close

Вход

Забыли?

вход по аккаунту

?

МЕТОД И АЛГОРИТМЫ ОЦЕНКИ СОСТОЯНИЯ ОБОРУДОВАНИЯ НЕПРЕРЫВНОЙ РАЗЛИВКИ СТАЛИ НА ОСНОВЕ АППАРАТА НЕЧЕТКОЙ ЛОГИКИ.

код для вставкиСкачать
На правах рукописи
СОЛОВЬЕВА ОЛЬГА ИВАНОВНА
МЕТОД И АЛГОРИТМЫ ОЦЕНКИ СОСТОЯНИЯ ОБОРУДОВАНИЯ
НЕПРЕРЫВНОЙ РАЗЛИВКИ СТАЛИ НА ОСНОВЕ АППАРАТА НЕЧЕТКОЙ
ЛОГИКИ
Специальность: 05.13.01 Системный анализ, управление и обработка
информации (в металлургии)
Автореферат диссертации на соискание ученой степени
кандидата технических наук
Череповец - 2014
2
Работа выполнена в федеральном государственном бюджетном
образовательном учреждении высшего профессионального образования
«Череповецкий государственный университет».
.
Научный руководитель:
Кандидат технических наук, доцент
Кожевников Александр Вячеславович
Научный консультант:
доктор технических наук, профессор
Ершов Евгений Валентинович
Официальные оппоненты:
доктор технических наук, профессор
Фомин Станислав Яковлевич
профессор кафедры «Автоматизированных систем управления» национального
исследовательского
технологического
университета «МИСиС»
кандидат технических наук
Ендияров Сергей Валерьевич
Старший научный сотрудник
«Уралмашзавод», г. Екатеринбург
Ведущая организация:
ОАО
Федеральное
государственное
бюджетное учреждение науки «Институт
проблем
управления
им.
В.А.
Трапезникова РАН»
Защита состоится «24» декабря 2014 г. в 11 часов на заседании совета
по защите докторских и кандидатских диссертаций Д 212.297.02 в
федеральном государственном бюджетном образовательном учреждении
высшего профессионального образования «Череповецкий государственный
университет» по адресу 162602, г. Череповец, Вологодская обл., пр.
Луначарского, д. 5.
С диссертацией можно ознакомиться в библиотеке и на сайте
Череповецкого государственного университета.
Автореферат разослан «15» октября 2014 г.
3
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. Анализируя работу сложных технических систем
в таких ответственных отраслях промышленности, как металлургия,
необходимо уделять внимание не только оптимизации режимов их работы и
ресурсосбережению, но и вопросам обеспечения надежности оборудования,
эффективности его технического обслуживания и ремонтов, от которых
напрямую зависят изменение затрат на поддержание технических устройств
в работоспособном состоянии, безопасность технологических процессов и
персонала.
Современное производство непрерывной разливки стали (далее НРС), обеспечивая продукцией жизнедеятельность многих сфер государства
и общества, одновременно является одним из источников техногенной
опасности. К числу причин производственной аварийности оборудования
НРС, уровень которой по официальным данным за последние десятилетия
имеет тенденцию к росту, относятся недопустимый износ основных
производственных фондов, неэффективные проектные и технические
решения, несвоевременное выполнение работ по обслуживанию и ремонту.
К числу приоритетных задач по повышению уровня безотказности
оборудования НРС относятся совершенствование методов анализа
надежности, рациональное применение их результатов в действующем
производстве НРС. В настоящее время методы оценки состояния и анализа
надежности оборудования НРС, базируются на математическом аппарате
теории надежности, теории вероятностей, методах теории прочности,
учитывающих влияние как разнообразных физико-химических факторов,
способствующих развитию деградационных процессов в конструкционных
материалах, так и действующих эксплуатационных нагрузок. Данные методы
имеют ограниченное применение для комплексного исследования
состояния оборудования НРС при эксплуатации. Это обусловлено тем, что
оборудование НРС, как сложная техническая система, функционирует
непрерывно в обстановке измерения большого количества параметров при
их частичном отсутствии или неопределенности. Учесть влияние того или
иного входного параметра на возможность появления, характер и степень
проявления как внезапных, так и износовых отказов и дефектов элементов
оборудования НРС в период длительной его эксплуатации существующими
методами оперативно не представляется возможным.
В то же время решение проблем по выявлению и диагностированию
неисправностей оборудования при выплавке и разливке стали во избежание
простоев производства, оптимизации затрат на ремонты также является
актуальным.
Степень
разработанности
проблемы.
Вопросы
технологии,
математического моделирования условий эксплуатации оборудования НРС,
развития методик его диагностирования, состояния надежности, несущей
способности и работоспособности, решения проблем анализа безопасности,
риска аварий достаточно широко освещены в специальной литературе.
4
Благодаря фундаментальным работам, проведенным в последние два
десятилетия, достигнуты значительные успехи в данной области
исследования. Среди них можно выделить следующие работы,
выполненные такими учеными и специалистами, как Паршин В.М., Бровман
М.Я., Шестаков Н.И., Кузьминов А.Л., Кабаков З.К., Лукин С.В., Кумамото Х.
(Hiromitsu Kumamoto), Хенли Дж. (Ernest J. Henley), Лисанов М.В., Мастрюков
Б.С., Гражданкин А.И., Жиркин Ю.В., Острейковский В.А. и др. Однако,
следует отметить, что вопросы учета и неопределенности исходной
информации при диагностировании, контроле технологического процесса
разливки стали и прогнозировании отказов в технической системе НРС в
данных исследованиях и работах не раскрыты.
На основании вышеизложенного можно констатировать, что в
настоящее время разработка метода оценки состояния оборудования НРС
на основе совокупности технологических параметров процесса разливки и
статистических данных об отказах узлов системы в условиях
неопределенности входных переменных, является актуальной научно–
технической задачей.
Объект и предмет исследования. Объектом исследования является
система оценки состояния оборудования НРС. Предметом исследования –
математические модели, методы и алгоритмы обработки информации для
оценки состояния оборудования НРС в условиях неопределенности входных
переменных.
Цель и задачи диссертационной работы. Целью диссертационной
работы является повышение эффективности эксплуатации, технического
обслуживания и ремонтов оборудования непрерывной разливки стали за
счет
разработки
метода
оценки
его
состояния,
учитывающего неопределенность
информации
о
технологических
параметрах процесса разливки и статистических данных об отказах узлов
технической системы с помощью аппарата нечеткой логики.
