Реферат
Навигация
- Введення
- Актуальність теми
- Цілі і завдання
- Наукова новизна
- Плановані практичні результати
- Огляд досліджень
- Власні дослідження за темою магістерської роботи
- Висновок
- Перелік посилань
Введення
Процес коксування вугілля є одним з найбільш древніх технологічних процесів. Технологія коксування, експлуатоване технологічне обладнання, контрольно-вимірювальні прилади і автоматика введені в дію, в основному, на початку другої половини минулого століття і не зазнали до теперішнього часу істотних змін. У теж час технологічний процес містить значні енергетичні резерви, використання яких для України надзвичайно важливо, тому що вугілля залишається фактично єдино доступним енергетичним ресурсом. Одна з можливостей зниження енергоємності процесу коксування – це впровадження засобів контролю та управління на основі мікропроцесорної техніки та сучасних методів управління.
Актуальність теми
Тенденції розвитку сучасних систем управління хіміко-технологічними процесами показують, що вони повинні бути адаптивними, інтелектуальними. Адаптивність зазначених систем забезпечується можливістю настройки їх на: різні типи сировини, вид продукції, апаратурно-технологічне оформлення. Досвід управління складними, інерційними, потенційно небезпечними об’єктами, до класу яких відноситься процес коксування, показує, що при управлінні і підготовці персоналу необхідно враховувати не тільки вимоги до протікання процесу в експлуатаційному режимі, а й передовий досвід висококваліфікованих операторів і знання хіміків-технологів, науковців, які є експертами в даній предметній області. Таким чином, розробка для цілей управління процесом коксування системи підтримки прийняття рішень, що включає інтелектуальні компоненти, що дозволяють отримати семантичне рішення неформалізованій завдання, цифрову математичну модель, а також підсистему прогнозування температури коксування, є актуальною.
Цілі і завдання
Основною метою магістерської роботи є розробка модифікацій, методів і алгоритмів підтримки прийняття рішень для поліпшення управління технологічним процесом коксування.
Для досягнення мети необхідно вирішити основні завдання:
- Провести аналіз існуючих систем підтримки прийняття рішень для управління процесом коксування.
- Розробити математичну модель технологічного процесу коксування і алгоритми управління значеннями її параметрів.
- Апробувати і впровадити розроблені моделі та алгоритми, оцінити ефективність їх використання.
Об›єкт дослідження – технологічний процес коксування вугілля.
Предмет дослідження – методи, моделі, алгоритми підтримки прийняття рішень в системах управління технологічним процесом коксування.
Методи дослідження. Для вирішення поставлених завдань в роботі використовується системних підхід і аналіз, методи представлення знань, методи прогнозування. Для моделювання технологічного процесу використовуються методи математичного моделювання та математичної статистики, такі як факторний аналіз.
Наукова новизна
Вперше запропонована структура системи підтримки прийняття рішень для управління технологічним процесом коксування, що дозволяє спрогнозувати температуру коксування при заданих параметрах коксування. Отримали подальший розвиток моделі планування процесу коксування з використанням методів математичної статистики.
Плановані практичні результати
Розроблений програмний комплекс на основі математичної моделі дозволить зменшити кількість позаштатних або аварійних ситуацій на виробництві, допомогти у прийнятті рішень, обгрунтовувати вибір рішення в тій чи іншій ситуації.
Огляд досліджень
На території Україні питанням оперативного прогнозу температурного стану та керування процесом коксування вугілля цікавився В.Н. Ткаченко. У своїй роботі [1] він описує завдання, які йому довелося вирішувати, а також наводить результати експериментальних і розрахункових значень температур при коксуванні в умовах ВАТ „Авдіївського коксохімічного заводу”. Крім іншого там же наведено алгоритм роботи розробленої їм системи управління коксування вугілля [1, с.222].
Власні дослідження за темою магістерської роботи
Розробка математичної моделі
Була розроблена математична модель, що описує залежність температури коксування від параметрів коксування (1) [2]:
Вектор вхідних параметрів
де 
і 
– характеристики шихти та опалювального газу відповідно.
Вектор параметрів і коефіцієнтів моделі,
де 
і 
– характеристики печі і шихти відповідно.
Вектором керуючого впливу даної моделі 
є витрата опалювального газу 
.
где:
λ – теплопровідність;
К – коефіцієнт теплопередачі гріючої стінки;
L – ширина камери;
– площа гріючої стінки;
– коефіцієнт температуропровідності опалювального газу;
– теплопровідність стінки;
– товщина стінки;
– коефіцієнт температуропровідності шихти;
– теплоємність опалювального газу;
– витрата шихти;
– температура шихти у стінки;
– початкова температура шихти;
– початкова температура опалювального газу;
– кінцева температура опалювального газу;
– коефіцієнт температуропровідності шихти у стінки;
– теплоємність шихти у стінки.
Розробка системи підтримки прийняття рішень
Було вирішено розробити активну [3] систему підтримки прийняття рішень (СППР) всього підприємства [4, 5], яка зможе винести пропозицію, яке рішення потрібно вибрати, і буде підключена до великих сховищ інформації та обслуговувати багатьох менеджерів підприємства.
