![]() |
Факультет: Kомп'ютерних Інформаційних Технологій та Автоматики |
|||
Автобіографія | Бібліотека | Посилання | Звіт про пошук | Індивідуальний розділ | ||||
Автореферат «Оптимізація параметрів коксування вугілля із використанням генетичного програмування» Зміст
Введення Введення
Коксохімічне виробництво [1] є галуззю важкої промисловості, яка здійснює переробку кам'яного вугілля методом коксування. Виробляє кокс (76-77% всієї продукції галузі по масі), коксовий газ (14-15%) і хімічні продукти (5-6%) .
Актуальність теми
Актуальність даної теми визначена тим, що технологія коксування при заданій продуктивності коксових печей є досить консервативним і важко керованим у розумінні впливу на якість фактором, і, природно припустити, що дійсним об'єктом впливу на якість коксу є ресурси вугілля. Таким чином, щоб одержати кокс необхідної якості необхідно сформувати шихту з певними властивостями.
Зв'язок роботи з науковими програмами,темами,планамиДана робота виконувалася протягом 2008-2009 р. відповідно до наукових напрямків кафедри Автоматизованих систем керування Донецького національного технічного університету. Ціль и задачі розробки й досліджень
Ціль роботи - оптимізація параметрів коксування вугіль.
Предмет дослідження – методи, моделі, алгоритми. Методи дослідження – методи системного аналізу, еволюційні методи моделювання й оптимізації, які базуються на генетичному програмуванні. Наукова новизна
Розроблено новий підхід до моделювання технологічного процесу коксування вугілля на основі методу символьної регресії генетичного програмування, що дозволяє одержати аналітичну модель процесу, що забезпечує можливість моделювати технологічний процес коксування з різними значеннями технологічних параметрів.
Практичне значення результатів
Моделювання технологічного процесу коксування вугілля дозволяє одержувати оцінки значень вихідних параметрів процесу коксування й визначати значення параметрів технологічного процесу. Проведення на моделі аналізу різних варіантів значень параметрів дає можливість розробити практичні рекомендації, які забезпечують ефективність процесу коксування.
Огляд досліджень й розробок по темі
На сьогоднішній день проведено досить багато досліджень, присвячених вивченню залежностей параметрів технологічного процесу. В основному дослідження виконувалися з використанням або математичних моделів, які базуються на аналітичних рівняннях, або за допомогою статистичних методів, що надають у результаті модель у вигляді рівняння регресії.
Статистичні моделі
У статистичній моделі оперують показниками, обчисленими для якісно однорідних масових явищ (сукупностей). Вираження моделі у вигляді функціональних рівнянь використають для розрахунку середніх значень моделюємого показника по наборі заданих величин і для виявлення ступеня впливу на нього окремих факторів.
Кореляційний аналіз
Кореляційним зв'язком є такий статистичний зв'язок, при якому різним значенням однієї змінної відповідають різні середні значення іншої. Основною особливістю кореляційного аналізу варто визнати те, що він установлює лише факт наявності зв'язку й ступінь її тісноти, не розкриваючи її причин.
Регресійний аналіз
Задачі регресійного аналізу - вибір типу моделі (форми зв'язку), установлення ступеня впливу незалежних змінних на залежну й визначення розрахункових значень залежної змінної (функції регресії).
При рішенні задачі апроксимації за допомогою регресійного аналізу найбільш простим варіантом є лінійний однофакторний регресійний аналіз, коли передбачається лінійна залежність між фактором (входом) і параметром (виходом): ![]() Застосовуваний метод знаходження значень коефіцієнтів – МНК (метод найменших квадратів), тобто знаходить такі коефіцієнти, які мінімізують квадратичну помилку; або метод максимальної правдоподібності, що використовується для одержання оцінок параметрів генеральної сукупності за даними вибірки. Але на практиці часто доводиться визначати вид залежності не від одного фактору, а від декількох. Навмисна спрощення математичної моделі до лінійного виду робиться для зменшення об'єму розрахунків і спрощення виду функції залежності, допускаючи при цьому погрішність на лінеаризацію. Регресійний аналіз показує, по-перше, якість моделі, тобто ступінь того, наскільки дана сукупність іксів пояснює Y. Показник якості називається коефіцієнтом детермінації R2 і показує, який відсоток інформації Y можна пояснити поведінкою іксів. По-друге, регресійний аналіз обчислює значення коефіцієнтів В, тобто визначає, з якою силою кожний з Х впливає на Y. Множинний регресійний аналіз (багатофакторний) будує рівняння регресії у формі лінійного полінома із центрованим значенням змінних (факторів і параметра): ![]() ![]() Недоліком класичного регресійного аналізу є спрощення форми математичної залежності до лінійної, що призводить до досить великої погрішності, тобто до втрати точності. Після одержання математичної моделі необхідно провести статистичний аналіз, що полягає у визначенні адекватності математичної моделі й оцінці значимості коефіцієнтів рівняння регресії. В ідеальній регресійній моделі незалежні змінні не корелюють один з одним. Однак сильна корелірованість змінних є досить частим явищем. Це приводить до збільшення помилок рівняння, зменшенню точність оцінювання, знижується ефективність використання регресійної моделі [7]. Тому вибір незалежних змінних, що включають у регресійну модель, повинен бути дуже ретельним. Пошук найкращої регресійної моделі являє собою досить громіздкий процес. Ще одним з недоліків класичного регресійного аналізу, в основі якого лежить МНК, є недостатня стійкість до змін вхідної інформації. Слід зазначити існування так називаного «парадокса регресії», що полягає в тім, що рівняння регресії Y від X значно відрізняється від залежності: X від Y. Детерміновані моделі
Детерміновані моделі [8] будуються на основі математично виражених закономірностей, що описують фізико-химічні процеси в об'єкті моделювання. Вони дозволяють однозначно знаходити значення змінних (які характеризують властивості об'єкта, що нас цікавлять) для будь-якої заданої сукупності значень вхідних змінних і конструктивних параметрів об'єктів моделювання.
