Sterowanie neuronowe procesem przemiału cementu

Politechnika Opolska Wydział Elektrotechniki, Automatyki i Informatyki

mgr inŜ. Gerard Bursy

STEROWANIE NEURONOWE PROCESEM PRZEMIAŁU CEMENTU

AUTOREFERAT ROZPRAWY DOKTORSKIEJ

Promotor: prof. dr hab. inŜ. Ryszard Rojek

Opole 2008

Gerard Bursy – Sterowanie neuronowe procesem przemiału cementu 2

SPIS TREŚCI

1 WPROWADZENIE ....................................................................................................................................... 3

2 CEL, TEZA I ZAKRES PRACY.................................................................................................................. 4

3 CHARAKTERYSTYKA MŁYNA KULOWEGO CEMENTU JAKO OBIEKTU STEROWANIA .... 5

4 PRZEGLĄD STRUKTUR SIECI NEURONOWYCH ORAZ METOD UCZENIA POD KĄTEM MOśLIWO ŚCI ICH ZASTOSOWANIA DO STEROWANIA PROCESEM PRZEMIAŁ U................ 8

5 OPRACOWANIE KONCEPCJI EKSPERYMENTÓW POMIAROWYCH W W ARUNKACH RZECZYWISTEJ PRACY UKŁADÓW PRZEMIAŁOWYCH DLA POTRZE B IDENTYFIKACJI . 9

6 NEURONOWA IDENTYFIKACJA UKŁADU PRZEMIAŁOWEGO....... ........................................... 14 6.1 IDENTYFIKACJA MŁYNA PRACUJĄCEGO W UKŁADZIE OTWARTYM............................................................ 15 6.2 IDENTYFIKACJA MŁYNA PRACUJĄCEGO W UKŁADZIE ZAMKNIĘTYM ......................................................... 17

7 PROPOZYCJA STEROWANIA NEURONOWEGO MŁYNEM CEMENTU... .................................. 23 7.1 NEURONOWA REALIZACJA DECYZJI EKSPERTA......................................................................................... 24 7.2 ADAPTACJA UKŁADU STEROWANIA W PRZYPADKU PRODUKCJI RÓśNYCH MAREK CEMENTU ................... 28 7.3 MOśLIWOŚCI WYKORZYSTANIA STEROWANIA NEURONOWEGO W PRZYPADKU INNYCH UKŁADÓW

PRZEMIAŁOWYCH .................................................................................................................................... 30 8 PODSUMOWANIE ..................................................................................................................................... 31

LITERATURA .................................................................................................................................................... 33

WYKAZ STRON INTERNETOWYCH........................................................................................................... 34

WYKAZ NORM ................................................................................................................................................. 34

WYKAZ PRAC Z UDZIAŁEM AUTORA....................... ................................................................................ 35


1 WPROWADZENIE

Zmiany gospodarcze zachodzące w ostatnich latach w kraju spowodowały wprowadzenie gospodarki rynkowej we wszystkich gałęziach przemysłu. W warunkach nadwyŜki mocy produkcyjnej oraz wysokiej konkurencji narzucającej ostre wymagania jakościowe, przy ścisłych realiach określających ekonomiczną opłacalność produkcji, zaczęto szukać rozwiązań pozwalających na obniŜenie kosztów produkcji oraz podwyŜszenie jakości produktów. Kluczową rolę w przemyśle mineralnych materiałów budowlanych odgrywają procesy przemiałowe, które są wykorzystywane na wszystkich etapach produkcji do rozdrabniania surowca, paliwa oraz produktu finalnego jakim jest cement. W większości krajowych cementowni powszechnie stosowane są wielokomorowe1 młyny kulowo-rurowe pracujące w układzie otwartym lub zamkniętym. Są one urządzeniami charakteryzującymi się niską sprawnością: ok. 3 do 20 % (w zaleŜności od przyjętej definicji) dostarczonej energii wykorzystane zostaje w procesie mielenia. Zwiększenie tej sprawności moŜna uzyskać poprzez działania prowadzone w dwu kierunkach: − modernizację technologii i urządzeń, − zastosowanie nowych i niestandardowych algorytmów sterowania realizowanych w oparciu o

technikę komputerową. Wartości uŜytkowe produkowanego cementu są określone w Polskich Normach [PN-EN-197-1: 2002] [PN-B 19707: 2003] i zobowiązują one producentów do zachowania określonych właściwości fizykochemicznych produkowanego cementu. Stopień rozdrobnienia cementu jest czynnikiem decydującym o podstawowych właściwościach uŜytkowych produktu (wytrzymałość na zginanie i ściskanie, odporność na korozje, mróz, starzenie betonu itp). Podstawowe znaczenie stabilizacji powierzchni właściwej cementu wynika z tego, Ŝe jego niedomielanie powoduje obniŜenie wytrzymałości cementu, natomiast nadmierne jego rozdrobnienie wpływa na znaczny wzrost zuŜycia energii. Zadaniem sterowania pracą młyna jest stabilizacja stopnia rozdrobnienia cementu w oparciu o pomiar powierzchni właściwej przy minimalizacji jednostkowego zuŜycia energii elektrycznej i zachowaniu wymaganej jakości produktu finalnego. Trudne warunki techniczne prowadzenia procesu cechują się brakiem bezpośrednich moŜliwości pomiarowych dostępnych zmiennych procesowych. Brak dokładnych modeli fizyko-chemicznych uwzględniających równocześnie zachodzące procesy rozdrobnienia, transportu i mieszania, a takŜe opóźnienia transportowe oraz nieliniowości charakterystyk procesu przemiału powodują ograniczone moŜliwości poprawy jakości regulacji parametrów cementu z wykorzystaniem tradycyjnych algorytmów regulacji. W związku z powyŜszym w pracy zaproponowano wykorzystanie algorytmów opartych na teorii sztucznych sieci neuronowych do sterowania procesem przemiału. Do pomiaru stopnia rozdrobnienia cementu wykorzystano prototypowy, radioizotopowy miernik pomiaru gęstości usypowej, wyskalowany w jednostkach powierzchni właściwej wg Blainea (cm2/g), pracujący w sposób quasi-ciągły [E. Polednia, A. Werszler, 1997]. Wysoka energochłonność tych procesów zmusza do poprawy ich właściwości energetycznych. Aktualne prace w krajowych cementowniach skupiają się na modernizacji istniejących układów technologicznych, pomiarowych oraz sterujących2. Prowadzenie procesu przemiału oparte jest dotychczas w głównej mierze na wiedzy ekspertów, jakimi są operatorzy nadzorujący pracę tych układów. ZłoŜoność cyklu przemiałowego wynika z zachodzących wewnątrz młyna procesów rozdrabniania, mieszania i transportu materiału. Charakteryzują się one wielowymiarowością, nieliniowością, fluktuacjami parametrów (zwłaszcza opóźnienia) oraz niestacjonarnym charakterem zakłóceń. Wiele zaleŜności opisujących układ przemiałowy ma charakter empiryczny. W tej sytuacji układy te są obiektami niezwykle złoŜonymi i trudnymi do analizy z uŜyciem klasycznych metod. W pracy postanowiono wykorzystać cenne właściwości sztucznych sieci neuronowych, do których zaliczyć moŜna: łatwość budowy układów wielowymiarowych, moŜliwość aproksymacji dowolnych ciągłych

1 najczęściej 2 lub 3 komorowe 2 informacje pochodzą ze strony http://www.polskicement.pl, oraz własnych obserwacji


zaleŜności nieliniowych, oraz zdolność adaptacji, czyli dopasowania wartości parametrów do zmian charakterystyk obiektu i zakłóceń. Wykorzystanie tych cennych własności SSN (Sztuczne Sieci neuronowe) do identyfikacji oraz sterowania procesem przemiału cementu pozwoli uwzględnić występujące w nim złoŜone nieliniowe zaleŜności. Stwarza to moŜliwość poprawy racjonalnego prowadzenia tego procesu. Tematyka pracy jest istotna dla racjonalnego gospodarowania zuŜyciem energii i spełnienia wymagań jakościowych produktów w przemyśle cementowym. Jest ona rozwojowa na świecie jak i w kraju, przy czym jako jeden z najwaŜniejszych celów badawczych wymienia się zastosowanie zaawansowanych technik cyfrowych i metod sztucznej inteligencji w sterowaniu procesami technologicznymi. Podczas badań do obliczeń i symulacji w pracy wykorzystano pakiet programowy Matlab ver. 7.5 wraz z przybornikiem Neural Network ver. 5.1 (R2007b), będący na wyposaŜeniu Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej.

2 CEL, TEZA I ZAKRES PRACY

Cel pracy

Celem pracy jest przedstawienie propozycji racjonalnego sterowania procesem przemiału cementu w układzie zamkniętym, przy uwzględnieniu róŜnych uwarunkowań związanych z niepewnością modelu procesu, fluktuacjami jego parametrów (zwłaszcza opóźnienia) i ich nieliniowościami oraz niestacjonarnym charakterem zakłóceń oddziałujących na proces.

Teza pracy:

Ogólną tezę pracy moŜna sformułować następująco:

„Wykorzystanie metod neuroidentyfikacji i sterowania neuronowego oraz quasi-ciągłego pomiaru stopnia przemiału cementu stwarza moŜliwość poprawy racjonalnego prowadzenia tego procesu”.

Szczegółowa teza pracy:

„Procesy rozdrabniania, mieszania i transportu zachodzące w układach przemiałowych charakteryzują się nieliniowością, wielowymiarowością, oraz niestacjonarnością. Z tego powodu układy te są obiektami niezwykle złoŜonymi i trudnymi do analizy i syntezy z uŜyciem klasycznych metod. Wiele zaleŜności opisujących układ przemiałowy ma charakter empiryczny, są one w literaturze specjalistycznej prezentowane w formie tabel lub charakterystyk. Wykorzystanie w tych zagadnieniach cennych właściwości sztucznych sieci neuronowych, do których moŜna zaliczyć zdolność aproksymacji dowolnych wielowymiarowych zaleŜności nieliniowych oraz zdolność adaptacji, moŜe w sposób istotny poprawić stabilizację parametrów jakościowych produktu finalnego, zmniejszyć efekt nadmiernego przemielania cementu, a w efekcie przyczynić się do zmniejszenia zuŜycia energii elektrycznej”.

Zakres pracy:

W celu wykazania słuszności tej tezy wykonano następujące zadania badawcze: − dokonano przeglądu znanych z literatury struktur sieci neuronowych, metod ich optymalizacji

oraz algorytmów uczenia pod kątem moŜliwości ich zastosowania do rozwiązywania zagadnień związanych z moŜliwością sterowania procesem przemiału cementu,

− zaproponowano i przebadano sposób wykorzystania algorytmów neuronowych do identyfikacji właściwości wielowymiarowego obiektu, jakim jest młyn kulowy wraz z separatorem na podstawie danych zarejestrowanych podczas eksperymentu biernego, a wyniki zostały zweryfikowane w oparciu o dane uzyskane w warunkach pracy układu,

− zaproponowano wykorzystanie algorytmów neuronowych do realizacji decyzji eksperta podczas sterowania procesem przemiału cementu,


− zbadano moŜliwość wykorzystania sieci neuronowych do adaptacji układu sterowania w przypadku wykorzystywania układu przemiałowego do produkcji róŜnych marek cementu,

− zbadano moŜliwość wykorzystania uzyskanych rezultatów w przypadku dostosowania neuronowego algorytmu sterowania do innych układów przemiałowych.

