Содержание к диссертации
Введение
1 Общая характеристика проблемы управления установкой ускоренного охлаждения проката 13
1.1 Анализ существующих моделей, методов и средств управления установками ускоренного охлаждения 13
1.2 Характеристика процесса ускоренного охлаждения проката как объекта управления
1.3 Определение требований к математическому обеспечению системы управления установкой ускоренного охлаждения проката 49
1.4 Выводы 53
2 Математическое обеспечение системы нейро нечеткого управления установкой ускоренного охлаждения проката 54
2.1 Системный анализ управления установкой ускоренного охлаждения проката 54
2.2 Нейро-нечёткая модель управления установкой ускоренного охлаждения листового проката 62
2.2.1 Формирование блока нечёткого вывода модели управления 62
2.2.2 Разработка нейро-нечёткого модуля управления установкой ускоренного охлаждения проката 65
2.3 Метод предварительной обработки входных переменных в системе управления установкой ускоренного охлаждения проката 80
2.3.1 Построение эталонной выборки для обучения модели управления 80
2.3.2 Определение значимых входов нейро-нечёткой модели управления установкой ускоренного охлаждения проката з
2.4 Метод нейро-нечёткого управления установкой ускоренного охлаждения листового проката 96
2.5 Выводы 99
3 Алгоритмическое обеспечение системы нейро нечёткого управления установкой ускоренного охлаждения листового проката 100
3.1 Алгоритм предварительной обработки входной информации модели управления установкой ускоренного охлаждения проката 100
3.2 Параллельный алгоритм определения значимых факторов нейро нечёткой модели управления установкой ускоренного охлаждения проката 102
3.3 Алгоритм структурной идентификации нейро-нечёткой модели управления установкой ускоренного охлаждения проката 105
3.4 Алгоритм обучения нейро-нечёткой модели управления установкой ускоренного охлаждения проката 107
3.5 Алгоритм расчёта скорости рольгангов с помощью нейро-нечёткой сети 109
3.6 Алгоритм управления установкой ускоренного охлаждения 112
3.7 Обобщённый алгоритм функционирования системы управления установкой ускоренного охлаждения листового проката 113
3.8 Выводы 116
4 Экспериментальные исследования метода и алгоритмов нейро-нечёткого управления установкой ускоренного охлаждения листового проката 117
4.1 Основные функциональные элементы и блоки системы управления установкой ускоренного охлаждения 117
4.2 Методика настройки алгоритмического обеспечения 120
4.3 Результаты экспериментальных исследований 124
4.4 Перспективы применения разработанных метода и алгоритмов
нейро-нечёткого управления установкой ускоренного охлаждения листового
проката 130
4.5 Выводы 132
Заключение 133
Список литературы 134
- Характеристика процесса ускоренного охлаждения проката как объекта управления
- Разработка нейро-нечёткого модуля управления установкой ускоренного охлаждения проката
- Параллельный алгоритм определения значимых факторов нейро нечёткой модели управления установкой ускоренного охлаждения проката
- Результаты экспериментальных исследований
Введение к работе
Актуальность темы. В настоящее время в России осуществляется активное строительство магистральных трубопроводных систем (проекты «Турецкий поток», «Сила Сибири»), предназначенных для транспортировки природного газа из районов добычи в центры потребления как в нашей стране, так и за ее пределами. В связи с освоением все более отдаленных месторождений и увеличением мощности магистральных трубопроводов, газовая отрасль выдвигает постоянно возрастающие требования к качеству металла труб. Изменения в части требований к трубам большого диаметра влекут за собой соответствующие изменения к требованиям для всех других элементов системы и технологий строительства магистрального трубопровода. Эксплуатационные свойства труб формируются на этапе изготовления листового проката. Общим направлением развития техники является увеличение мощности и производительности оборудования, транспортных и энергетических установок и систем, технических транспортных средств. Это, в свою очередь, требует применения конструкционных материалов более высокой прочности.
