автореферат диссертации по энергетике, 05.14.04, диссертация на тему:Научные основы повышения энергоэффективности теплотехнологических установок и систем при недостаточном информационном обеспечении

На правах рукописи

005051

ГОРБУНОВ ВЛАДИМИР АЛЕКСАНДРОВИЧ

НАУЧНЫЕ ОСНОВЫ ПОВЫШЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТИ ТЕПЛОТЕХНОЛОГИЧЕСКИХ УСТАНОВОК И СИСТЕМ ПРИ НЕДОСТАТОЧНОМ ИНФОРМАЦИОННОМ ОБЕСПЕЧЕНИИ

Специальность: 05.14.04 — Промышленная теплоэнергетика

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

4 АПР 2013

Иваново 2013

005051308

Работа выполнена на кафедре «Энергетика теплотехнологий и газоснабжения» федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Ивановский государственный энергетический университет имени В.И. Ленина» (ИГЭУ)

Официальные оппоненты: Попов Станислав Константинович - доктор технических наук, профессор; ФГБОУ ВПО «Национально-исследовательский университет «Московский энергетический институт», профессор кафедры «Энергетика высокотемпературных технологий» института проблем энергетической эффективности

Сокольский Анатолий Иванович - доктор технических наук, профессор, заведующий кафедрой «Тепло-газоснабжение и вентиляция» ФГБОУ ВПО «Ивановский государственный политехнический университет»;

Соколов Анатолий Константинович - доктор технических наук, профессор, профессор кафедры «Безопасность жизнедеятельности» ФГБОУ ВПО «Ивановский государственный энергетический университет имени В.И. Ленина»

Ведущая организация: ООО «Институт Стальпроект», г. Москва.

Защита состоится « Ц » мая 2013 года в 11 часов на заседании диссертационного совета Д 212.064.01 при Ивановском государственном энергетическом университете по адресу: 153003, г. Иваново, ул. Рабфаковская, 34, корпус «Б», аудитория 237.

С диссертацией можно ознакомиться в библиотеке Ивановского государственного энергетического университета. Автореферат диссертации размещен на сайте ИГЭУ www.ispu.ru

Отзывы на автореферат в двух экземплярах, заверенные печатью организации, просим присылать по адресу: 153003, г. Иваново, ул. Рабфаковская, 34, Ученый совет ИГЭУ. Тел.: (4932) 38-57-12, факс: (4932) 38-57-01. E-mail: uch_sovet@ispu.ru.

Автореферат разослан «_»_2013 г.

Ученый секретарь

диссертационного совета Д 212.064.01 доктор технических наук, профессор (-^7 Шувалов Сергей Ильич

4

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследований. Повышение энергоэффективности и энергосбережение относятся к важнейшим направлениям модернизации российской экономики. В области промышленной теплоэнергетики повышение энергетической эффективности как на стадии проектирования при принятии решений, так и на стадии эксплуатации оборудования является актуальной задачей. Качество принимаемых решений на стадии проектирования теплотехнологических установок (ТТУ) зависит от инструментария, который используется в этой области. Во время эксплуатации теплотехнологических и энергетических установок возникают проблемы, связанные с качеством производимой продукции и повышением энергоэффективности ТТУ. Для этих целей активно используется математическое моделирование. Математические модели процессов строятся на основе решения систем дифференциальных, а иногда интегродифференциальных уравнений. Для решения таких систем в основном используются численные методы.

При эксплуатации теплотехнологических и энергетических установок и систем для решения задач повышения их энергоэффективности часто важна скорость обработки информации. Применение нейросетевых моделей, обученных на основе использования экспериментальных данных либо результатов моделирования, полученных на математических моделях, позволяет решать эти задачи.

Математические модели, имеющие сложную структуру алгоритма (ресурсоём-кость таких задач увеличена), трудно использовать для оптимизации режимов эксплуатации установок. Задача оптимизации усложняется, если установки объединены в теплотехнологическую систему. В этом случае оптимизация носит многоуровневый характер. В качестве первого уровня в такой системе рассматривается оптимизация режима работы одной ТТУ, а в качестве второго уровня - оптимизация режима работы системы установок. Для группы установок энергоэффективность повышается за счёт снижения затрат энергии при переходе от одного режима работы к другому. В этом случае оптимизируется выбор установки для обработки металла, очередность обработки заготовок различных типоразмеров. При такой постановке вопроса многократно увеличивается ресурсоёмкость задачи. Для принятия решения с учётом двух и более уровней оптимизации можно эффективно использовать нейросетевые модели.

В последнее время для моделирования теплотехнологических и энергетических установок всё активнее используются мультифизические численные пакеты программ, такие как Апвув, РктУшоп, РЬоешся и др. Для математических моделей теплотехнологических и энергетических установок, построенных с использованием этих пакетов, решение задач оптимизации, направленной на повышение энергоэффективности, вызывает ряд затруднений. В работе предложен метод, позволяющий повысить на несколько порядков вычислительную эффективность решения таких задач по сравнению с эффективностью метода сканирования и в 4 - 7 раз по сравнению с технологией ЮвО, основанной на адаптивном изменении текущей области поиска. Метод построен па основе генетического алгоритма.

Обоснование соответствия содержания диссертации паспорту специальности. В соответствии с формулой специальности 05.14.04 - «Промышленная теплоэнергетика» ведется поиск структур и принципов действия теплотехнического оборудования, которые обеспечивают сбережение энергетических ресурсов, уменьшение энергетических затрат на единицу произведённой продукции, сбережение мате-

риальных ресурсов, направляемых на изготовление теплопередающего и теплоис-пользуюшего оборудования, защиту окружающей среды.

В диссертации, в соответствии с п. 1 паспорта специатьности области исследования «Разработка научных основ сбережения энергетических ресурсов в промышленных теплоэнергетических устройствах и использующих тепло системах и установках», разработаны положения знаний. Они используются для повышения энергоэффективности теплотехнологических установок и систем при недостаточном информационном обеспечении, когда классические методики оказываются м&тоэф-фективными для решения многих практических задач. Связано это с тем, что часто невозможно достаточно полно описать реальность процессов, имеется небольшое число экспериментальных параметров для моделирования либо моделирование требует слишком много времени и вычислительных ресурсов. Эти задачи можно решить на базе применения инструментария нейросетевой технологии.

Для совершенствования расчётов, в соответствии с п. 3 паспорта специальности области исследования, разработан метод, позволяющий повысить эффективность использования многоцелевых вычислительных комплексов для моделирования теп-лообменных установок на основе определения точности результатов моделирования на стадии постановки задачи; разработана методика использования нейросетевой технологии при выборе энергоэффективного технического решения при реконструкции ТТУ; разработаны нейросетевые технологии, которые на базе данных промышленных экспериментов позволяют, в соответствии с п. 5 паспорта специальности области исследования, получить рациональные режимы работы оборудования кузнечных цехов и утилизационного оборудования доменных цехов (газовых утилизационных турбин). Предложена методика, позволяющая повысить энергоэффективность теплотехнологического оборудования кузнечных производств на основе оптимизации на первом уровне установки печь - молот и применения параметра стабилизации температурного режима печей для решения задачи оптимизации второго уровня для работы группы установок с учетом оптимального взаимодействия между ними. При обучении нейросети с использованием результатов математического моделирования по предложенной методике разработана нейросетевая программа, позволяющая получить оптимальные решения при эксплуатации теплотехнологического оборудования кузнечных производств. В диссертационной работе, в соответствии с пп. 3 и 5 паспорта специальности области исследования, разработана методика оптимизации суммарного расхода топлива на цикл работы камерной садочной печи, смоделированной на основе решения сопряженной задачи теплообмена в системе газ—кладка—металл.

Целью работы является повышение энергетической эффективности теплотехнологических установок и систем при недостаточном информационном обеспечении на основе применения нейросетевой технологии для совершенствования их математического моделирования.

Достижение поставленной цели предусматривает решение ряда научных и практических задач:

- обоснование эффективности и области использования методов и методик, построенных на основе применения инструментария нейросетевой технологии, для

повышения энергоэффективности теплотехнологических установок и систем при недостаточном информационном обеспечении;

— разработка и реализация метода на базе использования нейросетевой технологии, повышающей эффективность моделирования задач нагрева и моделирования камерных нагревательных печей в многоцелевых вычислительных комплексах;

- разработка и реализация методики повышения энергоэффективности работающих теплотехнологических (нагревательных печей) и энергетических (газовых утилизационных турбин) установок при недостаточном информационном обеспечении;

— разработка математических моделей ТТУ печь — молот и печь- молот - рекуператор с оптимизацией их работы и методики выбора технического решения по установке рекуператора с учётом номенклатуры обрабатываемых изделий на основе использования нейросетевой технологии;

— разработка сценария моделирования кузнечного производства на основе решения двухуровневой задачи оптимизации, для эффективной реализации которого использована нейросетевая технология;

- создание и реализация эффективной методики оптимизации расхода топлива при нагреве металла в садочных камерных печах.

Научная новизна работы состоит в следующем.

1. Разработан научно обоснованный подход к эффективности и области использования методов и методик моделирования на основе инструментария нейросетевой технологии для решения задач энергоэффективности с недостаточным информационным обеспечением, включающий:

— качественный анализ повышения потребительских свойств нейросетевого моделирования для поставленных и решённых задач повышения энергетической эффективности по сравнению с традиционным классическим моделированием;

- оценку точности нейросетевого моделирования по сравнению с линейным и множественным регрессионным моделированием;

— признаки, при которых моделирование объектов предпочтительнее с использованием нейросетевой технологии;

- анализ этапов разработки нейросетевых моделей для выявления предпочтительного инструментария из значительного многообразия технологий нейросетевого моделирования.

Разработанный универсальный научно обоснованный подход составил общую основу решения задач повышения энергетической эффективности теплотехнологических установок и систем с недостаточным информационным обеспечением, которые ранее не решались.

2. Разработан и исследован метод повышения эффективности использования многоцелевых вычислительных комплексов. Метод нейросетевой технологии позволяет повысить эффективность использования многоцелевых вычислительных комплексов на стадии постановки задачи.

На основе этого метода разработаны методики:

- прогнозирования - точности вычислений параметров качества нагрева. Методика основана на применении результатов 1 Э-моделирования и использовании известных аналитических решений при нагреве металла с граничными условиями первого и второго рода;

— прогнозирования - точности вычислений параметров качества нагрева в камерных нагревательных печах. Методика основана на результатах ЗВ-моделирования печей и промышленных экспериментальных данных.

На базе этого метода получены математические программы, позволяющие при решении задач нагрева в комплексе РИоетсБ определить для заданной точности решения значения настроечных коэффициентов, и программа, позволяющая верифицировать математическую ЗБ-модель камерной нагревательной печи в диапазоне данных, используемых для обучения нейросети.

3. Разработаны математические модели теплотехнологических установок печь -молот и печь - молот -рекуператор, позволяющие оптимизировать режимы работы установок с учётом технологических ограничений. Работа установки в единой системе учитывает работу молота и теплообменника для подогрева воздуха. Использование этих моделей дало возможность разработать методику и математическую программу на основе нейросетевой технологии, позволяющие обосновать экономическую целесообразность применения в установке печь - молот теплообменника для подогрева воздуха.

4. Разработаны методики получения нейросетевых моделей, обученных на основе данных промышленных экспериментов газовой утилизационной бескомпрессорной турбины (ГУБТ) и камерной нагревательной печи. Нейросетевые модели использовались для повышения энергоэффективности установок,

5. Предложена методика построения математической модели кузнечного производства на основе параметра стабилизации, позволяющая разделить математическую модель кузнечного производства на два уровня оптимизации: на первом уровне в качестве целевой функции оптимизации используется минимум себестоимости цехового передела, а на втором уровне - минимум издержек цехового передела. С применением этой методики разработана математическая программа работы кузнечного производства, позволяющая определять технически обоснованные энергоэффективные режимы работы установок. Для повышения качества моделирования при недостаточном информационном обеспечении работы кузнечного производства разработана методика на основе нейросети, обученной с помощью этой программы.

6. Предложен и разработан наследственный (генетический) алгоритм оптимального нагрева металла в камерной термической печи с садочной загрузкой, где подача газа осуществляется импульсами с минимальным и максимальным расходом газа. В качестве целевой функции используется минимальный суммарный за периоды нагрева и выдержки расход топлива. Задача оптимизации сводится к выбору режима подачи расхода газа. Выполнена оценка влияния на результаты оптимизации количества часов простоя печи перед началом её работы и диапазона между минимальным и максимальным расходом газа. Проведена оценка влияния количества варьируемых параметров на погрешность результатов оптимизации.

Практическая значимость работы. Разработанные автором математические модели и алгоритмы реализованы в виде программных продуктов. Они могут широко использоваться на машиностроительных (в кузнечном и термическом) производствах и металлургических (в газовых цехах) предприятиях.

С помощью математической модели разработаны режимно-технологические карты нагрева заготовок в оптимальном режиме работы установки печь - молот для кузнечного цеха Ивановского станкостроительного производственного объединения

(ИСПО). Разработаны и внедрены технологические карты нагрева для кузнечного цеха ОАО «Завод имени В. А. Дегтярёва», г. Ковров. Разработаны режимы для существующей схемы ГУБ'Г-25 с учётом технических и технологических ограничений, связанных с работой сопряжённого с турбиной оборудования: доменной печи, участка газовой очистки и участка газовой сети. Использование программы по предложенному алгоритму позволяет газовому цеху вести документацию по нормированию энергоиспользования доменного газа для получения электрической энергии. На основании математического моделирования с использованием статистических экспериментальных данных разработаны режимные карты по эффективной эксплуатации турбины.

Основные теоретические положения и практические результаты работы легли в основу книги «Использование нейросетевых технологий для повышения энергетической эффективности ТТУ».

Достоверность и обоснованность результатов работы обеспечивается комплексным системным подходом к описанию численных математических моделей ТТУ и процессов, происходящих в них, использованием классической теории теплопроводности, большим объемом опытных данных, сходимостью результатов моделирования при верификации моделей с теоретическими аналитическими решениями и экспериментальными исследованиями, совпадением отдельных результатов с данными других авторов.