Для достижения поставленной цели в работе решаются следующие
задачи:
1. Анализ проблемы оценки состояния оборудования НРС;
2. Разработка математической модели и метода оценки состояния
оборудования НРС на основе технологических параметров процесса
разливки и статистических данных об отказах узлов с использованием
аппарата теории нечеткой логики;
3. Разработка алгоритмического обеспечения системы оценки
состояния оборудования НРС;
4. Проведение экспериментальных исследований метода и алгоритмов
оценки состояния оборудования НРС.
Методы исследования. Для решения поставленных задач в работе
использованы
методы
системного
анализа,
алгоритмизации,
математического моделирования металлургических процессов, теории
нечеткой логики, нейронных сетей, теории надежности, математической
5
статистики,
теории
вероятностей,
методы
экспертных
оценок.
Экспериментальная часть работы основана на методах компьютерного
моделирования и лабораторного вычислительного эксперимента с
использованием среды программного комплекса MATLAB.
Научная новизна работы и основные положения, выносимые на
защиту:
1.
Разработана
математическая
модель
оценки
состояния
оборудования НРС, отличающаяся тем, что основана на обработке
информации о технологическом процессе разливки стали и статистических
данных об отказах элементов оборудования, и позволяющая повысить
достоверность расчета критериев надежности системы при существующих
условиях с учетом неопределенности исходной информации о значениях
входных переменных с помощью применения аппарата нечеткой логики.
2. Разработан метод оценки состояния оборудования, отличающийся
от аналогов точностью прогнозирования отказов оборудования НРС в
процессе эксплуатации, которая достигается с помощью разработанной
структурной и параметрической идентификации нечеткой модели за счет
применения генетических алгоритмов и искусственных нейронных сетей, и
результаты которого позволяют исследовать и установить зависимость
между параметрами процесса НРС и характером дефектов, которые
являются причинами возникновения отказов, и оценивать эффективность
составления графиков ремонтов за прошедший период в условиях
сервисного обслуживания.
3. Разработано функционально полное алгоритмическое обеспечение
реализации метода оценки состояния оборудования НРС, включающее:
- алгоритм идентификации нечеткой модели оценки состояния
оборудования НРС,
- алгоритм самоорганизации исходных данных нечеткой модели
оценки состояния оборудования НРС,
- алгоритм оценки состояния оборудования НРС,
- алгоритм принятия решения об эксплуатации оборудования НРС,
и обеспечивающее комплексную оценку состояния оборудования НРС и
реализацию информационной поддержки принятия решения об его
сервисном обслуживании в реальном режиме времени в процессе
эксплуатации.
Практическая ценность работы заключается в разработке нечеткой
модели и метода оценки состояния оборудования НРС, применение которых
позволяет:
- обеспечить точность вычисления критериев безотказности с
погрешностью не более 6 %;
- повысить эффективность работы оборудования непрерывной
разливки стали за счет снижения количества отказов (внеплановых
остановок) до 20% в год;
6
- осуществить переход от стратегии планового сервисного
обслуживания к стратегии обслуживания оборудования НРС по
фактическому техническому состоянию;
- обеспечить снижение затрат на ремонты и послеаварийное
восстановление оборудования до 5%;
- осуществить оперативность расчетов и работы нечеткой модели за
счет полной интеграции с существующими АСУ ТП сталеплавильного
производства.
Разработанный метод оценки состояния оборудования НРС и
предлагаемая оптимизация ремонтных работ по техническому состоянию
могут быть реализованы, в том числе, и для повышения надежности
различных сложных технических систем металлургических производств.
Реализация результатов работы. Работа выполнялась в ФГБОУ
ВПО «Череповецкий государственный университет» с 2009 по 2013 год.
Экспериментальные исследования проводились с использованием реальных
баз данных технологических параметров в сталеплавильном производстве
ОАО «Северсталь».
Результаты работы используются в учебном процессе на кафедрах
«Математического и программного обеспечения ЭВМ», Металлургии,
машиностроения и технологического оборудования» и «Транспортных
средств и техносферной безопасности» ЧГУ.
Степень достоверности результатов работы. Достоверность и
обоснованность основных положений и результатов работы, полученных в
результате
использования
современных
методов
исследования,
обусловлена системной проработкой проблемы и подтверждается
сопоставлением результатов моделирования с реальными данными отказов
и ремонтов оборудования НРС в сталеплавильном производстве, в том
числе сравнительным анализом с результатами исследований других
авторов.
Личный вклад соискателя. Личное участие автора выразилось в
решении поставленной проблемы оценки состояния надежности
оборудования НРС при неопределенности входных переменных, в решении
задач исследования, в получении основных научных результатов, в
разработке математической модели и метода оценки состояния
оборудования
НРС.
Работа
содержит
материалы
собственных
экспериментальных исследований автора, проведенных в 2009-2014 г.г.
Апробация
результатов
работы.
Основные
результаты
диссертационной работы докладывались и получили положительную оценку
на следующих научных конференциях: I Всероссийская научно-техническая
конференция «Экспертиза и оценка риска техногенных систем-2009»
(г.Череповец, 2009г.), 6-я Международная научно-практическая конференция
«Обеспечение безопасности в ЧС» (г.Воронеж, 2010г.), 3-я Международная
научно-техническая конференция «Экспертиза и оценка риска техногенных
систем (г. Череповец, 2011г.), 7-я Международная научно-практическая
7
конференция «Обеспечение безопасности в ЧС» (г.Воронеж, 2011г.), 8-я
Международная
научно-практическая
конференция
«Обеспечение
безопасности в ЧС» (г.Воронеж, 2012г.), 9-ая Международная научнотехническая конференция «Современная металлургия начала нового
тысячелетия» (г.Липецк, 2012 г.), III Межотраслевая научно-практическая
конференция молодых ученых и специалистов «Инновационные пути
модернизации отраслей промышленности, энерго- и ресурсосбережение,
охрана окружающей природной среды» (Украина, г.Харьков, 2014г.).
Публикации. По теме диссертации опубликовано 12 научных работ, в
том числе 3 статьи в изданиях, рекомендованных ВАК РФ, и одна
монография.
Соответствие
паспорту
специальности.
Проблематика,
рассмотренная в диссертации, соответствует пунктам 4, 11 паспорта
специальности 05.13.01 – Системный анализ, управление и обработка
информации (в металлургии) (п.4. Разработка методов и алгоритмов
решения задач системного анализа, оптимизации, управления, принятия
решений и обработки информации; п.11. Методы и алгоритмы
прогнозирования и оценки эффективности, качества и надежности сложных
систем).
