Студент группы ИСА-19 Романов Д.Ю. (siric187@mail.ru)
Научный руководитель: преп. Шипилов В.Е. (invic_sh@mail.ru) (Карагандинский индустриальный университет, г. Темиртау, Казахстан)
Нейрон — это структурная единица нервной системы человека. Нейроны в теле человека выполняют функцию выработки определенной реакции человека на те или иные внешние воздействия.
Если рассматривать с функциональной точки зрения, то нейроны – это простой мельчайший реестр (процессор), который посредством синапсов соединен между множеством количеством других нейронов, и таким образом создается нейронная сеть. Нервная система — это устройство ввода данных, а мозг – это центральный процессор, который на основе нейронной сети формирует команду, инструкцию, регулирующее воздействие.
Искусственные нейронные сети – это искусственный интеллект, который учит компьютеры обрабатывать данные таким же образом, как и человеческий мозг.
Нейросеть состоит из трех слоев:
1) Входной слой – здесь вводятся данные, необходимые как для обработки и формирования на выходе управляющего сигнала, так и для машинного обучения данной нейросети.
2) Скрытый слой – здесь находятся внутренние программные узлы. Им передаются входные данные, которые они посредством своих связей и коэффициентов веса обрабатывают. Чем больше скрытых слоев в нейросети, тем она более сложная.
3) Выходной слой – сюда поступают уже обработанные нейронной сетью данные. Здесь уже принимаются решения о выходных сигналах. Выходной сигнал может быть, как дискретным, то есть «1» или «о», так и аналогово-цифровым, то есть регулирующим.
Пример связей программных узлов нейросети показан на рисунке 1.
По мере роста объемов автоматизации технологических процессов возрастают и о требования к надежности, безопасности, точности и быстродействию систем автоматизации, что в свою очередь требует более высокого уровня контроля и диагностики. Многие современные системы автоматизации являются сложными, тяжело управляемыми, трудно регулируемыми. Проблемой является трудность построения адекватной и подходящей системы управления, невозможность построения математической модели управления, либо это возможно, но это слишком трудоемко. В данной научной работе рассматривается и предлагается решение подобной проблемы – применение нейросетей.
Пример построенной системы автоматизации на базе нейронной сети показан на рисунке 2. Процесс начинается с запускающего импульса, который даёт команду на работу Системе автоматического управления. САУ, в свою очередь, выполняет функцию регулирования задаваемых параметров технологического процесса, функцию системы слежения, то есть постоянного режима самопроверки модульной целостности системы, функцию архивирования всех данных в базу данных нейронной сети. Накопленные и обработанные данные влияют на САУ, и, таким образом, влияют на величину регулирования параметров технологического процесса.
В данной научной статье рассматривается такой сложный технологический процесс как непрерывное горячее оцинкование.
Горячее оцинкование – это наиболее крупномасштабный способ нанесения цинковых покрытий на сталь. Существует множество способов оцинковывания металлов. В данной научной работе рассматриваются два способа.
В первом способе покрытие наносится кратковременным погружением предварительно обезжиренных и протравленных изделий из черных металлов в ванну с расплавленным цинком. Получаемое покрытие неоднородно по составу. Верхний слой состоит из относительно чистого цинка. Толщина получаемого покрытия зависит от температуры расплава, продолжительности погружения, скорости извлечения из ванны и последующих операций удаления излишков расплава цинка. Точное регулирование толщины цинка на изделиях затруднительно, вследствие чего получается неравномерное покрытие с утолщениями и наплывами [1].
В способе, применяемом на ArcellorMittalTemirtau, процесс оцинкования стали происходит следующим образом. Тянущими роликами полоса металла подается в протяжную печь. Натяжение полосы в печи поддерживается регулятором, установленным перед печью и работающим в диапазоне от 2 до 30 кН (от 200 до 3000 кгс), оно регулируется за счет изменения угла наклона рамы в зависимости от профиля полосы. Происходит выдержка при температуре отжига или нормализации и охлаждения полосы в камере выдержки и регулируемого охлаждения. Полоса, пройдя печь ТХО, через переходный тамбур и наклонную проводку с затвором опускается в печь – ванну нанесения покрытия. Приготовление расплава и нанесение цинкового покрытия осуществляется в канальной индукционной печи [2].
Математическое описание системы стало более сложным или невозможно при помощи классического управления, которое связано с математической моделью системы, управляющие отношения между входами и выходами системы [3].
Для учета сложной структуры агрегата предлагается использовать математическое описание, основанное на ИНС, которое позволяет осуществить многопараметрический прогноз, выполнять оперативное прогнозирование, решать слабо формализованные задачи, выполнять самообучение, обобщение на основе ранее полученных знаний.