Автор защищает:

— научные основы повышения энергетической эффективности теплотехнологи-ческих установок и систем при недостаточном информационном обеспечении на базе методологии выбора и внедрения инструментария нейросетевой технологии для их математического моделирования;

— метод повышения эффективности использования многоцелевых вычислительных комплексов для моделирования задач теплообмена, основанный на определении точности моделирования на стадии постановки задачи;

— расчетный алгоритм и методику моделирования ТТУ печь — молот и печь — молот - рекуператор, позволяющие оптимизировать режимы работы установок с учётом технологических ограничений;

— методику, разработанную на основе нейросетевой технологии, позволяющую проводить обоснование целесообразности применения в установке печь -молот теплообменника для подогрева воздуха;

— методику повышения энергоэффективности работающих теплотехнологиче-ских и энергетических установок с недостаточным информационным обеспечением на основе использования полученных нейросетевых моделей, которые были обучены по данным промышленных экспериментов. Методика применялась для повышения энергоэффективности использования доменного газа в ГУБТ, а также повышения энергоэффективности режимов работы камерных нагревательных печей при соблюдении параметров качества нагрева;

— методику повышения энергетической эффективности камерных нагревательных печей на основе их эффективного моделирования в многоцелевых вычислительных комплексах с использованием нейросетевой технологии с прогнозированием точности результатов моделирования - параметров качества нагрева при модели-

ровании режимов работы камерных нагревательных печей кузнечного производства -в многоцелевых вычислительных комплексах на стадии постановки задачи;

- методику построения математической модели кузнечного производства на основе параметра стабилизации, позволяющую разделить математическую модель кузнечного производства на два уровня оптимизации: на первом уровне в качестве целевой функции оптимизации используется минимум себестоимости цехового передела, а на втором уровне — минимум издержек цехового передела;

- методику, позволяющую определять энергоэффективные технически обоснованные режимы работы установок при недостаточном информационном обеспечении, построенную на основе нейросетевой технологии, в которой процесс обучения осуществлялся с помощью результатов, полученных на сложной математической модели кузнечного производства с двухуровневой оптимизацией;

- расчетный алгоритм создания энергоэффективных режимов работы камерных термических садочных печей с построенной на основе наследственного (генетического) алгоритма оптимизацией суммарного расхода топлива на цикл работы печи. В качестве целевой функции используется минимальный суммарный за периоды нагрева и выдержки расход топлива. Задача оптимизации сводится к выбору режима импульсной подачи расхода газа.

Личный вклад автора заключается:

• в разработке научных основ повышения энергетической эффективности теп-лотехнологических установок и систем при недостаточном информационном обеспечении на базе методологии обоснования подхода к выбору и внедрению инструментария нейросетевой технологии для улучшения качества потребительских свойств моделирования по сравнению с моделями, построенными на основе использования дифференциальных уравнений;

• в разработке методики повышения эффективности использования многоцелевых вычислительных комплексов, которая позволяет определять при решении задач теплообмена точность результатов решения на стадии постановки задачи по сравнению с аналитическими решениями;

• в разработке математических моделей ТТУ печь — молот и печь - молот -рекуператор, позволяющих оптимизировать режимы работы установок с учётом технологических ограничений;

• в разработке методики на основе нейросетевой технологии. Эта методика позволяет делать заключение о целесообразности применения в установке печь - молот теплообменника для подогрева воздуха;

• в участии в проведении промышленных испытаний и разработке методики повышения энергоэффективности эксплуатации ТТУ и ГУБТ на основе использования полученных нейросетевых моделей;

• в разработке методики и расчетного алгоритма прогнозирования точности вычисления параметров качества нагрева при моделировании режимов работы камерных нагревательных печей кузнечного производства в многоцелевых вычислительных комплексах;

• в разработке методики построения математической модели кузнечного производства на основе параметра стабилизации с использованием двухуровневой оптимизации: на первом уровне — установки и на втором - производства в целом;

• в разработке алгоритма математической модели камерной термической печи с садочной загрузкой с оптимизацией суммарного расхода топлива на цикл работы печи;

• в разработке наследственного (генетического) алгоритма оптимального нагрева металла в садочной печи, где в качестве целевой функции используется минимальный суммарный за периоды нагрева и выдержки расход топлива.

Апробация работы. Основные положения и результаты работы представлялись на следующих конференциях: II, IV,VIII, IX, XI, XII, XIII, XIV, XV международных научно-технических конференциях «Состояние и перспективы развития электротехнологии» («Бенардосовские чтения») (г. Иваново, 1985, 1989, 1997, 1999, 2003, 2005, 2007, 2009, 2011 гг.), научно-техническом семинаре «Математическое моделирование процессов и аппаратов» (г. Иваново, 1990 г.), III, IV, VI всероссийских научно-практических конференциях «Повышение эффективности теплоэнергетического оборудования» (г. Иваново, 2002, 2005, 2011гг. и г. Санкт-Петербург, 2012 г.), 2-й, 3-й всесоюзных научно-технических конференциях «Проблемы энергетики тепло-технологии» (г.Москва, МЭИ, 1987, 1991 гг.), 11, 12, 13, 14, 15-й международных научно-технических конференциях студентов и аспирантов «Радиоэлектроника, электроника и энергетика» (г. Москва, МЭИ, 2005, 2006, 2007, 2008, 2009 гг.), 2-й Всесоюзной конференции «Торкретирование и повышение стойкости футеровки металлургических агрегатов» (г. Липецк, 1988 г.), семинаре «Новые решения в конструировании и эксплуатации систем теплогазоснабжения» (г. Пенза, 1991 г.), республиканских конференциях «Теория и практика тепловой работы металлургических печей», «Повышение эффективности использования топливно-энергетических ресурсов в черной металлургии» (г. Днепропетровск, ДМетИ, 1988, 1989 гг.), международной конференции «Экология и теплотехника-1996» (г. Днепропетровск, Украина, 1996 г.), международной научно-технической конференции «Проблемы печной теплотехники» (г. Днепропетровск, Украина, ГМАУ, 1999 г.), международной молодёжной научной конференции «XII 'Гуполевские чтения» (г. Казань, 2004 г.), 6-й Всероссийской научно-практической конференции «Энергетики и металлурги настоящему и будущему России» (г. Магнитогорск, 2005г.), всероссийских научно-технических конференциях «Энерго- и ресурсосбережение. Нетрадиционные и возобновляемые источники энергии» (г. Екатеринбург, 2008, 2010 -2011гг.).

Публикации. Основное содержание работы отражено в 89 публикациях, в том числе в 1 монографии, 4 учебных пособиях, 28 научных статьях, 3 авторских свидетельствах на изобретение, 53 тезисах докладов.

Содержание и объем работы. Диссертация состоит из введения, семи глав, выводов и списка литературы, включающего 448 наименований и 38 приложений. Работа изложена на 435 страницах, содержит 99 рисунков и 40 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, определены ее цель и задачи, указана научная новизна и практическая значимость.

В первой главе дан анализ состояния и путей совершенствования печей машиностроения и их энергетических показателей. Кузнечные печи являются мелкими единичными потребителями топлива в стране. Большинство печей в кузнечно-штамповочном производстве (КШП) морально устарело и не оборудовано устройствами, которые обеспечивают режим нагрева по оптимизированной программе. По-

этому работа печей осуществляется с несовершенной технологией нагрева. Однако количество нагревательных кузнечных печей машиностроительной промышленности очень велико, и совершенствование режимов их работы может обеспечить существенную экономию топлива в стране.

В этой главе также дан обзор методов математического моделирования ТТУ для исследований влияния различных факторов на энергетическую эффективность. Для исследования больших промышленных систем часто единственно возможным методом исследования становится математическое моделирование. Требуемая точность математической модели в значительной степени определяет ей сложность, метод и средства решения.

По существу объекты исследования могут быть описаны математическими моделями в виде бесконечного иерархического ряда, в котором они отличаются по сложности. Детализация математических моделей позволяет повысить точность полученных результатов, но это связано с повышением вычислительных и временных ресурсов получения результатов на модели, что часто бывает недопустимо при решении задач эксплуатации ТТУ.

Разработке энергосберегающего оборудования для утилизации высокотемпературных и низкотемпературных отходящих газов посвящен целый ряд работ А.Н. Коротина, JI.A. Голубева, А.Д. Димитрова, В.А. Локшина и др.

Проведена оценка атияния переходных процессов в работе ТТУ на энергетические показатели производства. В настоящее время математическое моделирование КШП ограничивается математическими моделями нагревательных печей, которые предложены А.К. Соколовым, С.Н. Кащенко, A.C. Невским, А. Н. Коротиным, П.Г. Красно-кутским, Л.С. Крыловой, В.Г. Лисиенко, Э.Я. Рапопорт, Л.А. Бровкиным, Б. С. Маст-рюковым и др. Разрабатываются инженерные методики расчетов тепловых режимов ТТУ, так как внедрение в производство микропроцессорной техники часто требует быстрого получения результата расчета. Проведена оценка направлений повышения эффективности с помощью учета сопряженного с печами оборудования. Приведенные подходы реализуются на ЭВМ в виде программ и пакетов прикладных программ. Можно отметить их общий недостаток: модели не учитывают работу сопряженного с печью оборудования, например молота.

Освещены проблемы разработок и использования нейросетевых технологий для повышения эффективности процессов и показателей производства во многих отраслях промышленности при решении различных задач. Нейросетевые технологии появились на основе нейронных сетей (НС), т.е. программ, имеющих структуру, подобную структуре клеток человеческого мозга. Это направление принадлежит к одному из напрашгений в развитии искусственного интеллекта. Нейросетевое программное обеспечение активно используется в различных отраслях знаний, и всё больше расширяется область его применения там, где человеческий интеллект малоэффективен, а традиционные вычисления трудоемки или физически неадекватны (т.е. плохо отражают реальные физические процессы и объекты). Нейросети в области теплотехноло-гии и теплоэнергетики используют для решения задач управления крупными плавильными агрегатами (доменными печами, кислородными конвертерами и др.), включающими сложные многопараметрические процессы. В. А. Вехником рассмотрены вопросы создания, обучения и проверки искусственной нейронной сети, моделирующей тепловую работу проходной печи. Применение созданной нейронной сети позволяет в среднем на три порядка быстрее определять показатели тепловой работы

моделируемой печи, если сравнивать с численной математической моделью. В своей работе А.И. Галушкин отмечает, что с 1990 - 1991 гг. нейронные сети начинают внедряться в задачи прогнозирования нагрузки потребления электроэнергии и газа. Эти задачи решаются вплоть до настоящего времени. НС являются эффективным аппаратом диагностики энергетических систем. В.И. Васильевым и др. разработана методика построения нейросетей для параметрического метода контроля авиационного газотурбинного двигателя.

Решение задач с применением инструментария нейросетевой технологии принято в литературе разбивать на семь этапов.

1. Необходимо определить, относится ли решаемая задача к одному из стандартных типов нейросетевых постановок: классификации (категоризации), построению функциональной модели (идентификации систем), прогнозу, оптимизации, управлению, распознаванию образов и обработки сигналов. На этом этапе необходимо выяснить возможность получения решения алгоритмическим способом. Если это возможно, то применение нейроимитатора обычно оказывается неэффективным.

2. Следует определить используемые в задаче признаковые пространства, в которые включаются параметры, играющие важную роль в данной задаче. При построении признаковых пространств следует учесть наличие и доступность соответствующих данных. В противном случае информация для обучения нейросети будет отсутствовать.

3. Полезно представить ожидаемый результат работы нейросети и способ его дальнейшего использования, что приводит к упрощению постановки задачи и, как следствие, к более эффективному её решению. Если же полученные результаты не будут соответствовать ожиданиям, то это - важная причина более фундаментально подойти к решению задачи.

4. Необходимо выбрать тип используемой нейросети, который во многом диктуется поставленной задачей. Для задачи классификации удобным может оказаться многослойный персептрон, который также применим и для задач идентификации систем и прогноза. При решении задач категоризации потребуются карта Кохонена, архитектура встречного распространения или сеть с адаптивным резонансом.

5. Необходимо отобрать данные для формирования обучающей выборки. Идеальной является ситуация, когда можно получить произвольно много различных данных для задачи. Следует позаботиться об отсутствии систематических ошибок и отклонений в данных (если только именно это не является предметом исследований). Целесообразно включение в обучающую выборку прежде всего тех данных, которые описывают условия, близкие к условиям дальнейшего использования нейросетевой программы.

Для практических целей следует часть обучающей выборки не использовать при обучении, а применить для последующего тестирования работы нейросети. Если в распоряжении имеется весьма ограниченный объем данных, то потребуется анализ его достаточности для решения задачи. Обычно это оказывается непростым вопросом. Одним из решений может быть уменьшение размерности признаковых пространств задачи.

6. Необходимо решить вопрос об использовании существующих нейроимитато-ров или о разработке собственной программы. Для практических целей лучше предпочесть использование существующих нейроимитаторов. Это обеспечит выполнение стандартов и доказательность полученных результатов.

7. Необходимо проанализировать результаты. Это одна из самых важных фаз решения задачи. Если полученные результаты существенно отличаются от ожидаемых значений, необходимо вернуться к постановке задачи.

Проведенный анализ использования нейросетевых технологий моделирования ТТУ в машиностроении, металлургии и энергетике позволил сделать вывод о том, что для обеспечения повышения энергетической эффективности теплотехнологического и энергетического оборудования при недостаточном информационном обеспечении на базе промышленных экспериментальных данных и сложных математических моделей необходима разработка научных основ применения инструментария нейросетевых технологий.

Генетические алгоритмы используются для поиска оптимального решения в задаче о размещении измерительных датчиков, предназначенных для контроля безопасности на электростанциях. Показано, что генетический алгоритм дает вполне удовлетворительные решения при числе измерений порядка Ю11; относительная ошибка составляет 0,102 %.

Вторая глава посвящена разработке научно обоснованного подхода применения инструментария нейросетевой технологии для повышения энергетической эффективности ТТУ и систем с недостаточным информационным обеспечением и принципов использования природных алгоритмов для решения задач энергетической эффективности.

Основное преимущество нейросетевых технологий перед классическими методами статистического анализа состоит в возможности аппроксимации по экспериментальным данным любых сколь угодно сложных нелинейных зависимостей произвольного и заранее неизвестного вида.

Качественный анализ повышения потребительских свойств нейросетевого моделирования для поставленных и решённых задач повышения энергетической эффективности по сравнению с традиционным классическим моделированием приведён на рис. 1. На рисунке показано, в каких случаях для решения задач повышения энергоэффективности ТТУ и систем на основе улучшения качества потребительских свойств моделирования по сравнению с моделями, построенными с применением дифференциальных уравнений, больше подходит инструментарий нейросетевой технологии, и проанализировано, в чём выражается повышение качества моделирования.

Проанализировано 6 задач повышения энергоэффективности ТТУ и систем.

• Повысить эффективность использования многоцелевых вычислительных комплексов при решении задач теплообмена, основанную на определении точности решения на стадии постановки задачи по сравнению с аналитическими решениями.

