на примере процесса агломерации) // Связь-пром 2010: материалы междунар. науч-практ. конф. Екатеринбург. 2010. С. 77-80.

20. Зобнин Б.Б., Ендияров C.B. Полимодельный комплекс, поддерживающий решение задачи оптимизации процесса агломерации в условиях недостаточной экспериментальной информации // Инженерная поддержка инновации и модернизации: сбор. науч. тр. 2010. вып. 1. С. 64-66.

21. Петрушенко С. Ю., Ендияров С. В. Модель статистического контроля технологического процесса // Алгоритмы, методы и системы обработки данных: электронный научный журнал: электрон, научн. журн. 2012. N 19. С. 121-126.

22. Петрушенко С.Ю., Ендияров С. В. Обоснование выбора стратегии обслуживания оборудования // Журнал научных публикаций аспирантов и докторантов. Курск. 2011. N 10 (64). Октябрь. С. 104-105.

23. Ендияров C.B. Разработка экспертной системы управления развитием сложного технологического комплекса [Электронный ресурс] // Современные научные исследования и инновации: электрон, научн. журн. 2011. Октябрь . URL: http://web.snauka.ru/issues/2011/10/4246.

24. Ендияров С. В. Интеллектуальный анализ составляющих временных рядов // Информационные технологии в горном деле: доклады Всероссийской конференции с международным участием: сбор. науч. тр. ИГД УрО РАН. 2012. С. 46-53.

25. Ендияров С. В., Петрушенко С. Ю. Использование нейронной сети для поиска оптимальной стратегии управления // Алгоритмы, методы и системы обработки данных: электронный научный журнал: электрон, научн. журн. 2012. N 20.

26. Петрушенко С. Ю., Ендияров С. В. Модель прогнозирования и оптимизации управляющих воздействий процесса формирования штабеля шихты // Алгоритмы, методы и системы обработки данных: электронный научный журнал: электрон, научн. журн. 2012. N 20.

27. Ендияров С. В. Система диагностики процесса агломерации железных руд / Свидетельство о государственной регистрации программы для ЭВМ № 2012619059 от 05.10.2012 / С. В. Ендияров, С. Ю. Петрушенко. -М.: Роспатент, 2012.

28. Ендияров С. В. Система управления процессом агломерации железных руд / Свидетельство о государственной регистрации программы для ЭВМ №2012619126 от 08.10.2012 / С. Ю. Петрушенко, С. В. Ендияров. -М.: Роспатент, 2012.

Лицензия А № 165724 от 11 апреля 2006 г.

Подписано к печати 15.11.12 г. Тир. 100. Усл. печ. л. 1. Формат 60х84'/|6. Зак.119. ФГБОУ ВГТО «Череповецкий государственный университет» 162600 г. Череповец, М. Горького, 14

Оглавление автор диссертации — кандидата технических наук Ендияров, Сергей Валерьевич

1 АНАЛИЗ ПРОБЛЕМНОЙ СИТУАЦИИ И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ.

1.1 Проблема управления и диагностики процесса агломерации.

1.2 Аналитический обзор существующих методов оптимизации и диагностики процесса агломерации железных руд.

1.3 Особенности разработки интеллектуальных систем.

1.4 Системный анализ процесса агломерации железных руд.

1.4.1 Исследование характеристик технологического комплекса производства агломерата.

1.4.2 Исследование характеристик режимных параметров процесса агломерации.

1.4.3 Исследование влияния соотношений сортов твердого топлива на процесс агломерации.

1.4.4 Исследование коэффициентов чувствительности балансовой основности аглошихты.

1.5 Выводы по главе.

2 РАЗРАБОТКА МОДЕЛЕЙ ДИАГНОСТИКИ, ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ПРОЦЕССА АГЛОМЕРАЦИИ ЖЕЛЕЗНЫХ РУД

2.1 Разработка моделей прогнозирования качественных показателей агломерата.

2.2 Разработка моделей оптимизации процесса агломерации.

2.2.1 Расчет корректировки расхода флюсов при изменении основности агломерата.

2.2.2 Модель корректировки расхода твердого топлива при изменении соотношений сортов в смеси.

2.2.3 Использование нейро-нечеткой сети для поиска оптимальных корректирующих воздействий.

2.3 Разработка модели оптимизации для поиска оптимальных управляющих воздействий.

2.4 Разработка моделей диагностики процесса агломерации.

2.4.1 Диагностика процесса агломерации на основе расчета доверительных интервалов.

2.4.2 Диагностика процесса спекания на основе коэффициентов передачи.

2.4.3 Диагностика соотношений сортов твердого топлива по косвенным признакам.

2.4.4 Обнаружение тенденций изменения расходов компонентов шихты

2.6 Выводы по главе.