В условиях жесткой конкуренции на рынке металла использование
инновационных технологий в черной металлургии позволяет существенно
повысить эффективность производства и, соответственно,
конкурентоспособность выпускаемой металлопродукции. На сегодняшний день одной из передовых технологий при производстве листового проката является ускоренное охлаждение. Применение данной технологии позволяет получить на выходе установки мелкозернистую структуру металла, обеспечивающую высокую пластичность продукции, получить требуемые прочностные свойства проката, расширить сортамент высококачественными марками стали, снизить содержание легирующих элементов, сократив при этом себестоимость.
Совершенствование управления температурно-скоростным режимом прокатки – одним из основных факторов, определяющих качество горячекатаной продукции, является первоочередной задачей производства. Рассматривая стан как объект управления итоговой температурой листового проката, стоит отметить, что наиболее эффективно управлять температурой непосредственно в месте образования возмущений. С учётом выравнивания температуры металла в линии прокатки и того факта, что наибольшая нестабильность температуры по длине полосы образуется при термоупрочнении, очевидно, что более рационально управлять температурой на этапе ускоренного охлаждения.
Исследования в рассматриваемой области базируются на основах теории моделирования процессов и систем, изложенных в работах: С.А. Айвазяна, В.А. Котельникова, Ю.Г. Лукашина, Ю.А. Бахвалова, П.С. Новикова, Л.А. Растригина, В.В. Солодовникова, А.А. Денисова, Е.Д. Теряева, А.А. Ляпунова, Я.З. Цыпкина, Ю.Г. Шакаряна, Б.Я. Советова, и зарубежных ученых, таких как С.Е. Shannon, P. Eykhoff, R.E. Kalman, G.M. Jenkins, S.R. Rao и др.
Исследованиями процессов, связанных с функционированием систем ускоренного охлаждения листового проката, занимались такие ученые как, И.В.
Франценюк, Э.Е. Бейгельзимер, М.Л. Бернштейн, Ю.В. Кудинов, Ю.И. Липунов, Л.И. Эфрон, М.А. Бобров, Ю.Д. Морозов, Д.А. Литвиненко и др.
На данный момент задача управления ускоренным охлаждением осложняется ошибками измерения параметров, а также большой нестационарностью протекающих процессов теплообмена (скорости охлаждения составляют несколько десятков градусов в секунду). Уменьшение доли бракованной продукции за счёт создания специального математического обеспечения нейро-нечёткого управления ускоренным охлаждением, нечувствительного к неконтролируемым возмущениям теплофизических процессов, является основным способом увеличения конкурентоспособности на мировом рынке листового проката для предприятий металлургического комплекса.
В этой связи разработка метода и алгоритмов адаптивного нейро-нечёткого управления установкой ускоренного охлаждения листового проката является актуальной научно-технической задачей.
Цель и задачи диссертационной работы. Целью диссертационной работы является увеличение доли металла, итоговая температура которого попадает в требуемый диапазон за счёт повышения точности управляющих параметров на основе аппарата адаптивных нейро-нечётких сетей.
Для достижения поставленной цели в работе решаются следующие задачи:
-
Выполнен анализ проблемы управления установкой ускоренного охлаждения листового проката.
-
Разработаны метод и модель управления установкой ускоренного охлаждения листового проката.
-
Разработаны алгоритмы обработки информации в системе управления установкой ускоренного охлаждения.
-
Проведены экспериментальные исследования метода и алгоритмов обработки информации в системе управления установкой ускоренного охлаждения.
Объект и предмет исследования. Объектом исследования является система управления установкой ускоренного охлаждения листового проката. Предмет исследования – метод и алгоритмы нейро-нечёткого управления ускоренным охлаждением листового проката.
Методы исследования. Для решения поставленных задач в работе использовались методы математического моделирования металлургических процессов, искусственного интеллекта, нейронных сетей, нечёткой логики, статистического анализа, кластерного анализа, основы теории построения алгоритмов, программные и языковые средства современных компьютерных технологий.
Научная новизна и основные положения, выносимые на защиту:
1. Разработана математическая модель нейро-нечёткого управления установкой ускоренного охлаждения листового проката, обеспечивающая требуемое качество продукции в условиях нестационарности
протекающих явлений теплообмена, погрешностей измерения параметров, неконтролируемых возмущений.
