POUŽITÍ METOD UMĚLÉ INTELIGENCE PŘI MONITOROVÁNÍ A ŘÍZENÍ VÝROBY OCELI ARTIFICIAL INTELLIGENT APROACHES IN STEEL MAKING MONITORING AND CONTROL

Transkript

1 POUŽITÍ METOD UMĚLÉ INTELIGENCE PŘI MONITOROVÁNÍ A ŘÍZENÍ VÝROBY OCELI ARTIFICIAL INTELLIGENT APROACHES IN STEEL MAKING MONITORING AND CONTROL Miroslav Pokorný a Lenka Blahutová b Zdeněk Bůžek b Václav Kafka c a VŠB Technická univerzita Ostrava, FEI, Katedra měřící a řídící techniky, 17.listopadu 15, Ostrava, miroslav.pokorny@vsb.cz b VŠB Technická univerzita Ostrava, FMMI, Katedra metalurgie, 17. listopadu 15, Ostrava, lenka.blahutova.fmmi@vsb.cz, zdenek.buzek@vsb.cz c RACIO&RACIO, Vnitřní 732, Orlová, vaclav.kafka@iol.cz Abstrakt Technologický proces výroby oceli v elektrických obloukových pecích je typický nedostatkem objektivních informací o svých podmínkách i průběhu. Při popisovaném návrhu monitorovacího a řídicího systému je proto nutno vedle informací objektivních využít i informace subjektivní, zpracované nekonvenčními metodami umělé inteligence. Pro dosažení vyšší úrovně monitorování a řízení procesu je systém navrhován jako hybridní, využívající jak matematické tak znalostní (expertní) modely a systémy které pro dosažení vysoké efektivity řízení spolu účelně kooperují. Uváděný systém zahrnuje monitorování a řízení technologie i ekonomiky procesu. Koncepce systému vychází z moderní technologie umělé inteligence a předpokládá jeho návrh ve formě distribuovaného systému multiagentového. Abstract In the steel-making production in the electric arc furnaces the lack of objective information exists. To design a steel-making monitoring and control appears to be effective to use beside the objective information although the subjective one and to apply some nonconventional artificial intelligence calculi. To achieve a high level of steelmaking process monitoring and control a new advanced steel-making automatic control intelligent system was proposed and drafted like a hybrid one. Operation accomplishment of its resolution is done through the capability of numerical and non-numerical tools effective co-operation. Introduced system assumes the steel-making monitoring and control as whole unit, i.e. inclusive of control of the metallurgical processes and economical level as well. The design of system assumes the modern multi-agents artificial intelligence philosophy. 1

