MONITOROVÁNÍ A ŘÍZENÍ VÝROBY OCELI V EOP S VYUŽITÍM METOD UMĚLÉ INTELIGENCE

Transkript

1 MONITOROVÁNÍ A ŘÍZENÍ VÝROBY OCELI V EOP S VYUŽITÍM METOD UMĚLÉ INTELIGENCE ARTIFICIAL INTELLIGENCE METHODS IN ELECTRIC ARC FURNACE PROCESS MONITORING AND CONTROL Miroslav Pokorný a Václav Kafka b Zdeněk Bůžek c Lenka Blahutová c Josef Kuběna d a VŠB-Technická univerzita Ostrava,FEI, 17. listopadu 15, Ostrava, miroslav.pokorny@vsb.cz b RACIO&RACIO, Václav KAFKA, Vnitřní 732, Orlová, vaclav.kafka@iol.cz c VŠB-Technická univerzita Ostrava, FMMI, 17. listopadu 15, Ostrava, zdenek.buzek@vsb.cz, lenka.blahutova@centrum.cz d Josef Kuběna, josef.kubena@seznam.cz Abstrakt Příspěvek seznamuje s výsledky řešení projektu Racionalizace řízení tavby v ocelárnách s využitím expertních systémů. Podává přehled přístupu k řešení problému s využitím jak konvenčních matematických, tak nekonvenčních znalostních abstraktních modelů pro monitorování, predikci a řízení dílčích etap technologického procesu. Zahrnuje rovněž problematiku využití nákladových modelů pro sledování a řízení ekonomiky výroby. Představuje návrh struktury a současnou úroveň programové realizace hybridního systému SACIS (Steel-Making Automatic Control Intelligent System), jehož koncepce shrnuje výsledky výzkumu do potenciálně prakticky použitelného programového vybavení. Abstract The paper presented informs about results that have been reached in frame o project Rationalization of heat control in steel plants using expert systems. It describes an approach to solving this problem being based on using conventional mathematical methods as well as non-conventional abstract knowledge-models for monitoring, predicting and controlling individual phases of the technological process. It also deals with use of cost models for tracking and controlling the economy of production. Further on, structure and actual status of software realization are presented for SACIS (Steel-Making Automatic Control Intelligent System). The SACIS concept has enabled to gather and integrate many research results into a potential practically usable software product. 1. ÚVOD Úroveň technologického procesu výroby v ocelářských agregátech je v současnosti posuzována na základě ukazatelů, z nichž nejvýznamnější jsou kvalita výstupního produktu, energetická a časová náročnost procesu a vlastní náklady. Hodnoty těchto ukazatelů jsou ovlivněny na jedné straně vlastnostmi a skladbou vstupů technologického pochodu, na druhé straně pak parametry a podmínkami průběhu vlastního tavicího procesu. Pro zvýšení ekonomické efektivnosti výroby a zjednodušení jeho technologického i operativního řízení se začínají především v zahraničí uplatňovat některé nekonvenční přístupy znalostní (expertní) systémy a umělé neuronové sítě. 1

2 2. RACIONALIZACE ŘÍZENÍ TAVBY S VYUŽITÍM ZNALOSTNÍCH SYSTÉMŮ U ELEKTRICKÝCH OBLOUKOVÝCH PECÍ Na základě teoretického rozboru podmínek řízení, a to jak z pohledu technologie, tak i ekonomiky výroby, byl cyklus tavby rozdělen do pěti dílčích fází: skladové hospodářství, příprava vsázky, tavení, oxidace a redukce [1], [2], [3]. Každá fáze tavby je autonomním subsystémem. To znamená, že je reprezentována takovou části procesu tavby, která je nezbytná pro její fázi následující. Výstupy fáze předcházející tvoří vstupy fáze následující. Na základě výsledků systémové analýzy řízení vznikl návrh struktury a vazeb systému, umožňujícího jeho počítačové monitorování a řízení [3], [4]. Použitý přístup monitorování a řízení