3.2.3. ЭКСПЕРТНАЯ СИСТЕМА УПРАВЛЕНИЯ НАГРЕВОМ ПЕЧИ

Структура системы

Система (рис. 3.5) состоит из управляющего компьютера (который осуществляет сбор данных от датчиков и их предварительную обработку для представления в виде, удобном для логических выводов), процессора искусственного интеллекта (ИИ) (который, используя базу знаний, делает выводы о нагреве печи) и цифровой контрольно-измерительной аппаратуры, управляющей нагревом по результатам выводов.

Процессор ИИ содержит программные средства поддержки экспертной системы на базе языка Лисп (средства ИИ) и машину выводов, интерпретирующую знания. Управляющий компьютер кроме функций предварительной обработки данных от датчиков оснащен функциями анализа данных и диагностики нагрева по математической модели, разработанными и используемыми ранее. На основе информации от датчиков и базы знаний в системе делается вывод о текущем уровне нагрева с периодом 20 мин и об увеличении или уменьшении нагрева; по результатам вывода с помощью

Рис. 3.5. Структура экспертной системы управления нагревом печи.

правил управления определяются объем дутья и другие параметры управления.

Механизм выводов

Механизм выводов представлен на рис. 3.6. Источники знаний (ИЗ) объединяются в блоки для каждого функционального элемента системы, включают атрибуты датчиков и правила и размещаются в процессоре ИИ. Данные от датчиков, собранные компьютером, преобразуются в фактические данные для вывода и записываются на доску объявлений (ДО). Процесс вывода о нагреве начинается с запуска

(см. скан)

Рис. 3.6. Схема вывода при управлении нагревом.

машины выводов с помощью механизма планирования в реальном времени, затем машина выводов запускает ИЗ об управлении выводом. Например, если из некоторого ИЗ о датчиках выводится промежуточное заключение о нагреве, это заключение и информация, относящаяся к ИЗ о нагреве. заносятся на ДО. Управление выводом всегда осуществляется по информации на ДО с последующим определением ИЗ, который следует запустить.

Технологические знания об управлении нагревом

На рис. 3.7 в рамках инженерии знаний показано развитие технологических знаний, используемых до настоящего времени для управления нагревом. Среди этих знаний имеются диагностические знания о нагреве, фундаментальные знания о доменной печи, обычные знания (здравый смысл) оператора печи и др. Диагностические знания содержат сведения, позволяющие диагностировать нагрев по наблюдениям оператора (условия сгорания кокса перед фурмами, цвет шлака на выходе и т. п.), и знания для получения и проверки гипотез о нагреве по характеру специальной информации. Оператор, мгновенно сопоставляя эти знания, оценивает нагрев и производит необходимые действия, применяя знания об управлении нагревом, руководство по эксплуатации и другую информацию.

Фундаментальные знания о доменной печи содержат специальные знания, получаемые при теоретическом анализе в рамках теории металлургических реакций, сведения, получаемые с помощью замораживания, и технику эксплуатации, подтвержденную многолетним опытом. Кроме этих знаний существуют обычные знания, используемые только специалистами по доменной печи. Например, зона плавления - это зона вблизи 1250 °С, в которой происходит размягчение и плавление руды; подвисание - это явление временной приостановки опускания сырья в пени и т. п.

(см. скан)

Рис. 3.7. Представление о работе доменной печи в инженерии знаний.

Представление знаний и база знаний

В данной системе для описания специальных знаний, используемых для вывода, введены три формы представления - порождающие правила, фреймы и функции Лиспа. Основная часть знаний представляется в виде продукционных правил, распределяется по функциональным элементам со своими правилами и атрибутами датчиков и объединяется в блоки, образуя иерархическую структуру.

На рис. 3.8 показаны пример правил и структура базы знаний. Например, группа ИЗ о нагреве состоит из четырех ИЗ; ИЗ о температуре жидкого чугуна по измеренной температуре

(см. скан)

Рис. 3.8. Структура базы знаний.

жидкого чугуна делает вывод о нагреве и содержит около десяти правил. Вывод о температуре чугуна делается с учетом времени, прошедшего с начала выпуска, и числа ковшей, используя приведенное ниже понятие нечеткого множества. Затем делается вывод о нагреве с использованием ИЗ о содержании в чугуне Si, S и других элементов. После окончания этой обработки запускаются ИЗ о датчиках и ИЗ об оценке человека, и по результатам выводов в каждой группе ИЗ делается заключительная оценка уровня нагрева.

Фреймы содержат постоянные величины, которые служат исходными данными для вывода: влажность и температура дутья для управления нагревом, содержание кокса, задающие величины. Во фреймы часто включают знания общего характера, поэтому стараются повысить эффективность представления знаний, используя их преемственность.

С помощью функций Лиспа описываются знания процедурного типа для вычисления поправок к параметрам рабочего воздействия по степени достоверности, представляющей четкость в знаниях, и по предыстории изменения задающих величин.

Представление нечеткостей

Одна из проблем данной экспертной системы, содержащей эмпирические правила, - представление нечеткостей в знаниях. Для ее решения обычно используют степени достоверности CF вывода для каждого правила либо нечеткие множества. При нечетком управлении, основанном на теории нечетких множеств, с помощью функций принадлежности, позволяющих в естественном виде представить субъективные нечеткие понятия, свойственные человеку, описываются профессиональные знания квалифицированного оператора и реализуется управление аналогичное тому, которое он может выполнять. В производстве чугуна такое управление уже разрабатывается и внедряется для оперативного управления процессом агломерации в реальном времени.

