ПРИМЕНЕНИЕ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕТАЛЛУРГИЧЕСКОЙ ПРОМЫШЛЕННОСТИ (обзор)

Семинар "Компьютеризация и автоматизация в черной металлургии: проблемы и возможности в новом тысячелетии" состоялся 26-28 февраля 2003 года в RDCIS (г. Ранчи, Индия). Его программа включала 7 сессий по следующим направлениям: компьютеризация и автоматизация в области производства сырья и чугуна; автоматизация станов горячей прокатки; автоматизация сталеплавильного производства и станов холодной прокатки; компьютеризация бизнес - систем и базовых систем управления; интеллектуальные и экспертные системы в металлургии, современные программные продукты в металлургии; стратегия применения компьютеризации и автоматизации в металлургии. В семинаре принимали участие специалисты в области компьютеризации металлургических предприятий и представители предприятий, производящих системы управления на различных платформах.

Результативности семинара способствовал высокий профессиональный уровень представленных докладов с использованием последних мировых достижений в области разработки и применения систем искусственного интеллекта для оптимизации и управления технологическими процессами в черной металлургии. Всего было заслушано более 50 докладов. Особо следует отметить разработки, выполненные специалистами Индии и Китая. При сохранении государственного сектора в металлургии и поддержки приоритетных направлений научных исследований промышленность этих стран, миновав дорогостоящий этап глобальных автоматизированных систем, нарастающими темпами обеспечивает себе передовые позиции в мире за счет внедрения эффективных интеллектуальных технологий на локальном уровне.

Работа семинара акцентировалась на качественном усовершенствовании металлургического производства. Эксперты по развитию и совершенствованию металлургии доказывали, что цели могут быть достигнуты только при использовании современных средств компьютеризации для управления технологическим оборудованием. Выступающие подчеркивали, что на базе компьютерного планирования производства можно гарантировать получение желаемых результатов. Следует отметить некоторые наиболее общие выводы и рекомендации семинара. Выступление U.Bhaskar и представителей RDCIS, SAIL (U.Bhaskar, R.Kamal, R.S.Kumar, S.Mazumdar и др.) было посвящено преимуществам новых методов — нейронных сетей, нечеткой логики, гибридных, генетических систем и др. Специалисты завода Визакхапатнама (Vizag) (N.Sethi, K.Sarkar, S.AIi Hussain) отметили, что революция в области электроники и изобретение полупроводников диктует необходимость преобразования медлительной, дорогостоящей и крупногабаритной технологии в технологию на базе микропроцессоров. Опыт подсказывает, что только автоматизация и компьютеризация способны удовлетворить потребности производителей и потребителей металлопродукции.

Автор настоящего обзора представил доклад на тему: "Параллельный инжиниринг при непрерывном совершенствовании бизнес-процессов и базовых систем управления в металлургии". Из экспертных заключений предложенных на семинаре разработок было отмечено заключение автора настоящей статьи. Металлургическим компаниям было предложено не спешить внедрять "тяжелые" и дорогостоящие системы планирования ресурсов предприятия и быстродействующие способы вычисления, так как аппаратные средства ЭВМ и программное обеспечение быстро морально стареют. Необходимо выбирать открытые интеллектуальные системы не сложные в применении и обслуживании.

S.Jha, директор RDCIS, SAIL утверждал, что теория Дарвина (выживание наиболее приспособленных) применима и к металлургической промышленности. Он убеждал металлургические компании применять на своих предприятиях трех-, четырехуровневые системы автоматизации. S.Kumar отметил, что концепция ручного труда все еще остается в умах операционного персонала и даже при внедрении систем автоматического управления, что является тормозом. D.P.Sharma предложил перед переходом на новые технологии изучить все требования системы управления для существующих на предприятии условий. N.Neogi, генеральный директор по автоматизации, на заключительной сессии подвел итоги работы семинара.

ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В МЕТАЛЛУРГИИ И ИХ РАЗВИТИЕ

Математическая основа искусственного интеллекта -"soft computing" ("мягкое вычисление") - интенсивно развивалась в последнее десятилетие. В настоящее время оно внедряется непосредственно в фундамент индустриальной автоматизации. В ближайшем будущем прогнозируется существенный рост использования систем искусственного интеллекта в основных производственных процессах, в том числе в металлургии.

Металлургическое производство включает широкий диапазон распределенных процессов сложного характера – от подготовки сырья до производства металлопроката. Каждый из них характеризуется некоторой степенью неточности (неуверенности). В этом случае эффективно используется "мягкое вычисление". Можно с уверенностью утверждать, что "soft computing" способствовало значительному прогрессу в металлургической промышленности.

Путь "мягкого вычисления" от кабинетов ученых до производственных цехов был тяжелым. Предпосылки, которые способствовали этому переходу, сформировались в недрах различных дисциплин. Кроме теоретических исследований, успех во многом обязан развитию VLSI - Very Large Scale Integration - технологии, повышению чувствительности датчиков, разработке открытых технологий, стыкующих различные вычислительные платформы и др. Средства VLSI в режиме реального времени гарантировали огромный вычислительный потенциал микропроцессоров. Например, стало возможным осуществлять управление в интерактивном режиме реального времени. Появление уникальных датчиков не только имплантировало интеллект в периферийные устройства, но и значительно повысило быстродействие управления делегированным и распределенным интеллектом.

Вклад открытых технологий не менее весом. В настоящее время системный администратор имеет возможность выбрать любимую комбинацию из предлагаемых баз данных, необходимый уровень программного обеспечения управления (SCADA - Supervisory Control and Data Acquisition, ERP - Enterprise Resource Planning и др.), архитектуру и конфигурацию аппаратных средств ЭВМ (PLC - Programmable Logic Controller /DCS - Defense Conversion Subcommittee и др.).

В настоящее время с развитием концепции нейронных сетей и нечеткой логики "мягкое вычисление" существенно лидирует в промышленности, включая в себя следующие направления: нечеткие множества; генетические алгоритмы; эволюционное вычисление; теорию хаоса; искусственный интеллект; моделирующие системы; вероятностное рассуждение; изучение принципов механизма; изучение алгоритмов интеллектуального управления; распознание образца и понимание образа; самоорганизацию сложных систем; нечеткие базы данных; нечеткий информационный поиск и др.

Вначале было очевидным соревнование различных направлений развития "мягкого вычисления", пока не было осознано, что они дополняют друг друга, а не конкурируют.

Перечисленные направления нашли широкое применение в металлургии, как в автономном, так и в комбинированном вариантах использования. Области, в которых они эффективно используются, различны: оценка и прогноз технологических параметров; контроль и диагностика технологических процессов; оптимизация и планирование результатов; моделирование процессов и интерактивное моделирование в режимах диалога [1]. В частности, достигнуты существенные результаты при прогнозе изменения содержания кремния в чугуне в процессе доменной плавки, содержания водорода в металле при вакуумировании; контроле лазерной сварки, проверке качества сварных швов; обнаружении скрытых дефектов в рельсах; оптимизации горячей прокатки и контроле деформации заготовки при прокатке; планировании сокращения допусков при прокатке; моделировании отвердевания непре-рывнолитой заготовки, технологии холодной прокатки; контроле изменения температуры полосы при горячей прокатке и толщины покрытия металла в линии гальванизации; контроле уровня металла в промежуточном ковше при непрерывной разливке и др.

Прошло почти полвека с момента создания первых моделей искусственного интеллекта. Первоначально искусственный интеллект базировался на строгом и точном вычислении. Позже из-за осознания неточности реального мира акцент исследований сместился к "мягкому вычислению". Причина изменения парадигмы - понимание, что традиционные точные двузначные логические системы, исследования в области теории множеств и теории вероятности являются неадекватными, чтобы оперировать с неточностью, неуверенностью и сложностью реального мира.