3 CHARAKTERYSTYKA MŁYNA KULOWEGO CEMENTU JAKO OBIEK TU STEROWANIA

W celu właściwego poznania problemów związanych z pracą układu przemiałowego naleŜy przeanalizować zjawiska zachodzące podczas przemiału materiałów w młynie kulowym. W tym celu na początku przedstawiono podstawowy układ słuŜący do przemiału cementu stosowany w krajowym przemyśle cementowym, jakim jest młyn kulowy i kulowo-rurowy wraz z głównymi urządzeniami współpracującymi.

Opis procesu przemiału cementu. Młyn kulowy jest obracającym się walczakiem podzielonym na komory przy pomocy przegród, wypełnionym wewnątrz w pewnym stopniu kulami i tzw. cylpepsami3. W przemyśle cementowym spotyka się dwa podstawowe rodzaje układu pracy młynów kulowych: otwarty i zamknięty (rys. 3.1). Oba układy cechują róŜne wskaźniki techniczno-ekonomiczne, które mogą decydować o preferencjach wyboru konkretnego układu do produkcji danych marek cementu.

Rys. 3.1. Układy pracy młynów kulowych

W młynach kulowych i kulowo-rurowych na ich wejście podawane są w odpowiednich proporcjach składniki: klinkier, gips oraz dodatki takie jak ŜuŜel, pyły przemysłowe, ruda Ŝelaza (tzw. nadawa surowa). Młyn obracając się ze stałą prędkością powoduje podnoszenie mielników wraz z mieliwem. Kule opadając uderzają o materiał powodując jego rozdrobnienie. Z punktu widzenia cech fizycznych materiałów najbardziej istotna w procesie rozdrabniania jest ich wytrzymałość na ściskanie i twardość. ZłoŜoność zachodzących równocześnie procesów rozdrabniania, transportu i mieszania w młynie oraz fakt, Ŝe proces przemiału przebiega w wirującym walczaku, uniemoŜliwiają pomiar charakterystycznych wielkości procesowych, waŜnych z punktu widzenia sterowania bezpośrednio w objętości mielonego materiału. Dla celów sterowania, kontroli, diagnostyki i zabezpieczeń oraz wizualizacji pracy młyna wykorzystuje się aktualnie róŜnorodne zautomatyzowane systemy zbierania danych pomiarowych.

Identyfikacja układu przemiałowego. Identyfikacja jest etapem modelowania matematycznego systemów dynamicznych, na podstawie danych eksperymentalnych. Polega ona na wyznaczaniu modelu procesu i otoczenia - jako reprezentanta pewnej klasy modeli - na podstawie dostępnych

3 cylpepsy - (mielniki) elementy robocze młyna bębnowego w kształcie walca lub stoŜka o zaokrąglonych krawędziach o średnicy nie przekraczającej 40 mm, które na skutek obrotów bębna uderzają o materiał oraz ścierają go powodując rozdrabnianie


pomiarów wejść i wyjść, przy pomocy wybranej metody i w oparciu o przyjęte kryterium, zwykle skalarną funkcję strat. Charakter modelu obiektu, jego ogólność i dokładność zaleŜą od przeznaczenia. Dla celów analizy procesu, jego optymalizacji, prowadzenia rozruchu lub wprowadzenia zmian wymagane są modele o charakterze globalnym, opisujące zachowanie się procesu dla wszystkich moŜliwych obszarów zmienności wielkości procesowych. Natomiast dla celów badania stabilności lub syntezy sterowania zwykle stosuje się uproszczone modele matematyczne. Modele matematyczne procesu przemiału moŜna podzielić na dwie grupy w zaleŜności od zastosowanego podejścia w trakcie ich budowy. W przypadku modeli pierwszej grupy identyfikowany system zostaje podzielony na powiązane ze sobą wzajemne bloki, z których kaŜdy jest określony przez równania opisujące zjawiska fizyczne, albo wynika z wiedzy uprzednio zdobytej eksperymentalnie. Model taki daje się przedstawić w postaci schematu blokowego, pokazującego jego wewnętrzną strukturę w postaci wzajemnych połączeń miedzy blokami składowymi. Druga grupa to modele matematyczne, zwykle wielowymiarowe, w sposób bezpośredni wyznaczone na podstawie aktualnych danych doświadczalnych. W literaturze przedstawione są róŜne modele matematyczne procesu mielenia opisujące za pomocą równań zjawiska fizyczne zachodzące podczas przemiału m. in. w pracach [Auer A. 1978], [Rojek R. 1976], [Wrzuszczak J. 1998]. Jakość uzyskanego modelu zaleŜy zarówno od parametrów wybranego modelu czyli rzędów wielomianów i opóźnień, a takŜe od danych wykorzystanych do identyfikacji [Wrzuszczak J. 1998]. Spotykane w literaturze modele matematyczne mają charakter skomplikowanych zaleŜności uwzględniających charakter fizyczny zjawisk, zachodzących w układach przemiałowych, opisywanych przy pomocy nieliniowych równań róŜniczkowych zwyczajnych i cząstkowych [L. Austin, 1988], [J. Herbst, 1992], [A. Niemi, 1999]. Ze względu na duŜą złoŜoność obliczeniową problemów modelowania układów nieliniowych dla celów sterowania, zwykle tworzy się uproszczone modele matematyczne, moŜliwe do szybkiego wyznaczania i śledzenia na bieŜąco ich odchyłek od rzeczywistego zachowania procesu. Nie uwzględniają one wielu zjawisk zachodzących podczas procesu przemiału. UmoŜliwiają one jedynie optymalizację statyczną pracy urządzeń takich jak młyn czy separator.

Charakterystyka zmiennych procesowych. Zmienne procesowe typowe dla przemiału cementu moŜna podzielić na zmienne sterujące (wejściowe), zmienne wyjściowe oraz inne wielkości pomocnicze wykorzystywane m.in. do oceny jakości przebiegu procesu. Szczegółowo wielkości te zilustrowano na rys. 3.2.

Rys. 3.2. Model układu przemiałowego

Wielkości sterujące procesem przemiału cementu. Sterowanie procesem przemiału sprowadza się do bezpośredniego oddziaływania na wielkości zadane układów wykonawczych, których dynamika moŜe


być pominięta w porównaniu z wolnozmiennym charakterem przebiegów zmiennych procesowych, w szczególności w układzie przemiałowym pracującym w cyklu zamkniętym tzn. z separatorem powietrznym. Wielkościami sterującymi w przypadku młyna są:

− nadawa świeŜa do młyna (suma poszczególnych składników nadawy: klinkieru, gipsu, ŜuŜla i innych dodatków),

− prędkość obrotowa separatora powietrznego, − zmiana ilości powietrza wentylującego młyn (aeracja młyna).

Sterowanie procesem sprowadza się do stabilizacji punktu pracy układu przemiałowego, wyznaczonego w oparciu o charakterystyki statyczne poszczególnych urządzeń osobno dla kaŜdej z produkowanych marek cementu. Występowanie zakłóceń stochastycznych oddziałujących na system przemiałowy utrudnia efektywne sterowanie procesem w układzie otwartym.

Wielkości wyjściowe i pomocnicze procesu przemiału. Z punktu widzenia racjonalnego prowadzenia przemiału cementu do najwaŜniejszych czynności naleŜą pomiary wielkości fizycznych. Spełniają one funkcję wielkości wyjściowych wykorzystywanych w algorytmach sterowania lub wielkości pomocniczych wykorzystywanych przez operatora do nadzoru jego przebiegu. NaleŜą do nich następujące pomiary: powierzchni właściwej cementu metoda ciągłą, stopnia wypełnienia młyna (np. przy pomocy ucha akustycznego lub folafonu), strumienia materiału zawracanego z separatora, prądu napędu przenośnika pionowego (elewatora), temperatura materiału za młynem, ciśnienia na wlocie i wylocie młyna, prądu napędu głównego młyna i przenośnika pionowego (elewator lub przenośnik kubełkowy). Zakłócenia oddziałujące na proces przemiału cementu. Młyn w zakładzie cementowym pracuje w środowisku, które cechuje występowanie zakłóceń o charakterze stochastycznym. NaleŜą do nich: skokowe zmiany występujące w przypadkowych chwilach czasu jak np. zaklejanie się przegród, oraz przebiegi o charakterze fluktuacji np. zmiany granulacji i wilgotności surowców, zuŜywanie się mielników.

Wykorzystywane sposoby sterowania procesem przemiału. W praktyce oraz pracach dotyczących technologii przemiału cementu prezentowanych jest kilka podstawowych sposobów regulacji procesu przemiału [W. Duda, 1979], [W. H. Duda, 1985], [E. Nowak i inni, 2000], [Kurdowski, 2007], [www.polskicement.pl] do których naleŜą m.in.: regulacja nadawy świeŜej bazując na pomiarze stopnia wypełnienia młyna, regulacja prędkości obrotowej wirnika separatora w oparciu o pomiar stopnia rozdrobnienia. Wskazanym jest zatem opracowanie nowych układów sterowania w oparciu o nowoczesne metody sterowania komputerowego.

Zestawienie danych technicznych przykładowych krajowych układów przemiałowych. W kraju od lat wiele uwagi poświęca się modernizacji przemysłu cementowego połączonej z eliminowaniem przestarzałych technologii. Zmiany objęły między innymi układy przemiałowe, decydujące o wielkości zuŜycia energii elektrycznej. W przemyśle tym zainstalowanych jest ok 50 zestawów do przemiału cementu. Stosowane układy przemiałowe bazują głównie na młynach kulowych pracujących w układzie otwartym lub zamkniętym. Większość bo aŜ 37 młynów ma wydajność poniŜej 100Mg/h, a jedynie 11 z nich tych nowoczesnych lub zmodernizowanych posiada wydajności powyŜej 100Mg/h4. ZuŜycie energii elektrycznej w przypadku młynów kulowych pracujących w układzie zamkniętym z separatorem powietrznym zawiera się w przedziale od 26 do 60kWh/Mg, średnio ok. 30-40kWh/Mg. Energochłonność przemiału cementu jest uwarunkowana właściwościami fizyko-chemicznymi klinkieru, udziałem klinkieru w cemencie, stopniem rozdrobnienia oraz własnościami układu przemiałowego. Pracujące w kraju układy przemiałowe wyposaŜone są w układy waŜąco-dozujące, które pozwalają na dozowanie ilości surowca kierowanego do młyna. Stopień wypełnienia młyna określany jest w oparciu o róŜne metody pomiarowe w zaleŜności od moŜliwości i wyposaŜenia zakładu: ucho

4 nie uwzględniono w tym układów z prasa walcową, które stanowią osobną grupę


akustyczne, folafon, wibracje w łoŜyskach. JednakŜe nie wszystkie układy są w ten pomiar wyposaŜone. W celu określenia stopnia zmielenia zgodnie z obowiązująca normą (PN-EN 197-1) we wszystkich Polskich cementowniach wykonywany jest pomiar w oparciu o metodę przepuszczalności powietrza. Pomiar ten przeprowadzany jest w laboratorium aparatem Blaine’a w odstępie od 6 do 8 godzin. W jednej z krajowych przemiałowni przetestowano Radioizotopowy Miernik Pomiaru Gęstości Usypowej, wykalibrowany w jednostkach stopnia rozdrobnienia wg Blaine’a. Przyrząd ten został skonstruowany i wyprodukowany w IMMB5 Opole [E. Polednia, A. Werszler 1997]. Miernik pracuje w sposób quasi-ciągły co umoŜliwia wykorzystanie do w trakcie sterowania procesem przemiału Większość krajowych zakładów posiada układy stabilizacji poszczególnych wielkości procesowych, np.: stabilizacji nadawy całkowitej do młyna w zaleŜności od ilości zawracanego nadziarna, stabilizacji ciśnienia za separatorem, stabilizacji ciśnienia urządzeń odpylających. Znacząca część jednak z zaimplementowanych pętli regulacji nie zapewnia - zdaniem operatorów - wymaganych oczekiwań.

