автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Разработка и применение алгоритмов и комплекса программ распознавания образов для прогноза теплового состояния технологических процессов

На правах рукописи

КАЗАНЦЕВ Сергей Владимирович

РАЗРАБОТКА И ПРИМЕНЕНИЕ АЛГОРИТМОВ И КОМПЛЕКСА ПРОГРАММ РАСПОЗНАВАНИЯ ОБРАЗОВ ДЛЯ ПРОГНОЗА ТЕПЛОВОГО СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ (НА ПРИМЕРЕ ДОМЕННОЙ ПЛАВКИ)

Специальность 05 13 18-Математическое моделирование, численные методы и комплексы программ

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

□ОЗОВ4ВХ1

Екатеринбург - 2007

003064611

Работа выполнена в ГОУ ВПО «Уральский государственный технический университет - УПИ»

Научный руководитель Доктор технических наук, профессор

Спирин Николай Александрович

Официальные оппоненты: Доктор технических наук, профессор

Гольдштейи Сергей Людвигович

Кандидат технических наук, старший научный сотрудник

Кобелев Владимир Андреевич

Ведущая организация

ОАО «Нижнетагильский металлургический комбинат»

Защита состоится 21 сентября 2007 г в 15 ч 00 мин на заседании диссертационного совета К212 285 02 в ГОУ ВПО «Уральский государственный технический университет - УПИ» по адресу. 620002, г Екатеринбург, К-2, ул Мира, 32, ауд. Р-217

Ваш отзыв на автореферат, заверенный печатью предприятия, просим направлять по адресу 620002, Екатеринбург, ул Мира, 19, ГОУ ВПО УГТУ-УПИ, ученому секретарю.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «Уральский государственный технический университет - УПИ»

Автореферат разослан 20 августа 2007 г Ученый секретарь

диссертационного совета

Морозова В А

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Современный этап развития металлургического производства характеризуется разработкой, внедрением и широким использованием компьютерных систем поддержки принятия решения, выполненных на основе методов математического моделирования и экспертных систем Их применение в сочетании с комплексом прочих программно-аппаратных средств позволяет строить мощные и эффективные системы управления технологическими операциями Однако при разработке сложных систем часто возникают проблемы, связанные с недостаточной изученностью протекания некоторых процессов. Это значительно затрудняет разработку аналитических моделей и экспертных подсистем в рамках разрабатываемой системы управления

Контроль теплового состояния доменной печи является важной задачей управления ходом плавки Успешное решение задачи обеспечивает повышение технико-экономических показателей плавки, качества выплавляемого чугуна и безопасности работы доменных печей

На современном уровне развития металлургического производства не существует надежных методов контроля и прогнозирования теплового состояния доменной плавки Это связано в первую очередь с высокой сложностью доменного процесса и отсутствием его полного математического описания Диагностика состояний процесса с использованием реально имеющейся информации за ограниченный интервал времени на основе математических моделей не всегда возможна и представляется одной из основных проблем математического моделирования доменного процесса Таким образом, актуальной является задача поиска новых подходов к решению проблемы диагностики теплового состояния доменной печи

Настоящая работа посвящена вопросам разработки алгоритмического и программного обеспечения для прогнозирования теплового состояния доменной печи, и в частности величины содержания кремния в чугуне, с использованием методов распознавания образов

Цель работы. Разработка алгоритма и программного обеспечения для прогнозирования теплового состояния доменной печи на основе использования методов распознавания образов.

Методы исследований. Методической основой диссертационной работы является использование многофакторного анализа, в частности методов распознавания образов, а также современных информационных технологий и средств разработки программного обеспечения

Научная новизна исследования состоит в том, что

- разработан алгоритм решения задачи прогнозирования теплового состояния (по величине содержания кремния в чугуне) доменной печи,

- построена и апробирована модель в виде коллектива решающих правил, полученных на основе разнородных алгоритмов распознавания образов в признаковых пространствах разной размерности, показавшая при тестировании на реальных данных 81 % совпадения результатов прогноза с фактическими данными,

- предложен новый алгоритм формирования информативных подсистем признаков, учитывающий особенности работы со статистически

зависимыми и статистически независимыми признаками,

- в целях повышения качества прогнозирования теплового состояния доменной печи наряду с автоматически измеряемыми показателями процесса плавки использованы комплексные параметры теплового, шлакового и газодинамического режимов, полученные с использованием модели доменного процесса УГТУ-УПИ,

Практическая значимость. Полученные в ходе выполнения работы результаты найдут практическое применение

- при совершенствовании методов управления ходом доменной плавки, что позволит повысить технико-экономические показатели выплавки чугуна;

- разработке современных интеллектуальных систем управления металлургическими агрегатами,

- преподавании дисциплин для студентов соответствующих специальностей

Достоверность полученных положений, выводов и рекомендаций

основана на применении современной методологии исследований, хорошо зарекомендовавших себя методов анализа данных, а также на совпадении экспериментальных и прогнозируемых значений параметров

Использование результатов работы. Разработанный алгоритм прогнозирования явился основой практической реализации программного продукта для прогнозирования технологических параметров доменной плавки с использованием методов распознавания образов («Прогноз-ТП»), предназначенного для опытно-промышленного использования инженерно-техническим персоналом металлургических заводов, имеющих доменное производство

Программное обеспечение передано аглодоменному отделу центра АСУ управления информационных технологий ОАО «ММК» для испытания

Материалы диссертации внедрены в учебный процесс в ГОУ ВПО УГТУ-УПИ при преподавании следующих дисциплин

- направление 230200 - Информационные системы (дипломированные специалисты) Специальность 230201 - Информационные системы и технологии Дисциплины

• Проектирование пакетов прикладных программ;

• Информационные системы в металлургии,

• Моделирование процессов и объектов в АСУТП

- направление 651300 - Металлургия (дипломированные специалисты) Специальность 150103 - Теплофизика, автоматизация и экология промышленных печей Дисциплина - Информационные технологии в металлургии

Личный вклад автора состоит в разработке алгоритма прогнозирования теплового состояния доменной печи на основе методов распознавания образов (РО) и создании соответствующего программного обеспечения

Предмет защиты:

- обоснование использования методов РО для прогнозирования теплового состояния доменной печи (по величине содержания кремния в чугуне),

- алгоритм прогнозирования величины содержания кремния в чугуне с использованием методов распознавания образов,

- новый алгоритм формирования информативных подсистем признаков,

- программное обеспечение для оперативного решения задачи прогнозирования теплового состояния доменной печи

Апробация работы. Материалы исследований доложены на конференциях

- международного уровня

конференции «Информационно-математические технологии в экономике, технике и образовании» Екатеринбург, 2006,

- всероссийского уровня:

IV Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве» Новокузнецк, 2003, 6-й Всероссийской научно-технической конференции Магнитогорск, 2005, 2-й Всероссийской научно-практической конференции «Моделирование, программное обеспечение и наукоемкие технологии в металлургии» Новокузнецк, 2006 Публикации. Основные положения диссертации опубликованы в 10 печатных работах, в том числе в двух научных публикациях в изданиях, рекомендованных ВАК, и пяти докладах в сборниках трудов конференций

Структура и объем диссертации. Диссертационная работа изложена на 154 страницах машинописного текста, включая 26 рисунков, 11 таблиц, и состоит из общей характеристики работы, 5 глав, заключения, библиографического списка из 143 источников отечественных и зарубежных авторов, 4 приложений

СОДЕРЖАНИЕ РАБОТЫ

Во вступительной части сформулированы актуальность темы, цели и задачи исследования, дана характеристика ее научной новизны и практической ценности, отражены внедрение результатов работы и ее апробация, приведены структура и объем диссертации

В первой главе «Состояние вопроса, постановка задач диссертационной работы» рассмотрено состояние вопроса в области решения задач эффективного управления сложными энергонасыщенными агрегатами в металлургии на примере доменного производства Показано, что в современных условиях актуальна задача совершенствования методов контроля и прогнозирования теплового состояния доменной печи

В настоящее время достигнуты значительные успехи в создании информационно-управляющих систем для доменного производства Эти системы построены на основе математических моделей, описывающих доменный процесс, однако, несмотря на многовековую историю его существования, в силу исключительной сложности его явлений в настоящее время невозможно создание полной аналитической математической модели этого процесса Увеличение сложности моделей и числа учитываемых факторов не приводит к повышению надежности результатов моделирования Это в полной мере относится и к области моделирования теплового состояния печи Отсутствие совершенных моделей, описывающих тепловое состояние доменной печи, делает невозможным выполнение качественного прогноза состояния в целях оптимального управления процессом плавки Очевидно, что подобные проблемы существуют и для других технологических процессов металлургического производства

В качестве дополнительного подхода к решению задачи диагностики и прогноза теплового состояния доменного процесса в работе предлагается использование методов распознавания образов (РО) Отличие данного подхода от традиционных методов моделирования зависимостей на основе имеющихся знаний о закономерностях изучаемого процесса состоит в том, что при построении моделей он основывается на принципах обучения с использованием статистического материала наблюдений за характеристиками процесса

На основании выполненного аналитического обзора состояния вопроса сформулирована цель работы и дано обоснование задач исследования

Достижение поставленной цели реализуется решением следующих задач

- обоснование выбора методов распознавания образов для решения задачи прогнозирования теплового состояния доменной печи,

- сбор, предварительная обработка и оценка качества технологических данных о работе доменных печей,

- оценка возможности интеграции математической модели доменного процесса УГТУ-УПИ и методов РО для прогнозирования технологических параметров доменной плавки,

- разработка алгоритма прогнозирования теплового состояния доменной печи на основе методов РО и соответствующего программного обеспечения, предназначенного для оперативного решения задачи прогноза

Во второй главе «Технологические основы создания системы прогнозирования теплового состояния доменной печи на основе методов распознавания образов» рассмотрена физическая постановка задачи, приведено обоснование корректности оценки теплового состояния доменной печи по результатам прогноза величины содержания кремния в чугуне Сформированы 1руппы технологических параметров доменной плавки, имеющих отношение к решению данной задачи

