Современные тенденции развития металлургии характеризуются разработкой, внедрением и широким использованием информационных систем и технологий. Основой информационных технологий и систем являются компьютеры и компьютерные сети, имеющие богатейшее программное обеспечение, а также системы управления базами данных, компьютерные системы поддержки принятия решений, методологической основой которых являются теория систем и системный анализ, теория моделирования данных, технологических процессов и знаний.
Несмотря на многовековую историю, процесс доменной плавки изучен еще не во всех деталях. Как уже было отмечено, проблемой всех существующих математических моделей является недостаточно высокая точность значений входящих в них параметров. Это относится, в частности, к факторам, определяющим порозность столба шихты, поля скоростей движения твердых и жидких фаз, распределения газового потока, к параметрам скорости восстановления железорудных материалов и т.п. Процесс выплавки чугуна в доменной печи подвержен влиянию многих переменных контролируемых и неконтролируемых факторов, которые вызывают нарушения хода печи и ее теплового состояния и требуют высокой квалификации технологического персонала при управлении доменной плавкой.
Для решения этих проблем с целью диагностики и управления дутьевым режимом будет создана экспертные системы, построенная в концепции искусственного интеллекта и включающие в себя опыт специалистов-доменщиков. Системы с применением искусственного интеллекта (ИИ) создаются с целью стабилизации хода печи и повышения качества чугуна. Экспертные системы способны использовать детерминированные знания о процессе и обобщать практический опыт специалистов. Процесс накопления знаний и опыта в ЭС продолжается после ввода ее в действие, учитывая последующие изменения технологии. Экспертная система повышает уровень знаний среднего специалиста до уровня квалифицированного, обеспечивает единообразие решений и оперативную адаптацию в изменяющихся условиях массового, интенсивного производства.
Следует отметить, что сложность доменного процесса, необходимость определения оптимальных параметров доменной плавки при изменении условий ее ведения, возрастающая цена ошибок управления при управлении тепловым и газодинамическим режимами – эти и другие факторы определяют потребность в разработке новых информационных систем. Анализ современного уровня знаний основных закономерностей доменного процесса, имеющихся технических средств контроля, существенное расширение возможностей вычислительной техники и области применения методов математического моделирования показывают, что наиболее перспективными методами для диагностики состояния доменной печи и ее управления являются, наряду с инструментальными, расчетно-инструментальные и компьютерные. Подсистема управления дутьевым режимом должна осуществлять:
Современная доменная печь является организованной управляемой интерактивной системой. Состояние этой системы определяется закономерностями комплекса физических процессов, протекающих в доменной печи, особенностями технологии, зависящей от конкретных топливно-сырьевых условий и оборудования доменной печи, включающей системы подготовки шихты, комбинированного дутья, систему отработки продуктов плавки, и принятым способом управления.
В связи с этим при оценке эффективности доменной плавки приходится анализировать не только процесс выплавки чугуна в доменной печи с его комплексом физических закономерностей, но и организованную функциональную систему с системами сбора информации, управления в контуре обратной связи. При этом под системой управления понимаются как используемые технические средства контроля и управления с присущими им метрологическими особенностями, так и участвующие в управлении технологи (лица, принимающие решения), целенаправленные действия которых обеспечивают управление доменным процессом.
Конечной целью разработки системы управления режимами дутья, является создание система, которая обеспечивает нормальную работу доменного цеха в целом при минимальной себестоимости продукции с учетом ограничений, обусловленных требованиями технологии и возможностями оборудования.
Для решения данной задачи оптимальным будет создание экспертной системы. Экспертная система – это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультации менее квалифицированных пользователей.
Создаваемая экспертных систем включает следующие базовые компоненты:
Остановимся на главных компонентах системы:
База знаний. База знаний содержит два основных элемента: факты (данные) из предметной области и специальные эвристические правила, которые управляют использованием фактов при решении проблемы, т.е. содержимое БЗ формируется в соответствии с принятым способом (моделью) представления знаний.
Машина вывода – это программа, поддерживающая методологию обработки информации из базы знаний, получение и представление заключений и рекомендаций. Она моделирует ход рассуждений эксперта на основании знаний, имеющихся в БЗ. Синонимы машины вывода: решатель, дедуктивная машина, машина логического вывода. База знаний и решатель вместе составляют основную часть ЭС.