3 РАЗРАБОТКА АЛГОРИТМОВ СИСТЕМЫ ДИАГНОСТИКИ ПРОЦЕССА АГЛОМЕРАЦИИ ЖЕЛЕЗНЫХ РУД.

3.1 Разработка алгоритмов прогнозирования основных качественных показателей агломерата.

3.2 Разработка алгоритмов оптимизации процесса агломерации железных руд.

3.3 Разработка алгоритмов диагностики процесса агломерации железных руд.

3.4 Разработка обобщенного алгоритма функционирования системы диагностики процесса агломерации железных руд.

3.5 Выводы по главе.

4 ОЦЕНКА ЭФФЕКТИВНОСТИ МОДЕЛЕЙ И АЛГОРИТМОВ СИСТЕМЫ ДИАГНОСТИКИ ПРОЦЕССА АГЛОМЕРАЦИИ ЖЕЛЕЗНЫХ РУД.

4.1 Описание основных особенностей системы диагностики процесса агломерации железных руд.

4.2 Оценка эффективности использования модели оптимизации процесса

4.3 Оценка эффективности использования моделей и алгоритмов диагностики.

4.4 Оценка эффективности моделей прогнозирования качественных показателей агломерата.

4.5 Перспективы применения разработанных алгоритмов и моделей системы диагностики процесса агломерации железных руд.

4.6 Выводы по главе.

Введение 2012 год, диссертация по информатике, вычислительной технике и управлению, Ендияров, Сергей Валерьевич

Для повышения эффективности принятия решений по корректировке хода процесса агломерации железных руд необходимо осуществлять 5 диагностику состояния процесса с целью определения фактического состояния объекта. Кроме того, вследствие существенного запаздывания информации о химическом составе компонентов шихты рационально использовать прогнозирование основных качественных показателей агломерата для оперативной выработки корректирующих воздействий. Таким образом, разработка моделей и алгоритмов системы диагностики процесса агломерации железных руд является актуальной научно-технической задачей.

Объект исследования. Технологический комплекс производства агломерата.

Цель диссертационной работы. Уменьшение колебаний химического состава агломерата и снижение расхода твердого топлива на спекание шихты за счет разработки моделей и алгоритмов системы диагностики процесса агломерации железных руд.

Задачи исследования. Исходя из цели работы, были поставлены следующие задачи:

- Исследовать основные характеристики процесса агломерации железных руд как объекта диагностики;

- Разработать модели и алгоритмы системы диагностики процесса агломерации железных руд;

- Разработать модели прогнозирования основных качественных показателей агломерата;

- Разработать модель оптимизации процесса агломерации железных руд.

Методы исследования. Для решения поставленных задач использовались методы теории множеств, теории вероятности, аналитической геометрии, теории оптимизации, нечетких множеств, вычислительного эксперимента, математической статистики, методы 6 системного анализа, объектно-ориентированного анализа и проектирования, математического моделирования.

Научная новизна и основные положения, выносимые на защиту:

4. Модель и алгоритм диагностики соотношений сортов твердого топлива, который позволяет по косвенным показателям процесса спекания, восстанавливать текущие соотношения сортов твердого топлива. До настоящего времени в литературе не была описана возможность восстановления соотношений сортов твердого топлива по результатам измерений косвенных показателей процесса.

Практическая ценность работы и реализация результатов работы.

Практическая ценность диссертационной работы состоит в том, что разработанные модели и алгоритмы системы диагностики процесса 7 агломерации железных руд, позволяют повысить достоверность контроля, прогнозировать основные качественные показатели агломерата и выдавать рекомендации по корректировке расходов компонентов шихты, что позволяет стабилизировать химический состав агломерата, снизить расход твердого топлива на спекание.

Установлено, что предложенная модель оптимизации позволила снизить колебания качественных показателей агломерата: в 5,08 раз по основности, в 4 раза по железу и в 3,9 раз по монооксиду железа. Кроме того, сравнение фактических данных по расходам компонентов твердого топлива с расходами, полученными в результате моделирования, показало, что предложенная модель корректировки позволила снизить расход твердого топлива на 3,57%. Введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза.

Результаты диссертационной работы внедрены в виде практических методик реализации этапов создания системы диагностики сложных технических систем и процессов внедрены в учебный процесс кафедры информатики УГГУ с 1 мая 2012 года по дисциплинам «Моделирование систем», «Информационные технологии», «Основы теории управления» для студентов 3-го, 4-го курсов специальности «220200 - Автоматизированные системы обработки информации и управления» (АСУ), кафедры общетехнических дисциплин с 1 мая 2012 года по дисциплинам «Численные методы», «Компьютерное моделирование», «Математическое моделирование» для студентов 3-го, 4-го курсов специальности «080801 -Прикладная информатика (в образовании), «050203.00 - Физика и информатика» института физики и технологии УРГППУ.

