Анализ современных направлений повышения эффективности процесса непрерывной разливки стали

Введение

Важнейшей проблемой, стоящей перед отечественной металлургией, является повышение эффективности производства и коренное улучшение качества выпускаемой металлопродукции. В области непрерывной разливки стали это, прежде всего, создание современных конкурентоспособных МНЛЗ, расширение типоразмерного и марочного сортамента непрерывнолитой заготовки, по форме и профилю близкой к конечной продукции и обеспечение гарантированного качества металла при наименьших затратах по переделу. Разработка комплекса мер по реализации поставленной задачи требует решения широкого спектра вопросов, включающих в себя исследование роли и регламентацию характеристик процесса во всем значимом диапазоне изменения конструктивных и технологических параметров МНЛЗ. На базе всестороннего исследования влияния технологических и конструктивных параметров процесса на его эффективность необходимо разработать комплексный базовый регламент производства бездефектной непрерывнолитой заготовки, обеспечивающий воспроизводимость достигаемых результатов в условиях различных комбинаций параметров. Системная регламентация конструктивных и технологических факторов процесса, исследование их взаимосвязи и ранжирование допустимых диапазонов изменения позволит создавать конкурентоспособные МНЛЗ на базе обоснованных технологических заданий (ТЛЗ) на их проектирование и строительство, а также разработать типовую технологическую инструкцию на промышленную реализацию технологии получения непрерывнолитой заготовки заданного качества. Процесс создания современных конкурентоспособных МНЛЗ требует постоянного совершенствования методов прогноза получаемых результатов и теоретического анализа эффективности принимаемых технологических и технических решений. Прорыв в области разработки передовых технологий и конструктивных решений в непрерывной разливке невозможен без математического моделирования процесса на базе современных средств вычислительной техники. За последние годы на ряде отечественных и зарубежных УНРС введен контроль качества литых заготовок, позволяющий в ряде случаев приблизиться к созданию систем управления качеством. Как правило, автоматизированный контроль направлен на своевременное выявление дефектов поверхности и реже на определение дефектов макроструктуры. Поверхностные и внутренние-дефекты возникают в непрерывнолитых слитках по целому ряду причин, которые нередко комбинируются и усиливают взаимодействие друг друга. Часть таких причин связана с недостатками в работе УНРС: износ и механическая несоосность оборудования, неадекватная конусность кристаллизатора и т.д. В то время как другие причины связаны с особенностями химического состава разливаемых сталей, их прочностныими и пластическими характеристиками или теплофизическими условиями затвердевания слитков. Для исключения возможности образования дефектов, обусловленных характером работы УНРС, требуется анализ влияния металлургических факторов на качество непрерывнолитых слитков. Последнее не может быть реализовано без существенного совершенствования методов и средств, позволяющих в автоматическом режиме получать, накапливать и обрабатывать информацию о влиянии технологических параметров процесса непрерывной разливки стали на качество непрерывнолитых заготовок и готовой продукции. Одним из важнейших современных направлений развития и совершенствования непрерывной разливки стали является установление непосредственной связи между УНРС и станами горячей прокатки путем «горячего посада» или «прямой прокатки», что позволяет существенно сократить расход энергии, а длительность цикла производства при «горячем посаде» сократить ~ в 3 раза, а при «прямой прокатке» ~ в 10 раз. Однако на настоящее время не существует такой технологии, которая гарантировала бы получение достаточно высококачественных заготовок. Практическая реализация «горячего посада» или «прямой прокатки» возможна только при условии оснащения УНРС автоматизированной системой контроля качества непрерывнолитых заготовок, способной в режиме реального времени без дополнительной проверки и обработки определять в горячем слитке наличие дефектов, недопустимых для дальнейшей прокатки. Существует два основных подхода к созданию автоматизированной системы контроля качества заготовок. Первый подход связан с созданием аппаратурных дефектоскопов, способных определять наличие дефектов в заготовке при температурах поверхности порядка 800-1000°С, а второй базируется на использовании математических моделей, устанавливающих взаимосвязи между параметрами процесса разливки, характеризующими условия формирования заготовки и бальными оценками дефектов. Эти подходы не исключают друг друга, совместное их использование в практике непрерывной разливки значительно повысит ее эффективность. Особое внимание уделено второму подходу, ввиду появления в последние годы совершенно новых методов решения многофакторных задач, называемых системами искусственного интеллекта или нейронными сетями. Они находят успешное применение в самых различных областях - бизнесе, медицине, технике, геологии, физике и т.д. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Нейронные сети применимы практически в любом многофакторном процессе, когда существует причинно-следственная связь между переменными-предикторами (входами) и прогнозируемыми переменными (выходами), даже если эта связь имеет очень сложную природу, которую обычно трудно выразить в терминах корреляций и различий между рассматриваемыми группами параметров. Использование нейронных сетей, как и применение методов математической статистики, требует предварительной систематизации и накопления базы данных большого объема, состоящих из отдельных записей, каждая из которых включает в себя значения технологических или конструктивных параметров УНРС с возможностью увязки по ключевым полям с базами данных смежных переделов от сырья до реализации готовой продукции.. Энерго - и материапосбережение являются одним из основных направлений развития современной металлургической технологии, поскольку повышают конкурентоспособность металлопродукции. Вопросы управления качеством непрерывнолитой заготовки рассматриваются в аспекте номинальных расходов основных материалов и энергоресурсов. Глава 1. Анализ современных направлений повышения эффективности процесса непрерывной разливки стали (НРС) 1.1. Информационная интеграция процесса непрерывной разливки стали в управление качеством готовой продукции и СУБД производства Внедрение систем глобальной информационной интеграции производства, направленных на минимизацию затрат и обеспечение качества выпускаемой продукции, обеспечивает наибольшую эффективность в интеграции с процессами Concurrent Engineering в локальных доменах корпоративной сети предприятия на базе единого информационного пространства. В настоящее время технология моделирования и анализа достаточно формализована. Для разработки функциональных моделей процессов рекомендовано использовать методологию и нотацию SADT, регламентированную под названием IDEF0 федеральным стандартом США FIPS 183 и официально принятую в РФ. Анализ опыта внедрения и эксплуатации на российских предприятиях ERP-систем, относящихся к категории тяжелых (от класса R/3 SAP AG и др.), показал необходимость детальной предварительной проработки концепции и реинжиниринга всей системы управления предприятием. Возникающие организационные и методологические проблемы сдерживают эффективное использование автоматизированных систем, они быстро морально стареют и, с учетом современных тенденций развития вычислительной техники и информационных технологий, делают дальнейший upgrade их ядра и логистику бесперспективными. В настоящее время на российском рынке появились технические средства современной платформы и архитектуры для автоматизации технологических процессов. Они обладают достаточной надежностью, не требуют больших эксплуатационных затрат, на порядок дешевле предлагаемых комплектных поставок по импорту и в соответствии с введенным в РФ статусом государственных международных стандартов ISO 10303 (ГОСТ Р ИСО 10303 -К45) поддерживают Business Processes Reengineering, Workflow Management, Manufacturing Resource Planning, Quality Management, Integrated Logistic Support, Product Data Management. Как правило, на металлургических комбинатах в России на уровне участков и цехов уже внедрены локальные системы класса MRP II (Manufacturing Resource Planning) и ERP (Enterprise Resource Planning), соответствуют стандарту ISO/IEC 238-24 или осуществляется их модернизация для совмещения стандартов и форматов с глобальной интегрированной системой. Обслуживающий персонал обладает достаточной квалификацией для внедрения компьютерного 10 моделирования на базе самых современных достижений в области информатики, нейро - и геноинформатики. Быстро внедряются в промышленность системы искусственного интеллекта (MIQ- Machine Intelligent Quotient). Поскольку и способность, и сложность модульных систем искусственного интеллекта существенно возросли, для того, чтобы применять их во взаимодействии и в более гибких интегрированных системах, необходимо понимать принципы, в которых такие модули задуманы, для чего предназначены, как изготовлены. В частности, при проектировании систем для сложных динамических процессов есть особые требования, связанные со сложностью и неуверенностью в информационной среде, к которым обычно не апеллирует обычная теория систем. Имея дело с такими особенностями информационной среды, система часто прибегает к человекоподобному рассуждению и принятию решения с привлечением изучения прошлого опыта и использованием эвристики. Изучение опыта требуется, когда сложность задачи или неуверенность в информационной среде исключает априорную спецификацию удовлетворительного решения. Степень эффективности решения нарастает при накоплении информации о процессе, использование которой для расчета лучшего решения осуществляется в динамике протекания самого