NEU-2003

В металлургии выполнение заданных норм по качеству, при отлаженной технологии, определяется всей технологической цепочкой, а не отдельными ее звеньями. В нормативной документации на технологический процесс оговорены допустимые пределы изменения управляющих параметров и состава. Они достаточно велики //. Не благоприятные их сочетания приводят к нежелательному разбросу свойств, а в ряде случаев к появлению необъяснимых вспышек брака. В итоге – отсутствие гарантированного качества стали, снижение ее конкурентоспособности.

Хорошая оснащенность металлургического производства средствами измерения и сбора информации по всей (достаточно протяженной) технологической цепочке, с учетом серийного характера выпускаемой продукции, обеспечивает быстрое накопление представительных баз данных - значений параметров технологии и сдаточных свойств. Это определяет интерес к использованию статистических подходов к выявлению технологических факторов (и их сочетаний), лимитирующих качество металлопродукции.

Традиционные алгоритмы управления “по возмущению” малоэффективны для металлургии – слишком много взаимосвязанных цепей и нелинейных зависимостей, так как любая регрессия основана на допущении существования во всей области аргументов единой зависимости свойств от параметров. Нередко существует несколько областей, для каждой из которых, разнится тип зависимости. В таком случае необходимо найти границы их существования и строить прогнозы для каждой области отдельно. Подобласти с различным типом доминирующей зависимости можно найти, проверяя гипотезы, методами когнитивной графики: выделением “плотных” облаков точек при отображении зависимостей на разные плоскости . Не исключено, что по мере роста вычислительных мощностей, может быть эффективен и “слепой поиск” зависимостей методами нейронных сетей – рационально организованным органическим синтезом и проверкой гипотез. Так, например, использование программного продукта Statistica Neural Network, для построения нейронных сетей позволило обеспечить приемлемый прогноз появления браковочного признака – камневидный излом (КИ) // для технологии производства крупных поковок из улучшаемой стали 38ХН3МФА - Ш.

Выделяют два способа построения НС – “с учителем” и “без учителя” //, в нашем случае выходные данные были всегда известны. Выходной параметр сети – это значение сдаточных механических свойств, входные - это технологические факторы, контролирующиеся в процессе производства.

При обучении используются методы нелинейной оптимизации: метод спуска по сопряженным градиентам и метод Левенберга-Маркова реализующие два типа алгоритмов: линейного поиска и доверительных областей, а также метод обратного распространения, имеющий, в программном пакете две модификации: метод быстрого распространения (Fahlman, 1988) и “дельта-дельта с чертой” (Jacobs, 1988).

В процессе построения сетей оценивалось влияние объема подаваемой выборки, пропорции данных, решалась задача регрессии и классификации.

На рисунке2 показана статистика выбора некоторых технологических параметров оказывающих влияние на появление камневидного излома в стали 38ХН3МФА.

Рисунок 1 – Статистика выбора значимых параметров по базе данных 38ХН3МФА

Штриховой линией отмечены столбцы – элементы, которых были отобраны с использованием регрессионного анализа. Видно, что их статистика отбора алгоритмом “генетического отбора” значительно выше, чем других параметров.

Найденные для каждой области устойчивые связи между входными параметрами позволяют выработать решающие правила (рис.2) и вытекающие из них “таблицы решений” для браковки.

Рисунок 2 – Пример решающего правила
(предотвращение браковочного признака – КИ для технологии производства крупных поковок из тали 38ХН3МФА)

Отсюда следует и иная логика управления – направленная не на ликвидацию нежелательных “возмущений” (в пределах поля допуска), а на компенсацию их вредных последствий корректировкой технологического процесса на последующих этапах. Чем больше глубина прогноза качества (вперед в следующие переделы) и обратных связей (чтобы предупреждать риск, воздействуя на предыдущие переделы), тем эффективнее управление.

Информационные сети предприятия позволяют в принципе реализовать алгоритмы такого управления в реальном времени поименно, для каждой плавки, слитка, рулона или поковки.