4 PRZEGLĄD STRUKTUR SIECI NEURONOWYCH ORAZ METOD UCZENIA POD KĄTEM MOśLIWOŚCI ICH ZASTOSOWANIA DO STEROWANIA PROCESEM PRZEMIAŁU

Modele opisujące zjawiska fizyko-mechaniczne procesu przemiału posiadają szereg załoŜeń upraszczających. Dostępne obecnie systemy komputerowe oraz metody bazujące na teorii sztucznej inteligencji pozwalają na przygotowanie odpowiednich modeli z pominięciem analizy fizyko-mechanicznej. Przystępując do rozwiązywania dowolnego problemu z wykorzystaniem sztucznych sieci neuronowych, podstawowym zadaniem jest zaprojektowanie odpowiedniej dla danego zagadnienia struktury sieci oraz dobór odpowiedniej metody uczenia, jak równieŜ przygotowanie właściwego zestawu danych uczących. Mimo wielu prac nad rozwojem zagadnień związanych z teorią sztucznych sieci neuronowych, wiele problemów z tego obszaru wciąŜ pozostaje nierozwiązanych. Jednym z nich jest odpowiedni dobór struktury i rozmiaru sieci oraz metody uczenia [A. Janczak, 1995, 2000], [W.T. Miller, 1990], [R. Tadeusiewicz, 1993], [A. Obuchowicz, 2003] [L. Rutkowski, 2006] – w przypadku tych zagadnień - jak się okazuje - wciąŜ najczęściej wykorzystywane są metody heurystyczne. W celu osiągnięcia zamierzonego celu, oprócz wyboru odpowiedniej struktury sieci i właściwych danych uczących, waŜnym zadaniem jest właściwe przeprowadzenie procesu uczenia. MoŜemy to uzyskać poprzez zastosowanie efektywnego algorytmu dostrajania współczynników wagowych (algorytmu uczenia). Ze względu na wybór wielowarstwowych sieci nieliniowych, skupiono się głównie na wykorzystaniu algorytmów gradientowych uczenia, m. in.: algorytmu Levenberga-Marquardta, regularyzacji Bayesa [T. Masters, 1996], [L. Rutkowski, 2006], [H. Demuth i inni, 2007]. W pracy przeprowadzono analizę porównawczą efektywności poszczególnych metod uczenia przyjmując jako kryterium wartość błędu średniokwadratowego dla danych uczących i testowych. W celu przybliŜenia wykorzystywanych metod uczenia oraz struktur sieci zostały one w niniejszym rozdziale usystematyzowane i scharakteryzowane. Ogólnie sieci neuronowe moŜna podzielić:

1. ze względu na postać charakterystyki przejścia: � liniowe, � nieliniowe,

2. ze względu na ilość warstw: � jednowarstwowe, � wielowarstwowe

3. ze względu na występowanie sprzęŜeń zwrotnych: � sieci jednokierunkowe - bez sprzęŜenia zwrotnego, � sieci rekurencyjne (ze sprzęŜeniem zwrotnym), globalne lub lokalne.

5 IMMB Opole – Instytut Mineralnych Materiałów Budowlanych, od 01.09.2007r nosi nazwę Instytut Szkła, Ceramiki, Materiałów Ogniotrwałych i Budowlanych w Warszawie oddział InŜynierii Materiałowej, Procesowej i Środowiska w Opolu


Sieci jednokierunkowe modelują zaleŜności statyczne wiąŜące zmienne wyjściowe ze zmiennymi wejściowymi. Sieci te mogą występować jako jednowarstwowe lub wielowarstwowe. Sieci neuronowe rekurencyjne modelują układy dynamiczne, dla których ruch wektora stanu wykazuje zazwyczaj wiele stopni swobody i ma charakter dysypatywny, tzn. zachodzi w kierunku lokalnego minimum funkcji energetycznej. Rekurencyjną siecią neuronową nazywa się sieć, w strukturze której występuje co najmniej jedno sprzęŜenie zwrotne. Pomimo moŜliwości aproksymacji szerokiej klasy zaleŜności dynamicznych, sieci tego typu mają pewne wady, wśród których wymienia się wolną zbieŜność i problemy związane ze stabilnością oraz gwałtowne, niespodziewane wzrosty sumy kwadratu błędów. W trakcie identyfikacji oraz budowy regulatora neuronowego przetestowano klika struktur sieci neuronowych, naleŜą do nich oprócz podstawowej6 wielowarstwowej sieci nieliniowej sieci dynamiczne. Zostały one opisane w niniejszym rozdziale i naleŜą do nich:

− sieć wielowarstwowa nieliniowa, jednokierunkowa posiadająca nieliniowe funkcje aktywacji neuronów,

− sieć Elmana (sieć posiadająca dodatkową warstwę neuronów do której są kopiowane bieŜące wartości aktywacji neuronów warstwy ukrytej,

− sieć LRN (ang. Layer-Recurrent Network), o strukturze zbliŜonej do sieci Elmana, lecz rozbudowanej o moŜliwość wybory funkcji aktywacji neuronów warstwy wyjściowej,

− sieć TDNN (ang. Time-Delay Neural Network), sieć dwuwarstwowa, dla której na wejściu poszczególnych warstw wprowadzono linie opóźnień sygnałów TDL (ang. Tapped Delay Line) pozwalające na uwzględnienie dynamiki układu,

− sieć NARX (ang. Nonlinear AutoRegressive eXogenous model), nieliniowa autoregresywna posiadająca sprzęŜenie zwrotne obejmujące wszystkie warstwy oraz linie opóźniające TDL na wejściu sieci oraz sprzęŜeniu zewnętrznym Sieci tego typu znajdują szereg zastosowań m.in.: w prognozowaniu, jako filtr nieliniowy a takŜe w modelowaniu nieliniowych systemów dynamicznych.

Metody uczenia sieci. Architektura sieci bez moŜliwości uczenia czy adaptacji ma małe moŜliwości praktycznego zastosowania. Ze względu na róŜnorodność struktur wymagane jest stosowanie róŜnych metod uczenia dla poszczególnych układów sieci neuronowych. Charakteryzują się one odmiennym stopniem złoŜoności obliczeniowej oraz czasochłonnością obliczeń. Podstawową metodą uczenia sieci wielowarstwowych jest metoda wstecznej propagacji błędu. Obecnie najczęściej wykorzystywanymi w trakcie uczenia są algorytmy gradientowe takie jak: regularyzacji Bayes’a (trainbr7) czy Levenberga-Marquardta (trainlm8). Algorytm Levenberga-Marquardta jest jednym z najszybszych znanych obecnie wariantów metody wstecznej propagacji błędów. Zachowuję się on jak metoda największego spadku w przypadku ang. fallback, oraz jak metoda Newtona w pobliŜu minimum. Wszystkie wykorzystane w pracy metody uczenia zostały w niej krótko scharakteryzowane. Do uczenia poszczególnych struktur sieci uŜyto metod znajdujących się w przyborniku Neural Network 5.1 pakietu Matlab 7.5 (R2007b).

5 OPRACOWANIE KONCEPCJI EKSPERYMENTÓW POMIAROWYCH W WARUNKACH RZECZYWISTEJ PRACY UKŁADÓW PRZEMIAŁOWYCH DLA POTRZEB IDENTYFIKACJI

Proces uczenia sieci neuronowych nie moŜe zostać poprawnie przeprowadzony bez odpowiednich danych wykorzystanych do ich treningu. Ze względu na złoŜoność obiektu jakim jest młyn kulowy cementu wraz z separatorem, do badań wykorzystano dane zarejestrowane podczas rzeczywistej pracy tego układu. Pomiary prowadzono w dwu krajowych cementowniach, które posiadają własne przemiałownie. W celu ułatwienia identyfikacji poszczególnych zakładów w pracy przyjęto oznaczenia: zakład nr 1 oraz zakład nr 2. W zakładzie nr 1 zarejestrowano dane w trakcie normalnej pracy układu przemiałowego. W zakładzie nr 2 dodatkowo przeprowadzono eksperyment pomiarowy

6 najczęściej wykorzystywane w rozwiązywaniu róŜnych problemów 7 trainbr – nazwa funkcji realizującej algorytm trenowania sieci metodą regularyzacji Bayes’a 8 trainlm - nazwa funkcji realizującej algorytm trenowania sieci metodą Levenberga-Marquardta


polegający na skokowej zmianie jednego z parametrów wejściowych przy zachowaniu względnie stałych wartości pozostałych wielkości sterujących. Zarejestrowane dane w obu cementowniach wykorzystane zostały takŜe do weryfikacji i korekty otrzymanych modeli.

Pomiary w zakładzie nr 1. W zakładzie nr 1 badania przeprowadzono w dwu układach przemiałowych. Pierwszy z układów wyposaŜony był w młyn kulowy pracujący w układzie otwartym i wykorzystywany do produkcji cementu o „niskich” przemiałach. Drugi układ z separatorem powietrznym pracował w systemie technologicznym zamkniętym. Zestaw ten wykorzystywano w zakładzie do produkcji większości marek cementów. Pierwsze badania przeprowadzono dla młyna pracującego w układzie technologicznym otwartym. Młyn ten wyposaŜono jedynie w niezbędne wielkości pomiarowe takie jak: ilość poszczególnych składników nadawy surowej z moŜliwością ustawienia wartości zadanej, sygnał stopnia wypełnienia młyna, pomiar ciśnienia powietrza na wylocie młyna i połoŜenie klapy aeracji młyna. Przykładowe - waŜne z punktu widzenia prowadzenia procesu - przebiegi wielkości charakteryzujących pracę tego układu podczas normalnej pracy przedstawiono na rys. 5.1. Dane rejestrowano bazując na istniejących urządzeniach pomiarowych, w które wyposaŜony był zakład. Operatorzy (młynarze) sterując procesem bazowali na informacji pośredniej w postaci stopnia wypełnienia młyna, regulując ilość nadawy wprowadzanej do układu oraz wielkość aeracji młyna. W celu określenia zaleŜności między zarejestrowanymi wielkościami określono odpowiednie współczynniki korelacji. Po ich analizie moŜna stwierdzić, iŜ wartość stopnia wypełnienia młyna zaleŜy głównie od wielkości strumienia materiałów na jego wlocie, a współczynnik korelacji tych wielkości wynosi 0,55575. Jest to zgodne z wiedzą praktyczną i pozwala na wykorzystanie sygnału z folafonu podczas sterowania procesem przemiału. Zarejestrowane wielkości pomiarowe przedstawione na rys. 5.1 wykorzystane zostały do identyfikacji układu przemiałowego pracującego w układzie technologicznym otwartym.

