Разработка и исследование нейросетевых инструментов моделирования и управления сложными технологическими процессами

Актуальность. Разработанные в середине прошлого века инструменты нейросетевого моделирования для эффективного применения требуют значительных вычислительных ресурсов, которые не могли быть предоставлены вычислительными устройствами того времени. Быстрый прогресс компьютерных технологий и наращивание мощностей вычислительной техники, произошедшие в последнее десятилетие, позволили с успехом применять нейронные сети в самых различных областях. В литературе приводятся примеры применения нейронных сетей для решения задач построения функции по конечному набору значений, построения отношений на множестве объектов, распределенного поиска информации, идентификации динамических систем и управления ими и т. д. Часто решения этих задач, полученные на основе нейронных сетей, являются более оптимальными, чем решения, опирающиеся на иной формальный аппарат.

Перспективной областью применения инструментов теории искусственных нейронных сетей является моделирование сложных технологических процессов. Математические модели технологических процессов необходимы для применения эффективных формальных методов и инструментов исследования влияния технологии производства на свойства конечного продукта и для определения оптимального управления с целью достижения заданного качества продукта. Такого рода математические модели значительно отличаются, например, от моделей каких-либо физических объектов и систем, в которых прогнозируется реакция объекта на некоторые внешние условия. Модели технологического процесса должны отражать информационные и функциональные зависимости между технологией производства и свойствами (показателями качества) получаемой продукции. Хотя в литературе не приводятся примеры использования нейронных сетей для моделирования такого рода зависимостей, гибкость нейросетевых моделей позволяет применить их для моделирования технологического процесса.

Эффективность использования инструментов управления технологией производства и качеством продукции в первую очередь определяется точностью и адекватностью синтезированных моделей технологического процесса. Точности используемых в настоящее время регрессионных моделей линейных по параметрам не всегда достаточно для адекватного воспроизведения особенностей непрерывных технологических процессов. Практические разработки применения нейронных сетей для моделирования различного рода инженерных систем показывают, что нейросетевые модели точнее регрессионных и лишены ряда имеющихся у регрессионных моделей недостатков. Применение нейронных сетей для моделирования технологических процессов позволит повысить эффективность систем управления качеством, предоставив необходимый объем информации о процессе и дополнительные инструменты исследования, анализа и управления. Отсюда следует, что разработка нейросетевых инструментов моделирования сложных технологических процессов является актуальной задачей.

Целью работы является создание и исследование эффективных 1 инструментов моделирования сложных технологических процессов и инструментов управления технологией на основе искусственных нейронных — сетей.

Основные задачи. Для достижения поставленной цели сформулированы следующие задачи исследования:

• исследовать возможность применения теории искусственных нейронных сетей для управления технологией производства;

• спроектировать структуры нейронных сетей, пригодных для моделирования функциональных взаимосвязей между технологическими факторами и показателями качества продукции в сложных многоэтапных непрерывных технологических процессах;

• разработать алгоритмы синтеза структуры нейронной сети и алгоритмы обучения, позволяющие полностью автоматизировать процесс создания нейросетевой модели технологического процесса, включая параметрическую и структурную идентификацию;

• исследовать возможность использования инструментов теории нейронных сетей для создания моделей, описывающих информационную взаимосвязь между технологией и качеством получаемой продукции и разработать такие инструменты;

• реализовать разработанные алгоритмы в виде комплекса программного обеспечения, интегрированного в автоматизированную систему управления качеством продукции.

Методы исследования. В работе использованы методы системного анализа, теории вероятности, математической статистики, методы математического программирования, теории искусственных нейронных сетей, теории принятия решений, кластерного анализа, технического анализа, методы объектно-ориентированного проектирования и программирования. Программная реализации разработанных алгоритмов и программных имитационных моделей выполнена на языке С++ в среде разработки Borland ' С++ Builder 6.0.

Обоснованность и достоверность. Обоснованность использования предлагаемых нейросетевых инструментов моделирования технологического процесса определяется тем, что они базируются на положениях теории искусственных нейронных сетей и системного анализа, развивая их в соответствии с целью работы.

Обоснованность разработанных алгоритмов построения нейросетевых моделей подтверждается тем, что они опираются на развитые и дополненные в работе эффективные методы математического программирования, кластерного анализа, теории принятия решений и имитационного моделирования.

Проведенные в достаточном объеме вычислительные эксперименты, практическая реализация разработанных алгоритмов, сравнительный анализ результатов с реальными производственными данными, использование информационного, математического и программного обеспечения в научных исследованиях и учебном процессе подтверждают достоверность результатов диссертации.

