5_ORGANIZATsIYa_PROIZVODSTVA / 2-2
.pdf
14 |
Інформаційні технології та системи, обчислювальна техніка, автоматизація |
|
|
УДК 681.513.6
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ХАРАКТЕРИСТИК ПРОЦЕССА ВЫПЛАВКИ ФЕРРОСИЛИКОМАРГАНЦА
Михалев А.И., Гладких В.А., Лысая Н.В., Лысый Д.А., Лысенко В.Ф., Деревянко А.И. Национальная металлургическая академия Украины.
Проведены нейросетевая идентификация и прогнозирование характеристик процесса выплавки ферросиликомарганца.
Ключевые слова: ферросиликомарганец, моделирование и прогнозирование, нейронная сеть.
Введение. В теории и практике металлургического производства в последнее время все в большей степени требуется применение интеллектуальных компьютерных технологий, позволяющих решать разнообразные задачи прогнозирования нормативных, технологических и электрических параметров процессов. Для решения таких, как правило, нелинейных задач все чаще применяются алгоритмы нейросетевой оптимизации и идентификации [3,4].
Ставится задача моделирования и прогнозирования характеристик процесса выплавки ферросиликомарганца с применением нейронных сетей.
1. Постановка задачи.
Руднотермическая электропечь представляет собой многосвязный объект, в котором одновременно протекают электрические, тепловые и физико-химические процессы. К основным технико-экономическим показателям работы печи относят производительность печи, удельный расход электроэнергии и эффективность использования сырьевых материалов. От значений этих показателей напрямую зависит главный показатель эффективности работы печи
– себестоимость продукции [1].
Анализ зависимостей показателей работы ферросплавных печей от технологических факторов [2] показал, что основным фактором, определяющим производительность печи, является мощность, вводимая в ванну печи. В [2] установлена зависимость удельного расхода электроэнергии от мощности и от отношения содержания углерода к содержанию марганца и кремния в шихте. Таким образом, основными факторами получения минимальной себестоимости продукции при выплавке ферросиликомарганца является оптимизация основных ТЭП работы руднотермической электропечи. Решение этой задачи достигается оперативным управлением ходом технологического процесса, заключающемся в регулировании в заданных пределах
мощности печи Рпечи и отношения 
Cтв /(Mn + SiO2 )
, оказывающих непосредественное
влияние на основные ТЭП печи [1].
Подвод мощности в ванну шестиэлектродной печи типа РПЗ-63 осуществляется посредством самообжигающихся электродов, попарно подключенных к выводам вторичного напряжения трех однофазных трансформаторов. Механизм перемещения электрода позволяет, изменяя величину заглубления электрода в шихту, менять активное сопротивление приэлек-
тродного пространства ( Rэ ), следствием чего является изменение тока фазы ( Iф ) и мощности
электрода ( Pэ ). Поскольку мощность печи Рпечи является суммой мощностей, выделяемых на каждом из шести электродов, основными параметрами регулирования для обеспечения оптимальной Рпечи являются Iф и Rэ [1].
Целью работы является нейросетевое моделирование и прогнозирование зависимостей между входными параметрами, участвующими в управлении технологическим процессом вы-
плавки ферросиликомарганца: Iф , Rэ , 
Cтв /(Mn + SiO2 )
, времени, затраченного на про-
изводство металла и выходными: количеством потребленного печью марганца 
Mn
, полу-
ченного марганца [Mn]и затраченной электроэнергии Q .
Нові технології № 2 (24) – 2009 ♦ Науковий вісник КУЕІТУ
Інформаційні технології та системи, обчислювальна техніка, автоматизація 15
Моделирование проводилось в соответствии с реальными данными работы шестиэлектродной прямоугольной печи РПЗ-63, выплавляющей ферросиликомарганец.
2. Нейросетевая идентификация нелинейной системы выплавки ферросиликомар-
ганца
Моделирование зависимостей между входными и выходными показателями процесса выплавки ферросиликомарганца проводилось с использованием трехслойной нейронной сети прямого распространения, 5-3-3, с сигмоидными функциями активации в первом и третьем слоях и линейной – во втором. Для обучения использовались 160 значений ряда, зависимости
нормировались следующим образом [3]: xnorm = (x − x )/σ |
x |
, где xi - значения ряда, |
x - |
|
i |
i |
|
|
|
математическое ожидание, σ x - дисперсия ряда. Сеть обучалась по алгоритму Левенберга-
Марквардта в течение 200 эпох, среднеквадратичная ошибка аппроксимации после обучения составила 0.09. Результаты обучения приведены на рис. 1.