Тепловой режим доменной плавки определяется совокупностью распределенных параметров состояния процесса, характеризующих тепловые явления в печи, и входных воздействий, обусловливающих эти явления Регулирование теплового состояния доменной печи является одной из основных задач ведения процесса В настоящее время тепловым режимом печи управляют, опираясь, в основном, на визуальные наблюдения за чугуном и шлаком на выпусках, а также на результаты анализа их свойств, поступающие с определенной задержкой При относительно небольших колебаниях условий плавки с тепловым режимом тесно связаны содержания кремния и серы в чугуне Особенно «чувствительным» к тепловому режиму является содержание кремния В современной технологии доменного производства оно определяется только после выпуска, что вносит значительное запаздывание в процесс корректировки управляющих воздействий на ход доменной плавки

Прогнозирование величины содержания кремния в чугуне до его выпуска из печи является задачей, которую до настоящего времени не удалось решить с использованием традиционных методов математического моделирования Актуальность этой задачи подтверждается анализом колебаний величины содержания кремния в чугуне, выполненным на примере типовой, с точки зрения технологии плавки, доменной печи (ДП №2 ОАО «ММК») Величина колебаний данного параметра за период с 01 12 05 по 09.12 05 лежит в диапазоне значений от 0,35 до 1,25 %, при том, что в соответствии с технологической инструкцией по доменной плавке нормальные значения величины содержания 1фемния должны находится в диапазоне

от 0,55 до 0,7 % Успешное решение указанной задачи позволило бы надежно и своевременно контролировать тепловое состояние доменной печи

Особенностью реализованного в данном исследовании подхода к прогнозированию теплового состояния доменной печи является необходимость обработки значительных объемов информации о работе доменных печей Требованиям к обеспечению этими данными удовлетворяет большинство информационных систем, функционирующих на крупных металлургических предприятиях России Все данные о работе отдельных доменных печей и доменного цеха в целом собираются и хранятся в специализированных базах данных доменного цеха

Для выполнения качественного прогнозирования теплового состояния доменной плавки на основе величины содержания кремния был сформирован список параметров, использование которых позволяло бы эффективно определять прогнозируемую величину Формирование искомой подсистемы признаков осуществляется включением в нее параметров, наиболее значимых по мнению экспертов в исследуемой области Затем с помощью формальных методов РО выполняется корректировка предложенного экспертами набора

признаков с использованием всей доступной в данном исследовании системы описания объекта

Работа доменной печи характеризуется большим числом параметров, которые в контексте решаемой задачи были разделены на четыре группы (табл I)

Таблица 1

Перечень основных параметров, характеризующих ход доменной плавки

№ п/п Параметры, характеризующие ход доменной плавки

1 Параметры, характеризующие виды, химический состав и физические свойства загружаемых шихтовых материалов: • виды и масса загружаемых железорудных материалов (ЖРМ) • средневзвешенное содержание в ЖРМ отдельных компонентов (Ре, РеО, СаО, вЮг, 8,1^0, А1203 и др ) • гранулометрический состав ЖРМ • масса флюсов в подачу • средневзвешенное содержание во флюсах отдельных компонентов (СаО, Ре,8102,А120з,М80г(др) • масса кокса в подачу • свойства кокса (прочности, истираемость, реакционная способность, содержание в коксе влаги, золы, серы) • гранулометрический состав кокса

2 Дутьевые параметры и параметры, непосредственно контролируемые измерительной аппаратурой на печи: • выход колошникового газа • данные о давлениях (горячего дутья, колошникового газа, пара на печь, природного газа, холодного дутья) • перепады давлений (верхний, нижний, общий) • параметры подач (число и масса материалов в подачу) • температуры (колошниковых газов по газоотводам, периферийных газов по окружности, газа по радиусу, горячего дутья, воздуха на охлаждение лещади, пара на печь) • расходы (пара на печь, горячего дутья на фурму, пара на увлажнение, природного газа, холодного дутья) • содержание 02 в дутье • содержание в колошниковом газе (СО, С02, Н2) • параметры фурм (число, диаметр, высов) • система загрузки • уровни засыпи • скорость схода шихты на колошнике

3 Параметры, характеризующие состав и свойства жидких продуктов плавки (чугуна, шлака): . состав чугуна [С], [вг], [Мп] [Б], [Р], [Ъ], [V] • состав шлака (СаО), (8Ю2), (А1203), (М£0), (ТЮ2), Я, (СаО + Мё0) / (ЭЮг + А1203) • температура чугуна • масса чугуна за выпуск • масса шлака за выпуск

4 Расчетные параметры (по модели УГТУ-УПИ): • параметры шихты (удельный расход железа, теоретический выход

Окончание табл. 1

№ п/п Параметры, характеризующие ход доменной плавки

чугуна) • параметры дутьевого режима (теоретическая температура горения, протяженность окислительных зон, кинетическая энергия дутья, скорость истечения, объемный индекс интенсивности) • параметры колошникового газа (степени использования СО, Нг) • оценка показателей тепловой работы печи (тепловая мощность газового потока, показатель теплового состояния низа печи, степень прямого восстановления идр) • оценка параметров шлака (выход шлака по балансу СаО, по шлакообразующим оксидам, основность шлака СаО/вЮг, вязкость ишака при температуре 1400-1500 °Сидр) • газодинамика плавки (степень уравновешивания шихты газовым потоком, коэффициент сопротивления столба шихты, эквивалентный диаметр кокса, шихты идр)

В ходе совместной работы со специалистами по доменной плавке ОАО «ММК» из всего множества технологических параметров был выбран набор таких, которые, по мнению экспертов, влияют на значение прогнозируемой величины - содержание [81] Этот список (табл 2) был взят в качестве базового для последующего формирования информативной подсистемы признаков

Таблица 2

Список параметров, определяющих величину содержания кремния в чугуне

(по мнению экспертов)

№ п/п Параметр Единица измерения

1 Масса ЖРМ в подачу т/подача

2 Масса кокса в подачу т/подача

3 Эквивалентный диаметр кокса мм

4 Эквивалентный диаметр ЖРМ мм

5 Скорость схода шихты м/час

6 Содержание в коксе золы %

7 Горячая прочность кокса %

8 Истираемость кокса по М10 %

9 Реакционная способность кокса %

10 Суммарная масса Fe, FeO, СаО, AI2O3, MgO, S1O2, S во всех загружаемых шихтовых компонентах т/подача

И S1O2/AI2O3 - кремниевый модуль для ЖРМ доли ед

12 Расход горячего дутья м:5/мин

13 Содержание О2 в дутье %

14 Расход природного газа м3/мин

15 Расход пара на увлажнение т/час

16 Давление горячего дутья ати

17 Температура горячего дутья °С

18 Средняя температура колошникового газа °С

19 Теоретическая температура горения °С

20 Максимальная разность температур колошниковых газов °с

Окончание табл 2

№ п/п Параметр Единица измерения

21 Средняя температура периферийного газа °С

22 Максимальная разность температур периферийных газов °С

23 Перепад давления нижний, верхний, общий атм

24 Протяженность окислительной зоны мм

25 Система загрузки

26 Показатель теплового состояния низа печи кДж/т

27 Суммарное значение прихода тепла в печь кДж/тчуг

28 Степень прямого восстановления доли ед

29 Объемный индекс интенсивности т кокса /(м* сутки)

30 Степень использования СО и Н2 %

Учет динамики доменного процесса Доменный процесс относится к классу систем, обладающих значительным транспортным запаздыванием и инерцией Инерция и запаздывание обусловливают протекание переходных процессов, возникающих при изменении параметров дутья, свойств и состава загружаемых материалов Так, учет транспортного запаздывания по каналу изменения рудной нагрузки выполняется путем введения временного сдвига, связанного со временем опускания шихтовых материалов по высоте доменной печи

Для учета инерционности воздействия отдельных параметров на состав продуктов плавки для них вводятся временные сдвиги (рис 1) В соответствии с приведенным в табл 2 списком параметров для анализируемого периода работы печи был сформирован почасовой массив векторов-наблюдений за процессом При этом каждый вектор содержал значения перечисленных показателей, усредненные за соответствующий час работы печи

В качестве вектора, описывающего текущее состояние печи при выпуске чугуна, принимался ближайший по времени почасовой вектор Временной сдвиг значений параметров вектора по отношению к этому выпуску полагался равным 0 час, временной сдвиг предыдущего вектора - 1 час и тд Оптимальные значения временных сдвигов для отдельных параметров определялись на основе оценки информативности признаков в соответствии со следующим алгоритмом

1) с учетом данных имеющихся исследований по динамическим детерминированным моделям (ВНИИМТ), для отдельного параметра определяется временной интервал переходного процесса, в пределах которого может варьироваться величина временного сдвига,

2) в пределах выбранного временного интервала для исследуемого параметра выбираются 2-3 значения временных сдвигов,

3) исследуемый параметр, взятый с учетом каждого из выбранных временных сдвигов, включается в систему описания процесса плавки как самостоятельный признак, т е если, например, для некоторого параметра X предполагается оценить 3 значения величины сдвига (0, 2 и 4 часа), в систему описания включается 3 признака Хо, Х2 и Х4, имеющие смысл параметра X без сдвига по отношению к моменту выпуска, а также со сдвигами на 2 и 4 часа,

4) в соответствии с полученной системой описания формируется массив векторов, соответствующих выпускам чугуна в анализируемом периоде,

5) выполняется оценка информативности и ранжирование признаков на основе алгоритмов «по разности средних значений» и «по разности частот встречаемости»,

6) временные сдвиги (один или несколько), при которых исследуемый параметр показал наибольшую информативность, принимаются как наиболее оптимальные

Таким образом, в качестве значения рассматриваемого параметра текущего вектора для дальнейшей обработки берется его величина из вектора, описывающего прошлое состояние процесса плавки, отстоящее на величину временного сдвига Значения параметров, для которых инерционность воздействия полагается несущественной, включаются в векторы с нулевым сдвигом