Кроме того разработанная модель оптимизации, на основе метода роя частиц, а так же алгоритмы и модели диагностики используются в ООО

Интеллект» (г. Екатеринбург). Результаты работы в виде программного обеспечения «Система диагностики и управления процессом агломерации 8 железных руд» (этап производства железорудного агломерата) (свид. № 2012619126 от 08.10.2012 и № 2012619059 от 05.10.2012) внедрены в ООО «НПО УГГУ» (г. Екатеринбург).

Апробация результатов. Основные результаты диссертационной работы докладывались и обсуждались на: Международной научно-практической конференции «Связь-пром 2011», проводимой в рамках VIII международного форума «Связь-промэкспо 2011» (г. Екатеринбург, 2011), 69-ой межрегиональной научно-технической конференции «Актуальные проблемы современной науки, техники и образования» (г. Магнитогорск, 2011), Международной научно-практической конференции «Связь-пром 2010» в рамках VII евро-азиатского форума «Связь-промэкспо 2010» (г. Екатеринбург, 2010), Международной научно-практической конференции молодых ученых и студентов проводимой в рамках международной научно-практической конференции «Уральская горная школа-регионам» (г. Екатеринбург, 2011), Всероссийской научной конференция с международным участием «Информационные технологии в горном деле» (г. Екатеринбург, 2011), Международной научно-практической конференции молодых ученых и студентов проводимой в рамках международной научно-практической конференции «Уральская горная школа-регионам» (г. Екатеринбург, 2012).

Заключение диссертация на тему "Модели и алгоритмы системы диагностики процесса агломерации железных руд"

4.6 Выводы по главе

По результатам данной главы можно сформулировать следующие основные выводы:

1 Проведено сравнение результатов применения предложенного алгоритма оптимизации с экспериментальными данными процесса и алгоритмом корректировки, основанным на балансовой основности аглошихты;

2 Предложена методика оценки эффективности работы диагностических алгоритмов и моделей, основанных на обнаружении статистических событий. Приведены расчеты среднего числа отклонений в единицу времени ^ и средней длительности выбросов для основных контролируемых показателей процесса;

3 Расчет эффективности применения моделей и алгоритмов диагностики и оптимизации позволил значительно снизить колебания основных качественных показателей агломерата по отношению к экспериментальным данным (в 5,08 раз по основности, в 4 раза по железу и в 3,9 раз по монооксиду железа) и алгоритму корректировки, основанному на балансовой основности (в 2,09 раз по основности, в 2,97 раза по железу и в 2,87 раз по монооксиду железа);

4 Сравнение фактических данных по расходам компонентов твердого топлива с расходами полученными в результате моделирования показал, что предложенный алгоритм оптимизации позволяет снизить расход твердого топлива на 3,57 %. Кроме того введение диагностических алгоритмов и моделей позволило сократить время пребывания объекта в не желательном состоянии в среднем в 2,5 раза;

5 Расчет эффективности моделей прогнозирования основных качественных показателей агломерата показал, что применение нейро-нечетких сетей позволило значительно снизить погрешность прогнозирования качественных показателей агломерата. Кроме того, включение в модель низкочастотных составляющих сигнала позволило уменьшить погрешность прогнозирования Бе и БеО еще приблизительно в 2 раза (погрешности: Рел = 0.064,БеСУ =0.147 ).

ЗАКЛЮЧЕНИЕ

В данной диссертационной работе были рассмотрены проблемы связанные с диагностикой процесса агломерации железных руд. В ходе исследовательской работы были разработаны различные модели и алгоритмы системы диагностики, которые могут быть использованы для повышения качества агломерата как за счет снижения колебания его химического состава, так и за счет разработанных моделей и алгоритмов диагностики, позволяющих сделать корректировку хода процесса более прозрачной и простой посредством снижения уровня неопределенности.

1. С точки зрения диагностики, агломерация представляет собой чрезвычайно сложный процесс. Основными причинами этого являются длительное время запаздывания, связанное с подготовкой и химическим анализом проб, наличие рециклов, сложных химико-физических превращений, происходящих с шихтой во время спекания. Оптимизация процесса агломерации на основе знаний и опыта сотрудников приводит к флуктуациям химического состава агломерата.