-
Разработан метод нейро-нечёткого управления процессом ускоренного охлаждения, отличающийся механизмом верификации базы нечетких правил, позволяющий увеличить долю металла, попадающего в требуемый диапазон температур.
-
Разработана система алгоритмов управления установкой ускоренного охлаждения, реализующая функционально полное алгоритмическое обеспечение:
алгоритм отбора значимых факторов нейро-нечёткой модели управления установкой ускоренного охлаждения;
алгоритм структурной идентификации нейро-нечёткой модели управления установкой ускоренного охлаждения проката;
алгоритм обучения нейро-нечёткой модели управления установкой ускоренного охлаждения;
алгоритм расчёта скорости рольгангов с помощью нейро-нечёткой сети.
Практическая значимость результатов исследования заключается в том, что реализация разработанных теоретических положений позволила:
увеличить долю металла, итоговая температура которого попадает в заданный диапазон, на 3,2 % за счёт повышения точности определения скоростного режима работы установки контролируемого охлаждения, обеспечивающего получение требуемой температуры проката.
повысить точность определения управляющих параметров на 6,3 % за счет применения математической модели установки ускоренного охлаждения.
снизить количество бракованной продукции на 2,7 % за счет обеспечения требуемого температурного режима установки контролируемого охлаждения.
увеличить скорость принятия решений по подбору технологических параметров процесса контролируемого охлаждения проката в 2,3 раза за счет использования разработанного программного обеспечения.
Реализация результатов работы. Диссертационное исследование выполнено в рамках госзадания Министерства образования и науки РФ 2012 на 2012-2013 гг. на тему «Интеллектуальные модели управления сложными распределёнными многосвязными объектами».
Разработанные метод и алгоритмы управления установкой ускоренного охлаждения прошли экспериментальную проверку в листопрокатном цехе № 3 производства трубного проката ПАО «Северсталь».
Результаты исследования были успешно внедрены и используются в управлении механизации и автоматизации ООО «Северсталь-Промсервис» при построении системы управления установкой контролируемого охлаждения.
Предложенные алгоритмы обработки информации и управления используются в практической деятельности ООО «Компания «Нординкрафт», а
также в учебном процессе на кафедре «Математическое и программное обеспечение ЭВМ» Череповецкого государственного университета в дисциплинах: «Структуры и алгоритмы обработки данных», «Системы искусственного интеллекта» для специальности 230105 «Программное обеспечение вычислительной техники и автоматизированных систем».
Апробация работы. Основные результаты диссертационной работы докладывались и получили положительную оценку на следующих научных конференциях: XI, XII Международные конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2013, 2015 гг.); VIII, IX, X Международные конференции «Автоматизация и энергосбережение машиностроительного и металлургического производств, технология и надежность машин, приборов и оборудования» (Вологда, 2013, 2014, 2015 гг.), VII, VIII Международные конференции «Информатизация процессов формирования открытых систем на основе СУБД, САПР, АСНИ и систем искусственного интеллекта (ИНФОС-2013, 2015)» (Вологда, 2013, 2015 гг.), XVII, XVIII Международные конференции «Системный анализ в проектировании и управлении» (Санкт-Петербург, 2013, 2014 гг.), III Всероссийская конференция с международным участием «Теория и практика системного анализа» (Рыбинск, 2014 г.), Всероссийская научно-практическая конференция «Череповецкие научные чтения» (Череповец, 2012, 2013, 2014 гг.), VI Международная научно-практическая конференция «Инженерные системы – 2013» (Москва, 2013 г.) и др.
Публикации. По теме диссертации опубликовано 40 научных работ, в том числе 8 статей в ведущих рецензируемых научных журналах и изданиях из перечня ВАК Министерства образования и науки РФ, 2 монографии, а также 2 свидетельства о регистрации электронного ресурса (ОФЭРНиО) и 2 свидетельства о государственной регистрации программы для ЭВМ (Роспатент).
Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 106 наименований и 3-х приложений. Работа содержит 165 страниц, 33 рисунка и 7 таблиц.