Структура и объем работы. Диссертационная работа состоит из
введения, 4 исследовательских разделов, заключения, библиографического
списка используемой
литературы, насчитывающего 127 позиций, и 7
приложений. Работа содержит 179 страниц, 51 рисунок, 19 таблиц.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность, сформулированы цель и задачи
исследования, представлены положения, выносимые на защиту, их научная
новизна и практическая значимость работы.
В первом разделе диссертации рассматривается современное
состояние проблемы оценки состояния оборудования НРС как сложной
технической системы.
По данным отечественной и зарубежной литературы выполнен анализ
существующих методов, систем и средств оценки состояния, уровня отказов
оборудования НРС, который показал, что существующие модели теории
надежности и теории прочности имеют ограниченное применение для
данного объекта. Это обусловлено отсутствием информации по истории
эксплуатации отдельных элементов системы, трудностями учета сочетания
возможных отказов всех входящих в систему элементов, человеческого
фактора, а также отсутствием аналитических зависимостей процессов
старения от комплексного воздействия эксплуатационных факторов для
некоторых узлов системы и т.д. Погрешность известных методов приводит к
значительным издержкам.
8
Уровень
планового
управления
Системный подход к прогнозированию отказов оборудования НРС
позволил выявить особенности и свойства, позволяющие отнести данный
агрегат к сложной технической системе; представлены модели «состава
системы», «структуры системы» оборудования НРС, раскрывающие
внутреннее устройство и состав системы, статику системы, и на основании
которых предварительно определены наиболее ответственные элементы в
составе технической системы оборудования НРС, наибольшим образом
влияющие на состояние аварийности (кристаллизатор, ЗВО).
В результате проведенного системного анализа проблемы оценки
состояния оборудования НРС сформулированы задачи работы, обоснована
возможность и целесообразность применения методологического аппарата
нечеткой логики, получены исходные данные для построения нечеткой
модели прогнозирования отказов оборудования НРС, приближенной к
реальным
производственным
условиям,
определены
требования,
предъявляемые к математическому обеспечению системы оценки состояния
оборудования НРС.
Во втором разделе разработана системная модель оценки состояния
оборудования НРС (рисунок 1).
Система планирования и производства
ремонтных работ по фактическому
техническому состоянию
БД значений
контролируемых
переменных
Блок 2 нечеткой оценки
показателей состояния
оборудования
Y
Система
передачи
данных в
контроллеры
управления
Тсл, Nав
Блок 1 оптимизации
значений контролируемых
переменных
2 уровень
автоматизации
Блок оценки состояния
оборудования НРС
Контроллеры управления агрегатом непрерывной разливки стали
Р
а
з
л
и
в
к
а
X1
ЗВО
X2
X3
Роликовые секции
X4
….
Xn
Система резки
1 уровень
уровень
технологии автоматизации
БД статистика
Рисунок 1 – Системная модель оценки состояния оборудования НРС
Выполнено моделирование процесса появления отказов оборудования
при непрерывной разливке стали, представляющего собой сложный объект с
входными переменными и одной выходной при неопределенности исходных
данных.
Модель оценки состояния оборудования НРС на основании
проведенного системно–элементного и системно–структурного подхода
9
состоит из подмоделей: разливка, ЗВО, роликовые секции и резка. Каждая
подмодель (yk) осуществляет расчет показателей надежности входящих в
нее элементов (ykn) на основе совокупности технологических параметров
процесса разливки и статистических данных об отказах узлов технической
системы оборудования НРС. На рисунке 2 представлена структура модели
оценки состояния оборудования НРС, разработанная аналогично
структурной схеме надежности.
У11
Тсл
У12
У13
У14
У15
Подмодель
1
У1
У16
У2
Nав
У21
У22
У31
У32
Хm
У41
У42
У43
Подмодель
2
Подмодель
3
Подмодель
4
У3
Модель
оценки
состояния
оборудова
ния НРС
У
У4
Рисунок 2 – Структура модели оценки состояния оборудования НРС, где:
У - показатель состояния оборудования НРС (критерий безотказности,%), y1 – подмодель
разливки (y11 – промковша, y12- тележки промковша, y13 – стальковша, y14 – разливочного
стенда, y15 – кристаллизатора, y16 - механизма качания кристаллизатора), y2 – подмодель
ЗВО (y21 – неприводной роликовой проводки, y22 – системы вторичного охлаждения
заготовки), y3 – подмодель приводной роликовой проводки (y31 – радиального участка, y32
– горизонтального участка (ПТМ)), y4 – подмодель системы резки и транспортирования
(y41 – машины газовой резки, y42 – уборочного рольганга, y43 – уборочного крана), Тсл –
срок эксплуатации после последнего ремонта, Nав – количество внеплановых остановок
агрегатов или их ремонтов, Хm – влияющие факторы для расчета критерия
долговечности (I, %).
Логические схемы обработки информации для подмоделей y1 и y2
оценки состояния роликовых секций в ЗВО (y21) и кристаллизатора (y15)
оборудования НРС представлены на рисунке 3, 4. С целью устранения
неопределенности информации о входящих параметрах, содержащихся в
базах данных АСУ ТП разливки стали, все логические схемы содержат блок
расчета отсутствующих записей.
10
Расчет отсутствующих в базе
данных значений параметров
Скорость разливки
(S, м/мин)
Нечеткий контроллер 1
Расход воды
(Q, м3/час)
Расчет критерия
накопления
повреждений
(D, %)
Температура
разливки (T, ºС)
Стойкость секции
(P, плавок)
Нечеткий контроллер 2
Корректировка
критерия
накопления
Нечеткий контроллер 3
повреждений
(D2, %)
Расчет критерия
долговечности
(I, %)
Расчет отсутствующих в базе
данных значений параметров
Рисунок 3 – Логическая схема обработки информации для оценки критерия
долговечности (I, %) роликовых секций в ЗВО оборудования НРС (y21)
Скорость разливки
(Sk, м/мин)
Расход воды
(Qk, м3/час)
Температура
разливки (Tk, ºС)
Стойкость кристаллизатора
(Pk, плавок)
Нечеткий контроллер 1
Расчет критерия
накопления
повреждений
(Dk, %)
Нечеткий контроллер 2
Расчет критерия
долговечности
(Ik %)
Рисунок 4 – Логическая схема обработки информации для оценки критерия
долговечности кристаллизатора оборудования НРС (y15)
Оценка состояния оборудования НРС происходит путем обработки
информации о входных параметрах xi (i – переменные) с помощью аппарата
нечеткой логики. Входные параметры с помощью фаззификации
представлены в виде лингвистических переменных, заданных на
универсальных
множествах
при
помощи
терм-множеств
Xj,
θ
характеризующихся функциями принадлежности X j ( xi ) (j – количество
термов (нечетких множеств) лингвистической переменной, θ – оличество
правил). Лингвистические переменные и терм-множества подмоделей
оценки критерия долговечности (I, %) роликовых секций в зоне вторичного
охлаждения (далее – ЗВО) и кристаллизатора оборудования НРС
представлены в таблице 1.
