WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 13 |

В реальности диагностические поверхности имеют более сложный вид, чем представленный пример. Однако их изображение в гиперпространстве координат в настоящее время даже в компьютерных технологиях пока не представляется возможным.

2.3. Диагностика распределения материалов и газов в доменной печи В настоящее время, ввиду тенденции снижения интенсивности доменной плавки и роста экономичности процесса, роль распределения материалов и газов в доменной печи существенно возросла [17]. Однако оперативный контроль этого распределения практически остается недостаточным из-за отсутствия необходимой измерительной аппаратуры.

Указанный недостаток можно компенсировать путем применения нейронных моделей [18]. Нейронная модель, имитируя работу мозга специалиста путем генерации мысленных образов, активизирует память, профессиональный опыт мастера печи и позволяет, тем самым, более полно охватить всю совокупность факторов и явлений доменного процесса при его диагностике.

В итоге возрастает степень компетентности решений по управлению доменной плавкой в условиях недостатка оперативной информации.

2.3.1. Физическая постановка и математическая формулировка задачи диагностики доменного процесса Физическая постановка задачи диагностики заключается в следующем. Доменный процесс рассматривается как непрерывный во времени ряд технологических ситуаций (ТС). Каждая ТС описывается набором понятий (например, периферийный, центральный, оптимальный поток и т.п.), которые использует мастер, технолог печи для качественной оценки и управления распределением материалов и газов по радиусу шахты и горна. Требуется произвести классификацию ТС по эталонам возможных радиальных распределений потоков и определить на основе имеющейся технологической информации, к какому эталону относится текущий вариант ТС.

Таким образом, в отличие от известных математических формулировок задачи о движении материалов и газов в шахтных печах, в данной работе предусмотрено, что моделируется не сам доменный процесс, а действия «идеального» мастера или технолога печи, как лица принимающего решения (ЛПР) по результатам диагностики.

В этом случае математическая формулировка задачи о диагностике распределения материалов и газов в доменной печи включает в себя описание модели ТС в виде упорядоченного множества, содержащего как наиболее влияющие на распределение, так и зависящие от него параметры:

ТС = <КЭД, СИГ, ПРК, Т> (2.3.1) Компоненты множества обозначены следующим образом:

КЭД – кинетическая энергия комбинированного дутья;

СИГ – степень использования газа;

ПРК – приведенный расход кокса;

Т – время.

Таким образом, ТС представлена вектором в пространстве состояний доменной печи. В фиксированный момент времени T = I, TCi описывается этим вектором с проекциями на оси координат, ПРКi, КЭДi, СИГi, представляя собой текущий образ ТС.

Классификация ТС составляется на основе типовой технологической инструкции по доменному производству путем выделения из общего множества векторов состояний определенных эталонов, характеризующих возможные варианты качественного распределения материалов и газов.

Число эталонов, равное девяти, определяется путем расчета разноименных сочетаний трех видов распределений (центральное (Ц), оптимальное (О), периферийное (П)) для двух фаз: газа и материала. Образы этих эталонов, рекомендуемые для восприятия ЛПР, приведены на рис. 2.3.1.

Следовательно, решение задачи диагностики заключается в определении искомого вектора ТСi и оценке принадлежности этого вектора к одному из принятых эталонов.

Методика определения вектора TCi предусматривает разделение его проекций на множества, которые математически описывают понятия, привычно используемые ЛПР для текущей характеристики технологических факторов. Набор этих понятий соответствует количеству переменных состояний, безизбыточному и достаточному для однозначной идентификации всех эталонов при решении задачи в ее трехмерной постановке:

КЭД = (ВСК, ОПТ, НЗК);

СИГ = (ВСК, ПВШ, ПНЖ, НЗК);

ПРК = (ВСК, ПВШ, ПНЖ, НЗК), (2.3.2) где ВСК, ПВШ, ПНЖ, НЗК, ОПТ – лингвистические переменные «высокий», «повышенный», «пониженный», «низкий», «оптимальный» соответственно;

= – равно по определению;

, – операция квантификации для трех и четырех 1 множеств соответственно.

2.3.2. Определение параметров нейронной модели Вид функций (2.3.2) определяется экспертным методом. В данном случае использовали результаты компьютерного опроса мастеров и технологов - экспертов, которые указали для выбранной доменной печи наиболее вероятное, по их мнению, распределение численных значений КЭД, СИГ и ПРК внутри каждого из диапазонов, т.е. ВСК, ОПТ, НЗК и т.д. Таким образом, учитывались нечеткий характер информации, коллективный опыт работы персонала и конкретные особенности технологии доменной плавки. В результате построили нормированные амплитудные характеристики моделирующих нейронов-дискретизаторов, которые определяли их степень возбуждения (СВ), т.е. выходной сигнал в зависимости от силы входного сигнала, например, компонентов КЭД, ПРК (рис. 2.3.2, 2.3.3).

