System predykcji dodatków stopowych w procesie stalowniczym

• Autorzy: Wieczorek T. , Świtała P.

Warianty tytułu

EN

Alloy additives prediction system for steelmaking process

• Języki publikacji: PL

Abstrakty

PL

Najważniejszym etapem produkcji stali w procesie elektrostalowniczym jest uzyskanie odpowiedniego składu chemicznego. Przez wprowadzanie odpowiednich dodatków stopowych. Zarówno dobór poszczególnych dodatków, jak i ich masa w praktyce obliczana jest na podstawie teorii równowagowych procesów chemicznych oraz doświadczenia operatora prowadzącego dany proces produkcyjny. Dokładność takich obliczeń nie jest wysoka, natomiast koszt wielu dodatków stopowych jest duży. Dlatego w świecie pracuje się nad systemami ekspertowymi pozwalającymi na precyzyjniejszą predykcję ilości potrzebnych dodatków. W pracy przedstawiono opracowany przez autorów system predykcyjny bazujący na sztucznych sieciach neuronowych, algorytmach wektorów podpierających (SVM) oraz regresji liniowej wielu zmiennych. System ten, składający się z czterech modułów, wdrożono w jednej z hut krajowych. Zaimplementowany został jako aplikacja sieciowa w technologii .NET. Do wyznaczenia optymalnych parametrów modułu SVM oraz regresji liniowej wykorzystano system Statistica, natomiast architekturę sieci neuronowych dobrano wykorzystując własne oprogramowanie. Przedstawiono wyniki eksperymentów przeprowadzonych w rzeczywistych warunkach przemysłowych.

EN

For adjustments of steel composition alloy additions are added to the ladle furnace for obtaining the grade of steel being manufactured. The prediction of steel composition is a crucial factor of secondary metallurgy. Calculations usually are made basing on the equilibrate chemical processes in molten steel. In the paper the problem of prediction of alloy additions has been solved using Artificial Neural Nets and the SVM algorithm. Review of applications of computational intelligence in secondary steelmaking has been made. The prediction system used by authors has been introsuced. Detalis of the neural network prediction and other approaches to the prediction problem, i.e. Support vector regression module and multivariate linear regression have been introduced. Experimental results and the final conlusions and recommendations have been presented.

Słowa kluczowe

PL

obróbka pozapiecowa stali; sieci neuronowe; inteligencja obliczeniowa; SVM

EN

secondary steelmaking; neural networks; computational intelligence; SVM

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2010
• Tom: Vol. 31, nr 2B
• Strony: 425--437
• Opis fizyczny: Bibliogr. 15 poz.

Twórcy

autor

Wieczorek T.

autor

Świtała P.

• Katedra Zarządzania i Informatyki Politechnika Śląska, 40-019 Katowice, ul. Krasińskiego 8,

Bibliografia

• 1. Cortes C, Vapnik V.: Support-Vector Networks. Machine Learning, 20, 1995.
• 2. Engh T.A.: Principles of metal refining. Oxford Univ. Press, Oxford 1992.
• 3. Ghosh A.: Secondary steelmaking. CRC Press Boca Raton, New York 2001.
• 4. Drucker H., Burges C.J.C., Kaufman L., Smola A., Vapnik V.: Support Vector Regression Machines. Advances in Neural Information Processing Systems 9, NIPS 1996, MIT Press 1997, s. 155-161.
• 5. Karbowniczek M.: Elektrometalurgia stali. AGH, Kraków 1993.
• 6. Larose D.: Metody i modele eksploracji danych. PWN, Warszawa 2008.
• 7. Meireles M., Almeida P., Simoes M.: A Comprehensive Review for Industrial Applicability of Artificial Neural Networks. IEEE Transactions on Industrial Electronics 2003, 3, s. 585-601.
• 8. Scholkopf B., Smola A.J.: Learning With kernels. MIT Press Cambridge MA 2002.
• 9. Siemens A.G.: SIMELT NEC - neural network based energy control efficiency. Industrial solution and services. Siemens Press, 2005, s. 1-8.
• 10. Wieczorek T.: Optymalizacja struktury sztucznych sieci neuronowych typu perceptron wielowarstwowy. W: Węgrzyn S., Znamierowski L., Czachórski T,, Kozielski S. (red.) Nowe technologie sieci komputerowych. WKŁ, Warszawa 2006, s. 153-164
• 11. Wieczorek T.: Neuronowe modelowanie procesów technologicznych. Politechnika Śląska, Gliwice 2008.
• 12. Wieczorek T., Mączka K., Świtała P.: Automatyczne tworzenie baz wiedzy z wykorzystaniem drzew decyzyjnych. Bazy danych - nowe technologie. Architektura, metody formalne i zaawansowana analiza danych. Kozielski S., Małysiak B., Kasprowski P., Mrozek D. (red). WKŁ, Warszawa 2007, s. 385-392.
• 13. Wieczorek T., Pilarczyk M.: Classification of steel scrap in the EAF process using image analysis methods. Archives of Metallurgy and Materials, 2008, Vol.53, No. 2, s. 613-618.
• 14 Wieczorek T., Świtała P.: Wykorzystanie algorytmu CART do automatycznego tworzenia bazy wiedzy systemu ekspertowego. Bazy danych - nowe technologie, WKŁ, Warszawa 2008.
• 15 Yanguang S., Daixian W., Yan T., Shi T., Fang Y., Wang S.: An Intelligent Ladle Furnace Control System, Proceedings of the 3th World Congress on Intelligent Control and Autmation, Hefei P.R. China, 1,2000, s. 330+334.