2 1. ÚVOD Reálné hutnické technologické procesy jsou z hlediska modelování a řízení řazeny do třídy procesů složitých (komplexních). Takové procesy jsou typické svojí principiální složitostí, zahrnující interakci fyzikálních a chemických jevů probíhajících obvykle v uzavřených výrobních agregátech za vysokých teplot. Studium chování takových procesů s použitím abstraktních matematických modelů je komplikované a v mnohých případech nemožné. Příčinou je jejich složitost, neurčitost, časová proměnlivost, variabilita vlastností vstupních surovin, obtížná formalizovatelnost probíhajících dějů, problematická měřitelnost jejich parametrů a nedostatek objektivních informací o jejich statickém i dynamickém chování. Tytéž problémy přinášejí obtíže při syntéze konvenčních regulátorů pro jejich automatické řízení [1]. Vývoj kybernetiky a informatiky přinesl v posledních letech rozvoj vědní disciplíny umělá inteligence, jejíž metody jsou v mnohých případech pro řešení problémů modelování a řízení složitých technologických procesů velmi efektivní [2]. Řady úspěšných aplikací doznaly zvláště tzv. znalostní (expertní) systémy, které využívají k popisům modelovaných nebo řízených procesů operátorských (expertních) zkušeností. Procesy, probíhající v obloukových elektrických pecích při tavbě oceli, jsou procesy složité. Jejich matematické popisy jsou omezené, vedle nich jsou však k dispozici také popisy expertní (jazykové, znalostní), které jsou základem pro nový návrh systému monitorování a řízení ocelářského pochodu [3]. Prostorová i technologická diverzifikace procesu výroby oceli umožňuje realizovat systém jeho monitorování a řízení jako systém distribuovaný. Vyšší úroveň funkcí takového systému je pak zabezpečena jeho realizací ve formě systému multiagentového, jehož struktura, funkce i vazby mohou být automaticky modifikovány s ohledem na požadované cíle řízení a okamžitý stav technologie. K řešení úloh takového multiagentového systému je využita řada přístupů i nástrojů umělé inteligence. Základním principem těchto přístupů je využití nenumerických informací a znalostí ve znalostních (expertních) systémech. 2. ZNALOSTNÍ SYSTÉMY Znalostní (expertní) systémy jsou specializované počítačové programy, které umožňují použití jazykových (slovních) popisů chování sledovaného nebo řízeného systému ve formě tzv. jazykových modelů [4]. Tyto jazykové modely lze využít k simulaci chování systému nebo jeho řízení obdobně jako je tomu u modelů matematických. Je všeobecně známo, že v mnohých případech dosahuje zkušený operátor (expert v dané oblasti) při řízení složitého procesu lepších výsledků, než automatický regulátor. Je to dáno skutečností, že operátor využívá v procesu svého rozhodování řadu subjektivně nabytých zkušeností, které nelze vyjádřit formou matematických vztahů, lze je však vyjádřit pomocí slovních popisů ve formě vět přirozeného jazyka. Typickou vlastností takových slovních popisů je jejich neurčitost, plynoucí z vágností slov které používají. Efektivní využití vágnosti slovních popisů je příčinou vysoké efektivity lidského uvažování a tedy i řešení problémů při řízení. Principiální otázkou formalizace lidských znalostí (vyjádřených slovně) je otázka efektivní formalizace neurčitosti jazykových pojmů (vysoký tlak, nízká teplota, téměř nulová hladina apod.). V praxi se k tomu nejčastěji používají prostředky využívající principů modifikovaných zákonů pravděpodobnosti nebo fuzzy množinové matematiky. Hovoříme pak o pravděpodobnostních či fuzzy orientovaných znalostních systémech. 2

3 Jsou-li matematické modely tvořeny obvykle soustavami matematických rovnic, pak znalostní (jazykové) modely jsou tvořeny nejčastěji soustavami tzv. podmíněných pravidel (pravidla JESTLIŽE-PAK). Typickou ukázkou takového pravidla je formulace JESTLIŽE (teplota taveniny je NÍZKÁ) PAK (topný příkon musí být ZVÝŠEN). Příklad ukazuje pravidlo pro řízení teploty taveniny, obdobné rovnici proporcionálního regulátoru. Podle teorie je pravidlová forma popisu nejefektivnější formou reprezentace lidských znalostí. Pro popis řízení složité soustavy potřebujeme zřejmě množinu pravidel (v praxi i několik desítek), které mají složitější strukturu a zohledňují model s více vstupy a často i více výstupy. Taková soustava tvoří jazykový model popisované soustavy tzv. bázi znalostí. Operace nad takovým jazykovým modelem provádí speciální algoritmy inferenční, řídící mechanizmy, využívající přístupů vícehodnotových logik postavených na principech pravděpodobnosti (pravděpodobnostní znalostní systémy) nebo na principech fuzzy vícehodnotové jazykové logiky (fuzzy znalostní systémy). V architektuře takového znalostního systému jsou báze znalostí a řídící mechanizmus doplněny blokem báze dat, obsahujícím vstupní data ke konkrétnímu případu pro vytvoření aktuálního modelu a vysvětlovacím mechanizmem, který umožňuje (na rozdíl od konvenčního systému matematického) vysvětlení postupu získání výsledků [5]. V mnohých případech jsou velmi efektivní monitorovací, predikční a řídící systémy založené na principech kvalitativního modelování, umělých neuronových sítí nebo genetických algoritmů. Zvláštní význam mají tzv. systémy hybridní, v nichž jsou objektivní znalosti vyjádřené matematickými vztahy (matematické modely) kombinovány se subjektivními popisy (jazykovými modely). Takové hybridní modely budou základem programových modulů pro monitorování, predikci technologických i poruchových stavů i technologické či ekonomické (nákladové) řízení procesu výroby oceli v obloukové elektrické peci. 3. STRUKTURA A VAZBY SYSTÉMU ŘÍZENÍ Pro potřebu modelování, monitorování a řízení procesu výroby oceli je třeba na soustavě obloukové pece definovat systém, který odpovídá požadované strategii řízení a je korektní z hlediska zákonitostí metalurgie a technické kybernetiky. Návrh proto představuje distribuovanou strukturu subsystémů, zahrnující - subsystém TŘÍDĚNÍ sledování stavu materiálů v zásobnících na šrotišti. Zahrnuje sklady kovových odpadů, kovových přísad, nekovových přísad a sklady náhradních surovin. Subsystém nepředpokládá realizaci úloh řízení. - subsystém PŘÍPRAVY VSÁZKY sleduje odchylky parametrů vstupních surovin od požadovaných hodnot. Odchylky jsou zdrojem ekonomických ztrát a musí být promítnuty do aktualizace standardních technologických i ekonomických modelů. Aktualizace budou vypočítávány pomocí hybridního systému, v němž budou využity matematické i jazykové predikční modely. - subsystém TAVENÍ modifikuje standardní grafikon energetického příkonu tavení podle odchylek hodnot parametrů vsázky s ohledem na ekonomiku tavby. Ve větvi zpětnovazebního řízení bude zadaný grafikon kontrolován. Strategie regulace preferuje řízení ekonomiky před technologií. - subsystém OXIDACE na základě výsledků fáze tavení jsou predikčními modely aktualizovány standard energetického grafikonu i technologického procesu. Ve větvi zpětnovazebního řízení jsou pak předepsané požadované hodnoty kontrolovány. Strategie regulace preferuje řízení technologie před ekonomikou. 3