150 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ряд |
|
|
|
|
|
|
|
|
Сеть |
|
100 |
|
|
|
|
|
|
|
|
50 |
|
|
|
|
|
|
|
|
00 |
20 |
40 |
60 |
80 |
100 |
120 |
140 |
160 |
|
Рис. 1. Результаты аппроксимации параметра |
Mn |
|
|||||
Настроенная сеть применялась для прогнозирования выходных зависимостей - количества |
||||||||
потребленного печью марганца |
Mn , полученного марганца |
[Mn]и затраченной электро- |
||||||
энергии Q на 16 шагов (смен) вперед. Результаты прогнозирования приведены на рис. 2 – 4. |
||||||||
1 |
|
|
|
|
|
|
|
|
0.5 |
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
-0.5 |
|
|
|
|
|
|
|
|
-1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
временной ряд |
|
|
-1.5 |
|
|
|
|
|
прогноз |
|
|
|
|
|
|
|
|
|
|
|
-20 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
Рис. 2. Прогнозирование выходного параметра |
Mn . Средняя ошибка прогноза – 0,3 (14%) |
|||||||
Нові технології № 2 (24) – 2009 ♦ Науковий вісник КУЕІТУ |
||||||||
16 |
Інформаційні технології та системи, обчислювальна техніка, автоматизація |
||||||||
|
1.5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ряд |
|
|
|
|
|
|
|
|
|
Прогноз |
|
1 |
|
|
|
|
|
|
|
|
|
0.5 |
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
-0.5 |
|
|
|
|
|
|
|
|
|
-1 |
|
|
|
|
|
|
|
|
|
-1.50 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
|
Рис. 3. Прогнозирование выходного параметра [Mn]. Средняя ошибка прогноза – 0,21 (11,4%) |
||||||||
|
1.5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Ряд |
|
|
|
|
|
|
|
|
|
Прогноз |
|
1 |
|
|
|
|
|
|
|
|
|
0.5 |
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
-0.5 |
|
|
|
|
|
|
|
|
|
-1 |
|
|
|
|
|
|
|
|
|
-1.50 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
|
Рис. 4. Прогнозирование выходного параметра - затраченной электроэнергии Q |
||||||||
|
|
|
Средняя ошибка прогноза – 0.123 (4%) |
|
|
||||
Выводы
Полученные результаты свидетельствуют о том, что задачи моделирования и прогнозирования выходных характеристик процесса выплавки ферросиликомарганца возможно решать с применением нейронных сетей. Для иллюстрации приведены примеры прогнозирования с использованием предварительно настроенной нейронной сети значений выходных показателей процесса на 16 смен.
ЛИТЕРАТУРА:
1.Взаимосвязь между технологическими и электрическими параметрами при выплавке ферросиликомарганца в руднотермической электропечи / [Куцин В. С., Кузьменко С. Н., Журбенко В. И. и др.]
//Металлургическая и горнорудная промышленность. – 2007. – № 6. – С. 26-30.
2.Гасик, М. И. Физикохимия и технология электроферросплавов / М. И. Гасик, Н. П. Лякишев.
//Системные технологии. – 2005. – 448 с.
3.Cholewo Tomasz J., Zurada. Jacek M. Sequential Network Construction for Time Series Prediction
//In Proceedings of the IEEE International Joint Conference of Neural Networks. – Houston, Texas. – June 9-12, 1997. – USA. – P. 2034-2039.
Нові технології № 2 (24) – 2009 ♦ Науковий вісник КУЕІТУ
Інформаційні технології та системи, обчислювальна техніка, автоматизація 17
4. Михалев, А. И. Синергетический синтез многомодельного алгоритма обучения нечетких нейросетей / Михалев А. И., Лысая Н. В., Лысый Д. А. // Системні технології. – 2008. Випуск 3 (56). – Т. 2. С. 179-185.
5.
Получено редакцией 28.03.2009 г.
©Михалев А.И., 2009.
©Гладких В.А., 2009.
©Лысая Н.В., 2009.
©Лысенко В.Ф., 2009.
©Лысый Д.А., 2009.
©Деревянко А.И., 2009.
Михалев Александр Ильич, доктор технических наук, профессор, заведующий кафедрой информационных технологий и систем, Национальная металлургическая академия Украины.
Гладких Владимир Андреевич, доктор технических наук, профессор, кафедра электрометаллургии, Национальная металлургическая академия Украины.
Лысая Наталья Викторовна, кандидат технических наук, доцент, кафедра информационных технологий и систем, Национальная металлургическая академия Украины.
Лысенко Виктор Федорович, кандидат технических наук, доцент, кафедра электрометаллургии, Национальная металлургическая академия Украины.
Лысый Дмитрий Анатольевич, старший преподаватель, кафедра информационных технологий и систем, Национальная металлургическая академия Украины.
Деревянко Александр Иванович, кандидат технических наук, доцент, кафедра информационных технологий и систем, Национальная металлургическая академия Украины.
Нові технології № 2 (24) – 2009 ♦ Науковий вісник КУЕІТУ