"Мягкое вычисление" основано на нейронной сети (NN - Neural Network), нечеткой логике (FL - Fuzzy Logic) и вероятностном описании (PR - Probabilistic Reasoning). Функции нейронных сетей - изучение степени соответствия данных, идентификация параметров, а также систем и образов. Нечеткая логика оперирует с неточностью и вероятностным описанием процессов. В последнее время FL сливается с информационной генетикой, оценивает неуверенность, систематизирует случайный поиск и оптимизацию.

В начале 1980-х годов эти методы были ограничены главным образом кабинетными стенами и не превышали масштабов лабораторных исследований. В конце 80-х произошел резкий скачок в развитии и использовании этих методов (более 2500 патентов только в одной Японии). "Мягкое вычисление" также способствовало коммерческому успеху в производстве изделий для потребителя - видеокамер, кондиционеров, стиральных машин, мобильных роботов, автомобилей и поездов метро. Системы искусственного интеллекта (MIQ- Machine Intelligent Quotient) быстро стали составной частью многих изделий постоянного обихода. Интеллектуальная система, объединяя известные методы и технологии, позволяет проектировать практические системы в области автоматизации и информатики, принимающие наиболее эффективные решения по результатам анализа исходных данных.

ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ

Коксовые батареи. Система управления разогревом коксовых батарей постоянно исследуется и совершенствуется. Системой первого поколения была статистическая модель нагрева (1987-1991 гг.). Принцип работы системы второго поколения (динамической) - вычисление баланса энергии. Она базировалась на прямой и обратной связи при определении температуры окончания коксования и использовалась в 1991 -1995 гг. Система третьего поколения дополнена нечеткими логическими контроллерами. В результате разброс при определении температуры окончания коксования не превышает 15 °С. Надежность системы была значительно улучшена [2].

Холодная прокатка. На стане холодной прокатки полоса последовательно уменьшается в толщине после каждого обжатия. В связи с этим задача управления сводится к оптимизации процесса обжатия при минимизации мощности нагрузки и удовлетворении некоторых ограничений. Так как свойства материалов и коэффициент трения точно не известны, их рассматривают как нечеткие числа. Теория нечетких множеств применена для определения оптимального значения обжатия. Обычно по установленному графику максимальное уменьшение толщины достигается после первых проходов с минимальной нагрузкой обжатия. Однако надежность такого управления невелика. Оптимизация процесса с использованием теории нечетких множеств обеспечивает решение, удовлетворяющее требованиям воспроизводства режимов обжатия с высокой надежностью и минимальной нагрузкой [3].

Была разработана дополнительная система нечеткого контроля заданной толщины стальной полосы. Она состоит из контроллера нечеткого вывода и адаптивного контроллера нейро-нечеткого вывода, параллельно моделирующего процесс прокатки. Нечеткий контроллер вывода генерирует сигнал управления, а адаптивная нейро-нечеткая модель преодолевает проблему задержки выходного сигнала процесса и обеспечивает структуру и точность контроля. Эта схема управления превосходно работает [4].

Линии покрытия. На линиях гальванизации толщину покрытия регулируют, контролируя его массу на основе баланса общего количества металла и электролита в ванне. Так как эффективность процесса - нелинейная функция от входных переменных, они представляют особую ценность для полного текущего расчета. Эффективность процесса зависит от состояния электролита. Вычисление точки оптимума нуждается в постоянной адаптации к фактическому процессу, кроме учета изменения заданной массы покрытия. Из-за значительного расстояния между измерительным шаблоном и контролирующими датчиками установлены специальные мониторы. Система сокращает расход металла на гальванизацию до минимума. Эффективность гальванической линии основана на использовании диалоговой нечеткой системы, а диалоговый процесс обучения системы постоянно приспосабливает математическую модель к фактическим условиям работы оборудования. В результате использования таких объединенных систем управления масса покрытия практически соответствует заданной [5]. В последнее время в линиях гальванизации все больше используются нейронные сети.

ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ

Выплавка и непрерывная разливка стали. В кислородно-конвертерном цехе завода в Великобритании (Port Talbot Basic Oxygen Steelmaking plant) автоматизированные нейронные сети позволяют точно прогнозировать температуру и содержание углерода в жидкой стали в конце продувки, а также расход кислорода и охлаждающих добавок по ходу продувки. В качестве обучающего массива использованы результаты фактических замеров температуры и определения углерода в образцах, отобранных по окончании продувки. Эти замеры использованы как вход в модели нейронной сети для прогнозирования расхода дополнительного кислорода или охладителей и получения желаемого результата окончания продувки [8]. На заводе в Италии (Danieli Automation) нейронные сети используются для управления процессом непрерывной разливки по уровню металла в кристаллизаторе. В одном из вариантов система обнаруживает уровень жидкого металла, и затем контроллер с нечеткой логикой его выравнивает [9]. В другом варианте - сохранение устойчивого уровня металла было важно для обеспечения необходимого качества заготовки. Обычными методами было бы трудно достичь точного управления уровнем металла из-за нелинейных характеристик процесса. Модель нейронной сети, обученная на основе временного ряда входных параметров, управляет стопором посредством интеллектуального контроллера в главной цепи управления [10].

Фирма Siemens использовала эти типы контроллеров для расчета температуры непрерывнолитого сляба, усилия вытягивания и моделирования скорости при непрерывной разливке на заводе Hoesch, Дортмунд, a Nippon

Steel применила нечеткую модель для автоматического управления скоростью вытягивания и сечением литого сляба [11]. В другом случае для предсказания температуры и управления зоной первичного охлаждения установлена основанная на обратном распространении нейронная сеть. Пилотная модель контроля открытой зоны первичного охлаждения построена на основе T-S нечеткой нейронной сети. Ее структура улучшена в результате использования нечеткого управления первичной зоной охлаждения с контролем точности по обратной связи [12].

Содержание водорода в стали - важный показатель качества железнодорожных рельсов. Система классификации на базе нейронной сети для управления агрегатом позволяет точно прогнозировать содержание водорода при дегазации в вакууматоре [13].

Внутренние дефекты в рельсах, если они не обнаружены, могут привести к авариям на железных дорогах. Поэтому нейронные сети обучены идентифицировать возможные скрытые дефекты металла, распознавая показания ультразвуковых датчиков [14].

При затвердевании непрерывнолитой заготовки нейронная сеть используется для моделирования эффектов и параметров отвердевания и предназначена для управления их переменной реакцией в течение процесса разливки [15].

На заводе в Германии нейронные сети обеспечили 2%-ное сокращение потребления энергии и 5%-ное увеличение производительности, эффективно управляя процессом выплавки в электродуговых печах [16].

Прокатное производство. Оценка нагрузки на вращающиеся валки, прогнозирование параметров рулонов при прокатке металла и т.д. – некоторые области применения нейронных сетей. Использование нейронной сети и анализ конечного продукта позволили оптимизировать прокатку заготовки неправильной формы для получения однородности свойств металла. В листопрокатном цехе было уменьшено изменение ширины готового проката по обратной связи алгоритма, на основе чего точно прогнозировалась ширина полосы по отношению ширины заготовки к усилию обжатия и температуре, отношению ширины к толщине и др.

Нейронные сети применены для определения влияния различных параметров (обжатия, нагрузки и вращающих моментов) на процесс прокатки. Обучение сети было выполнено с использованием экспериментальных данных – результатов замеров нагрузки во время холодной прокатки. Свойства смазки (коэффициент трения) использованы как входные переменные. Главное назначение модели – точное прогнозирование нагрузки и вращающих моментов при холодной прокатке в изменяющихся режимах обжатия. Рекомендации системы были сравнены с расчетными значениями каждого параметра. При этом подтверждена хорошая прогнозирующая "способность" модели нейронной сети [17].