• Повысить энергоэффективность работающих ТТУ (режимов работы камерных нагревательных печей) с недостаточным экспериментальным информационным обеспечением на основе прогнозирования параметров качества нагрева.

• Повысить энергоэффективность работающих энергетических установок (ГУБТ) с недостаточным информационным обеспечением на основе использования полученных нейросетевых моделей, которые были обучены по данным промышленных экспериментов.

• Повысить энергоэффективность в установках печь -молот на основе технико-экономического обоснования целесообразности применения в этих установках теплообменника для подогрева воздуха.

__

Обоснование выбора нейросетевой технологии

ММ повышения эффективности энергетических ресурсов ТТУ и систем

Задача плохо формализована

Применение НС для повышения эффективности использования многоцелевых вычислительных комплексов при решении задач теплообмена

X

Требуется большое количество времени для _решения

z

Использование НС для создания ММ, повышающих энергоэффективность теплотехноло-гических и энергетических установок

Задача не формализована

Использование НС

для повышения энергетической эффективности ГУБТ

Чрезмерно детализиро-_ванная ММ_

Высокая ресурсоём-кость задачи

Требуется большое количество времени для _решения

Применение НС для обоснованного выбора утилизационной установки с использованием математических моделей, отражающих работу ТТУ и сопряжённого с ней оборудования

Повышение качества моделирования

Ш Снижение затрат на эксплуатацию ММ

Снижение ресурсоём-кости требуемого объёма памяти

Снижение затрат на эксплуатацию ММ

"-~7)'

Повышение эффективности стойчивости результатов в заданном диапазоне

Снижение ресурсоёмкое™ требуемого объёма памяти

Снижение стоимости затрат на разработку и затрат на приобретение ресурсов

■Повышение эффективности за счёт уменьшения сложности алгопитма

Снижение ресурсоёмкое™ требуемого объёма памяти и информационного обес-

печения

Снижение стоимости затрат на сопровождение и _эксплуатацию_

Рис. 1. Обоснование выбора НС в качестве инструмента моделирования ТТУ и систем для повышения качества моделирования (начало)

Задача плохо формализована

Использование НС для повышения эффективности разработки математических моделей кузнечных печей в пакете РЬое-тсэ

^ Ст

\ зап

Снижение стоимости затрат на разработку

А

Задача плохо формапи-_зована

Очень высокая ресурсо-ёмкость задачи

Может быть недостаток _данных_

Использование НС для сложных математических моделей и на этой основе более совершенная организация работы ТТУ

Снижение ресурсоём-сости требуемого объёма памяти, информационного обеспечения

Снижение стоимости затрат на эксплуатацию ресурсов_

Рис. 1. Обоснование выбора НС в качестве инструмента моделирования ТТУ и систем для повышения качества моделирования (окончание)

• Повысить на стадии постановки задачи энергетическую эффективность камерных нагревательных печей на основе их эффективного моделирования в многоцелевых вычислительных комплексах с прогнозированием точности результатов моделирования - параметров качества нагрева при моделировании режимов работы камерных нагревательных печей кузнечного производства.

• Повысить энергетическую эффективность кузнечного производства на основе математического моделирования кузнечного производства, используя два уровня оптимизации, где на первом уровне в качестве целевой функции оптимизации ТТУ применяется минимум себестоимости цехового передела, а на втором уровне - минимум издержек цехового передела для группы установок.

Из рис. 1 видно, что на обоснование выбора и внедрения инструментария нейро-сетевой технологии для решения задач повышения энергоэффективности ТТУ и систем влияют следующие факторы: задачи не имеют достаточного информационного обеспечения (задача плохо или совсем не формализована); есть временные и ресурсные ограничения для её решения; задача чрезмерно детализирована. Повышение качества моделирования при использовании инструментария нейросетевой технологии выражается в снижении затрат на сопровождение и эксплуатацию моделей, на разработку и приобретение ресурсов, ресурсоёмкое™ - требуемых объёма памяти, информационного обеспечения, в повышении эффективности за счёт устойчивости полученных результатов в заданном диапазоне.

В настоящее время нейросетевые технологии с успехом используются для анализа данных, поэтому будет уместно их сопоставить с хорошо разработанными статистическими методами. Наиболее часто в работах для меры точности методов используют среднюю абсолютную относительную ошибку (МАРЕ), также известную как среднее абсолютное процентное отклонение (МАРЭ). Ошибка выражает точность в процентах и определяется по формуле

МАРЕ = -У--'-100%, (1)

яъ г(0

где Л^— количество значений функции; Z(t) — фактическое текущее значение функции, ¿(1)- прогнозное текущее значение функции.

Иногда для сравнения качества прогнозов в статистике используется средняя абсолютная ошибка (МАЕ). Средняя абсолютная ошибка является общей мерой ошибки прогноза при анализе временных рядов и определяется по формуле

= (2)

В статистике для количественной оценки разницы между прогнозируемыми и истинными значениями в качестве одного из способов используется среднеквадратичная ошибка (МБЕ) или квадратный корень из среднеквадратичной ошибки ИМБЕ, которые определяются по формулам

I N 2

М5Е = -^^(2(0-2(0) ; (3) ЯМБЕ = т/мЗЁ. (4)

Проведённая оценка точности нейросетевого моделирования по сравнению с линейным и множественным регрессионным моделированием показывает преимущество НС при решении задач энергоэффективности (табл. 1, 2).

Таблица 1. Результаты точности прогнозирования мощности турбины

Критерии определения точности методов МАРЕ МАЕ МвЕ ИМЯЕ

Линейная регрессия 3,726 0,6021 0,6896 0,8304

Множественная регрессия 1,182 0,1952 0,07830 0,2798

Нейросеть (многослойный персептрон) 1,009 0,1663 0,06423 0,2534

Таблица 2. Результаты точности прогнозирования параметров качества нагрева пластины в многоцелевом вычислительном комплексе

Критерии определения точности методов МАРЕ МАЕ МвЕ ЯМБЕ

Линейная регрессия 16,94 6,887 72,24 8,499

Множественная регрессия 6,585 2,789 17,91 4,232

Нейросеть (многослойный персептрон) 3,901 1,621 8,423 2,902

Проведённый анализ позволил сформулировать признаки, при которых моделирование объектов предпочтительнее проводить с использованием нейросетевой технологии.

• Энергоэффективность ТТУ и систем зависит от того, насколько сложны математические модели, сколько факторов они учитывают, а часто описания чрезмерно детализированных численных математических моделей становятся непосильными на данном этапе для решения современными ЭВМ.

• Для моделируемых объектов при решении задач энергоэффективности имеется недостаток данных или непонятно, как они изменяются внутри исследуемого объекта. В этом случае очень сложно формализовать задачу.

• При использовании численных математических моделей для получения результата во многих случаях требуется достаточно большое время. Поэтому проблематично их использование для принятия решения по управлению ТТУ.

• Иногда задачу сбережения энергетических ресурсов в ТТУ и системах, например, когда имеются ресурсные ограничения для принятия решения, из-за её высокой ре-сурсоёмкости вообще невозможно решить.

• Нужно не только учитывать реальные возможности математического моделирования, но и сопоставлять затраты на моделирование с получаемым эффектом (при возрастании сложности модели прирост затрат может превысить прирост эффекта).

Анализ этапов разработки нейросетевых моделей при выполнении представленных задач повышения энергоэффективности ТТУ и систем позволяет определить предпочтительный инструментарий нейросетевой технологии из значительного многообразия технологий нейросетевого моделирования.

Для этого были рассмотрены семь этапов разработки нейросетевой технологии, принятых в литературе, и проанализированы все этапы при выполнении представленных задач.

Анализ этапов разработки нейросетевой технологии при решении задач энергоэффективности ТТУ в качестве примера приведён на рис. 2.

2. Признаковое пространство не ограничено

1 3. Существует эта j лон

1. Задача прогноза

1

«V

% *

и

ММ для повышения эффективности использования многоцелевых вычислительных комплексов при решении задач теплообмена

, Многослойный персептрон

Я ф

5. Данные идеальны

7. Таблицы Excel

6. Лучше использовать существующие программы

Рис. 2. Пример анализа этапов разработки нейросетевой технологии для повышения эффективности использования многоцелевых вычислительных комплексов при решении задач теплообмена

Из анализа этапов разработки с использованием нейросетевой технологии при решении задач повышения энергетической эффективности ТТУ и систем можно сделать следующие выводы:

• при выборе типа задачи чаще всего приходится решать задачу прогноза;

•при определении признакового пространства оно бывает не ограничено, если в виде учителя используется математическая программа, и ограничено при использовании для обучения промышленных экспериментальных данных; иногда сложно выбрать признаковое пространство в силу неясности взаимодействия признаков; •при представлении ожидаемого результата работы нейросети чаще всего его можно представить с определённой погрешностью; при обучении нейросети экспериментальными данными существует ограничение набора этих данных;

• практически при решении представленных задач лучше всего использовать тип нейросети, построенной на многослойном персептроне;

• при отборе данных для формирования обучающей выборки чаще всего данные бывают ограничены;

• в представленных случаях для практических целей лучше использовать существующие нейросетевые программы, а не разрабатывать собственные;

• для анализа результатов данные должны, как минимум, представляться в табличном виде или визуальном в виде графиков.

Иногда, когда моделируется новое оборудование в целях выявления определенных закономерностей и взаимосвязей между переменными, для лучшего понятия факторов, влияющих на энергетическую эффективность, необходимо использовать метод древовидной кластеризации.

Применение универсального нейросетевого подхода составляет общую основу решения задач повышения энергетической эффективности теплотехнологических установок и систем с недостаточным информационным обеспечением. Для обучения НС могут использоваться результаты, полученные из промышленных экспериментальных данных и сложных математических моделей.

Время выполнения программ с усложнением математического моделирования, несмотря на увеличение производительности ЭВМ, растет в геометрической прогрессии. Для решения задач оптимизации, требующих многократных расчетов, появилась острая необходимость в разработке и использовании эффективных методов оптимизации, которые позволили бы время решения этой задачи сократить на порядки. Поэтому требуются новые эволюционные подходы и методы при решении задач оптимизации.

В качестве такого метода оптимизации, направленной на повышение энергетической эффективности установок, в работе предложено использовать генетический алгоритм (ГА). ГА - это самый известный на данный момент представитель эволюционных алгоритмов и по своей сути является алгоритмом для нахождения приближённого глобального экстремума многоэкстремальной функции. ГА представляет собой модель размножения живых организмов.

В работе предложено в качестве целевой функции использовать минимум расхода топлива за общее время нагрева заготовок в печи периодического действия. Целевая функция зависит от чередований режимов работы горелки «малое» и «большое» горение в период нагрева заготовок, а время выдержки устанавливается при достижении заданных параметров качества нагрева: температуры металла на поверхности и температурного перепада между поверхностью и центром в конце нагрева.

Третья глава посвящена использованию нейросетевой технологии для создания нейросетевых моделей на основе данных вычислительных и промышленных экспериментов. Целью применения НС являлось повышение эффективности использования многоцелевых вычислительных комплексов при решении задач теплообмена, а также снижение стоимости и ресурсоёмкости при моделировании нагревательных печей и ГУБТ.

При использовании любого вычислительного комплекса необходимо знать точность решения поставленной задачи. Для этого можно сравнивать результаты, полученные на модели, с результатами физического эксперимента, который является сложным и дорогим и который не всегда удается провести. Вследствие этого, если возможно, для некоторых задач сравнение можно осуществить, используя результаты аналитических решений. При постановке задач теплообмена в многоцелевых вычислительных комплексах исследователя, прежде всего, интересует точность их результатов, и

необходимо много времени для подбора настроечных коэффициентов модели для обеспечения нужной точности. Классические методы определения количества шагов по пространству для заданной точности в многоцелевых комплексах не работают, так как во многих случаях неизвестен метод моделирования численной задачи.

Полученные в ходе сравнения величины можно обработать с помощью нейросе-тевой технологии. В данной работе предлагается методика определения точности численных математических моделей, созданных в многоцелевых вычислительных комплексах на основе нейросетевой технологии. Применение нейросетевой технологии позволяет улучшить результаты по сравнению с применением традиционных методов, поскольку нейросеть строит неформальную модель. Предложенная методика может использоваться для определения точности результатов математического моделирования как для простейших задач нагрева, так и для сложных технологических установок.

На точность решения задач в многоцелевом вычислительном комплексе влияют не только количество шагов по пространству и по времени, но и размеры нагреваемого тела, теплофизические свойства материала, общее время нагрева и температура на поверхности металла.

Аналитическое решение задачи находилось с помощью программы, составленной в пакете МаАСАО. Численным методом задача решалась в пакете РНОЕЫ1С8. В результате исследований получены номограммы определения точности для соответствующих толщин пластины металла и общего времени нагрева Пример результатов проведенного исследования представлен на рис. 3.

->Ч—;—т^]——:—ртт———п] Результаты данного

исследования были обработаны с помощью нейронной сети. Обученная нейросеть в дальнейшем может использоваться на стадии постановки задачи и позволит для заданной точности результатов решения определить количество шагов по пространству и по времени, а также время выполнения задачи. Входными величинами для обучения нейросе-ти являлись: количество шагов по пространству и по времени, толщина пластины и периоды нагрева. В результате обучения нейросети была получена программа, позволяющая определять погрешность расчета и время выполнения задачи. Некоторые результаты использования НС для определения количества шагов по времени, по пространству и времени выполнения задачи представлены в табл. 3 (для граничных условий (ГУ) 2-го рода в табл. 4).

Рис. 3. Номограмма для определения точности расчета нагрева пластины металла в течение 1000 с при ГУ 1-го рода, й=0,2 м: --точность расчета,----время расчета

Предложенная методика для оценки точности решения задач нагрева в современных вычислительных комплексах на стадии подготовки задачи с использованием нейросетевой технологии проверена на задачах нагрева металлической пластины при ГУ 1-го и 2-го рода. Полученная нейросетевая программа может быть рекомендована к применению.

