Помощь студентам в учебе
Разработка системы управления печью кипящего слоя КС обжигового цеха ПАО «Челябинский цинковый завод»
|
ВВЕДЕНИЕ 5
1 ОПИСАНИЕ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА 7
1.1 ПАО «Челябинский цинковый завод» 7
1.2 Анализ технологического процесса 8
1.3 Описание информационно управляющей системой 14
1.4 Требование к системе управления 17
2 ТЕОРЕТИЧЕСКОЕ ОПИСАНИЕ НЕЙРОННЫХ СЕТЕЙ 18
2.1 Модель искусственного нейрона 19
2.2 Функции активации 20
2.3 Архитектура нейронных сетей 24
2.4 LSTM сети 26
2.5 Алгоритм обучения нейронной сети 30
2.5.1 Алгоритм обратного распространения ошибки для пакетного режима
обучения 31
2.5.2 Коэффициент скорости обучения нейросети 34
2.5.3 Проблема переобучения 36
2.5.4 L1и Е2-регуляризация 37
2.5.5 Прореживание 38
2.5.6 Пакетная нормализация 39
3 РАЗРАБОТКА СИСТЕМЫ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ 42
3.1 Обзор средств разработки 42
3.2 Анализ исходных данных 43
3.3 Выбор архитектуры нейронной сети 50
3.4 Обучение НС 52
3.5 Реализация модели в Python 56
3.6 Анализ результатов 60
3.7 Проверка модели 74
3.8 Внедрение в ИУС 83
ЗАКЛЮЧЕНИЕ 86
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1 ОПИСАНИЕ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА 7
1.1 ПАО «Челябинский цинковый завод» 7
1.2 Анализ технологического процесса 8
1.3 Описание информационно управляющей системой 14
1.4 Требование к системе управления 17
2 ТЕОРЕТИЧЕСКОЕ ОПИСАНИЕ НЕЙРОННЫХ СЕТЕЙ 18
2.1 Модель искусственного нейрона 19
2.2 Функции активации 20
2.3 Архитектура нейронных сетей 24
2.4 LSTM сети 26
2.5 Алгоритм обучения нейронной сети 30
2.5.1 Алгоритм обратного распространения ошибки для пакетного режима
обучения 31
2.5.2 Коэффициент скорости обучения нейросети 34
2.5.3 Проблема переобучения 36
2.5.4 L1и Е2-регуляризация 37
2.5.5 Прореживание 38
2.5.6 Пакетная нормализация 39
3 РАЗРАБОТКА СИСТЕМЫ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ 42
3.1 Обзор средств разработки 42
3.2 Анализ исходных данных 43
3.3 Выбор архитектуры нейронной сети 50
3.4 Обучение НС 52
3.5 Реализация модели в Python 56
3.6 Анализ результатов 60
3.7 Проверка модели 74
3.8 Внедрение в ИУС 83
ЗАКЛЮЧЕНИЕ 86
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Темой выпускной квалификационной работы (ВКР) является разработка системы управления печью кипящего слоя обжигового цеха ПАО «Челябинский цинковый завод».
Актуальность выбранной темы обуславливается непрерывным увеличением потребление цинка в мире. Получение цинка - дорогостоящий многостадийный процесс, одним из этапов которого является обжиг сульфидных концентратов (шихты) в печи кипящего слоя с использованием воздушного дутья, обогащенного кислородом. Поскольку состав шихты, ее влажность непостоянны, температура кипящего слоя может изменяться и требует постоянного контроля со стороны оператора.
Печи кипящего слоя - разновидность промышленных печей, принцип работы которых основан на взаимодействии сырья с газовым потоком во взвешенном состоянии, или в так называемом кипящем слое [1].
Целью ВКР, является разработка алгоритма управления исполнительными устройствами подачи шихты, на печь кипящего слоя для обеспечения устойчивого и безаварийного протекания технологического процесса. В работе рассмотрена разработка алгоритма управления печью кипящего слоя основанном на нейросетях.
В современном мире искусственные интеллектуальные системы основанные на нейросетях завоевывают все большую популярность. Круг задач, которые можно решать с помощью нейросетей огромен, например, распознавание рукописного текста, обработка изображений, проверка подозрительных банковских операций, управление беспилотными автомобилями, а также управление технологическими процессами [2]. Такое обилие областей применения, говорит о том, что нейросети - это уникальный набор для решения вопросов анализа и обработки большого объема данных, решения задач разного уровня сложности.