Учет динамики доменного процесса является необходимым условием корректного описания объекта прогнозирования в данном исследовании, что подтверждается практическими результатами решения задачи прогнозирования

Время выпуска 1-4 час

Время выпуска г-2 час

Время выпуска. I час

Рис. 1. Суть временного сдвига для отдельного параметра плавки Р, выполненного для вектора, характеризующего выпуск чугуна в момент

времени (

Анализ зависимости содержания кремния от температуры чугуна на выпуске В рамках исследования было изучено наличие зависимости между температурой чугуна на выпуске и содержанием кремния в чугуне Существование значимой зависимости позволило бы определять величину содержания кремния в чугуне на основе данных о температуре выпускаемого чугуна, измеряемой пирометрами или термопарами погружения Для решения задачи были взяты данные о выпусках чугуна из доменной печи №8 ОАО «ММК», где измерения температуры выполняются пирометрами излучения

- информация о величине содержания кремния в чугуне [Б1] на выпуске из печи и времени выпуска Всего 46 выпусков,

- информация о температуре чугуна на выпуске за тот же период (интервал измерений 5 сек) - 63510 показаний

Для устранения погрешностей измерений температуры чугуна был использован алгоритм отсева заниженных значений температуры в ходе выпуска В результате такой обработки измерений для каждого выпуска получено значение температуры чугуна Тч путем усреднения определенной части (20-40%) максимальных значений температур

Построенный график (рис 2) связи значений температур чугуна на выпуске с соответствующими им значениями содержания кремния выявил отсутствие значимой зависимости (коэффициент корреляции равен -ОД 8), что обусловлено недостаточно точным контролем среднемассовой температуры чугуна в период выпуска на этой печи

Г811 | Р, 1 Р4-2 ] Рц

2,0

Третья глава «Алгоритмические основы систем распознавания образов» посвящена обоснованию использования в данном исследовании методов распознавания образов Рассмотрены вопросы представления и оценки качества данных в задачах РО Выполнено сравнение основных детерминистских алгоритмов решения задачи обучения Предложен новый алгоритм формирования информативных признаковых пространств

Основные задачи распознавания образов. В рамках распознавания образов обычно выделяют три типа задач

- задача «обучения с учителем», также известная как задача обучения по прецедентам, или задача дискриминантного анализа,

- задача формирования системы информативного описания объектов,

- задача таксономии, называемая также задачей автоматической классификации (кластер-анализа, самообучения или задачей «обучения без учителя»).

Суть задачи «обучения с учителем» состоит в том, чтобы при работе с заданным алфавитом образов, представленных в обучающей выборке некоторыми подмножествами векторов, описывающих реальные объекты из данных образов, построить решающее правило, с помощью которого можно было бы распознавать любые объекты, относящиеся к рассматриваемым образам Для оценки качества решающих правил обычно используют распознавание векторов экзаменующей (проверочной, контрольной) выборки, не участвовавших в обучении

Задача таксономии состоит в разбиении заданного множества векторов на произвольное или фиксированное число компактных в том или ином смысле групп (таксонов, кластеров) О задаче формирования информативных систем описания см ниже

Одним из наиболее известных в России программных средств решения задач распознавания образов является пакет КВАЗАР, разработанный в Институте математики и механики УрО РАН под руководством проф Вл Д Мазурова. Этот пакет был использован при решении задач данной диссертационной работы

Представление и подготовка данных для решения задач РО Методы распознавания образов оперируют с множествами различных объектов, явлений или ситуаций, информация о которых задается фиксированным набором значений признаков. Таким образом, множество объектов может быть представлено множеством векторов следующего вида

где т - число векторов, п - число признаков, х, - г-й вектор (г-е наблюдение)

(1)

Таким образом, набор данных представляет собой матриц}' тта «объект -признак» следующего вида:

fvi»

X =

...X, ...х:

(2)

где i-я строка представляет собой i-e наблюдение (i-ft объект% a j-й столбец образован значениями, которые принимаегу'-й признак в разных наблюдениях.

В решаемой задаче каждая строка в матрице данных представляет собой вектор значений параметров, описывают их состояние доменной плавки, предшествующее определенному выпуску чугуна, а каждый столбец содержит значения соответствующего показателя в различных векторах.

Оценка качества данных и восстановление пропущенных значений. На этапе подготовки данных для решения задач РО может выполняться оценка качества материала наблюдений. При обработке больших объемов табличных данных возникают проблемы, связанные с наличием пропусков в данных и недостоверностью отдельных значений, В работе кратко рассмотрены 4 подхода к заполнению пропусков в таблицах данных и предложен к применению реализованный в пакете КВАЗАР алгоритм восстановления пропущенных значений SPACE, являющийся модификацией известного алгоритма ZET (Н.Г. Загоруйко). Идея алгоритма состоит в использовании принципа локальной линейности. Если на пересечении i-й строки и j-ro столбца таблицы имеется пропуск (пробел, отсутствие значения), то ставится задача по возможности более точно восстановить отсутствующее значение на основе анализа имеющихся в таблице данных. Для решения задачи формируется предсказывающая матрица (рис. 3), содержащая элементы строк и столбцов, наиболее близких соответственно к i-й строке и j'-му столбцу. Для этого сначала с помощью одного из методов кластерного анализа ищутся строи!, наиболее похожие на строку, содержащую заполняемый пробел, затем для выбранных строк подбираются столбцы, наиболее близкие к столбцу, содержащему пробел. Мерой близости между строками (столбцами) обычно является евклидово расстояние.

м. Хит

xj"> V ХаМ

7 ш хГ-

А,0" х«т

xJ'J _ 02) ..xj> Х-Г хГ

Рис. 3. Предсказывающая матрица для восстановления значения «?»

Алгоритм SPACE был применен в настоящей работе также и для оценки достоверности данных в таблицах наблюдений

Обоснование выбора методов классификации. В работе используются детерминистские методы обучения как хорошо зарекомендовавшие себя при решении практических задач классификации и не требующие учета характера закона распределения обрабатываемых данных В рамках детерминистского подхода были применены 2 метода классификации метод потенциальных функций и метод классификации на основе комитетов старшинства Дополнительным аргументом в пользу выбора этих методов явилась их способность работать с произвольным числом классов

Выбор информативной системы признаков. Задача заключается в том, чтобы из всей доступной системы п признаков описания объектов выбрать информативную подсистему размерности и', при использовании которой задача дискриминантного анализа решалась бы наиболее просто, надежно и экономично Существующие методы выбора информативных подсистем признаков подразделяются на две группы

1) методы, ориентированные на решение задачи при условии, что признаки являются взаимозависимыми,

2) методы, работающие с признаками, зависимость между которыми отсутствует или полагается несущественной

В диссертации рассмотрены 5 наиболее используемых методов оценки информативности признаков и формирования их информативных подсистем, в частности метод последовательного сокращения числа признаков, метод последовательного увеличения числа признаков и метод случайного поиска с адаптацией (метод СПА), относящиеся к первой группе, а также алгоритмы выбора информативных признаков по разностям средних значений в классах и разностям частот встречаемости значений в классах, которые относятся ко второй группе

Как правило, при анализе сложных систем, к которым, безусловно, относится и процесс доменной плавки, имеют дело с набором взаимосвязанных признаков, поэтому для корректного решения задач формирования информативных подсистем признаков при работе с такими системами необходимо использовать методы первой группы Однако при больших объемах выборок использование 'этих методов затруднительно, поскольку процесс решения предполагает проведение большого количества циклов обучения и экзамена Поэтому на практике чаще используют упрощенные алгоритмы обучения и экзамена, что, как правило, снижает качество решения задачи. Автором диссертации предпринята попытка решения данной проблемы и предложен новый алгоритм формирования информативных подсистем взаимозависимых признаков

Суть алгоритма Пусть исходная система описания объектов включает п признаков Необходимо найти ее наиболее информативную подсистему размерности п' (п'< п) В качестве 1фитерия информативности используется доля (г) векторов экзаменующей выборки, правильно распознанных решающим правилом, полученным при использовании найденной подсистемы признаков Таким образом, задача заключается в нахождении подсистемы п' признаков, обеспечивающей максимально достижимое в пределах возможностей данного алгоритма значение г

1 Выполняется оценка информативности признаков с использованием одного из известных алгоритмов решения этой задачи, не учитывающих взаимозависимость признаков (например, алгоритмов оценки информативности «по разности средних значений в классах» или «по разности частот встречаемости значений») и их упорядочение в порядке убывания информативности

2 В качестве начального приближения к искомой подсистеме выбираются первые п' (п' < я) признаков (обычно в реальных задачах с числом признаков 25-30 и выше первоначальное значение п' равно 1-Щ из их упорядоченного списка, обеспечивающие правильное распознавание большинства (80-100 %) векторов обучающей выборки С этой целью производится несколько циклов обучения с использованием различных подсистем наиболее информативных признаков

3 С помощью решающего правила, полученного при использовании начальной подсистемы, выполняется распознавание экзаменующей выборки с оценкой качества ее распознавания (г), которое на данный момент принимается как наилучшее (гтах = г)

4 К подсистеме добавляется следующий по порядку признак («' = п'+1), после чего вновь производятся обучение и распознавание экзаменующей выборки Полученный процент правильного распознавания г сравнивается с гтях_

5 В случае г > гтах, значение наилучшей оценки информативности заменяется полученным (гтах = г) ж выполняется переход к п 7

6. Если г < гтах, из подсистемы п' исключается признак (п' = п'-1) с наименьшим значением относительной информативности (последний включенный признак)

7 Если в упорядоченном ряду признаков новых кандидатов на включение в наиболее информативную подсистему больше не осталось, то найденная к данному момету подсистема с текущей размерностью и' и качеством гтах принимается за искомую, иначе выполняется переход к п 4

Основным достоинством данного алгоритма является то, что он за достаточно малое количество шагов (не превышающее п) позволяет находить информативную подсистему взаимозависимых признаков размерности п\ информативность которой, как правило, существенно выше таковой у подсистемы той же размерности, но сформированной из первых в упорядоченном ряду, то есть по отдельности наиболее информативных признаков Благодаря выработке искомой подсистемы за достаточно малое число шагов, алгоритм позволяет даже при больших объемах обучающей информации использовать полноценные процедуры обучения и контроля для оценки информативности подсистем признаков, что в целом повышает эффективность его работы

