0,7 0,6 0,5 0,4 0,3 0,2 0,1

Transkript

1 VÝVOJ PROSTŘEDKŮ VÝPOČTOVÉ INTELIGENCE PRO MONITOROVÁNÍ A ŘÍZENÍ OCELÁŘSKÝCH VÝROBNÍCH PROCESŮ Miroslav Pokorný¹ Václav Kafka² Zdeněk Bůžek³ 1) VŠB TU Ostrava, FEI, 17. listopadu 15, Ostrava, ČR, miroslav.pokorny@vsb.cz 2) Racio&Racio, Vnitřní 732, Orlová, ČR, vaclav.kafka@iol.cz 3) VŠB TU Ostrava, FMMI, 17. listopadu 15, Ostrava, ČR, zdenek.buzek@vsb.cz Abstrakt Příspěvek je zaměřen na vývoj, ladění a optimalizaci programových prostředků v rámci přístupů integrované výpočtové inteligence. Nový projekt řešený na VŠB-TU Ostrava je navrhován jako interdisciplinární. Je zaměřen především na vývoj nekonvenčních modelů v oboru umělá inteligence a dále na vývoj metod uplatnění takovýchto modelů v oblasti modelování a řízení technologie a ekonomiky výroby oceli v elektrické obloukové peci. 1. ÚVOD Vývoj prostředků pro modelování a řízení metalurgických výrobních procesů (zahrnující i podporu rozhodování jejich operátorů) prokázal efektivitu integrace konvenčních přístupů numerických s nekonvenčními přístupy nenumerickými (umělá inteligence). Příspěvek je zaměřen na oblast vývoje a optimalizace programových prostředků v rámci přístupů výpočtové inteligence. Jde především o vývoj nekonvenčních modelů v oboru umělá inteligence a dále o vývoj metod uplatnění takovýchto modelů v oblasti modelování a řízení technologie a ekonomiky výroby oceli v elektrické obloukové peci. V rámci vývoje prostředků výpočtové inteligence je k integraci s matematickými modely i k integraci vzájemně využito fuzzy modelů, neuronových modelů a kvalitativních modelů. Pro optimalizaci jejich struktur a parametrů jsou aplikovány moderní genetické algoritmy, využívající pro zvýšení své spolehlivosti znalostních přístupů (on-line expertní systémy). Pozornost je věnována využití metod waveletové transformace a metod statistických. V rámci výzkumných prací budou prohloubeny metody vědního oboru znalostního inženýrství, zvláště pak metody přípravy datových množin pro efektivní učení nástrojů využívajících umělých neuronových sítí. Nové metody budou vyvíjeny zvláště pro aplikaci v oblasti monitorování a řízení elektrických obloukových pecí v českých ocelárnách. 2. METODY UMĚLÉ INTELIGENCE Vliv znalostí na úroveň procesů rozpoznávání a rozhodování v měnícím se prostředí je studován v souvislosti s vývojem mnoha aplikací metod vědního oboru umělé inteligence [1], [2]. V rámci moderních metod aplikovaných v oboru technické kybernetiky se uplatňuje celá řada přístupů a na jejich principech vybudovaných programových počítačových nástrojů, které jsou na využití znalostí přímo založeny nebo využitím znalostí zvyšují svoji efektivitu. 1