0

10

20

30

40

50

60

70

80

90

100

110

120

130

140

150

160

11:0

5

11:1

5

11:2

5

11:3

5

11:4

5

11:5

5

12:0

5

12:1

5

12:2

5

12:3

5

12:4

5

12:5

5

13:0

5

13:1

5

13:2

5

13:3

5

13:4

5

13:5

5

14:0

5

14:1

5

14:2

5

14:3

5

14:4

5

14:5

5

15:0

5

15:1

5

15:2

5

15:3

5

15:4

5

15:5

5

Czas [sek]

0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

4,5

5,0

5,5

Nad

awa

gips

uNadawa klinkieru [Mg/h] Stopień wypełninia młyna (folafon) [%]

Nadawa popiołu [Mg/h] Ciśń. powietrza na wylocie z młyna [mbar]

PołoŜenie klapy za filtrem [%] Nadawa całkowita [Mg/h]

Nadawa gipsu [Mg/h]

Rys. 5.1. Przebiegi w młynie pracuj ącym w otwartym układzie przemiałowym - zestaw 1

W zakładzie nr 1 zarejestrowano takŜe dane podczas pracy młyna w układzie technologicznym zamkniętym, podczas jego normalnej pracy9. Do rejestracji wykorzystano istniejące urządzenia pomiarowe oraz komputerowy system wizualizacji i rejestracji danych. Spośród dostępnych wielkości zarejestrowane zostały: nadawa klinkieru, nadawa gipsu, nadawa pyłów, nadawa całkowita, ilość nadziarna, sygnał z folafonu, moc napędu młyna, podciśnienie powietrza na wlocie do młyna, podciśnienie powietrza na wylocie z młyna, temperatura materiału na pierwszej przegrodzie młyna, temperatura cementu, prędkość obrotowa wirnika separatora (tzw. obroty separatora), powierzchnia właściwa cementu wg Blaine’a. 9 młyn pracujący w układzie zamkniętym z separatorem dynamicznym, dwukomorowy, średnica 4m, długość 14m, wydajność 135Mg/godz


Wielkości rejestrowano z częstotliwością 1 pomiaru co 1 minutę. Do pomiaru stopnia rozdrobnienia cementu wykorzystano unikalny w krajowym przemyśle cementowym układ z automatycznym poborem prób do analizy znajdującym się na wyposaŜeniu tego zakładu. System ten wykonuje pomiar w sposób ciągły. Zarejestrowano dane podczas produkcji dwu marek cementu portlandzkiego: P45 bez dodatków oraz P35 z dodatkiem pyłów. Łączny okres rejestracji wyniósł powyŜej 126 godzin (czyli ponad 5 dni). Przykładowe pomiary zarejestrowane podczas produkcji cementu P45 bez dodatków przedstawiono na rys. 5.2. W celu określenia zaleŜności między poszczególnymi parametrami wyznaczone zostały współczynniki korelacji dostępnych wielkości pomiarowych. Analizując otrzymane wyniki moŜna zaobserwować istotną zaleŜność miedzy sygnałem nadawy do młyna, a stopniem jego wypełnienia. Współczynnik korelacji między sygnałem z folafonu a całkowitym strumieniem nadawy wynosi 0,89268, oraz 0,79325 w odniesieniu do strumienia nadawy klinkieru 0,79325. Wysoka zaleŜność występuje równieŜ między granulacją cementu (pomiar powierzchni właściwej wg Blaine’a) a strumieniem zawracanego nadziarna, która jest równa 0,72387. Istotną dla sterowania procesem przemiału jest korelacja sygnału stopnia rozdrobnienia cementu a prędkością obrotową wirnika separatora wynosząca 0,54654. Pozwala to na wykorzystanie tych pomiarów w trakcie sterowania procesem przemiałowym. W celu wyznaczenia występujących opóźnień transportowych obliczono współczynniki korelacji z przesunięciem o kolejne chwile czasowe sygnałów względem siebie (rys. 5.3). Na osi odciętych podano wartość przesunięcia czasowego między poszczególnymi pomiarami w minutach. Z otrzymanych charakterystyk wynika, Ŝe wypełnienie w pierwszej komorze praktycznie bez opóźnienia reaguje na zmianę nadawy klinkieru. Opóźnienie w torze sterowania rozdrobnieniem cementu jest duŜe. Najszybsza jest reakcja na zmianę prędkości obrotowej separatora i wynosi ona około 8 min. (przebieg czerwony na rys. 5.3), a w przypadku zmiany strumienia nadawy do młyna, aŜ 22 minuty (krzywa niebieska na rys. 5.3). Celowym jest zatem wykorzystanie podczas prowadzenia procesu przemiałowego informacji o stopniu rozdrobnienia cementu i sterowanie poprzez zmiany prędkości obrotowej separatora. Wymaga to jednak wiarygodnego i szybkiego pomiaru granulacji produktu finalnego jakim jest cement.

-50

0

50

100

150

200

250

21:0

0

22:0

0

23:0

0

0:00

1:00

2:00

3:00

4:00

5:00

6:00

7:00

8:00

9:00

10:0

0

11:0

0

12:0

0

13:0

0

14:0

0

15:0

0

16:0

0

17:0

0

18:0

0

19:0

0

20:0

0

21:0

0

22:0

0

23:0

0

0:00

1:00

2:00

3:00

4:00

5:00

6:00

7:00

8:00

9:00

10:0

0

11:0

0

12:0

0

13:0

0

14:0

0

15:0

0

16:0

0

17:0

0

18:0

0

19:0

0

20:0

0

21:0

0

Czas [sek]

0

500

1000

1500

2000

2500

3000

3500

4000

4500

Pow

ierz

chni

a w

łasc

iwa

wg

Bla

ine'

a; M

oc n

ap. g

łów

nego

Nadawa klinkieru [Mg/h] Nadawa gipsu [Mg/h] Nadawa pyłów [Mg/h] Nadawa całkowita [Mg/h]

Nadziarno [Mg/h] St. wyp. młyna (folafon) [%] Ciśn. na wej. młyna [mbar] Ciśń. na wyj. młyna [mbar]

Obr. separatora [obr/min] Moc nap. głównego [kW/h] Pow. wg Blaine'a [cm2/g]

Rys. 5.2. Pomiary zarejestrowane w zakładzie nr 1 ce ment P45 bez dodatków (zestaw 1)


-1

-0,8

-0,6

-0,4

-0,2

0

0,2

0,4

0,6

0,8

1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Przesunięcie czasowe [min]

War

tość w

spół

czyn

nika

kor

elac

ji

Blaine; Obr. sep.

Blaine; Klinkier

Blaine; Nadziarno

Folafon; Klinkier

Folafon; Nadziarno

Rys. 5.3. Okre ślenie opró Ŝnienia transportowego układu na podstawie wsp. kore lacji

Pomiary w zakładzie cementowym nr 2 zarejestrowane zostały na młynie kulowym pracującym w układzie technologicznym zamkniętym10 z separatorem powietrznym. Pomiary przeprowadzono w dwu okresach, między którymi nastąpił remont układu automatyki i częściowo dokonano wymiany czujników pomiarowych. W pierwszym etapie do archiwizacji danych wykorzystano rejestrator hybrydowy MULTIRG firmy Siemens, a w późniejszym o nowy komputerowy system rejestracji danych. Pomiaru większości parametrów dokonano w oparciu istniejące w zakładzie układy pomiarowe. Z powodu braku informacji o jakości produktu finalnego w sposób ciągły do określenia stopnia rozdrobnienia cementu uŜyto radioizotopowego miernika pomiaru gęstości usypowej materiałów sypkich RMGU-01, wyskalowanego w jednostkach powierzchni właściwej wg Blaine’a [E. Polednia, A. Werszler, 1997]. Zarejestrowane zostały następujące wielkości: nadawa klinkieru, nadawa ŜuŜla, nadawa gipsu, nadawa całkowita, stopień wypełnienia młyna11, stopień rozdrobnienia cementu, ciśnienie powietrza na wlocie do młyna, ciśnienie powietrza na wylocie z młyna, ciśnienie powietrza na wlocie separatora, prędkość obrotowa separatora, oraz obliczona została ilość zawracanego nadziarna. Schemat układu przemiałowego został przedstawiony na rys. nr 5.4. Układy przemiałowe pracujące w zakładach przemysłowych - ze względów ekonomicznych i wymagań rynku - przystosowane są do produkcji róŜnych marek cementu. W trakcie badań zarejestrowane zostały dane charakterystyczne dla wytwarzanych cementów róŜnych gatunków. Intensywność produkcji danej marki cementu uwarunkowana jest zapotrzebowaniem rynku oraz dostępnością dodatków przez dany zakład. W zakładzie nr 2 przeprowadzono eksperyment pomiarowy trwający prawie 5 godz. polegający na skokowej zmianie jednego z parametrów sterujących przy zachowaniu względnie stałych wartości wielkości pozostałych (rys 5.5). W początkowym etapie eksperymentu przy zachowaniu stałej prędkości obrotowej separatora zmniejszano ilość nadawy surowej do młyna (początkowe pomiary do godz. 10:45, czyli pierwsze niecałe 2 godz.). Przez następne prawie 4 godz. przy zachowaniu stałej wartości nadawy zwiększano prędkość obrotową wirnika separatora (pomiary od godz. 10:45 do 12:35). Podczas ostatniej godziny eksperymentu zarejestrowano dane, w trakcie, których układ przemiałowy doprowadzony został do stanu normalnej jego pracy. Dane otrzymane podczas eksperymentu wykorzystano do treningu sieci. Dodatkowo zarejestrowano szereg danych w trakcie normalnej pracy układu przemiałowego, przykładowe dla cementu CEM III A 32.5NA przedstawiono na rys. 5.6.

10 młyn kulowy, młyn dwukomorowy, wydajność ok. 135Mg/godz. 11 w pierwszym okresie do pomiaru wykorzystywano sygnał pochodzący z ucha akustycznego, natomiast po remoncie tego układu został on zastąpiony informacją pochodzącą z pomiarów wibracji na podporach młyna.