СВ, доли 0,0,0,0,КЭДх104, кДж/ч 26 28 30 32 34 36 38 40 НЗК ОПТ ВСК Рис. 2.3.2. Амплитудная характеристика для компонентов КЭД СВ, доли 0,0,0,0,ПРКх10-4, кг.т./чуг.

44 45 46 47 48 49 50 51 НЗК ПНЖ ПВШ ВСК Рис. 2.3.3. Амплитудная характеристика для компонентов ПРК Для диагностики ТС была разработана нейронная модель, топология которой представлена на рис. 2.3.4. Модель состояла из трех слоев нейронов.

Первый слой вычислял нормированные сигналы, пропорциональные компонентам КЭД, СИГ и ПРК на основе текущей информации, поступающей с доменной печи. Второй слой нейронов выполнял функции дискретизации при моделировании лингвистических переменных. Третий, выходной слой нейронов, идентифицировал принадлежность ТС к одному из эталонов.

Преобразование информации моделью рассмотрено ниже на примере нейронов-идентификаторов. Каждый нейрон представлял собой сумматор, на вход которого подавались через связи сигналы, пропорциональные СВ нейронов-дискретизаторов. СВ нейрона усиливалась, если на его вход поступал положительный сигнал (+) и, наоборот, уменьшалась, если входной сигнал был отрицательным (-). В соответствии с общим числом лингвистических переменных, равным в модели 11, на вход каждого нейрона-идентификатора подходило 3 положительных и 8 отрицательных связей. Набор положительных связей определялся видом эталона и был установлен при классификации ТС (см. рис. 2.3.1).

Текущая СВ нейронов рассчитывалась по известным правилам суммирования воздействий при имитации процесса диагностики в экспертных системах [19]:

- для положительных связей:

CB(+) = CB (+) + CB (+) + CB (+) CB (+) ; ( 2.3.3) 1 2 1 - для отрицательных связей:

CB(-) = CB (-) + CB (-) + CB (-) CB (-) ; ( 2.3.4) 1 2 1 - для противоположных по воздействию связей:

CB(+) + CB(-) CB = 1 - min{CB(+), CB(+)}. ( 2.3.5) Идентификация текущей ТС производилась нейронной моделью по максимальному значению СВ, которую приобретал только один из девяти выходных нейронов-идентификаторов.

Проверку адекватности нейронной модели произвели путем сопоставления результатов идентификации распределения материалов и газов с экспериментальными данными, полученными методом горизонтального зондирования на двух горизонтах во время исследования доменных печей. Для этого использовали информацию о радиальном распределении рудной нагрузки и скоростей газов на доменной печи объемом 1370м3. Радиальные измерения проводились во время отработки технологии плавки при содержании в рудной части шихты: 100% неофлюсованных окатышей; 30% окатышей и 70% агломерата; 100% офлюсованного агломерата. Кроме этого, использовались замеры на доменной печи объемом 2013м3, при ее работе с различным количеством и диаметром воздушных фурм. По результатам более 300 диагностических решений установили, что степень правильной идентификации ТС нейронной моделью превышала 75...80% от общего числа ТС, предъявленных для диагностики. Это показало возможность диагностики распределения материалов и газов в доменной печи с помощью нейронной модели с точностью, достаточной для практического использования.

Адаптация модели заключалась в коррекции амплитудных характеристик нейронов в зависимости от условий доменной плавки и профессионального опыта персонала. Для этого использовали усредненные за недельный период технологические параметры, а затем по ним уточняли диапазоны изменения компонентов КЭД, СИГ, ПРК и вид амплитудных характеристик нейронов-дискретизаторов, при которых экспертами однозначно выбирался нужный эталон распределения.

2.3.3. Применение разработанной нейромодели доменной печи Разработанный метод был применен для диагностики распределения материалов и газов в доменной печи объемом 1513м3 ОАО “НТМК”.

Рассмотрены 12 недельных периодов ее работы в январе - марте 1995 г. Для иллюстрации выбраны характерные периоды 15.01.95-21.01.95, 15.02.95-21.02.95, 07.03.95-13.03.95, в которых имели место центральное, оптимальное и периферийное распределение материалов в шахте и горне доменной печи.

Основные технологические показатели и результаты диагностики доменной плавки в этих периодах приведены в табл. 2.3.1. Например, в опытный период 07.03.95-13.03.95, при работе печи с приведенным расходом кокса, равным 471кг./т.чуг., были получены СВ нейронов, численно равные 0,99 для положительной связи и соответственно 0,48, 0,43 и 0,19 - для отрицательных связей (см. рис. 2.3.4). Согласно формулам (2.3.3) - (2.3.5), общая СВ нейрона-идентификатора от компонента ПРК для переменной ПНЖ составила 0,954. Такой же порядок численных значений СВ имел место и для других компонентов. Этот пример свидетельствовал о достаточной надежности диагностики с помощью нейронной модели, которая уверенно идентифицировала фактические распределения материалов и газов в рассмотренные опытные периоды и отнесла эти распределения к 3, 6 и 7 эталонам ( см. табл. 2.3.1).