В четвертой главе «Алгоритмическое и информационное обеспечение прогнозирования теплового состояния доменной печи методом распознавания образов» разработан законченный алгоритм решения задачи прогнозирования Изложены и обсуждены результаты практического решения задачи прогнозирования с использованием предложенного алгоритма

Алгоритмическое обеспечение задачи прогноза. В рамках исследования разработан алгоритм решения задачи прогнозирования теплового состояния доменной печи (по [8Ц) На рис 4 приведена схема решения

Разработанный алгоритм был апробирован с использованием данных о работе доменной печи №2 доменного цеха ОАО «Магнитогорского металлургического комбината» Целевым параметром прогнозирования является величина содержания кремния в чугуне на выпуске из печи Задача решалась с использованием пакета распознавания образов КВАЗАР

Рис. 4. Схема решения задачи прогноза

Подготовка данных, Для выборки информации из базы данных в соответствующем формате и за требуемый период времени разработана хранимая процедура. В результате ее выполнения па жестком диске формируется файл данных, представляющий собой массив векторов, содержащих информацию о величине содержания кремния в чугуне для конкретного выпуска, и набор параметров, характеризующих состояние процесса доменной плавки, предшествующее произведенному выпуску (рис. 5). Полученный файл предназначен для обращения к нему из программных средств решения задач распознавания (пакет КВАЗАР, программный комплекс для решения задач диагностики и прогноза технологических процессов «Прогноз-ТП»), Всего для решения задачи было использовано 65 признаков.

ПО «Прогноз-ТП»

с БД технологических параметров

Для работы был взят период выпусков с 7.10.2006 но 28.12.2006 (всего 989 векторов). Все множество векторов была разбито на три класса в соответствии с величиной содержания кремния в чугуне:

- класс «ниже нормы»: [Si] < 0.57 %;

- класс «норма»: 0.57 % < fSi] < 0.75 %;

- класс «выше нормы»: [Si] > 0,75 %.

С использованием алгоритма контроля данных и восстановления пропусков SPACE был проведен отсев ошибочных и нетипичных векторов. Было установлено, что для 87 % векторов величина средней ошибки восстановления значений признаков в режиме контроля данных не превышает 5 %, а для 97,5 % векторов ошибка не превышает 8 %. Под ошибкой здесь понимается усредненное по всему вектору отношение модуля разности реального и предсказанного значения контролируемого элемента таблицы к разности между максимальным и минимальным значениями известных элементов столбца, содержащего данное значение. Векторы со средней ошибкой более 8 % были исключены из дальнейшего обучения как нетипичные.

Формирование обучающей и экзаменующей выборок производилось как случайным образом, гак и на основе результатов таксономии множества векторов. 11ри этом в экзаменующую выборку вошло около 15 % векторов (выпусков), остальные использовались для обучения. По результатам оценки

информативности признаков были определены индивидуальные временные сдвиги для отдельных параметров и выбраны наиболее информативные подсистемы признаков.

Далее с использованием предложенного в данной работе алгоритма выбора информативных подсистем было выполнено более 300 циклов обучения Обучение проводилось с использованием метода потенциальных функций и метода комитетов старшинства В табл 3 приведен список информативных признаков, сформированный в соответствии с частотой их вхождения в информативные подсистемы, при использовании которых были получены 11 лучших решающих правил.

Таблица 3

Упорядоченный по информативности список признаков с указанием величины _индивидуального временного сдвига__

№ п/п Величина

Параметр индивид, сдвига, час

1 Средневзвешенное содержание АЬОз в ЖРМ 5

2 Отношение средневзвешенных содержаний СаО/БЮгв ЖРМ 5

3 Средневзвешенное содержание БЮг в ЖРМ 5

4 Средневзвешенное содержание БЮг во флюсах 5

5 Расход пара на увлажнение 0

6 Средневзвешенное содержание СаО во флюсах 5

7 Теоретическая температура горения 3

8 вЮг/А^Оз - кремниевый модуль для ЖРМ 5

9 Средневзвешенное содержание Бе в ЖРМ 5

10 Степень использования На (модельная) 1

11 Средневзвешенное содержание БеО в ЖРМ 5

12 Степень прямого восстановления железа (модельная) 5

13 Теоретическая температура горения 0

14 Степень использования СО 1

15 Средневзвешенное содержание MgO в ЖРМ 5

16 Масса кокса в подачу 5

17 Показатель теплового.еоетояния вша печи 1

18 Расход горячего дутья через фурмы 1

19 Суммарная масса БЮг во всех загружаемых шихтовых 5

компонентах

20 Масса ЖРМ в подачу 5

21 Расход пара на увлажнение 1

22 Суммарное значение прихода тепла в печь 5

23 Расход горячего дутья через фурмы 0

24 Температура природного газа 1

25 Средняя температура периферийного газа 0

26 Перепад давления общий 0

27 Средняя температура колошникового газа 1

28 Расход природного газа 1 1

Оценка эффективности использования расчетных параметров, полученных с использованием модели ДП УГТУ-УПИ (рис 6), показала, что их

включение в подсистемы информативных признаков повышает результаты обучения примерно на 10 % и приводит к формированию более компактных систем признаков для достижения удовлетворительных результатов распознавания

"......*

18 19 20 21 22 23 24 25 28 27 28 29 30

число признаков

Р*—без расчетных УГТУ-УПИ с расчетными УГТУ-УПИ |

Рис. б. Оценка эффективности использования расчетных параметров УГТУ-УПИ для решения задачи прогноза

Для формирования коллектива решающих правил было отобрано 9 лучших решающих правил, полученных с использованием метода потенциальных функций, и 2 - с использованием метода комитетов старшинства (табл 4) Проверка эфективности решающих правил производилась на экзаменующих выборках, полученных по результатам таксономии Такой способ разбиения наблюдений на обучающую и экзаменующую выборки обеспечивает их максимальную репрезентативность, при этом оценка качества решающих правил обычно оказывается несколько завышенной.Так максимальный процент распознавания векторов экзаменующей выборки достиг 87,4 %

Таблица 4

Состав коллектива решающих правил _

№ п/п Число используемых признаков Метод обучения Качество распознавания проверочных векторов (%)

1 24 На основе потенциальных функций 861

2 27 Комитет старшинства 72 6

3 30 На основе потенциальных функций 85 7

4 30 На основе потенциальных функций 83 6

5 30 Комитет старшинства 72 9

6 33 На основе потенциальных функций 86 3

7 33 На основе потенциальных функций 85 5

8 36 На основе потенциальных функций 87 4

9 36 На основе потенциальных функций 866

10 38 На основе потенциальных функций 84 6

11 41 На основе потенциальных функций 86 5

Примечание. Пары решающих правил № 3 и 4,6 и 7, 8 и 9 получены при использовании разных по составу наборов признаков одинаковой размерности

Для оценки эффективности распознавания векторов с использованием коллектива из 11 лучших решающих правил была сформирована выборка из 100 векторов, не участовавших ранее в обучении Такая оценка является наиболее приближенной к реальным условиям прогнозирования, в которых распознаваемые векторы являются «новыми» для распознающей системы При этом был получен следующий результат 81 % правильной классификации векторов

Полученная эффективность прогнозирования величины содержания 1фемния в чугуне является приемлемой и соответствует требованиям данного исследования На рис 7 приведено сопоставление прогнозных и фактических значений величины содержания кремния в чугуне

1 200 ■ 1 000 ■ 0 8000 60004000 200-

ГЯ)

Высокое Среднее низкое

N<5

№ вектора

Рис. 7 График сравнения прогнозного и фактического значения величины содержания кремния в чугуне на примере 100 векторов (100 выпусков)

Таким образом, разработанный алгоритм позволяет выполнять прогноз с высокий вероятностью совпадения прогнозной величины с фактическим значением и может быть использован для повышения эфсктивности доменной плавки за счет выполнения своевременных корректировок теплового состояния доменной печи

В пятой главе Разработка программного обеспечения прогнозирования теплового состояния доменной печи» приводится описание структуры, принципов построения к интерфейса разработанного в ходе исследования пакета программ «Прогноз-ТП», предназначенного для решения задачи прогнозирования теплового состояния доменной плавки

Характеристика системы. Система «Прогноз-ТП» предназначена для комплексного решения задачи прогнозирования и классификации технологических ситуаций на основе методов распознавания образов

Программный продукт «Прогноз-ТП» - это комплекс, состоящий из трех модулей

1) подпрограммы контроля данных;

2) подпрограммы обучения,

3) подпрограммы рабочей классификации (прогнозирования)

Также в состав продукта входят вспомогательные подпрограммы, выполняющие служебные функции обеспечения загрузки данных, работы с файлами конфигурации, формирования отчетов, вывода справочной информации

ПГМ'ШЛ л/™*

Применение данной системы для прогнозирования величины содержания кремния в чугуне на основе разработанной методики определяется использованием специальной конфигурации «Прогнозирование величины содержания кремния в чугуне» Основные функции, реализованные в системе

1) контроль качества обрабатываемых данных и восстановление пропущенных значений,

2) обучение прогнозированию величины содержания кремния в чугуне в последующих выпусках на основе анализа информации о состоявшихся выпусках чугуна из доменной печи, выработка решающих правил,

3) непосредственное прогнозирование теплового состояния доменной печи с использованием ранее полученных решающих правил

Основные этапы создания программного обеспечения. На первом этапе в терминах предметной области были сформулированы и документированы требования к функциональности системы и ее интерфейсу

На этапе проектирования системы было выполнено описание архитектуры программного продукта с точки зрения технической реализации Определены основные объекты системы, интерфейсы взаимодействия между ними и средства реализации - система реализована на платформе NET, среда разработки - MS Visual Studio 2005, язык программирования - С# Далее была выполнена непосредственная разработка программного продукта в соответствии с принятыми критериями качества, такими как функциональность, надежность, производительность, легкость использования, сопровождаемость, расширяемость и модифицируемость, разделение задач, модульность