Характеристика процесса ускоренного охлаждения проката как объекта управления
Установка ускоренного охлаждения имеет несколько раздельно регулируемых охлаждающих секций. Подача охладителя обеспечивается распределительным узлом системы водоснабжения. Горячекатаный лист выходит из клети при температуре порядка 750 - 1050 С и поступает на охлаждение в секции установки. При этом при движении по участку до первой секции полоса подстуживается на воздухе, что может повлиять на механические свойства после термического упрочнения. Охладитель подается на раскат сверху и снизу из коллекторов. При этом расходы охладителя, поступающего сверху и снизу, могут задаваться независимо друг от друга. Ускоренное охлаждение понижает температуру проката до 400 - 750 С.
В условиях металлургических заводов в качестве охладителя может быть использована лишь техническая вода. Применение других охлаждающих сред, таких как масло, эмульсия, растворов и расплавов солей экономически нецелесообразно, так как связано с большими капитальными затратами на оборудование и высокими эксплуатационными расходами [12].
По принципу работы установки ускоренного охлаждения делятся на два типа: - действующие в проходном режиме и обычно имеющие две зоны охлаждения: зону интенсивного охлаждения для обеспечения высоких скоростей охлаждения и зону вторичного охлаждения для обеспечения охлаждения до температуры конца упрочнения; - действующие в режиме покачивания, когда лист при охлаждении совершает возвратно-поступательное движение.
Впервые контролируемое охлаждение применили в Великобритании в 1962 году на широкополосном стане. Но наиболее сильное развитие системы ускоренного охлаждения получили в Японии в конце 70-х годов [13]. Первая промышленная установка ускоренного охлаждения была введена в действие в 1980 г. в Японии на заводе фирмы Nippon Kokan в г. Фукуяма. До этого момента на станах применялись только ролико-закалочные машины, обеспечивающие закалку листов. При этом на ряде предприятий для закалки также применялись закалочные баки и прессы.
В период до 1997 г. на станах использовались установки ускоренного охлаждения с однотипными секциями без деления на зоны разной эффективности охлаждения. Последующее развитие технологии производства толстолистового проката потребовало добавление головных секций с высоким давлением воды.
Последние два способа охлаждения являются в настоящее время наиболее распространенными. Однако эффективность охлаждения в первую очередь определяется расходом охладителя, а не способом подачи [8, 17]. На установке контролируемого охлаждения (УКО) стана 5000 ПАО «Северсталь» используется струйное охлаждение проката [18].
Создаваемые на станах горячей прокатки автоматизированные системы управления технологическими процессами (АСУТП) обеспечивают выбор оптимальных параметров всех технологических операций и их реализацию. Функционирование АСУТП основано на использовании управляющих электронно-вычислительных машин (УВМ) и локальных систем автоматического регулирования. С помощью АСУТП выполняется в оптимальном режиме множество операций на участках нагрева слябов и слитков, прокатки, термообработки и отделки продукции [24].
Ускоренное охлаждение может быть осуществлено только при высоком уровне автоматизации процесса, так как необходимо учитывать температурные перепады по длине и толщине листа [25]. АСУТП должны осуществлять охлаждение полос, движущихся по рольгангу с переменной скоростью по заданной зависимости абсолютного падения температуры полосы [10].
Теплообмен при водяном охлаждении. Температурный режим прокатки является одним из основных факторов, определяющих качество горячекатаной продукции. Структура металла и его физико-механические свойства в значительной мере определяются температурой металла в момент выхода из последней клети чистовой группы (температурой конца прокатки Ткп). Для
получения оптимальной структуры и физико-математических свойств листа необходимо, чтобы прокатка заканчивалась при температуре, соответствующей области однофазного аустенитного состояния металла. Таким образом, температура конца прокатки должна быть выше температуры у а превращения.