2 Vedle rozšířených expertních systémů jsou to např. nástroje, které využívají vnitřní znalostní moduly pro řešení úloh optimalizace různých abstraktních struktur a jejich parametrů. Jsou to např. programové systémy výpočtové inteligence, které využívají integraci různých konvenčních a nekonvenčních přístupů k řešení úloh zvýšení kvality modelování, diagnostiky, monitorování a řízení. Dosavadní zkušenosti potvrdily základní předpoklad paradigmatu přístupů výpočtové inteligence, že integrací různých přístupů vznikají metody, jejichž efektivita je vyšší než efektivita samotných metod dílčích. Jednou z praktických oblastí zkoumání vlastností takových metod je oblast modelování, monitorování, diagnostiky a řízení technologie i ekonomiky procesu výroby oceli v elektrických obloukových pecích [3]. Tato oblast byla vybrána s ohledem na význam produktivity metalurgických tepelných výrobních procesů pro národní hospodářství a zkušenosti, dosažené v rámci výzkumu na VŠB-TU Ostrava v minulých obdobích. Poznatky, získané v rámci řešení řady výzkumných úkolů ukazují na potřebu zvýšení přesnosti a spolehlivosti predikčních i řídicích modelů, které by vedly k dosažení požadovaných hodnot regulovaných provozních ukazatelů, kterými jsou především kvalita výstupního produktu, časová a energetická náročnost procesu i jeho vlastní náklady [4] 2. ROZVOJ PROSTŘEDKŮ UMĚLÉ INTELIGENCE V roce 2006 bylo na VŠB-TU Ostrava zahájeno řešení nového výzkumného projektu GAČR, nazvaného Výpočtová inteligence v řízení metalurgických procesů [5]. Cílem řešení projektu je rozvoj konvenčních matematických i nekonvenčních nenumerických metod modelování a řízení komplexních procesů, zaměřený na stabilizaci a racionalizaci technologie i ekonomiky výroby oceli v elektrické obloukové peci. Středem zájmu řešení projektu jsou metody výpočtové inteligence, založené na integraci přístupů matematických a přístupů znalostních. Součástí řešení je vývoj speciálních optimalizačních metod a vývoj metod znalostního inženýrství. Teoreticky zaměřené výzkumné práce budou provázeny programovou realizací navržených řešení a jejich praktickým testováním v reálných podmínkách vybraných elektrických obloukových pecích českých oceláren. Výzkumné práce budou navazovat na řešení úspěšně zakončená v roce 2004 [6]. Provedené práce se zaměřovaly především na elektrické obloukové pece (EOP) a kyslíkové konvertory. Těmto agregátům je věnována pozornost i v rámci řešení nového projektu. EOP jsou u nás jak v ocelárnách tak zejména ve slévárnách velice rozšířeny. Analýzy ukazují na skutečnost, že v EOP je výrazný potenciální nákladový prostor, který je možné s pomoci metod umělé inteligence aktivovat a náklady snížit. Vychází se dále z předpokladu, že tavení tekuté fáze (jak oceli tak i litin) s relativně nízkým využitím pánvových pecí (zejména u nízkých tonáží taveb) bude v České republice ještě nejméně deset až dvacet let přetrvávat. V letech byla v rámci řešení projektu [6] navržena, vyvinuta, odladěna a otestována řada původních modelů, které zahrnovaly jak konvenční modely matematické, tak nekonvenční modely využívající přístupů umělé inteligence. Jejich přehled udává následující soupis: a) modely nenumerické ES-TCSE-EOP Fuzzy expertní systém stanovení spotřeby el. energie fáze TAVENÍ - EOP ES-TCSE-SEK Fuzzy expertní systém stanovení spotř. el. energie fáze TAVENÍ EOP+SEK ES-TDT-EOP Fuzzy expertní systém stanovení doby tavení fáze TAVENÍ - EOP ES-TDT-SEK Fuzzy expertní systém stanovení doby tavení fáze TAVENÍ - EOP+SEK ES-TR Fuzzy expertní systém stanovení kritérií pro řízení fáze TAVENÍ 2

3 NS-TAV-EOP Neuronový systém stanovení spotřeby el. energie a doby tavení EOP NS-TAV-SEK Neuronový systém stanovení spotřeby el. energie a doby tavení EOP+SEK FNS-TCSE-EOP Fuzzy neuronový systém stanovení spotřeby el. energie fáze tavení EOP FNS-TDT-EOP Fuzzy neuronový systém stanovení doby tavení EOP FNS-TCSE-SEK Fuzzy neuronový systém stanovení spotřeby el. energie fáze tavení EOP+SEK FNS-TDT-SEK Fuzzy neuronový systém stanovení doby tavení EOP+SEK NS-O Neuronový systém stanovení výstupních parametrů fáze OXIDACE NS-R Neuronový systém stanovení výstupních parametrů fáze REDUKCE b) modely numerické MSV Model výpočtu prvotní vsázky BAN-V Model bilance a analýzy nákladů na vsázku BAN-T Model bilance a analýzy nákladů fáze tavení RIZ-O Model řízení fáze oxidace BAN-O Model bilance a analýz nákladů fáze oxidace RIZ-R Model řízení fáze redukce BAN-R Model bilance a analýzy nákladů fáze redukce BAN-C Model bilance a analýzy celkových nákladů tavby BAN-P Model bilance a analýzy nákladů fáze mimopecní metalurgie Tyto modely jsou integrovány do struktury postupně budovaného systému monitorovacího a řídicího systému SACIS (Obr. 1) [6] (zkratky, použité v soupisu pro jednotlivé moduly, odpovídají blokům na tomto obrázku). Příkladem efektivity prostředků umělé inteligence v úlohách monitorování a predikce vývoje úrovně procesu je ukázka srovnání skutečných a předikovaných hodnot obsahu uhlíku v oceli ve fázi oxidace na elektrické obloukové peci (Obr.2). K predikci byla využita umělá vícevrstvá neuronová síť [6].. 0,7 0,6 0,5 0,4 0,3 0,2 0, Skutečný obsah C Výstup NS obsah C Obr.2 Z grafu na tomto obrázku lze kvalitativně posoudit těsnost predikce a současně je možno pozorovat rezervy, které nástroje pro modelování vykazují. 3