Для каждой клети прокатного стана управляющий алгоритм – нелинейная функция нескольких параметров (толщины заготовки, нагрузки и вращающего момента, среднего обжатия за проход, коэффициента трения и т.д.). Любое изменение каждого из них приводит к изменению других. Автоматизированная нейронная сеть выбирает управляющий алгоритм от трех параметров контроля, включая длину рулона [18].

Линии покрытия. В управлении толщиной покрытия на линии гальванизации обычные модели контроля имеют ограничения и не удовлетворяют следующим требованиям: адекватный расчет временных интервалов; быстрая адаптация к изменению скорости полосы; оптимизация при изменении параметров процесса. Для преодоления этих ограничений были использованы модели процесса, основанные на нейронных сетях. Это обеспечило лучшую однородность толщины покрытия (соответствующую ISO 10142) при минимальных затратах. Так, в Thyssen Stahl возможности нейронной сети использовали для идентификации процесса покрытия по фиксируемым параметрам режимов работы управляемой секции. Модель процесса, разработанная на базе этой процедуры, принимала во внимание фактор наибольшей выгоды, который зависел от операционно-технологического режима получения однородного покрытия. Сеть была интерактивно обучена, а модель процесса приспособлена к непрерывно изменяющимся потребностям предприятия. Параметры, которые определяли толщину покрытия и не могли быть приняты во внимание при разработке модели, были автоматически изучены нейронной сетью и, соответственно, ею компенсировались. Этот гарантируемый автоматический подбор параметров осуществляется нейронной сетью непрерывно. Он устраняет потребность в автоматическом контроле и контрольно-измерительном оборудовании. Выходной контроль мгновенно осуществляет нечеткая функция. Нейронная сеть и нечеткое управление адаптированы через PLC [6].

В 2001 г. было сообщено о выполнении подобной работы, где посредством нейронной сети определяются оптимальные горизонтальные и вертикальные положения обоих ножей. Используемая сеть - многослойный персептрон с усиленной обратной связью [7].

ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ (GA).

Основная философия генетических алгоритмов - оптимизация на основе эволюционных принципов естественных хромосом, т.е. отбор, скрещивание и мутация популяций параметров по принципу "выживания" теории Дарвина. Как первый шаг, вероятность отбора используется для воспроизводства. Пересекающиеся операторы применяются для обмена и повторного комбинирования исходной информации, и, наконец, операторы мутации изменяют полученную информацию для объединения отдельных решений.

Генетические алгоритмы первоначально считали методами исследования, пригодными только для академических целей. Однако вскоре они обеспечили хорошие решения в широком диапазоне производственных проблем и, что наиболее важно, эти алгоритмы легко корректировались в соответствии с решаемыми задачами и ограничениями. Необходимо лишь постичь искусство кодирования задач оптимизации в генетическую информацию. Генетические алгоритмы обеспечивают большой потенциал, который широко используется для оптимизации производства, планирования и управления металлургическими предприятиями.

В любой задаче оптимизации на основе генетических алгоритмов есть два главных процесса. Сначала проектируют модуль генетических алгоритмов, а затем моделируют испытания и оценки. Граничные условия определены параметрами исследуемого процесса. Постановка задачиоптимизации для достижения главной цели и возможных альтернатив осуществляется на базе анализа структуры основных массивов производственных данных предприятия. Генетический алгоритм использует некоторый начальный фактический массив этих данных. Если этот предварительный массив адаптируется моделью с ограничениями, происходит возврат к модулю генетических алгоритмов. Если функция соответствия удовлетворена, получаем решение задачи. Во втором поколении модуль генетических алгоритмов обрабатывает первую популяцию параметров и создает новый список параметров, продолжая поиск необходимых мутаций, пока окончательный вариант не удовлетворит функцию соответствия или не закончится заданное пользователем время работы алгоритма. Этот тип системы с использованием разработанных фирмой Siemens инструментов и генетических алгоритмов был внедрен на заводах Megasteel (Малайзия); Zhuijang (Китай); Thyssen Krupp Stahl (Германия) и др. [19].