Для оценки состояния оборудования НРС используются следующие
термы: VL – очень низкий уровень значения переменной, L – низкий уровень
значения переменной, M – средний уровень значения переменной, H –
высокий уровень значения переменной, VH – очень высокий уровень
значения переменной.
11
Таблица 1 – Лингвистические переменные и нечеткие множества для
оценки состояния оборудования НРС
Обозначение
переменной
Наименование переменной
Универсальное
множество
Для роликовых секций ЗВО
Температура разливки
1530 – 1580 ºС
Скорость разливки
0 – 1,3 м/мин
Стойкость секции
0 – 1000 плавок
Расход воды
0 – 20 м3/час
Критерий накопления повреждений 0 – 100%
Скорректированный
критерий 0 – 100%
накопления повреждений
Критерий долговечности
0 – 100%
Для кристаллизатора
Превышение
температуры 0-50 ºС
разливки
над
температурой
ликвидус
Скорость разливки
0 – 1,3 м/мин
Стойкость кристаллизатора
0 – 1000 плавок
Расход воды проходящей через 390-410 м3/час
стенку кристаллизатора
Критерий накопления повреждений 0 – 100%
кристаллизатора
Критерий
долговечности 0 – 100%
кристаллизатора
T
S
P
Q
D
D2
I
Tk
Sk
Pk
Qk
Dk
Ik
Терммножество
L, M, H
L, M, H
L, M, H
L, M, H
L, M, H
L, M H
VL, L, M H, VH
L, M, H
L, M, H
L, M, H
L, M, H
L, M, H
VL, L, M, H, VH
Исходя из вида распределений входных переменных xi, полученных в
результате статистического анализа технологических параметров процесса
разливки стали, принимаем вид функции принадлежности термов как
гауссовский. Форма и размеры функции принадлежности X θj ( xi ) зависят от
вектора параметров d θj : X θj ( xi ) X θj ( xi , d θj ) .
(1)
Связь между входными переменными xi и выходом y – критерием
безотказности, характеризующим состояние оборудования НРС, выражена
правилами. С учетом применения большого количества данных для оценки
состояния оборудования НРС используем нечеткую модель типа Сугэно.
Тогда нечеткая модель оценки состояния оборудования НРС запишется в
общем виде уравнением:
kj
n
p 1
i 1
 x
i
X i, j
Y
c j ,0
c j ,1 x1
c j , 2 x2
 c j ,n xn , j
1, m
(2)
где X i , j – нечеткие множества, характеризующие входные переменные xi ,
i 1, m - количество переменных,
выходная переменная
1, n - количество правил, Y
–
–го порядка и соответствующее нечеткое множество
12
(показатель состояния оборудования НРС), с – коэффициенты линейных
уравнений консеквента, j – номер терм-множества нечеткой переменной.
Агрегирование правил оценки состояния оборудования НРС
осуществлено в нечеткой базе знаний. Правила для оценки критерия
долговечности кристаллизатора и роликовых секций ЗВО оборудования
НРС сформулированы следующим образом в принятых обозначениях
переменных и термов (см. таблицу 2).
Таблица 2 – Правила нечеткой базы знаний для оценки критерия
долговечности роликовых секций ЗВО оборудования НРС
для оценки критерия долговечности роликовых секций ЗВО оборудования НРС
№
Правила для оценки
пра- критерия накопления
ви- повреждений (D) роликов
ла
(контроллер 1)
1.
2.
3.
4.
5.
6.
7.
8.
9.
Правила для оценки
Правила для оценки
скорректированного
критерия долговечности
роликов (I)
критерия накопления
повреждений (D2) роликов
(контроллер 3)
(контроллер 2)
(S==H)&(Q==H)=> D ==VL (N==H)&(T==H)=>D 2==VL
(D2==H)&(P==H)=>I==VL
(S==H)&(Q==M)=> D ==L
(N==H)&(T==M)=> D 2==L
(D2==H)&(P==M)=>I==L
(S==H)&(Q==L)=> D ==M
(N==H)&(T==L)=> D 2==M
(D2==H)&(P==L)=>I==M
(S==M)&(Q==H)=> D ==L
(N==M)&(T==H)=> D 2==L
(D2==M)&(P==H)=>I==L
(S==M)&(Q==M)=> D ==M (N==M)&(T==M)=> D 2==M (D2==M)&(P==M)=>I==M
(S==M)&(Q==L)=> D ==H
(N==M)&(T==L)=> D 2==H
(D2==M)&(P==L)=>I==H
(S==L)&(Q==H)=> D ==M
(N==L)&(T==H)=> D 2==M
(D2==L)&(P==H)=>I==M
(S==L)&(Q==M)=> D ==H
(N==L)&(T==M)=> D 2==H
(D2==L)&(P==M)=>I==H
(S==L)&(Q==L)=> D ==VH (N==L)&(T==L)=> D 2==VH
(D2==L)&(P==L)=>I==VH
для оценки криетрия долговечности кристаллизатора оборудования НРС
Номер
правила
j
Комбинация термов для j-го
правила Tk Qk Sk
Tk
2
1
1
2
3
4
5
6
7
8
9
10
11
12
13
L
L
L
L
L
L
L
L
L
M
M
M
M
Qk
3
L
L
L
M
M
M
H
H
H
L
L
L
M
Sk
Номер
правила
j
4
L
M
H
L
M
H
L
M
H
L
M
H
L
Комбинация термов для j-го
правила Tk Qk Sk
Tk
6
5
14
15
16
17
18
19
20
21
22
23
24
25
26
27
M
M
M
M
M
H
H
H
H
H
H
H
H
H
Qk
7
M
M
H
H
H
L
L
L
M
M
M
H
H
H
Sk
8
M
H
L
M
H
L
M
H
L
M
H
L
M
H
Для реализации нечеткого логического вывода, обучения модели
оценки состояния оборудования НРС, настройки ее параметров
использованы нейро-нечеткие сети, так как архитектура нейро-нечеткой сети
13
изоморфна нечеткой базе знаний. Структура разработанной нечеткой
модели представлена на рисунке 5.