Готовый программный продукт был протестирован при решении задачи прогнозирования теплового состояния доменной печи и показал адекватные результаты

ОСНОВНЫЕ ВЫВОДЫ

Основные научные й практические результаты диссертационной работы могут быть сформулированы следующим образом

1 Разработан алгоритм решения задачи прогнозирования теплового состояния (по величине содержания кремния в чугуне) доменной печи

2 Построена и апробирована модель прогнозирования теплового состояния доменной печи в виде коллектива решающих правил, полученных на основе разнородных алгоритмов распознавания образов в признаковых пространствах разной размерности, показавшая при тестировании на реальных данных 81 % совпадения результатов прогноза с фактическими данными

3 В ходе исследования предложен новый алгоритм формирования информативных подсистем признаков Его основные достоинства

- учет особенностей работы со статистически зависимыми и статистически независимыми признаками,

- за достаточное малое число шагов (не большее чем число доступных в задаче признаков) алгоритм позволяет даже при больших объемах обучающей информации использовать полноценные процедуры

обучения и контроля для оценки информативности подсистем признаков

4 При разработке алгоритма прогнозирования наряду с автоматически измеряемыми показателями процесса плавки в целях повышения качества прогнозирования теплового состояния доменной печи использованы комплексные параметры теплового, шлакового и газодинамического режимов, полученные с использованием модели доменной печи УГТУ-УПИ Оценка эффективности данного решения позволяет утверждать, что при одинаковой размерности признакового пространства совместное использование этих данных повышает эффективность прогноза на 10 % по сравнению с вариантом обучения без данных модели УГТУ-УПИ

5 Разработано программное обеспечение «Прогноз-ТП», предназначенное для оперативного решения задачи прогнозирования теплового состояния доменной печи

6. Программный продукт «Прогноз-ТП» передан аглодоменному отделу центра АСУ управления информационных технологий ОАО «ММК» для испытания Материалы диссертации внедрены в учебный процесс в ГОУ ВПО УГТУ-УПИ при преподавании соответствующих дисциплин

Таким образом, в диссертационной работе представлено решение новых задач по разработке алгоритмов и программного обеспечения для прогнозирования теплового состояния доменной печи на основе использования методов распознавания образов

Основные положения диссертации опубликованы в следующих работах

Статьи, опубликованные в ведущих рецензируемых научных журналах, входящих в перечень ВАК

1 Современные принципы построения и реализации компьютерных систем поддержки принятия решений для управлений сложными системами в металлургии (на примере доменной плавки) /НА Спирин, С В Казанцев, А И Перминов, К А Щипанов // Известия вузов Черная металлургия, 2005 №4. С 65-68

2 Казанцев С В Использование распознавания образов для управления сложными объектами на примере доменной плавки / С В Казанцев, Н А Спирин//Известия вузов Черная металлургия 2006 №2 С 54-57

Статьи, опубликованные в научных сборниках и материалах конференций

3 Казанцев С В О применении распознавания образов при прогнозировании состава чугуна в доменной печи / С В Казанцев, НА Спирин // IV Всероссийская научно-практическая конференция «Системы автоматизации в образовании, науке и производстве» труды Новокузнецк, 2003 С 359-360

4 Казанцев С В Применение распознавания образов для управления сложными агрегатами на примере доменной плавки / С В Казанцев, НА Спирин // Автоматизация технологических и производственных процессов в металлургии межвузовский сборник научных трудов, Магнитогорск МГТУ, 2004. С 127-130.

5 Казанцев С.В. Использование распознавания образов для управления сложными объектами (на примере доменной плавки) / С В Казанцев // Научно-практическая конференция «Информационно-математические технологии в экономике, технике и образовании» сборник докладов Екатеринбург УГТУ-УПИ, 2005 С 33-38

6 Казанцев С В Принципы применения методов распознавания образов при прогнозировании состава чугуна в доменной печи / СБ Казанцев, НА Спирин // Энергетики и металлурги - настоящему и будущему России материалы 6-й Всероссийской научно-практической конференции Магнитогорск, 2005 С 58-60

7 Принципы разработки программного обеспечения для решения технологических задач в металлургии / В В Лавров, ЛЮ Гилева, К А Щипанов, С В Казанцев, А И Перминов, И А Бабин // Моделирование, программное обеспечение и наукоемкие технологии в металлургии труды 2-й Всероссийской научно-практической конференции Новокузнецк СибГИУ, 2006. С 294-300

8 Казанцев С В. Разработка алгоритмов распознавания образов дня прогноза теплового состояния сложных технологических процессов / СВ. Казанцев, НА Спирин // X отчетная конференция молодых ученых ГОУ ВПО УГТУ-УПИ научные труды Екатеринбург, 2006. Ч 1 С 361-364

9 Казанцев С.В Разработка и применение алгоритмов распознавания образов для прогноза теплового состояния сложных технологических процессов (на примере доменного производства / СВ. Казанцев, НА Спирин // Международная научная конференция «Информационно-математические технологии в экономике, технике и образовании», тезисы докладов, Екатеринбург УГТУ-УПИ, 2006 С 161-162

10 Казанцев С В Оценка информативности показателей в решении задачи прогнозирования величины содержания кремния в чугуне / СВ. Казанцев // Известия вузов Черная металлургия 2007 №10 (в печати)

ИД № 06263 от 12 11 2001 г

Подписано в печать 16 08 2007 Бумага писчая Уч-издл 1,32

Плоская печать Тираж 100

Формат 60x84 1/16 Услпечл 1,19 Заказ 428 Бесплатно

Редакционно-издательский отдел ГОУ ВПО УГТУ-УПИ, 620002, Екатеринбург, ул Мира, 19 Ризография научно-исследовательской части ГОУ ВПО УГТУ-УПИ, 620002, Екатеринбург, ул Мира, 19

ОСНОВНЫЕ ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Глава 1. СОСТОЯНИЕ ВОПРОСА, ПОСТАНОВКА ЗАДАЧ ДИССЕРТАЦИОННОЙ РАБОТЫ

Глава 3. АЛГОРИТМИЧЕСКИЕ ОСНОВЫ СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ

3.1. Представление и подготовка данных для решения задач распознавания образов

3.2. Обоснование выбора методов распознавания образов для прогнозирования теплового состояния доменной печи

1.1. Современные тенденции развития компьютерных систем поддержки принятия решений для управления сложными 10 технологическими системами в металлургии

1.2. Модельные и экспертные системы поддержки принятия решений при выплавке чугуна в доменных печах

1.3. Основные задачи распознавания образов и их практическое применение

1.4. Постановка задач диссертационного исследования

Глава 2. ТЕХНОЛОГИЧЕСКИЕ ОСНОВЫ СОЗДАНИЯ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ТЕПЛОВОГО СОСТОЯНИЯ ДОМЕННОЙ

ПЕЧИ НА ОСНОВЕ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ

2.1. Влияние теплового состояния доменной печи на величину содержания кремния в чугуне

2.2. Технологические основы сбора и хранения данных о ходе доменной плавки

2.3. Параметры, характеризующие тепловой режим доменной плавки

2.4. Учет динамики доменного процесса

2.5. Анализ зависимости величины содержания кремния от температуры чугуна на выпуске

2.6. Выводы

3.3. Задача обучения по прецедентам

3.4. Задача выбора информативных признаков и ^ совершенствование алгоритмов

3.5. Задача таксономии

3.6. Выводы

Глава 4. АЛГОРИТМИЧЕСКОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ ТЕПЛОВОГО СОСТОЯНИЯ 96 ДОМЕННОЙ ПЕЧИ МЕТОДОМ РАСПОЗНАВАНИЯ ОБРАЗОВ

4.1. Алгоритмическое обеспечение решения задачи прогноза

4.2. Построение прогностической модели. Полученные результаты

4.3. Выводы

Глава 5. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ПРОГНОЗИРОВАНИЯ ТЕПЛОВОГО СОСТОЯНИЯ ДОМЕННОЙ

5.1 Принципы построения и средства разработки системы ^ ^ «Прогноз-ТП»

5.2 Реализация системы «Прогноз-ТП» и описание пользовательского интерфейса

5.3 Выводы 131 ОСНОВНЫЕ ВЫВОДЫ 132 БИБЛИОГРАФИЧЕСКИЙ СПИСОК 134 ПРИЛОЖЕНИЯ

Актуальность работы. Современный этап развития металлургического производства характеризуется разработкой, внедрением и широким использованием компьютерных систем поддержки принятия решения, выполненных на основе методов математического моделирования и экспертных систем. Их применение в сочетании с комплексом прочих программно-аппаратных средств позволяет строить мощные и эффективные системы управления технологическими операциями. Однако при разработке сложных систем часто возникают проблемы, связанные с недостаточной изученностью протекания некоторых процессов. Это значительно затрудняет разработку аналитических моделей и экспертных подсистем в рамках разрабатываемой системы управления.

Не является исключением и доменное производство. Здесь важнейшее значение имеет задача эффективного управления тепловым состоянием доменной печи, которое определяет протекание процесса плавки, ход доменной печи и качество выпускаемого чугуна. В то же время корректировка теплового состояния доменного агрегата требует серьезных энергетических затрат, связанных с расходом дорогостоящего и дефицитного кокса, на экономию которого и направлены основные мероприятия по совершенствованию технологии плавки. Сегодня уровень этой технологии в первую очередь определяется именно расходом кокса. Важным показателем в этой связи является показатель содержания кремния в чугуне на выпуске из печи. Величина и пределы изменения данного показателя являются индикатором теплового состояния горна доменной печи и стабильности процесса доменной плавки.

Проблема заключается в том, что в настоящее время на приемлемом уровне не решена задача своевременного определения и прогнозирования содержания кремния в чугуне. Величина данного показателя определяется со значительной задержкой после выпуска чугуна. Вследствие этого затрудняется своевременная корректировка хода доменной плавки.