В рассмотренном способе оцинкования металла, применяемом на ArcellorMittalTemirtau, необходимо регулировать следующие основные величины: скорость транспортировки полосы, температура печи, температура цинкового расплава на узле покрытия, толщину наносимого покрытия цинком, упреждение нестандартных ситуаций (порыв полосы, вплоть до остановки). Помимо этого, необходимо также учитывать и внешние воздействия, такие как температура окружающей среды, сортамент металла (профиль, хим. состав) и прочие.
В данной работе для качественной регулировки и автоматическим управлением технологическим процессом оцинкования металлов в ArcellorMittalTemirtau после реконструкции АНГА (замена контроллера Omron на контроллер фирмы Siemens) предлагается применение нейронных сетей на базе контроллеров Siemens S1500 связанных с базой данных (серверная).
Необходимо описать нейронную сеть. Здесь входными величинами будут скоростные параметры агрегата, температурные режимы, концентрация используемого газа и т.д. Выходной величиной будет толщина покрытия цинком. Обратная связь будет заключаться в полученных результатах выхода годной продукции.
Следующим шагом будет разработка алгоритма взаимодействия ЦПУ и нейронной системы, то есть данные с ЦПУ будут архивироваться в базе данных, и постоянно отслеживаться контроллером. При накоплении и анализе полученных параметров производственного процесса нейронная сеть анализирует эти данные, и выдает коррекцию по необходимым параметрам на ЦПУ, вплоть до остановки производственного процесса. Накопление и анализ информации происходит постоянно.
Далее, необходимо разработать системы самообучаемости нейронной сети на данном производственном процессе. Особенностью применения нейронных сетей в системах автоматизации является запоминание ошибок, изменение каких-либо параметров (толщина металла, очистка металла, температура цинка, и т.д.). На основе этого принимает решение и дает коррекцию искусственная нейронная сеть
Для построения нейронных сетей необходимо провести анализ и выбор модели нейронной сети для конкретного технологического процесса.
Модель перцептрона (Perceptron) также известна как однослойная нейронная сеть состоит всего из двух слоев: Входной слой (Input Layer), и выходной слой (Output Layer). Перцептрон принимает входные данные и вычисляет веса каждого нейрона. После этого линейная комбинация весов передается функции активации (сигмоидальная функция) для классификации. Перцептрон является первой моделью нейронных сетей.
Сеть прямого распространения (Feed Forward) — это искусственная нейронная сеть, в которой нейроны никогда не образуют цикла. В данном типе нейронных сетей архитектура устроена так, как было описано ранее. Есть входные и выходные слои. Входной слой принимает входные данные, а выходной слой вычисляет результат. Помимо входного и выходного слоев, есть еще скрытые слои — это слои, которые не имеют связи с внешним миром. В нейронной сети прямого распространения каждый нейрон одного слоя связан с каждым нейроном на следующем слое.
Сеть радиальных базисных функций (radial basis function network, RBFN) обычно используются для задач аппроксимации. Эта сеть обладает высокой скоростью обучения. Архитектура такая же как и у сети прямого распространения, но основное различие состоит в том, что RBFN использует радиально-базовую функцию в качестве функции активации. RBFN определяет, насколько далеко сгенерированный результат радиально-базовой функции находится от целевого значения [4].
В автоматическом управлении технологическим процессом более разумным будет применение нейронной сети на основе радиальных базисных функций RBFN, так как в данной задаче необходим расчет так называемой ошибки, для задающего регулирования на параметры скорости линии и температуры печи.
Выводы данной научной работы:
1. На основе открытых интернет-источников, научных статей и литературы были подробно раскрыто понятие нейронных сетей.
2. Был рассмотрен технологический процесс оцинкования металлов, в частности, на ArcellorMittalTemirtau, был описан сам процесс оцинкования.
3. Проанализированы некоторые виды нейронных сетей.
4. Предложено применение нейронной сети радиальных базисных функций RBFN в автоматическом управлении технологического процесса оцинкования металлов ЦГЦА АНГА ArcellorMittalTemirtau.
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
1. В.В. Окулов. Цинкование. Техника и технология. /Под редакцией проф. Кудрявцева. – М.: Глобус, 2008. – 30с.
- АО «АрселорМиттал Темиртау». Производство полосового проката с цинковым алюмоцинковым покрытиями на агрегате непрерывного горячего цинкования и алюминирования (АНГА-1700). Технологическая инструкция. ТИ ПАЦ, 2008
- Farinaz Behrooz, Abdul Rahman Ramli, Khairulmizam Samsudin. A survey on applying different control methods approach in building automation systems to obtain more energy efficiency — Institute of Advanced Technology, Universiti Putra Malaysia, Serdang, Selangor, Malaysia, 43400, Malaysia, 2011. — 4с.
4. Основные типы нейронных сетей [Электронный ресурс] — Режим доступа: https://python-school.ru/blog/types-of-neural-nets/ — свободный.