ГИБРИДНЫЕ ПРИМЕНЕНИЯ "МЯГКИХ ВЫЧИСЛЕНИЙ"

Нейро-нечеткие системы управления. Проблема, с которой сталкиваются, применяя нечеткий логический вывод, заключается в том, что установленная неадаптивная функция состояния не может иногда гарантировать необходимую работу системы, а нечеткие правила существенно опираются на опыт эксперта. Необходим симбиоз с нейронной сетью для адаптации функции состояния и самоорганизации нечетких правил. Кроме того, в чистом применении нейронной сети иногда веса синапсов, осуществляющих связь между нейронами, испытывают потребность в конвергенции или оптимизации. Результаты существенно улучшаются, если эти веса - нечеткие. В промышленности реализуется использование многочисленных комбинированных нейро-нечетких вариантов систем управления.

Схема самоприспосабливающегося управления, основанного на нейронной сети с последовательными связями нейронов и нечетком выходе (искусственный интеллект -AFC) была реализована для достижения качества и усовершенствования процесса производства холоднокатаной полосы. Прокатка рассматривалась как сложный нелинейный процесс с дефектами, свойственными традиционным линейным моделям управления. Результаты моделирования показали, что система AFC достаточно хорошо работает и может использоваться для улучшения качества готового проката и увеличения производительности прокатного стана [20].

Процесс производства штрипса или полосы весьма сложен и не линеен по контролируемым параметрам. Трудно разработать достаточно точную многофакторную математическую модель этого процесса. В соответствии со специальными характеристиками процесса для автоматического управления изменением толщины заготовки была разработана система нейронная сеть нечеткий метод интеллекта с нечетким контроллером кодирования. Результат испытания модели в промышленных условиях доказал, что нейронная сеть с нечеткой системой управления является выполнимой и обеспечиваемая ею точность управления лучше других традиционных методов [21].

Нечеткие генетические и нейрогенетические системы управления. Генетические вычисления эффективно используются для многовариантной оптимизации, которая не может быть достигнута обычными методами оптимизации. Применение лингвистических терминов в виде списков номинальных переменных делает доступными методы нечеткого кодирования информации [2]. Кодирование облегчает установление степени информационной детализации и обеспечивает поиск решения с помощью моделей генетических алгоритмов. Оно обеспечивает разумные вычисления функций соответствия. Поведение генетических алгоритмов базируется на отношении "исследование/эксплуатация", сохраняемом в течение генетического цикла. Нечеткие выводы гарантируют адаптацию генетических алгоритмов, влияя на эти отношения так, чтобы не было никакой преждевременной конвергенции.

Интеллектуальная поддержка предприятия может быть использована для эффективного обслуживания заказов потребителей производимой предприятием продукции на том или ином агрегате. Возможности обслуживания по продукции широколистового стана горячей прокатки, сделанная на Voest Alpine (Австрия) с использованием нейронных сетей для улучшения точности описания процессов обработки металла давлением, превышает диапазон возможностей обычных математических моделей. Генетические алгоритмы в данном случае использовались для оптимального приспособления модели к требованиям клиента [22].

ГИБРИДНОЕ "МЯГКОЕ ВЫЧИСЛЕНИЕ" С ОБЫЧНЫМИ ПРИМЕНЕНИЯМИ

Следующие примеры иллюстрируют, как "soft computing" моделирует синергетизм (совмещение) с обычными математическими моделями для достижения наилучших результатов.