průběhu tavby v elektrické obloukové peci předpokládá nejen řízení procesu po stránce technologické, ale rovněž i po stránce ekonomické. Je navržen tak, aby zahrnoval jak konvenční, tak i nekonvenční přístupy při řízení výroby oceli v elektrické obloukové peci. Proto je řešen jako systém hybridní, využívající jak matematické tak i znalostní modely, které pro dosažení vyšší efektivity řízení spolu účelně kooperují. Vedle informací objektivních se zde využívá i informací subjektivních, které jsou zpracovávány nekonvenčními metodami umělé inteligence (expertními systémy a umělými neuronovými, resp. fuzzy-neuronovými sítěmi). 2.1 Řešení pro fázi Příprava vsázky Pro monitorování a řízení fáze přípravy vsázky procesu byly uvažovány dva modely matematický model výpočtu prvotní vsázky a matematický model bilancí a analýz nákladů na vsázku. Bilanční nákladový model, stejně jako i nákladové modely dalších fázi procesu, vychází z rozborových sestav taveb využívaných v elektroocelárně ŽĎAS, a.s. Žďár nad Sázavou. 2.2 Řešení pro fázi Tavení vsázky Pro monitorování a řízení fáze tavení byly navrženy tyto modely: model bilancí a analýz nákladů fáze tavení, znalostní řídicí model, znalostní modely pro predikci spotřeby elektrické energie na roztavení a pro predikci doby tavení a variantní fuzzy neuronové modely pro predikci spotřeby elektrické energie na roztavení vsázky a pro predikci doby tavení. Znalostní jazykové modely, určené pro predikci celkové spotřeby elektrické energie na fázi tavení a predikci doby tavení byly sestaveny s použitím expertně formulovaných podmíněných IF-THEN pravidel. Pravidla stanoví kvalitativní závislosti mezi uvažovanými jazykovými hodnotami vstupních proměnných a velikostí hodnoty výstupní. Pro vyvození velikosti hodnoty výstupní proměnné (celková spotřeba elektrické energie, resp. doby tavení) jsou použity principy fuzzy expertních systémů, využívající fuzzy množinové matematiky a fuzzy logiky. Tyto modely jsou řazeny do oblasti prostředků umělé inteligence. Modely jsou sestaveny separátně pro technologii ukončení tavby v EOP a variantně pro použití technologie sekundární metalurgie. Jazykový model predikce doby tavení pracuje se třemi vstupními proměnnými jazykovými (počet vsazených košů, spotřeba energie na počáteční fázi tavení a spotřeba energie na dotavení) a dvěma vstupními proměnnými dvouhodnotovými (řízení energetického režimu, použití napěněné strusky). Modely jsou opět sestaveny separátně pro technologii ukončení tavby v EOP a variantně pro použití technologie sekundární metalurgie. Jazykové modely byly naprogramovány v prostředí Fuzzy Tool Boxu programového balíku MATLAB. Tím byly získány expertní systémy, které byly odladěny a ověřeny testovacím provozem. 2

3 Vedle expertně sestavených jazykových fuzzy modelů pro predikci celkové spotřeby elektrické energie fáze tavení a predikce doby tavení byly vyvinuty a odladěny variantní predikční modely, využívající technologii vícevrstvých neuronových sítí. Pro vytvoření neuronových predikčních modelů byl k dispozici vedle komerčního programového prostředku Neural Tool Box systému MATLAB také fuzzy-neuronový model FUZNET [5]. S použitím trénovacích množin vstupních-výstupních dat, získaných měřením v provozu ocelárny ŽĎAS a.s., byl získán neuronový model pro predikci celkové spotřeby elektrické energie a doby tavení a variantní fuzzy neuronový model pro predikci celkové spotřeby elektrické energie a pro predikci doby tavení. Obě varianty byly připraveny