4 - subsystém REDUKCE aktualizuje standardní energetické grafikony i technologický předpis s přihlédnutím k výsledkům předchozí fáze a reguluje proces redukce v režimu preference technologie výroby před jejími ekonomickými náklady. - subsystém PÁNEV je uplatněn v modifikaci vynechání fáze redukce a s tím spojené modifikace fáze oxidace. Řídí procesy sekundární metalurgie s preferencí technologie před jejími náklady a využívá opět znalostního systému s hybridní strukturou. Matematické a jazykové modely jednotlivých subsystémů jsou budovány jak z hlediska řízení technologického procesu, tak z hlediska sledování jeho ekonomiky. Základní struktura monitorovacího a řídícího systému je nakreslena na obr. 1. Na základě informací o skutečných parametrech procesu jsou provedeny predikce technologických i ekonomických poměrů, které slouží k vytvoření aktuálních modelů ekonomiky a technologie (modifikací normovaných standardů). Aktualizované modely jsou prostředkem pro stanovení aktuálních hodnot akčních zásahů pro regulaci ekonomiky i technologie. Ve vnitřních strukturách jednotlivých bloků schématu budou uplatněny jak existující modely matematické, tak nově navržené modely jazykové. Typická je možnost operátorských vstupů ve formě jazykových informací, které podle potřeby doplní numerické informace měřených dat. Obr. 1 Aplikace akčních zásahů technologického i ekonomického řízení je uvažována v režimu off-line. 4

