- •«Братский государственный университет»
- •Содержание
- •Введение
- •Общие сведения об алюминиевой промышленности
- •2. Автоматизация процесса электролиза
- •3. Автоматизированная система управления технологическим процессом литейного отделения
- •Верхний уровень асутп ло
- •Нижний уровень асутп ло
- •4. Автоматизированная система управления газоочистной установкой №3 оао "БрАз"
- •5. Система управления отгрузкой кремния в "биг-бэги"
- •6. Цех анодной массы оао «БрАз»
- •6.1. Общие сведения об анодной массе
- •Технологическая схема производства анодной массы.
- •6.2. Нейросетевая модель прогнозирования качества анодной массы для условий оао «БрАз»
- •5.3. Система автоматизации тп прокалочного и котельного отделений цеха анодной массы оао "БрАз" г.Братск Иркутской обл.
- •Структура асу тп и выполняемые функции:
- •Заключение
- •Список использованных источников
Технологическая схема производства анодной массы.
6.2. Нейросетевая модель прогнозирования качества анодной массы для условий оао «БрАз»
Стабильность работы электролизера в значительной мере зависит от работы анода. Хороший анод обеспечивается качественным производством анодной массы, которая создается подбором соответствующих сырьевых материалов и качественным смешиванием анодной массы.
В производство анодной массы на ОАО «БрАЗ» вовлекаются кокосы разных поставщиков, имеющих различную сырьевую базу и особенности технологии. Качественные показатели сырья имеют значительный разброс даже у одного и того же представителя. Усилиями представителей завода все поступающее сырье максимально усредняется с целью получения стабильной смеси с приемлемыми качественными показателями. Но при существующей вариативности и нестабильности поступления вагонов и термоцистерн – всех факторов учесть невозможно.
Таким образом, зачастую в производство запускается смесь сырья от разных поставщиков. В таких условиях технологическим службам цеха очень трудно спрогнозировать качество анодной массы и показатели работы анодов в электролизе.
Влияния различных промышленных процессов на расход анода исследовались во многих работах в России и за рубежом.
В частности, особенности технологии «полусухого» анода и статический анализ факторов, влияющих на расход анода Содерберга для условий ОАО «БрАЗ», освещены в работах [3,4]. Однако исследование работы анода осуществлено не достаточно полно, т.е. без учета существующих взаимосвязей: качества поставляемого сырья, технологии производства анодной массы и эксплуатации анода. Это объясняется отсутствием соответствующего инструмента для комплексного анализа имеющихся статистических данных завода. В настоящее время в базах цеха анодной массы и АРМ электролиза имеется более 100 параметров прямо или косвенно связанных с получением анодной массы и эксплуатации анода.
С целью более глубокого и качественного анализа производства и прогнозирования качества анодной массы предложено использовать новые информационные технологии в виде интеллектуальных методов обработки информации, в частности, искусственных нейронных сетей. Нейросетевой подход наиболее эффективен в задачах классификации, поиска закономерностей, прогнозирования и оптимизации. Применение нейронных сетей оправдано для задач имеющих большое количество входной информации, когда данные неполны, зашумлены, частично противоречивы [5].
Реализация такого подхода потребовала осуществить корректировку структуры базы данных ЦАМ в плане более полного учета всех контролируемых параметров, начиная со сменных данных.
Постановка задачи прогнозирования качества анодной массы потребовала объединения знаний разных специалистов: технологов по анодной массе, электролиза и технической кибернетике. [3-7].
Цех анодной массы включает в себя три отделения: участок подготовки сырья, прокалочно-утилизационное и размольно-смесильное отделения. Технологический процесс производства анодной массы в размольно-смесительном отделении (РСО) состоит из следующих пределов: средний размол, грохочение, тонкий помол, дозировка компонентов коксовой шихты и жидкого пека, нагрев компонентов, смешение и охлаждение. Структурная схема ЦАМ изображена на рис.1
Рис.1 – Структурная схема ЦАМ
Поступающие нефтяные электродные коксы подвергают дроблению до кусков размером не более 70 мм (молотковые дробилки) т направляют на прокалку во вращающуюся печь при температуре 1200±50С.