Таблица 3. Результаты тестирования, обученной нейросети для ГУ 1-го рода

Толщина пластины, М Время нагрева, с Точность расчета Тц,% Количество шагов по времени (теория) Количество шагов по пространству 1 п'пппа \ Количество шагов по времени (нейросеть) Количество шагов по пространству (нгиплггтО Время выполнения, с (теория) Время выполнения, с (нейросеть)

0,08 250 0,1 220 320 217 328 1450 1469

0,08 500 2,2 320 20 328 26 14 16

0,08 1000 0 320 220 316 226 1531 1554

0,08 1500 0,2 170 120 164 115 440 416

0,1 250 1,2 270 70 275 74 34 10

ОД 500 0,05 220 320 211 326 1494 1510

0,1 1000 0,09 270 270 274 256 1542 1582

0,1 1500 0,2 170 170 171 173 619 611

0,2 250 0,04 320 270 307 265 1597 1616

0,2 500 1,4 20 170 27 67 71 125

0,2 1000 2,9 20 70 16 73 30 38

0,2 1500 1 270 70 273 70 128 100

0,25 250 0,04 220 220 238 214 109 154

0,25 500 0,6 70 170 67 165 143 187

0,25 1000 2 20 170 28 186 72 116

0,25 1500 9,5 20 120 23 118 52 98

Таблица 4. Результаты тестирования обученной нейросети для ГУ 2-го рода

Толщина пластины, м Точность расчета гш„, % Точность расчета АТ, % Количество шагов по времени (теория) Количество шагов по пространству (теория) Количество шагов по времени (нейросеть) Количество шагов по пространству (нейросеть)

0,1 0,77 4,24 36 21 35,52 21,1

0,2 3,12 4,58 18 48 17,99 47,62

0,1 0,83 3,71 33 24 33,3 24,44

0,25 3,31 6,19 24 21 23,81 20,92

0,08 1,62 2,85 24 30 24,1 30,84

0,08 0,34 4,83 42 18 42,72 18,24

0,25 2,26 4,54 36 24 36,42 23,96

0,2 1,9 4,58 48 21 47,59 21,33

Проведено исследование использования нейросетевых технологий для математического моделирования существующего теплотехнологического оборудования в целях повышения эффективности его работы.

Одним из объекта исследования является ГУБТ-25, установленная на газовой турбинной расширительной станции газового цеха ОАО «Северсталь», г. Череповец. Турбина одноцилиндровая, двухпоточная изготовлена АОО «Невский завод», г. Санкт-Петербург. Турбина пущена в эксплуатацию летом 2002 г.

Целью создания математической программы для моделирования режимов работы ГУБТ-25 является выявление резервов экономии энергоресурсов на основе их нормирования для выработки электроэнергии на ГУБТ-25, а также прогнозирование выработки электроэнергии при изменении различных параметров, влияющих на мощность турбины в существующих условиях её работы в газовом цехе ОАО «Северсталь».

Сбор статистических данных, влияющих на работу ГУБТ-25, с 1 июля 2004 г, производился непрерывно. Анализ статистических данных показал, что на выработку электроэнергии ГУБТ-25 влияют следующие параметры: расход доменного газа, проходящего через турбину, давление и температура доменного газа до и после турбины, степень открытия поворотных направляющих лопаток, температура окружающей среды и степень открытия перепускного клапана перед дроссельной группой.

Целью сбора статистических данных, кроме определения режимных параметров, влияющих на энергетическую эффективность работы ГУБТ-25, было выявление технологических ограничений, влияющих на работу турбины.

Результаты замеров давления на основе статистических данных показывают, что колебания абсолютного давления газа перед турбиной за время сбора статистических данных несколько отличались от проектных и находились в диапазоне от 0,28 до 0,308 МПа (проектные от 0,29 до 0,306). По результатам замеров даатения электрическая мощность турбины при прочих усреднённых показателях составила 0,4 - 0,5 МВт.

Вторым параметром, влияющим на выработку мощности турбиной и связанный с работой доменной печи, является расход доменного газа, проходящего через турбину. Диапазон изменения расхода доменного газа, поступающего в турбину за время сбора статистических данных, составлял от 678 000 до 988 000 м3(н)/ч. Этот диапазон несколько меньше проектного - 650000 1000000 м3(н)/ч. При увеличении расхода доменного газа выше пропускной способности ГУБТ приоткрывается перепускной клапан перед дроссельной группой. При этом должны быть открыты полностью поворотные направляющие лопатки ГУБТ. Перепускной клапан настроен на открытие при повышении давления газа под колошником доменной печи сверх задания (0,29 МПа по анализу результатов статистики) на 1,5 %.

По результатам статистических замеров степень открытия лопаток турбины у правого потока газа больше, чем у левого, на 0,5 1,5 %, и влияние на приращение мощности турбины от степени открытия лопаток турбины у правого потока больше. Степень открытия лопаток турбины у левого потока изменялась от 26,7 до 92,9 %, а у правого от 27,3 до 94,0 %. При максимальном (988000 м3(н)/ч) расходе доменного газа через проточную часть турбины при изменении степени открытия лопаток от минимального до максимального процента мощность турбины для левого потока изменялась на 3,47 МВт, а для правого на 4,68 МВт. При минимальном (678 000 м3(н)/ч) расходе доменного газа мощность изменялась для левого потока на 1,01 МВт, а для правого на 3,08 МВт соответственно.

Расчётной (паспортной) температурой доменного газа на входе в турбину принята температура 40°С. Если температура доменного газа перед турбиной будет выше, то объёмный расход доменного газа возрастает. При охлаждении газа пар, находящийся в газе, частично конденсируется и выделяется в виде капелек влаги, которая частично удаляется через конденсатоотводчики, остальная часть в виде взвешенной влаги пролетает в трубопровод и затем уже удаляется через конденсатоот-водчик и т.д. Так при максимальном (988000 м3(н)/ч) расходе газа мощность турби-

ны повышается при увеличении температуры на 15 °С от расчётной температуры на 0,1 МВт, а при минимальном (678000 м3(н)/ч) на 0,2 МВт.

Избыточное давление доменного газа за турбиной согласно техническому заданию на проектирование должно быть 0,008 МПа. Диапазон изменения этого давления во время сбора статистических данных составил от 0,0048 до 0,01344 МПа. Изменение давления доменного газа в этом диапазоне влияет на изменение мощности на клеммах генератора турбины до 1 МВт.

Влияние температуры окружающего воздуха также заметно сказывается на эффективности работы турбины. Разница выработанной мощности при средней температуре воздуха-12 °С больше, чем при средней температуре воздуха 25 °Сдля максимального расхода газа на 0,ЪАМВт, а для минимального на 0,56 МВт.

Работа турбоустановки на энергии давления доменного газа по многим параметрам связана с работой доменной печи. Система регулирования и защиты построена на поддержании постоянным давления доменного газа под колошником доменной печи и установлена в системе управления печи.

Срабатывание перепускного клапана перед дроссельной группой происходит при полностью открытых лопатках и при увеличении пропускной способности ГУБТ выше расчётной, а также повышении давления газа под колошником печи выше заданного на 1,5 %. Открытие клапана на 15 % снижает мощность турбины на 0,3 МВт.

Кроме технологических ограничений по расходу и давлению доменного газа перед турбиной, которые связаны с работой доменной печи, существуют ограничения по работе турбины, связанные с работой газовой очистки. Согласно правилам безопасности в газовом хозяйстве металлургических и коксохимических предприятий и производств содержание пыли не должно превышать в доменном газе после газовой очистки 4 мг/м3 газа. Газ, выходящий после доменной печи, кроме того что является вторичным топливом, обладает потенциальной энергией давления и внутренней энергией. После газовой очистки мокрого типа температура доменного газа понижается до 41,7+61,6 °С. Доменный газ охлаждается водой, которая поступает из градирни в аппараты газовой очистки. Газ на выходе из аппаратов газовой очистки имеет относительную влажность ф=100 %. На снижение температуры газа оказывает влияние расход и температура воды, поступающей в газовую очистку. Повысить температуру доменного газа перед газовой турбиной можно за счёт уменьшения расхода воды на газовую очистку и повышения её температуры за счёт отключения градирни.

На основе собранной информации и исходных данных по газовому цеху получена нейросетевая математическая модель по работе ГУБТ-25, а на основе модели разработаны режимы работы турбины. По результатам моделирования были созданы режимные карты.

Одной из целей работы машиниста турбины является максимальное получение электроэнергии на клеммах генератора, карты позволяют ему оценить эффективность её эксплуатации и принять меры для увеличения выработки электроэнергии. На рис. 4 приведён пример одной из режимных карт оценки мощности на клеммах генератора турбины по расходу, давлению, заданной температуре доменного газа перед турбиной и избыточному давлению доменного газа за турбиной.

Созданная в НС программа по моделированию режимов работы ГУБТ-25 позволяет оценить резервы дополнительного получения электрической энергии.

Снижение давления доменного газа после турбины за счёт оптимальной эксплуатации газовой сети с 134,4 до 48 мбар позволит дополнительно получить при

температуре доменного газа перед турбиной 41,7 °С около 0,6 МВт, а при температуре 61,6 °С до 1,1 МВт дополнительной мощности.

Повышение температуры доменного газа за счёт оптимальной эксплуатации участка газовой очистки при увеличении температуры с 41,7 до 61,6 °С при давлении доменного газа после турбины 48 мбар позволит получить 1,3 МВт, а при давлении 134,4 мбар - 0,8 МВт дополнительной мощности.

Рис. 4. Пример зависимости мощности N на клеммах генератора турбины от расхода О и давления доменного газа перед турбиной Р! (при температуре доменного газа 11=61,1 "С и избыточном давлении за турбиной Р2=134,4 мбар)

Суммарный эффект от снижения давления доменного газа за турбиной с 134,4 до 48 мбар и повышения температуры доменного газа перед турбиной с 41,7 до 61,6 °С при расходе доменного газа через турбину 810 тыс. м3(н)/ч может привести к получению дополнительной мощности на клеммах турбины до 1,9 МВт.

В качестве другого объекта исследования повышения энергетической эффективности рассматривается камерная кузнечная печь, эффективность эксплуатации которой во многом зависит от прогноза температуры металла в момент выдачи металла для операций ковки. В качестве параметров, влияющих на параметры качества нагрева (температуры поверхности и центра заготовок в конце нагрева), были приняты следующие переменные:

- отношение объема рабочего пространства печи к объему нагреваемых в ней заготовок Ут/У,\

- количество заготовок, находящихся в печи в данный момент времени, и;

- группа стали т\

- отношение теплоты, аккумулированной кладкой печи, к химической теплоте сгорания топлива £?„„/£?.

Нейросетевая модель камерных нагревательных печей обучена по экспериментальным данным камерных нагревательных печей в диапазоне следующих параметров:

• объем рабочего пространства печи У^,-0,4155 +2,147м3; . объём нагреваемых заготовок У, - 1,86-1 (Г1+44,16-10"4 м3;

• группа стали т — 2-5-4;

• число заготовок « - 1 + 41;

• расход газа В— 6+62 м3(н)/с\

• время нагрева г - 1800+10800 с;

• температура поверхности в момент выдачи первой заготовки ТЦ — 1091 +1245 "С.

Результаты тестирования обученной нейросети приведены в табл. 5. Таблица 5. Экспериментальные данные для проверки обученной нейросети по определению тем-

пературы поверхности металла в конце нагрева

Группа стали п 0-/(2 Т„ (нейросеть) С

2 25 89,12 0,024 1130,6 1128

2 35 63,65 0,32 1112,8 1114

2 1 2228 0,042 1179,5 1179

2 25 89,12 0,51 1134,7 1135

4 20 24,21 0,07 1210,7 1210

2 35 63,65 -0,027 1149,1 1149

4 1 484,3 0,045 1233,1 1233

Эта нейросетевая модель позволяет прогнозировать один из параметров качества нагрева заготовок - температуру на поверхности металла в момент выдачи металла для операций ковки.

В четвёртой главе представлена задача с использованием НС для обоснования целесообразности применения в ТТУ теплообменника для подогрева воздуха при её реконструкции в целях повышения энергоэффективности установки печь -молот.

Для обоснованного выбора утилизационной установки необходимо применение математических моделей, отражающих работу ТТУ и сопряжённого с ней оборудования. Если используемые для этих целей математические модели в виде компьютерных программ достаточно точно отражают работу реальных (моделируемых) объектов, то, как правило, они имеют сложную структуру, большие объёмы и занимают значительное время расчётов.

Анализ состояния теплотехнологий кузнечного производства показал, что в задачу математической модели ТТУ должна входить оптимизация режимов работы установки печь - молот и определение для оптимального режима технически обоснованных норм расхода топлива на печь, электрической энергии на молот, а также разработка режимно-технологических карт нагрева металла.

Для определения связей режимов работы печи и молота необходим поиск закономерности влияния изменения обобщенного размера заготовок Л„ и параметров ка-

чества нагрева на время ковки, а также определение факторов, влияющих на затраты энергии ковки.

При решении задачи необходимо обосновать технологические ограничения, исследовать изменение целевой функции от варьируемых параметров.

Математическая модель печи строится на основании решения сопряженной задачи теплообмена в системе газ-кладка-металл. В качестве математического метода моделирования технологического процесса принят метод дискретного удовлетворения краевых условий (ДУКУ).

Математическая модель молота строится на основании обработки экспериментальных данных, полученных в результате промышленного эксперимента процесса свободной ковки на приводных пневматических молотах. Предложены аппроксимирующие зависимости для определения времени ковки от степени деформации заготовок, среднемассовой температуры заготовки в конце нагрева и параметров молота, которые запишутся следующим образом:

\0.054

9-

I . ~ I / \ 0.054 Л 74

г. =34900 ) Я/'

(5)

.0.27

. (6)

Здесь Щ- изменение обобщенного размера заготовки, м; - скорость падающих частей молота (из паспортных характеристик молота), м/с; Э„,„- эффективная кинетическая энергия падающих частей молота при ударе, Дж\ а(1,р)~ предел прочности при среднемассовой температуре начала ковки, Н/м2; гер~ среднемассовая температура металла, °С; Уо - начальный объём нагреваемой заготовки, м3; начальный обобщённый размер заготовки, м; т - конечный обобщённый размер заготовки, если в процессе ковки он увеличивается, или начальный, если уменьшается, м; Д, ™,- начальный обобщённый размер заготовки, если в процессе ковки он увеличивается, или конечный, если уменьшается, м; относительное время, которое определяется по формуле

Тот„=Т^Куд, (7)

гДе время падения подвижных частей молота (из паспортных характеристик молота), с; Куд-количество ударов за секунду, 1/с\ ^-площадь зеркала бойка молота, м (паспортные характеристики молота); площадь поверхности заготовки соответственно до операций ковки, м2.

Предложенные формулы получены в диапазоне входящих в них параметров: 15<т. < 390,с; 5,8<и„<7,5, л//с; -0,01<Лйу< 0,0147, л<;

2,5<Э„,<27,0,КДЖ; 940</^< 1280,Г; 0,000186<К<0,013, м3;

0,01 < <0,04,л<; 0,008<Д,,<0,035,м; 0,016 < гот„ < 0,02;

0,00017<<0,00059, м2\ 10,4<Э,<1450, кДзкг, 0,018<^.„<0,31,м2.

