МНОГОУРОВНЕВОЕ РЕСУРСОСБЕРЕГАЮЩЕЕ УПРАВЛЕНИЕ ДОМЕННЫМ ПРОЦЕССОМ

Татьяна Александровна Барбасова

Аннотация


Рассмотрены вопросы построения многоуровневого ресурсосберегающего управления доменным процессом. Ресурсосберегающее управление целесообразно выполнять на основе внедрения автоматизированной системы для оперативного, адаптивного и технико-экономического управления доменным процессом.

На уровне адаптивного управления целесообразно осуществлять формирование оптимальных режимов работы доменных печей по нагреву печей, структуре металлошихты, расходу природного газа, кислорода с учетом текущих и планируемых параметров качества кокса, железорудного сырья, дутья. Определение режимов работы доменной печи предлагается осуществлять на основе нейронных сетей Кохонена.

На уровне оперативного управления в работе предложен метод модельно-упреждающего управления, повышающий показатели эффективности использования ресурсов. Метод основан на декомпозиции общей задачи определения динамических характеристик сложных технологических процессов на частные задачи динамической синхронизации и идентификации передаточных свойств. Для решения сложных задач идентификации предложено использовать искусственные нейронные сети.

При оценке эффективности введения модельно-упреждающего управления необходимо исходить из существующей реальной статистики разброса режимных параметров доменного процесса. Дело в том, что введение модельно-упреждающего управления не предполагает коренной смены технологии доменной плавки. Как и во всех системах управления, здесь доменный процесс рассматривается как заданный объект управления со всеми своими характеристиками. Изменение уставок процесса, состава сырья не вносит кардинального изменения в разброс характеристик процесса. Однако при этом возникает переходный процесс, необходимый системе управления для идентификации изменившихся условий. Переходный процесс присущ всем системам управления, и доменный процесс не является исключением. В результате переходного процесса система управления настраивается на оптимальный режим.


Ключевые слова


доменный процесс, оптимизация доменного процесса, самоорганизующиеся карты, нейронные сети Кохонена, кластерный анализ, U-матрица, модельно упреждающее управление

Полный текст:

PDF (English)

Литература


Tovarovsky I.G. [Regulatory assessment of the blast furnace parameters influence on the coke consumption and productivity]. Steel, 2014, vol. 5, pp. 4–11. (in Russ.)

Tovarovskiy I.G. Domennaya plavka: monogr. [Blast furnace melting. Monograph]. 2nd ed. Dnepropetrovsk, Porogi Publ., 2009. 768 р.

Tovarovskiy I.G. Sovershenstvovaniye i optimizatsiya parametrov domennogo protsessa [Impro¬vement and optimization of the blast furnace process parameters]. Moscow, Metallurgiya Publ., 1987. 196 p.

Spirin N.A., Lavrov V.V., Parshakov S.I., Denisenko S.G. Optimizatsiya i identifikatsiya tekhnologicheskikh protsessov v metallurgii [Optimization and identification of processes in metallurgy]. Ekaterinburg, UGTU-UPI, 2006. 307 р.

Suchkov A.V., Lisienko V.G., Suchkov V.A. Sovershenstvovaniye upravleniya mnogomernym tekhnologicheskim ob”yektom na primere domennoy pechi [Improvement of multidimensional technological control on blast furnace: case study]. Ekaterinburg, UrFU, 2012. 126 р.

Wen X., Cao H., Hon B., Chen E., Li H. Energy Value Mapping: A Novel Lean Method to Integrate Energy Efficiency into Production Management. Energy. DOI: 10.1016/j.energy.2020.119353

Kule J. Blast Furnace Model Development and Application in the British Steel Corporation. Proc. Conf., Univ. Surrey. Sept. 11th – 13th. 1979. London, 1980, pp. 403–415.

Sasaki M., Ono K., Suzuki A. Formation and Melt-down of Softening-Melting Zone in Blast Furnace. Trans. of the Iron and Steel Inst. Jap., 1977, vol. 17, no. 7, pp. 391–400.

Burgess J.M., Jenkins D.R., Hockings K.L. Analysis of Blast Furnace Pressure Tappings, using a Cohesive-zone Gas-distribution Model. Ironmakinf and Steelmaking, 1984, vol. 11, no. 5, pp. 253–261.

Kumar S.A., Suresh N. Production and Operations Management. New Age International (P) Ltd., 2009. 284 p.

Yagi J. Mathematical Models of the Blast Furnace Process. Tetsu-to-Hagane, 1983, no. 10, pp. 1242–1249.

Sugiama T., Yagi J.,Omori Y. A Theoretical Analisis on Gas Flow and Heat Transfer in Packed Beds with Fused and Unfused Layers. Tetsu-to-Hagane. Journal of the Iron and Steel Inst. Jap., 1978, vol. 64, no. 12, pp. 1676–1684.

Yagi J., Takeda K., Omori Y. et al. Two-dimensional Simulation on the Gas Flow and Heat Transfer in the Blast Furnace. Trans. of the Iron and Steel Inst. Jap., 1983, vol. 22, no. 11, pp. 884–892.

Gobetto M. Operations Management in Automotive Industries: From Industrial Strategies to Production Resources Management, Through the Industrialization Process. Springer Science + Business Media Dordrecht, 2014, XXII. 245 p. DOI: 10.1007/978-94-007-7593

Ultsch A., Siemon H.P. Kohonen’s self-organizing feature maps for exploratory data analysis. Proceedings of International Neural Networks Conference (INNC). Paris, 1990. pp. 305–308.

Jefferson C.P. Feedforward Control of Blast Furnace Stoves. Automatics, 1979, vol. 15, iss. 2, pp. 149–159.

Avneet P.M. Artificial Intelligence and Its Application in Different Areas. International Journal of Engineering and Innovative Technology (IJEIT), 2015, vol. 4, iss. 10, pp. 79–84.

Kumar D. Optimization of blast furnace parameters using artificial neural network. MTech thesis, 2015. 36 р.

David S.F., David F.F., Machado M.L.P. Artificial Neural Network Model for Predict of Silicon Content in Hot Metal Blast Furnace. Materials Science Forum, 2016, vol. 869, pp. 572–577.

Tunҫkaya Y., Kӧklükaya E. Comparative performance evaluation of blast furnace flame temperature prediction using artificial intelligence and statistical methods. Turkish Journal of Electrical Engineering & Computer Sciences 24, 2016, pp. 1163–1175.

Fernández J.M.M., Cabal V.Á., Montequin V.R., Balsera J.V. Online estimation of electric arc furnace tap temperature by using fuzzy neural networks. Engineering Applications of Artificial Intelligence 21, 2008, pp. 1001–1012.

Angstenberger J. Blast furnace analysis with neural networks. Artificial Neural Networks ICANN 96. Springer Berlin Heidelberg, 1996, pp. 203–208.

Kazarinov L.S., Barbasova T.A. Identification Method of Blast-Furnace Process Parameters. International Conference for young scientists “High Technology: Research and Applications 2015 (HTRA 2015)”, Key Engineering Materials, 2016, vol. 685, pp. 137–141. DOI: 10.4028/www.scientific.net/KEM.685.137

Kohonen T. Self-Organizing Maps (Third Extended Edition). New York, 2001. 501 p.

Kazarinov L.S. Sistemy. Upravleniye i poznaniye: analiticheskiye ocherki [Systems. Control and Cognition: analytical essays]. Chelyabinsk, South Ural St. Univ. Publ., 2017. 496 p.




DOI: http://dx.doi.org/10.14529/ctcr210112

Ссылки

  • На текущий момент ссылки отсутствуют.