Гибридная модель для упреждающего управления температурой металла при горячем оцинковании стальной полосы

Предложена гибридная модель для упреждающего управления при возмущениях, приводящих к резкому скачкообразному изменению состояния процесса. Подобные изменения происходят при управлении температурой стальной полосы на агрегатах непрерывного горячего оцинкования. Периодическое изменение сортамента полосы или ее скорости приводит к скачкообразным изменениям температуры стали на выходе из печи для отжига. В такие периоды регулирование по отклонению затруднено, что требует введения допусков, которые ограничивают производительность и приводят к избыточному нагреву металла. Показано, что существующие предложения по управлению температурой стальной полосы недостаточно эффективны при резком изменении состояния процесса. Причинами этого являются неизвестные возмущения, действующие в широком частотном диапазоне и имеющие низкочастотные и трендовые составляющие, а также множество влияющих факторов. Показано, что проблемы представительности исходных накопленных данных затрудняют создание сложных эмпирических моделей, а уровень неопределенности процессов в печи затрудняет создание сложных интерпретируемых моделей. Предложенная гибридная модель предполагает совместное применение двух видов упрощенных интерпретируемых моделей процесса, а также эмпирической модели на основе искусственной нейронной сети. Продемонстрировано, что ошибки интерпретируемых моделей могут эффективно прогнозироваться нейронной сетью при наличии дополнительного сигнала от наблюдателя неизвестных возмущений. Проведенные вычислительные эксперименты на данных одного из агрегатов ПАО «ММК» в России показали, что гибридная модель обеспечивает высокую точность прогноза температуры стальной полосы при технологических возмущениях и не требует частой перенастройки.

1. Никифоров Б. А., Салганик В. М., Денисов С. В., Стеканов П. А. Освоение производства высокопрочного поката для автомобилестроения в ОАО "ММК" // Вестник Магнитогорского государственного технического университета им. Г. И. Носова. 2006. № 4(16). С. 41—45.

2. Wu H., Speets R., Ozcan G., Ekhart R., Heijke R., Nederlof C., Boeder C. J. Non-linear model predictive control to improve transient production of a hot dip galvanising line // Ironmaking & Steelmaking. 2016. Vol. 43, N. 7. P. 541—549. DOI: 10.1080/03019233.2015.1126687

3. Wu H., Speets R., Heeremans F., Ben Driss O., van Buren R. Nonlinear model predictive control of throughput and strip temperature for continuous annealing line // Ironmaking & Steelmaking. 2015. Vol. 42, N.8. P. 570—578.

4. Strommer S., Niederer M., Steinboeck A., Jadachowskit L., Kugit A. Nonlinear observer for temperatures and emissivities in a strip annealing furnace // 2016 IEEE Industry Applications Society Annual Meeting. 2016. DOI: 10.1109/IAS.2016.7731914

5. Ryabchikov M. Y., Ryabchikova E. S. Big Data-Driven Assessment of Proposals to Improve Enterprise Flexibility Through Control Options Untested in Practice // Glob J Flex Syst Manag. 2021. URL: https://doi.org/10.1007/s40171-021-00287-5

6. Naoharu Yoshitani, Akihiko Hasegawa. Model-Based Control of Strip Temperature for the Heating Furnace in Continuous Annealing // IEEE transactions on control systems technology. 1998. N.

7. P. 146—156.

8. Ueda I., Hosoda M., Taya K. Strip Temperature Control for a Heating Section in CAL // IECON’91. 1991. P. 1946—1949.

9. Ryabchikov M. Y., Ryabchikova E. S., Shmanev D. E., Kokorin I. D. Strip cooling control for flexible production of galvanized flat steel // Steel in Translation. 2021. Vol. 7, N. 51. P. 446—455.

10. Рябчиков М. Ю., Рябчикова Е. С. Управление режимом нагрева полосы на агрегате непрерывного горячего цинкования с использованием нейросетевых моделей // Технология машиностроения. 2017. № 2. С. 37—43.

11. Рябчиков М. Ю., Рахманов С. Н., Беляков А. А. Статистические модели нагрева полосы в протяжной печи башенного типа агрегата непрерывного горячего оцинкования // Автоматизация технологических и производственных процессов в металлургии. 2012. № 4. С. 81—97.

12. Bamimore A., Sobowale N. B., Osunleke A. S. et al. Offset-free neural network-based nonlinear model predictive controller design using parameter adaptation // Neural Comput&Applic. 2021. Vol. 33. P. 10235—10257. Doi: 10.1007/s00521-021-05788-z

13. Longyuan Li, Junchi Yan, Haiyang Wang, Yaohui Jin. Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder // IEEE Transactions on Neural Networks and Learning Systems. 2021. P. 1—15. Doi: 10.1109/TNNLS.2020.2980749

14. Taguchi Y., Hino H., Kameyama K. Pre-Training Acquisition Functions by Deep Reinforcement Learning for Fixed Budget Active Learning // Neural Process Lett 53. 2021. P. 1945—1962. https://doi.org/10.1007/s11063-021-10476-z

15. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nat Mach Intell 1. 2019. P. 206—215. Doi: 10.1038/s42256-019-0048-x

16. Hossam Faris, Alaa Sheta. A comparison between parametric and non-parametric soft computing approaches to model the temperature of a metal cutting tool // International Journal of Computer Integrated Manufacturing, 2016. Vol. 29, N.1. P. 64—75. DOI: 10.1080/0951192X.2014.1002809

17. Bandara K., Bergmeir K., Hewamalage H. LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series With Multiple Seasonal Patterns // IEEE Transactions on Neural Networks and Learning Systems. 2021. Vol. 32, N. 4. P. 1586—1599. Doi: 10.1109/TNNLS.2020.2985720.

18. Ryabchikov M. Yu. Metallurgical agglomerate quality management with the account of its impact on the blast-furnace process efficiency, The International Journal of Advanced Manufacturing Technology. 2018. Vol. 94, N. 9—12. P. 3785—3794.

19. Борисов В. В., Авраменко Д. Ю. Нечеткое ситуационное управление сложными системами на основе их композиционного гибридного моделирования // Системы управления, связи и безопасности. 2021. № 3. С. 207—237.

20. Yang Q., Fu Y., Zhang J. Molten steel temperature prediction using a hybrid model based on information interactionenhanced cuckoo search // Neural Comput & Applic 33. 2021. P. 6487—6509. URL: https://doi.org/10.1007/s00521-020-05413-5

21. Схведиани А. Е. Основные предпосылки классической линейной регрессии и последствия их нарушений // Инновации и инвестиции. 2020. № 8. С. 38—42.

22. Нуруллаева Ш. Т., Рузметова Н. Ш., Муминова М. А., Сайдуллаева С. А. Гетероскедастичность: что произойдет, если дисперсия ошибки является непостоянной // International Academy Journal Web of Scholar. 2019. № 1(31). С.3—7.

23. Strommer S., Niederer M., Steinboeck A., Kugi A. Hierarchical nonlinear optimization-based controller of a continuous strip annealing furnace // Control Engineering Practice. 2018. Vol. 73. P. 40—55. DOI:10.1016/j.conengprac.2017.12.005

24. Wan Fei, Wang Yong-qin, Qin Shu-ren. Modeling of Strip Heating Process in Vertical Annealing Furnace // Journal of iron and steel research, International. 2012. Vol. 19, N. 5. P. 29—36.

25. Панферов В. И. Адаптивные системы контроля качества нагрева металла в печах // Изв. вузов. Черная металлургия. 1990. № 7. С. 110.