Затем кокс дробят на дробилках до частиц размером не более 6-8 мм (средний размол и грохочение), а часть измельчают в шаровых мельницах до размера не более 0.16 мм (тонкий помол). Раздробленный кокс классифицируют на несколько фракций и отправляют в сортовые бункеры. В отдельный бункер помещают пылевую фракцию. В соответствии с рецептурой и сортовых бункеров коксовая шихта дозируется, перемешивается, подогревается и поступает в смесители.
Поступающий каменноугольный пек (связующее вещество) шихтуют, термостатируют, нагревают и подают в смеситель в определенном соотношении. Кокосовая шихта смешивается с пеком (согласно рецепту) в смесителях непрерывного действия. Далее готовая анодная масса охлаждается и поступает на склад, где происходит ее естественная сушка.
На показатели качества анодной массы (удельное электросопротивление, механическая прочность, коэффициент текучести и др.) – вектор выходных показателей – влияют качественные показатели исходного сырья (кокс и пек) – вектор входных показателей; технологические параметры производства – вектор управляющих воздействий. Объединим переменные по группам и введем для них обозначения, тогда ЦАМ можно представить в виде обобщенной структурной схемы, изображенной на рис.2
Рис.2 – Обобщенная структурная схема ЦАМ
Очевидно что вектор выходных показателей Yесть функция от входныхXи управляющих параметровU:
Y=f(X,U).
Исходная информация о производстве анодной массы и эксплуотации анода представлена в виде структуры (рис.3), включающей следующие блоки: сырье, технология, свойства анодной массы, качество анодной массы и электролиз.
Рис. 3 - Структура исходных данных.
Поставленная задача реализована с помощью трех прогнозирующих нейросетевых моделей (рис.4).
модель прогноза и исследования свойств анодной массы (НС-1): содержание золы, серы, железа, кремния, ванадия, натрия, коэффициент текучести и содержание пека в анодной массе (70 входов и 8 выходов),
модель прогноза и исследования показателей качества анодной массы (НС-2): удельного электросопротивления, механической прочности, пористости, окисляемости , осыпаемости и разрушаемости (78 входов и 6 выходов),
модель для прогноза и исследования показателей электролиза (НС-3): угольной пены и выход по току (84 входа и 2 выхода).
Рис.4 - Структуры прогнозирующих нейронных сетей.
Нейросетевые модели прошли производственную проверку на точность прогноза (табл.1):
Как видно из таблицы точность прогноза может удовлетворять производственным требованиям. Однако, прогноз показателей: съем угольной пены и выход по току является достаточно условным, так как для более точного прогноза необходимо учитывать параметры электролиза. В настоящее время производиться корректировка моделей с учетом расширения базы данных в направлении технологии электролиза [8].
Разработанные модели позволяют производить более глубокий и качественный анализ производства анодной массы, в частности выявить влияние качества продукции поставщика на показатели качества анодной массы. С помощью нейросетевых моделей были получены и проанализированы основные зависимости показателей работы анодов в электролизе от показателей ЦАМ.
Реализация моделей осуществлена в виде программного обеспечения, которое включает следующие функции:
- связь с базами данных завода
- визуализацию исходной информации, хранящейся в базах данных завода
- проведение расчетов качества анодной массы и анода
- визуализацию результатов прогнозирования и оценка точности расчетов
- сохранение результатов вычислений
Несмотря на то, что разработанные модели являются первым шагом в большой работе запланированной специалистами ОАО «БрАЗ» и ООО «Маяк ПКФ», используя их уже сегодня, можно достоверно оценить влияние сырьевой составляющей на качество анодной массы и определить тенденцию изменения съема угольной пены.
В дальнейшем данная модель войдет составной частью в программный пакет АРМ интеллектуальной поддержки решений ЦАМ, в котором наряду с функциями прогноза будут реализованы функции оптимизации производства анодной массы по критерию уменьшения удельного расхода анодной массы при электролизе.