4 VÝROBNÍ SYSTÉM ŘÍZENÍ I. ÚROVNĚ SYSTÉM ŘÍZENÍ II. ÚROVNĚ PROCES MĚŘENÍ REGULACE MATEMATICKÉ MODELY ZNALOSTNÍ MODELY D VS KLP M MPMS RTÚM RPM-D w w MSV BAN-V VMM VZM TUV ES-TDT VSM ÚV SS PV V MPPEO RDUK RPO RIZ-O BAN-T BAN-O FNS-TDT ES- TCSE ENS-TCSE EOP TAV MPE RPE RIZ-R BAN-R ES-TR NS-TAV OXID RED MM PAN MPPM MPT SSA OPV RDPM RDP RČH W MDP BAN-C BAN-P NS-O NS-R ES - FELEXPERT Obr.1 3. PLÁN VÝVOJOVÝCH PRACÍ Harmonogram teoretických výzkumných prací je vázán s vývojem predikčních a řídicích modelů s jejich průběžnou verifikací na vybraných českých elektrických obloukových pecích. Řešení projektu je rozpracováno na období tří let ( ). Během prvního roku řešení bude věnována pozornost zvýšení přesnosti matematických bilančních technologických a ekonomických modelů. Budou hledány metody identifikace jejich numerických parametrů. Budou navrženy postupy jejich integrace s nově vyvíjenými fuzzy nelineárními regresními modely a modely fuzzy-neuro-genetickými [2].. Budou zahájeny práce na aplikaci metod vícekriteriálního fuzzy rozhodování při řízení a vývoji metod přípravy trénovacích datových množin pro učení neuronových modelů. Ověřování výsledků řešení bude prováděno jejich testováním na úlohách predikce časové a energetické náročnosti jednotlivých fází procesu výroby oceli s hlavním důrazem na minimalizaci vlastních výrobních nákladů. Druhý rok řešení bude rozšířen o vývoj metod a nástrojů pro kvalitativní predikční a diagnostické modelování [2]. Tyto metody nejsou dosud běžně v oblasti diagnostického modelování technologických procesů u nás využívány. Pozornost bude věnována vývoji metod pro využití znalostí v úlohách zvyšování spolehlivosti genetických optimalizačních algoritmů. Bude pokračovat vývoj matematických modelů a vývoj metod pro tvorbu 4

5 trénovacích datových množin. Problematika získávání kvalitních vstup/výstupních datových souborů v informačních systémech výrobních provozů je s ohledem na kvalitu učení neuronových sítí velmi důležitá. Výsledky řešení budou testovány a ověřovány na úlohách predikce časové a energetické náročnosti jednotlivých fází procesu výroby oceli. Bude také provedena analýzy vlivu přesnosti predikčních a řídicích modelů na kvalitu ekonomického řízení procesu. V závěrečném roce řešení budou řešeny problémy vazeb jednotlivých modelů v integrovaném hybridním systému řízení SACIS [6]. Výsledky prací budou připraveny pro predikci a řízení fází tavení, oxidace a redukce výrobního procesu v elektrické obloukové peci. Výzkumné práce budou soustředěny na ladění vyvinutých a implementovaných počítačových programových prostředků a ověřování jejich vlastností v simulačních experimentech i v provozním testování. 3. KONCEPČNÍ A METODICKÉ PŘÍSTUPY VÝVOJE PROSTŘEDKŮ Řešení projektu bude v části vývoje konvenčních metod využívat přístupů bilančních matematických modelů pro predikci a řízení výrobních procesů. Budou hledány efektivní metody identifikace numerických parametrů modelů. Praktická použitelnost dosud připravených matematických modelů byla potvrzena hlavně v oblasti stanovení a analýzy výrobních nákladů [4]. V části vývoje metod nekonvenčních budou rozpracovány přístupy zobecněných fuzzy-genetických nelineárních regresních modelů Takagi-Sugeno, fuzzy-neuro-genetického modelování, kvalitativního modelování a vícekriteriálního fuzzy rozhodování [7]. Schéma predikčního systému, využívajícího fuzzy nelineární model Takagi-Sugeno (T-S model) s optimalizací genetickým algoritmem je uvedeno na Obr.3. Obr.3 Budou rozpracovány postupy fuzzy-neuronových predikčních algoritmů, využívající prostředí vícevrstvých neuronových sítí k automatické identifikaci T-S modelů (Obr.4). V případě fuzzy-neuro-genetických predikčních algoritmů budou tyto fuzzyneuronové modely optimalizovány s využitím genetických algoritmů (Obr.5). Budou zkoumány a vyvíjeny původní fuzzy-genetické optimalizační algoritmy, v nichž bude použito on-line dohlížecích expertních fuzzy systémů pro dynamickou adaptaci jejich parametrů (Obr.6). Zcela nové možnosti přinese vývoj prostředků pro kvalitativní modelování. Jeho význam spočívá hlavně v oblasti diagnostického modelování (predikce poruchových stavů technologického procesu bezpečnostní inženýrství) [2]. 5

