Полный текст

Введение. Цементная промышленность является ведущей отраслью в производстве строительных материалов. Технологический процесс производства цемента отличается высокой степенью сложности и включает в себя следующие основные операции [1]: - добыча сырья; - приготовление сырьевой смеси; - обжиг; - помол цементного клинкера. Следует отметить, что именно от организации процесса помола во многом зависит качество продукции, поэтому системы управления процессом помола должны поддерживать основной технологический параметр процесса - тонкость помола и обеспечивать максимальную производительность. Управление контуром помола является сложной задачей из-за множества факторов, например, нелинейного и неопределенного характера процесса. Существующие математические модели этого процесса полны неточностей, представляют множество взаимодействующих переменных со значительно отличающейся динамикой, которые подвержены неизмеряемым помехам, длительным периодам задержек, а также характеризуются тяжелыми условиями работы и невозможностью использования точных и надежных датчиков [2-6]. Многие свойства цемента зависят не только от химического и фазового состава клинкера, но и от тонкости помола. Тонкость помола цемента характеризуется по остатку на сите № 008 и составляет 8-12 % для большинства цементов. С повышением тонкости помола затраты электроэнергии возрастают в большей мере, чем степень измельчения. Так, увеличение тонкости помола на каждый 1 % уменьшения остатка на сите № 008 повышает расход электроэнергии на 4-6 % и снижает производительность мельницы на 3-5 % [7-11]. Отсюда следует задача определения оптимальной степени загрузки мельницы материалом на основе рационального выбора параметров загрузки мельницы. Основные требования, предъявляемые к автоматическому регулированию процессов помола цемента, заключаются в обеспечении стабильного качества цемента и максимальной производительности, возможных при данном составе клинкера и добавок. До настоящего времени автоматический контроль тонкости помола цемента в промышленность еще не внедрен. Однако ведение процесса помола только по показателям выходного параметра не позволило бы стабилизировать тонкость помола, поскольку время прохождения материала через помольный агрегат довольно значительно [12-18]. Тонкость помола периодически проверяют по данным лабораторного анализа, и при необходимости соответственно машинист корректирует задания для регулятора. Примеры данных лабораторного анализа приведены в табл. 1 и 2. Таблица 1 Данные анализа лаборатории по % гипсов в цементе Зона Значение 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 ср 3+ 3,3 3,45 2+ 3,0 3,29 1- 2,5 2,99 2,73 2,64 2,84 2,79 2,83 2,72 2,76 2- 2,2 2,49 3- 1,95 2,19 Ввод значения 2,73 2,64 2,84 2,79 2,83 2,72 2,76 Таблица 2 Данные анализа лаборатории по % шлака в цементе Зона Значение 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 ср 3+ 19,9 20 2+ 19,5 19,8 19,8 19,8 1- 18 19,4 19,3 19,3 19,3 19,3 19,3 2- 17,6 17,9 17,9 17,9 3- 17,4 17,5 Ввод значения 19,3 19,3 19,3 17,9 19,3 19,8 19,2 Добавки дозируют с помощью объемных или весовых дозаторов, работающих синхронно с дозаторами клинкера, в связи с чем количество вводимых добавок зависит от количества подаваемого в мельницу клинкера. Весовое соотношение клинкера и добавок устанавливает (задает) заводская лаборатория. При этом учитывают вид и марку цемента, которые должны быть получены на данной мельнице [19, 20]. Для стабильной подачи материала в мельнице необходимо оптимизировать этот процесс. Однако при производстве цемента невозможно измерить все параметры помола, поэтому является перспективным применение современных интеллектуальных технологий на основе нейронных сетей. Применение нейронных сетей вызывает определенную сложность, так как требуется статистика за длительный период. Поскольку параметры исходных материалов могут достаточно быстро изменяться, то актуальной задачей здесь является