исследуемого процесса. Интеллектуальные технологии базируются на автоматизированном многофакторном анализе информационной среды. Управление единым организмом металлургического предприятия не может эффективно функционировать без единой информационной среды. Репозиторий предприятия должен интегрировать объектно-ориентированные и реляционные СУБД. Структура базы данных непрерывной разливки должна предусматривать возможность использования современных достижений и теоретических разработок в области интеллектуальных систем, реляционную увязку по ключевым полям с базами данных внепечной обработки стали, сталеплавильного и аглодоменного производств, возможность отслеживать металл от сырья до реализации готовой продукции, а также динамику его эксплуатационных свойств у потребителя [1]. Это особенно актуально, поскольку на настоящее время для непрерывной разливки не разработано сколь либо унифицированных обобщенных теоретических моделей, увязывающих качество непрерывнолитой 11 заготовки с параметрами разливки и свойствами подаваемого на разливку жидкого металла, трансформацией его качества на последующих переделах. Для оценки дефектов заготовки обычно используются номинальные переменные без количественных характеристик и без увязки этих переменных с параметрами («историей») происхождения металла, а также логистикой дальнейшего жизненного пути. 1.2. Применение интеллектуальных технологий в непрерывной разливке стали. Природа процессов разливки стали сложна, изменчива и нелинейна, что по современным представлениям предопределяет использование интеллектуальных систем [2]. Под интеллектуальными системами, прежде всего, понимают искусственные нейронные сети, которые строятся по принципам организации и функционирования их биологических аналогов. Сети эмулируют из большого числа очень простых элементов - нейронов, организованных в регулярные слои. Каждый из нейронов берет взвешенную сумму входных сигналов и в случае, если суммарный вход превышает определенный пороговый уровень, дальше передает двоичный сигнал. Они способны решать практически любые многофакторные задачи - распознавания образов, идентификации, оптимизации, прогнозирования и управления сложными объектами. Дальнейшее повышение производительности и эффективности моделирования сложных производственных процессов все больше связывают с нейрокомпьютерами [3]. В качестве универсальных пакетов прикладных программ для построения нейронных сетей следует отметить Neural Networks Toolbox, Statistica Neural Networks, Neur

oSolution, NeuroStock, NeuralCAD, NeuroPro, NeuroShell и др. Помимо средств взаимодействия с операционной системой Windows (OLE) нейропакеты обычно снабжаются генератором исходного кода и позволяют использовать внешние модули при создании и обучении нейронной сети, поддерживают программы C++ для компиляторов Visual C++ , а также в виде DLL-кода. Программные пакеты обеспечивают эффективную поддержку проектирования, обучения и моделирования множества известных сетевых парадигм, от базовых моделей многослойного персептрона до самых современных ассоциативных и 12 самоорганизующихся сетей. Нечеткие нейронные сети имеют архитектуру ANFIS (Adaptive Neuro-Fazzy Inference System). Аппарат нечетких множеств и нечеткой логики применяется для решения задач, в которых исходные данные являются ненадежными и слабо формализованы. Математическая теория нечетких множеств позволяет описывать нечеткие понятия и знания, оперировать этими знаниями и делать нечеткие выводы. Нечеткое управление оказывается особенно полезным, когда исследуемые процессы являются слишком сложными для анализа общепринятыми методами, или доступные источники информации интерпретируются качественно, неточно, неопределенно или в лингвистической форме номинальными переменными. Нечеткая логика, представляющая эффективные средства отображения неопределенностей и неточностей реального мира, на которой основано нечеткое управление, ближе к человеческому мышлению и естественным языкам, чем традиционные логические системы. В 1992 г. Wang показал, что нечеткая система является универсальным аппроксиматором, т.е. может аппроксимировать любую непрерывную функцию с произвольной точностью. [4]. Принцип работы и основные направления эффективного использования нейронных сетей В качестве примера приведем принцип действия простейшей нейронной сети (многослойного персептрона) с обучением по методу обратного распространения ошибки (Neural Network - Multi-Layer Perceptron - with Back Propagation Training Algorithm) [5]. Алгоритм обратного распространения - это итеративный градиентный алгоритм, который используется с целью минимизации среднеквадратического отклонения текущего выхода многослойного персептрона и требуемого выхода. Он используется для обучения многослойных нейронных сетей с последовательными связями. Нейроны в таких сетях делятся на группы с общим входным сигналом - слои. На каждый нейрон первого слоя подаются все элементы внешнего входного сигнала (вектор входных параметров). Все