Настоящая работа посвящена вопросам разработки алгоритмического и программного обеспечения для прогнозирования теплового состояния доменной печи, а в частности, величины содержания кремния в чугуне, с использованием методов распознавания образов (РО).

Цель работы. Разработка алгоритма и программного обеспечения для прогнозирования теплового состояния доменной печи на основе использования методов распознавания образов.

Задачи исследования:

1. Обоснование выбора методов распознавания образов для решения задачи прогнозирования теплового состояния доменной печи;

2. Сбор, предварительная обработка и оценка качества технологических данных о работе доменных печей;

3. Оценка возможности интеграции математической модели доменного процесса УГТУ-УПИ и методов РО для прогнозирования технологических параметров доменной плавки;

4. Разработка алгоритма прогнозирования теплового состояния доменной печи на основе методов РО и соответствующего программного обеспечения, предназначенного для оперативного решения задачи прогноза.

Методы исследований. Методической основой диссертационной работы является использование многофакторного анализа, в частности методов распознавания образов, а также современных информационных технологий и средств разработки программного обеспечения.

Научная новизна исследования состоит в том, что:

- разработан алгоритм решения задачи прогнозирования теплового состояния (по величине содержания кремния в чугуне) доменной печи;

- построена и апробирована модель в виде коллектива решающих правил, полученных на основе разнородных алгоритмов распознавания образов в признаковых пространствах разной размерности, показавшая при тестировании на реальных данных 81 % совпадения результатов прогноза с фактическими данными;

- предложен новый алгоритм формирования информативных подсистем признаков, учитывающий особенности работы со статистически зависимыми и статистически независимыми признаками;

- в целях повышения качества прогнозирования теплового состояния доменной печи наряду с автоматически измеряемыми показателями процесса плавки использованы комплексные параметры теплового, шлакового и газодинамического режимов, полученные с использованием модели доменного процесса УГТУ-УПИ.

Практическая значимость. Полученные в ходе выполнения работы результаты найдут практическое применение:

- при совершенствовании методов управления ходом доменной плавки, что позволит повысить технико-экономические показатели выплавки чугуна;

- разработке современных интеллектуальных систем управления металлургическими агрегатами;

- преподавании дисциплин для студентов соответствующих специальностей.

Достоверность полученных положений, выводов и рекомендаций основана на применении современной методологии исследований, хорошо зарекомендовавших себя методов анализа данных, а также на совпадении экспериментальных и прогнозируемых значений параметров.

Использование результатов работы. Разработанный алгоритм прогнозирования явился основой практической реализации программного продукта для прогнозирования технологических параметров доменной плавки с использованием методов распознавания образов («Прогноз-ТП»), предназначенного для опытно-промышленного использования инженерно-техническим персоналом металлургических заводов, имеющих доменное производство.

Программное обеспечение передано аглодоменному отделу центра АСУ управления информационных технологий ОАО «ММК» для испытания.

Материалы диссертации внедрены в учебный процесс в ГОУ ВПО УГТУ-УПИ при преподавании следующих дисциплин:

- направление 230200 - Информационные системы (дипломированные специалисты). Специальность 230201 - Информационные системы и технологии. Дисциплины:

• Проектирование пакетов прикладных программ;

• Информационные системы в металлургии;

• Моделирование процессов и объектов в АСУТП.

• направление 651300 - Металлургия (дипломированные специалисты). Специальность 150103 - Теплофизика, автоматизация и экология промышленных печей. Дисциплина - Информационные технологии в металлургии.

Личный вклад автора состоит в разработке алгоритма прогнозирования теплового состояния доменной печи на основе методов распознавания образов (РО) и создании соответствующего программного обеспечения. Предмет защиты:

- обоснование использования методов РО для прогнозирования теплового состояния доменной печи (по величине содержания кремния в чугуне);

- алгоритм прогнозирования величины содержания кремния в чугуне с использованием методов распознавания образов;

- новый алгоритм формирования информативных подсистем признаков;

- программное обеспечение для оперативного решения задачи прогнозирования теплового состояния доменной печи.

Апробация работы. Материалы исследований доложены на конференциях

- международного уровня: конференции «Информационно-математические технологии в экономике, технике и образовании». Екатеринбург, 2006;

- всероссийского уровня:

IV Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве». Новокузнецк, 2003; 6-й Всероссийской научно-технической конференции. Магнитогорск, 2005; 2-й Всероссийской научно-практической конференции

Моделирование, программное обеспечение и наукоемкие технологии в металлургии». Новокузнецк, 2006.

Публикации. Основные положения диссертации опубликованы в 10 печатных работах, в том числе в двух научных публикациях в изданиях, рекомендованных ВАК, и пяти докладах в сборниках трудов конференций.

Структура и объем диссертации. Диссертационная работа изложена на 154 страницах машинописного текста, включая 26 рисунков, 11 таблиц, и состоит из общей характеристики работы, 5 глав, заключения, библиографического списка из 143 источников отечественных и зарубежных авторов, 4 приложений.

ОСНОВНЫЕ ВЫВОДЫ

Целью исследований, составивших основу настоящей диссертации, была разработка алгоритма и программного обеспечения для прогнозирования теплового состояния доменной печи на основе использования методов распознавания образов.

Основные научные и практические результаты диссертационной работы могут быть сформулированы следующим образом:

1. Разработан алгоритм решения задачи прогнозирования теплового состояния (по величине содержания кремния в чугуне) доменной печи.

2. Построена и апробирована модель прогнозирования теплового состояния доменной печи в виде коллектива решающих правил, полученных на основе разнородных алгоритмов распознавания образов в признаковых пространствах разной размерности, показавшая при тестировании на реальных данных 81 % совпадения результатов прогноза с фактическими данными.

3. В ходе исследования предложен новый алгоритм формирования информативных подсистем признаков. Его основные достоинства:

- учет особенностей работы со статистически зависимыми и статистически независимыми признаками;

- за достаточное малое число шагов (не большее чем число доступных в задаче признаков) алгоритм позволяет даже при больших объемах обучающей информации использовать полноценные процедуры обучения и контроля для оценки информативности подсистем признаков.

4. При разработке алгоритма прогнозирования наряду с автоматически измеряемыми показателями процесса плавки в целях повышения качества прогнозирования теплового состояния доменной печи использованы комплексные параметры теплового, шлакового и газодинамического режимов, полученные с использованием модели доменной печи УГТУ-УПИ. Оценка эффективности данного решения позволяет утверждать, что при одинаковой размерности признакового пространства совместное использование этих данных повышает эффективность прогноза на 10 % по сравнению с вариантом обучения без данных модели УГТУ-УПИ.

5. Разработано программное обеспечение «Прогноз-ТП», предназначенное для оперативного решения задачи прогнозирования теплового состояния доменной печи.

6. Программный продукт «Прогноз-ТП» передан аглодоменному отделу центра АСУ управления информационных технологий ОАО «ММК» для испытания. Материалы диссертации внедрены в учебный процесс в ГОУ ВПО УГТУ-УПИ при преподавании соответствующих дисциплин.

Таким образом, в диссертационной работе представлено решение новых задач по разработке алгоритмов и программного обеспечения для прогнозирования теплового состояния доменной печи на основе использования методов распознавания образов.

1. Компьютерные методы моделирования доменного процесса / О.П. Онорин и др.; под ред. Н.А. Спирина. // Екатеринбург: УГТУ-УПИ, 2005. -301 с.

2. Информационные системы в металлургии: Учебник для вузов / Н.А. Спирин, Ю.В. Ипатов, В.И. Лобанов и др. // Екатеринбург: УГТУ-УПИ. 2001. -617 с.

3. Суханов Е.Л. Определение методом моделирования показателей доменного процесса при изменении условий плавки / Е.Л. Суханов, С.А. Загайнов, Ю.О. Раев // Изв. вузов. Черная металлургия, 1989. №8. С. 129— 133.

4. Современные принципы построения математической модели доменного процесса для решения технологических задач / С.А. Загайнов, О.П. Онорин, Н.А. Спирин, Ю.Г. Ярошенко // «Известия вузов. Черная металлургия», 2003. № 12. С. 3-7.

5. Доменное производство. Справочник. Т.1 / Под редакцией И.П.Бардина // М.: Металлургиздат, 1963. 648 с.

6. Мишар Ж. Тепловые балансы и теплообмен в доменной печи / Ж. Мишар // М.: Металлургиздат, 1963. 151 с.

7. Китаев Б.И. Теплотехника доменного процесса / Б.И. Китаев, Ю.Г. Ярошенко, Е.Л. Суханов, Ю.Н. Овчинников, B.C. Швыдкий // М.: Металлургия, 1978. 248 с.

8. Пус А. Будущее доменных печей / А. Пус // РЖ «Производство чугуна». 1991. №5. Реф. 5В. 144 с.

9. Ефименко Г.Г. Металлургия чугуна / Г.Г. Ефименко, А.А. Гиммельфарб, В.Е. Левченко //Киев: Вища школа, 1981. 495 с.

10. Восстановление, теплообмен и гидродинамика в доменном процессе / Под ред. С.В. Шаврина // Труды института металлургии УФАН СССР. Часть1, вып. 24, 1970. 130 с. Часть 2, вып. 26, 1972. 140 с.

11. Леонтьев Л.И. Пирометаллургическая переработка комплексных руд / Л.И.Леонтьев, Н.А. Ватолин, С.В. Шаврин, Н.С. Шумаков // М.: Металлургия, 1997.432 с.

12. Шур А.Б. Составление материальных и тепловых балансов доменной плавки / А.Б. Шур // Доменное производство: приложение к журналу «Сталь». М.: Металлургиздат. 1961. С. 13-23.

13. Чернобривец Б.Ф. Практика доменного производства / Б.Ф. Чернобривец, В.В. Капорулин, В.А. Завидонский // М.: Металлургия, 1992. 111 с.

14. Рамм А.Н. Современный доменный процесс / А.Н. Рамм // М., Металлургия, 1980. 304 с.