оперативная настройка сети. 1. Контроль процесса измельчения. Управление шаровой мельницы. Оптимизация управления. Для работы шаровых мельниц обычно используется постоянное управление с обратной связью для повышения производительности и качества отверждения. Существуют два типа систем управления, обычно используемых для работы шаровой мельницы. Один использует уровень звука мельницы, а другой использует мощность ковшового элеватора в качестве контролируемой переменной, в то время как управляемая переменная является скоростью подачи мельницы для обеих систем. Эти системы управления основаны на том принципе, что эффективность измельчения шаровых мельниц является самой высокой при определенном значении мощности ковшового элеватора или уровня звука мельницы, как показано на рис. 1. Эффективность измельчения Оптимальное заданное значение Уровень звука мельницы Рис. 1. Эффективность помола шаровых мельниц Поэтому, если заданное значение отклоняется от оптимального, настройка, максимальная эффективность не гарантируются. Фактически в процессе измельчения, как правило, существует множество факторов, которые создают помехи для процесса, такие как колебания размалываемости, распределение частиц и влажность шихты, истирание мелющих тел и так далее. Эти нарушения приводят к смещению оптимальной установки. Вот почему желательно оптимизирующее управление, которое реализует оптимальную настройку с помощью некоторых средств. Метод оптимизирующего управления условно делится на два типа. Одним из них является модельный метод, который заключается в получении оптимального состояния путем использования математической модели управляемой системы. Другой - прямой метод, который заключается в поиске и поддержании оптимального состояния без точных знаний об управляемой системе. С теоретической точки зрения мы можем получить лучшие результаты по модельному методу, чем по прямой. На самом деле очень трудно построить достаточно точную математическую модель для реального процесса. С другой стороны, хотя прямой метод кажется более примитивным, он более практичен и в большинстве случаев дает лучшие результаты. По этой причине наш оптимизирующий контроль использует прямой метод. В работе предлагается метод принятия решений по выбору значений управляющих факторов с учетом заданных технико-экономических ограничений, который позволяет оператору выбрать оптимальные параметры для загрузки мельницы, чтобы получить качественный продукт при минимизации потребляемых ресурсов. 2. Решение задачи рационального выбора параметров загрузки мельницы. Особенность задачи рационального выбора параметров загрузки мельницы состоит в том, что число управляющих факторов невелико, а количество ограничений значительно превышает число управляющих факторов. Действительно, в качестве управляющих факторов мы будем рассматривать величину загрузки мельницы: - клинкер, - гипс и - добавки. Выходными параметрами является множество показателей согласно табл. 3. Ограничения на показатели: (1) На основе построения эмпирических зависимостей с использованием метода наименьших квадратов и нейронных сетей можно получить: (2) С учетом (1) и (2) получаем: (3) В итоге рациональный выбор параметров загрузки мельницы состоит в формальном решении системы неравенств (3). Для решения система неравенств приводится к канонической форме: (4a) (4b) Формально неравенство (4) можно записать в следующим виде: (5) В общем случае система неравенств (5) является несовместной, поэтому решение задачи рационального выбора параметров загрузки мельницы математически сводится к решению системы несовместных неравенств: (6) где Iнер - множество значений индексов неравенств соответственно; х - вектор искомых параметров; fi(x) - монотонные, непрерывные и дифференцируемые функции. Необходимо определить максимально совместную подсистему уравнений и неравенств (6) по критерию: maxС(х), С(х) = Ф(μ(х)), (7) где μ - вектор, составленный из характеристических