opět pro technologii EOP a pro technologii sekundární metalurgie. Všechny neuronové modely byly odlaďovány s použitím různého počtu skrytých vrstev a neuronů a různého počtu iterací procesu jejich učení pro dosažení co nejlepších výsledků predikce. Kromě nenumerických predikčních modelů na bázi fuzzy pravidlových modelů a neuronových či fuzzy-neuronových sítí byl vyvinut znalostní řídicí model pro výpočet veličin, nutných pro řízení energetického režimu EOP. Fuzzy orientovaný pravidlový model je základem fuzzy expertního systému pro vyvození velikosti spotřeby energie pro počáteční fázi tavení, spotřeby energie na dotavení a doby použití hořáku. Model pracuje se dvěma vstupními proměnnými jazykovými (tloušťka zdiva, velikost mezitavbového prostoje) a třemi vstupními proměnnými dvouhodnotovými (řízení energetického režimu, řízení hořáku a použití napěněné strusky). Fuzzy model je naprogramován v prostředí Fuzzy Tool Boxu balíku MATLAB. Všechny vyvinuté expertní systémy a neuronové sítě byly testovány jak v simulačním počítačovém prostředí SIMULINK tak i v provozních podmínkách ocelárny ŽĎAS, a.s. 2.3 Řešení pro fázi Oxidace Předpokladem pro racionalizaci řízení tavby ve fázi oxidace je popis rozdělení přiváděného kyslíku na oxidaci jednotlivých prvků v závislosti na aktuálních podmínkách. Analýza problému ukázala, že s ohledem na komplikovanost vzájemných vazeb mezi jednotlivými faktory, ovlivňujícími průběh reakcí, není použití znalostních přístupů pro řešení predikčních úloh vhodné. Jazykový popis závislostí vstupních a výstupních proměnných (výstupní obsahy C, Mn, P, Cr a doby oxidace, vstupní obsahy C, Mn, P, Cr, hmotnost přísad CaO, CaF 2 a okují/rudy, objem nafoukaného plynného O 2 ) je v daném případě nereálný. V této situaci bylo použito přístupů samoučicích se neuronových sítí. Pro aplikaci vícevrstvých fuzzy neuronových sítí bylo i v tomto případě využito programového prostředí FUZNET [5], v němž je možno automaticky generovat neuronovou síť s možností následné formulace odpovídajícího fuzzy pravidlového modelu. Pro monitorování a řízení fáze oxidace byly doporučeny tyto modely: matematický řídicí model, matematický model bilancí a analýz nákladů fáze oxidace a fuzzy neuronový model predikce obsahů C, Mn, P, Cr po oxidaci na základě obsahů C, Mn, P, Cr po natavení, spotřeby okují/rudy, CaO, CaF 2 a spotřeby plynného O 2 ve fázi oxidace. Pro tuto fázi tavby byl také vyvinut a naprogramován matematický řídicí model, který na základě znalosti obsahu základních prvků po fázi tavení a požadovaného obsahu těchto prvků a teploty lázně na konci této fáze vypočítává potřebné množství kyslíku, okují, vápna a kazivce. Hlavním cílem tohoto řídicího modelu fáze oxidace je standardizace postupů a zajištění respektování základních technologických pravidel pro vedení tavby. Algoritmus byl doplněn některými operacemi jako nauhličení lázně v případě natavení nízkého obsahu uhlíku, pokyny pro taviče k odběru vzorků a měření teploty na základě empiricky zjištěných časů. Výpočet kyslíku potřebného na oxidaci sestává ze dvou úloh. První úloha řeší optimální 3