Rys. 5.4. Schemat układu przemiałowego cementowni


0

25

50

75

100

125

150

175

200

225

250

8:55

:17

9:01

:15

9:07

:15

9:13

:15

9:19

:15

9:25

:15

9:31

:15

9:37

:15

9:43

:15

9:49

:15

9:55

:15

10:0

1:15

10:0

7:15

10:1

3:15

10:1

9:15

10:2

5:15

10:3

1:15

10:3

7:15

10:4

3:15

10:4

9:15

10:5

5:15

11:0

1:15

11:0

7:15

11:1

3:15

11:1

9:15

11:2

5:15

11:3

1:15

11:3

7:15

11:4

3:15

11:4

9:15

11:5

5:15

12:0

1:15

12:0

7:15

12:1

3:15

12:1

9:15

12:2

5:15

12:3

1:15

12:3

7:15

12:4

3:15

12:4

9:15

12:5

5:15

13:0

1:15

13:0

7:15

13:1

3:15

13:1

9:15

13:2

5:15

13:3

1:15

13:3

7:15

13:4

3:15

13:4

9:15

Czas [sek]

0

500

1000

1500

2000

2500

3000

3500

4000

Pow

ierz

chni

a w

łaści

wa

cem

entu

wg

Bla

ine'

a

Nadawa klinkieru [Mg/h] Nadawa ŜuŜla [Mg/h] Nadawa gipsu [Mg/h]

Nadawa całkowita [Mg/h] St. wyp. młyna (ucho) [%] Ciśn. na wej. młyna [kPa]

Ciśn. na wyj. młyna [kPa] Ilość nadziarna [Mg/h] Obroty separatora [obr/min]

Pow. wg Blaine'a [cm2/g] Pow. wg Blaine'a (pom. lab.) [cm2/g]

Rys. 5.5. Pomiary zarejestrowane w zakładzie cement owym nr 2 w trakcie eksperymentu pomiarowego

0

50

100

150

200

250

300

5:54

7:54

9:54

11:5

4

13:5

4

15:5

4

17:5

4

19:5

4

21:5

4

23:5

4

1:54

3:54

5:54

7:54

9:54

11:5

4

13:5

4

15:5

4

17:5

4

19:5

4

21:5

4

23:5

4

1:54

3:54

5:54

7:54

9:54

11:5

4

13:5

4

15:5

4

17:5

4

19:5

4

21:5

4

Czas [sek]

0

1000

2000

3000

4000

5000

6000

Pow

ierz

chni

a w

łąsc

iwa

cem

entu

wg

Bla

ine'

a

Nad. całkowita [t/godz] Obroty separ. [Hz] Prąd nap. głównego [A]Podcisń. przed młynem [Pa] Podcisń. za młynem [kPa] Nadawa gipsu [t/h]Nadawa ŜuŜela [t/h] Nadawa klinkieru [t/h] Wibrancje podp. 1 [%]Wibrancje podp. 2 [%] Obroty separatora [obr/min] Ilość nadziarna [t/h]Pow. wg Blaine'a (pom. lab.) [cm2/g] Pow. wg Blaine'a [cm2/g]

Rys. 5.6. Pomiary zarejestrowane w zakładzie nr 2, z estaw 1 (CEMIII A 32,5 NA)

Zarejestrowane w zakładzie wielkości wykorzystane zostały do identyfikacji i testowania neuronowego modelu układu przemiałowego oraz budowy neuroregulatora i jego badań w trakcie symulacji komputerowej.

6 NEURONOWA IDENTYFIKACJA UKŁADU PRZEMIAŁOWEGO

Rozwiązując zadanie sterowania dowolnym obiektem dynamicznym podstawą jest opracowanie jego odpowiedniego modelu matematycznego. W przypadku złoŜonych obiektów jakimi są układy przemiałowe, matematyczne odzwierciedlenie wszystkich praw fizycznych rządzących nimi jest wręcz niemoŜliwe. Wówczas jedyną alternatywą pozostaje proces identyfikacji mający na celu opracowanie wiarygodnego modelu obiektu w drodze badań eksperymentalnych na podstawie znajomości jego sygnałów wejściowych, wyjściowych i zakłóceń mierzalnych. O ile znanych jest wiele algorytmów identyfikacji obiektów liniowych, to wciąŜ brak jest efektywnych metod identyfikacji obiektów nieliniowych, szczególnie zaś obiektów o nieznanej strukturze. W literaturze znane są próby identyfikacji i opisu matematycznego zjawisk zachodzących w młynie kulowym [A. Auer, 1978], [R. Rojek, 1976, 1987], [J. Wrzuszczak, 1998, 1999], [W.H. Duda, 1979], jednakŜe zbyt duŜy stopień ich złoŜoności nie pozwala na efektywne ich wykorzystanie


w realizacji sterowania. Wykorzystując zdolności adaptacyjne sztucznych sieci neuronowych (patrz rozdz. 4) postanowiono wykorzystać je w procesie identyfikacji. Na rys. 6.1 przedstawiono schemat układu identyfikacji. W oparciu o zarejestrowane dane (patrz. rozdz. 5) przeprowadzono eksperymenty w trakcie których zbadano: − moŜliwość wykorzystania jednowarstwowych sieci liniowych dla linearyzacji charakterystyk

obiektu, − moŜliwość wykorzystania jedno i wielowarstwowych sieci nieliniowych jako modelu obiektu

wielowymiarowego, − wpływ zewnętrznego sprzęŜenia zwrotnego na zmianę jakości otrzymanego modelu, − wpływ linii opóźnień TDL sygnałów na dokładność odwzorowań modelu matematycznego.

Rys. 6.1. Schemat układu identyfikacji obiektu przy pomocy sieci neuronowej

Otrzymane modele zostały zweryfikowane w oparciu o dane zarejestrowane podczas normalnej pracy układu przemiałowego w trakcie produkcji danej marki cementu.

6.1 Identyfikacja młyna pracuj ącego w układzie otwartym W celu sprawdzenia poprawności oraz uniwersalności zaproponowanego podejścia do identyfikacji procesu przemiału cementu w młynie kulowym, w pierwszym etapie przeprowadzono go dla młyna pracującego w układzie technologicznym otwartym. Wykorzystano dane zarejestrowane w zakładzie nr 1 podczas normalnej eksploatacji młyna w układzie bez separatora (rys. 5.1). W układzie tym nie było moŜliwości ciągłego pomiaru stopnia rozdrobnienia. Część danych została wykorzystana w procesie uczenia, pozostałe natomiast zostały uŜyte do sprawdzenia jakości działania sieci. Wszystkie wielkości wykorzystywane do treningu sieci zostały znormalizowane. Posiadają wartości bezwzględne z przedziału od 0 do1. Dla młyna pracującego w takim układzie sprawdzono moŜliwość wykorzystania sieci liniowej jednowarstwowej do jego identyfikacji. Do treningu sieci liniowej wykorzystano metodę purelin zawartą w przyborniku Neural Network pakietu MatLab (R1007b). Jako dane uczące wykorzystano ok. 60% zarejestrowanego przebiegu. Pozostałe dane słuŜyły jako dane testowe (rys. 5.1). Przykładowe charakterystyki dynamiczne generowane przez model w porównaniu z rzeczywistymi wielkościami zarejestrowano na obiekcie na rys. 6.2. Analizując wykresy zgodnie z przewidywaniami moŜna wysnuć wniosek, iŜ tak „prosta sieć” nie potrafi właściwie odzwierciedlić zjawisk zachodzących w układzie przemiałowym. Aby poprawić zdolności aproksymacyjne otrzymanego modelu postanowiono zwiększyć ilości warstw, neuronów w poszczególnych warstwach, oraz funkcje ich aktywacji.

0 50 100 150 200 250 3000.2

0.3

0.4

0.5

0.6

0.7

0.8

Czas [min]

Sto

pień

wyp

ełni

enia

mły

na

Stopień wypełnienia młyna (obiekt)

Stopień wypełnienia młyna (model)

Rys. 6.2. Charakterystyki dynamiczne procesu

przemiału dla modelu liniowego (układ przemiałowy otwarty)


Analizując otrzymane charakterystyki dynamiczne moŜna stwierdzić, iŜ sieć ta nie odzwierciedlała poprawnie sygnałów wykorzystywanych w procesie uczenia. Posiada ona zbyt małe moŜliwości aproksymacyjne. Zwiększenie w tym przypadku ilości neuronów w warstwie ukrytej powoduje uczenie się sieci „na pamięć”, zatracając zdolności uogólniania dla przebiegów nieznanych w trakcie treningu sieci. W dalszych badaniach postanowiono wprowadzić zewnętrzne sprzęŜenie zwrotne i wykorzystać model dynamiczny realizowany przez sieć NARX (rys. 6.3). Prowadząc proces identyfikacji sprawdzono wpływ wielkości sieci (ilość neuronów w warstwie ukrytej) oraz „historii obiektu” (ilość opóźnień linii TDL) na jakość otrzymanego modelu. Zwiększenie ilości danych określających stan obiektu w przeszłości poprawiło jakość modelu. Działanie dwu przykładowych modeli opartych na sieci NARX przedstawiono na rys. 6.4 i 6.5. Dla sieci zawierającej 15 neuronów w warstwie ukrytej (rys. 6.4) i informację z 5 poprzednich chwil czasowych12, widać znacznie lepsze dopasowania przebiegów zarejestrowanych na obiekcie (kolor czerwony na wykresie) z wygenerowanymi przez sieć (kolor róŜowy), w porównaniu z wcześniejszymi modelami opartymi na sieciach jednokierunkowych. Zwiększenie analizowanego przez sieć horyzontu czasowego do 20 minut (czyli 10 chwil czasowych) wraz z jednoczesnym zwiększaniem ilości neuronów w warstwie ukrytej do 25, pozwoliło na znaczne zmniejszanie błędu dopasowania sygnałów pomiarowego i generowanego przez sieć.

Rys. 6.3. Schemat sieci NARX modelu identyfikacji mły na pracuj ącego w układzie otwartym

0 50 100 150 200 250 3000.2

0.3

0.4

0.5

0.6

0.7

0.8

Czas [min]

Sto

pień

wyp

ełni

enia

mły

na



Rys. 6.4. Charakterystyki dynamiczne procesu przemiału dla dynamicznego modelu nieliniowego opartego na sieci typu NARX (układ szeregowo-

równoległy z lini ą TDL 5 sygnałów i 15 neuronów w warstwie ukrytej; układ przemiałowy otwarty)

0 50 100 150 200 250 3000.3

0.35

0.4

0.45

0.5

0.55

0.6

0.65

Czas [min]

Sto

pień

nap

ełni

enia

mły

na

Stopień napełnienia młyna (obiekt)

Stopień napełnienia młyna (model)

Rys. 6.5. Charakterystyki dynamiczne procesu przemiału dla dynamicznego modelu nieliniowego opartego na sieci typu NARX (układ szeregowo-

równoległy z lini ą TDL 10 sygnałów i 25 neuronów w warstwie ukrytej; układ przemiałowy otwarty)

Najlepsze rezultaty otrzymano dla sieci dynamicznych zawierających sprzęŜenie zwrotne oraz opóźnione informacje z poprzednich chwil czasowych. Badania identyfikacyjne przeprowadzone dla 12 5 chwil czasowych równa się opóźnieniu o 10 minut, jest to związane z częstotliwością wykonywania pomiarów – 1 pomiar co 2 sekundy.


zestawu przemiałowego pracującego w układzie technologicznym otwartym pozwoliły na wstępny dobór struktur sieci i metod uczenia w dalszej części pracy.