Научная новизна. В работе получены и выносятся на защиту следующие результаты, характеризующиеся научной новизной:

• методика применения слоистых нейронных сетей для моделирования функциональных взаимосвязей между технологическими факторами и показателями качества продукции в сложных многоэтапных непрерывных технологических процессах;

• алгоритм формирования структуры нейросетевой модели технологического процесса, отличающийся формальным способом расчета необходимого количества нейронов в скрытом слое двухслойной сети, позволяющий автоматизировать эту процедуру;

• способ расчета статистических интервальных оценок выходов нейронной сети, отличающийся использованием оценочной сети, на вход которой подаются интервальные оценки погрешности измерения технологических факторов, позволяющий получать интервальные оценки прогнозов значений показателей качества продукции;

• формальный критерий остановки процесса параметрической идентификации нейронной сети основанный на мониторинге изменения ошибки обобщения, отличающийся применением метода технического анализа динамических рядов данных для локализации момента изменения тенденции ошибки обобщения, позволяющий значительно ускорить процесс параметрической идентификации и избежать эффекта переобучения;

• алгоритм обучения нейросетевой модели технологического процесса, особенностью которого является возможность корректировки структуры модели в процессе обучения с помощью расщепления сети на нейронные ядра и использование критериев остановки, основанных на мониторинге ошибки обобщенияалгоритм позволяет полностью автоматизировать процедуру обучения и получать нейросетевые модели технологического процесса с оптимальным соотношением качества прогнозирования модели и сложности ее структуры- • методика создания и применения нейросетевого классификатора для идентификации информационной взаимосвязи между технологией производства и качеством получаемой продукции, позволяющая вычислять подпространство оптимальных технологических режимов в виде n-мерного гипермногогранника.

Практическая значимость. Разработана методика создания моделей технологического процесса на основе искусственных нейронных сетей, формальные методы и правила которой позволяют полностью автоматизировать процесс формирования нейросетевых моделей. Создаваемые модели отражают функциональные зависимости между технологией производства и качеством получаемой продукции и позволяют выделить оптимальные технологические режимы, реализация которых с высокой вероятностью обеспечивает получение продукции заданного качества.

Созданные универсальные инструменты синтеза нейросетевых моделей сложных многоэтапных технологических процессов инвариантны к особенностям конкретного процесса и могут быть использованы при решении задач управления технологией производства и качеством продукции непрерывных производственных процессов. Численные эксперименты показывают, что создаваемые нейросетевые модели точнее применяемых ранее для моделирования технологических процессов регрессионных моделей и лишены ряда имеющихся у них недостатков. Это повышает эффективность решения многокритериальных задач принятия решений при управлении технологией и качеством продукции.

Разработаны программные модули, реализующие алгоритмы формирования нейросетевых моделей. Проведена интеграция этих модулей в автоматизированную систему управления качеством продукции и технологией производства.

Реализация и внедрение результатов работы. Результаты работы демонстрировались на нескольких промышленных предприятиях, которые рассматривают возможность их практического использования.

Результаты диссертационного исследования используются в учебном процессе ЛГТУ в рамках курсов «Методы оптимизации», «Параллельное программирование» и «Управление сложными системами» при подготовке инженеров по специальностям «230 102.65 — Автоматизированные системы обработки информации и управления» и «10 503.65 — Математическое обеспечение и администрирование информационных систем».

Апробация результатов исследования. Результаты исследований были представлены:

• на всероссийской выставке НТТМ'2005 (Москва, ВВЦ, 2005);

• на международных конференциях — «Моделирование как инструмент решения технических и гуманитарных проблем» (Таганрог, 2002), «7-ой международный молодежный форум „Радиоэлектроника и молодежь в XXI веке“» (Харьков, 2003), «Системы автоматизированного управления производствами, предприятиями и организациями горнометаллургического комплекса» (Старый Оскол, 2003), «Теория активных систем» (Москва, 2003), «Systems Science XV» (Польша, Варшава, 2004), «Современные сложные системы управления CCCy/HTCS» (Липецк, 2002, Воронеж, 2003, Тверь, 2004, Тула, 2005, Воронеж, 2005), «Interactive Systems And Technologies: The Problems of Human-Computer Interaction» (Ульяновск, 2006), «Исследование, разработка и применение высоких технологий в промышленности HTFI'2006» (Санкт-Петербург, 2006), «Системы управления эволюцией организации CSOE'2006» (Египет, Хургада, 2006);

• на межрегиональной конференции «Моделирование и развитие процессов обработки металлов давлением» (Магнитогорск, 2002);

Программная реализация разработанных алгоритмов подтверждена двумя авторскими свидетельствами об отраслевой регистрации разработок.