Максимальная относительная погрешность по формуле (5) составляет 15 %, по формуле (6) - менее 25 %.

Для оптимизации режима работы установки более всего подходит в качестве целевой функции универсальный экономический параметр минимальной себестоимости цехового передела 51(..

В качестве варьируемых параметров в модели приняты режимные параметры (параметры качества нагрева): температура на поверхности Г(1,Л>Г) и температурный перепад по сечению металла в конце нагрева Д7;_0(^), а также параметр, связанный с размещением заготовок на подине печи (отношение расстояния между заготовками к их высоте ).

Искомая зависимость 5Ч„ = /[Г(1,Л>,,),Л7;_0(№г находится в виде

= ь,+Ь2Г(1, Рок)+ь3аг1_6 )+ь4лм +Ь,Т(1, Foк )лг,_, )+Ь6т(1, Рок +Ъ,ЛГ^ ) + ^ 8 ) +Ь,Т(1.Гок У + (1-ок )2 + ь,^2,

где 5„„ - оптимизационный параметр; 7"(1, Рок), АТ^0(Го1:), Пм - варьируемые параметры.

Для нахождения коэффициентов 6, строится матрица ортогонального планирования вычислительного эксперимента второго порядка для трёх факторов

На основании вычислительного эксперимента по матрице планирования определяются коэффициенты где /=1, 2, ...,10. Область варьирования режимных параметров можно представить в виде трехмерного пространства, в котором необходимо найти минимальную себестоимость цехового передела.

Оптимизационная задача решается с учетом восьми ограничений.

В качестве первого ограничения принята температура газов в рабочем пространстве печи, которая не может превышать действительную температуру горения топлива (Г, < Г,,).

В качестве второго ограничения используется темп выдачи заготовок из печи, который не должен быть меньше времени ковки (г„ / п3 < тк).

Третьим ограничением является допустимый температурный перепад во время начального периода нагрева, определяемый допустимыми температурными напряжениями (лгт1 > ДТ^ , АТЛм 2 > дг.„„ ).

Четвертым, пятым и шестым ограничениями являются максимальные температуры применения огнеупорных и изоляционных материалов, из которых выполнена трехслойная кладка печи (Т^макс < Т^, < , Т3амжс < Т^).

Седьмым ограничением является максимально возможный расход газа на печь

(»,„ < в,юх).

Восьмым - производительность печи (77„ < Пмах).

Для определения влияния ограничений находятся разницы между допустимыми и существующими значениями, которые аналогично методике определения зависимости целевой функции от варьируемых параметров определяются в виде зависимостей степени воздействия каждог о ограничения от температуры на поверхности, температурного перепада по сечению металла в конце нагрева и отношения расстояния между заготовками к их высоте:

+Ь„Т(1,Рок)1 + КЛГ^Ро,.)1

где /- текущий номер ограничения; Лу, = Г, - Г,; Ду2=г„/и,-г„; Ау, = АТдппЛ -дг_ 4Уз = Д7^1 - ■¿Г— = С™ "С-! 4* = -7^,-Дп = - =Д„- й,„„;

Ау8 = Пу - II^ - разница менаду допустимым и расчётным значениями г ограничения; 7X1, Кок), дг„ ), - варьируемые параметры.

По результатам вычислительного эксперимента по плану получаем восемь зависимостей вида (9).

Зависимости дают возможность оценки действия любого из ограничений на целевую функцию. Если значение функции /-го ограничения в диапазоне варьируемых параметров получается положительным, то ограничение на целевую функцию не оказывает влияния. При отрицательном значении система не работоспособна. Возможна ситуация, когда значение функции /-го ограничения в диапазоне варьируемых параметров имеет и положительные, и отрицательные значения. Тогда в области положительных значений система работоспособна, а в области отрицательных значений нет. Граница между работоспособностью и неработоспособностью системы определяется значениями функций, равными 0.

Результаты программных исследований представлены для кузнечного участка камерных нагревательных печей ОАО «Завод имени Дегтярёва», г. Ковров. На предприятии установлены три однотипные камерные нагревательные печи для нагрева металла под ковку с площадью пода 0,82x0,58=0,47 м'. По результатам внедрения режимов по обработке заготовок удалось снизить энергозатраты на их теплотехнологическую обработку. Примеры разработанных режимов даны в табл. 6.

Таблица 6. Примеры оптимальных режимов нагрева металла при непрерывном процессе

загрузки - выг рузки заготовок

Номер детали 1 2 3 4 5 6

Температура печи, °С 1279 1271 1122 1274 1172 1117

Число заготовок, находящихся в печи, шт. 5 8 6 16 7 12

Расстояние между заготовками, мм 40,5 15 60 8,5 54 18,4

Время нагрева заготовки, с 2570 3236 2273 2574 1676 2151

Температура поверхности металла, °С 1245 1245 1067 1245 1126 1067

Температурный перепад в конце нагрева, °С 89 78 88 57 61 65

Производительность печи, кг/ч 203 221 179 172 172 183

Себестоимость цехового передела, руб/кг 37,17 38,31 46,90 52,54 50,16 48,29

Примечание: себестоимость цехового передела приведена к ценам 2005 г.

Выполнение расчёта в программе и получение карты технологического процесса ковки и горячей штамповки иногда требуют достаточно больших затрат времени, а иногда решение нужно принимать мгновенно. В этом случае программу математической модели оптимизации режима работы установки - камерной нагревательной печи и пневматического молота для свободной ковки - можно заменить нейронной сетью, предварительно осуществив процесс так называемого обучения сети на основе результатов расчётов на математической модели.

Нейронная сеть способна обобщить полученную информацию в виде функциональных связей внутри себя и заменить в некоторых случаях для принятия решений математическую модель установки печь -молот.

В результате использования обученной нейросети максимальное расхождение между результатами, рассчитанными в программе оптимизации установки печь -молот, по количеству заготовок, находящихся в печи, составило от 11 до 43 %. По-

грешность сети по времени нагрева заготовки составила от 0,2 до 29 %. Погрешность сети по температуре поверхности металла составила от 0,09 до 3 %.

Одной из наиболее важных мер, направленных на повышение энергоэффективности ТТУ, является утилизация вторичных энергетических ресурсов (ВЭР). Пример наиболее часто встречающегося решения — использование физической теплоты уходящих газов для предварительного подогрева компонентов горения. С этой целью успешно применяются различные типы теплообменных аппаратов.

При реконструкции ТТУ возникает вопрос (в первую очередь, экономический) о необходимости установки теплообменника для нагрева воздуха, идущего на горение, за счёт теша отходящих газов, а также об обоснованном выборе типа и конструктивных характеристик теплообменника. Такой выбор не возможен без применения моделирования работы исследуемого теплообменника и ТТУ печь -молот. Источник ВЭР и сопряженное оборудование (теплообменник) должны рассматриваться в единой системе.

Для этого была решена задача расширения оптимизационной математической модели установки печь -молот путем интеграции в неё блока, моделирующего работу утилизационного теплообменника — рекуператора для подогрева воздуха, идущего на горение (рис. 5).

Входные данные математической модели

Структура модели оптимизации режима работы установки печь - молот -рекуператор

1.1'асчет процесса горения топлива

Х

2. Расчёт параметров, связанных с размещением заготовок на подине печи

3. Определение количества заготовок, одновременно находящихся в печи

5. Расчёт лучи сто-конвективного теплообмена

6. Контроль температурного напряжения в заготовке

7. Расчёт теплового баланса ТТУ

8. Уточнение коэффициента конвективной теплоотдачи

4. Математическая модель молота

9. Математическая модель радиационного щелевого рекуператора

10. Определение косвенных затрат и себестоимости цехового передела

11. Блок оптимизации работы установки печь -молот - рекуператор

Рис. 5. Структурная схема модели печь-молот -рекуператор

Используя оба варианта моделей (с рекуператором и без) для одних и тех же условий, можно сравнить удельные себестоимости цехового передела и получить вывод об

экономической эффективности или нецелесообразности использования теплообменника данного типа и данной конструкции.

Установка рекуператора не всегда экономически выгодна (рис. 6.), поскольку себестоимость цехового передела в некоторых случаях оказывается выше, чем себестоимость без применения рекуператора. Себестоимость цехового Себестоимость цехового

передела, руб/кг передела, руб/иг

а б

Рис. 6. Зависимости цеховой себестоимости от температуры поверхности металла в конце нагрева, полученные на модели установки печь-молот и печь-молот-рекуператор\ а - для установки производительностью 200 кг/у, б - для установки производительностью 75 кг/ч\

- установка печь-молот; ..... - установка печь-молот-рекуператор

С точки зрения нейросетевой технологии задача о принятии решения об установке рекуператора относится к стандартному типу: задаче классификации. Дня её решения необходимо ответить на вопрос: выгодна установка рекуператора или нет? Результаты моделирования установок печь - молот и печь-молот-рекуператор были использованы для обучения НС. Обучение НС проводилось на 221 примере. Проверка показала, что этого множества вполне достаточно. Область варьирования входных переменных представлена в табл.7.

Таблица 7. Область варьирования входных переменных

№п/п Параметр Область изменения

1 Площадь пода 0,538+1,967 jw2

2 Расчетная производительность печи 75-500 кг/ч

3 Установочная мощность молота 10+75 кВт

4 Отношение объема кладки к площади внутренней поверхности кладки 0,713+1,072 м

5 Объем нагреваемой заготовки 0,000221 +0,004555 м3

6 Изменение обобщенного размера (до и после операции ковки) 0,00021 +0,06542 м

7 Конечная температура нагрева металла 1350+1420 К

8 Отношение стоимостей 1кг металла и 1000 м3 природного газа * 0,0283+0,0075

9 Стоимость 1 к? жаропрочной стали доя изготовления рекуператора 30+120 руб/кг

10 Площадь поверхности нагрева рекуператора 0,5+2,5 м2

* Примечание: стоимость 1кг металла = 15 руб/кг\ стоимость 1000лг газа = 530+2000 руб/тыс. м3 газа.

Полученная программа является удобным инструментом для различных исследовательских целей, связанных с оценкой влияния на принятие решения об установке рекуператора значений входных переменных (производительность печи, площадь нагрева рекуператора, экономические показатели и др.). Поскольку программа доста-

точно простая и не содержит циклов, а время ее выполнения незначительно, целесообразно представить ее в виде многократно вызываемой процедуры.

В качестве одного из примеров с помощью программы построена область экономически эффективного использования радиационного щелевого рекуператора в зависимости от различных значений производительности печи и площади поверхности рекуператора при постоянных значениях остальных входных переменных: площади пода, установочной мощности молота, отношения объема кладки к внутренней поверхности кладки, объема нагреваемой заготовки, изменения обобщенного размера (до и после операции ковки), конечной температуры нагрева металла, отношения стоимостей 1кг металла и 1000 л3 природного газа, стоимости 1 кг жаропрочной стали для изготовления рекуператора.

Область экономически эффективного использования рекуператора значительно зависит от цен на топливо и может изменяться - увеличиваться с ростом стоимости природного газа. Определение эффективности установки рекуператора на кузнечную печь с учетом изменения стоимости природного газа - одна из задач, которую можно решить, применяя представленную обученную нейронную сеть.

Результаты расчета приведены в виде графика на рис 7.

Производительность печи, кг/ч

500 — — — — 7 7 + + + * + + +; + +

450 — — — — ? ? + + + ¥ + + * + + + +

400 ? 7 4- + + + + 4- +

250 ? + 1 р + 7 7

200 ? ? 4': 4" + ? 7 ? 7 — —

150 ? ? 7 + + ■к 7 ? ? ? — —

100 7 ? + + + 7 7 7 ? 7 ? 7

75 7 7 + 7 7 ? 7 7 ? 7

0,5 1,0 1,5 2,0 2,5

Площадь поверхности рекуператора, м'

Рис. 7. Зависимость экономической эффективное™ установки рекуператора для печей различной производительности от площади поверхности рекуператора; + - установка рекуператора выгодна;--установка рекуператора не выгодна; ? - решение по установке рекуператора не определено

В пятой главе задача по прогнозированию точности вычисления параметров качества нагрева металла в камерных нагревательных печах в многоцелевых вычислительных комплексах распространяется на сложные объекты. Во второй главе предложена методика использования нейросетевой технологии для повышения эффективности применения многоцелевых вычислительных комплексов при решении задач теплообмена на основе определения точности решения на стадии постановки задачи (для простых задач, которые имеют аналитические решения). В этой главе задача точности моделирования распространяется на модели (камерных нагревательных печей).

В данной главе предложено сравнить результаты, полученные при математическом моделировании нагрева металла в камерных нагревательных печах в многоцелевом вычислительном пакете РИоешсв, с результатами промышленного эксперимента Эксперимент проводился в кузнечном цехе машиностроительного завода тяжелого станкостроения. Результаты моделирования и экспериментов обрабатывались с помощью НС. Для

этой цели были построены 3О-модели двух печей № 2 и № 5 для режимов, при которых проводились промышленные испытания. Пример такого решения приведён на рис. 8.

График сравнения результатов расчета с экспериментальными данными для печи №5 приведен на рис. 9.

Рис. 8 Пример расчёта распределения температурного поля в сечении для печи №5

Рис. 9.

" П И 19 го 21 и

Тея>щи «им», ч

Температурное поле металлической заготовки

Относительная погрешность вычисления параметров качества нагрева для печи №2 приведена в табл. 8.

Таблица 8. Относительная погрешность (%) вычисления параметров качества нагрева (температу-

1 -я садка 2-я садка 3-я салка

Время Тпов, % тц, % Время Г пои. % Тц, % Время Тпов, % Т„, %

14.45 1,16 0 16.30 0 0 18.00 0 0

15.05 3,82 3,87 16.40 3,94 4,16 18.16 3.58 1,48

15.25 2,01 2,66 16.50 2.93 2.24 18.48 1,21 2.05

15.40 1,92 0,88 17.00 1.96 1.92 19.04 0.78 0,90

15.44 1,54 1,06 17.05 0,54 1,73 19.08 0,52 1,67

15.49 1.35 1,53 17.09 1,85 1,63 19.11 0,35 1,94

15.53 1,25 1,71 17.13 0,88 1,35 19.14 0,33 1,73

15.58 0,79 1,31 17.17 0,53 1.79 19.17 0,26 1,31

16.02 0,84 1,02 17.21 0,79 1,43 19.21 0,13 0,72

16.07 0,96 2,02 17.24 0,44 1,07 19.24 0,26 0,80

16.11 0,69 0,27 17.27 0,69 0,79 19.27 0,43 0,97

16.15 1,29 0,72 17.30 0.95 0,62 19.30 0,60 1,24

Рис. 10. Использование обученной ней-росети для определения температуры поверхности заготовки

Полученные результаты использовались для обучения нейросеги. Проверка адекватности её работы осуществлялась для печи №3.

