Реферат

Навигация

• Введение
• Актуальность темы
• Цели и задачи
• Научная новизна
• Планируемые практические результаты
• Обзор исследований
• Собственные исследования по теме магистерской работы
  • Разработка математической модели
  • Разработка системы поддержки принятия решений
  • Задача прогнозирования температуры коксования
• Заключение
• Список литературы

Введение

Процесс коксования угля является одним из наиболее древних технологических процессов. Технология коксования, эксплуатируемое технологическое оборудование, контрольно-измерительные приборы и автоматика введены в действие, в основном, в начале второй половины прошлого столетия и не претерпели к настоящему времени существенных изменений. В тоже время технологический процесс содержит значительные энергетические резервы, использование которых для Украины чрезвычайно важно, т.к. уголь остается фактически единственно доступным энергетическим ресурсом. Одна из возможностей снижения энергоемкости процесса коксования – это внедрение средств контроля и управления на основе микропроцессорной техники и современных методов управления.

Актуальность темы

Тенденции развития современных систем управления химико-технологическими процессами показывают, что они должны быть адаптивными, интеллектуальными. Адаптивность указанных систем обеспечивается возможностью настройки их на: различные типы сырья, вид выпускаемой продукции, аппаратурно-технологическое оформление. Опыт управления сложными, инерционными, потенциально опасными объектами, к классу которых относится процесс коксования, показывает, что при управлении и подготовке персонала необходимо учитывать не только требования к протеканию процесса в эксплуатационном режиме, но и передовой опыт высококвалифицированных операторов и знания химиков-технологов, ученых, являющихся экспертами в данной предметной области. Таким образом, разработка для целей управления процессом коксования системы поддержки принятия решений, включающей интеллектуальные компоненты, позволяющие получить семантическое решение неформализованной задачи, цифровую математическую модель, а также подсистему прогнозирования температуры коксования, является актуальной.

Цели и задачи

Основной целью магистерской работы является разработка модификаций, методов и алгоритмов поддержки принятия решений для улучшения управления технологическим процессом коксования.

Для достижения цели необходимо решить основные задачи:

1. Провести анализ существующих систем поддержки принятия решений для управления процессом коксования.
   
2. Разработать математическую модель технологического процесса коксования и алгоритмы управления значениями ее параметров.
   
3. Апробировать и внедрить разработанные модели и алгоритмы, оценить эффективность их использования.
   

Объект исследования – технологический процесс коксования угля.

Предмет исследования – методы, модели, алгоритмы поддержки принятия решений в системах управления технологическим процессом коксования.

Методы исследования. Для решения поставленных задач в работе используется системных подход и анализ, методы представления знаний, методы прогнозирования. Для моделирования технологического процесса используются методы математического моделирования и математической статистики, такие как факторный анализ.

Научная новизна

Впервые предложена структура системы поддержки принятия решений для управления технологическим процессом коксования, позволяющую спрогнозировать температуру коксования при заданных параметрах коксования. Получили дальнейшее развитие модели планирования процесса коксования с использованием методов математической статистики.

Планируемые практические результаты

Разработанный программный комплекс на основе математической модели позволит уменьшить количество нештатных или аварийных ситуаций на производстве, помочь в принятии решений, обосновывать выбора решения в той или иной ситуации.

Обзор исследований

На территории Украины вопросом оперативного прогноза температурного состояния и управления процессом коксования угля интересовался В.Н. Ткаченко. В своей работе [1] он описывает задачи, которые ему предстояло решить, а также приводит результаты экспериментальных и расчетных значений температур при коксовании в условиях ОАО «Авдеевского коксохимического завода». Помимо прочего там же приведен алгоритм работы разработанной им системы управления коксования угля [1, с.222].

Собственные исследования по теме магистерской работы

Разработка математической модели

Была разработана математическая модель, описывающая зависимость температуры коксования от параметров коксования (1) [2]:

Вектор входных параметров

где и – характеристики шихты и отопительного газа соответственно.