Использование технологии ускоренного охлаждения приводит к увеличению скорости охлаждения металла, и как результат, смещением начала у а превращения в область более низких температур. Увеличение скорости охлаждения в температурном интервале превращений приводит к измельчению зерна феррита, изменению соотношения структурных составляющих (например, формированию бейнита и/или небольших участков мартенсита и остаточного аустенита взамен перлита), а также влияет на структуру феррита [26]. Ускоренное охлаждение проката на отводящем рольганге происходит в результате передачи теплоты от поверхности металла воде за счет большого перепада их температур, а также при излучении, свободной конвекции и передаче теплоты рольгангу. Этот процесс теплопередачи во времени при подаче воды на полосу характеризуется коэффициентом теплоотдачи. В первый момент соприкосновения воды с горячим металлом из-за большой разницы их температур происходит быстрая теплоотдача, и коэффициент теплоотдачи имеет высокое значение [10]. Однако соприкосновение высоко нагретых тел с низкокипящими жидкостями сопровождается испарением жидкостей вплоть до кипения. При этом сменяют друг друга пузырьковое и пленочное кипение. Следует отметить, что интенсивность теплообмена к жидкости значительно превышает интенсивность теплообмена к пару.
Пленочное кипение действует как изолирующий слой, замедляя процесс теплоотдачи. Некоторое время коэффициент теплоотдачи имеет минимальной значение, характеризуя период замедленной теплоотдачи. Постепенно, с охлаждением металла, паровой слой теряет свою устойчивость, и между поверхностью полосы и подаваемой новой порцией воды возникает непосредственный контакт, приводящий снова к высокой теплоотдаче. Со временем температура металла становится все более низкой, поэтому теплоотдача даже в моменты контактов воды с полосой уменьшается. Следовательно, скорость охлаждения полосы зависит от того, насколько быстро разрушается паровой слой на поверхности охлаждаемого металла [10]. Для струйного способа охлаждения было обнаружено увеличение интенсивности разрушения парового слоя между струями воды и поверхностью раската при росте скорости истечения воды [17].
Разработка нейро-нечёткого модуля управления установкой ускоренного охлаждения проката
Исходя из приведенных целей, определим задачу управления, на основе которой сформулируем основные задачи исследования. Задача управления заключается в задании таких значений технологических параметров установки ускоренного охлаждения, которые обеспечивают наилучшее качество охлаждаемого проката. Определим задачи исследования, которые необходимо выполнить для достижения цели управления.
Сложность системы определяет тип представляемых моделей – «чёрный ящик». При построении модели «чёрного ящика» из множества связей системы с внешней средой отбираются для включения в список входов и выходов те, которые соответствуют целевому назначению модели. То есть каждая переменная, включенная в модель, является существенной по отношению к цели модели. При этом никакие отношения между множествами входов и выходов не фиксируются. Первая задача – анализ проблемы управления установкой ускоренного охлаждения листового проката. Вторая задача – разработка математического обеспечения системы управления установкой ускоренного охлаждения. В рамках указанной задачи необходимо решить две подзадачи. Первая подзадача – разработка модели управления. Управление установкой ускоренного охлаждения листового проката заключается в задании управляющих параметров (скоростей рольгангов vmin,vmax ), которое обеспечивает попадания выходной температуры охлаждаемого листа в заданный диапазон.
В качестве входных параметров системы управления используются следующие данные: марка стали, температура конца прокатки (Tк.п. ), требуемая итоговая температура (Tкон ), габариты листа (длина (l ), ширина (w), толщина (h)), температура охладителя (Tохл ), промежуток времени между окончанием прокатки и началом охлаждения ( tожид ), время прокатки ( tпр ), время подстуживания листа на воздухе ( tподст ), выполнение кантовки при подстуживании (rev), номер печи ( Nпеч ), количество проходов в клети (qt ), расходы воды в секциях (cons ). В качестве управляющих параметров будут использоваться скорости рольгангов ( vmin,vmax ). На рисунке 10 представлена концептуальная модель управления [71]. Концептуальная модель управления установкой ускоренного охлаждения Вторая подзадача - разработать методику предварительной обработки входных данных (Л ,...,Л;Й) модели управления установкой ускоренного охлаждения проката. Исходные «сырые» данные перед использованием их в системе требуют проведение подготовительных этапов для улучшения качества входной информации: устранения противоречий и аномалий, нормализации, трансформации и т.д. Полнота и достоверность используемых ретроспективных данных во многом определяют качество моделирования (рисунок 11).
