Автор:  Жуков П.И., Глущенко А.И., Фомин А.В.
Название:  Сравнение модели конечных разностей и машинного обучения для задачи прогнозирования температуры заготовки, нагреваемой в проходной печи
Выпуск:  95
Рубрика:  Управление техническими системами и технологическими процессами
Год:  2022
Библиография:  Жуков П.И., Глущенко А.И., Фомин А.В. Сравнение модели конечных разностей и машинного обучения для задачи прогнозирования температуры заготовки, нагреваемой в проходной печи // Управление большими системами. Выпуск 95. М.: ИПУ РАН, 2022. С.79-100. DOI: https://doi.org/10.25728/ubs.2022.95.5
Ключевые слова:  цифровой двойник, деревья решений, сеточная модель, нестационарная теплопроводность, машинное обучение
Ключевые слова (англ.):  digital twin, decision trees, grid model, transient heat conduction, machine learning
Аннотация:  В рамках всего цикла переделов, применяемых в черной металлургии, присутствует множество энергоемких технологических объектов, энергоэффективное управление которыми осложнено факторами нестационарности тех процессов, которые в них протекают. Одним из таких объектов является проходная пламенная печь, которую используют в режимах простого нагрева, гомогенизации, отжига и других. Если бы для нее была известна температура поверхности заготовок на выходе из печи в то время, пока они еще находятся в ней, то возможно было бы регулировать некоторые параметры нагрева, оставаясь в рамках технологических инструкций, чтобы минимизировать расход сжигаемого топлива. Поэтому в рамках данной работы авторы проводят сравнение двух моделей, способных прогнозировать температуру поверхности заготовки после режима простого нагрева в такой печи: модель на основе численного дифференцирования уравнения нестационарной теплопроводности и древовидную модель, полученную методом машинного обучения на основе технологических данных, снимаемых АСУ ТП с нижнего уровня автоматизации печи. Предполагается, что подобные модели могут стать основной для «цифрового двойника» объекта, который в дальнейшем может быть использован в системах Advanced Process Control (APC). В результате сравнения было установлено, что ошибка модели, обученной на технологических данных, в среднем на 7,4 градуса Цельсия ниже, чем у конечно-разностной модели. Предполагается, что полученный результат является следствием преимущества естественной более глубокой адаптации к объекту у первой модели.
Аннотация (англ.):  Within the whole cycle of technological conversion processes, which are widespread in the ferrous metallurgy, there are many energy-intensive technological units, energy-efficient control of which is a complicated task due to the non-stationarity of technological processes within them. One of such units is a continuous flame furnace, which is used for simple heating, homogenization, annealing and other operations. If the surface temperature of the billets at the furnace outlet could be known in advance (while they are still inside the furnace), it would be possible to adjust certain heating parameters, while staying within the technological instructions, in order to minimize the consumption of the combustible fuel. Therefore, in this paper we compare two models to predict the temperature of the billet surface after a simple heating in such a furnace: a model based on numerical differentiation of transient heat conduction equation and a tree-like one, which is obtained by machine learning and based on the technological data from the lower level of the furnace automation. It is supposed that such models can become the basis for a "digital twin" of the unit, which can be further used in Advanced Process Control (APC) systems. As a result of comparison, it is obtained that the error of the data-based model is 7.4 degrees Celsius lower on average comparing to the finite-difference one. It is assumed that this result is a consequence of the advantage of the first model "natural adaptation" to the technological unit.

в формате PDF

Просмотров: 995, загрузок: 294, за месяц: 15.

Назад