4 rychlost dmýchání kyslíku (množství dmýchaného kyslíku za jednotku času) a vychází z kinetických hledisek. Druhá úloha řeší spotřebu kyslíku na oxidaci jednotlivých doprovodných nebo legujících prvků a železa. 2.4 Řešení pro fázi Redukce Pro monitorování a řízení fáze redukce byly navrženy tyto modely: matematický model energetických procesů fáze redukce, matematický řídicí model, model bilancí a analýz nákladů fáze redukce a neuronové modely predikce obsahu S, Al (celkového) a teploty po redukci na základě obsahu C po natavení, obsahu C, S, a Mn po oxidaci, spotřeby Al, FeSi, CaO a CaF 2. Podobně jako u fáze oxidace, i zde byl vyvinut matematický řídicí model. Ten vychází z obsahu S po ukončení oxidace a jejího požadovaného obsahu výsledného, požadovaného obsahu celkového Al a požadované výsledné teploty lázně. Výstupem pak je potřebné množství Al a dalších dezoxidačních přísad (FeSi,), CaO a CaF 2. Hlavním cílem tohoto řídicího modelu je opět standardizace postupů a zajištění respektování základních technologických pravidel pro vedení tavby v dané fázi Matematické modely, znalostní modely a modely neuronové či fuzzy-neuronové jsou základem monitorovacího a řídicího systému, jehož předpokládané struktury byly popsány např. v pracech [1] a [3]. Následující kapitola popisuje aktualizovaný stav systému, který respektuje současný stav řešení jeho jednotlivých částí. 3. Hybridní monitorovací a řídicí systém SACIS Způsob uplatnění abstraktních modelů v monitorování a řízení procesu výroby oceli v EOP vyplývá ze základního rozdělení procesu tavby na fáze tavení, oxidace a redukce. Problematika vzájemné koordinace a kooperace jednotlivých modelů je řešena v návrhu globálního systému, který oba druhy modelů integruje do hybridní struktury, nazvané SACIS (Steel-Making Automatic Control Intelligent System) [1], [3]. Matematické, znalostní a neuronové modely, popsané v minulé kapitole, byly vyvinuty v letech v rámci řešení projektu Racionalizace řízení tavby v ocelárnách s využitím expertních systémů. Na Obr. 1 je uvedeno schéma jejich integrujícího systému. K dispozici je v současné době celkem 15 modelů znalostních a 8 modelů matematických. Modely jsou začleněny do hierarchické struktury, zahrnující vlastní technologický proces, jeho základní provozní měřicí a regulační systém a jeho systémovou nástavbu, kterou můžeme nazvat úrovní modelovou. Na Obr. 1 je především znázorněna diverzifikace výrobního procesu do jednotlivých fází (VÝROBNÍ PROCES), nad nímž je vybudován provozní systém měření a základního řízení (SYSTÉM ŘÍZENÍ I. ÚROVNĚ, sloupce MĚŘENÍ a REGULACE). Systém řízení I. úrovně pracuje v autonomním režimu automatické regulace vybraných provozních parametrů na základě manuálního (operátorského) zadávání jejich požadovaných hodnot. Významným přínosem projektu je zavedení vyšší, nadřazené úrovně řízení modelového (SYSTÉM ŘÍZENÍ II. ÚROVNĚ), který provádí automatické monitorování a řízení procesu s využitím matematických modelů (MATEMATICKÉ MODELY) a modelů na bázi umělé inteligence (ZNALOSTNÍ MODELY). Na této úrovni jsou prováděny simulační výpočty, které vedou ke stanovení doporučení pro vedení procesu nebo k výpočtu velikosti požadovaných hodnot regulovaných veličin. Ty jsou zadávány do regulačního systému I. úrovně (AKCE) a nahrazují tak v režimu vyššího řízení zadání operátorská. Modely nenumerické (znalostní, pravděpodobnostní, neuronové a fuzzy-neuronové) jsou následující: 4