Срок службы,
Количество отказов
(остановок, аварий),
Процент износа
(эксперт)
Процент износа
(диагн)
Процент износа (по
истории
эксплуатации)
Параметры разливки:
скорость и время
разливки, остановки,
Кристаллизатор тепловое поле,
уровень металла,
работа механизма
качания,
Замеры температуры
по ходу доводки,
разливки, параметры
конкретных
элементов системы и
др.факторы
X 11 x1,d11
x1
N
1
1
1
X m1
xm , d 1m
y1
y1
w
c10
X 12 x1 ,d12
xT c 1
xm
x1
N
2
2
w2
X m2 xm , d m2
c02
X 1n x1 ,d1n
x
Fuz
n
n
yn
X mn xm , d mn
c0n
X
FI
β
x1
Прогнозная
величина –
Y- критерий
безотказности,
I - критерий
долговечности
xm
N
xm
xT c 2
x1
wn
Yŷ t
y2
y2
yn
xT c n
xm
Def
Рисунок 5 – Структура нечеткой модели оценки состояния оборудования НРС
Для вычисления функций принадлежности Xθij(xi, di)Є[0,1], j = 1,2, …, k
при заданных значениях x01j,…x0mj переменных x1j,…xmj и вектора
параметров dθ I использована процедура фаззификации Fuz (Fuzzyfication)
С помощью процедуры нечеткого вывода FI (Fuzzy Inference)
вычисляется величина истинности θ-го правила w .
Процедура дефаззификации Def (Defuzzyfication) служит для
определения конкретного значения выхода Y .
Для обеспечения адекватности и точности модели (2) оценки состояния
оборудования НРС разработана процедура идентификации нечеткой модели
- настройки коэффициентов линейных уравнений с, параметров функций
принадлежности d, количества правил n, осуществляемая на этапе обучения
(блок схема представлена на рисунке 6).
Для реализации процедуры идентификации коэффициентов линейных
уравнений
c применен многошаговый метод наименьших квадратов.
Идентификация параметров функций принадлежности
d построена на
основе генетического алгоритма (далее – ГА). Суть идентификации
количества правил n заключается в нахождении оптимального в некотором
14
смысле правила R , 1
*
n , и функции принадлежности X j* ( x j* ), разбиение
*
которой приводит к снижению погрешности нечеткой модели.
Алгоритм
Ψd
Алгоритм
Ψn
Алгоритм
Ψc
База знаний (Rn)
n
n
d
x
X
Fuz

FI
c
n
y
Def
Рисунок 6 – Блок–схема идентификации нечеткой модели оценки
состояния оборудования НРС
Значения параметров функций принадлежности лингвистических
переменных для оценки критерия долговечности (I, %) кристаллизатора (y15)
после настройки нечеткой модели с помощью структурной и
параметрической идентификации представлены в таблице 3.
Таблица 3 – Значения коэффициентов функций принадлежности
переменных для оценки стойкости кристаллизатора
Лингвистическая
переменная
Tk
Sk
Qk
Терм-множество
Tx
TTk1 = низкая
TTk2 = средняя
TTk3 = высокая
TSk1 = низкая
TSk2 = средняя
TSk3 = высокая
TQk1 = низкий
TQk2 = средний
TQk3 = высокий
Коэффициенты функций
принадлежности
b
h
bТ 1 10.12
bТ 2 28.48
bT 3 46.77
hТ 1 8.068
hТ 2 8.013
hT 3 8.243
bS1
0.794
hS 1
0.1134
bS 2
1.01
hS 2
0.1135
bS 3
1.176
hS 3
0.1061
bQ1
396.6
hQ1
5.173
bQ 2
408.8
hQ 2
5.278
bQ3
421.1
hQ3
5.181
Идентифицированная нечеткая модель оценки критерия долговечности
кристаллизатора с полученными значениями весовых коэффициентов
правил представлена как выходное нечеткое множество, соответствующее
входному вектору параметров:
n 27
Dk *
c n X n*
n 1
59,84 X *1
79,37 X * 2
 856,4 X * 27
(3)
15
n 27
*
где X
n 27
X n*
n 1
X T k j X Qk j X Sk j
– степень принадлежности входного
n 1
вектора в базе знаний к выходному вектору нечеткой модели (y15);
2
Tk bTj
X Tkj
e
2 hTj 2
–
степень
температуры
«превышение
Sk bSj
X Skj
e
2 hSj 2
принадлежности
нечеткой
переменной
разливки над температурой ликвидус»;
2
– степень принадлежности нечеткой переменной «скорость
Qk bQj
2
2 hQj 2
разливки» S; X Qkj e
– степень принадлежности нечеткой
переменной «расход воды, проходящей через стенку кристаллизатора» Q; с
– настраиваемые коэффициенты линейных уравнений базы знаний, j –
номер терм-множества нечеткой переменной, n – номер правила в базе
знаний.
Тогда в принятых обозначениях нечеткая модель оценки критерия
долговечности кристаллизатора имеет вид:
Dk * 59,84 X T 1 X Q1 X S1 79,37 X T 1 X Q1 X S2 86,57 X T 1 X Q1 X S3
57,59 X T 1 X Q 2 X S1
82,02 X T 1 X Q 2 X S2
82,47 X T 1 X Q 2 X S3
568X T 1 X Q 3 X S1 12,51X T 1 X Q 3 X S2 193,7 X T 1 X Q 3 X S3
49,86 X T 2 X Q1 X S1
73,57 X T 2 X Q1 X S2
79,82 X T2 X Q1 X S3
48,13X T 2 X Q 2 X S1
71,78 X T 2 X Q 2 X S2
82,32 X T 2 X Q 2 X S3
38,88 X T 2 X Q 3 X S1
21,72 X T 2 X Q 3 X S2 112,14 X T 2 X Q 3 X S3
40,75 X T 3 X Q1 X S1
54,03X T 3 X Q1 X S2
85,86 X T 3 X Q1 X S3
36,91X T 3 X Q 2 X S1
44,11X T 3 X Q 2 X S2
60,68 X T 3 X Q 2 X S 3
17,82 X T 3 X Q 3 X S1
210,7 X T 3 X Q 3 X S2
856,4 X T 3 X Q 3 X S 3
(4)
Подставляя в выражение (4) значения функций принадлежности
соответствующих лингвистических переменных получаем конечное значение
выходного нечеткого множества Dk*. Для модели оценки состояния
кристаллизатора выражение численной деффазафикации будет иметь вид:
27
Xj Dk * Dk j *
j 1
Dk
27
Xj Dk *
j 1
(5)
На заключительном этапе описанные выше нечеткая модель оценки
состояния оборудования НРС и процедуры ее структурной и
параметрической идентификации объединены в метод оценки состояния
оборудования
НРС,
структурно-информационная
схема
которого
представлена на рисунке 7.