6.2 Identyfikacja młyna pracuj ącego w układzie zamkni ętym Identyfikację młyna pracującego w układzie technologicznym zamkniętym przeprowadzono w róŜnych zestawach przemiałowych wykorzystywanych w dwóch zakładach cementowych. Przebadano kilka struktur sieci przy, czym szczególny nacisk został połoŜony na sieci rekurencyjne. Tworząc model układu przemiałowego sprawdzono jakość modeli bazujących na sieciach:

− nieliniowych wielowarstwowych jednokierunkowych, − dynamicznych Elmana i LRN, − dynamicznych z linią opóźnień TDNN, − dynamicznych rekurencyjnych NARX pracujących w architekturze równoległej (rys. 6.14) i

szeregowo-równoległej (rys. 6.16). Sprawdzono przydatność w procesie identyfikacji układu przemiałowego nieliniowych sieci jednokierunkowych. Jednak głównie skupiono się na dostępnych w przyborniku Neural Network pakietu Matlab (2007b) sieciach dynamicznych. Proces treningu sieci oparty został na danych zarejestrowanych podczas eksperymentu pomiarowego (rys. 5.5). Pozostałe dane zarejestrowane w zakładzie 1 i 2 wykorzystano do douczania wybranych struktur sieci oraz testowania jakości ich działania. Wielowarstwowa sieć jednokierunkowa bez sprzęŜenia zwrotnego jest prostą siecią, która nie sprawdziła się w przypadku identyfikacji młyna pracującego w układzie technologicznym otwartym. Do uczenia sieci wykorzystano algorytm gradientowy Levenberga-Marquardta. Przebadano sieci zawierające od 5 do 50 neuronów z tangensoidalną funkcją aktywacji w warstwie wewnętrznej. Otrzymane wyniki dla przykładowych modeli przedstawiono na rys. od 6.6 i 6.7.

0 100 200 300 400 500 6000

0.2

0.4

0.6

0.8

1

1.2

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

St. roz. cem. wg Blaine'a (obiekt)

St. roz. cem. wg Blaine'a (model)


przemiału dla modelu nieliniowego opartego na sieci dwuwarstwowej dla sygnału stopnia rozdrobnienia

(tansig, purelin; układ przemiałowy zamkni ęty)

0 100 200 300 400 500 6000

0.2

0.4

0.6

0.8

1

Czas [min]

Sto

pień

wyp

ełni

enia

mły

na




przemiału dla modelu nieliniowego opartego na sieci dwuwarstwowej dla sygnału stopnia napełnienia młyna

(tansig, purelin; układ przemiałowy zamkni ęty) Na rys. 6.6 przedstawiono charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego identyfikującego jedynie stopień rozdrobnienia cementu, natomiast na rys. 6.7 ilość materiału znajdującego się w młynie czyli stopień jego wypełnienia. Analizując otrzymane charakterystyki widzimy, iŜ sieci tego typu nie posiadają odpowiednich zdolności aproksymacyjnych oraz nie potrafią właściwie odzwierciedlić stanu obiektu. Zwiększanie rozmiaru sieci powoduje jedynie uczenie się na pamięć. Sieci tego typu nie nadają się do identyfikacji nieliniowego obiektu z opóźnieniem jakim jest młyn cementu wraz z separatorem powietrznym. Wielowarstwowa sieć nieliniowa ze sprzęŜeniem zwrotnym zewnętrznym . Do realizacji modelu opartego na sieci nieliniowej ze sprzęŜeniem zwrotnym zewnętrznym wykorzystano sieć


jednokierunkową, gdzie dodatkowo na wejściu sieci zostały podane opóźnione sygnały wyjściowe. Do treningu sieci wykorzystano procedury analogiczne jak w przypadku sieci jednokierunkowej, tj. algorytm Levenberga-Marquardta. Testowane sieci zawierały od 5 do 50 neuronów z tangensoidalną funkcją aktywacji w warstwie ukrytej. W procesie uczenia wykorzystano dane zarejestrowane podczas eksperymentu pomiarowego (rys. 5.5). W trakcie identyfikacji zmieniano ilość danych określających stan obiektu w poprzednich chwilach czasu. ZbliŜone rezultaty otrzymano dla linii opóźnień zawierającej się w przedziale od 8 do 16 wartości z poprzednich chwil czasowych, a zwiększenie jej nie przynosi poprawy jakości modelu. W celu weryfikacji jakości otrzymanego modelu przeanalizowano błędy dopasowania sygnału działania sieci w odniesieniu do wartości rzeczywistych zarejestrowanych na obiekcie. Jako optymalne moŜna przyjąć sieci zawierające w swej strukturze jedną warstwę ukrytą z tangensoidalną funkcją aktywacji zawierającą od 25 do 35 neuronów i linię opóźnienia sygnału zwrotnego określającą około 15 sygnałów czasowych. Przykładowe przebiegi generowane przez model oparty na sieci zawierającej 30 neuronów w warstwie wewnętrznej zostały przedstawione na rys. 6.8 i 6.9 odpowiednio dla stopnia rozdrobnienia cementu i stopnia wypełnienia młyna.


przemiału dla modelu nieliniowego opartego na sieci dwuwarstwowej z zewn ętrznym sprz ęŜeniem

zwrotnym dla sygnału stopnia rozdrobnienia (tansig, purelin; układ przemiałowy zamkni ęty)

Rys. 6.9 Charakterystyki dynamiczne procesu

przemiału dla modelu nieliniowego opartego na sieci dwuwarstwowej z zewn ętrznym sprz ęŜeniem zwrotnym dla sygnału stopnia napełnienia młyna (tansig, purelin; układ przemiałowy zamkni ęty)

Analizując otrzymane przebiegi moŜna stwierdzić, iŜ otrzymany model oparty na sieci dwuwarstwowej z nieliniowymi funkcjami aktywacji w warstwie ukrytej poprawnie realizuje zadanie identyfikacji młyna pracującego w układzie technologicznym zamkniętym z separatorem powietrznym. Błąd dopasowania sygnału zarejestrowanego na obiekcie i generowanego przez otrzymany model jest bliski zeru. Model potrafi właściwie odzwierciedlić stan obiektu w danej chwili czasowej. Sieć TDNN jest jednokierunkową siecią dynamiczną. Dynamikę układu odtworzono poprzez dodanie linii opóźnień TDL sygnałów na wejściu sieci oraz między jej poszczególnymi warstwami. Sieć taka generuje przebiegi wyjściowe nie tylko na podstawie danych z bieŜącej chwili ale równieŜ na podstawie wartości z poprzednich chwil czasowych występujących na wejściu sieci oraz wartości pośrednich wypracowanych wewnątrz sieci. Brak jest w modelu informacji zwrotnych, które są dostępne w sieciach rekurencyjnych. W pracy przebadano sieci typu TDNN zawierające róŜną ilość neuronów w warstwie ukrytej i informację o stanie obiektu w poprzednich chwilach czasu. Pomimo moŜliwości uwzględnienia dynamiki układu, model oparty na tego typu sieci nie spełnia oczekiwań oraz nie potrafi odwzorować z wymaganą dokładnością struktury układu przemiałowego. Przykładowe działanie sieci przedstawiono na rys. od 6.10 do 6.11. Analizując wyniki działania powyŜszych modeli moŜna stwierdzić, Ŝe sieci te nie odwzorowują prawidłowo stanu układu przemiałowego. Dobór zarówno ilości neuronów w warstwie ukrytej jak i wielkości wektorów opóźnień nie prowadzi do poprawy jakości procesu identyfikacji. Sieci tego typu nie nadają się do modelowania tak złoŜonego obiektu jakim jest młyn cementu


0 100 200 300 400 500 6000

0.2

0.4

0.6

0.8

1

1.2

1.4

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na


Stopień wypełnienia młyna (obiekt)St. roz. cem. wg Blaine'a (model)



przemiału dla modelu nieliniowego opartego na sieci TDNN zawieraj ącej 10 neuronów w warstwie ukrytej i

opó źnieniami odpowiednio 9 i 6 sygnałów (tansig, purelin; układ przemiałowy zamkni ęty)

0 100 200 300 400 500 6000

0.2

0.4

0.6

0.8

1

1.2

1.4

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na


Stopień wypełnienia młyna (obiekt)St. roz. cem. wb Blaine'a (model)



przemiału dla modelu nieliniowego opartego na sieci TDNN zawieraj ącej 25 neuronów w warstwie ukrytej i opó źnieniami odpowiednio 15 i 10 sygnałów (tansig,

purelin; układ przemiałowy zamkni ęty) Sieć Elmana jest siecią ze sprzęŜeniem zwrotnym wewnętrznym, które łączy lokalnie wyjście warstwy ukrytej z jej wejściem. W układzie tym przeprowadzono szereg prób tworzenia wiarygodnego modelu układu przemiałowego. Dobór parametrów modelu neuronowego polegał na zmianie ilości neuronów w warstwie ukrytej. Podczas prób dokonano zmian od 5 do 50 neuronów w warstwie ze sprzęŜeniem zwrotnym. Przykładowe charakterystyki dynamiczne modelu wielowymiarowego dla sieci zawierających 15 i 25 neuronów w warstwie ukrytej przedstawiono na rys. 6.12 i 6.13. Sprawdzono równieŜ moŜliwość wykorzystania sieci Elmana do budowy modelu cząstkowego opisującego układ przemiałowy na podstawie jakości produktu finalnego lub stopnia wypełnienia młyna.

0 100 200 300 400 500 6000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na





przemiału dla modelu nieliniowego opartego na sieci Elmana zawieraj ącej 15 neuronów w warstwie rekurencyjnej (układ przemiałowy zamkni ęty)

0 100 200 300 400 500 6000

0.2

0.4

0.6

0.8

1

1.2

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na





przemiału dla modelu nieliniowego opartego na sieci Elmana zawieraj ącej 25 neuronów w warstwie rekurencyjnej (układ przemiałowy zamkni ęty)

Analizując otrzymane przebiegi moŜna jednoznacznie stwierdzić, iŜ sieć Elmana nie potrafi prawidłowo odzwierciedlić stanu obiektu jakim, jest młyn cementu w dowolnej chwili czasowej, pomimo iŜ posiada w swej strukturze sprzęŜenie zwrotne. Zdolności aproksymacyjne oraz informacje o stanie obiektu w poprzednich chwilach czasowych nie są wystarczające do realizacji postawionego zadania identyfikacji.


Sieć LRN jest bardzo zbliŜona strukturalnie do sieci Elmana. W przypadku sieci Elmana nie ma moŜliwości zmiany funkcji aktywacji neuronów w warstwie wewnętrznej, natomiast jest ona dozwolona dla sieci LRN. Istnieje dla niej równieŜ sposobność doboru metody treningu. Do uczenia sieci wykorzystuje się róŜne odmiany metod gradientowych. W czasie tworzenia modelu opartego o w/w strukturę sprawdzono wpływ rozmiaru warstwy ukrytej oraz metody trenującej na jakość otrzymanego modelu. Przebadano sieci zawierające od 5 do 50 neuronów w warstwie rekurencyjnej, a do uczenia wykorzystano metody Levenberga-Marquardta (trainlm) i regularyzacji Bayes’a (trainbr). Podobne rezultaty otrzymano dla obu metod uczenia. Sieć LRN nie nadaje się do identyfikacji układu przemiałowego. Rekurencyjna sieć dynamiczna NARX (rys. 6.14) jest siecią posiadającą zewnętrzne sprzęŜenie zwrotne oraz linie opóźnień TDL dla sygnałów wejściowego i zwrotnego pozwalające na wykorzystanie informacji pochodzących z poprzednich chwil czasowych. W szczególnym przypadku pracy sieć ta jest bardzo zbliŜona do dwuwarstwowej sieci nieliniowej ze sprzęŜeniem zwrotnym. Przebadano sieci zawierające od 5 do 50 neuronów w warstwie ukrytej. Uwzględniono takŜe zamiany zakresu charakteryzujące stanu obiektu w przeszłości (poprzez dobór linii TDL) osobno dla danych wejściowych i sygnału sprzęŜenia zwrotnego na poziomie od 5 do 20 minut.