выходы нейронов q-ro слоя подаются на каждый нейрон слоя (q+1). Нейроны выполняют взвешенное суммирование входных сигналов. К сумме элементов входных сигналов, помноженных на соответствующие синаптические веса, прибавляется 13 смещение нейрона. Над результатом суммирования выполняется нелинейное преобразование - функция активации (передаточная функция). Значение функции активации - выход нейрона. Тип передаточной функции чаще всего сигмоидальный. В нейронных сетях применяются разные варианты сигмоидальных однопараметрических и многопараметрических передаточных функций (функция Ферми, рациональная сигмоида, гиперболический тангенс -являются монотонно возрастающими и имеют отличные от нуля производные на всей области определения). Характеристики передаточной функции должны обеспечивать правильное функционирование и обучение сети. Функционирование многослойного персептрона осуществляется в соответствии с формулами: ',-¦ i4 =,...,N4, m = ,...q,...L, где s - выход сумматора, w - вес связи, у - выход нейрона, b - смещение, i - номер нейрона, N - число нейронов в слое, m - номер слоя, L - число слоев, f - функция активации. Для настройки весовых коэффициентов используется рекурсивный алгоритм, который сначала применяется к выходным нейронам сети, а затем проходит сеть в обратном направлении до входного слоя. Синаптические веса настраиваются следующим образом: Wijfl+1) = v,j(t) + tjSjXi, где Wij(t) - вес от нейрона i или от элемента входного сигнала i к нейрону j в момент времени t; xj - выход нейрона i или i-й элемент входного сигнала, ц -коэффициент скорости обучения; 5j - значение ошибки для нейрона j. Если нейрон с номером j принадлежит выходному слою: где dj, yj - соответственно требуемый и текущий выход j-ro нейрона. Если j-й нейрон принадлежит одному из слоев с первого по предпоследний: д} =xJ(-xJ)YdSkyJk, 14 где j-й нейрон принадлежит предыдущему слою, а индекс к пробегает все нейроны последующего слоя. Смещение нейронов b настраивается аналогично. Классический метод обратного распространения относится к алгоритмам с линейной сходимостью. Увеличения скорости сходимости достигают использованием матриц вторых производных функции ошибки. В многослойных нейронных сетях оптимальные выходные значения нейронов всех слоев, кроме последнего, как правило, неизвестны. Трех- или более слойный персептрон уже невозможно обучить, руководствуясь только величинами ошибок на выходах сети. Один из вариантов решения этой проблемы - разработка наборов выходных сигналов, соответствующих входным, для каждого слоя нейронной сети, что, конечно, является очень трудоемкой операцией и не всегда осуществимо. Второй вариант - динамическая подстройка весовых коэффициентов синапсов, в ходе которой выбираются, как правило, наиболее слабые связи и изменяются на малую величину в ту или иную сторону, а сохраняются только те изменения, которые повлекли уменьшение ошибки на выходе всей сети. Очевидно, что данный метод, несмотря на кажущуюся простоту, требует громоздких рутинных вычислений. И, наконец, третий, более приемлемый вариант - распространение сигналов ошибки от выходов нейронной сети к ее входам, в направлении обратном прямому распространению сигналов в обычном режиме работы. Этот алгоритм обучения получил название процедуры обратного распространения ошибки (error back propagation). На Рис. 1 приведена простейшая нейронная сеть (двухслойный персептрон) с п входами - Х),Х2,Хз... Хп и двумя выходами - Yi и Y2. Спой 2 Рис. 1. Двухслойный персептрон. 15 В зависимости от архитектуры сетей применяют различные методы их обучения - коррекция ошибки, правило Больцмана, метод Хебба, метод соревнования, линейный дискриминантный анализ, проекции Саммона, метод главных компонент и др. Выбор метода обучения определяется информационной средой и условиями задачи, которую нейронная сеть должна решать. В настоящее время с развитием концепции нейронных сетей, нечеткой логики, теории нечетких множеств, геноинформатики и иммуноинформатики интеллектуальные технологии существенно лидируют в промышленности, включая в себя следующие направления: нечеткие множества; генетические алгоритмы; эволюционное вычисление; теорию хаоса; искусственный интеллект; моделирующие системы; вероятностное рассуждение; изучение принципов механизма; изучение алгоритмов интеллектуального управления; распознание образца и понимание образа; самоорганизацию сложных систем; нечеткие базы данных; нечеткий информационный поиск и т.