Алгоритмическое и информационное обеспечение прогнозирования теплового состояния доменной печи методом распознавания образов

Алгоритмическое обеспечение задачи прогноза

В рамках исследования разработан законченный алгоритм решения задачи прогнозирования. На рисунке 7.11 приведена блок-схема алгоритма.

Рисунок 7.11. Блок-схема алгоритма решения задачи прогноза.

Подготовка данных. Исходный список признаков, вошедших в описание объекта прогнозирования, был сформирован исходя из экспертных рекомендаций персонала доменного цеха. По результатамя корреляционного анализа из списка были исключены некоторые дублирующие параметры. Всего для решения задачи было использовано 65 признаков.

Все множество векторов была разбито на три класса в соответствии с величиной содержания кремния в чугуне:

• класс «ниже нормы»: [Si] < 0.57%;

• класс «норма»: 0.57%  [Si]  0.75%;

• класс «выше нормы»: [Si] > 0.75%.

Формирование обучающей и экзаменующей выборок производилось как случайным образом, так и на основе результатов таксономии множества векторов. В результате выполнения процедуры оценки информативности признаков были определены индивидуальные временные сдвиги для отдельных параметров и выбраны наиболее информативные подсистемы признаков.

В таблице 3 приведен обобщенный список наиболее информативных признаков, сформированный в соответствии с частотой их вхождения в информативные подсистемы, при использовании которых были получены 11 лучших решающих правил.

Таблица 7.3.

Список признаков, упорядоченный по информативности на основе оценки разности средних значений

№	Название параметра	Величина инд. сдвига, час.
1	Средневзвешенное содержание в ЖРМ Al2O3	5
2	Отношение средневзвешенных содержаний в ЖРМ CaO/SiO2	5
3	Средневзвешенное содержание в ЖРМ SiO2	5
4	Средневзвешенное содержание SiO2 во флюсах	5
5	Отношение суммарных масс в ЖРМ CaO/SiO2	5
6	Расход пара на увлажнение	1
7	Расход пара на увлажнение	0
8	Средневзвешенное содержание CaO во флюсах	5
9	Теоретическая температура горения	3
10	SiO2/Al2O3 (кремниевый модуль)	5
11	Суммарная масса Fe во всех загружаемых шихтовых компонентах	5
12	Степень использования Н2 (модельная)	1
13	Средневзвешенное содержание в ЖРМ FeO	5
14	Степень прямого восстановления железа (модельная)	5
15	Теоретическая температура горения	0
16	Степень использования СО	1
17	Средневзвешенное содержание в ЖРМ Ti	5
18	Средневзвешенное содержание в ЖРМ MgO	5
19	Масса кокса в подачу	5
20	Показатель теплового состояния низа печи	5
21	Расход горячего дутья через фурмy №19	1
22	Суммарная масса SiO2 во всех загружаемых шихтовых компонентах	5
23	Масса ЖРМ в подачу	5
24	Расход пара на увлажнение	1
25	Суммарное значение прихода тепла в печь	5
26	Расход горячего дутья через фурмy №19	0
27	Температура природного газа	1
28	Расход горячего дутья через фурмy №6	0
29	Средняя температура периферийного газа	0
30	Перепад давления общий	0
31	Средневзвешенное содержание в ЖРМ Fe	5
32	Средняя температура колошникового газа	1
33	Расход природного газа	1
34	Расход горячего дутья через фурмy №6	1

Оценка эффективности использования расчетных параметров, полученных с использованием модели ДП УрФУ (рисунок 7.12) показала, что их включение в подсистемы информативных признаков повышает результаты обучения на 5-10% и приводит к формированию более компактных систем признаков для достижения удовлетворительных результатов распознавания.

Рисунок 7.12. Оценка эффективности использования расчетных

параметров по модили УрФУ для решения задачи прогноза

Для формирования распознающего коллектива решающих правил было выполнено более 300 циклов обучения с использование трех наборов данных и различных вариантов решения этапных задач обучающего цикла. Проверка качества решающих правил производилась на экзаменующих выборках, полученных по результатам таксономии. Такой способ разбиения наблюдений на обучающую и экзаменующую выборки обеспечивает их максимальную репрезентативность. В результате было выбрано 11 лучших решающих правил (таблица 7.4).

Таблица 7.4.