Кроме рассмотренного примера нейронная диагностика была использована для оптимизации расходов природного газа и кислорода в комбинированном дутье группы доменных печей и прогнозирования снижения расхода кокса в условиях ОАО “ММК”. С ее помощью еженедельно проводилась идентификация преобладающего характера газового потока (Ц, О, П) на печах в целом и фиксировалось текущее значение КЭД, приведенное по аналогии с расходом кокса, к одинаковым условиям работы печей (рис. 2.3.5).

При отклонениях газораспределения от оптимального, производились расчеты и выдавались рекомендации на коррекцию расходов природного газа и кислорода, изменения числа и диаметра работающих воздушных фурм.

Например, на доменных печах, объемом 2013 м3, увеличили число воздушных фурм с 20 до 25 шт. и последовательно уменьшили их диаметр - сначала со 180 до 160, а затем и до 150 мм. Одновременно произвели коррекцию режима загрузки, увеличив долю подачи типа КРРК.

С целью прогноза построили изменение усредненного значения КЭД во времени (см. рис. 2.3.5). Усредненное значение находили методом цифровой обработки, что позволило определить целесообразность стратегического снижения общего уровня интенсивности комбинированного дутья на доменных печах АО “ММК” на 25%.

Таблица 2.3. Основные технологические параметры доменной печи № 3 АО НТМК при диагностике вида распределения материала и газа в доменной печи Период № Наименование показателей 15.01- 15.02- 07.03- п/п 21.01.95 21.02.95 13.03.Производительность,т чуг./сут.

1 2518,0 2695,0 2409,Расход кокса, кг/т чуг.

2 472,0 467,0 492,Расход агломерата, кг/т чуг.

3 786,0 851,0 773,Расход окатышей, кг/т чуг.

4 919,0 849,0 992,Расход дутья, м3/мин 5 2871,0 2722,0 2680,Давление горячего дутья, атм.

6 2,36 2,34 2,Температура дутья, град. С 7 1142,0 1146,0 1124,Расход природного газа, 8 110,0 101,0 97,м3/т чуг.

Содержание кислорода в дутье, 9 22,70 22,75 22,% Содержание кремния в чугуне, 10 0,190 0,160 0,% Содержание СО в колошн. газе, 11 21,30 22,10 20,% Содержание СО2 в колошн. газе, 12 19,0 17,2 17,% Содержание железа в шихте, % 13 57,52 57,44 57,КЭД, Кдж/час 268000,0 329300,0 390000,(НЗК) (ОПТ) (ВСК) ПРК, кг/т чуг.

451,0 471,15 475,0 (ПНЖ) (НЗК) (ПНЖ) СИГ, доли 0,4715 0,4377 0,(ПВШ) (ПНЖ) (ПВШ) Выход на эталоны (рис. 2.3.1) 3 6 Рис. 2.3.5. Изменение во времени значения оптимальной кинетической энергии (КЭД) для доменных печей АО “ММК”: Ц, О, П - центральное, оптимальное, периферийное газораспределение в горне соответственно;

оптимальное значение КЭД;

текущее значение КЭД;

усреднённое значение КЭД методом цифровой фильтрации.

Практическим результатом такого снижения явилась реализация резервов экономии удельного расхода кокса порядка 20 кг/т чугуна.

Возможность повышения точности нейронной диагностики обусловлено увеличением размерности рассмотренной модели (2.3.1) и числа эталонов. Однако практическая реализация этой возможности в настоящее время ограничена количеством амплитудных характеристик нейронов, которое может уверенно описать технологический персонал доменной печи без повышения своей квалификации.

Таким образом, методика диагностирования распределения материалов и газов в доменной печи с помощью нейронной модели позволяет на основе текущей типовой технологической информации надежно определять вид этого распределения и дать рекомендации по его совершенствованию. Это повышает эффективность управления пара-метрами комбинированного дутья и режимами загрузки, что в итоге приводит к экономии кокса.

2.4. Нейроробот “ПАРТНЕР МАСТЕРА” для управления комбинированным дутьём доменных печей Современные информационные технологии могут превратить персональный компьютер в достаточно эффективное устройство - нейроробот для управления параметрами комбинированного дутья доменных печей. Разработанное для этой цели программное обеспечение способно решать две основные задачи по управлению доменным процессом: 1 - снижение удельного расхода кокса и повышение произво-дительности; 2 – повышение эффективности использования природного газа или топливных добавок к дутью.

Нейроробот предназначен для регулярного использования технологами, мастерами доменных печей и может быть реализован на любом компьютере, класса Р-II и выше, имеющемся в их распоряжении. Данный нейроробот также легко встраивается в существующие АСУ ТП доменными печами, превращая их в гибридные системы управления.

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 13 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.