16
Блок самоорганизации
данных
Расчетные Блок расчета показателей, характеризующих состояние оборудования (Y)
подмодели
СТРУКТУРНАЯ И ПАРАМЕТРИЧЕСКАЯ ИДЕНТИФИАЦИЯ
У1
Ψ
Ψd
разливка
БД факторов
Ψn
Ψn
Ψс
Ψc
У2
ЗВО
Блок FCM
кластеризации
У3
У4
БД опт. факторов
d
роликовая проводка
система
резки и
транспорт
n
Fuz
Fuz
x
n
FI
FI
X
β
НЕЧЕТКАЯ МОДЕЛЬ
n
c
Y
Def
Def
ŷ
ирования
Рисунок 7 – Структурно-информационная схема метода оценки состояния
оборудования НРС на основе нейро-нечёткого вывода
Для реализации метода нейро-нечеткого вывода о состоянии
оборудования НРС использована библиотека нечеткой логики (Fazzy Logic
Toolbox) из пакета MATLAB. С целью снижения размерности нечеткой
модели и затрат времени на её обучение с помощью идентификации
используется
предварительная
обработка
информации
(FCM–
кластеризация). Расчетная модель оценки состояния оборудования НРС
разработана в среде интерактивного моделирования Simulink MATLAB. В
качестве компонентов модели использованы запрограммированные
контроллеры нечеткой логики. Оценка состояния оборудования НРС
определяется на основании выходов блоков оценки состояния
составляющих его узлов. Количество входов FUZZY–контроллера
соответствует количеству контролируемых узлов в агрегате НРС.
Для реализации нечеткой модели оценки состояния оборудования НРС
и синтеза контроллеров разработаны нейро-нечеткие сети, при помощи
адаптивной сети нечеткого вывода (Adaptive–Network–Based Fuzzy Inference
System), позволяющей автоматически синтезировать из экспериментальных
данных нейро–нечеткую сеть и проводить её структурную и
параметрическую идентификацию. На рисунке 8 представлена нейронечеткая сеть FUZZY-контроллера 1 для оценки критерия накопления
повреждений (D) роликовых секций ЗВО.
В третьем разделе на основе предложенного метода разработано
алгоритмическое обеспечение системы оценки состояния оборудования
НРС, включающее следующие алгоритмы: алгоритм идентификации
нечеткой модели оценки состояния оборудования НРС, алгоритм
самоорганизации исходных данных нечеткой модели оценки состояния
оборудования НРС, алгоритм оценки состояния
оборудования НРС,
алгоритм принятия решения об эксплуатации оборудования НРС.
Система оценки состояния оборудования НРС работает в соответствии
с алгоритмом, представленным на рисунке 9.
17
S,
м/мин
In p u t M F
Правило
Ru le
1
Dem ux
Ru le 1
S
вход
Dem ux
1
In 1
Q,
м3/час
In p u t M F
Правило
Ru le
2
Dem ux
m ax
CO A
D e fu z z i fi c a ti o n 1
Ru le 2
Q
A g g M e th o d 1
Правило
Ru le
3
Dem ux
Ru le 3
D, %
O u tp u t M F
N
Правило
Ru le
4
Def
Dem ux
выход
Z e ro F i ri n g S t re n g t h ?
Ru le 4
Правило
Ru le
5
>
0
Dem ux
T o t a l F i ri n g
S t re n g t h
-C M id Ra n g e
Ru le 5
Правило
Ru le
6
Dem ux
Ru le 6
Правило
Ru le
7
Dem ux
Ru le 7
Правило
Ru le
8
Dem ux
Ru le 8
Правило
Ru le
9
Dem ux
Ru le 9
ФАЗИФИКАЦИЯ
ТЕРМЫ
ПРАВИЛА БАЗЫ ЗНАНИЙ
Если…, то….
ДЕФАЗЗИФИКАЦИЯ
Рисунок 8 - Нейро-нечеткая сеть (FUZZY-контроллера 1) для оценки
критерия накопления повреждений (D) роликовых секций ЗВО
На первом шаге определяется наличие модели объекта, базы данных.
На следующем этапе происходит определение начальных условий для
моделирования
–
предварительная
обработка
информации
производственных данных участка
разливки конвертерного цеха
сталеплавильного производства (самоорганизации данных для обучения
нечеткой модели). На данном этапе за счёт определения наиболее
значимых переменных и выделения областей влияния или интервалов
значений, вызывающих тот или иной дефект, с помощью процедуры
нечеткой кластеризации удается повысить эффективность обучения
нечёткой модели, снизить размерность и затраты времени на её обучение
алгоритмами идентификации .
Далее происходит формирование нейро-нечёткого вывода:
1. Нечеткое моделирование (нечеткая база знаний, лингвистические
переменные, заданные на универсальных множествах, их терм-множества,
функций принадлежности, правила в нечеткой базе);
2. Идентификация нечеткой модели (коэффициентов линейных
уравнений c, параметров функций принадлежности d, количества правил n)
разработанными алгоритмами .
Рассчитанные на следующем этапе значения критериев надежности
элементов и всей системы оборудования НРС передаются и сохраняются в
S w i tc h
18
базе данных для использования, как при настройке модели, так и в
практическом решении.
Начало
прогнозиования
Определение
готовности к
прогнозированию
БД системы
прогнозирования
2
3
Модель системы
(структурная)
1
БД АСУТП, статистика,
экспертная информация
4
Предварительная
обработка данных
Значимые факторы
(алгоритм FCM)
2
1
Формирование
нечеткого вывода
(Faz, FI, Def)
Идентификация нечеткой
модели
Нечеткая база знаний
Прогнозирование
состояния
сталеразливочного
оборудования
Результаты оценки критериев
безотказности, долговечности
3
4
Конец
прогнозировния
Рисунок 9 – Блок-схема алгоритма оценки состояния оборудования НРС
Полученные алгоритмы могут быть программно и аппаратно
реализованы в существующих автоматизированных системах управления и
контроля технологического процесса разливки стали, тем самым позволяя в
реальном режиме времени оценивать состояние сталеразливочного
оборудования, а также реализовать стратегию оптимизации ремонтных
работ по техническому состоянию.
В четвертом разделе определены основные функциональные
элементы и блоки системы оценки состояния оборудования НРС,
предложена методика настройки алгоритмического обеспечения.
Проведены экспериментальные исследования работоспособности и
эффективности предложенной модели оценки состояния оборудования НРС
на основе нечеткого управления.