Концептуальная модель предварительной обработки входного вектВ рамках рассматриваемой задачи важным является решение подзадачи определения существора данных енных факторов модели. На данном этапе используются уже определенным образом обработанные данные ( /,..., „ ). При формировании модели системы управления в нее следует включать только наиболее значимые факторы (x{,...,xk ), влияющие на ее поведение. Выполнение указанного этапа снижает сложность модели, упрощает структурную и параметрическую идентификацию и увеличивает скорость работы системы (рисунок 12).
Анализ методов исредств управленияустановкамиускоренногоохлаждения Разработкаматематическогообеспечения Разработкаалгоритмов обработкиинформации Экспериментальнаяпроверка метода иалгоритмов
Разработка моделиуправления установкойускоренного охлажденияпроката Разработка методовпредварительнойобработки входнойинформации \f УГ Разработка алгоритмаотбора значимыхфакторов Разработка методаформирования эталонной выборки Рисунок 13 – «Дерево задач» исследования
Совокупность связанных между собой моделей «чёрного ящика» для каждой подсистемы, а также связей определенных подсистем и элементов с окружающей средой образуют системную модель управления установкой ускоренного охлаждения проката (рисунок 14). Рисунок 14 – Системная модель управления процессом ускоренного охлаждения листового проката
На рисунке 14 система управления процессом ускоренного охлаждения представлена двумя подсистемами – система определения управляющих параметров и система предварительной обработки, сокращающая размерность входного вектора и формирующая эталонную выборку для обучения и функционирования модуля управления. 2.2 Нейро-нечёткая модель управления установкой ускоренного охлаждения листового проката
Система управления установкой ускоренного охлаждения листового проката в виду своей сложности и значительного количества входных параметров накладывает ограничения на выбор средств моделирования. Точное моделирование с использованием очень малых информационных гранул (в пределе – чётких числовых значений) возможно только для простых систем. Для сложных систем, особенно систем с большим количеством входов, исследователь вынужден использовать информацию, представленную с помощью более крупных гранул – нечёткую информацию.
Как видно из формулы, в качестве операции пересечения нечетких множеств используется произведение. Преимущество данного оператора заключается в том, что результирующее значение juA(x)-juB(y) зависит от фактических значений обеих функций принадлежности. Поэтому потеря информации здесь не так существенна, как при использовании операции минимума, когда результирующее значение зависит только от меньшего операнда. Кроме того, данный оператор более удобен для нахождения производных в алгоритме обратного распространения ошибки.
Параллельный алгоритм определения значимых факторов нейро нечёткой модели управления установкой ускоренного охлаждения проката
Если основные знания о предметной области представлены в виде числовых значений ретроспективных данных (сигналов с контроллеров, датчиков, пирометров и т. д.), то для исследователя при формировании структуры нечёткого модуля управления могут возникнуть трудности в ходе построения нечётких правил и задания начальных значений параметров функций принадлежности. В таком случае оправданным является построения нечётких правил и формирования функций принадлежности на основе обучающих данных. В представленном алгоритме (рисунок 23) указанная проблема решается с помощью методов, основанных на самоорганизации.
Для расчёта скоростей рольгангов, необходимых для управления процессом ускоренного охлаждения проката, необходимо предварительно осуществить параметрическую идентификацию нейро-нечёткой сети на основе подготовленного набора данных (прил. 2). Эти данные представляют собой упорядоченные пары (x,d), где x = (x1,x2,...,xn) - входной вектор, а d эталонный сигнал.
