В.А. Емельянов1, Д.А. Петросов2, Н.Ю. Емельянова3, Д.В. Чистов4

1-4 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

Постановка проблемы. Металлургические предприятия и предприятия машиностроения являются наиболее энергоемкими, так как они используют электроемкие производства (электросталеплавильные (конвертерные) и кислородные станции). Для металлургических комбинатов повышение энергоэффективности производства - одно из основных направлений для снижения издержек производства и повышения конкурентоспособности выпускаемой продукции. Для решения проблемы энергосбережения в электросталеплавильном (конвертерном) производстве происходит замена стационарных миксеров для хранения жидкого чугуна подвижными, использование которых уменьшает потери тепла жидкого металла на пути от доменного цеха к конвертерному и дает возможность отказаться от применения стационарных миксеров. Однако на металлургическом производстве возникают проблемы, связанные с авариями при эксплуатации подвижных миксеров из-за воздействия высоких температур жидкого чугуна. Последствия этих аварий - многомиллионный ущерб предприятия, а иногда и человеческие жертвы. Мониторинг и диагностика состояния подвижных миксеров при их эксплуатации производятся с помощью измерительных средств (например, пирометров), функционирование которых в условиях металлургического производства характеризуется значительной погрешностью измерения. При диагностике подвижных миксеров режим их эксплуатации определяется технологом на основании личного опыта, что обуславливает возникновение проблемных ситуаций, связанных с низким уровнем объективности принятия решений при эксплуатации подвижных миксеров. Поэтому при использовании подвижных миксеров особое значение имеет задача повышения качества принятия решений при эксплуатации подвижных миксеров.

Цель. Провести исследование методов и информационных технологий мониторинга и диагностики подвижных миксеров с целью разработки новых и усовершенствования существующих моделей для предотвращения аварий при их применении, а также для решения существующих проблем и перевода процессов мониторинга и диагностики подвижных миксеров на качественно новый уровень.

Результаты. Представлена структура информационной технологии мониторинга технического состояния подвижных миксеров как системно-организованная последовательность операций, выполняемых над информацией, характеризующей их техническое состояние. Предложен нейросетевой подход поддержки принятия решений о режиме эксплуатации подвижных миксеров, который отличается от существующих нейросетевой оценкой факторов, влияющих на возможность их использования, что позволяет автоматизировать операцию определения режима эксплуатации подвижных миксеров. Выполнен синтез нейронной сети для определения режима эксплуатации подвижных миксеров. Продемонстрировано разработанное программное обеспечение для реализации операций обработки информации о состоянии подвижных миксеров и поддержки принятия решений о выборе режима их эксплуатации.

Практическая значимость. Предложенный нейросетевой подход поддержки принятия решений о выборе режима эксплуатации подвижных миксеров позволяет автоматизировать данную операцию и повысить информативность процессов поддержки принятия решений при эксплуатации подвижных миксеров.

Емельянов В.А., Петросов Д.А., Емельянова Н.Ю., Чистов Д.В. Автоматизация процесса мониторинга технического состояния подвижных миксеров на основе искусственных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 5. С. 36-43. DOI: https://doi.org/ 10.18127/j19998554-202205-04

1. Bizhanov A., Chizhikova V. Agglomeration in Metallurgy. Springer. 2020. DOI: 10.1007/978-3-030-26025-5.
2. Sujay Kumar Dutta and Yakshil B. Chokshi. Basic Concepts of Iron and Steel Making. Springer. 2020. DOI: 10.1007/978-981-15-2437-0.
3. Hu W., Gu F., Chen S. Large Data and AI Analysis Based Online Diagnosis System Application of Steel Ladle Slewing Bearing // in Advances in Asset Management and Condition Monitoring, COMADEM. Smart Innovation, Systems and Technologies. 2019. V. 166. Р. 1519-1527.
4. Mihailov Emil & Petkov, Venko & Doichev, Ivan & Boshnakov Kosta. Model-Based Approach for Investigation of Ladle Lining Damages // in International Review of Mechanical Engineering. 2013. № 7. Р. 122-130.
5. Petrova I., Mihailov E., Boshnakov K. Decision support system for condition based maintains of steel casting ladles // in Journal of Chemical Technology and Metallurgy. 2019. V. 54. № 5. Р. 1103-1113.
6. Biswajit Chakraborty and Billol Kumar Sinha. Process-integrated steel ladle monitoring, based on infrared imaging – a robust approach to avoid ladle breakout // in Quantitative InfraRed Thermography Journal. 2020. V. 17. № 3. Р. 169-191.
   DOI: 10.1080/17686733.2019.1639112.
7. Gordon Y., Kumar S., Freislich M., Yaroshenko Y. The modern technology of iron and steel production and possible ways of their development // in Steel in Translation. 2015. V. 45. № 9. Р. 627-634.
8. Chernyi S. Use of Information Intelligent Components for the Analysis of Complex Processes of Marine Energy Systems // in Transport and Telecommunication Journal. 2016. V. 17 (Is. 3). Р. 202-211. DOI: 10.1515/ttj-2016-0018.
9. Chakraborty B., Sinha B. Process-integrated steel ladle monitoring, based on infrared imaging – a robust approach to avoid ladle breakout // in Quantitative Infrared Thermography Journal. 2020. DOI: 10. 1080/17686733.2019.1639112.
10. Yılmaz S. Thermomechanical Modelling for Refractory Lining of a Steel Ladle Lifted by Crane // in Steel Research. 2003. V. 74. № 7. Р. 483-488.
11. Yemelyanov V., et al. Computer diagnostics of the torpedo ladle cars // in AIP Conference Proceedings. 2018. V. 2034. Р. 020008. DOI: 10.1063/1.5067351.
12. Yemelyanov V., Chernyi S., Yemelyanova N., Varadarajan V. Application of neural networks toforecast changes in the technical condition of critical production facilities // in Computers and Electrical Engineering. 2021. № 93. Р. 107225.
13. Опенкин Д.Ю., Черномордов С.В. Применение интеллектуальных технологий для моделирования управляемых систем с переключениями // Наукоемкие технологии. 2021. Т. 22. № 4. С. 26−33