6 Obr.4 Pro přípravu dostatečně kvalitních trénovacích datových množin pro učení neuronových a Obr.5 fuzzy-neuronových sítí bude použito integrace matematických statistických a nekonvenčních znalostních přístupů [8]. Obr.6 Hlavní pozornost bude věnována vývoji integrovaných struktur, v nichž budou stávající monitorovací, predikční a řídicí programové prostředky doplněny inteligentními bloky pro zvýšení jejich efektivity a optimalizaci. V této souvislosti budou zkoumány jmenovitě možnosti použití statistických metod (Obr.7) a metod waveletové transformace [9]. 6

7 Obr.7 Budou pokračovat práce ve vývoji znalostních systémů, využívajících pravděpodobnostních přístupů [1]. V projektu [6] byly rozpracovány návrhy pro expertní (znalostní) řízení vybraných fází procesu výroby oceli s využitím off-line znalostních regulátorů jako specializovaných fuzzyexpertních systémů.. Nový projekt bude v tomto řešení pokračovat. Vyvíjené metody výpočtové inteligence budou průběžně ověřovány v systému technologického a ekonomického řízení výroby elektrooceli. 4. VÝSLEDKY ŘEŠENÍ PROJEKTU a) Teoretickými výstupy řešení projektu budou - metody nelineárního regresního fuzzy a pravděpodobnostního modelování, - metody kvalitativního modelování, - metody využití znalostních přístupů v genetických algoritmech - metody monitorování procesu s využitím waveletové transformace - metody přípravy trénovacích množin pro učení umělých neuronových sítí. b) Praktickými výstupy řešení projektu budou - programový fuzzy-genetický systém pro nelineární modelování NEFRIT-v3.0, - programový systém pro kvalitativní modelování, - programový systém pro fuzzy-genetickou optimalizaci, - programový systém pravděpodobnostní predikce (FEL-EXPERT) - metodika použití přístupu fuzzy vícekriteriálního rozhodování a - metodika využití statistických a znalostních přístupů pro přípravu trénovacích datových množin. c) Výsledkem budou dále ověřené programové moduly systému technologického a ekonomického řízení EOP. Výsledky řešení projektu budou začleněny do osnov speciálních předmětů fakult FEI a FMMI na VŠB-TU Ostrava. 5. ZÁVĚR Výsledky řešení projektu budou obecným příspěvkem k rozvoji oborů umělé inteligence (fuzzy metody, umělé neuronové sítě, genetické algoritmy), inženýrské 7

8 informatiky (znalostní inženýrství), technické kybernetiky (modelování a řízení složitých soustav), konkrétně pak v oboru výroby oceli a oboru ekonomiky výroby. Výsledky řešení obohatí osnovy specializovaných předmětů programů magisterského a doktorského studia.. Poděkování Příspěvek vznikl za finanční podpory GAČR v rámci řešení grantového projektu reg. č. GA ČR 102/06/1332. LITERATURA [1] MAŘÍK, V. a kol.: Umělá inteligence I, II, ACADEMIA Praha,1998 [2] POKORNÝ, M.: Umělá inteligence v modelování a řízení, BEN Praha, 1996 [3] KUBĚNA, J., RÝC, Z.: Automatické řízení výroby oceli, Praha, 1976 [4] KAFKA,V.,BŮŽEK, Z., VÉVODOVÁ, J.,LEDVOŇOVÁ, A.,BLAHUTOVÁ, L.: Problémy operativního sledování a řízení nákladů v českých ocelárnách a slévárnách. Hutnické listy, 2002, roč. 57, č. 6-8, s ISSN [5] POKORNÝ, M., KAFKA,V.: Výpočtová inteligence v řízení metalurgických procesů, projekt GAČR 102/06/1332, VŠB TU Ostrava, 2006 [6] KAFKA, V., POKORNÝ, M.: Racionalizace řízení tavby v ocelárnách s využitím expertních systémů, projekt GAČR106/02/1128, závěrečná zpráva, Ostrava, 2004 [7] TALAŠOVÁ,J.: Fuzzy metody vícekriteriálního rozhodování, UP Olomouc, 2002 [8] KANAL.L. N. a comp.: Uncertainty in Artificial Intelligence, Nort-Holland, 1990 [9] THUILLARD, M.: Wavelets in Soft Computing, World Scientific Series in Robotics and Intelligent Systems, Vol. 25,