Вектор параметров и коэффициентов модели,

где и – характеристики печи и шихты соответственно.

Вектором управляющего воздействия данной модели является расход отопительного газа .

где:
λ – теплопроводность;
К – коэффициент теплопередачи греющей стенки;
L – ширина камеры;
– площадь греющей стенки;
– коэффициент температуропроводности отопительного газа;
– теплопроводность стенки;
– толщина стенки;
– коэффициент температуропроводности шихты;
– теплоемкость отопительного газа;
– расход шихты;
– температура шихты у стенки;
– начальная температура шихты;
– начальная температура отопительного газа;
– конечная температура отопительного газа;
– коэффициент температуропроводности шихты у стенки;
– теплоемкость шихты у стенки.

Разработка системы поддержки принятия решений

Было решено разработать активную [3] систему поддержки принятия решений (СППР) всего предприятия [4, 5], которая сможет вынести предложение, какое решение нужно выбрать, и будет подключена к большим хранилищам информации и обслуживать многих менеджеров предприятия.

Рисунок 1 – Пример изменения температуры коксования после корректировки параметров коксования системой поддержки принятия решений в случае нештатной ситуации на основании прогноза температуры коксования; красная линия – минимальная допустимая температура коксования
(анимация: 7 кадров, 3 цикла повторения, 51 килобайт)

Для представления знаний в СППР было решено использовать логические модели представления знаний [6]. Основная идея подхода при построении таких моделей – вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В основе логических моделей представления знаний лежит понятие формальной теории, задаваемое кортежем:

где:

• B – счетное множество базовых символов (алфавит);
• F – множество, называемое формулами;
• A – выделенное подмножество априори истинных формул (аксиом);
• R – конечное множество отношений между формулами, называемое правилами вывода.

Достоинства логических моделей:

• В качестве «фундамента» здесь используется классический аппарат математической логики, методы которой достаточно хорошо изучены и формально обоснованы.
• Существуют достаточно эффективные процедуры вывода, использующие механизмы автоматического доказательства теорем для поиска и логически осмысленного вывода информации.
• В базах знаний можно хранить лишь множество аксиом, а все остальные знания получать из них по правилам вывода, а также данные, факты и другие сведения о людях, предметах, событиях и процессах.

Задача прогнозирования температуры коксования

В целом задача прогнозирования сводится к нахождению температуры коксования в определенные моменты времени после ее последнего замера. Для решения этой задачи можно выбрать один из предложенных методов прогнозирования временных рядов.

1. Регрессионные методы.

   Модель множественной регрессии в общем случае описывается выражением: [7]

   (10)

   

   В более простом варианте линейной регрессионной модели зависимость зависимой переменной от независимых имеет вид:

   (11)

   

   Здесь – подбираемые коэффициенты регрессии, – компонента ошибки. Предполагается, что все ошибки независимы и нормально распределены.

   Для построения регрессионных моделей необходимо иметь базу данных наблюдений примерно такого вида:

   	переменные
   	независимые				зависимая
   №	X1	X2	...	XN	Y
   1	x_11	x_12	...	x_1N	Y_1
   2	x_21	x_22	...	x_2N	Y_2
   ...	...	...	...	...	...
   m	x_M1	x_M2	...	x_MN	Y_m

   С помощью таблицы значений прошлых наблюдений можно подобрать (например, методом наименьших квадратов) коэффициенты регрессии, настроив тем самым модель.

2. Обучающийся генетический алгоритм LGAP.

   В основе обучающегося алгоритма LGAP (Learning Genetic Algorithm for Prognosis) лежит идея, ранее использованная в алгоритмах ZET и WANGA, которые, как правило, используются для заполнения пропусков в эмпирических таблицах данных. Данный алгоритм требует большое количество системных ресурсов для своей работы. Он легко распараллеливается и показывает хорошие результаты при работе на многопроцессорных системах [8], но такое решение является весьма дорогостоящим.

3. Нейросетевые модели прогнозирования. Многослойные персептроны.