Работа экспертная система будет базироваться на методах нечеткой логики. В неформализованных задачах, которые решают ЭС в металлургии, особенно при управлении сложными агрегатами и процессами, очень часто приходится использовать ненадежные или неточные знания и факты, которые невозможно представить только двумя значениями характеристических чисел, или идентификаторами (квантификаторами) – 1 (истина) и 0 (ложь). Тем не менее, на основании неточных или ненадежных данных часто можно делать вполне определенные выводы и получать практические результаты. Для этого необходимо рассматривать комбинацию некоторых фрагментов знаний, а также знания по определенности или достоверности и в результате выводить новые знания, давая оценку их достоверности. Традиционно такую недостоверность, неопределенность или ненадежность знаний в современной физике и технике представляют вероятностью, подчиняющейся законам Байеса (байесовская вероятность), но в инженерии знаний нелогично иметь дело со степенью надежности в виде байесовской вероятности, приписанной знаниям изначально.
Среди методов неточных рассуждений с ненадежными данными одним из первых разработан метод с использованием так называемых коэффициентов уверенности CF, ставший эффективным средством обработки ненадежных знаний. Метод с использованием коэффициентов уверенности отображает ненадежные данные с помощью коэффициентов CF, которые принимают значения на отрезке [-1;1], где «1» – заведомо истина, «-1» – заведомо ложь. Положительные CF называют мерой доверия, а отрицательные CF – мерой недоверия. В настоящее время разработан метод нечетких выводов, названный субъективным байесовским методом. Для решения сложных НФЗ используется метод иерархической декомпозиции задачи на несколько подзадач. Связь между подзадачами, на которые декомпозирована неформализуемая задача, определяемая двумя понятиями – истина и ложь, может быть представлена через операции «И» и «ИЛИ», которые мы уже рассмотрели ранее. В задачах же с ненадежными исходными данными кроме связей «И» и «ИЛИ» важную роль играет комбинированная связь «КОМБ» (COMB), которая подкрепляет или опровергает цель на основании двух и более доказательств. Необходимость использования функции КОМБ (COMB) можно проиллюстрировать на примере диагностики развития тугого хода доменной печи. Пусть мы каким-либо образом определили, что фактор один – «наличие верхних пиков давления колошникового газа» – надежен со степенью 0,4, а фактор два – «общий перепад давления увеличивается» – надежен со степенью 0,6. Таким образом, развитие тугого хода печи при наблюдении только одного из факторов можно подтвердить с надежностью только 0,6 или 0,4 соответственно. Но если рассматривать оба фактора вместе, то логично считать состояние тугого хода более достоверным, чем по показаниям каждого из факторов в отдельности, т.е. больше 0,6. Как мы увидим в дальнейшем, при использовании КОМБ-правила степень надежности «развитие тугого хода» по двум этим факторам в совокупности составит 0,76. Суммарное действие факторов может не только увеличивать надежность диагноза, но и уменьшать ее. Пусть, например, фактор один имеет надежность 0,4, а фактор два – надежность -0,25. Тогда при комбинированной связи надежность диагноза, выводимого на основе этих двух факторов по КОМБ-правилу, уменьшится до 0,15. На рисунке ниже представлено описание продукционных правил с помощью связей типа «И», «ИЛИ», «КОМБ», где X, Y – результаты симптомов, А – цель или гипотеза. С1, С2, С3 – это степени надежности (коэффициенты уверенности) каждому продукционному правилу, численные значения которых необходимо определить. Допустим, что каким-либо образом уже определены степени надежности X и Y как результат предыдущих выводов или наблюдений; необходимо сделать вывод или вычислить степень надежности А, используя продукционное правило и базы знаний. Если выбрать метод выводов как для каждой из связи «И», «ИЛИ», так и для связи «КОМБ», то степень надежности можно распространить и на всю иерархическую сеть выводов. В итоге можно получить степень надежности конечной цели, а также указать ее при окончательном решении.
