Моделирование процессов горячей прокатки с использованием нейронных сетей: библиографический обзор. (Фрагмент перевода магистра ДонНТУ Насадюк Е.А.)

ВВЕДЕНИЕ

Приход революционных процессов металлургического производства, новые материалы, такие как высокоэффективные полимеры, керамика, и хроническое превышение возможностей производства сделал рынок стали очень конкурентоспособным. Если сталеизготовитель хочет сохранить или расширить свою долю рынка, он должен предлагать продукты с отличным качеством по доступным ценам. Одним из ключей к достижению этой цели является автоматизация сталеплавильного процесса. По сути, это один из основных этапов эволюции в сталелитейном цехе, как это улучшает процесс и соответствие продукции, минимизирует затраты и делает производство более легким. Все эти факторы содействуют значительному увеличению производственных затрат / выгод.

Автоматизация прокатных процессов требует разработки ряда математических моделей для моделирования и количественного описания промышленных операций.

Главная особенность нейронных сетей - создание сложных взаимосвязей между данными в учебном процессе, без необходимости ранее предлагает модели для корректировки желаемых параметров, что делает этот метод весьма привлекательным в моделировании процессов, в которых традиционные математическое моделирование очень сложно или даже невозможно. Кроме того, они почти застрахованы от шума или ложных данных. Разработка нейронных сетей, моделей происходит достаточно быстро и, в большинстве случаев просто. Ряд исследователей осуществляются в лабораторных режимах тесты моделирования процессов горячей прокатки с использованием такого метода, что часто дает приемлемые результаты.

Однако практическое применение нейронных сетей в области прокатки не распространено, главным образом из-за отсутствия уверенности о результатах деятельности. Это недоверие к нейронным сетям обусловлено многими факторами. Прежде всего, лишь в последнее время этот метод стал возможным с более широкой доступностью недорогих вычислительных мощностей. Кроме того, так как математические основы нейронных сетей еще не полностью разработаны, никто не знает в точности механизмов их обучения, то есть остается неизвестным, как нейронные сети вычисляют результат. Так, нередко они рассматриваются как потенциально ненадежные "черные ящики". В некоторых аспектах это оправданное отношение, т.к. неправильно принятое решение в промышленной системе автоматизации может привести к катастрофическим поломкам и высоким экономическим потерям.

ТЕМПЕРАТУРНЫЕ ПРОФИЛИ РАЗОГРЕВАЕМЫХ СЛЯБОВ

Температурные профили разогреваемых слябов периодически собирались на прокатном стане COSIPA. Для измерений в слябах просверливалось несколько отверстий различной глубины и расположения, ]вставлялись хромо-алюминиевые термопары, связанные с регистратором данных, который сохраняет изменения температуры в течении нагрева слитка. Регистратор расположен в неокисляющейся стальной коробке, покрытой стекловатой и заполненной водой и льдом.

Нейронная модель была разработана, для предсказания внутренней температуры нагреваемых слитков, как функция времени нагрева и поверхностных температур. Это - случай с относительно простым математическим решением, и, таким образом, позволило готовое сравнение между работой нейронной сети и обычных числовых моделей.

После нескольких испытаний конфигурации, была проектирована нейронная сеть с тремя уровнями.

Входной уровень включал три нейрона:
- перенагревание времени (минимум).,
- температура верхнего и нижнего слоев сляба (°C)
- температура верхнего и нижнего слоев сляба (°C)
Внутренний слой содержал 13 нейронов
внешний слой состоял из десяти нейронов, каждый из которых представляет точку измерения температуры в слябе.

Изменение числа нейронов в скрытом слое, как и использование больше чем одного скрытого слоя, не улучшало работу нейронной сети, которая имела лучший результат при прогнозе температуры в середине сляба (r = ~0.997; СМ. = 26.5°C). Худший результат для нижнего слоя сляба (r = ~0.993; СМ. = 36.6°C).

Работа нейронной сети считается адекватной, поскольку это было аналогично результатам числовых моделей, с отклонением в 30°C.

ОБНАРУЖЕНИЕ ЗАГИБА ПРОКАТЫВАЕМОЙ ПОЛОСЫ

Загиб прокатываемой заготовки вверх - серьезная проблема, которая может привести к браку раската и серьезной поломке оборудования. Эта проблема была актуальна на прокатном стане COSIPA, особенно при прокатке никилевых сортов стали.

Предыдущие работы показывали что, изменения в схеме прокатки могут минимизировать возможность загиба полосы; это привело к развитию статистической модели для оптимальной схемы прокатки. Был найден диапазон критических значений давления, который необходимо предотвращать. Однако, эта статистическая модель иногда вычисляла невыполнимые значения раствора валков. В некоторых случаях, расчетные значения были чрезмерно низки, подвергая опасности производительность; в других случаях, они были чрезмерно высоки — на много больше предела стана, вращающего момента, и мощности.

При появлении нейронных сетей было естественным использовать их для решения этой проблемы, так как статистическая модель была неудовлетворительна. После нескольких экспериментов, была разработана нейронная сеть состоящая из

Входного слоя с пятью нейронами
- индекс загиба;
- скорость вращения валков [оборот в минуту];
- масса заготовки [т], вычисленная с помощью модели Симс;
- ширина раската [мм];
- расстояние валков [мм] в предыдущем проходе.
Скрытый слой состоял из одиннадцати нейронов,
Выходной слой содержал один нейрон, который представлял рекомендованное расстояние между валками (мм) для следующей прокатки.

Индекс загиба, используемый как входная переменная был определен, используя произвольный масштаб от 0 до 5, соответственно уровню серьезности поломки.

Число нейронов в скрытом слое этой нейронной сети было вычислено по теореме Хечт-Колмагорова - оптимальное число нейронов скрытого слоя равно дважды числу входных нейронов плюс один.

Разработанная нейронная сеть показывала r = 0.992 и SEE = ~3.0 мм. Самые влиятельные переменные, как обозначено обучаемой нейронной сетью, являются индекс загиба и начальный раствор валков, также (в порядке уменьшения важности) ширина раската, масса слитка, и скорость вращения валков.

Все расчетные значения - очень близко к реальным значениям. Таким образом, нейронная сеть не генерировала неадекватные значения, какие были у полиномиальной регрессии. Предыдущие исследования о причинах возникновения загиба на прокатном стане COSIPA показали, что этот дефект более характерен в определенном диапазоне значений раствора валков: 60-80 мм. Это подтверждено обучаемыми нейронными сетями, поскольку начальное значение раствора валков - один из основных факторов модели. Кроме того, значение SEE допустимо, поскольку равно только 7.5 % минимального значения раствора валков. Однако, это справедливо, если конечная толщина заготовки не между 40-80 мм.

http://www.gorni.eng.br/e/neural_1998.html
A. A. Gorni