В результате тестирования НС программа выводит значение температуры поверхности заготовок 2-й садки печи №3, а также относительную погрешность (%) ее вычисления в многоцелевом вычислительном комплексе РЬоешсв (рис. 10). Из рисунка (нижняя часть рисунка) видно, что максимальная погрешность вычисления значения температуры поверхности металла в конце нагрева для печи №3 составит не более 2,7 %.

Данная нейросеть позволяет прогнозировать точность вычисления параметров качества нагрева заготовок с помощью математических моделей камерных нагревательных печей, построенных в пакете РИоешся.

В шестой главе разработан алгоритм моделирования кузнечного производства, основанный на двухуровневом решении задачи оптимизации. В качестве первого уровня задачи оптимизации кузнечно-штамповочного производства использовалась математическая модель печь -молот (см. гл. 3). Для второго уровня решения задачи оптимизации предлагается использовать математическую модель работы группы ТТУ в кузнечно-штамповочном производстве.

На втором уровне оптимизации в качестве целевой функции принимается минимум издержек производства, на которые влияют три фактора: выбор установки для обработки изделия, выбор очерёдности обработки заготовок различных типоразмеров в течение смены в каждой установке и выбор количества заготовок каждого типоразмера (размер партии), которые должны обрабатываться.

Предлагается экстенсивный путь для решения этой задачи, который основан на использовании параметра стабилизации, предложенного Л.А. Бровкиным.

Если учесть, что в кузнечных печах нагреваются заготовки сравнительно небольших размеров, то понятие параметра стабилизации вытекает из решения задачи теплопроводности для тел умеренной массивности, нагреваемых в среде с постоянной температурой при граничных условиях 3-го рода:

где Т. - температура газа в камере печи, К\ Тик, 7"„„ - конечная и начальная температура металла соответственно, К; Яа = - обобщенный размер заготовки, м; Ум - объем нагреваемого металла, V; /\ф - площадь эффективной поверхности металла при радиационном теплообмене в системе газ - кладка - металл, м2; /и = 1+а^ Дв/[(А:+2)Я1,] — поправка на массивность; - приведённый коэффициент теплоотдачи, учитывающий радиационную и конвективную составляющие, Вт/(м2 к);т - время нагрева заготовки,с; с„ - удельная теплоемкость металла, Длс/(м'-А") ; к - коэффициент формы тела; Ли - коэффициент теплопроводности металла, Вт1(м-К).

Формула (10) предполагает, что сложный радиационно-конвективный поток на металл приведен к условно-конвективному виду с суммарным коэффициентом теплоотдачи а.,.

При заданной конечной температуре металла температура газа будет постоянной при постоянном показателе экспоненты. Отсюда стабильный температурный режим печи определяется стабилизацией параметра

который представляет отношение количества теплоты, подведенной к металлу при единичном температурном напоре за время нагрева, к энергии, усвоенной металлом при единичном приращении температуры. При усредненных за время нагрева значениях ее* с„,Лц параметр стабилизации А7 является для заготовок каждого типоразмера

постоянной величиной.

(10)

(И)

В печах с непрерывным процессом загрузки и выгрузки время нагрева и время ковки связаны между собой соотношением

t = T,n = TrF^Jf , (12)

гДе г, - время ковки заготовки, с; и - число заготовок, одновременно находящихся в печи, tum.\ Fm - площадь активного пода, м2;/ - площадь пода, занятая одной заготовкой с относящимися к ней зазорами, м1.

Для начала в нулевом приближении при решении задачи оптимизации на втором этапе следует принять постоянными F,m, а£, е.. Площадь активного пода для каждой печи постоянна (F^ = const). Суммарный коэффициент теплоотдачи az который является функцией от температуры газа, конечной температуры нагрева металла и обобщенного размера заготовки as = /(Г„7"И1,Л,), изменяется в пределах а,- = 300- 500 Вт/( лг • Л"). Удельная теплоемкость металла с, изменяется в зависимости от температуры металла в диапазоне 450 - 740 кДж/(кг°С). Поэтому в нулевом приближении значения этих параметров могут быть средними и постоянными. Остальные величины относятся к геометрическим размерам нагреваемых заготовок, геометрическим размерам зазоров между заготовками, времени обработки под молотом, форме заготовок и теплофизическим характеристикам нагреваемого материала. Все эти параметры нагреваемых заготовок можно легко найти.

Для того чтобы использовать математическую модель работы кузнечно-штамповочного производства, построенную на основе параметра стабилизации, в качестве второго этапа оптимизации необходимо произвести уточнение параметра стабилизации на основе использования математической модели печь -молот. В нулевом приближении для определения параметра стабилизации используются усредненные значения с„, а,-, F„m, т, которые не учитывают особенности нагрева детали того или иного типоразмера, связанные с его оптимальными параметрами и действующими ограничениями. Их определение с учётом расчёта оптимального режима в модели печь -молот позволит уточнить параметр стабилизации. Для этих целей была разработана математическая модель кузнечно-штамповочного производства, которая использует обе математические модели в одном комплексе (рис. 11). Она позволяет решать рад новых задач, которые напрямую связаны с

Рис. П. Структурная схема модели кузнечно-штамповочиого производства

ресурсо- и энергосбережением кузнечно-штачповочных производств, например, когда для известного ряда типоразмеров заготовок, нагреваемых в цехе, необходимо определить производительности печей. Условием выбора производительности печей может являться распределение типоразмеров по минимуму суммы средневзвешенных квадратичных отклонений от среднего параметра стабилизации для данной печи (см. формуЛУ (13)).

Задачей оптимизации является определение количества типоразмеров на каждую печь, которые находятся по условию г, х, ~

11

__=тт , (13)

П ы

где Уп — количество печей, молотов; Х1 — количество типоразмеров на } -ю печь (искомая величина);/ - текущий номер типоразмера ъ }- й печи; _/ — номер печи; уи— количественная доля / -го типоразмера поковок в продукции у - й печи.

Программа с использованием этой формулы позволяет выбрать для известной номенклатуры цеха и известного количества печей их оптимальную производительность. Эта программа может работать отдельно, когда на стадии постановки задачи необходимо определить производительности печей.

Для второго этапа решения задачи оптимизации все типоразмеры располагаются по возрастанию параметра стабилизации, и по формуле (13) происходит распределение номенклатуры типоразмеров заготовок по печам. Оптимальный размер партии определяется по формуле

I_(Ка-(Ш)-Х,„ои-КшГКпг_(14)

\ ' К., " Кпр ' Ко,, • К„ • Км / С, + + ) ■ где Ки1, — количество изделий /-го типоразмера, которое необходимо изготовить за расчетный период шт.; К„„ - коэффициент перевыполнения задания; Мгоа - количество рабочих суток в рассчитываемый год; — количество рабочих суток за расчетный период; Ксл - коэффициент сложности, учитывающий время на переналадку режима работы; КАз - коэффициент дополнительной заработной платы; К„р - коэффициент премии; Ксоц — коэффициент отчислений на социальное страхование; Красл

- расценка операции ковки детали /'-го типоразмера, руб.; Реес1 — масса комплекта заготовок ¡-го типоразмера, кг; Бьи — затраты на материал для /-го вида продукции, руб/кг; 5*3., - косвенные затраты цеха (затраты на содержание и эксплуатацию оборудования, цеховые затраты /-го вида продукции), руб/кг.

Предложена методика и разработан алгоритм математической модели двухэтап-ной оптимизации (см. рис.11), которая позволяет решать ряд задач для действующих кузнечно-штамповочных производств:

- проводить тренинг и подбор персонала для работы на производстве;

- управлять производством;

- прогнозировать работу производства на заданный период времени с учетом различных технологических и производственных ограничений;

- разрабатывать технически обоснованные режимно-технологические карты нагрева заготовок;

ВХОДНЫЕ ПАРАМЕТРЫ МАТЕМАТИЧЕСКОЙ

МОДЕЛИ_

+ -

РАСЧЕТ ПРОЦЕССА ГОРЕНИЯ ТОПЛИВА

I Определение начальных условии ' 1

ОПРЕДЕЛЕНИЕ В ПЕРВОМ ПРИБЛИЖЕНИИ ВНЕШНИХ ПАРАМЕТРОВ ТЕПЛООБМЕНА

Период йыдермскл

£

- разрабатывать технически обоснованные нормы расхода топлива и электроэнергии на установке печь -молот. Предложено для обучения НС использовать математическую модель кузнечно-штамповочного производства (см. рис. 11) и полученную нейросетевую программу применять для оперативной работы производства с определением технически обоснованных норм расхода энергии для конкретного предприятия для существующих и новых изделий.

В седьмой главе представлена методика по оптимизации расхода топлива в печах с садочной загрузкой металла (рис.12). Для решения задачи использовалась математическая модель теплового расчёта печи с садочной загрузкой, основанная на решении сопряжённой задачи теплообмена, в которой были объединены периоды нагрева и выдержки металла в едином алгоритме.

Математическая модель строится на основании решения сопряженной задачи теплообмена в системе газ — кладка — металл при условии радиационно-конвективного нагрева на внутренней поверхности кладки и металла и граничных условиях 3-го рода на наружной поверхности кладки. Между металлом и подом печи приняты адиабатные условия теплообмена В качестве математического метода моделирования принята неявная конечно-разностная схема. Газовый объем в рабочем пространстве печи принят изотермичным. Температурные поля ограждений и металла сводятся к температурному полю пластин. Излучение газа, кладки и металла принято серым.

Разработанная математическая модель была реализована в виде программы для использования её при расчёте технически обоснованных норм расхода топлива и разработки технологических карт нагрева металла для камерных нагревательных и термических печей, работающих в садочном режиме. Результаты расчёта программы были сопоставлены с результатами экспериментальных замеров и отличаются не более чем на 5 %. Для оптимизации режима работы печи был предложен к использованию универсальный генетический алгоритм, позволяющий эффективно сократить время счёта при выборе оптимального режима работы печи.

В разработанную математическую

ОПРЕДЕЛЕНИЕ ТЕМПЕРАТУРНЫХ ПОЛЕЙ МЕТАЛЛА И КЛАДКИ

РАСЧЕТ ТЕПЛОВОГО БАЛАНСА ПЕЧИ ПО ЗАДАННОМУ РАСХОДУ ТОПЛИВА И ОПРЕДЕЛЕНИЕ Тг

РАСЧЁТ ТЕПЛОВОГО БАЛАНСА ПЕЧИ И ОПРЕДЕЛЕНИЕ РАСХОДА ТОПЛИВА

УТОЧНЕНИЕ РАСХОДА ТОПЛИВА

УТОЧНЕНИЕ ПАРАМЕТРОВ ВНЕШНЕГО ТЕПЛООБМЕНА

Блок оптимизации

]

ОПРЕДЕЛЕНИЕ НОРМ РАСХОДА ТОПЛИВА

Рис. 12. Составные части математической модели нагревательной печи с садочной загрузкой

модель добавлен блок оптимизации для расчёта оптимального режима работы печи,

в котором в качестве целевой функции используется минимальный суммарный за

Л/

периоды нагрева и выдержки расход топлива •

о

В качестве варьируемого параметра принят расход топлива, который в период нагрева может подаваться на каждом расчётном интервале, или минимальным, или максимальным. В данном примере принято, что время выдержки незначительно и на решение задачи оптимизации не влияет.

Задача оптимизации сводится к выбору режима подачи расхода газа Вн (г) в период нагрева тн при условии изменения времени (0 < г < г„). Расход газа в период нагрева представлен в виде кусочно-непрерывной функции, которая удоатетворяет ограничению

Выш^Вн(т)<Вмлх. (15)

Оптимальное решение лежит в диапазоне между двумя крайними решениями подачи топлива в печь. В первом случае горелки в период нагрева могут работать с максимальным расходом топлива ВМ1Г (рис. 13, линия б), во втором - с минимальным расходом Вкю (рис. 13, линия а).

На первом этапе подготовки решения задачи оптимизации необходимо определить максимальное количество шагов по времени.

Для этого рассчитывается режим с подачей в горелки минимального расхода топлива. Чтобы оценить точность и время решения задачи оптимизации режима подачи топлива с помощью генетического алгоритма, необходимо решить её с использованием метода перебора вариантов. На каждом временном шаге в период нагрева металла топливо подаётся или с минимальным, или с максимальным расходом (соответствует двухпозиционному закону регулирования с «малым» и «большим» горением). В качестве примера проведён расчёт камерной термической печи. Количество закодированных вариантов подачи топлива принималось равным 18. Таким образом, закодированный вариант подачи топлива с минимальным расходом топлива на всех временных участках составит код 000000000000000000.

Задача метода перебора вариантов заключается в нахождении варианта кода, который удовлетворит условию= min .

о

Поле искомых воздействий на подачу топлива лежит между вариантами подачи топлива а и б. Для получения этого решения была составлена программа, и после расчёта более 370000 вариантов было получено оптимальное решение (рис.13, линия в). Время счёта на компьютере Пентиум-3 составило более 3 суток.

При использовании генетического алгоритма результаты вычислений полностью совпали с методом перебора вариантов уже при расчёте порядка 550 вариантов вычислений. Следовательно, по генетическому алгоритму количество вычислений на 3 порядка меньше количества вычислений методом перебора вариантов.

\ 1 в

----

—i, d-. !

i

\_)» --1 i

0 10 20 30 40 50 60 70 80

Время нагрева в мин

Рис. 13.Графики подачи топлива в печь: а - подача топлива с минимальным расходом газа через горелки (по коду 000000.000000.000000);

б - подача топлива с максимальным расходом газа через горелки (по коду 111111.111111.111111);

в - подача топлива с оптимальным расходом газа через горелки (по коду 000111.110000.000000);

Использование генетического алгоритма позволило получить погрешность вычисления оптимального решения в зависимости от количества варьируемых параметров (рис.14). Анализ графика показывает, что погрешность определения минимального расхода топлива зависит от количества варьируемых параметров. Если количество варьируемых параметров составляет 18, то погрешность определения минимального расхода около 4 %. При увеличении числа варьируемых параметров до 80 погрешность уменьшается до 1 %.