Рисунок 1 – Приклад зміни температури коксування після коригування параметрів коксування системою підтримки прийняття рішень у випадку позаштатної ситуації на підставі прогнозу температури коксування; червона лінія - мінімальна допустима температура коксування
(анімація: 7 кадрів, 3 цикли повторення, 51 кілобайт)
Для представлення знань в СППР було вирішено використовувати логічні моделі подання знань [6]. Основна ідея підходу при побудові таких моделей - вся інформація, необхідна для вирішення прикладних задач, розглядається як сукупність фактів і тверджень, які представляються як формули в деякій логіці. Знання відображаються сукупністю таких формул, а отримання нових знань зводиться до реалізації процедур логічного висновку. В основі логічних моделей представлення знань лежить поняття формальної теорії, що задається кортежем:
де:
- B – рахункова множина базових символів (алфавіт);
- F – множина, що зветься формулами;
- A – виділене підмножина апріорі істинних формул (аксіом);
- R – інцеве множина відносин між формулами, що зветься правилами виводу.
Переваги логічних моделей:
- У якості „фундаменту” тут використовується класичний апарат математичної логіки, методи якої досить добре вивчені і формально обгрунтовані.
- Існують досить ефективні процедури висновку, що використовують механізми автоматичного доведення теорем для пошуку і логічно осмисленого виведення інформації.
- У базах знань можна зберігати лише безліч аксіом, а всі інші знання отримувати з них за правилами виведення, а також дані, факти та інші відомості про людей, предмети, події та процеси.
Задача прогнозування температури коксування
В цілому завдання прогнозування зводиться до знаходження температури коксування в певні моменти часу після її останнього виміру. Для вирішення цього завдання можна вибрати один із запропонованих методів прогнозування часових рядів.
-
Регресійні методи.
Модель множинної регресії в загальному випадку описується виразом: [7]
(10)
В простішому варіанті лінійної регресійної моделі залежність залежної змінної від незалежних має вигляд:
(11)
Тут
– підбираємі коефіцієнти регресії, 
– компонента помилки. Передбачається, що всі помилки незалежні і нормально розподілені.Для побудови регресійних моделей необхідно мати базу даних спостережень приблизно такого вигляду:
змінні незалежнізалежна № 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 За допомогою таблиці значень минулих спостережень можна підібрати (наприклад, методом найменших квадратів) коефіцієнти регресії, налаштувавши тим самим модель.
-
Генетичний алгоритм LGAP, що навчається.
В основі алгоритму LGAP, що навчається (Learning Genetic Algorithm for Prognosis), лежить ідея, раніше використана в алгоритмах ZET і WANGA, які, як правило, використовуються для заповнення пропусків в емпіричних таблицях даних. Даний алгоритм потребує велику кількість системних ресурсів для своєї роботи. Він легко розпаралелюється і показує добрі результати при роботі на багатопроцесорних системах [8], але таке рішення є досить дорогим.
-
Нейромережеві моделі прогнозування. Багатошарові персептрони.
На даний час найперспективнішим кількісним методом прогнозування є використання нейронних мереж. Можна назвати багато переваг нейронних мереж над іншими алгоритмами. Одним з них є те, що при використанні нейронних мереж легко дослідити залежність прогнозованої величини від незалежних змінних [7].
Недоліком нейронних мереж є їх недетермінованість. Мається на увазі те, що після навчання є „чорний ящик”, який якимось чином працює, але логіка прийняття рішень нейромережею абсолютно прихована від експерта.
Найпростіший варіант застосування штучних нейронних мереж – використання звичайного персептрона з одним, двома, або (в крайньому випадку) трьома прихованими шарами. При цьому на входи нейронної мережі зазвичай подається набір параметрів, на основі якого (на думку експерта) можна успішно прогнозувати. Виходом зазвичай є прогноз мережі на майбутній момент часу.
Висновок
У висновку хотілося б відзначити, що процес коксування відрізняється своєю складністю і точністю при побудові математичної моделі. Будь-які помилки і великі похибки можуть привести до того, що по закінченню процесу буде отримано кокс низької якості, що поведе за собою збитки при продажу. Тому для вирішення задачі зниження розмірності ознакового простору був обраний найбільш точний метод – факторний аналіз, щоб мінімізувати втрату інформації [2].
Щоб вибрати метод для розв’язання задачі прогнозування температури коксування, необхідно провести додаткові дослідження алгоритмів регресійних моделей, LGAP і нейромережевих моделей. Критеріями відбору будуть виступати швидкість і точність роботи алгоритмів, а також їх залежність від апаратної частини.
- Увага
- При написанні даного автореферату магістерська робота ще не завершена. Остаточне завершення: грудень 2012 р. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.
Перелік посилань
-
[Электронный ресурс] – Режим доступа: http://www.iamm.ac.donetsk.ua/upload/iblock/46e/tkachenkomatmodelirovanie.pdf
-
Логическая модель представления знаний.
[Электронный ресурс] – Режим доступа: http://ru.wikipedia.org/wiki/Логическая_модель_представления_знаний.
-
[Электронный ресурс] – Режим доступа: http://www.neuroproject.ru/forecasting_tutorial.php.
-
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.
-
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.