При этом было установлено, что сигналы, характеризующие химический состав шихты, содержат низкочастотные периодические составляющие (основность -41ч; углерод - 59 ч; БеО - 24 ч; Бе - 20 ч; СаО (известняк) - 32 ч; 8Юг (руда) - 42 ч). Кроме того выявлено, что для данных сигналов характерно наличие больше одного режима (основность - 5 режимов; углерод - 4 режима; БеО - 2 режима; СаО - 4 режима; Бе - 5 режимов), что подтверждает гипотезу о нестационарности рассматриваемых сигналов;

3. Решена задача оптимизации процесса агломерации железных руд, которая позволяет удовлетворить все ограничения, накладываемые на качественные показатели агломерата. Для решения поставленной задачи было предложено использовать гибридный метод оптимизации на основе метода роя частиц, что позволило обеспечить 99 % вероятность нахождения оптимального решения задачи;

6. Разработаны модели прогнозирования основных качественных показателей агломерата на основе нейро-нечетких сетей Такаги-Сугено. Результаты сравнения моделей нейро-нечетких сетей и авторегрессии показали, что использование нейро-нечетких сетей позволило значительно снизить погрешность прогнозирования качественных показателей агломерата. Кроме того, включение в модель низкочастотных составляющих сигнала позволило уменьшить погрешность прогнозирования Бе и БеО еще приблизительно в 2 раза (погрешности:/^ = 0.064,БеСУ =0.147 ).

Библиография Ендияров, Сергей Валерьевич, диссертация по теме Системный анализ, управление и обработка информации (по отраслям)

1. Коротич В. И., Фролов Ю. А., Бездежский Г. Н. Агломерация рудных материалов: науч. изд. — Екатеринбург: изд УГТУ - УПИ, 2003. — 400 с.

2. Клейн, В.И. Теплотехнические методы анализа агломерационного процесса / В.И. Клейн, Г.М. Майзель, Ю.Г. Ярошенко, А.А. Авдеенко. Под ред. Ю.Г. Ярошенко. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2004. - 224 с.

3. Вегман Е. Ф. Теория и технология агломерации.—М.: Металлургия, 1974. — 288 с.

4. Спекание агломерата на аглофабрике № 4 : Технологическая инструкция ТИ-101-ГОП-10-95. Магнитогорск, 2000.

5. Unaki Н., Miki К. New Control System of Sinter Plants at Chiba Works, IF AC Automation in Mining, Mineral and Metal Processing, pp. 209-216, Tokyo, Japan, 1986.

6. Zhuwu M. Automation for Ironmaking, Metallurgy Industry Press, ISBN 7-5024-3639-1, Beijing, 2005.

7. Iwada Kunihiro. Применение экспертной системы на аглофабрике № 3 в Тобата / Iwada Kunihiro // Дзайре то пуросэсу Curr. Adv. Mater, and Proc.- 1991.-№1.-С. 123.

8. Fukagama, Т. Автоматизированная система управления агломерационным процессом с искусственным интеллектом / Т. Fukagama // Кавасаки сэйтэцу тихо Kawasaki steel gino. - 1991. - №3. - С. 203-209.

9. Hamada Katsushige. Прогрессивная АСУТП агломерационным процессом / Hamada Katsushige, Murai Tatsunori, Jyoko Tadatsugu, Nakamura Yuji, Morioki Keiji // Сумитомо киндзоку Sumitomo Metals. - 1992. №1. -C. 151-160.

10. Matsuda Kouichi. Моделирование системы контроля в процессе спекания на основе теории сетей и нечетких множеств / Matsuda Kouichi,

11. Tamura Naoki, Nose Kazuo, Noda Takashi, Okata Tashihito, Osuzu Katsuji// Tetsu to Nagane J. Iron and Steel Inst. Jap. - 1992. - №7. C. 1045-1052.

12. И. Ткаченко Г.Г., Хрущев И.А. Управление качеством продукции в коксохимическом и агломерационном производствах. Бюллетень ЦНИИЧМ. Обзорная информация. Автоматизация металлургического производства. М., 1991. Вып. 3. 22 с.

13. Xiao-hui F., Xu-ling C., Tao J. Real-time operation guide system for sintering process with artificial intelligence // Journal of central south university of technology, China, vol. 12, issue 5, 2005, pp. 531-535.

14. Xiang J., Wu M. Intelligent Integrated Optimization Control Design of Comprehensive Production Indices for Sintering Process // Control Conference, China, 2007, pp. 750-754.

15. Dai-fei L., Xu-ling C. Development and Application of Sintering Process Data Mining System // Management and Service Science, Wuhan, 2009, pp. 1-4.

16. Xu-ling C., Xiao-hui F., Tao J. Operation Guidance System for Iron Ore Sintering Process // Intelligent System Design and Engineering Application, Changsha, 2010, pp. 1053-1055.

17. Xiao-hui F., Xu-ling C., Wang Y. Expert System for Sintering Process Control // Expert systems, Croatia, 2010, pp. 65-90.

18. Xiao-hui F., Lijuan J., Xu-ling C. Air Leakage Online Monitoring and Diagnosis Model for Sintering // 2012 TMS Annual Meeting & Exhibition, 3rd International Symposium on High Temperature Metallurgical Processing, United States, Florida, 2012.