Запуск камерной садочной печи может производиться из различных её состояний: длительного простоя, простоя в течение двух или одной смен или простоя при загрузке новой садки металла. На рис. 15 приведены результаты исследования влияния количества часов простоя садочной печи на относительную продолжительность времени подачи топлива в начальный период нагрева металла с минимальным расходом топлива. ± * А

4 I х

Л

5

S s

s s'

s I

s I

If f

0 С

I*

1 < е-

о

С

I i

\

2

/

о 20 40 60 80 100 Количество варьируемых параметров Рис. 14. Погрешность определения минимального расхода топлива от количества варьируемых параметров

Время простоя печи перед запуском её в работу, ч Рис. 15. Влияние количества часов простоя садочной печи на продолжительность времени подачи топлива в период

нагрева металла с минимальным расходом топлива: 1 - отношение времени подачи минимального расхода топлива к общему времени нагрева; 2 - ограничение времени подачи минимального расхода топлива к общему времени нагрева (печь находилась после длительного простоя)

Как видно из графика, с увеличением времени простоя печи во время нагрева заготовок период подачи топлива с минимальным расходом сокращается и приближается к 72,5 % от общего времени нагрева. Исследование влияния диапазона между минимальным и максимальным расходом газа показало, что максимальный эффект экономии топлива достигается при максимально возможном диапазоне между максимальным и минимальным расходом топлива.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ

В результате выполнения диссертационной работы решена важная научная проблема создания научно обоснованного подхода к эффективности и области использования методов и методик моделирования на основе инструментария нейросетевой технологии для решения задач энергоэффективности для теплотехнологических установок и систем с недостаточным информационным обеспечением.

1. Разработаны научные основы повышения энергетической эффективности теплотехнологических установок и систем с недостаточным информационным обеспечением на базе методологии применения инструментария нейросетевой технологии при моделировании их работы.

2. Для повышения энергоэффективности работающих теплотехнологических и энергетических установок разработаны нейросетевые модели работы газовой утили-

зационной турбины, камерной нагревательной печи, группы установок печь - молот, нейросетевая программа по обоснованию экономической целесообразности применения в установке печь -молот теплообменника для подогрева воздуха.

3. Предложены технико-экономические целевые функции для поиска рациональных режимов работы промышленных установок печь - молот и печь - молот -рекуператор и группы промышленных установок.

4. Разработана методика двухуровневой оптимизации кузнечного производства на основе параметра стабилизации. На первом уровне оптимизации рассматривается установка печь - молот, где в качестве целевой функции используется минимум себестоимости цехового передела на установке, а в качестве целевой функции на втором уровне используется минимум издержек цехового передела. Энергосбережение достигается за счёт уменьшения энергозатрат при переходных процессах с изменением режимов работы установок.

5. Определены рациональные режимы работы газовой утилизационной турбины, теплотехнологических установок печь - молот, печь - молот - рекуператор, камерной термической печи с садочной загрузкой, системы, состоящей из группы теплотехнологических установок печь - молот, позволяющие снизить энергозатраты на энерготехнологическую установку ГУБТ-25 и теплотехнологические установки печь -молот, печь -молот -рекуператор.

6. На основе методологии применения инструментария нейросетевой технологии для повышения энергетической эффективности камерных нагревательных печей разработаны нейросетевые программы, улучшающие потребительские свойства многоцелевого вычислительного пакета РЬоешсз. Использование их позволяет при решении задач нагрева и моделирования работы камерных нагревательных печей на основе прогнозирования точности решения и результатов моделирования (параметров качества нагрева) на стадии постановки задач снизить временные затраты на разработку и верификацию математических моделей для заданной точности результатов моделирования.

7. Предложена методика оптимизации и на её основе разработана программа, которая использует наследственный (генетический) алгоритм оптимизации расхода топлива для камерных термических печей с садочной загрузкой. Использование ГА позволило получить зависимость точности определения минимального расхода топлива от количества варьируемых параметров — количества сигналов подачи расхода топлива с «большим» или «малым» горением. Исследование полученных оптимальных режимов для разного времени простоя печи позволило сделать вывод, что с ростом времени простоя печи время подачи минимального расхода топлива в начале периода нагрева сокращается от 96 до 72,5 % по отношению к общему времени нагрева. Исследование влияния диапазона между минимальным и максимальным расходом газа показало, что максимальный эффект экономии топлива достигается при максимально возможном диапазоне между максимальным и минимальным расходом топлива.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Научные статьи, опубликованные в изданиях по списку ВАК

1. Горбунов, В. А. Прогнозирование точности результатов при решении задач теплообмена на основе нейросетевых технологий/ В.А. Горбунов// Промышленная энергетика. - 2011. -№12. - С. 48-52.

2. Горбунов, В.А. Определение целесообразности использование в установках печь-молот теплообменника для подогрева воздуха на основе нейросетевой технологии/ В.А. Горбунов// Промышленная энергетика. - 2011. - №11. - С. 38^43.

3. Горбунов, В.А. Определение эффективности утилизации доменного газа/ В.А. Горбунов, О.Ю. Нагорная // Промышленная энергетика. - 2011. - № 10. - С. 47-51.

4. Горбунов, В.А. Математическая модель кузнечно-штамповочного производства с двухуровневой оптимизацией энергетических затрат/ В.А. Горбунов// Вестник ИГЭУ -2011,-№2.-С. 27-32.

5. Нагорная, О.Ю. Использование нейросетевого подхода для получения режимных карт работы турбины ГУБТ-25'У О.Ю. Нагорная, В.А. Горбунов// Вестник ИГЭУ. - 2006. - №4. - С. 64-66.

6. Пичушкина, Е.Е. Разработка технологических карт нагрева для кузнечного цеха ОАО «Завод имени В.А. Дегтярёва»/ Е.Е. Пичушкина, В.А. Горбунов// Вестник ИГЭУ - 2005 -№4.-С. 152-153.

7. Беляева, О.М. Решение задач теплообмена в многоцелевом вычислительном комплексе/ О-М. Беляева, В.А. Горбунов// Вестник ИГЭУ. - 2005. -№4. - С.147.

8. Горбунов, В.А. Оптимальный нагрев металла с минимальным расходом топлива в камерной печи на основе «наследственного» алгоритма/ В.А. Горбунов // Изв.вузов.Черная металлургия. - 2005. -№1. - С. 57-60.

9. Долинин, Д.А. Расширение применения метода дискретного удовлетворения краевых условий на основе увеличения диапазона специальных функций при расчёте нагрева и охлаждения/ Д.А. Долинин, В.А. Горбунов// Вестник ИГЭУ. - 2004. - №3. - С. 115.

10. Карелин, М.В. Разработка задач нагрева в электротермических установках в программном комплексе «ELCUT»/ М.В. Карелин, В.А. Горбунов// Вестник ИГЭУ. -2004. -№3. -С.114.

11. Крылова, Л.С. Определение технически обоснованных норм потребления топлива и электроэнергии термическими печами для нагрева насыпных садок/ JI.C. Крылова, В.А. Горбунов, О.Б. Колибаба// Изв. вузов.Чёрная металлургия. - 1997. -№ 11. - С. 60-62.

12. Горбунов, В.А. Математическая модель для оптимизации режимов работы и определения технически обоснованных норм потребления энергии в установке нагревательная печь - молот/ В.А. Горбунов, Л.С. Крылова, О.Б. Колибаба// Изв. вузов. Чёрная металлургия. -1996. -Xsl - С. 39-43.

13. Крылова, Л.С. Решение сопряженной задачи теплообмена в нагревательных печах кузнечного производства/ Л.С. Крылова, В.А. Горбунов, О.Б. Колибаба// Кузнечно-штамповочное производство. - 1994. - № 12. - С. 18-20.

14. Бровкин, Л.А. Определение производительности нагревательных печей при проектировании теплотехнологического оборудования единичного и мелкосерийного кузнечного производства/ Л.А. Бровкин, В.А. Горбунов, Л.С. Крылова, Н.П. Воронко// Кузнечно-штамповочное производство. - 1993. - №12. - С. 23-24.

15. Бровкин, Л.А. Совершенствование организации работы нагревательных печей в мелкосерийном и единичном производстве/ Л.А. Бровкин, В.А. Горбунов, Л.С. Крылова// Куз-нечно-штамповочное производство. - 1991. - № 9. - С. 27-28.

16. Бровкин, Л.А. Определение затрат энергии па ковку в условиях машиностроительного предприятия/ Л.А Бровкин, В.А. Горбунов, Л.С. Крылова// Кузнечно-штамповочное производство -1991.-№>1.-С. 30-32.

17. Бровкин Л.А. Герметизация печи как один из параметров оптимизации ее работы/ Л.А. Брсвкин, НА Дмитриева, Л.С. Крылова, В.А. Горбунов// Изв. вузов. Энергетика -1987. -№1. - С. 90-92.

Патенты и свидетельства

1. A.c. № 1402784 СССР, МКИ3 F28 С 3/06 F24 H 1/10. Контактно-поверхностный теплообменник/ В.А. Горбунов, Л.А. Бровкин, В.Н. Дорофеев, C.B. Рудаков, В.Е. Степанов, B.C. Алехин.-№ 4054151; заявл. 14.04.86; опубл. 15.02.1988, Бюл. №22.-Зс.

2. A.c. № 1280289 СССР, МКИ3 F27 В 3/00. Печь поверхностного горения/ Л.А. Бровкин, Л.П. Олевская, В.В. Примайчек, В.А. Горбунов, Л.С. Крылова, В.Ю. Пронин, Е. В. Гусев. -№3812226; заявл. 15.11.84; опубл. 1.09.1986, Бюл.№48.-3с.

3. А.с . № 1254272 СССР, МКИ3 F 28 D 19/04 F 23 L 5/02. Ротор регенератора/ Л.А. Бровкин, В.А. Горбунов, Л.С. Крылова. -№ 38530031/24-06; заявл. 11.02.85; опубл. 30.08.1986, Бюл. № 12. -3 с.

Монографии и учебные пособия

1. Горбунов, В.А. Использование нейросетевых технологий для повышения энергетической эффективности теплотехнологических установок: монография / В.А. Горбунов; ФГБОУВПО «Ивановский государственный энергетический университет имени В.И. Ленина». - Иваново, 2011- 476 с.

2. Горбунов, В.А. Моделирование теплообмена в конечно-элементном пакете FEMLAB: учеб. пособие / В.А. Горбунов; ГОУВПО «Ивановский государственный энергетический университет имени В.И. Ленина». - Иваново, 2008.-2I6 с.

3. Горбунов, В.А. Методические указания по самостоятельному изучению многоцелевого вычислительного комплекса для решения задач по УИР, курсового и дипломного проектирования / В.А. Горбунов; под ред. Н.П. Гусенковой, Каф.ТЭВП; ГОУВПО «Ивановский государственный энергетический университет имени В.И. Ленина». - Иваново, 2005.— 32 с.

4. Горбунов, В.А. Студия разработчика Microsoft для ФОРТРАНа: учеб. пособие. В 3 ч. 4.1.Установка, особенности, работа с проектами, использование текстового редактора, контроль над исходным текстом ФОРТРАН PowerStation / В.А. Горбунов; Ивановский государственный энергетический университет имени В.И. Ленина. — Иваново, 2001.—172 с.

5. Горбунов, В.А. Математическая модель оптимизации режима работы и определения норм расхода энергии для установки печь — молот: метод, руководство / В.А. Горбунов; Ивановский государственный энергетический университет имени В.И. Ленина. — Иваново, 2000. - 71 с.

Публикации в других изданиях

1. Бровкин, Л.А. Энергосбережение от стабилизации во времени процессов нагрева и ковки как единого теплотехнологического процесса / Л.А. Бровкин, Л.С. Крылова, В.А. Горбунов // Энергосбережение в новых высокотемпературных теплотехнологических процессах: межвуз. темат. сб. №66. - М.: МЭИ, 1985. - С.43 - 48.

2. Крылова, Л.С. Оптимизация работы теплотехнологического оборудования кузнечного цеха / Л.С. Крылова, В.А. Горбунов, Л.П. Олевская // Математическое и физическое моделирование процессов в теплотехнологических установках: межвуз. сб. науч. тр.; ИвГУ. -Иваново, 1986. - С.98-103.

3. Горбунов, В.А. Энергосбережение от стабилизации режима работы теплотехнологических установок кузнечного производства / В.А. Горбунов, Н.П. Воронко, Л.С. Крылова // Моделирование процессов в теплотехнологических установках: межвуз. сб. науч. тр.; Ив-ГУ. - Иваново, 1990. - С.4-11.

4. Горбунов, В.А. Учет температурных напряжений в начальной стадии нагрева металла при организации работы нагревательных печей в мелкосерийном и единичном производстве / В.А. Горбунов, Л.С. Крылова // Энергосбережение и экология в теплотехнологических системах: межвуз. сб. науч. тр./ под ред. А.Н. Коротина; ИГЭУ. - Иваново, 1999. -С. 3-9.

5. Крылова, Л.С. Расчёт теплообмена в камерных нагревательных печах с учётом неизо-термичности газового объёма / Л.С. Крылова, В.А. Горбунов, О.Б. Колибаба// Энергосбережение и экология в теплотехнологических системах: межвуз. сб. науч. тр./ под ред. А.Н. Коротина; ИГЭУ. - Иваново, 1999,- С. 23-30.

6. Горбунов, В.А. Метод ускоренной оптимизации при определении производительности нагревательных печей / В.А. Горбунов// Энергосбережение и экология в теплотехнологи-ческих системах: межвуз. сб. науч. тр./ под ред. А.Н. Коротана; ИГЭУ. - Иваново, 1999. -

7. Горбунов, В.А. Математическая модель кузнечно-штамповочного производства на основании решения задачи двухуровневой оптимизации / В.А. Горбунов, С.А. Сенюшкин // Вопросы тепломассообмена, энергосбережения и экологии в теплотехнических процессах: сб. науч. тр./ под ред. Н.П. Гусенковой; ИГЭУ. — Иваново, 2003. - С. 110-113.

8. Горбунов, В.А. Математическая модель камерной нагревательной печи/ В.А. Горбунов // Энергосбережение, теплотехника и металлургическая теплотехника: сб. науч. тр./ под ред. Б.К. Сеничкина. - Магнитогорск: МГТУ, 2003.-С. 112- 115.

9. Горбунов, В.А. Снижение расхода топлива на базе решения задачи структурной оптимизации/ В.А. Горбунов // Повышение эффективности энергетического оборудования: материалы VI междунар. науч.- практ. конф./ под ред. А. В. Мошкарина; ИГЭУ. — Иваново, 2011.-С. 206-213.