Публикации. По теме диссертационного исследования всего опубликовано 23 работы в отечественных и зарубежных изданиях, в том числе: одна статья в журнале из перечня периодических журналов, рекомендованном ВАК для публикации основных результатов диссертацииодна статья в зарубежном журнале- 2 авторских свидетельства об отраслевой регистрации разработок- 15 работ в сборниках научных трудов и трудов международных конференций и форумов. В работах, опубликованных в соавторстве, автором: разработана структура нейросетевых моделей, используемых для моделирования сложных технологических процессов [54, 56]- разработана формальная методика синтеза нейросетевых моделей технологического процесса [55, 96]- разработан формальный способ определения минимально необходимого количества нейронов в скрытом слое двухслойной нейросетевой модели [58]- разработаны критерии окончания параметрической идентификации нейросетевой модели, основанные на мониторинге ошибки обобщения [47]- разработана методика расчета статистических интервальных оценок значений показателей качества, вычисляемых на основе нейросетевой модели [67, 97]- разработана методика определения оптимальной глобальной технологии с помощью нейросетевого классификатора [51] и механизм получения данных о конфигурации вычисленного пространства на основе анализа структуры нейросетевого классификатора [53]- разработана инфологическая модель данных системы поддержки управления качеством, обеспечивающая возможность настройки системы на произвольный технологический процесс [48, 49]- разработана объектная модель структуры классов, используемых для хранения сложных функциональных зависимостей [80]- проведен анализ процесса производства стали в кислородно-конвертерном производстве на основе массива технологической информации [46] и разработана нейросетевая модель, отражающая функциональные зависимости между химическим составом получаемой стали и технологией производства [60]- проведен анализ методов условной оптимизации, используемых для решения одношаговой и многошаговой задачи управления качеством продукции [63].

Структура и объем диссертации

Диссертация состоит из введения, пяти глав, заключения, списка литературы из 98 наименований и шести приложений. Основная часть изложена на 161 странице машинописного текста, содержит 61 рисунок и 15 таблиц.

5.3 Выводы.

1. Проведено практическое исследование возможностей нейросетевого моделирования функциональных связей между технологией и качеством с применением имитационной модели. Показано, что нейросетевые модели могут быть использованы для анализа и идентификации имеющихся функциональных зависимостей между технологическими факторами и показателями качества продукции. В случае наличия таких функциональных зависимостей с помощью разработанных алгоритмов могут быть получены высокоточные нейросетевые модели, адекватно отражающие реальные зависимости между технологическими величинами.

2. Проведена апробация предлагаемой методики создания нейросетевых инструментов моделирования на данных реального технологического процесса — процесса производства стали в ККЦ-1 ОАО HJIMK. Проиллюстрированы основные этапы процесса создания нейросетевой модели. Проведен анализ адекватности полученной модели, на основе которого сделаны выводы о том, что разработанные модели и методики их создания могут быть применены в условиях реального технологического процесса для синтеза математических моделей, отражающих функциональные и информационные связи между технологическими величинами. Для построения моделей могут быть использованы экспериментальные данные, собранные в процессе функционирования производства в обычном режиме.

Заключение

.

1. Показана возможность применения нейронных сетей для моделирования сложных непрерывных технологических процессов.

2. Разработана структура нейросетевой модели отдельного технологического этапа, позволяющая идентифицировать функциональные взаимосвязи между технологическими факторами и свойствами производимой продукции.

3. Разработан алгоритм синтеза первоначальной структуры нейросетевой модели отдельного технологического этапа, который позволяет сформировать первоначальную структуру нейросетевой модели в полностью автоматическом режиме. Предложенный способ вычисления минимально необходимого количества нейронов в скрытом слое позволяет заранее отсечь бесперспективные виды структур модели, что обеспечивает в дальнейшем увеличение скорости обучения и предотвращает преждевременную остановку процесса обучения.

4. Синтезирована структура нейросетевой модели сквозной технологии, позволяющая осуществлять оперативное автоматизированное создание такой модели из блоков нейросетевых моделей отдельных этапов. Связи между этими блоками определяются имеющимися на производстве технологическими маршрутами.

5. Разработаны методы вычисления статистических интервальных оценок прогноза значений показателей качества на основе информации о погрешности измерения технологических факторов.

6. Формализован критерий окончания параметрической идентификации нейросетевой модели локальной технологии, основанный на определении момента изменения тенденции ошибки обобщения.

7. Разработан алгоритм обучения нейросетевой модели технологического процесса, в ходе которого осуществляется параметрическая идентификация модели и модификация ее структуры. Созданный алгоритм позволяет получить оптимальную, в смысле соотношения качества прогнозирования и сложности структуры, нейросетевую модель.

8. Сформулирована постановка задачи идентификации модели глобальной технологии, которая позволила свести ее к задаче классификации образов технологии на два класса: класс технологий приводящих к получению качественной продукции и класс технологий, приводящих к получению некачественной продукции. Разработана структура нейронной сети, которая может быть использована для решения этой задачи классификации. Дальнейший анализ структуры обученного нейросетевого классификатора основывается на геометрической интерпретации особенностей функционирования двухслойных нейронных сетей и позволяет получить описание найденной оптимальной области глобальной технологии в виде системы линейных неравенств.

9. Исследования разработанных нейросетевых инструментов моделирования технологического процесса на имитационной модели и апробация на фактических данных технологического процесса производства стали в кислородно-конвертерном производстве показали, что нейронные сети могут быть использованы для анализа и идентификации имеющихся функциональных зависимостей между технологическими факторами и показателями качества продукции, а разработанные алгоритмы позволяют получить нейросетевые модели, адекватно отражающие реальные зависимости между технологическими величинами. Погрешность прогнозирования полученных моделей сравнима с погрешностью измерения используемых инструментов и методик, что говорит о возможности применения этих моделей на практике.