15. Абрамов С.Д. Макрокинетика восстановления железорудных материалов газами. Математическое описание / С.Д. Абрамов, Л.Ф. Алексеев, Д.З. Кудинов, А.В. Ченцов, С.В. Шаврин // М.: Наука, 1982. 104 с.

16. Товаровский И.Г. Развитие расчетных методов анализа доменной плавки в XX веке / И.Г. Товаровский // Сталь. 2001. № 7. с. 8-10.

17. Blast Furnace Aerodynamics / Ed.by N.Standish // Wollongong, 1975. 220 p.

18. Богданди Л.Ф. Восстановление железных руд / Л.Ф. Богданди, Г.Ю. Энгель // М.: Металлургия, 1971. 519 с.

19. Проблемы автоматизированного управления доменным производством / Под ред. Шумилова К.А. // Киев.: Наукова Думка, 1974. 284 с.

20. Тепловая работа шахтных печей и агрегатов с плотным слоем / Я.М. Гордон, Б.А. Боковиков, B.C. Швыдкий, Ю.Г. Ярошенко // М.: Металлургия. 1989. 120 с.

21. Маханек Н.Г. Особенности теплообмена в доменной печи / Н.Г. Маханек // В кн. «Металлургия чугуна». Свердловск. 1960. Вып. 105. С. 22-26.

22. Клименко В.А. Основы физики доменного процесса / В.А. Клименко, JI.C. Токарев // Челябинск: Металлургия, 1991. 288 с.

23. Теплообмен и повышение эффективности доменной плавки / Н.А. Спирин, Ю.Н. Овчинников, B.C. Швыдкий, Ю.Г. Ярошенко // Екатеринбург: УГТУ-УПИ, 1995. 243 с.

24. О схемах теплообмена в доменной печи / Н.А. Спирин, Ю.Н. Овчинников, Ю.В. Федулов и др. // Изв.вузов. Черная металлургия. 1991. №9. С. 16-18.

25. Попырин JI.C. Математическое моделирование и оптимизация теплоэнергетических установок / JI.C. Попырин // М.: Энергия, 1978. 415 с.

26. Бабарыкин Н.Н. Выделение и использование тепла в доменной печи: курс лекций / Н.Н. Бабарыкин // Магнитогорск: МГМА, 1997. 100 с.

27. Доброскок В.А. Зондовая сканирующая система: пат. РФ / В.А. Доброскок, И.Ф. Курунов, Ю.С. Карабасов и др. // №2119537 по заявке № 97114197 от 20.08.1997.

28. Тогобицкая Д.Н. Информационное, алгоритмическое и программное обеспечение для решения задач оптимизации доменной шихты / Д.Н. Тогобицкая, А.Ф. Хамхотько, А.И. Белькова // Металлург. 1999. №6. С. 42-43.

29. Никитин Г.М. Определение параметров вязкопластичной зоны в доменной печи / Г.М. Никитин, В.Н. Беляков, Н.Т. Данаев // Сталь. 1992. №4. С. 11-16.

30. Вегман Е.Ф. Теоретические проблемы металлургии чугуна / Е.Ф. Вегман, В.О. Чугель // М.: Машиностроение, 2000. 348 с.

31. Тарасов В.П. Газодинамика доменного процесса / В.П. Тарасов // М.: Металлургия, 1982. 222 с.

32. Принципы построения экспертных систем в металлургии на примере экспертной системы «Советчик мастера доменной печи» / В.Г. Лисиенко, В.П. Чистов, А.Е. Пареньков и др. // Екатеринбург: УГТУ, 1996. 45 с.

33. Куликов И.С. Десульфурация чугуна / И.С. Куликов // М.: Металлургия, 1962. 306 с.

34. Бабарыкин Н.Н. Восстановление и плавление рудных материалов в доменной печи: курс лекций / Н.Н. Бабарыкин // Магнитогорск: МГМА, 1995. 164 с.

35. Ченцов А.В. Балансовая логико-статистическая модель доменного процесса / А.В. Ченцов, Ю.А. Чесноков, С.В. Шаврин // М.: Наука, 1991. 92 с.

36. Доброскок В.А. Метод разработки новых технологических режимов доменной плавки на основе комплекса математических моделей / В.А. Доброскок, А.И. Туманов, А.В. Ганчев // Изв. вузов. Черная металлургия. 1987. №5. С. 146-147.

37. Дмитриев А.Н. Двумерная математическая модель доменного процесса /

38. A.Н. Дмитриев, С.В. Шаврин // Сталь. 1996. № 12. С. 7-13.

39. Авдеев В.П. Идентификация промышленных объектов с учетом нестационарностей и обратных связей / В.П. Авдеев, Т.М. Даниелян, П.Г. Белоусов // Новокузнецк: изд-во Сибирского металлургического института, 1984. 88 с.

40. Закономерности теплообмена в доменной печи при неравномерном распределении потоков материала и газа / Ю.Г. Ярошенко, Н.А. Спирин,

41. B.C. Новиков, Ю.Н. Овчинников, Ю.В. Федулов // Изв.вузов. Черная металлургия. 1992. №6. С. 55-58.

42. Волкова В.Н. Основы теории систем и системный анализ / В.Н. Волкова, А.А. Денисов // СПБ.: СПБГТУ, 1977. 510 с.

43. Элементы теории систем и численные методы моделирования процессов тепломассопереноса: учебник для вузов / B.C. Швыдкий, Н.А. Спирин, М.Г. Ладыгичев, Ю.Г. Ярошенко, Я.М. Гордон // М.: Интермет-Инжиниринг, 1999. 520 с.

44. Краснощеков П.С. Принципы построения моделей / П.С. Краснощеков, А.А. Петров // М.: изд-во МГУ, 1983. 264 с.

45. Самарский А.А. Математическое моделирование: Идеи. Методы. Примеры / А.А. Самарский, А.П. Михайлов // М.: Наука, Физматлит, 1997.320 с.

46. Математика и кибернетика в экономике. Словарь-справочник. Изд. 2-е, перераб. и доп. М., Экономика, 1975, 700 с.

47. Павлов М.А. Металлургия чугуна. 4.2. Доменный процесс / М.А. Павлов // М.: Металлургия, 1949. 628 с.

48. Федулов Ю.В. Оптимизация хода доменной плавки / Ю.В. Федулов // М.: Металлургия, 1989. 151 с.

49. Туманов А.И. Математическая модель газодинамики в зоне плавления доменной печи / А.И. Туманов, В.А. Доброскок, А.В. Воложин // Изв. вузов. Черная металлургия. 1987. № 3. С. 146-147.

50. Казанцев B.C. Задачи классификации и их программное обеспечение (пакет КВАЗАР) / B.C. Казанцев // М.: Наука.- 1990.- 135 с.

51. Загоруйко Н. Г. Прикладные методы анализа данных и знаний / Н. Г. Загоруйко // Новосибирск, Издательство института математики, 1999. -270 с.

52. Вапник В.Н. Теория распознавания образов (статистические проблемы обучения) / В.Н. Вапник, А .Я. Червоненкис // М.: Наука, 1974. 416 с.

53. Rosenblatt F. The perseptron, a probability model for information storage and organization in the brain / F. Rosenblatt Psychol // Rev., 65, 1958. P. 94-106.

54. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга / Ф. Розенблатт // М.: Мир, 1965. 480 с.

55. Харкевич А.А. Опознавание образов / А.А. Харкевич // "Радиотехника", т.14,15. 1959

56. Novikoff A. On convergence proofs for perseptrons. Proceedings of Symposium on Mathematical Theory of Automata / A. Novikoff // Polytechnic Institute of Brooklyn, v. XII, 1963. P. 18-36

57. Загоруйко Н.Г. Классификация задач рспознавания образов / Н.Г. Загоруйко //Новосибирск, 1966. Вып22. С. 13-19.

58. Фу К. Структурные методы в распознавании образов / К. Фу // М.: Мир, 1977.320 с.

59. Шлезингер М. И. Синтаксический анализ двумерных зрительных сигналов в условиях помех / М. И. Шлезингер // Кибернетика. 1976. № 4. С. 113-130.

60. Ту Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес // М.: Мир, 1978. 412 с.

61. Браверман Э. М. Структурные методы обработки эмпирических данных / Э. М. Браверман, И. Б. Мучник // М.: Наука, 1983. 464 с.

62. Айзерман М.А. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы / М.А. Айзерман, Э.М. Браверман, Л.И. Розоноэр // Автоматика и телемеханика. 1964, т XXV, Т, С. 917 936.

63. Васильев В.И. Распознающие системы. Справочник / В.И. Васильев // Киев: Наукова думка, 1969. 292 с.

64. Загоруйко Н.Г. Методы распознавания и их применение / Н.Г. Загоруйко // М.: Сов. радио, 1972. 206 с.

65. Айзерман М. А. Метод потенциальных функции в теории обучения машин / М. А. Айзерман, Э. М. Браверман, JI. И. Розоноэр // М.: Наука, 1970. 384 с.

66. Растригин JI.A. Метод коллективного распознавания / JI.A. Растригин, Р.Х. Эренштейн //М.: Энергия, 1981. 80 с.

67. Перцептрон система распознавания образов: Сб. науч. тр. / Под ред. А. Г. Ивахненко // Киев: Наук, думка, 1975. 431 с.

68. Мазуров Вл. Д. Метод комитетов в задачах оптимизации и классификации / Вл. Д. Мазуров // М.: Наука. 1990. - 248 с.

69. Osborne М. L. The seniority logic a logic for a committee machine / M. L. Osborne // IEEE Trans. Comput. 1977. Vol. 26, N 12. P. 1302-1306.

70. Белецкий H. Г. Применение комитетов для многоклассовой классификации. Численный анализ решения задач линейного и выпуклого программирования / Н. Г. Белецкий // Свердловск, 1983. С. 156-162.

71. Бонгард М. М. Проблема узнавания / М. М. Бонгард // М.: Наука, 1967, 320 с.

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

73. Назаров А.В. Нейросетевые алгоритмы прогнозирования и оптимизации систем / А.В. Назаров, А.И. Лоскутов // М.: Наука и техника. 2003. -384 с.