Основные задачи ВКР:
1) Анализ технологического процесса обжига цинковых концентратов в печи кипящего слоя.
2) Формирование требований к системе автоматического управления.
3) Теоретическое описание работы нейросетей, включая современные методы обучения и регуляризации.
4) Разработка модели нейросети, проверка разработанной модели, а также описание реализации внедрения полученной модели в информационную систему обжигового цеха Челябинского цинкового завода.
Научная новизна ВКР заключается в использовании технологии нейросетей в системе управления технологическим процессом печью кипящего слоя.
Нейросеть разрабатывалась на основе данных, полученных во время преддипломной практики. Преддипломная практика была пройдена в компании ЗАО «ИНТМА-Автоматика», которая занимается созданием и внедрением автоматизированных систем управления технологическими процессами (АСУТП) и автоматизированных систем оперативно-диспетчерского контроля и управления производством (АСУП). ЗАО «ИНТМА-Автоматика» выполняет несколько проектов по заказу ПАО Челябинский цинковый завод, одним из которых является проект создания системы автоматического управления печью кипящего слоя.
ВКР состоит из введения, трех разделов, заключения и библиографического списка.
Актуальность выбранной темы обуславливается непрерывным увеличением потребление цинка в мире. Получение цинка - дорогостоящий многостадийный процесс, одним из этапов которого является обжиг сульфидных концентратов (шихты) в печи кипящего слоя с использованием воздушного дутья, обогащенного кислородом. Поскольку состав шихты, ее влажность непостоянны, температура кипящего слоя может изменяться и требует постоянного контроля со стороны оператора.
Печи кипящего слоя - разновидность промышленных печей, принцип работы которых основан на взаимодействии сырья с газовым потоком во взвешенном состоянии, или в так называемом кипящем слое [1].
Целью ВКР, является разработка алгоритма управления исполнительными устройствами подачи шихты, на печь кипящего слоя для обеспечения устойчивого и безаварийного протекания технологического процесса. В работе рассмотрена разработка алгоритма управления печью кипящего слоя основанном на нейросетях.
В современном мире искусственные интеллектуальные системы основанные на нейросетях завоевывают все большую популярность. Круг задач, которые можно решать с помощью нейросетей огромен, например, распознавание рукописного текста, обработка изображений, проверка подозрительных банковских операций, управление беспилотными автомобилями, а также управление технологическими процессами [2]. Такое обилие областей применения, говорит о том, что нейросети - это уникальный набор для решения вопросов анализа и обработки большого объема данных, решения задач разного уровня сложности.
Основные задачи ВКР:
1) Анализ технологического процесса обжига цинковых концентратов в печи кипящего слоя.
2) Формирование требований к системе автоматического управления.
3) Теоретическое описание работы нейросетей, включая современные методы обучения и регуляризации.
4) Разработка модели нейросети, проверка разработанной модели, а также описание реализации внедрения полученной модели в информационную систему обжигового цеха Челябинского цинкового завода.
Научная новизна ВКР заключается в использовании технологии нейросетей в системе управления технологическим процессом печью кипящего слоя.
Нейросеть разрабатывалась на основе данных, полученных во время преддипломной практики. Преддипломная практика была пройдена в компании ЗАО «ИНТМА-Автоматика», которая занимается созданием и внедрением автоматизированных систем управления технологическими процессами (АСУТП) и автоматизированных систем оперативно-диспетчерского контроля и управления производством (АСУП). ЗАО «ИНТМА-Автоматика» выполняет несколько проектов по заказу ПАО Челябинский цинковый завод, одним из которых является проект создания системы автоматического управления печью кипящего слоя.
ВКР состоит из введения, трех разделов, заключения и библиографического списка.
Реализация системы управления печью кипящего слоя - это решение математически и технически сложной задачи, требующее глубокого изучения физических и химических процессов, происходящих в печи.
Использование нейросетей в качестве алгоритма управления позволяет перевести эту задачу в чисто математическую. При процессе обучения нейросеть находит зависимости во входных данных и на основе этого считает выходные значения, требуемые для управления. В некоторых случаях нейросеть может найти зависимости там, где их не видит оператор. Поэтому при правильной архитектуре нейросети и правильном наборе тренировочных данных нейросеть может справляется с этой задачей гораздо лучше человека.
В ходе работы был проведен анализ технологического процесса обжига цинковых концентратов в печи кипящего слоя обжигового цеха ПАО Челябинский цинковый завод. На основе данного анализа были сформированы требования к системе автоматического управления.