19. Terpák, J., L. Doreák and I. Kostial (1997). Modelling, Monitoring and Control of the Agglomeration Process. Transactions of the Technical University of Kosice, Vol.5, No.l, pp.37-42.

20. Terpák, J., L. Doreák and I. Kostial (2002). Analyse of the combined blast furnace wind parameters. Acta Metallurgica Slovaca, Vol.8, No.4, pp.202207.

21. Vanderheyden, B. and C. Mathy (2001). Mathematical model of the sintering process taking into account different input gas conditions. Revue de Métallurgie, No.3, pp.251-257.

22. Myllymaki, P. and J. Poutiainen (2000). Sinteringn machine burn-through management by fuzzy speed control. In: Future Trends in Automation in Mineral and Metal Processing, IF AC Workshop, Finland, 22-24 August 2000, pp. 172-176.

23. Muchi, I. and J. Higuchi (1972). Theoretical Analysis of Sintering Operation. Transaction ISIJ, Vol.12, pp. 54-63.

24. Kyseová, К. and J. Surisin (1998). Chemical Analysis of Complex Metallurgical Systems. Acta Metallurgica Slovaca, Vol.4, No.l, pp.150-152.

25. Kwon, W.H., Y.H.Kim, S.J.Lee, and K.N.Paek (1998). Event-Based Modeling and Control for the Burnthrough Point in Sintering Processes. IEEE Tr. Control System Technology, Vol.6, No.6, pp. 172-176.

26. Kostial, I., J. Terpák, L. Doreák, P. Nemovsky (1998). Sintering process control. In: Preprints of the 9th IF AC Symposium, Cologne, Germany, 1-3 September 1998, pp. 163-167.

27. Kostial, I. and L. Doreák (1988). Application of New Radiative Heat Transfer Models for Simulation and Control of Heat Devices. In: Proceedings of 12th IMACS World Congress, Paris, France, Vol.2, pp. 367-369.

28. Техническая диагностика объектов контроля /В.В Карибский, П.П. Пархоменко М.; Энергия, 1967.-80с.

29. Проблемы автоматизации агломерационного производства: Материалы всесоюзной конференции/ Ин-т автоматики; Ред. Н.В. Федоровский. -Киев, 1973.-374 с.

30. Мозгалевский А.В. Техническая диагностика устройств и систем управления -Л.; 1972 29с.

31. Баширов М.Г., Сайфутдинов Д.М., Филимошкин В.А. «Диагностика насосного оборудования по параметрам электромагнитной цепи электропривода»//Современныенаукоемкие технологии, 2004,№2 с. 142144.

32. Kostial I., Doreak L., Terpak J. Optimal control of the sintering process // Proceedings of the 16th IF AC World Congress, vol. 16, part 1, Czech Republic, 2005.

33. Langer M., Vogel B. Synthesis of plantwide quality prediction system for a sintering plant // 15th Triennial World Congress, Barcelona, Spain, vol. 15, Part 1,2002.

34. Sintering technologies Electronic resource. / Outotec: more out of ore -Mode of access: http://www.outotec.com/36252.epibrw

35. Sinter solutions Electronic resource. / Technology, mechanics, automation and electrical engineering from a single source Mode of access: http://www.industry.siemens.com/datapool/industry/industrysolutions/meta ls/simetal/en/Sinter-Solutions-en.pdf

36. Малыгин A.B., Зобнин Б.Б., Головырин С.С., Сурин A.A., Невраев В.П., Гуркин М.А., Катаев PJL Система управления качеством агломерата // Сталь, N 1, 2005.

37. Ершов, Е.В. Анализ гранулометрического состава агломерата с использованием методов обработки изображений Текст. / Е.В. Ершов, В.В. Селивановских, О.Г. Ганичева, В.В. Плашенков // Известия вузов. Приборостроение. 2007. Т. 50, № 8. С. 65 - 68.

38. Ершов, Е.В. Анализ макроструктуры агломерата в реальном масштабе времени / Е.В. Ершов, Е.В. Королева // Прогрессивные процессы и оборудование металлургического производства: Материалы 2-й Всероссийской НТК. Череповец: ЧТУ, 2001. - С. 35-36.

39. Ершов, Е.В. Контроль процесса спекания шихты на агломерационной машине с использованием методов обработки изображений на ЭВМ Текст. / А.И.Потапов, Е.В. Ершов, О.Л.Селяничев //Дефектоскопия. 1995.-№6.-С.19-21.

40. Feigenbaum Е. A. The art of artificial intelligence: Themes and case studies of knowledge engineering//The fifth International Joint Conference on Artificial Intelligence. Boston: MIT, 1977. - P. 1014-1029.