74. Высоцкая Г.С. Непараметрические системы классификации в задачах исследования медико-биологических процессов. Автореферат диссертации на соискание ученой степени кандидата технических наук / Г.С. Высоцкая // Красноярск, 1998. 22 с.

75. Пакет прикладных программ ОТЭКС / Н.Г. Загоруйко, В.Н. Елкина, Г.С. Лбов, С.В. Емельянов // Изд. «Финансы и статистика», М., 1986. 158 с.

76. Тягунов Л. И. Алгоритмы комитетного распознавания и их применение для решения практических задач классификации: Автореф. дис. канд. техн. наук / Л. И. Тягунов // Свердловск, 1973. 24 с.

77. Стьюпер Э. Машинный анализ связи химической структуры и биологической активности / Э. Стьюпер, У. Брюггер, П. Джуре // М. Мир, 1982.- 235 с.

78. Волков Ю.П. Технолог-доменщик / Ю.П. Волков, Л.Я. Шпарбер, А.К. Гусаров // М.: Металлургия. 1986. 263 с.

79. Лбов Г.С. Методы обработки разнотипных экспериментальных данных / Г.С. Лбов // Изд. «Наука» Сибирское отделение, Новосибирск, 1981. 157 с.

80. Товаровский И.Г. Доменная плавка. Эволюция, ход процессов, проблемы и перспективы / И.Г. Товаровский // Днепропетровск: ПОРОГИ, 2003. -596 с.

81. Нестационарные процессы и повышение эффективности доменной плавки. / Ю.Н. Овчинников, В.И. Мойкин, Н.А. Спирин, Б.А. Боковико // Челябинск, Металлургия, Челябинское отделение, 1989, 120 с.

82. Загоруйко Н.Г. Алгоритмы обнаружения эмпирических закономерностей / Н.Г. Загоруйко, В.Н. Елкина, Г.С. Лбов // Новосибирск: Наука, 1985.- 110 с.

83. Гиммельфарб А.А. Автоматическое управление доменным процессом /

84. A.А.Гиммельфарб, Г.Г. Ефименко // Изд-во "Металлургия", 1969, с. 309.

85. Козинец В. Н. Рекуррентный алгоритм разделения выпуклых оболочек двух множеств. Алгоритмы обучения распознаванию образов / Под ред.

86. B. Н. Вапника // М.: Сов. радио, 1972. С. 43-50.

87. Plotnikov S.V. Correction of Object Parameters in Committee Classification / S.V. Plotnikov, N.G. Beletskii, T.V. Lyalina // Pattern Recognition and Image Analysis, Vol. 4, No. 4, 1994, c. 403-407.

88. Merill T. On the effectiveness of receptors in recognition systems / T. Merill, O.M. Green // JRE Trans. Inform. Theory, 1963, vol. JT-9, P. 11-17.

89. Автоматическое распознавание образов / Барабаш Ю.Л., Варский Б.В. и др. // Изд. КВАИУ, Киев, 1964.

90. Аркадьев А.Г. Обучение машины распознаванию образов / А.Г. Аркадьев, Э.М. Браверман // М: Наука, 1964. 110 с.

91. Терентьев П. В. Метод корреляционных плеяд / П. В. Терентьев // Вестн. ЛГУ. Биология. 1959. № 9. С. 137-141.

92. Берж К. Теория графов и ее применения / К. Берж // М.: Изд-во иностр. лит., 1962.319 с.

93. Ведение доменной плавки. Технологическая инструкция ТИ 101-П-Д-22-97 // Магнитогорск, 1997. 126 с.

94. Белозерский Л.А. Основы построения систем распознавания образов. Курс лекций, Часть 1 / Л.А. Белозерский // Донецкий государственный институт искусственного интеллекта, 1997. -103 с.

95. Дмитриев А.Н. Исследование температурных и скоростных полей с помощью двумерной математической модели при использовании новых технических решений / А.Н. Дмитриев, С.В. Шаврин // Сталь. 1998. № 5.1. C. 5-8.

96. Евланов Л.Г. Теория и практика принятия решений / Л.Г. Евланов // М.1. Экономика, 1984. 350 с.

97. Елкина В.Н. Алгоритмы направленного таксономического поиска информативных подсистем признаков (НТПП). Вычислительные системы: Сб. тр. ИМ СО АН СССР Вып.59 / В.Н. Елкина, Н.Г. Загоруйко, B.C. Темиркаев//Новосибирск, 1974. С.49-70.

98. Загоруйко Н.Г. Гипотезы компактности и 1-компактности в методах анализа данных. Сибирский журнал индустриальной математики / Н.Г. Загоруйко//Изд. ИМ СО РАН. Том 1, N1, 1998, С. 114-126.

99. Загоруйко Н.Г. «Эмпирическое предсказание» / Н.Г. Загоруйко // Новосибирск, Наука, 1979. 124 с.

100. Казанцев B.C. Математические методы и новые информационные технологии в решении медицинских задач (лекции) /B.C. Казанцев // Екатеринбург, 2002. 80 с.

101. Разработка экспертной системы для долгосрочного управления работой доменной печи / Kenaga Yasuharu // Дзайре то пуросэсу Curr. and Mater, and Proc.- 1991. 4, №5. - С. 1384.

102. Кочержинская Ю.В. Прогнозирование структуры и свойств конечных доменных шлаков: автореферат диссертации на соискание ученой степени кандидата технических наук /Ю.В. Кочержинская // Магнитогорск, 2004 -20 с

103. Lida О. Application of a techniques to blast furnase operation / О. Lida, S. Taniyochi, T. Hetani // Kawasaki Steel Techn Dept. 1992. - №26. - P. 30-37.

104. Писи Дж.Г. Доменный процесс. Теория и практика: Пер. с англ. / Дж.Г. Писи, В.Г. Давенпорт, Под ред. Карабасова Ю.С. // М.: Металлургия, 1984. 142 с.

105. Товаровский И.Г. Применение математических методов и ЭВМ для анализа и управления доменным процессом / И.Г. Товаровский, Е.И. Райх, К.К. Шкодин // Металлургия, 1978. 264 с.

106. Троелсен Э. С# и платформа .NET. Библиотека программиста / Э. Троелсен // СПб.: Питер, 2006. 796 е.: ил.

107. Турбович И.Т. Опознание образов. Детерминировано-статистический подход / И.Т. Турбович, В.Г. Гитис, В.К. Маслов // Изд-во «Наука», 1971, С. 246.

108. Тягунов Л.И, Шевелева Л.И. Алгоритм таксономии в метрике Хемминга // Программы оптимизации; (Оптимальное планирование). Свердловск, 1976, Вып. 5. С. 79-87.

109. Экспертная система управления ходом доменной плавки/ М.М. Френкель, Ю.В. Федулов, О.А. Белова, В.А. Краснобаев // Сталь. 1992. - №7. - С. 15-18.

110. Гецци К. Основы инженерии программного обеспечения. 2-е изд. Пер. с англ. / К. Гецци, М. Джазайери, Д. Мандриоли // СПб.: БХВ-Петербург, 2005. 832 с.

111. Карл И. Вигерс. Разработка требований к программному обеспечению / Карл И. Вигерс // М.: Издательско-торговый дом «Русская редакция», 2004.-576 с.

112. Коберн А. Быстрая разработка программного обеспечения / А. Коберн // Пер. с англ. М.: ЛОРИ, 2002. 314 с.

113. Кармайкл Э. Быстрая и качественная разработка программного обеспечения / Э. Кармайкл, Д. Хейвуд // Пер. с англ. М.: Вильяме, 2003. 400 с.

114. Буч Г. Объектно-ориентированное проектирование с примерами применения / Г. Буч // М.: Конкорд, 1992. 519 с.

115. Характеристики качества программного обеспечения / Б. Боэм, Дж. Браун, X. Каспар и др. // М.: Мир, 1981. 206 с.

116. Новоженов Ю.В. Объектно-ориентированные технологии разработки сложных программных систем / Ю.В. Новоженов // М., 1996. 115 с.

117. Кантор М. Управление программными проектами. Практическое руководство по разработке успешного программного обеспечения.: Пер. сангл. / М. Кантор // М.: Издательский дом "Вильяме", 2002. 176 с.

118. Одинцов И.О. Профессиональное программирование. Системный подход. 2-е изд. / И.О. Одинцов // СПб.: БХВ-Петербург, 2004. 624 с.

119. Федоров A. ADO в Delphi / А. Федоров, Н. Елманова / Пер. с англ. // СПб.: БХВ-Петербург, 2002. 816 с.

120. Архангельский А.Я. Язык Pascal и основы программирования в Delphi. Учебное пособие / А.Я. Архангельский // М.: «Бином-Пресс», 2004. 496 с.

121. Раскин Д. Интерфейс: новые направления в проектировании компьютерных систем / Пер. с англ. / Д. Раскин // СПб: Символ-Плюс, 2003.-272 с.

122. Майерс Г. Надежность программного обеспечения / Пер. с англ. Ю.Ю. Галимова / Под ред. В.Ш. Кауфмана. М.: Мир, 1980. - 360 с.

123. Otsuka R. Совершенная технология управления и систем контроля для доменной печи / Otsuka R., Ikenda Y., Sibuta H., e.a. // Сумитомо киндзоку-Sumitomo Metals.-1992. 44, №1. С. 161-172.

124. Ишкова Э.А. С#. Начала программирования / Э.А. Ишкова // Бином, 2007, С.333.

125. Благо датских В.А. Стандартизация разработки программных средств / В.А. Благодатских, В.А. Волнин, К.Ф. Поскакалов // Финансы и статистика, 2006, С. 284.

126. Фуфаев Э.В. Пакеты прикладных программ / Э.В. Фуфаев, Л.И. Фуфаева // Академия, 2006, С. 352.

127. Вайсфельд М. Объектно-ориентированный подход: Java, .Net, С++ / Пер. с анг. / М. Вайсфельд // КУДИЦ-Образ, 2005, С. 336