д. Нейронные сети нелинейны и представляют собой исключительно мощный механизм моделирования и воспроизводства чрезвычайно сложных многофакторных процессов, где линейная аппроксимация работает плохо. Кроме того, нейронные сети справляются с «проклятием размерности» в случае большого числа факторов. Они нашли широкое применение в мировой и отечественной металлургии. Области, в которых уже эффективно используются интеллектуальные технологии, достаточно разнообразны. В качестве примеров успешного использования интеллектуальных технологий в черной металлургии приведем следующие[6]: оптимизация разогрева коксовых батарей; прогноз изменения содержания кремния в чугуне в процессе доменной плавки; прогноз изменения содержания водорода в вакууматоре; контроль лазерной сварки труб, проверка качества сварных швов; обнаружение скрытых дефектов в рельсах; оптимизация горячей прокатки и контроль деформации заготовки при прокатке; планирование сокращения допусков прокатных станов; моделирование технологии холодной прокатки; контроль изменения температуры полосы при горячей прокатке; контроль толщины покрытия в линии гальванизации металла; моделирование затвердевания в непрерывнолитой заготовки; контроль уровня металла в промежуточном ковше при непрерывной разливке и т.д. 16 Очевидно, что задачи, уже решаемые искусственными нейронными сетями, являются типичными для процесса непрерывной разливки стали. В области непрерывной разливки необходимо максимально использовать достигнутый на сегодняшний день опыт применения нейронных сетей в промышленном производстве. К сожалению, в непрерывной разливке использование их только еще начинается. Приведем некоторые из единичных примеров в мировой практике. В Италии (Danieli Automation), внедрены два варианта применения нейронных сетей для управления процессом непрерывной разливки. В первом варианте нейронная сеть представляет систему обнаружения уровня металла и затем контроллер с нечеткой логикой на этой основе его выравнивает [7]. В другом варианте при непрерывной разливке металла в сляб, сохранение устойчивого уровня металла обеспечивает необходимое качество поверхности заготовки. Используя обычные методы, было бы трудно достигнуть точного управления уровнем металла из-за нелинейных характеристик процесса. Модель нейронной сети, обученная на основе временного ряда входных параметров, управляет стопором посредством интеллектуального контроллера в главной цепи управления [8]. Фирма Siemens использует эти типы контроллеров для расчета температуры непрерывнолитого сляба, усилия вытягивания и моделирования скорости вытягивания при непрерывной разливке на заводе Hoesch, Дортмунд. Nippon Steel для автоматического управления скоростью вытягивания и размером сечения также применяет нечеткую модель процесса [9]. Для предсказания температуры и управления зоной первичного охлаждения установлена основанная на обратном распространении нейронная сеть. Пилотная модель контроля открытой зоны первичного охлаждения построена на основе T-S нечеткой нейронной сети. Разработана новая улучшенная структура T-S нечеткой нейронной сети с использованием нечеткого управления первичной зоной охлаждения с контролем точности по обратной связи [10]. Во многих областях использования нейронные сети обучены идентифицировать возможные скрытые дефекты металла, распознавая показания ультразвуковых датчиков [11]. При затвердевании непрерывнолитой заготовки, нейронная сеть используется для моделирования эффектов и параметров затвердевания и предназначена для управления их переменной реакцией в течение процесса разливки [12]. 17 Как видно из приведенных примеров, использование нейронных сетей при непрерывной разливке металла ограничивается локальными параметрами процесса, что является существенным недостатком для достижения наиболее эффективных показателей разливки. Для исключения этих недостатков должна быть предусмотрена соответствующая структура базы данных и систематизированы основные параметры многофакторного технологического процесса разливки. Понижение размерности. Каждый дополнительный параметр процесса (входной элемент сети) - это новая размерность в пространстве данных. Чтобы распознать структуру взаимосвязи параметров в многофакторном процессе требуется большое количество экспериментальных данных. Необходимое число экспериментальных данных быстро возрастает с ростом размерности пространства, как 2N для большинства методов анализа, где N - количество параметров процесса (размерность пространства данных). Самый распространенный метод понижения размерности, который широко используется в системах управления непрерывной разливки стали, метод анализа главных компонент (АГК). Метод состоит в следующем: к данным применяется линейное преобразование, при котором направлениям новых координатных осей соответствуют направления наибольшего разброса исходных данных. Как правило, уже первая компонента отражает большую, часть информации, содержащейся в экспериментальных данных. Очень часто метод АГК выделяет из многомерных исходных данных совсем небольшое количество компонент, сохраняя при этом структуру информации. Нейронные сети позволяют реализовать варианты «нелинейного АГК», основанные на автоассоциативной памяти. Обычно в качестве автоассоциативной сети используют многослойный персептрон с тремя промежуточными слоями. При этом средний слой отвечает за представление данных в малой размерности, а два других скрытых слоя служат для нелинейного преобразования входных данных в средний слой и выходов среднего слоя в выходной слой.