Rys. 6.14. Schemat sieci NARX równoległego modelu ide ntyfikacji młyna pracuj ącego w układzie

zamkni ętym Schemat sieci dla równoległego układu identyfikacji młyna pracującego w układzie technologicznym zamkniętym z separatorem powietrznym przedstawiono na rys. 6.14. Przykładowe zestawienie sygnałów generowanych przez sieć oraz zarejestrowanych na obiekcie rzeczywistym przedstawiono na rys. 6.15.

0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

ozd

robn

ieni

a ce

men

ty w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na -

wib

racj

e na

pod

pora

ch


Wibracja podp. 1 (obiekt)

Wibracja podp. 2 (obiekt)St. roz. cem. wg Blaine'a (model)

Wibracja podp. 1 (model)

Wibracja popd. 2 (model)

Rys. 6.15. Charakterystyki dynamiczne procesu przem iału dla nieliniowego opartego na sieci NARX

zawieraj ącej 44 neuronów w warstwie ukrytej


Analizując otrzymane wyniki moŜna stwierdzić, Ŝe identyfikacja w oparciu o układ równoległy nie prowadzi do modelu jednoznacznie opisującego stan obiektu. Pomimo iŜ zachowana jest specyfika przebiegów, występują znaczne przesunięcia między sygnałem generowanym przez sieć a wartościami rzeczywistymi zarejestrowanymi na obiekcie. W dalszej kolejności przebadano szeregowo-równoległy układ identyfikacji. Układ ten dla młyna pracującego w zakładzie nr 2 przestawiono na rys. 6.16.

Rys. 6.16. Schemat sieci NARX szeregowo-równoległego modelu identyfikacji młyna pracuj ącego w

układzie zamkni ętym W trakcie badań zmieniano horyzont czasowy wielkości na wejściu sieci pochodzących z poprzednich okresów. Dokonano tego poprzez linię TDL, podając wartości historyczne opisujące stan obiektu w przeszłości obejmujące okresy od 5 do 20 chwil czasowych. Zmieniano równieŜ strukturę sieci dobierając ilość (od 5 do 50) neuronów w warstwie ukrytej. Do adaptacji wag wykorzystano algorytmy: Levenberga-Marquardta oraz regularyzacji Bayesa. Przykładowe charakterystyki dynamiczne dla sieci zawierającej 30 neuronów w warstwie ukrytej przedstawiono na rys. 6.17.

0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na -

wyb

racj

e na

pod

pora

ch



Wibracja podp. 2 (obiekt)St roz. cem. wg Blaine'a (model)



Rys. 6.17. Charakterystyki dynamiczne procesu przem iału dla modelu nieliniowego opartego na sieci

NARX zawieraj ącej 30 neuronów w warstwie ukrytej Sieć zweryfikowano w oparciu o dane zarejestrowane w tym samym układzie przemiałowym lecz w innym okresie czasowym. Przykładowe charakterystyki dynamiczne modelu opartego przedstawiono na rys. 6.18. Analizując charakterystyki dynamiczne procesu przemiału moŜna stwierdzić, Ŝe najlepsze rezultaty uzyskano dla sieci NARX zawierających około 40-50 neuronów w warstwie ukrytej i posiadających informację o stanie obiektu w poprzednich 10-15 minutach. Sieci zawierające poniŜej 30 neuronów w warstwie wewnętrznej nie potrafią właściwie odzwierciedlić wszystkich zaleŜności występujących w wielowymiarowym układzie przemiałowym. Zwiększenie ilości neuronów powyŜej 40 zwiększa


zdolności adaptacyjne sieci i pozwala na prawidłową identyfikację układu przemiałowego. Proces uczenia rozbudowanej sieci składającej się z duŜej ilości neuronów jest bardzo czasochłonny i wymaga znacznych mocy obliczeniowych oraz zasobów pamięci do przechowywania macierzy w trakcie obliczeń.

0 500 1000 1500 2000 25000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na -

wib

racj

e na

pod

pora

ch

St. roz. cem. w g Blaine'a (obiekt)



St. roz. cem. w g Blaine'a (model)


Wibracja popd. 2 (model)

Rys. 6.18 Charakterystyki dynamiczne procesu przemi ału dla modelu nieliniowego opartego na sieci

NARX zawieraj ącej 50 neuronów w warstwie ukrytej W celu uproszczenia modelu neuronowego zredukowano ilość danych opisujących stan układu w poprzednich chwilach czasowych. Pominięto przy tym część wartości pośrednich nie zmieniając wielkości horyzontu czasowego. Przykładowy przebieg otrzymany dla modelu uproszczonego, w którym podano na wejściu sieci co drugą wartość sygnału w poprzednich chwilach czasowych, przedstawiono na rys. 6.19 i 6.20. Ze względu na awarię układu pomiaru stopnia rozdrobnienia cementu postanowiono dodatkowo porównać charakterystyki dynamiczne modelu z wielkościami zarejestrowanymi w trakcie pomiarów laboratoryjnych tej wielkości. Na rys. 6.19 przedstawiono wynik działa sieci w odniesieniu do sygnału zarejestrowanego na obiekcie, a na rys. 6.20 w porównaniu z pomiarem wykonanym w laboratorium. Charakterystyki dynamiczne dla modelu zawierającego jedynie dane z wybranych momentów określających stan w chwilach poprzednich oddalonych o [2 5 10 15] minut na rys. 6.21, a w przypadku [2 5 10 15 20] minut na rys. 6.22. Redukcja danych informujących o stanie obiektu w przeszłości pozwoliła na uwzględnienie dynamiki, jednocześnie uproszczając strukturę sieci a poprzez to skrócenie czasu treningu.

0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

roz

dobn

ieni

a ce

men

tu g

Bla

ine'

a



Rys. 6.19. Charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego opartego na sieci NARX zawieraj ącej 45 neuronów w warstwie ukrytej

0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

St. roz. cem. wg Blaine'a (obiekt pom. lab.)St. roz. cem. wg Blaine'a (model)

Rys. 6.20. Charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego opartego na sieci NARX zawieraj ącej 45 neuronów w warstwie ukrytej–

pomiar laboratoryjny


0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na -

wib

racj

e na

pod

pora

ch

St. roz. cem. wg Blaine'a (obiekt pom. lab.)Wibracje podpora 1 (obiekt)

Wibracje podpora 2 (obiekt)


Wibracje podpora 1 (model)Wibracje podpora 2 (model)

Rys. 6.21. Charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego opartego na sieci NARX zawieraj ącej 50 neuronów w warstwie ukrytej–

pomiar laboratoryjny

0 500 1000 1500 2000 25000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Sto

pień

roz

drob

nien

ia c

emen

tu w

g B

lain

e'a

Sto

pień

wyp

ełni

enia

mły

na -

wib

racj

e na

pod

pora

ch

St. roz. cem. wg Blaine'a (obiekt)Wibracje podpora 1 (obiekt)

Wibracje podpora 2 (obiekt)


Wibracje podpora 1 (model)Wibracje podpora 2 (model)

Rys. 6.22. Charakterystyki dynamiczne procesu przemiału dla modelu nieliniowego opartego na sieci NARX zawieraj ącej 35 neuronów w warstwie ukrytej

Najlepsze rezultaty uzyskano dla sieci zawierających około 35 neuronów w warstwie wewnętrznej, a zredukowanie ilości wartości linii TDL określających stan obiektu w poprzednich chwilach oddalonych o [ ]20151052 minut nie spowodowało znaczącej zmiany jakości modelu w porównaniu z modelem zawierającym pełną informację o jego stanie w przeszłości. Analizując otrzymane przebiegi moŜna stwierdzić, iŜ dynamiczne sieci NARX zawierające około 35 neuronów w warstwie wewnętrznej, dysponujące zredukowanymi danymi o stanie obiektu w przeszłości, właściwie odzwierciedlają stan obiektu w danej chwili. Błąd średniokwadratowy dla sieci zawierającej pełną informację z poprzednich chwil czasowych wynosi 0,0002623, natomiast dla sieci zawierającej jedynie dane z chwil [ ]151052 0,0003285. Wykorzystanie wybiórczej informacji dotyczącej stanu obiektu w przeszłości pozwala ma zredukowanie rozmiaru sieci i skrócenie czasu uczenia oraz poprawia szybkość pracy mniejszej sieci, a błąd średniokwadratowy dla obu sieci jest tego samego rzędu. W trakcie budowy modelu tego procesu, bazując na metodach sztucznej inteligencji przeprowadzono szereg prób badawczych. W ich trakcie oceniono przydatność poszczególnych struktur sieci neuronowych. Najlepsze rezultaty uzyskano dla rekurencyjnych sieci NARX, które zawierały ok. 35 neuronów w warstwie ukrytej oraz informację o stanie obiektu w poprzednich 15 minutach. Otrzymane rezultaty potwierdzają moŜliwość wykorzystania teorii sztucznych sieci neuronowych w procesie identyfikacji procesu przemiału.

7 PROPOZYCJA STEROWANIA NEURONOWEGO MŁYNEM CEMENTU

Modele matematyczne obiektów statycznych i dynamicznych odgrywają podstawową rolę w układach sterowania. Istnieje dobrze opracowana teoria sterowania obiektami liniowymi, lecz problem sterowania nieliniowego jest trudnym i wymaga poszukiwań odpowiednich rozwiązań. W praktyce przemysłowej do sterowania procesem przemiałowym wykorzystuje się jedynie układy dozowania wielkością strumienia wejściowego do młyna. Część zakładów podjęła próby włączenia lokalnych pętli regulacji w celu stabilizacji wybranych wielkości procesowych. Na przykład w jednym z zakładów uruchomiona została pętla stabilizacji całkowitego strumienia nadawy do młyna. Pozwoliło to na unikniecie zamielenia13 młyna w przypadku zmiany własności fizycznych materiału np. większa twardość dozowanego surowca. W tym celu wykorzystano klasyczny regulator PID zaimplementowany w sterowniku PLC. Prowadzono równieŜ próby polegające na uzaleŜnieniu strumienia nadawy wejściowej od informacji pochodzącej z czujnika wypełnienia młyna i stabilizowanie ilości materiału znajdującego się w młynie. W wyŜej wymienionych pętlach regulacji

13 zamielenie - czyli nadmierne wypełnienie młyna materiałem i poprzez to utratę zdolności rozdrabniania materiału w układzie przemiałowym


stosuje się klasyczne regulatory PID dostrajane w sposób doświadczalny na obiekcie tak, aby układ pracował stabilnie. W literaturze proponuje się wykorzystanie adaptacyjnego systemu sterownia w oparciu o róŜne modele odniesienia [J. Wrzuszczak, 1998]. Nie znalazły one jednak zastosowania w warunkach przemysłowych. Z uwagi na wiele ograniczeń i trudności związanych z syntezą układów sterowania dla obiektów i procesów nieliniowych metodami analitycznymi wydaje się, Ŝe alternatywnym i atrakcyjnym podejściem jest zastosowanie teorii sztucznych sieci neuronowych. Wraz z pomiarem stopnia rozdrobnienia cementu pozwoli to na poprawę racjonalnego prowadzenia tego procesu. Uwzględniając jego złoŜoność postanowiono wykorzystać w propozycji ukladu regulacji wiedzę ekspertów14. Na podstawie zarejestrowanych danych przeprowadzono próby przetworzenia tych informacji poprzez zastosowanie metod opartych na sztucznych sieciach neuronowych W trakcie badań oparto się na wiedzy zdobytej podczas identyfikacji procesu przemiałowego oraz oceniono uŜyteczność poszczególnych struktur sieci neuronowych do realizacji zadania sterowania młynem cementu wraz z separatorem.