41. Newell A., Simon M.A. Human problem solving. Englewood Cliffs, New Jersey: Prentice-Hall, 1972.

42. Harmon P. The Market for intelligent Software Products Intelligent Software Strategies, 1992. V.8. '2. - P.5 -12.

43. March Headline: JavaScript surpasses Perl and Python Electronic resource. / TIOBE Programming Community Index for March 2012 Mode of access: http://www.tiobe.com/index.php/content/paperinfo/tpci/index.html

44. Попов Э.В. Статические и динамические экспертные системы: Учеб. пособие/Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. - 320с.: ил.

45. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного проектирования. Паттерны проектирования. — СПб: Питер, 2001. — 368 е.: ил. (Серия «Библиотека программиста»)

46. Forsyth R. Expert Systems: Principles and Case Studies, ed. Forsyth R, Chapman and Hall Ltd, 1989.

47. Lassila O., Swick R. Resource Description Framework (RDF) Model and Syntax Specification. W3C recommendation, Feb.1999, http://www.w3.org/TR/1999/REC-rdfsyntax-19990222.

48. Brickley D., Guha R.V. Resource Description Framework (RDF) Schema Specification. W3C proposed recommendation, Mar. 1999, http://www.w3.org/TR/1999/PR-rdf-schema-19990303.

49. Champin P. RDF Tutorial. http://www710.univlyonl. fr/~champin/rdf-tutorial/. 2001.

50. RDFCore: Resource Description Framework (RDF) Schema Specification 1.0

51. Horrocks P. I., Patel-Schneider and F. van Harmelen. From SHIQ and RDF to OWL: The making of a Web Ontology Language. http://www.cs.man.ac.uk/~horrocks/Publications/download/2003/HoPH03a.pdf

52. OWL Web Ontology Language. Overview. http://www.w3.org/TR/2004/REC-owl-features-20040210/.

53. Khondoker M., Mueller P. Comparing Ontology Development Tools Based on an Online Survey // Proceedings of the World Congress on Engineering, vol. 1, London, U.K., 2010.

54. Отнес P., Эноксон Л. Прикладной анализ временных рядов. Основные методы: — М.: Мир, 1982. 428 с.

55. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения: В 2 т./ Пер. с англ. Ф. М. Писаренко с предисловием А. М. Яглома М.: Мир, 1971.- 158 с.

56. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. Выпуск 1. М.: Мир, 1974. 390 с.

57. Петере Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка. М.: Мир, 2000.-333 с.

58. Craymer М. R. The least squares spectrum, its inverse transform and autocorrelation function: theory and some applications in geodesy. Ph.D. Dissertation, University of Toronto, Canada, 1998. 159 p.

59. Ендияров С. В. Современный подход к анализу периодических составляющих временных рядов // В мире научных открытий: серия «Математика. Механика. Информатика». Красноярск. Февраль. 2012. N 1. С. 20-30.

60. Ендияров С. В. Автоматическая идентификация периодических составляющих временного ряда на основе конечного множества подходов //

61. Перспективы развития информационных технологий: сб. материалов V междунар. научно-практ. конф. Новосибирск. С. 31-36.

62. Yendiyarov S., Petrushenko S. Robust Probabilistic Online Change detection Algorithm based on the Continuous Wavelet Transform // World Academy of Science, Engineering and Technology, France, Issue 60, December 2011, pp. 1810-1814.

63. Burrus C., Ramesh A. Introduction to wavelets and wavelet transforms: A Primer/ C. Burrus, A. Ramesh. USA.: Prentice hall, 1998. - 281 P

64. И.М.Дремин, О.В.Иванов, В.А.Нечитайло. Вейвлеты и их использование. Успехи физических наук. Т. 171, №5. 2001.

65. В.П.Дьяконов. MATLAB 6.0/6.1/6.5/6.5+SP1 + Simulink 4/5. Обработка сигналов и изображений. М.: СОЛОН-Пресс, 2005. - 592 с.

66. Л.В.Новиков Основы вейвлет-анализа сигналов. Учебное пособие. Санкт-Петербург.: Модус, 1999. - 152 с.

67. А.А.Шевченко, Е.В.Битюкова. Применение вейвлет-анализа при обработке данных ВСП. Технологии сейсморазведки, № 2, 2006.

68. Маллат С. Вэйвлеты в обработке сигналов. М.: Мир, 2005.

69. Holschneider М. Wavelets: An Analysis Tool. Oxford University Press, 2005.

70. Короновский А. А., Храмов A. E. Анализ хаотической синхронизации динамических систем с помощью вейвлетного преобразования // Письма в ЖЭТФ. 2004. Т. 79, № 7. С. 391-395.