функций μi неравенств (μi = 1, если i-e неравенство выполняется, в противном случае μi = 0); Ф(μ) - монотонная положительно определенная числовая функция булевых переменных μ. В частном случае критерий (7) имеет вид: (8) где - весовые коэффициенты, удовлетворяющие условиям: Решение системы неравенств (6) по критерию (8) позволяет выделить среди всех максимально совместных подсистем системы (6) такую подсистему, которая обладает максимальным суммарным весом. Другими словами, в данном случае выделяется максимально совместная подсистема, наиболее важная с точки зрения решаемой предметной задачи. При равенстве весов решение задачи (6), (8) выделяет максимально совместную подсистему с максимальным числом неравенств. В общем случае, когда рассматриваются задачи (6), (7), соответствующее решение позволяет выделить максимально совместную структуру неравенств, оптимальную по обобщенному критерию (6). Содержательная интерпретация рассмотренного выше алгоритма поиска оптимальных решений в противоречивых условиях состоит в следующем. На начальном этапе лицо, принимающее решения (ЛПР), формулирует набор условий, которым должно удовлетворять искомое решение. Понимая, что не все желательные условия могут быть выполнены, ЛПР формулирует предпочтения, определяющие желательность выполнения отдельных условий, а также общую целевую функцию, которая количественно выражает степень выполнения поставленных условий в целом. С математической точки зрения целевая функция представляет собой отображение: где где каждое j-e условие описывается вектором своих параметров . Само условие представляется в виде области допустимых значений параметров . Характеристическая функция условия определяет факт принадлежности вектора параметров соответствующей области допустимых значений . Далее, основываясь на методе ветвей и границ, осуществляется глобальный поиск оптимального решения поставленной задачи. Однако полученное решение в общем случае может не оправдывать ожидания ЛПР. Часть поставленных условий при этом не будет выполнена, и реальное значение целевой функции будет меньше ожидаемого Поэтому полученное решение будет являться частным. Дальнейшее развитие процесса решения задачи может осуществляться на основе двух подходов. Первый подход основывается на переводе недостигнутых ограничений в разряд частных целевых функций. В результате может быть поставлена задача оптимизации, в которой ограничениями выступают выполненные ограничения, а в качестве целевой функции используется обобщенная целевая функция, составленная из частных целевых функций недостигнутых ограничений. В результате решения подобной задачи оптимизации будут определены величины ограничений, необходимые для непротиворечивой постановки задачи выбора решений. Необходимо отметить, что в общем случае каждое ограничение отражает определенный аспект рассмотрения реального объекта оптимизации, за которым стоят специальные теории и технические решения. Поэтому постановка задачи снятия частных ограничений приводит к соответствующим задачам специальных научно-практических исследований. Второй подход основывается на следующем. После получения частного решения ЛПР стремится достичь невыполненные ограничения в том виде, в каком они были поставлены, и сосредоточит на этой цели свое внимание. В результате изменится структура предпочтений ЛПР, соответственно изменится и целевая функция задачи: Решение поставленной задачи с измененной структурой целевой функции позволит получить следующее оптимальное решение , для которого уже будут выполняться ранее не выполнившиеся условия. Однако и это решение в общем случае также будет частным, так как не все условия поставленной задачи будут выполняться. Процесс изменения структуры целевой функции и повторные решения задачи могут итеративно повторяться до тех пор, пока на совокупности полученных частных решений { , …} не будут выполнены все поставленные условия. Дальнейшее движение вперед основывается на неформальном