5 4. KONCEPCE DISTRIBUOVANÉHO SYSTÉMU MULTIAGENTOVÉHO Navrhovaný systém distribuovaného řešení úloh podle obr. 1 představuje variantu, v níž je uvažována pevně svázaná komunita jednotlivých bloků s nízkou možností modifikací a variability jejich součinnosti. Jejich funkce ve schématu je dána pevným centrálně předdefinovaným programem. Vývoj aplikací metod vědního oboru umělá inteligence vede k řešení, v nichž jsou jak funkce tak i vazby jednotlivých bloků flexibilní s možností jejich modifikace podle okamžitého stavu vývoje řízené oblasti i podle okamžitého stavu řešení úloh. Jsou to systémy volně propojených autonomních podsystémů (zde nazývaných agenti), kteří operativně spolupracují v zájmu dosažení určitého společného cíle [6]. Na rozdíl od problematiky distribuovaných systémů je značná pozornost věnována specifickým problémům souvisejících s efektivní součinností jednotlivých agentů. Takové systémy využívají tzv. distribuované umělé inteligence a přinášejí oproti centralizovanému řešení řadu přínosů jako zkrácení doby řešení, snížení nároků na komunikaci a zvýšení operativnosti a spolehlivosti. Jednotlivé bloky takového systému agenti jsou vybaveni vlastními výpočetními prostředky, které výrazně rozšiřují jejich schopnosti a přinášejí možnost řešení nových funkcí. Mezi vlastnosti agenta patří schopnost zasílat a přijímat informace od jiných agentů, zpracovávat přijaté informace a mít schopnost provádět akce, které se mohou dynamicky měnit. Inteligentní agenti pak mají možnosti uvažovat o schopnostech svých a schopnostech ostatních agentů, možnost generovat cíle pro sebe i ostatní agenty, účastnit se složitých interakcí a dynamicky se zapojovat do skupin s proměnlivými vazbami. Bloky na obr. 1 by pak představovaly společenství, v němž pro každou významnou podúlohu cílové úlohy existuje agent (skupina agentů) který ji dovede řešit. K tomu má agent k dispozici určitá spojení a disponuje potřebným výpočetním potenciálem. Pro funkci takového multiagentového systému jsou typické úlohy koordinace (přidělování nedostatkových zdrojů informací a předávání mezivýsledků) a úlohy kooperace, vedoucí ke zvýšení kvality práce celého systému (cestami zrychlení řešení využitím paralelního zpracování, sdílení zdrojů informací a snížení počtu funkčních kolizí mezi agenty. Jsou využívány metody efektivní a operativní komunikace s využitím moderních komunikačních protokolů a sítí. Použité znalostní systémy využívají metod aktualizace svých znalostí, adaptace a učení. Jsou využívány moderní metody jako teorie her, která vede k optimálnímu rozhodování v konfliktních situacích. Aplikace teorie her umožňuje nalézt optimální strategii řešení konfliktní situace, která zajistí určitý celkový zisk systému (kooperujících agentů) ve smyslu cílů technologických nebo cílů ekonomických. Metodika návrhu a využití multiagentových přístupů vyžaduje vedle provedení dekompozice systému výroby oceli i stanovení strategie chování celé multiagentové komunity a návrh způsobů komunikace mezi agenty. Pro návrh multiagentového monitorování a řízení procesu výroby oceli bude využito specializovaného programového prostředku pro podporu tvorby multiagentových systémů DISCIM (Distributed System of CIM) ve spolupráci s ČVUT Praha. Systém je vhodný pro tvorbu komunity sestávající z relativně malého počtu agentů s komunikaci pomocí Internetu. Knihovna standardních agentů obsahuje řadu nástrojů umělé inteligence, jako emulátor neuronové sítě, expertní systém FEL-EXPERT, systém pro kvalitativní simulaci QUASIMODO, systém učících se agentů pro elementární rozhodování na bázi rozhodovacích stromů, databázový systém a agenty realizující standardní uživatelské rozhraní. 5

6 5. ZÁVĚR V první fázi vývoje znalostního systému řízení obloukové pece byla v roce 2002 provedena dekompozice technologického procesu výroby oceli v elektrické obloukové peci, na jejímž základě byly navrženy koncepční struktury a jejich vazby. Tato výzkumná etapa podporuje představu o kvantitě a kvalitě nezbytných hardwarových a softwarových prostředků pro návrh realizace systému. Požadavek uplatnění metod a prostředků umělé inteligence vedl k úvahám o koncepci celého monitorovacího a řídícího systému jako distribuovaného systému multiagentového. Pro podporu řešení byl podán a schválen doktorandský grant. V následujících etapách řešení budou pro realizaci modulů monitorování, predikci a vývoje i řízení průběhu technologických procesů i jejich ekonomických nákladů využity jak existující a provozně ověřené matematické modely, tak i nově navržené a odladěné báze znalostí. Oba přístupy budou integrovány v hybridních programových modulech a ověřeny ve vybraných ocelárnách. Pro identifikaci jazykových modelů bude použito umělých neuronových sítí. Tento příspěvek vznikl s finanční podporou grantového projektu GAČR č. 106/02/1128 Racionalizace řízení tavby v ocelárnách s využitím expertních systémů a grantového projektu MŠMT č Řízení tepelných technologických procesů s využitím znalostních systémů. LITERATURA [1] SARNOVSKÝ, J. Řízení složitých systémů. ALFA Bratislava, 1992 [2] MAŘÍK, J. a kol. Umělá inteligence I., II. ACADEMIA Praha, 1997 [3] BLAHUTOVÁ, L. aj. Využití expertních systémů při řízení výroby oceli v elektrické obloukové peci. In Sborník z konference Teorie a praxe výroby a zpracování oceli. Ostrava: Tanger, 2003, v tisku. [4] POPPER, M., KELEMEN, J. Expertní systémy. ALFA Bratislava, 1988 [5] POKORNÝ, M. Umělá inteligence v modelování a řízení. BEN Praha, 1996 [6] SARNOVSKÝ, J. Distribuované a multiagentové systémy. ALFA Bratislava,