Horváth Gábor1, Pataki Béla1, Strausz György1 Polkovnyikov Anatolij2, Lukácsi István2, Máriás József3 1Budapesti Műszaki Egyetem, Méréstechnika és Információs Rendszerek Tanszék 2Dunaferr Acélművek Kft. 3Dunaferr Ferrocontroll Kft A kétrészes előadás egy fejlesztési projekt különböző aspektusairól számol be, amelyek közös célja a fúvatás végi hőmérséklet/carbon tartalom találati arány növelése. Ez a konverteres acélgyártás fontos minőségi jellemzője. A projekt szoftver eljárások felhasználását célozza meg, aminek középpontjában a neurális hálózatok technikája áll. Összetett ipari rendszerek, folyamatok működésének elemzése, viselkedésének előrejelzése, a megfelelő működést biztosító feltételek, kiinduló paraméterek meghatározása az ipari rendszer, folyamat kellő pontosságú modelljének létrehozását igényli. A modell létrehozásának alapja a rendszerről/folyamatról meglévő elméleti (fizikai, kémiai, stb.) ismeret lehet, mely felhasználásával a rendszer/folyamat viselkedése egyenletek formájában leírható. Komplex ipari rendszereknél az elméleti modellezés sok esetben nem vagy csak részben járható út. Ennek oka lehet, hogy a megfelelő pontosságú elméleti modell megalkotására nincs elegendő ismeretünk magáról a modellezendő rendszerről, folyamatról, illetve nincs meg az elméleti háttér, amely ilyen modell megalkotását lehetővé tenné. Az esetek egy másik jelentős részében az elméleti modell még megalkotható, azonban e modell olyan összetett és a modell alapján végzendő vizsgálatok olyan matematikai nehézségeket vagy olyan komplex számításokat igényelnek, hogy ez az út - bár elvileg járható lenne - gyakorlatban mégsem követhető. Ez utóbbi eset különösen komplex nemlineáris rendszereknél fordul elő. Amennyiben kellő pontosságú elméleti modell nem hozható létre, tapasztalati modell megalkotása a követhető út. A tapasztalati modelleknél a valóságos rendszerről nyert adatok: mérések, megfigyelések képezik a modellalkotás alapját. Megfelelő minőségű modell kialakítása azonban azt igényli, hogy elegendő és a folyamat működését valóban hitelesen jellemző input-output adat álljon rendelkezésünkre. Komplex ipari rendszereknél e tekintetben a tapasztalati modell létrehozása is nehézségekbe ütközhet. A tapasztalati modellek létrehozásának egyik legáltalánosabb eszközét jelentik a neurális hálózatok. A neurális hálózatok a rendszer bemenő és kimenő adatai alapján képesek olyan modell előállítására, melynek viselkedése a be- kimenő adatokat tekintve megegyezik vagy nagyon közeli a valódi rendszer működésével. A neurális hálózat megfelelő viselkedése a rendelkezésre álló be-kimeneti adatok megtanításával alakítható ki. A neurális hálózatok egyik legfontosabb alkalmazási területe a komplex ipari folyamatok modellezése, viselkedésük előrejelzése, illetve ilyen folyamatok irányítása. Az előadás egy az előbbiekben vázolt problémakörbe tartozó feladattal a Dunaferr Acélműben működő LD konverteres acélgyártó folyamat modellezésével foglalkozik. Röviden ismerteti a konverteres acélgyártási technológia lépéseit, az ezzel kapcsolatban felmerülő megválaszolandó kérdéseket, majd a különböző lehetséges megközelítések számbavétele után bemutat egy neurális hálózatra épülő hibrid modellt és e modell alkalmazásával elért első eredményeket. Az LD konverteres eljárás az acélgyártásnál egyik leggyakrabban alkalmazott technológia. Ennek során a konverterbe adagolt folyékony nyersvas magas carbon tartalmának és az egyéb nemkívánatos összetevőknek a kiégetése történik olyan Tapasztalati (neurális) modell A neurális modell - amely a folyamat input-output viselkedésének leírására alkalmas és így fekete doboz modellnek is nevezhető - a rendelkezésre álló archivált adatbázison alapul. Kiinduló adatnak tekintjük az adagolt összetevők mennyiségét és minőségét, a konverter állapotára vonatkozó adatokat, és a kívánt acélminőség-paramétereket: a legyártott acél carbon tartalmát és hőmérsékletét. A konverteres modellezési feladatban mintegy 40-50 bemenő paraméter értékének ismeretében kell meghatározni azt a felhasználandó oxigén mennyiséget, amely biztosítja a kimeneti minőségjellemzők megfelelő értékének elérését. Hibrid modell A fúvatási oxigén modell egy hibrid (neurális, szakértői) intelligens rendszer, amely a fúvatást jellemző információk (betét-összeállítás, környezeti információk, korábbi fúvatások eredményei) alapján javaslatot ad a fúvatáshoz szükséges oxigén mennyiségére. A hibrid intelligens rendszer koncepciója a következő. Mivel a teljes folyamatot nem tudjuk kellő pontossággal leírni sem fizikai-kémiai modell segítségével, sem a mért eredményekből nyerhető tapasztalati modell segítségével, a speciális helyzetek, szélsőséges paraméterértékek előfordulása esetén a neurális hálózat helyett vagy a hálózat eredményének pontosítása céljából szükséges az adott helyzetre vonatkozó, szabály formájában megfogalmazható szakértői ismeretek alkalmazására. Így a javasolt modell több részből áll, amelyek részben szakértői rendszer, részben neurális elven működnek. A modell 3 réteget tartalmaz: 1. réteg: Bemeneti, előfeldolgozó szakértői rendszer (BSZR) 2. réteg: Oxigénbecslő modellek
1. ábra A hibrid tanácsadó rendszer blokkvázlata Copyright © 2000 |