Осуществлен численный расчет (дефаззификация) методом центра
тяжести (5) функции принадлежности выходной лингвистической переменной
(критерия долговечности) для роликовых секций ЗВО и кристаллизатора
оборудования НРС. Визуализация нечеткого ввода для роликовых секций
ЗВО представлена на рисунке 10 (МНЛЗ №5, ручей 9, секция 0, 2006 год).
19
N2
= 61
D2=61
P = 872
I = 79.5
1
2
3
4
5
6
7
8
9
0
0
100
872
-16.5
113
Рисунок 10 – Визуализация результатов нечеткого логического вывода для
оценки критерия долговечности роликовой секции ЗВО (контроллер 3)
На рисунке 11 представлены результаты обучения нечеткой модели в
виде графика изменения ошибки от номера итерации для оценки критерия
долговечности роликовой секции ЗВО (по данным 2006 года по девятому
ручью нулевой роликовой секции МНЛЗ№5 ОАО «Северсталь»), и для
кристаллизатора (по данным 2007 года МНЛЗ№5 ОАО «Северсталь»).
0.28
Ошибка, %
Ошибка, %
0.26
0.24
0.22
0.2
0.18
0
0.5
1
1.5
Количество эпох обучения
для оценки критерия долговечности (I)
роликовых секций ЗВО
4
2x10
Количество эпох обучения
для оценки критерия долговечности (Ik)
кристаллизатора
Рисунок 11 – Графики зависимости ошибки обучения нечеткой модели от
порядкового номера итерации для двух видов оборудования
В результате при обучении модели оценки состояния роликовых секций
ЗВО ошибка (отклонение между заданным и расчётным значением)
составила 0,18%, для оценки состояния кристаллизатора – 0,514%, что
меньше установленного критерия адекватности (J<0,03). Таким образом,
подтверждена адекватность разработанной нечеткой модели, т.к. она
обеспечивает требуемую точность расчета.
20
Результаты
рисунков 12, 13.
моделирования
900
на
следующих
графиках
100
90
I, %
80
70
60
50
40
30
20
10
0
800 1000 1200 1400 1600 1800 2000
Р, плавок
800
700
600
500
I, %
Р, плавок
приведены
400
300
200
100
0
0
200
400
600
№ измерения
Рисунок 12 – Зависимость количества плавок до замены секции (Р, плавок) и
критерия долговечности (I, %) для МНЛЗ №5 (ручей 9, секция 0, 2006 год)
1000
100
100
Ik, %
90
P, плавок
80
Pk, плавок*10
I k, %
60
50
40
30
20
10
0
0
500
1000
1500
Pk, плавок
70
90
900
80
800
70
700
60
600
50
500
400
40
300
30
200
20
100
10
00
2000
№ измерения
Рисунок 13 – Зависимость количества плавок до замены (Рk, плавок) и
критерия долговечности (Ik, %) для кристаллизатора МНЛЗ №5 (2007 год)
С целью проверки достоверности разработанной нечеткой модели для
оценки
критерия
долговечности
оборудования
НРС
проведен
корреляционно-регрессионный анализ данных моделирования (I – критерий
долговечности, %) с предшествующими статистическими данными по
отказам (Р – стойкость, количество плавок до отказа). Проверка значимости
моделей регрессии с использованием F-критерия Фишера показала, что
уравнения регрессии статистически надежны, поскольку фактическое
значение F > Fтабл. Доказано, что нечеткая модель обеспечивает точность
вычисления критерия долговечности роликовых секций ЗВО оборудования
НРС с погрешностью 3,42 %, кристаллизатора – с погрешностью 5.34 %.
На рисунке 14 представлены результаты оценки критерия
долговечности роликовых секций МНЛЗ №5 (нулевая секция, ручей 10, 2007
год) с помощью разработанной нечеткой модели.
1200
120
21
100
800
80
600
60
400
40
200
20
0
0
200
400
600
800
1000
0
1200
№ измерения
I, %
Р, плавок
I, %
Р, плавок
1000
Рисунок 14 – Зависимость количества плавок до замены секции (Р, плавок) и
критерия долговечности (I, %) для МНЛЗ №5 (ручей 10, секция 0, 2007 год)
Погрешность оценки критерия долговечности роликовых секций
оборудования НРС в данном примере составляет 2,89 %, что подтверждает
высокое качество и эффективность разработанного метода.
По результатам проведенных исследований разработаны предложения
по повышению эксплуатационной надежности оборудования НРС, снижению
расходов на остановки и ремонт путем применения разработанной модели
оценки состояния оборудования для оптимизации планирования ремонтных
работ по техническому состоянию, предусматривающему выявление
элементов, приводящих в ближайшее время к отказу. Описаны цели,
режимы
функционирования,
структура
оптимизации
планирования
ремонтных работ оборудования НРС на основе оценки технического
состояния. С использованием разработанной модели оценки состояния
элементов оборудования НРС, проведены расчеты отказов МНЛЗ№5 ОАО
«Северсталь» в течение 2013 года, результаты представлены на рисунке 15
в виде графика ремонтов (в том числе и внеплановых по причине отказа).
факт
Количество остановочных
ремонтов
3,5
прогноз
план
3
2,5
2
1,5
1
0,5
0
1
2
3
4
5
6
7
8
Месяц, 2013 год
9
10
11
12
Рисунок 15 – График ремонтов МНЛЗ №5 2013 г. (факт/прогноз/план)
22
Из данных, представленных на рисунке 15, следует, что оперативная
корректировка графика плановых ремонтов МНЛЗ №5, по результатам
разработанной оценки состояния оборудования, в 2013 году могла
обеспечить снижение суммарных потерь, связанных с простоями
производства до 20%.
Заключение
содержит
перечень
основных
результатов
диссертационной работы.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
В диссертационной работе в рамках решения поставленной научнотехнической задачи повышения эффективности оценки уровня надежности
оборудования НРС в условиях неполной информации о входных параметрах
на основе применения метода оценки состояния оборудования НРС с
использованием аппарата нечеткой логики получены следующие основные
результаты:
1.
Разработана
математическая
модель
оценки
состояния
оборудования НРС, отличающаяся тем, что основана на обработке
информации о технологическом процессе разливки стали и статистических
данных об отказах элементов оборудования, и позволяющая повысить
достоверность расчета критериев надежности системы при существующих
условиях с учетом неопределенности исходной информации о значениях
входных переменных с помощью применения аппарата нечеткой логики.