Експертні моделі
Побудова експертної моделі здійснюється за допомогою методів експертних оцінок [9] - це методи організації роботи з фахівцями-експертами й обробки думок експертів, виражених у кількісній й/або якісній формі з метою підготовки інформації для прийняття рішень.
Огляд інструментальних засобів
Існує досить велика кількість програм для виконання апроксимації, які могли б бути застосовані для рішення даної задачі, наприклад:
1) Discipulus Engineering [12] 2) DTREG Enterprise [13] 3) Deductor 5 [14] 4) MS Excel [15] 5) AtteStat [16] 6) Matlab Такі інструментальні засоби як Discipulus Engineering, Deductor 5 й DTREG характеризуються наступним:
Застосування пакета MS Excel дозволяє вирішити лише найпростіші задачі регресійного аналізу - знайти рівняння лінійної регресії. Задачі нелінійного виду не можуть бути вирішені з використанням даного програмного засобу. До того ж пакет вимагає підготовки користувача для роботи з ним. Програмне забезпечення AtteStat виконує статистичну обробку даних, тобто використовує для знаходження рішення кореляційні, регресійні, факторний аналізи й ін. Недоліки цих методів описані вище. До того ж, дана програма написана, як вказує сам розроблювач, на принципах екстремального програмування, тобто вона недостатньо протестована. А це означає, що надійність результатів негарантована. Matlab 6.5 надає такі інструменти апроксимації: статистичні методи, сплайни й нейронні мережі. Сплайни апроксимують дані в поліном n-ого ступеня. А нейронні мережі не надають у результаті обчислень математичного вираження залежності – вони працюють за принципом «чорний ящик». Математична постановка задачі
Якість отриманого коксу залежить значною мірою від підготовки вугілля і правильності складання вугільної шихти [2]. На коксохімічні заводи вугілля надходить звичайно з багатьох шахт і вуглезбагачувальних фабрик, і фахівець повинен не тільки знати властивості й склад вугілля, але й уміло складати з них суміш, що дає найкращий кокс. Складання вугільних шихт для коксування (шихтовання) виконується емпірично. Одне з основних вимог до якості коксу - висока міцність при достатньо великому розмірі.
Основні характеристики, що описують шихту (вхідні параметри моделі):
Нехай множина ![]()
![]() ![]() При цьому задача зводиться до оптимізаційной задачі - мінімізації квадратичної помилки:
![]() ![]() ![]() ![]() Таблиця 1 - Обмеження на значення показників
![]() Вибір та обгрунтування метода символьної регрессії
Метод рішення задачі - метод символьної регресії (Рисунок 1 – Рішення задачі із використанням метода символьної регресії) генетичного програмування [15,16], що запропонований внаслідок своїх переваг у порівнянні з іншими методами моделювання. Даний метод є еволюційним методом, тобто він заснований на процесі природньої еволюції, що розвиває в процесі роботи алгоритму рішення, які являють собою математичні формули.
![]() Рисунок 1 – Рішення задачі із використанням метода символьної регресії (анімація: об'єм – 123 Кб; розмір – 183х697; кількість кадрів - 11; затримка між кадрами - 50 мс; затримка між останнім та першим кадрами - 200 мс; кількість циклів повторення - нескінчена) Генетичний алгоритм відрізняється від інших оптимізаційних і пошукових процедур наступними особливостями [17]: 1. працює не з параметрами, а із закодованою множиною параметрів; 2. здійснює пошук з популяції точок, а не з єдиної точки; 3. використовує цільову функцію безпосередньо, а не її збільшення; 4. використовує не детерміновані, а імовірнісні правила пошуку рішень; 5. кожна нова популяція складається з життєздатних особин (хромосом); 6. кожна нова популяція краще (у розумінні цільової функції) попередньої; 7. у процесі еволюції наступна популяція залежить тільки від попередньої. Щоб еволюція була можлива, організми повинні відповідати 4 найважливішим властивостям: 1. кожен індивід у популяції здатний до розмноження; 2. відмінності індивідів друг від друга впливають на ймовірність їхнього виживання; 3. кожен нащадок успадковує риси свого батька (подібне походить від подібного); 4. ресурси для підтримки життєдіяльності й розмноження обмежені, що породжує конкуренцію й боротьбу за них. Всі ці властивості забезпечують оператори генетичного алгоритму. Завданням методу символьної регресії є знаходження такого математичного вираження функціональної залежності, що з мінімальною погрішністю апроксимує задані вибіркою значення. Для формування особини (математичного вираження) повинне бути визначене функціональна й термінальна множини [17,18]. Слід зазначити, що запропонований метод не вимагає використання заздалегідь визначеної форми функції залежності. Для даної задачі визначена функціональна множина: «+,-,*,/,^(зведення в ступінь)» і термінальна множина: значення факторів (Х) і речовинних констант із інтервалу [-5,5]. Для представлення особини використана деревоподібна структура [17], приклад якої представлений на рисунку 2.
