Wykorzystanie technik sztucznej inteligencji do optymalizacji zawiesinowego procesu otrzymywania miedzi

• Autorzy: Talar J. , Stanisławczyk A. , Jarosz P. , Kusiak J. , Gostyński Z. , Haze D. , Wroński P.

Warianty tytułu

EN

Application of the artificial intelligence techniques to optimisation of the copper flash smelting process

• Języki publikacji: PL

Abstrakty

PL

Wytop miedzi w piecu zawiesinowym jest procesem bardzo złożonym [1, 2], a sterowanie nim w warunkach przemysłowych opiera się głównie na doświadczeniu technologów i operatorów pieca. Spotykane modele tego procesu [3÷6] są mało przydatne dla celów sterowania i optymalizacji ze względu na długie czasy obliczeń, jak również na znaczne uproszczenia. Przedstawiono ideę systemu umożliwiającego optymalizację procesu zawiesinowego wytwarzania miedzi opartego o narzędzia sztucznej inteligencji oraz eksplorację danych („data mining"). Do optymalizacji procesu wykorzystano metodę algorytmów genetycznych (AG) oraz model procesu oparty o sztuczne sieci neuronowe (SSN). Zastosowano optymalizację z dodatkowymi ograniczeniami sterujących parametrów wejściowych procesu. Ograniczenia te wyznaczono w wyniku analizy skupień przemysłowych danych pomiarowych. Przedstawiono wyniki optymalizacji wybranych parametrów procesu zawiesinowego.

EN

The objective of the work is optimisation of the copper flash smelting process using the techniques based on artificial inteligence and data mining. The copper flash smelting process is very complex [1, 2]. In the industrial conditions, the control of the process is based on the experience of engineers and operators. The existing models of the process [3÷6] are useless from the automatic control system point of view, because of the long computation time and low accuracy. In the paper, the results of optimisation of the chosen process parameters are presented. The genetic algorithm (GA) and artificial neural networks (ANN) model were used to optimisation of the process. In this work, the optimisation with additional constraints of the input process parameters was applied. These constraints were obtained in the result of the clustering of industrial data.

Słowa kluczowe

PL

optymalizacja procesów; sztuczne sieci neuronowe; algorytmy genetyczne; klasteryzacja danych; zawiesinowy proces wytwarzania miedzi

EN

process optimisation; artificial neural networks; genetic algorithms; clustering; copper flash smelting process

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Rudy i Metale Nieżelazne
• Rocznik: 2006
• Tom: R. 51, nr 12
• Strony: 736--741
• Opis fizyczny: Bibliogr. 21 poz., rys., wykr., tab.

Twórcy

autor

Talar J.

autor

Stanisławczyk A.

autor

Jarosz P.

autor

Kusiak J.

autor

Gostyński Z.

autor

Haze D.

autor

Wroński P.

• Akademia Górniczo-Hutnicza, Wydział Inżynierii Metali i Informatyki Przemysłowej, Kraków

Bibliografia

• 1. Jarosz P., Talar J., Kondek T., KusiakJ., DobrzańskiJ., Staszak.).: Modelowanie skladu fazy gazowej procesu zawiesinowego wytopu miedzi z wykorzystaniem sztucznych sieci neuronowych. Mat. 13. Konf. Informatyka w Technologii Metali KomPlasTech2006, Szczawnica 2006, Wydaw. Akapit, s. 201+208.
• 2. Talar J., Jarosz P., Kondek T, KusiakJ.. Staszak J.: Zastosowanie sztucznych sieci neuronowych do sterowania zawiesinowym przetopem koncentratów miedzi. Mat. 11. Konf. Informatyka w Technologii Metali KomPlasTcch2004, Zakopane 2004, Wydaw. Akapit, s. 291+300.
• 3. Davenport W. G., Partelpoeg E. H.: Flash Smclting-Analysis. Control and Optimization. 1987, Pergamon Press.
• 4. Donizak J., Holda A., Kolenda Z: Modelowanie matematyczne procesów metalurgicznych —jednostadialny proces zawiesinowy produkcji miedzi hutniczej. Materiały Konf. Teoria i Inżynieria Procesów Metalurgicznych, Kraków 2003, s. 23+42.
• 5. Donizak J., Ilolda A., Kolenda Z.: Zastosowanie deterministyczno--stochastycznego modelu do symulacji zawiesinowego procesu produkcji miedzi hutniczej. Materiały XVIII Zjazdu Termodynamików, 2002, z. 22, Wydaw. Polit. Warszawskiej, s. 325+334.
• 6. Donizak J., Holda A., Kolenda Z., Sukiennik A., Warmuz M., Szwancyber C., Garbacki J., Gostyński Z.: The Flash Smelting Process Digital Simulation. The IVth International Conference on Non-Ferrous Metals and Alloys, Cracow 1999, s. 29.
• 7. McQueen J. B.: Some Methods for Classification and Analysis of Multivariate Observations. Proc. of 5th Berkeley Symp. on Mathematical Statistics and Probability, 1967, Vol.1, s. 281+297.
• 8. Jain A. K., Dubes R. C: Algorithms for Clustering Data. 1988, Prentice Hall.
• 9. Kaufman £,., Rousseeuw P. J.: Finding Groups in Data: an Introduction to Cluster Analysis. New York 1990, John Wiley & Sons.
• 10. Guha S., Rastogi, R., Shims K.: Cure: An Efficient Clustering Algorithm for Large Databases. Information Systems. Elsevicr 2001, Vol. 26, No. l,s, 35+58.
• 11. Cichosz P.: Systemy uczące się. Warszawa 2000, Wydaw. Naukowo--Tcchniczne, s. 316.
• 12. Talar J.: The possibilities of the clustering method application in analysis of multidimensional data obtained from real industrial process. Proc. CMS'05 Computer Methods and System. Kraków 2005, Wydaw. Oprogramowanie Naukowo-Tcchniczne, Vol. 2, s. 43+48.
• 13 Arbib M. A. ed.: The Handbook of Brain Theory and Neural Networks. London 1995, The MIT Press.
• 14. Osowski S.: Sieci neuronowe. Warszawa 1996, Wydaw. Oficyna Wydaw. Polit. Warszawskiej.
• 15. Tadeusiewicz R.: Sieci neuronowe. Warszawa 1993, Wydaw. Akademicka Oficyna Wydaw. RM.
• 16. Tadeusiewicz R.: Wprowadzenie do sieci neuronowych, w: Zastosowanie sztucznych sieci neuronowych w symulacji i sterowaniu procesami metalurgicznymi. Materiały 1. Seminarium Neuromet'97, Kraków 1997, Wydaw. Akapit, s. 7.
• 17.Goldberg D. E.: Algorytmy genetyczne i ich zastosowania. Warszawa 1995, Wydaw. Nauk.-Techn.
• 18. Cytowski J.: Algorytmy genetyczne. Podstawy i zastosowania. Warszawa 1996, Wydaw. Akademicka Oficyna Wydaw. PLJ.
• 19. Michalewicz Z: Gcnelic Algorithm + Data Structures = Evolution Programs. 1992, Springer-Verlang.
• 20. Talar J., Szeliga D., Pietrzyk M.: Application of Genetic Algo-rilhms tor Identification of Rheological and Friction Parameters in Copper Deformation Process. Archives of Mctallurgy 2002, nr47, s. 27+41.
• 21. Talar J., Kondek 71, Szeliga D.: Application of tlic Optimisation Techniques based on Genetic Algorilhms to the Design and Identification of Process Parameters. Symposium 11: Modelling of Metal Rolling Processes. London 2001, 1OM Communications Ltd.