Алгоритм состоит из следующих этапов: 1. Определение критериев остановки обучения нейро-нечёткой сети -требуемой погрешности обучения и максимального числа итераций (более детальное описание настройки параметров остановки обучения приведено в главе 4). 2. Инициализация значений весовых коэффициентов. 3. Для всех примеров из обучающей выборки последовательно повторить шаги 3.1 - 3.4: 3.1. Входной вектор х = (х1,х2,...,хп)г обработанных данных распространяется по сети в прямом направлении, и последовательно рассчитываются значения (k = 1,...,N),b,y. 3.2. На основе сравнения выхода нейро-нечёткой сети и эталонного значения скорости рольгангов (d = vmm или d = vmax) рассчитывается погрешность на выходе модуля y-d. 3.3. Рассчитываются новые значения весовых коэффициентов связей у (t + 1) , xl(t + 1) ,ak(t + 1) ,af(t + 1) для i = 1,...,n; k = 1,...,N. Затем производится замена старых значений новыми, и увеличивается счётчик числа итераций. 3.4. Проверка сохранения прозрачности нечёткой модели. 4. Цикл обучения продолжить до достижения системой требуемого состояния, при котором выполняется критерий остановки. Итоговая блок-схема алгоритма приведена на рисунке 24.
Данный алгоритм предназначен для вычисления минимальной и максимальной скоростей рольгангов в двух идентичных нейро-нечётких сетях. Цель работы алгоритма заключается в последовательном прохождении конкретным набором входных параметров (Tнач , Tкон , l , w, h , Tохл , tожид , cons ,t tподст , rev, Nпеч , qt ) этапов предварительной обработки и дальнейшем распространении сигнала по слоям нейро-нечёткой сети для получения итогового значения скорости.
Для определения управляющего воздействия необходимо выполнить следующие шаги: 1. Обучение нейро-нечёткой сети. Перед использованием нейро-нечёткой сети она должна быть предварительно обучена с помощью алгоритма, описанного в разделе 3.4. 2. Подготовка входного вектора к использованию в нейро-нечёткой сети. На данном этапе выполняются операции кодирования и нормирования применительно к конкретному набору признаков. 3. Выбор существенных переменных. На данном шаге идентифицируются ранее выбранные существенные факторы модели управления, и происходит сокращение размерности входного вектора. 4. Прямое распространение сигнала по слоям нейро-нечёткой сети: 4.1. Фаззификация (слой 1). На данном шаге происходит вычисление степеней принадлежности числовых значений входных параметров модели нечётким множествам. Для процедуры фаззификации входных переменных используются функции Гаусса, определяемые значениями центра и ширины гауссовой кривой. 4.2. Нечёткий вывод (слой 2). Здесь на основе степеней принадлежности входных значений определяются степени принадлежности для выходных нечётких множеств. 4.3. Дефаззификация (слои 3,4). На данном шаге с помощью операции дефаззификации по среднему центру осуществляется нахождение чёткого значения выходного Ill параметра, которое бы «рациональным» образом представляло полученный на предыдущем этапе набор нечётких множеств. 5. Денормирование выходного значения скорости. На данном шаге управляющие сигналы приводятся к необходимому масштабу. 6. Вывод значения скорости рольгангов и завершение работы алгоритма. Рисунок 25 – Блок-схема алгоритма расчёта скорости рольгангов Блок-схема алгоритма приведена на рисунке 25.
Данный алгоритм является центральным и выполняет функции менеджера по отношению к другим алгоритмам и моделям, т.к. именно он определяет момент запуска той или иной процедуры. На выходе алгоритм имеет максимальную и минимальную скорость, которые затем передаются в АСУ рольгангов для управления установкой ускоренного охлаждения. Оператор определяет последовательность шагов, которую необходимо провести для получения нужного результата.
Результаты экспериментальных исследований
Разработка программного обеспечения осуществлялась в среде Borland Delphi 7 [106]. Данный выбор был обусловлен следующими соображениями: 1. Программа должна работать как под семейством операционных систем Windows, используя базу данных под управлением СУБД Oracle. 2. Графические возможности языка Delphi удовлетворяют как требованиям пользователя, так и запросам среднестатистической производственной ЭВМ. 3. Язык программирования Delphi дает возможность использовать любые внешние устройства ввода-вывода. 4. Инструментальные средства языка программирования Delphi позволяют эффективно работать с реестром операционной системы и ini-файлами, использование которых необходимо при написании программного продукта. При разработке системы был использован механизм модульного программирования. Для настройки алгоритма нейро-нечеткого управления применительно к каждой марке стали выполняется загрузка следующих параметров обучающей выборки: температура конца прокатки (Tк.п. ), требуемой итоговой температуры (Tкон ), длины проката (l ), ширины проката (w), толщины проката (h ), температуры охладителя (Tохл ), промежутка времени между окончанием прокатки и началом охлаждения (tожид ), расходов воды в секциях (cons ), времени прокатки ( tпр ), времени подстуживания листа на воздухе ( tподст ), флага реализации кантовки при подстуживании (rev), номера печи ( Nпеч ), количества проходов в клети ( qt ), минимальной скорости (vmin ), максимальной скорости ( vmax ).