10. Горбунов, В.А. Основы использования нейросетевой технологии для решении задач эффективности теплотехнологических установок (ТТУ) / В.А. Горбунов // Повышение эффективности энергетического оборудования: материалы VII междунар. науч.- практ. конф. - СПб.: СППУ, 2012. - С. 705 - 713.

11. Горбунов, В.А. Применение и анализ использования генетического алгоритма оптимизации для снижения расхода топлива на садочные печи/ В.А. Горбунов // Повышение эффективности энергетического оборудования: материалы VII междунар. науч.- практ. конф,- СПб.: СППУ, 2012. - С. 745 - 752.

ГОРБУНОВ Владимир Александрович

НАУЧНЫЕ ОСНОВЫ ПОВЫШЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТИ ТЕПЛОТЕХНОЛОГИЧЕСКИХ УСТАНОВОК И СИСТЕМ ПРИ НЕДОСТАТОЧНОМ ИНФОРМАЦИОННОМ ОБЕСПЕЧЕНИИ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Подписано в печать,2Л#^#^Формат 60><841/16. Печать плоская. Усл.печ.л. 2,32.

Тираж 100 экз. Заказ № Т^с?^

ФГБОУВПО «Ивановский государственный энергетический университет имени В. И. Ленина» 153003, г. Иваново, ул. Рабфаковская, 34.

Отпечатано в УИУНЛ ИГЭУ

С. 30-35.

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИНАЛЬНОГО ОБРАЗОВАНИЯ «ИВАНОВСКИЙ ГОСУДАРСТВЕННЫЙ ЭНЕРГЕТИЧЕСКИЙ УНИВЕРСИТЕТ ИМЕНИ ЛЕНИНА»

На правах рукописи

С

05201351049

Горбунов Владимир Александрович

НАУЧНЫЕ ОСНОВЫ ПОВЫШЕНИЯ ЭНЕРГОЭФФЕКТИВНОСТИ ТЕПЛОТЕХНОЛОГИЧЕСКИХ УСТАНОВОК И СИСТЕМ ПРИ НЕДОСТАТОЧНОМ ИНФОРМАЦИОННОМ ОБЕСПЕЧЕНИИ

Специальность 05.14.04 - Промышленная теплоэнергетика

Диссертация на соискание ученой степени доктора технических наук

Иваново - 2013

СОДЕРЖАНИЕ

ВВЕДЕНИЕ..............................................................................................................6

1. Состояние вопроса и задачи исследований....................................................33

1.1. Печи машиностроения и пути совершенствования их энергетических показателей ..................................................................................................................................................33

1.2. Использование нейросетевых технологий на повышение эффективности процессов и показателей производства...................................................................................................35

1.3. Методы математического моделирования, используемые в исследованиях влияния различных факторов на энергетическую эффективность...................................................37

1.3.1. Аналитические методы............................................................................................38

1.3.2. Численно-аналитические методы...........................................................................40

1.3.3. Численные методы....................................................................................................42

1.3.4. Методы решения задач внешнего теплообмена....................................................45

1.4. Методы расчета и моделирования теплотехнологических установок и современные CAE пакеты их особенности для моделирования...............................................................55

1.4.1. Моделирования теплотехнологических установок с использованием радиационно-конвективного теплообмена.......................................................................56

1.4.2. Экспериментально- статистические методы моделирования теплотехнологических установок.....................................................................................63

1.4.3. Программные комплексы, используемые для моделирования теплотехнологических установок.....................................................................................72

1.5. Направления повышения энергетической эффективности теплотехнологических установок.................................................................................................................................79

1.5.1. Определение точности математических моделей................................................79

1.5.2. Повышение эффективности с помощью учета сопряженного с печами оборудования......................................................................................................................84

1.5.3. Влияние переходных процессов в работе ТТУ на энергетические показатели производства и вторичных энергетических ресурсов после ТТУ.................................85

1.5.4. Оптимизация режимных и конструктивных параметров и современные программные комплексы по решению задач оптимизации............................................91

1.6. Выводы и задачи исследования......................................................................................98

2. Научнообоснованный подход применения инструментария нейросетевой технологии для повышения энергетической эффективности ТТУ и систем с недостаточным информационным обеспечением и принципов использования природных алгоритмов для решения задач энергетической эффективности 103

2.1. Качественный анализ повышения потребительских свойств нейросетевого моделирования по сравнению с традиционным классическим моделированием..........106

2.2. Оценка точности нейросетевого моделирования по сравнению с линейным и множественным регрессионным моделированием...........................................................110

2.3. Признаки, при которых моделирование объектов предпочтительней с использованием нейросетевой технологии........................................................................111

2.4. Анализ этапов разработки нейросетевых моделей и выбор предпочтительного инструментария из нейросетевых технологий...................................................................112

2.5. Принципы использования природных алгоритмов для решения оптимизационных задач по режимам работы теплотехнологических установок......................................132

3. Использование нейросетевой технологии для эффективности использования многоцелевых вычислительных комплексов при решении

задач теплообмена и для повышения энергетической эффективности при эксплуатации тепло и энергетических установок....................................142

3.1. Повышение эффективности использования многоцелевых вычислительных комплексов при решении задач теплообмена на основе определения точности решения на стадии постановки задачи...............................................................................................142

3.2. Решение задачи нагрева металла при граничных условиях первого рода и определение точности этого решения с помощью нейросети..........................................146

3.3. Решение задачи нагрева металла при ГУ второго рода и определение точности этого решения с помощью нейросети...........................................................................................151

3.4. Решение задачи нагрева металла с переменными теплофизическими свойствами при граничных условиях первого рода и определение точности этого решения с помощью нейросети...............................................................................................................................154

3.5. Использование нейросетевых технологий для повышения энергетической эффективности газовой утилизационной бескомпрессорной турбины (ГУБТ).............157

3.5.1. Краткая характеристика объекта исследования..................................................157

3.5.2. Оценка режимных параметров, влияющих на энергетическую эффективность работы турбины................................................................................................................159

3.5.3. Оценка технологических ограничений, влияющих на работу турбоустановки ............................................................................................................................................162

3.5.4. Сбор информации и исходных данных для составления статистической математической модели по работе турбоустановки......................................................164

3.5.5. Выбор математического метода по моделированию режимных параметров работы турбины и составление алгоритма и программы моделирования режимов её работы................................................................................................................................171

3.5.6. Разработка режимных карт работы ГУБТ-25.....................................................182

3.6. Использование нейросетевых технологий для повышения энергетической эффективности камерных кузнечных печей......................................................................191

3.6.1. Экспериментальные данные по нагреву металла................................................191

3.6.2. Применение нейросетевой технологии при определении параметров качества нагрева заготовок в камерных печах при недостатке экспериментальных данных ..219

4. Использование нейросетевых технологий при выборе технического

решения при реконструкции теплотехнологических установок для

повышения их эффективности...........................................................................229

4.1. Решение задачи расчета печи, молота и оптимизации режима работы установки. 229

4.1.1. Математическая модель нагревательной печи с непрерывным процессом загрузки выгрузки металла..............................................................................................230

4.1.2. Математическая модель приводного пневматического молота для свободной ковки..................................................................................................................................246

4.1.3. Описание модели, оптимизации режима работы установки..............................249

печь - молот......................................................................................................................249

4.1.4. Структура математической модели установки печь -молот, входные данные модели................................................................................................................................258

4.1.5. Результаты работы математической модели установки.....................................260

печь - молот......................................................................................................................260

4.2. Применение нейросетевой технологии для моделирования установки печь - молот ................................................................................................................................................263

4.3. Решение задачи расчета печи, молота, рекуператора и оптимизации режима работы установки печь - молот -рекуператор.............................................................................272

4.4. Применение нейросетевой технологии для обоснования целесообразности применения в установке печь - молот теплообменника для подогрева воздуха...................................................................................................................................278

4.4.1 Применение программы Neuro Pro в решении задачи классификации

............................................................................................................................................279

4.4.2. Разработка моделирующей программы по вербальному описанию сети после её

обучения в Neuro Pro........................................................................................................284

4.4.3. Верификация программы по принятию решения об установке рекуператора для подогрева воздуха.............................................................................................................285

4.4.4. Применение программы по принятию решения об установке рекуператора для подогрева воздуха.............................................................................................................286

5. Применение нейросетевой технологии при прогнозировании точности вычисления параметров качества нагрева металла в камерных печах в пакете Phoenics.....................................................................................................290

5.1. Математическая модель камерной кузнечной печи № 2 в многоцелевом вычислительном комплексе..................................................................................................290

5.2. Сопоставление результатов моделирования с экспериментальными данными......306

5.3. Математическая модель камерной нагревательной печи №5...................................308

5.4. Создание базы данных..................................................................................................310

5.5. Обработка результатов с помощью нейронных сетей...............................................313

5.6. Проверка адекватности нейросети на печи №3.........................................................316

6. Обучение нейросетей с помощью сложных математических моделей и на этой основе более совершенной организации работы теплотехнологических установок..............................................................................................................320

6.1. Влияние на энергетическую эффективность переходных процессов в теплотехнологических установках......................................................................................320

6.1.1. Параметр стабилизации режимов для камерных нагревательных печей с непрерывным процессом загрузки - выгрузки..............................................................321

6.2. Определение производительности нагревательных печей для проектирования нового кузнечного цеха при известной номенклатуре изделий выпускаемых цехом... 327

6.2.1. Исследование выбора типа средневзвешенного параметра стабилизации на определение производительности печей........................................................................329

6.2.2. Метод ускоренного решения задачи оптимизации по определению производительности нагревательных печей..................................................................334

6.3. Использование параметра стабилизации для улучшения организации работы производства действующего кузнечно-штамповочного цеха.............................338

6.3.1. Учёт температурных напряжений в начальной стадии нагрева металла........338

6.4. Оптимизация организации и прогнозирование работы теплотехнологических установок при работе производства с полной загрузкой..................................................343

6.5. Математическая модель кузнечно-штамповочного производства на основании решения задачи двухуровневой оптимизации...................................................................353

6.6. Тренажёры менеджеров и теплотехнологов машиностроительного производства ................................................................................................................................................371

6.7. Использование нейросетей для определения технически - обоснованных режимов работы установок..................................................................................................379

7. Использование природных алгоритмов для решения оптимизационных задач по режимам работы теплотехнологических установок.........................383

7.1. Оптимальный нагрев металла с минимальным расходом топлива в камерной термической печи на основе генетического алгоритма....................................................383

7.2. Математическая модель камерной нагревательной печи с садочной загрузкой.....384

7.3. Сопоставление результатов расчета на математической модели с данными промышленного эксперимента............................................................................................393

7.4. Постановка задачи оптимизации работы печи...........................................................395

7.5. Генетический алгоритм для решения задачи оптимизации расхода топлива на печь ................................................................................................................................................397

7.6. Исследования режимов работы камерных термических печей, работающих в

садочном режиме..................................................................................................................400

Заключение............................................................................................................................405

Библиографический список................................................................................409

Приложения.......................................................................................................................437

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ ЕДИНИЦ И ТЕРМИНОВ

ТЭР - топливно-энергетические ресурсы; КПД - коэффициент полезного действия; ТТУ - теплотехнологическая установка; ГУ - граничные условия;

ДУКУ - дискретного удовлетворения краевых условий;

ЗУП - зональный с условными поверхностями;

ГУБТ - газовая утилизационная бескомпрессорная турбина;

ОДУ - обыкновенные дифференциальные уравнения;

ГА - генетический алгоритм;

КШП - кузнечно-штамповочное производство;

ВЭР - вторичные энергетические ресурсы;

СП - средние потоки.

ВВЕДЕНИЕ

1. Объектом исследования являются промышленные печи и их энергоутилизационное оборудование. Промышленный тепло технологический комплекс это один из основных потребителей ТЭР страны. Только одни высокотемпературные системы с основным технологическим звеном - промышленными печами, по уровню прямого потребления органического топлива конкурируют с производством электроэнергии на тепловых электрических станциях [80]. Промышленные печи широко используются в промышленности для процессов производства и термообработки металлов. Основные непроизводительные потери энергии чаще всего происходят на стадии её использования, к которым относятся потери связанные с низким КПД теплотехнологических энергопотребляющих установок в промышленности [415]. ТТУ работают с высокими удельными расходами топлива [183]. Приведенные в [183] примеры неэффективного использования ТЭР указывают на необходимость глубокого энергетического анализа промышленных предприятий с последующей разработкой и внедрением энергоэффективных теплотехнологий и установок. К этому следует добавить, что они являются наиболее энергозатратными установками машиностроительной и металлургической промышленностей.

При исследовании промышленных печей с целью повышения их энергетической эффективности следует также помнить, что они в первую очередь являются технологическим оборудованием и основным их назначением является получение качественной продукции. Решение этой задачи наряду с повышением энергетической эффективности установок является основной при моделировании процессов происходящих в них. Наряду с этими задачами решаются и вопросы воздействия этих объектов на окружающую среду. Представленные в работе методики интересны и с точки зрения подходов для решения конкретных прикладных задач, связанных с уточнением и повыше-

нием эффективности математического моделирования этих объектов и их взаимодействия в теплотехнологической системе.

Для решения многих прикладных задач в работе используется в последнее время активно развивающийся математический аппарат, основанный на использовании нейросетевых и генетических алгоритмов, который позволяет решать прикладные задачи, которые ранее вызывали затруднения при их решении.

Например, при оптимизации режима работы газовой утилизационной турбины ГУБТ-25 удалось получить около одного ,МВт дополнительной мощности [81].

2. Краткая история развития объекта исследования. Впервые в мире строгую научную теорию печей создал В. Е. Грум-Гржимайло [116]. В 20 -30-е годы прошлого века исследования в области печестроения были систематизированы в книге « Справочник конструктора печей» под редакцией В. Е. Грум-Гржимайло. Сорокалетний опыт системных исследований в области теплового и аэродинамического расчёта и конструирования печей в области печестроения был зафиксирован в справочнике при разработке, которого принимали активное участие сотрудники Стальпроекта [372]. Разработкой энергосберегающего оборудования для ТТУ и внедрением его на предприятиях машиностроения и металлургии успешно кроме института Стальпроект занимается институт Теплопроект.

Однако методики по выполнению тепловых и аэродинамических расчётов печей и утилизационного оборудования, активно развиваемые в конце прошлого столетия [316], строились на инженерных методах расчёта, в которых принимались значительные упрощения. Эти методы не позволяли решать оптимизационные задачи сложного уровня, расчётные методы, применяемые для численных исследований, зачастую, из-за низкого развития вычислительной техники было тяжело использовать для с