2. Разработан метод оценки состояния оборудования, отличающийся
от аналогов точностью прогнозирования отказов оборудования НРС в
процессе эксплуатации, которая достигается с помощью разработанной
структурной и параметрической идентификации нечеткой модели за счет
применения генетических алгоритмов и искусственных нейронных сетей, и
результаты которого позволяют исследовать и установить зависимость
между параметрами процесса НРС и характером дефектов, которые
являются причинами возникновения отказов, и оценивать эффективность
составления графиков ремонтов за прошедший период в условиях
сервисного обслуживания.
3. Разработано функционально полное алгоритмическое обеспечение
реализации метода оценки состояния оборудования НРС, включающее:
- алгоритм идентификации нечеткой модели оценки состояния
оборудования НРС,
- алгоритм самоорганизации исходных данных нечеткой модели
оценки состояния оборудования НРС,
- алгоритм оценки состояния оборудования НРС,
- алгоритм принятия решения об эксплуатации оборудования НРС,
и обеспечивающее комплексную оценку состояния оборудования НРС и
реализацию информационной поддержки принятия решения об его
23
сервисном обслуживании в реальном режиме времени в процессе
эксплуатации.
4. Разработаны предложения по повышению надежности оборудования
НРС путем оптимизации ремонтных работ по техническому состоянию на
основе нейро-нечеткой оценки состояния оборудования.
5. Выполнена промышленная апробация разработанных модели и
метода с целью оценки их точности и достоверности. Для этого
использованы базы данных, содержащие информацию с 2002 по 2007 год
объемом 2,8 млн. записей о фактических режимах эксплуатации МНЛЗ
№№1-5 ОАО «Северсталь» и результаты нечеткого моделирования. С
использованием
статистических
методов
доказано,
что
усовершенствованная модель обеспечивает точность вычисления критерия
безотказности оборудования с погрешностью не более 6 %. Внедрение
предложений по оптимизации ремонтных работ на основании данных о
фактическом состоянии оборудования НРС позволяет обеспечить снижение
затрат на ремонты и послеаварийное восстановление оборудования до 5%.
ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ
Публикации в рецензируемых журналах из списка ВАК РФ
1. Соловьева О.И., Кожевников А.В. Математическая модель
прогнозирования уровня безопасности сталеразливочного оборудования //
Вестник Череповецкого государственного университета. Научный журнал. –
Череповец: ФГБОУ ВПО ЧГУ. – № 3 (41). Т.2 – 2012. – С. 25–31.
2. Кожевников А.В., Соловьева О.И. Разработка методики
прогнозирования состояния сталеразливочного оборудования на основе
нечеткого управления // Металлургические процессы и оборудование/ –
2014. – №2(36) 06/2014. С. 43-51.
3. Кожевников А.В., Соловьева О.И. Методика оптимизации
планирования ремонтных работ МНЛЗ на основе нечеткого прогнозирования
фактического состояния оборудования // Проблемы черной металлургии и
материаловедения. – №2. – 2014. – С. 94-100.
Монография
4. Соловьева О.И., Кожевников А.В Нечеткое прогнозирование в
промышленности. Разработка методики прогнозирования состояния
сталеразливочного оборудования на основе нечеткого управления.
Монография: LAP LAMBERT Academic Publishing GmbH &Co KG,
Saarbrucken, Germany. 2014. – 161 с.
Публикации в других изданиях
5. Соловьева О.И. Проблемы внедрения и функционирования систем
управления промышленной безопасностью (СУПБ) промышленных
предприятий // Сборник материалов первой Всероссийской научно-
24
технической конференции «Экспертиза и оценка риска техногенных систем2009» / ГОУ ВПО «Череповецкий государственный университет». 2009. – С.
135-141.
6. Соловьева О.И., Кожевников А.В Разработка альтернативной системы
оценки уровня эксплуатационной безопасности технических устройств,
применяемых на опасных производственных объектах металлургической
промышленности, на основе методов нечеткого управления // Сборник
Материалов
III
Международной
научно-технической
конференции
«Экспертиза и оценка риска техногенных систем – 2011» / ГОУ ВПО
«Череповецкий государственный университет». 2011. – С.165-173.
7. Соловьева О.И. Разработка системы прогнозирования уровня
безопасности опасных производственных объектов черной металлургии на
основе методов нечеткого управления // Сборник VII Международной научнопрактической конференции «Обеспечение безопасности в ЧС» / ГОУ ВПО
«Воронежский государственный технический университет». 2011. – С.123129.
8. О.И. Соловьева. Метод прогнозирования уровня аварийности
оборудования непрерывной разливки стали на основе математического
аппарата нечеткой логики и искусственных нейронных сетей // Современная
металлургия начала нового тысячелетия»: сб. науч. труд. Часть I / Липецк:
Изд-во ЛГТУ. 2012. – С.168-175.
9. Соловьева О.И. Разработка экспертной системы оценки технического
состояния металлургических агрегатов на основе нечеткого управления /
Череповец. гос. ун-т. – г.Череповец, 2012. 14 с.: ил. – Библиогр.: 8 назв. Рус.
– Деп. в ВИНИТИ РАН 07.12.2012 №440-В2012.
10. Соловьева О.И. Оптимизация нечеткой модели прогнозирования
уровня аварийности оборудования непрерывной разливки стали с помощью
алгоритмов идентификации и алгоритмов самоорганизации данных //
Сборник
VIII
Международной
научно-практической
конференции
«Обеспечение безопасности в ЧС» / ГОУ ВПО «Воронежский
государственный технический университет». 2012. – С.143-150.
11. Соловьева О.И. Метод прогнозирования уровня аварийности
оборудования непрерывной разливки стали на основе математического
аппарата нечеткой логики и искусственных нейронных сетей // Современные
научные исследования и инновации. – 2013. – № 10 [Электронный ресурс].
URL: http://web.snauka.ru/ issues/2013/10/26679.
12. Соловьева О.И., Кожевников А.В. Разработка информационной
модели
прогнозирования
степени
износа
роликовых
секций
поддерживающих устройств МНЛЗ на основе нечеткого управления //
Сборник
III
Межотраслевой
научно-практической
конференции
«Инновационные пути модернизации базовых отраслей промышленности,
энерго- и ресурсосбережение, охрана окружающей природной среды»»/
Харьков: ГП УкрНТУ «Энергосталь». – 2014. – C. 146-154.
Документ
Категория
Без категории
Просмотров
27
Размер файла
1 170 Кб
Теги
логика, непрерывного, нечеткой, сталин, оценки, алгоритм, метод, оборудование, состояние, аппарата, разливка, основы
1/--страниц
Пожаловаться на содержимое документа