Основная цель ВКР заключалась в разработке алгоритма управления исполнительными устройствами подачи шихты, на печь кипящего слоя для обеспечения устойчивого и безаварийного протекания технологического процесса.
Был проведен анализ и обработка исторических данных полученных из технологической базы данных ПАО ЧЦЗ, были проверены различные модели нейросети с различными гиперпараметрами, и выбрана наиболее подходящая для текущей задачи.
Разработанная модель умеет управлять исполнительными устройствами для подачи шихты в печь, а именно: скоростью питающих конвейеров «юг» и «север», величиной открытия шибера загрузочных бункеров и скоростью забрасывателя. Максимальная ошибка для управляющих параметров в тестовой выборке составила 2,91 %, что соответствует требованиям к системе автоматического управления.
Модель также умеет прогнозировать температуру во всех семи точках кипящего слоя на время 1100 секунд. Для этого прогнозируется значения в трех временных точках: плюс 100 секунд, плюс 600 секунд и плюс 1100 секунд относительно текущего времени, для которых средняя ошибка прогнозирования составила 1,11 °C, 2,67 °C и 5,45 °C соответственно.
Уставки на управление технологическим процессом задаются через SCADA Wonderware Intouch и передаются в программируемый логический контроллер, который управляет исполнительными устройствами.
Оператор в любой момент может взять управление по одному или нескольким параметрам на себя на основе текущих и прогнозируемых значений.
Во время работы нейросеть будет постоянно обучатся, улучшая свои показатели работ и адаптируясь к внешним изменениям.
На основании полученных результатов можно сделать вывод о том, что выбранная информационная модель искусственной нейронной показала свою работоспособность и адекватность.
В завершении работы был описан процесс внедрения системы автоматического управления в существующую ИУС. Процесс внедрения не требует замены оборудования и значительно изменения кода существующей системы, что позволяет в любой момент отключить разработанную систему управления.
Использование нейросетей в качестве алгоритма управления позволяет перевести эту задачу в чисто математическую. При процессе обучения нейросеть находит зависимости во входных данных и на основе этого считает выходные значения, требуемые для управления. В некоторых случаях нейросеть может найти зависимости там, где их не видит оператор. Поэтому при правильной архитектуре нейросети и правильном наборе тренировочных данных нейросеть может справляется с этой задачей гораздо лучше человека.
В ходе работы был проведен анализ технологического процесса обжига цинковых концентратов в печи кипящего слоя обжигового цеха ПАО Челябинский цинковый завод. На основе данного анализа были сформированы требования к системе автоматического управления.
Основная цель ВКР заключалась в разработке алгоритма управления исполнительными устройствами подачи шихты, на печь кипящего слоя для обеспечения устойчивого и безаварийного протекания технологического процесса.
Был проведен анализ и обработка исторических данных полученных из технологической базы данных ПАО ЧЦЗ, были проверены различные модели нейросети с различными гиперпараметрами, и выбрана наиболее подходящая для текущей задачи.
Разработанная модель умеет управлять исполнительными устройствами для подачи шихты в печь, а именно: скоростью питающих конвейеров «юг» и «север», величиной открытия шибера загрузочных бункеров и скоростью забрасывателя. Максимальная ошибка для управляющих параметров в тестовой выборке составила 2,91 %, что соответствует требованиям к системе автоматического управления.
Модель также умеет прогнозировать температуру во всех семи точках кипящего слоя на время 1100 секунд. Для этого прогнозируется значения в трех временных точках: плюс 100 секунд, плюс 600 секунд и плюс 1100 секунд относительно текущего времени, для которых средняя ошибка прогнозирования составила 1,11 °C, 2,67 °C и 5,45 °C соответственно.
Уставки на управление технологическим процессом задаются через SCADA Wonderware Intouch и передаются в программируемый логический контроллер, который управляет исполнительными устройствами.
Оператор в любой момент может взять управление по одному или нескольким параметрам на себя на основе текущих и прогнозируемых значений.
Во время работы нейросеть будет постоянно обучатся, улучшая свои показатели работ и адаптируясь к внешним изменениям.
На основании полученных результатов можно сделать вывод о том, что выбранная информационная модель искусственной нейронной показала свою работоспособность и адекватность.
В завершении работы был описан процесс внедрения системы автоматического управления в существующую ИУС. Процесс внедрения не требует замены оборудования и значительно изменения кода существующей системы, что позволяет в любой момент отключить разработанную систему управления.