5 ES-TCSE-EOP Fuzzy expertní systém stanovení spotřeby ELEN fáze TAVENÍ - EOP ES-TCSE-SEK Fuzzy expertní systém stanovení spotřeby ELEN 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 NS-TAV-EOP Neuronový systém stanovení spotřeby ELEN a doby tavení EOP NS-TAV-SEK Neuronový systém stanovení spotřeby ELEN a doby tavení EOP+SEK FNS-TCSE-EOP Fuzzy NS stanovení spotřeby ELEN fáze tavení EOP FNS-TDT-EOP Fuzzy NS stanovení doby tavení EOP FNS-TCSE-SEK Fuzzy NS stanovení spotřeby ELEN fáze tavení EOP+SEK FNS-TDT-SEK Fuzzy NS stanovení doby tavení EOP+SEK NS-O Neuronový systém stanovení výstupních parametrů fáze OXIDACE NS-R Neuronový systém stanovení výstupních parametrů fáze REDUKCE ES-FELEXPERT Pravděpodobnostní ES predikce poruch technologického procesu a moduly numerické (matematické): 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 Struktura sloupců VÝROBNÍ PROCES a SYSÉM ŘÍZENÍ I. ÚROVNĚ zůstala ve srovnání se schématem uvedeným v [1] a [3] nezměněna. Aktualizace zahrnuje pouze sloupec SYSTÉM ŘÍZENÍ II. ÚROVNĚ. Dále pak modul MDP Příprava dat pro znalostní modely představuje procedury, které jsou nutné pro primární expertní filtraci dat pro znalostní modely. Ukázalo se, že kvalita jejich funkce se významně zvýší po odstranění dat, která jsou z nejrůznějších příčin poškozená (obdoba exploratorní analýzy naměřených dat pro účely jejich statistického zpracování). Znalostní modely ES-TCSE-SEK a ES-TDT-SEK jakož i neuronové a fuzzyneuronové modely NS-TAV-SEK, FNS-TCSE-SEK a FNS-TDT-SEK pokrývají vybrané úlohy nenumerického modelování procesu sekundární metalurgie. Obdobně matematický model BAN-P je určen pro bilanci a analýzu nákladů procesu zpracování oceli v pánvi. Zvláštní postavení zaujímá v systému SACIS modul ES-FELEXPERT, určený k automatické průběžné diagnostice technologického procesu. Základem modulu je znalostní pravidlový model, jehož pravidla jsou orientována na vyslovení podmínek vzniku možných poruch procesu. Neurčitost v pravidlech však není formalizována pomocí fuzzy množin (jak tomu bylo u předešlých expertních modelů), nýbrž pomocí ohodnocení platnosti pravidel prostřednictvím pseudo-pravděpodobnostních hodnot (v intervalu <0,1>). Jde o tzv. pravděpodobnostní znalostní model, jehož koncepce využívá modifikovaného Bayesova vztahu pro dokazování hypotéz s uplatněním zákonů nekonvenční pravděpodobnosti. Problematika predikce poruch procesu je natolik závažná, že v rámci řešení projektu byla připravena demonstrační verze takového diagnostického systému, realizovaná v prostředí programového vývojového systému FEL-EXPERT. Stav sledované části procesu je průběžně sledován a v pravidelných časových intervalech jsou možné poruchy ohodnocovány 5

6 pravděpodobností jejich vzniku. Sledování časové řady vývoje velikosti a trendu takových ohodnocení lze predikovat vznik poruchy ve fázi, kdy se ještě objektivně neprojevuje. Uvedená struktura systému SACIS je typová, vychází však z podmínek vybavení ocelárny ŽĎAS, a.s. Podrobný popis postupu řešení a výsledky testovacích experimentů jsou uvedeny ve zprávě o řešení projektu [6]. 4. ZÁVĚR Problematiku monitorování a řízení procesu výroby oceli v EOP byla řešena pro jednotlivé výrobní fáze fáze přípravy vsázky, tavení, oxidace a redukce. Podle charakteru procesu v jednotlivých fázích byl použit postup, který se skládal z predikce technologického výsledku, jeho nákladového ocenění, výběru vhodného řídícího zásahu a predikce výsledku, nového nákladového ocenění, provedení zásahu a porovnání předpokládaného a skutečného nákladového výsledku. Praktickými přínosy řešení projektu je především diverzifikovaný přístup k monitorování a řízení procesu výroby oceli v EOP, dokumentovaný dosud navrženými, odladěnými a provozně otestovanými abstraktními modely. Zvláštní význam má skupina fuzzy modelů znalostních, doplněná neuronovými a fuzzy-neuronovými modely. Velmi významná je praktická