АЛГОРИТМ СОГЛАСОВАНИЯ РАЗНОРОДНЫХ ИЗМЕРЕНИЙ И ОЦЕНКИ КОМПОНЕНТНОГО СОСТАВА ДОМЕННОГО ГАЗА ПО ДАННЫМ АСУ ТП
DOI:
https://doi.org/10.14529/ctcr260403Ключевые слова:
доменный газ, модель оценки, согласование измерений, метод максимального правдоподобия, нейронная сеть, доменная печьАннотация
Разработка и внедрение систем предиктивного контроля выбросов доменного производства требует непрерывной оценки компонентного состава доменного газа. Использование доступных источников данных осложняется тем, что газоанализаторы АСУ ТП доменной печи установлены до системы газоочистки, а лабораторные пробы отбираются после неё и могут дополнительно искажаться вследствие попадания атмосферного воздуха и погрешностей анализа. В работе предложен двухэтапный алгоритм согласования разнородных измерений и оценки состава доменного газа. Цель исследования: разработать алгоритм оценки состава доменного газа по данным АСУ ТП доменной печи с учетом источников неопределенности получаемых измерительных данных. Методы исследования. Использованы показания газоаналитических датчиков АСУ ТП, результаты лабораторного анализа и технологические данные за четыре месяца работы доменной печи. На первом этапе оценки объёмных долей CO, CO2, H2 и N2 определялись методом максимального правдоподобия с учётом погрешностей измерений, расчётной оценки N2 и неизвестных изменений состава газа при газоочистке; оптимизация выполнялась алгоритмом Adam. На втором этапе из 111 технологических параметров на основе физико-химических связей и материального баланса формировался набор входных при-знаков. Для совместной оценки состава применялась однослойная нейронная сеть с softmax-нормировкой, параметры которой определялись методом LBFGS. Отбор признаков выполнялся последовательным исключением по метрике mape95, которая характеризует 95-й процентиль относительной погрешности. Результаты. Для согласованных оценок значения mape95 не превысили пас-портных относительных погрешностей измерительных каналов и лабораторного метода. Последовательный отбор позволил сократить входное пространство модели до 11 признаков. Для итоговой модели значения mape95 составили 3,83 % для CO, 4,27 % для CO2, 10,06 % для H2 и 1,47 % для N2. Во всех случаях ошибки оказались ниже, чем при использовании постоянных концентраций и рас-чёте состава по показаниям газоанализаторов АСУ ТП. Заключение. Предложенный двухэтапный алгоритм обеспечивает согласование разнородных измерений, выполнение баланса компонентов сухого газа и повышение точности оценки его состава. Алгоритм может использоваться как программный модуль в составе предиктивной системы контроля выбросов доменного производства.Библиографические ссылки
1. Researching the Landscape of Predictive Emissions Monitoring System: A Review of Literature and Technology Trends / F. Wang, Y. Pang, L. Bai, M. Godin // Environmental Systems Research. 2025. Vol. 14. Art. 11. DOI: 10.1186/s40068-025-00403-9
2. Подходы к построению предиктивных систем контроля выбросов для современных промышленных технологических процессов / Д.О. Скобелев, А.Ю. Попов, В.А. Ганявин и др. // Модели, системы, сети в экономике, технике, природе и обществе. 2025. № 3 (55). С. 46–64. DOI: 10.21685/2227-8486-2025-3-4
3. Грачев В.А., Скобелев Д.О., Попов А.Ю. Развитие предиктивных систем контроля выбросов загрязняющих веществ // Экология и промышленность России. 2020. Т. 24, № 10. С. 43–49. DOI: 10.18412/1816-0395-2020-10-43-49
4. Kadlec P., Gabrys B., Strandt S. Data-driven Soft Sensors in the Process Industry // Computers & Chemical Engineering. 2009. Vol. 33, no. 4. P. 795–814. DOI: 10.1016/j.compchemeng.2008.12.012
5. Emissions and Removal of Gaseous Pollutants from the Top-gas of a Blast Furnace /
C. Lanzerstorfer, W. Preitschopf, R. Neuhold, C. Feilmayr // ISIJ International. 2019. Vol. 59, no. 3.
P. 590–595. DOI: 10.2355/isijinternational.ISIJINT-2018-591
6. A Deep Learning-based Approach for Forecasting Off-gas Production and Consumption in
the Blast Furnace / S. Dettori, I. Matino, V. Colla, R. Speets // Neural Computing and Applications. 2022. Vol. 34, no. 2. P. 911–923. DOI: 10.1007/s00521-021-05984-x
7. Machine Learning Modeling of Gas Utilization Rate in Blast Furnace / D. Jiang, Z. Wang,
J. Zhang et al. // JOM. 2022. Vol. 74, no. 4. P. 1633–1640. DOI: 10.1007/s11837-022-05166-7
8. Predictive Modeling of Blast Furnace Gas Utilization Rate Using Different Data Pre-processing Methods / D. Jiang, Z. Wang, K. Li et al. // Metals. 2022. Vol. 12 (4). Art. 535. DOI: 10.3390/met12040535
9. Forecasting Blast Furnace Gas Production and Demand through Echo State Neural Network-based Models: Pave the Way to Off-gas Optimized Management / I. Matino, S. Dettori, V. Colla et al. // Applied Energy. 2019. Vol. 253. Art. 113578. DOI: 10.1016/j.apenergy.2019.113578
10. Основы теории и технологии доменной плавки / А.Н. Дмитриев, Н.С. Шумаков, Л.И. Леонтьев, О.П. Онорин. Екатеринбург: УрО РАН, 2005. 545 с.
11. Myung I.J. Tutorial on Maximum Likelihood Estimation // Journal of Mathematical Psychology. 2003. Vol. 47, no. 1. P. 90–100. DOI: 10.1016/S0022-2496(02)00028-7
12. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization // ArXiv preprint: arXiv:1412.6980. 2014. DOI: 10.48550/arXiv.1412.6980
13. Martins A.F.T., Astudillo R.F. From Softmax to Sparsemax: A Sparse Model of Attention and Multi-Label Classification // Proceedings of the 33rd International Conference on Machine Learning. 2016. Vol. 48. P. 1614–1623.
14. Liu D.C., Nocedal J. On the Limited Memory BFGS Method for Large Scale Optimization // Mathematical Programming. 1989. Vol. 45. P. 503–528. DOI: 10.1007/BF01589116
15. Pudil P., Novovičová J., Kittler J. Floating Search Methods in Feature Selection // Pattern Recognition Letters. 1994. Vol. 15, no. 11. P. 1119–1125.