Кожен вузол дерева являє собою або термінал (змінну, константу), або символ функції. Всі оператори функціональної безлічі вимагають двох аргументів. Якщо у вузлі записаний символ функції, то вузол повинен мати нащадків - аргументи функції, тобто термінали. Кінцеві вузли - це завжди термінали. Параметри алгоритму, що мають бути заданими: імовірність кросінговера, імовірність мутації, відсоток «еліти», кількість ітерацій алгоритму або точність рішення, розмір популяції. У якості фітнес-функції (функції оцінки придатності особини) у програмі буде використана: ![]() Дана цільова функція є безперервною й стандартизованою. Значення придатності кожної особини (тобто її значення цільової функції) визначається як середньоквадратична помилка апроксимації даною особиною-формулою даних вибірки. На початку роботи алгоритму необхідно ініціалізувати популяцію особин. Загальним для всіх представлень є обмеження на розмір - на глибину дерева - не більше 20 рівнів. Найбільш ефективне значення цього параметра буде визначено експериментально. Для ініціалізації особин будуть застосовуватися два методи [17]. Перший - метод Росту дерев: дерево починає будуватися з кореня, запис у вузол виконується випадковим образом з множини, що включає термінальну й функціональну множини. Якщо вибирається функція, то процес рекурсивно триває для її нащадків. Другий метод - Повний. Будується дерево аналогічне методу росту, але вузли вибираються тільки з множини функцій, поки дерево не досягне заданої глибини. Потім заповнюються кінцеві вузли з множини змінних і констант. Використання тільки повного методу ініціалізації сприяє виродженню генетичного матеріалу й передчасної збіжності [17]. Тому застосовується комбінований метод. Популяція ділиться на 2 рівні частини, кожній частині ставиться своя максимальна глибина (наприклад, 20 й 10). Половина дерев з кожної групи будується за методом росту, інша - за повним методом. Критерієм завершення алгоритму є досягнення заданої точності рішення або виконання заданої кількості ітерацій еволюції. Для відбору особин-батьків буде використаний метод лінійного ранжирування [17], тому що він застосовний без модифікацій для задачі мінімізації й не вимагає масштабування для запобігання передчасної збіжності. Оператор кросінговера для деревоподібного представлення буде здійснюватися обміном піддерев. Випадковим чином вибираються 2 особини, а потім вузол в одному дереві й в іншому дереві. Для обміну піддеревами потрібно переконатися, що піддерева взаємозамінні, інакше - продовжувати підбір вузла. Піддерева відокремлюються у відповідних вузлах, і ставляться на місце відповідного піддерева в іншому дереві. На рисунку 3 представлене утворення нащадка методом обміну піддерев особин-батьків.
Мутація може бути вузлова (1%), що усікає (1%) і зростаюча (3%). Зростаючій мутації віддається перевага, тому що цей оператор має більші можливості [17]. При виконанні оператора мутації також буде перевірятися розмір особини, яка мутувала. Для формування нової популяції з поточного розширеного нащадками покоління застосовні 2 методи. Перший - елітарна схема, що полягає в копіюванні заданої кількості особин з найкращими значеннями фітнес-функції в наступну популяцію. Другий метод - пропорційний отбір, заснований на прямопропорціональності ймовірності вибору особини і її значень фітнес-функції. Принципова схема роботи алгоритму складається з наступних основних фаз (рисунок 4):
Висновки
У магістрскій роботі запропоноване рішення актуальної наукової задачі - оптимізації параметрів коксування вугілля. Для одержання представлення про сучасний стан розробок по темі роботи був виконаний і відображений у роботі науковий пошук матеріалів. Увага приділялася моделям і методам моделювання й оптимізації процесу коксування вугілля з метою його оптимізації, а також інструментальним засобам, що дозволяють виконати апроксимацію по заданій вибірці даних.
Література
1. Шубеко П.З. Непрерывный процесс коксования / П.З. Шубеко, Г.И. Еник – М.: “Металлургия”, 1974. – 224 c.
|
||||
ДонНТУ > Портал магістрів ДонНТУ > Автобіографія | Бібліотека | Посилання | Звіт про пошук | Індивідуальний розділ |