Вместе с тем доменный процесс является очень сложным процессом, в котором одновременно протекают реакции трех фаз - газообразной, твердой и жидкой. Поэтому профессиональные знания квалифицированного оператора трудно представить только функциями принадлежности и так же трудно реализовать управление в виде единой системы.

В связи с этим в рассматриваемой системе в качестве способа представления обширных профессиональных знаний использовали порождающие правила, а в качестве средства представления нечеткостей ввели понятия теории нечетких множеств. Наряду с простотой представления знаний это позволило избежать увеличения числа правил и сократить время вывода. В результате появилась возможность оперативного управления в реальном времени на базе экспертной системы.

Введение функции принадлежности

Когда состояние нагрева прогнозируется по измеренным значениям температуры чугуна, оператор не сразу определяет уровень нагрева. Поэтому в данной системе нагрев, который фактически является непрерывной функцией, был разделен на семь уровней с учетом опыта оператора (табл. 3.1).

Таблица 3.1. Уровни и состояние нагрева

Обычно оператор по одному замеру вряд ли скажет, что нагрев сейчас на седьмом уровне; скорее всего он сделает вывод, что текущий уровень - шестой или седьмой. В данной системе не дается однозначного заключения по фактическим данным (температуре чугуна), а вводится нечеткость, которая для одного замера выражается показателем достоверности по каждому уровню. Предложен способ представления показателя достоверности на каждом уровне с учетом удобства эксплуатации с помощью трехмерной обобщенной функции принадлежности, состоящей из трех элементов: фактические

Рис. 3.9. Обобщенная функция принадлежности.

данные (например, температура чугуна), заключение (например, уровень нагрева) и показатель достоверности.

На рис. 3.9 показана обобщенная функция принадлежности для температуры чугуна, уровня нагрева и показателя достоверности для N-го ковша в выпуске. Если, например, измеренное значение температуры чугуна составляет , то сечение при дает показатели достоверности для каждого уровня нагрева

Поскольку смысл информации и ее нечеткость меняются со временем от начала выпуска, в качестве параметра для температуры чугуна в данной системе выбрано число ковшей в выпуске. Кроме того, обобщение функции принадлежности введены не только для температуры чугуна, но и для другой информации от датчиков, связанных с нагревом.

Способ формирования функций принадлежности

Ниже описан способ формирования обобщенных функций принадлежности, используемых в данной системе. На рис. 3.10, а построена зависимость между измеренными значениями температуры чугуна (ось X) для ковша и максимальной температурой чугуна во время выпуска (ось У), наилучшим образом описывающей нагрев. На рис. 3.10, б эта зависимость представлена в виде функций принадлежности, при этом выделены определенные температурные области, а по оси Z показана частота появления максимальных температур в каждой области. На рис. 3.10, в показана

Рис. 3.10. Метод формирования обобщенной функции принадлежности. а - температура чугуна в N-м ковше и наибольшая температура плавки; б - представление функции принадлежности; в - представление расширенной функции принадлежности.

обобщенная функция принадлежности, которая получена путем аппроксимации всех функций принадлежности в виде треугольников и соединением соответствующих вершин. Поскольку температура жидкого чугуна зависит от времени, прошедшего после начала выпуска, и условий работы печи, были подготовлены более 30 обобщенных функций принадлежности, с тем чтобы их можно было выбирать автоматически в зависимости от условий работы. Формы этих функций описываются в виде фреймов.

Обучение обобщенной функции принадлежности

Если управление процессом осуществляется на основе профессиональных знаний операторов, как в данной системе, то эффективность системы будет зависеть от того, насколько функции принадлежности, выражающие нечеткости, согласуются

с профессиональными навыками оператора. Более того, эти навыки постоянно изменяются при смене оборудования и условий работы печи.

По этим причинам срок службы системы в значительной степени зависит от способности функции принадлежности отслеживать изменения в оборудовании и условиях работы. В данной системе с учетом этих обстоятельств обобщенные функции принадлежности наделены способностью к обучению по методу, показанному на рис. 3.11. В компьютере накапливаются данные от датчиков и данные о работе печи за несколько последних месяцев; время от времени эти данные извлекаются, из них удаляются аномальные данные,

Рис. 3.11. Обучающееся управление по обобщенной функции принадлежности.

такие, как данные, полученные до и после остановки дутья или во время аномальных явлений (осадки и канального хода), данные для случаев, когда имеются резкие расхождения максимальных температур чугуна во время выпуска до и после перекрытия летки, и другие данные. Затем выделяются четыре случая (табл. 3.2) и проводится анализ причин. В случае 2 функция принадлежности формируется заново методом, изложенным в предыдущем разделе.

Таблица 3.2. Анализ причин и обработка данных

Результаты внедрения нечеткого управления и обучения

Результаты внедрения нечеткого управления. В данной системе в качестве средства представления нечеткостей, содержащихся в профессиональных знаниях операторов, были введены понятия теории нечетких множеств. В результате по сравнению с описанием знаний с помощью только продукционных правил это позволило упростить представление знаний, уменьшить число правил и повысить эффективность выводов, а также появилась возможность оперативного управления в реальном времени. При этом существенно повысились удобства технического обслуживания.

Результаты внедрения обучающегося управления. Способность функций принадлежности к обучению позволяет легко адаптироваться к различиям в технологических процессах и к изменениям режима работы печи. Можно ожидать повышения управляемости нагревом, увеличения срока службы системы, расширения области применения системы для других доменных печей и т. д.