*ПОСТРОЕНИЕ  АВТОМАТИЗИРОВАННОЙ  СИСТЕМЫ

ПРОГНОЗИРОВАНИЯ  КАЧЕСТВА  МЕТАЛЛОПРОДУКЦИИ

 

Кудинов Ю.И., Кудинов И.Ю., Иванченко К.С.

Липецкий государственный технический университет

 

 Рассматривается процесс построения нечётких моделей и алгоритмов обучения, прогнозирующих дефекты металлопродукции конвертерного производства, предназначенного для передела низкомарганцовистого чугуна в 7 марок сталей. Сыпучие материалы и ферросплавы из бункеров по трактам подачи направляются в конвертер. После отбора пробы и проведения химического анализа в экспресс-лаборатории (ЭЛ) жидкий чугун из заливочного ковша направляется в конвертер.

 
 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

*Работа выполнена при поддержке РФФИ по проекту 08-08-00052

 
 
 


С помощью фурмы осуществляется дутьевой режим плавки. После завершения плавки металл из конвертера выливается в стальковш, а шлак – в ковш для шлака. В стальковше с помощью установки доводки металла (УДМ) сталь продувается аргоном для усреднения химического состава и температуры металла и снижения содержания углерода.

Сталь из стальковша выливается в промежуточный ковш (промковш) до определенного уровня, а затем в два кристаллизатора двухручьевой установки непрерывной разливки стали (УНРС). После наполнения кристаллизатора жидкой сталью из него вытягивают два слитка, на которые для окончательного их затвердевания в зонах 1-8 вторичного охлаждения подается вода. В клетях слитки газорезкой разрезаются на мерные длины, именуемые слябами.

Качество получаемых слябов, определяемое наличием одного или нескольких из 13 дефектов, оцениваемых в баллах от 0 до 3, зависит от большого числа переменных, составляющих вектор  x = (x1, x2, …,xm), m=112.

Анализ методов моделирования показал, что в условиях конвертерного производства для целей прогнозирования дефектов целесообразно использовать нечеткие модели, состоящие из совокупности продукционных правил, в правых частях которых находятся  линейные уравнения [1]

, 

где q – номер правила; n – число правил; l – номер входной переменной;  – вектор коэффициентов;  – нечеткие множества, характеризующиеся функциями принадлежности (ФП) , форма, размеры и расположение которых зависит от векторов параметров .

Для снижения затрат машинного времени в работе сконструированы алгоритмы структурно-параметрического и параметрического обучения, а также алгоритм формирования данных для обучения нечетких моделей.

Структурно-параметрическое обучение, сопровождающееся определением количества правил методом разбиения ФП, переменных и ФП, а также параметров ФП модифицированными генетическими алгоритмами [2] и коэффициентов линейных уравнений рекуррентным методом наименьших квадратов, осуществляется в тех случаях, когда поступают производственные данные о марках стали, дефектах и баллах, для которых не были построены и обучены нечеткие модели.

Более быстродействующему параметрическому обучению, уточняющему параметры ФП и коэффициенты линейных уравнений, подвергаются прошедшие структурно-параметрическое обучение нечеткие модели при нарушении условий адекватности, вызванном несущественными возмущениями: изменением во времени характеристик кристаллизатора, скорости разливки металла, расхода воды в форсунках и т.д. С помощью разработанных алгоритмов по производственным данным проводилось обучение нечеткой модели в течение 15 мин. Этот интервал времени был принят и согласован как предельный. Попытки провести по производственным данным обучение за время, не превышающее 15 мин, оказались неуспешными: не была достигнута требуемая точность из-за преобладания бездефектных слябов в их общем количестве. Удовлетворительные результаты с затратами времени около 11 минут были получены после выравнивания числа данных (порядка 190) по каждому баллу дефекта и последующей их сортировки по возрастанию баллов дефекта.

Для обеспечения данными процедур обучения был разработан алгоритм формирования и обновления таблицы данных, закреплённой за каждой нечёткой моделью. С помощью этого алгоритма, использующего меры сходства строк табличных входных

и выходных данных

,

где  – номера строк таблицы;

 

осуществляется заполнение или/и замена строк данных таблицы.

Алгоритмы обучения нечетких моделей и обработки информации были включены в программный комплекс (ПК), работающий под управлением операционной системы Windows XP SP2 совместно с системой управления базами данных Oracle 9.1 и выполняющий следующие функции в составе АСУ «Качество» конвертерного производства.

Проверяется наличие соответствующей нечеткой модели прогнозирования дефектов слябов. Если она существует, то анализируется ее точность прогнозирования дефектов по данным, поступающим из отдела технического контроля. Пусть нечеткая модель обладает требуемой точностью, тогда данные прогноза записываются в СУБД АСУ «Качество». В противном случае, производится дообучение нечеткой модели алгоритмом параметрического обучения. Если в результате параметрического обучения не достигается требуемая точность нечеткой модели, то приступают к структурно-параметрическому обучению. При отсутствии нечеткой модели, обученной на заданную марку стали и номер ручья, проверяется, достаточно ли накоплено данных для обучения модели. Если данных достаточно, то начинается структурно-параметрическое обучение, в противном случае, ПК завершает работу.

Литература

 

1.     Кудинов Ю.И., Иванченко К.С., Кудинов И.Ю. Разработка и идентификация нечётких моделей прогнозирования качества // Мехатроника, автоматизация, управление, 2007. - №12. – С. 12-15.

2.      Кудинов Ю.И., Архипов Н.А., Кудинов И.Ю., Полухина М.И, Келина А.Ю. Применение эволюционного алгоритма для идентификации нечеткой модели // Системы управления и информационные технологии, 2004. - № 2. – С. 15-19.