zkušenost provozních pracovníků, získaná spoluprací při řešení a zvláště při provozním testování navržených modelů. Přínosem řešení projektu v teoretické oblasti jsou výsledky, týkající se rozvoje metod a prostředků umělé inteligence určených pro modelování a řízení složitých soustav. Byla rozpracována původní verze programového systému pro fuzzy-neuronové nelineární modelování a navrženo původní řešení fuzzy-neuro-genetického modelu. Významným přínosem řešení projektu jsou zkušenosti (know-how), které získal řešitelský tým v oblasti metod znalostního inženýrství, zejména v procedurách ladění pravidlových expertních modelů, ladění topologie vícevrstvých neuronových sítí, získávání a úpravu tréninkových datových množin pro učení neuronových sítí a řízení procesu učení. Další významné zkušenosti byly získány v oblasti testování znalostních modelů a vyhodnocování jejich efektivity. Velmi dobrou základnou pro výzkum a vývoj metod a prostředků řízení výroby oceli je provoz ocelárny ŽĎAS, a.s. - Divize metalurgie (DME) ve Žďáru nad Sázavou a nákladové středisko ocelárna ve VÍTKOVICE STEEL, a.s. Závěrem lze říci, že provedené práce zejména v oblasti znalostního inženýrství potvrdily význam metod umělé inteligence a jejich aplikací. Vyvinuté modely bude možné po jejich zpřesnění začlenit do systému monitorování a řízení průběhu tavby v elektrické obloukové peci. Celkově je možné konstatovat, že české ocelárny a slévárny mohou v aplikaci expertních systémů získat vysoce účinný nástroj k řízení nákladové spotřeby, který přispěje k jejich konkurenceschopnosti. Tento příspěvek vznikl s finanční podporou grantového projektu GAČR 106/02/1128 Racionalizace řízení tavby v ocelárnách s využitím expertních systémů. LITERATURA [1] POKORNÝ, M., BŮŽEK, Z. Artificial Inteligence Approaches in Steel-Making Automatic Monitoring and Control. In Proc. The VIII. IEEE International Symposium on Industrial Electronics ISIE Rio de Janeiro, 2003, Brazílie 6

7 [2] BLAHUTOVÁ, L., KAFKA, V., KUBĚNA, J., BŮŽEK, Z., POKORNÝ, M. Možnosti uplatnění expertních systémů u výroby oceli v elektrických obloukových pecích. In XIV. International scientific konference Iron and Steelmaking. Malá Lučivná, Košice: Technická univerzita v Košiciach, Acta Metallurgica Slovaca (přijato k publikaci 2005) [3] POKORNÝ, M., BLAHUTOVÁ, L., BŮŽEK, Z., KAFKA, V. Použití metod umělé inteligence při monitorování a řízení výroby oceli. In: 12. mezinárodní konference metalurgie a materiálů, METAL Hradec nad Moravicí, Ostrava: Tanger, s.r.o., 2003, s. 36, [CD-ROM]. ISBN [4] POKORNÝ, M., KAFKA, V., BŮŽEK, Z., BLAHUTOVÁ, L. Problematika uplatnění expertních systémů u elektrických obloukových pecí. In 13. mezinárodní konference metalurgie a materiálů, METAL Hradec nad Moravicí, Ostrava: Tanger, s.r.o., s. 33, [CD-ROM]. ISBN X [5] ČERMÁK, P. Parameters Optimization of Fuzzy-Neural Dynamic Model. In Proc. NAFIPS2004. Banff, Alberta, Kanada, 2004, [CD-ROM]. ISBN /04 [6] KAFKA, V. a kol. GAČR 106/02/1128: Racionalizace řízení tavby v ocelárnách s využitím expertních systémů. Zpráva o řešení projektu. Ostrava,

8 VÝROBNÍ SYSTÉM ŘÍZENÍ I. ÚROVNĚ SYSTÉM ŘÍZENÍ II. ÚROVNĚ PROCES MĚŘENÍ REGULACE MATEMATICKÉ MODELY AKCE ZNALOSTNÍ MODELY D KLP RTÚM w MSV VMM VZM TUV VSM VS MPMS RPM-D w BAN-V ES-TDT ÚV SS V RDUK RIZ-O BAN-T FNS-TDT ES-TCSE PV MPPEO RPO BAN-O ENS-TCSE EOP TAV MPE RPE RIZ-R BAN-R ES-TR NS-TAV OXID RED MPPM MPT RDPM RDP BAN-C BAN-P NS-O NS-R MM PAN SSA RČH W MDP ES - FELEXPERT OPV Obr. 1