Авторы

Нейросетевая модель для определения регламентных параметров технологического процесса переработки рудного сырья

В настоящее время методы машинного обучения широко используются для решения различных производственных задач, в частности задачи диагностики и прогнозирования дефектов серийно выпускаемых изделий. Одной из важнейших задач является диагностика и прогнозирование дефектов, на основе решения которой можно определять регламенты на параметры технологических процессов и применяемых сырьевых материалов, обеспечивающие минимальную вероятность образования брака и максимально высокое качество производимых изделий. Решение этой актуальной задачи с помощью нейросетевой модели показано на примере технологического процесса изготовления изделий из мелкодисперсного рудного материала. В основе предлагаемой модели – нейронная сеть, обученная на множестве исторических данных, включающих примеры изготовления изделий при разных наборах технологических параметров и сырьевого рудного материала. Прогнозируемый параметр – коробление изделия в одном из его сечений. Проектирование и обучение предлагаемой нейронной сети структуры позволило достигнуть коэффициента детерминации R2 между прогнозируемой и фактической величиной коробления 92 %. Путем проведения компьютерных экспериментов с использованием метода частичного замораживания входных параметров построены зависимости величины коробления от наиболее значимых параметров технологического процесса, в том числе от теплофизических и химико-энерготехнологических процессов обработки сырья. С помощью этих зависимостей определен регламент на наиболее значимые параметры производственного процесса, обеспечивающий получение изделия без нарушения допуска на величину коробления, заданного конструкторской документацией. Таким образом, на конкретном примере показана возможность с помощью нейросетевого моделирования решать задачи назначения регламента на параметры производственного процесса, соблюдение которого обеспечивает минимальное количество брака и, соответственно, более высокое качество партии изделий. Читать дальше...

Нейросетевые модели влияния химического состава рудного сырья и параметров плавильных процессов на свойства изделий

Исследования влияния химического состава рудного сырья на свойства литейных изделий, как правило, не учитывают особенностей реальных производственных процессов. Основные причины этого заключаются в том, что, во-первых, результаты таких исследований, как правило, ограничиваются рамками лабораторных исследований, во-вторых, параметры используемых моделей не учитывают характеристик структуры рудного сырья, так как эти сведения могут быть получены лишь после завершения теплофизических и химико-энерготехнологических процессов термической обработки, в-третьих, само использование моделей затруднено вследствие необходимости оперативного учета изменения состава и значений системных и внешних факторов в процессе термической обработки. Цель данного исследования – разработка нейросетевых моделей и средств, обеспечивающих возможность адаптивной структурно-параметрической настройки к изменениям параметров анализируемых процессов термической обработки рудного сырья. При этом в качестве параметров создаваемых нейросетевых моделей используются данные о химическом составе рудного сырья, а также параметры плавильных процессов. В результате исследований подтверждена гипотеза о возможности опосредованного учета влияния структурных особенностей рудного сырья на качество изделий за счет характеристик химического состава рудного сырья и параметров плавильных процессов. Отмечается, что подтверждение этой гипотезы позволит создать эффективные инструменты для оперативного управления теплофизическими и химико-энерготехнологическими процессами термической обработки рудного сырья. Читать дальше...

Нейросетевое прогнозирование дефектов производства металлургической продукции

Статья посвящена решению актуальной проблемы снижения брака изделий, выпускаемых на серийных сталеплавильных заводах. Для изучения закономерностей образования брака создана нейросетевая модель, прогнозирующая образование дефектов типа «трещина» для отливок, производимых мартеновским способом. Для обучения нейросетевой модели использовались статистические данные о химическом составе рудного сырья и соответствующих значениях процента брака. Данные были получены в условиях действующего непрерывного крупносерийного производственного процесса, что привело к высокой степени зашумленности информации как по химическому составу рудного сырья, так и по результатам его термической обработки. Выбросы и зашумленность статистической информации обнаруживались и удалялись с помощью оригинальной авторской методики. Нейросетевая модель управления теплофизическими и химико-энерготехнологическими процессами термической обработки рудного сырья была создана на базе искусственной нейронной сети персептронного типа с сигмоидными активационными функциями. Путем проведения виртуальных компьютерных экспериментов над нейросетевой моделью выявлены важные зависимости вероятности образования исследуемых дефектов от содержания примесей: марганца, фосфора, кремния, хрома и серы. Подтверждена гипотеза о том, что снизить процент образования брака литейной продукции можно не обнаруживая и не устраняя его первопричину. На основе выявленных взаимозависимостей между параметрами теплофизических и химико-энерготехнологических процессов термической обработки сформулированы практические рекомендации по снижению процента брака путем корректировки химического состава рудного сырья. Применение полученных практических рекомендаций позволило более чем в два раза снизить процент брака изделий, производимых в условиях крупносерийного производственного процесса. Читать дальше...

Нейросетевой алгоритм выявления и удаления выбросов в зашумленных наборах данных

Выбросы в статистических данных, являющиеся результатом ошибочно собранной информации, часто становятся препятствием для успешного применения метода моделирования, основанного на машинном обучении, во многих предметных областях. Наличие выбросов в наборах данных снижает точность моделей машинного обучения, а в некоторых случаях делает применение этих методов невозможным. Существующие в настоящее время методы выявления выбросов ненадежны. Они принципиально не способны выявлять некоторые типы выбросов, тогда как наблюдения, не являющиеся выбросами, эти методы нередко классифицируют как выбросы. Недавно появившиеся нейросетевые методы выявления выбросов лишены указанного недостатка, однако они не универсальны, поскольку способность нейросетей выявлять выбросы зависит как от архитектуры самой нейросети, так и от решаемой задачи. Цель настоящего исследования состоит в разработке алгоритма создания и применения нейронных сетей, способных правильно выявлять выбросы вне зависимости от решаемой задачи. Эта цель достигается благодаря использованию свойства некоторых, специально созданных нейронных сетей демонстрировать наибольшие ошибки обучения на тех наблюдениях, которые являются выбросами. Использование этого свойства, а также выполнение серии вычислительных экспериментов и обобщение их результатов с помощью математической формулы, являющейся модификацией следствия из теоремы Арнольда – Колмогорова – Хехт-Нильсена, позволили достичь поставленной цели. Применение разработанного алгоритма оказалось особенно эффективным при решении задач прогнозирования и управления взаимозависимыми теплофизическими и химико-энерготехнологическими процессами обработки рудного сырья, происходящими на действующих серийных металлургических предприятиях, где присутствие выбросов в статистических данных практически неизбежно, а без их выявления и исключения построение приемлемых по точности моделей машинного обучения вообще невозможно. Читать дальше...