71. Koronovskii A. A., Hramov А. Е. Time scale synchronization of chaotic oscillators // Physica D. Vol. 206, № 3-4. P. 252-254.

72. Постников Е. Б. Вычисление непрерывного вейвлет-преобразования как решение задачи Коши для системы дифференциальных уравнений в частных производных // Журнал вычислительной математики и математической физики. 2006. Т. 46, № 1. С. 77-82.

73. Skeel R. D., Berzins М. A method for the spatial discretization of parabolic equations in one space variable // SIAM Journal on Scientific & Statistical Computing. 1990. Vol. 11. P. 1-32.

74. Постников Е. Б. О точности синхронизации вейвлетной фазы хаотических сигналов // ЖЭТФ. 2007. Т. 132, № 3. С. 742-745.

75. Permann D., Hamilton I. Wavelet analysis of time series for the Duffing oscillator: The detection of order within chaos // Physical Review Letters. 1992. Vol. 69. P. 2607-2610.

76. Новиков JI.B. Основы вейвлет-анализа сигналов. С.-Пб., Изд-во СПбГТУ, 1999.

77. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения // Успехи физических наук. 1998- Т. 166. - № 11. - С. 11451170.

78. Будников Е.Ю., Кукоев И.Ф., Максимов А.В. Вейвлет- и Фурье-анализ электрических флуктуаций в полупроводниковых и электрохимических системах // Измерительная техника. 1999. - № 11. - С. 40-44.

79. Гречихин В.А., Евтихиева O.A., Есин М.В., Ринкевичус Б.С. Применение вейвлет-анализа моделей сигналов в лазерной доплеровской анемометрии // Автометрия, 2000. № 4. - С. 51-58.

80. Дольников В.А., Стрелков H.A. Оптимальные вейвлеты // Изв. Тульского гос. ун-та, серия математика, механика, информатика, 1997. т. 4. -№ 5. - С. 62-66.

81. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их использование//Успехи физических наук, 2001. т. 171.-№ 5. -С. 465-501.

82. Дремин И.М.,Иванов О.В., Нечитайло В.А. Практическое применение вейвлет-анализа // Наука производству, 2000. № 6. - С. 13-15.

83. Желудев В.А. О цифровой обработке сигналов при помощи сплайн-вейвлетов и вейв лет-пакетов // ДАН, 1997. т. 355.-№5.-С. 592596.

84. Захаров В.Г. Разработка и применение методов вейвлет-анализа к нелинейным гидродинамическим системам: Дис. . канд. физ.-мат. наук.-Пермь, 1997.-84 с.

85. Иванова Т.И., Шишенков В.А. Вейвлет-спектр новый инструмент для диагностики / Сб. матер. Межд. научн.-техн. конф. «Новые материалы и технологии на рубеже веков». - Пенза, 2000. - Ч. 2. - С. 187189.

86. Петухов А.П. Введение в теорию базисов всплесков. С.-Пб., Изд-во СПбГТУ, 1999.

87. Алексеев К.А. Метрологическое обеспечение датчиков переменных давлений с использованием пакета Wavelet Toolbox // Датчики систем измерения, контроля и управления, ИИЦ ПТУ, 2001.

88. Астафьева Н.В. Вейвлет-анализ: основы теории и примеры применения // УФН, 1996, №11, с. 1145 1170.

89. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их применение // УФН, 2001, №5, с.465 501.

90. Алексеев К.А. Модели и алгоритмы вейвлет-обработки сигналов датчиков с применением лифтинга. Ч. 1 Теоретические основы лифтинга // Датчики и системы, 2002, №1, с. 3 - 9.

91. Алексеев К.А. Модели и алгоритмы вейвлет-обработки сигналов датчиков с применением лифтинга. 4.2 Численное моделирование // Датчики и системы, 2002, №2, с. 2 - 5.

92. Алексеев К.А. Вейвлет-ряды в задаче оценивания собственных частот датчиков // Датчики и системы, 2001, №12, с. 2 5.

93. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. Кемеровский госуниверситет, Кемерово, 2003.

94. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования. СПб.: Изд-во ВУС, 1999. - 208 с.

95. Новиков JI.B. Основы вейвлет-анализа сигналов. Учеб. пособие. СПб.: Изд-во 000 «МОДУС», 1999. - 152 с.

96. Петухов А.П. Введение в теорию базисов всплесков. СПб.: Изд-во СПбГТУ, 1999. - 132 с.

97. Истомина Т.В.,Чувыкин Б.В., Щеголев В.Е. Применение теории wavelets в задачах обработки информации: Монография. Пенза: Изд-во Пенз. Гос. ун-та, 2000. - 188 с.