Нечеткость с обычным изодромным предварением. Нечеткий самоприспосабливаемый изодромный (обеспечивающий непрерывную гибкую обратную связь) контроллер с предварением параметра может использоваться для управления температурой смотки рулона. Согласно температурным отклонениям и заданной нормой этого параметра, самоприспосабливаемый нечеткий PID (Proportional Integral Dеrivativе)-контроллер может быть выполнен с нечеткой рассуждающей идеей, чтобы строго ограничить в пределах узкого диапазона все изменения, вызванные изменением параметров состояния процесса [23].

Метод Pawelski, Rasp и др. разработан для резки полосы и рулона с учетом свойств металла. При использовании аналитического подхода типа мягкой модели Форда-Эл-лис с формулой Хичкока для искаженного радиуса рулона для каждой полосы могут быть рассчитаны нагрузка и деформация. Эффекты изгиба, резки и сглаживания рассчитывают через коэффициенты влияния. Программа работает многократно. Вычисление матрицы коэффициентов влияния для сглаживания требует много времени. Усовершенствование программы достигнуто заменой входов модели обученной нейронной сетью, работающей равноправным партнером в полной математической модели с существующими выходами. Нейронная сеть может быть также обучена в обратном направлении. Это делает возможной очень быструю инверсию сглаживающей матрицы. Последнее весьма важно для металлопрокатных цехов, использующих больше двух рулонов. Объединенная модель более адекватна, так как не является "черным ящиком".

Она основана на нейронных сетях и может быть приспособлена для диалогового управления производственным процессом. Существенное сокращение времени обработки информации получено без потери точности, так как сглаживающим шагом вычисления заменяется сумма полиномов с соответствующей функцией активации [24].

Нечеткость и качество готовой продукции. Производство горячекатаных рулонов постоянной толщины зависит от различных параметров процесса - марки стали, числа стадий прокатки, отношения сокращения толщины, скорости прокатки, трения и др. Для получения нечетких правил управления было выполнено моделирование пластической деформации элемента на основе производственных данных. Эмпирические соотношения, полученные при стационарном процессе, использовались для определения толщины полосы. Установлена способность и полноценность нечеткого применения контроля толщины горячекатаного проката [25].

Нечеткие рассуждающие методы и нечеткие системы широко использовались для оптимизации в управлении динамическими производственными процессами, но не для обработки металлов. Новое техническое решение для оптимизации циклов прокатки рулона и улучшения качества изделия объединяет эмпирическое знание, моделирование эмиссионной микроскопии и нечеткий анализ. Она использована для планирования промежуточного цикла прохода: алмазная форма, квадрат-круг с 7 проходами, последовательность обжатия. Новый проект по сравнению с эмпирическим основан на правиле Лендла. Нечеткая технология доказывает большое преимущество по сравнению с эмпирическими правилами. Кроме того, система может быть компьютеризирована для автоматического планирования проходов рулона, что является ее преимуществом перед используемыми в настоящее время методами [26].

Физическая микроструктура моделируется нейронной сетью для точного вычисления механических свойств -предела прочности, твердости и др. Входные параметры для модели - реальная температура и напряжение, нормируемые величины напряжения и охлаждения, химический состав, скорость прокатки и др. Фирмой "Siemens" было проведено испытание модели на различных заводах при производстве горячекатаного листа - Salzgitter AG, Rautaruukki Stal и др. [27].

На Steel Dynamics (Штат Индиана, США) нейронная сеть выполняет прогноз механических свойств металла и для его обеспечения работает параллельно с математической моделью для точного расчета графиков циклов прокатки [28].

Заключение.Интенсивно расширяющееся во всем мире внедрение в промышленных условиях нечетких систем управления, оптимизации, контроля и анализа производственных и технологических процессов означает, что металлургическая промышленность оценила потенциал мягкого вычисления для улучшения качества продукции, параметров технологии и эффективности производства. Первоначально различные направления соревновались за потребителя. Однако вскоре было осознано, что для достижения лучшего результата различные направления должны взаимодействовать. Эффективность обычных аналитических моделей возрастает с применением нечеткой логики.

А.Д. Чертов, ЦНИИчермет; "Металлург". №7. 2003г.