   В настоящее время самым перспективным количественным методом прогнозирования является использование нейронных сетей. Можно назвать много преимуществ нейронных сетей над остальными алгоритмами. Одним из них является то, что при использовании нейронных сетей легко исследовать зависимость прогнозируемой величины от независимых переменных [7].

   Недостатком нейронных сетей является их недетерминированность. Имеется в виду то, что после обучения имеется «черный ящик», который каким-то образом работает, но логика принятия решений нейросетью совершенно скрыта от эксперта.

   Самый простой вариант применения искусственных нейронных сетей – использование обычного персептрона с одним, двумя, или (в крайнем случае) тремя скрытыми слоями. При этом на входы нейронной сети обычно подается набор параметров, на основе которого (по мнению эксперта) можно успешно прогнозировать. Выходом обычно является прогноз сети на будущий момент времени.

Заключение

В заключении хотелось бы отметить, что процесс коксования отличается своей сложностью и точностью при построении математической модели. Любые ошибки и большие погрешности могут привести к тому, что по окончанию процесса будет получен кокс низкого качества, что поведет за собой убытки при продаже. Поэтому для решения задачи снижения размерности признакового пространства был выбран наиболее точный метод – факторный анализ, чтобы минимизировать потерю информации [2].

Чтобы выбрать метод для решения задачи прогнозирования температуры коксования, необходимо провести дополнительные исследования алгоритмов регрессионных моделей, LGAP и нейросетевых моделей. Критериями отбора будут выступать скорость и точность работы алгоритмов, а также их зависимость от аппаратной части.

Внимание

При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2012 г. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список литературы

1. Ткаченко В.Н. «Задачи и методы: математика, механика, кибернетика», том 13. Математическое моделирование, идентификация и управление технологическими процессами тепловой обработки материалов. Киев, «Наукова думка», 2008. c. 216–226.

   [Электронный ресурс] – Режим доступа: http://www.iamm.ac.donetsk.ua/upload/iblock/46e/tkachenkomatmodelirovanie.pdf

2. Власов А.А., Мартыненко Т.В. Исследование методов многомерного анализа данных для системы поддержки принятия решений управления технологическим процессом коксования. Информационные управляющие системы и компьютерный мониторинг (ИУС и КМ–2012) / Электронный сборник трудов III международной научно-технической конференции студентов, аспирантов и молодых ученых. – Донецк, ДонНТУ – 2012, с. 271–274.

3. Haettenschwiler P. Neues anwenderfreundliches Konzept der Entscheidungsunterstutzung. Gutes Entscheiden in Wirtschaft, Politik und Gesellschaft. Zurich: Hochschulverlag AG, 1999. – S. 189–208.

4. Golden B., Hevner A., Power D.J. Decision Insight Systems: A Critical Evaluation // Computers and Operations Research, 1986. – v. 13. – N2/3. – p. 287–300.

5. Marakas G. M. Decision support systems in the twenty-first century. Upper Saddle River, N.J.: Prentice Hall, 1999.

6. Логическая модель представления знаний.

   [Электронный ресурс] – Режим доступа: http://ru.wikipedia.org/wiki/Логическая_модель_представления_знаний.

7. Методы прогнозирования.

   [Электронный ресурс] – Режим доступа: http://www.neuroproject.ru/forecasting_tutorial.php.

8. Загоруйко Н.Г. Прикладные методы анализа данных и знаний / Н.Г. Загоруйко – Новосибирск: ИМ СО РАН, 1999. – 270 с.

9. Большаков А.А. Методы обработки многомерных данных и временных рядов / А.А. Большаков, Р.Н. Каримов. Учебное пособие для вузов – М.: Горячая линия – Телеком, 2007. – 522 с.

10. Кауфман А.А, Харлампович Г.Д. Технология коксохимического производства. К 30/ А.А. Кауфман, Г.Д. Харламвович. Учебное пособие – Екатеринбург: ВУХИН-НКА, 2005. 288 стр.

Вверх