Обозначим коэффициент уверенности исходных доказательств X и Y соответственно через CF(Х) и CF(Y), а степени надежности С1, С2 , С31, С32, С3 вывода А в продукционном правиле обозначим соответственно через CF[A,X и Y]; CF[A,X или Y]; CF[A,X]; CF[A,Y]; CF[A,X комб Y]. При определении итогового коэффициента уверенности исходят из следующих правил:
Таким образом, выбирают минимальное значение степени надежности или нескольких выводов при связи «И» и максимальное при связи «ИЛИ», других подходящих методов пока не существует. При связи же «КОМБ» (COMB) отдельно получают CF[A,X] и CF[A,Y], а для определения CF можно использовать следующую комбинированную функцию:
Значение коэффициента уверенности из трех и более независимых доказательств можно вывести, последовательно используя указанные выше формулы. Хотя коэффициенты уверенности не имеют строгого обоснования, но благодаря простоте восприятия они нашли широкое применение во многих инструментальных программных средствах обработки знаний. Так, для условий примера диагностики тугого хода доменной печи, учитывая, что CF[A,X]=0,6, CF[A,Y]=0,4, получим коэффициент уверенности, равный 0,76.
Рассмотрим подробнее нечеткий вывод на примере механизма Мамдани (Mamdani). Это наиболее распространенный способ логического вывода в нечетких системах. В нем используется минимаксная композиция нечетких множеств. Данный механизм включает в себя следующую последовательность действий. Процедура фазификации: определяются степени истинности, т. е. значения функций принадлежности для левых частей каждого правила (предпосылок). Для базы правил с m правилами обозначим степени истинности как Aik(xk), i=1..m, k=1..n. Нечеткий вывод. Сначала определяются уровни 'отсечения' для левой части каждого из правил:
Далее находятся 'усеченные' функции принадлежности:
Композиция, или объединение полученных усеченных функций, для чего используется максимальная композиция нечетких множеств:
Дефазификация, или приведение к четкости. Существует несколько методов дефазификации. Например, метод среднего центра, или центроидный метод:
Сугено (Sugeno) и Такаги (Takagi) использовали набор правил в следующей форме: П1: если х есть А1 и y есть В1, тогда z=a1x+b1y; П2: если х есть А2 и y есть В2, тогдаz =a2x+b2y.Основные этапы метода:
Представленная форма правил иллюстрирует алгоритм Сугено 1-го порядка. Если правила записаны в форме: П1: если х есть А1 и y есть В1, тогда z=с1, П2: если х есть А2 и y есть В2, тогда z =с2, то задан алгоритм Сугено 0-го порядка.
Мною были рассмотрены методы, с помощью которых возможно решение задач в данной области. На данный момент наиболее оптимальным решением является создание экспертной системы на базе нечеткой логики, так как на основании неточных или ненадежных данных система можно делать вполне определенные выводы. В качестве метода нечеткой логики я планирую использовать метод Мамдани, так как он позволяет избежать накопления нечеткости, при этом отсутствие промежуточных процедур фаззификации/дефаззификации снижает вычислительную погрешность.
1. Спирин Н. А., Лавров В.В. Информационные системы в металлургии: Конспект лекций (отдельные главы из учебника для вузов). - Екатеринбург: УПИ, 2004. – 495 с.
2. Паклин Н. В. Нечеткая логика - математические основы [Электронный ресурс] : http://www.basegroup.ru/library/analysis/fuzzylogic/math/
3. Лобатый А. А. Современные методы синтеза систем управлени [Электронный ресурс] : http://abitur.bsuir.by/eumk/smssu/work_plan.html
4. American Iron and Steel Institute [Электронный ресурс] : http://www.steel.org
5. Рамм А.Н. Современный доменный процесс. – М.: Металлургия, 1989. – 304 с.
6. Спирин Н.А., Лавров В.В., Шаврин В.С. Оптимизация, идентификация и оценивание теплотехнических процессов в металлургии: Учебное пособие для вузов. – Екатеринбург: УГТУ, 1996. – 188 с.
7. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. – М.: СИНТЕГ, 1998. – 376 с.
8. Ченцов А.В., Чесноков Ю.А., Шаврин С.В. Балансовая логико-статистическая модель доменного процесса. – М.: Наука, 1991. – 92 с.
Важное замечание: При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение - декабрь 2009 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.