содержательном изучении данной совокупности частных решений с целью исследования возможности их логического объединения в целостную систему. В общем случае полученные частные решения противоречат друг другу, характеризуются несовместимыми свойствами. Поэтому объединить их можно лишь на абстрактном уровне путем отвлечения от несовместимых свойств и выдвижения на этой основе общей объединяющей идеи. Последующая разработка выдвинутой идеи должна опираться на всю совокупность знаний в рассматриваемой предметной области и представлять собой сложную интеллектуальную операцию синтеза конкретного решения. В результате подобной интерактивной процедуры можно прийти к синтетическому решению, логически объединяющему свойства, которые вначале были несовместимыми. а б в г д е Рис. 2. Параметры процесса помола: изменение крупки на повторном помоле (a), удельный расход электроэнергии кВт×ч/т (б), тонкость помола по Блейну см2/г (в), звук мельницы, дБ(г), мощность двигателя мельницы кВт (%) (д), и циркулирующая нагрузка (е) В табл. 3 представлена экранная форма оператора помола клинкера, на основании которой выбирается степень загрузки мельницы. Таблица 3 Пример экранной формы оператора помола клинкера Подача, т/час Отклонено (крупка), т час Удельный расход элек-энергии кВт×ч/т Блейн, см2/г Звук мельницы, дБ Мощность двигателя мельницы, % Циркули рующая нагрузка С α1 = 0,17 α2 = 0,18 α3 = 0,15 α4 = 0,20 α5 = 0,19 α6 = 0,11 μ1 μ2 μ3 μ4 μ5 μ6 [8,5; 13,5] [28; 32] [3600; 4000] [80; 86] [73; 80] [1,42; 1,69] 25,5 10,4 1 28,6 1 3643 1 88,5 0 81,1 0 1,17 0 0,5 26 10,6 1 30,1 1 3660 1 87,0 0 72,5 0 1,49 1 0,6 25,5 12,3 1 29,9 1 3646 1 86,2 0 73,7 1 1,55 1 0,8 26,5 11,5 1 29,8 1 3760 1 85,4 1 75,0 1 1,63 1 1,0 32,6 11,1 1 29,8 1 3837 1 84,9 1 75,6 1 1,70 0 0,9 34 13,3 1 30,0 1 3835 1 85,0 1 75,9 1 1,73 0 0,9 33,6 16,0 0 31,0 1 3808 1 85,2 1 76,0 1 1,74 0 0,7 30 12,8 1 31,3 1 3855 1 85,3 1 76,0 1 1,73 0 0,9 31 12,8 1 30,9 1 4066 0 85,6 1 76,1 1 1,70 1 0,9 32,6 10,5 1 30,4 1 4182 0 85,8 1 76,2 1 1,67 1 0,9 34 9,6 1 29,0 1 4197 0 84,3 1 76,7 1 1,65 1 0,9 35,6 8,9 1 28,9 1 4190 0 81,6 1 77,5 1 1,64 1 0,9 38,1 10,5 1 30,4 1 4124 0 81,0 1 78,3 1 1,64 1 0,9 Приведенная табл. 3 получена на основе расчета текущего режима работы мельницы помола клинкера по данным завода ООО «Дюккерхофф Коркино Цемент». В таблице приведены желаемые целевые диапазоны изменения рассмотренных показателей. Здесь μi - характеристические функции целевых диапазонов изменения показателей, - весовые коэффициенты, отражающие важность выполнения соответствующих целевых диапазонов изменения показателей, C - целевая функция, показывающая взвешенное число выполненных целевых диапазонов изменения показателей. В данном случае максимальное значение целевой функции равно 1, что позволяет оператору выбрать объём подачи материала в мельнице в размере 26,5 т/ч. Выводы. Выбор решений для задачи оперативного управления относится к классу многокритериальных задач. В работе предложен метод принятия решений, исходя из множества допустимых технических условий, накладываемых на процесс помола. Подобная постановка задачи в общем случае является противоречивой. В работе предложен подход к решению данной задачи на основе определения максимального числа совместных взвешенных условий, налагаемых на процесс. Подобный подход позволяет организовать интерактивную процедуру выбора допустимого решения при оперативном управлении процессом помола. Модельные расчеты были выполнены с использованием данных эксплуатации мельницы помола цементного завода ООО «Дюккерхофф Коркино Цемент». Расчеты показывают что увеличение производительности мельницы составляет 3-5 %, снижение удельной потребляемой мощности - 2-4 %.

Об авторах

Л. С Казаринов

Южно-Уральский государственный университет

Дж. Р Хасанов

Южно-Уральский государственный университет

Список литературы

Статистика

Просмотры

Аннотация - 44

PDF (Russian) - 24

Ссылки

• Ссылки не определены.