На данный момент в системе управления УКО используется вариант ручной загрузки экспериментальных данных, однако в программном обеспечении заложен механизм для получения данных из цеховой БД, благодаря чему система управления ускоренным охлаждением может быть легко интегрирована в общую информационную инфраструктуру предприятия.
Процесс структурной идентификация нейро-нечёткой модели не требует задания каких-либо настроек. Подобный подход необходим для того, чтобы у оператора, не являющегося экспертом в предметной области, была возможность корректно обучить модель и рассчитать управляющее воздействие. Использование субтрактивной кластеризации и алгоритма на основе конкуренции позволяет сгенерировать адекватную нейро-нечёткую сеть с минимально необходимым количеством правил.
Единственные параметры, необходимые для настройки алгоритма обучения – требуемая ошибка обучения и максимальное число итераций. Данные показатели являются условиями остановки процесса обучения. По умолчанию значение параметра «число эпох обучения» составляет 1000 итераций. Искомая ошибка обучения определяется технологами.
Для настройки алгоритма предварительной обработки входной информации необходимо указать только число параметров выборки, отвечающих за расход охладителя. У пользователя существует возможность определения значимых факторов в массиве данных без дальнейшего обучения сети и расчёта управляющих значений посредством нажатия соответствующей кнопки на панели инструментов.
После загрузки всех необходимых ретроспективных данных системе может быть отдан сигнал на запуск процесса обучения. Перед началом процесса обучения ретроспективные данные делятся на обучающую и тестовую выборку в соотношении 80%:20%. Процесс обучения нейро-нечёткой модели сопровождается выводом графика итоговой ошибки (рисунок 29). Последовательно загружаются настройки весовых коэффициентов двух нейро 122 нечётких моделей, соответствующих минимальной и максимальной скорости рольгангов, и осуществляется параметрическая идентификация сетей.
После обучения модель готова для расчёта управляющих воздействий. Оператор имеет возможность ввода основных параметров технологического процесса (рисунок 30). Задание расходов воды охлаждающих секций выведено на отдельную панель. Расположение охлаждающих секций задается в файле инициализации приложения. Конфигурационные настройки для разных марок стали сохраняются в ini-файлах. При загрузке структуры нейро-нечёткой модели у пользователя существует возможность запуска дообучения сети на основе новых массивов ретроспективных данных.
Результаты экспериментальных исследований Экспериментальные исследования системы нейро-нечёткого управления осуществлялись в реальных промышленных условиях с целью проверки надежности и эффективности функционирования основных модулей системы – блока предварительной обработки входной информации и блока нейро нечёткого управления. В качестве объекта исследования была выбрана установка контролируемого охлаждения (УКО) стана 5000 ЛПЦ-3 ПАО «Северсталь». Исследования проводились для листового проката, изготовленного из стали класса прочности К60. Перед началом процесса тестирования алгоритмическое обеспечение было настроено для работы согласно методике, представленной в разделе 4.2.
В процессе отбора значимых факторов параметры «время подстуживания листа на воздухе» и «время прокатки» были объединены в один кластер. Наибольшее значение кросс-энтропии при этом имел первый из них. Поэтому параметр «время прокатки» в дальнейшем отборе не участвовал. Результаты работы алгоритма определения значимых факторов представлены в таблице 5.
Были выделены следующие значимые факторы: толщина проката (h ), температура конца прокатки (Tк.п. ), длина проката (l ), итоговая температура (Tкон ), количество проходов в клети (qt ).