98. Добеши И. Десять лекций по вейвлетам. Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

99. Чуй Т.К. Введение в вейвлеты. М.: Мир, 2001. - 412 с. Дьяконов В.П., Абраменкова И.В. MATLAB. Обработка сигналов и изображений. Специальный справочник. - СПб.: Питер. 2002. - 608 с.

100. Дьяконов В.П. Вейвлеты. От теории к практике. М.: COJIOH-Р, 2002.-446 с.

101. Столниц Э., ДеРоуз Т., Салезин Д. Вейвлеты в компьютерной графике. Теория и приложения. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2002. - 272 с.

102. Popov A., Zhukov M., Computation of continuous wavelet transform of discrete signals with adapted mother functions, Proceedings of the SPIE, Volume 7502 , pp. 75021E-75021E-6, 2009.

103. Математическая статистика: Учебник/Иванова B.M., Калинина В. Н., Нешумова JL А. и др. 2-е изд, перераб. и доп. - М.: Высш. школа, 1981. - 371 е., ил.

104. Обнаружение изменения свойств сигналов и динамических систем: Пер. с англ./М. Бассвиль, А. Вилски, А. Банвенист и др.; Под ред. М. Бассвиль, А. Банвениста. М.: Мир, 1989. - 278 е., ил.

105. Zobnin В., Yendiyarov S., Petrushenko S. Design of a wavelet based data mining technique // Buletinul Institutului Politehnic din Ia§i, Automatic Control and Computer Science Section, Romania, Issue 1, March, 2012, pp. 2749.

106. Зобнин Б. Б., Головырин С.С., Катаев P.JI. Прогнозирование основности агломерата в условиях ОАО «Северсталь» // Прогрессивные процессы и оборудование металлургического производства. Материалы IV Международной конференции, Череповец, 2003, с. 301-303.

107. Шупов Л.П. Математические модели усреднения. М.: Недра, 1978.-287с.

108. Graupe D. Principles of artificial neural networks (2nd Edition), World Scientific Publishing, Chicago, USA, 2007, pp. 320.

109. Пегат А. Нечеткое моделирование и управление / А. Пегат ; пер. с англ. — М. : БИНОМ. Лаборатория знаний, 2009. — 798 с. :ил. — (Адаптивные и интеллектуальные системы).

110. Kulkarni A.D., Cavanaugh С. Fuzzy Neural Network Models for Classification // Applied Intelligence, USA, vol. 18, N. 3, March, 2000, pp. 207215.

111. Зевин С.Л., Науменко B.B., Ищенко А. Д., Ищенко С. А. Способ стабилизации основности агломерата // Патент России № 2117056.1998.

112. Singiresu S. R. Engineering Optimization: Theory and Practice, A John Wiley & Sons, Inc., New York, 2009, pp. 710.

113. Kennedy J., Eberhart R. C. Swarm intelligence: collective, adaptive, Academic Press, USA, San Francisco, 2001, pp. 541.

114. Зайченко, Ю. П. Исследование операций Текст.: учебное пособие / Ю. П. Зайченко. 2-е изд., перераб. и доп. - К. : Вища шк., 1979. -392 с.

115. Wang J. Computational Intelligence in Manufacturing Handbook, CRC Press LLC, Boca Raton, Florida, 2001, pp. 560.

116. Bassville M., Nikiforov I. V. Detection of abrupt changes. Theory and application., Pretince-Hall, Englewood Cliffs, New Jersey, 1993, pp. 469.

117. Montgomery D. C. Introduction to Statistical Quality Control, Sixth Edition, John Wiley & Sons, Inc., USA, Jefferson City, 2009, pp. 754.

118. Siegmund D. Sequential Analysis: Tests and Confidence Intervals, Springer-Verlag, New York, 1985, pp. 292.

119. Montgomery D. C. Applied statistics and probability for engineers, Third Edition, John Wiley & Sons, Inc., USA, Jefferson City, 2003, pp. 822.

120. Gao R X. Wavelets: Theory and Applications for Manufacturing, Springer Science+Business Media, USA, New York, 2011, pp. 231.

121. Van Fleet P. J. Discrete wavelet transformations: an elementary approach with applications John Wiley & Sons, Inc., Hoboken, New Jersey, 2008, pp. 571.

122. Гнеденко Б. В., Коваленко И. Н. Лекции по теории массового обслуживания, КВИРТУ, 1963. 109 с.

123. Стратонович Р. Л. Избранные вопросы теории флюктуации в радиотехнике. М., «Советское радио»,'1961. 326 с.

124. Гнеденко Б. В., Беляев Ю. К., Соловьев А. Д. Математические методы в теории надежности. М., «Наука», 1965. 624 с.

125. Саати Т. П. Элементы теории массового обслуживания и ее

Похожие работы

Информатика, вычислительная техника и управление
05.13.00