7.1 Neuronowa realizacja decyzji eksperta Zadanie sterowania pracą młyna sprowadza się do stabilizacji stopnia rozdrobnienia cementu w oparciu o pomiar powierzchni właściwej, przy zachowaniu minimalizacji jednostkowego zuŜycia energii elektrycznej i utrzymaniu wymaganej jakości produktu. Ze względu na opóźnienia występujące w torach sterowania układów przemiałowych oraz brak moŜliwości pomiaru wielkości jednoznacznie określających jakość produktu finalnego w sposób ciągły, stosuje się roŜne sposoby sterowania w oparciu o róŜne wielkości pośrednie (sygnał stopnia napełnienia młyna, obciąŜenie przenośnika elewatorowego, itp.). Biorąc pod uwagę złoŜoność procesu postanowiono wykorzystać w proponowanym układzie regulacji wiedzę ekspertów. Na podstawie zarejestrowanych danych przeprowadzono próby aproksymacji tych informacji poprzez wykorzystanie metod opartych na sztucznych sieciach neuronowych z wykorzystaniem zaproponowanej przez Jordana i Jacoba techniki ang. inverse modelling [G. W. Ng, 1997], realizując odwrotną charakterystykę obiektu (rys. 7.1). Tak nauczona sieć pozwala na wykorzystanie zaproksymowanej informacji pochodzącej od wielu ekspertów, którzy prowadzą proces przemiału w róŜnych warunkach technologicznych oraz w obecności szeregu zakłóceń mierzalnych i niemierzalnych.

Rys. 7.1. Schemat uczenia neuroregulatora z liniami opó źnień - identyfikacja inwersji

Wyniki działania opracowanego w ten sposób regulatora porównane zostały z decyzjami operatorów, bazując na danych pomiarowych zarejestrowanych w trakcie normalnej pracy młyna kulowego w zakładzie nr 2. Decyzje te przyjęto jako rozwiązania optymalne. Tworząc neuronowy regulator wykorzystano doświadczenia uzyskane podczas identyfikacji układu przemiałowego. Pominięto w trakcie syntezy zostały sieci liniowe oraz jednokierunkowe. Skupiono się na sieciach dynamicznych takich jak TDNN, LRN i NARX, oraz metodach treningu Levenberga-Marquardta i regularyzacji Bayesa. Do uczenia i weryfikacji pracy regulatora wykorzystano dane zarejestrowane w zakładzie cementowym nr 2 podczas produkcji cementu hutniczego marki CEMIII A 32,5 NA (rys. 5.6). Sprawdzono pracę kilku konfiguracji regulatorów o róŜnym stopniu złoŜoności. Rozpoczęto od regulatorów realizujących osobne funkcje sterowania poszczególnymi wielkościami (strumieniami wejściowymi masy, granicą rozdzielania frakcji produktu gotowego), a

14 ekspertami w tym przypadku są operatorzy procesu zwani potocznie młynarzami


zakończono na złoŜonym regulatorze realizującym zadanie globalnie dla całego zestawu przemiałowego. Realizując zadanie sterowania jako aplikację przeznaczaną do wdroŜenia na rzeczywistym obiekcie przemysłowym oraz uwzględniając czynniki ekonomiczne i ruchowe zakładu, w pierwszym etapie postanowiono przygotować układ do pracy w systemie doradczym. Neuroregulator oparty na sieci dynamicznej TDNN. Sprawdzono działanie regulatora neuronowego opartego na dynamicznej sieci TDNN. Na rys. 7.2 przedstawiono ogólny schemat sieci tego typu realizującej zadanie neuroregulatora przy uwzględnieniu trzech podanych w punkcie 7.1 przypadkach.

Rys. 7.2. Schemat sieci TDNN realizuj ącej zadanie neuroregulatora

Prowadząc proces uczenia w wariancie 1 zaproponowano dwa regulatory, z których jeden realizuje zadanie sterowania prędkością obrotową separatora, a drugi strumieniem nadawy surowej do młyna. Oba neuroregulatory działają niezaleŜnie od siebie. Dobierając odpowiednie struktury sieci zmieniano ilość neuronów w warstwach oraz wielkość horyzontu czasowego umoŜliwiającego zamianę dynamiki układu. Sprawdzono sieci zawierające od 10 do 50 neuronów w warstwie ukrytej z tangensoidalną funkcją aktywacji. Przykładowe wyniki działania sieci realizującej zadanie sterowania prędkością obrotową wirnika separatora dla sieci zawierających 25 neuronów w warstwie ukrytej przedstawiono na rys. 7.3. Porównując wielkości generowane przez neuroregulator z decyzjami operatora widać pewną rozbieŜność w działaniach. Decyzje operatora charakteryzowały się większą amplitudą zmian sygnału sterującego. JednakŜe trend w podejmowanych decyzjach został przez sieć zachowany. Na rys. 7.4 przedstawiono przykładowo działanie regulatora realizującego zadnie sterowania ilością nadawy do młyna, dla sieci zawierającej 25 neuronów w warstwie wewnętrznej. Najlepsze rezultaty pracy regulatora w przypadku sieci TDNN uzyskano dla struktury zawierającej ok. 20-25 neuronów w warstwie ukrytej.

0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Czas [min]

Prę

dkość o

brot

owa

sepa

rato

ra

Obroty separatora (operator)

Obroty separatora (neuroreg)

Rys. 7.3. Sygnał steruj ący neuroregulatora opartego na sieci TDNN – obr. separatora, 25 neuronów w warstwie ukrytej, linia TDL w warstwie wej. 10,

linia TDL w warstwie ukrytej 5

0 500 1000 1500 2000 2500 3000 3500 40000

0.2

0.4

0.6

0.8

1

1.2

Czas [min]

Str

umień n

adaw

y do

mły

na

Nadawa do młyna (operator)

Nadawa do młyna (neuroreg)

Rys. 7.4. Sygnał steruj ący neuroregulatora opartego na sieci TDNN – nadawa do młyna, 25 neuronów w

warstwie ukrytej, linia TDL w warstwie wej. 10, linia TDL w warstwie ukrytej 5


Następnie sprawdzono efekty pracy sieci TDNN, która generowała sterowania strumieniem nadawy wejściowej do młyna oraz prędkością obrotową separatora. Przetestowano sieci zawierające od 15 do 50 neuronów w warstwie ukrytej oraz wpływ wymiaru linii TDL na wejściach poszczególnych warstw. Przykładowe działanie otrzymanych regulatorów w odniesieniu do decyzji podejmowanych przez operatora przedstawiono na rys. 7.5, dla sieci zawierającej 25 neuronów w warstwie ukrytej. Decyzje podejmowane przez operatorów charakteryzowały się większą amplitudą zmian w przypadku prędkości obrotowej separatora oraz szybszymi i większymi zmianami sygnału sterującego strumieniem nadawy generowanym przez neuroregulator. Ogólny trend pracy regulatorów zawierających ok. 25 neuronów w warstwie ukrytej jest zgodny decyzjami podejmowanymi przez operatorów będących ekspertami w prowadzeniu procesu przemiału Neuroregulator oparty na sieci rekurencyjnej LRN. Po badaniach opartych na sieci jednokierunkowej TDNN postanowiono sprawdzić moŜliwości wykorzystania sieci rekurencyjnych. Sprawdzono sieć LRN posiadającą wewnętrzne sprzęŜenie łączące wyjście warstwy 1 z warstwą wejściową. W pierwszej kolejności sprawdzona została praca dwu niezaleŜnych regulatorów realizujących cząstkowe zadania sterowania pracą układu przemiałowego. Przykładowe wyniki ich działania w zaleŜności od ilości neuronów w warstwie wewnętrznej przedstawiono na rys. 7.6 dla prędkości obrotowej separatora oraz na rys. 7.7 dla nadawy surowej do młyna.

0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Czas [min]

Prę

dkość o

brot

owa

sepa

rato

ra

Obroty separatora (operator)


Rys. 7.6. Sygnał steruj ący neuroregulatora opartego na sieci LRN – obr. separatora, 35 neuronów w

warstwie ukrytej

0 500 1000 1500 2000 2500 3000 3500 40000

0.2

0.4

0.6

0.8

1

1.2

Czas [min]

Str

umień n

adaw

y do

mły

na



Rys. 7.7. Sygnał steruj ący neuroregulatora opartego na sieci LRN – nadawa do młyna, 35 neuronów w

warstwie ukrytej Analizując wartości sygnałów sterujących generowanych przez powyŜsze regulatory widać bardzo duŜe zmiany sygnału zarówno dla prędkości obrotowej separatora jak i strumienia nadawy do młyna. Sprawdzono równieŜ jakość pracy regulatora neuronowego generującego oba sygnały sterujące w przypadku sieci zawierających od 15 do 50 neuronów warstwy wewnętrznej. Występują znaczne rozbieŜności pomiędzy wielkościami obliczonymi przez regulator neuronowy a decyzjami podejmowanymi przez operatora Generowane przez te sieci sygnały sterujące charakteryzują się zbyt duŜymi i szybkimi zmianami. RównieŜ trend zmian nie zawsze zgodny jest z decyzjami podejmowanymi przez ekspertów jakimi są

0 500 1000 1500 2000 2500 3000 3500 40000

0.2

0.4

0.6

0.8

1

1.2

Czas [min]

Str

umień n

adaw

y do

mły

na

P

rędk

ość o

brot

owa

sepa

rato

ra


Obroty separatora (operator)Nadawa do młyna (neuroreg)


Rys. 7.5. Sygnał steruj ący neuroregulatora opartego na sieci TDNN – nadawa do młyna, obr. separatora, 25 neuronów w warstwie ukrytej, linia TDL w warst. wej. 10, linia TDL w warst. ukrytej 5


operatorzy. W związku z powyŜszym sieci tego typu nie nadają się do realizacji zadania sterowania procesem przemiału w młynie kulowym. Neuroregulator oparty na sieci NARX powinien najlepiej realizować postawione zadanie gdyŜ sieć posiada zarówno sprzęŜenie zwrotne jak i linie opóźnień TDL, które pozwalają na uwzględnienie stanu obiektu w przeszłości. Ogólny schemat regulatora bazującego na takiej strukturze sieci przedstawiono na rys. 7.8. Sprawdzono pracę neuroregulatorów zawierających w swej strukturze od 10 do 50 neuronów w warstwie ukrytej oraz dobierając horyzont czasowy linii TDL od 5 do 20 minut. W początkowym etapie przetestowano pracę sieci realizujących sterowanie ilością nadawy do młyna. Przykładowe wielkości sterujące wygenerowane przez sieć zawierającą 20 neuronów w warstwie wewnętrznej przedstawiono odpowiednio na rys. 7.9. Na wejściu sieci zastosowano linię TDL zawierającą sygnały opóźnione z 9 poprzednich chwil czasowych oraz 10 w sprzęŜeniu zwrotnym. Po analizie otrzymanych w trakcie badań wielkości moŜna stwierdzić, iŜ rozbudowa sieci nie prowadzi do większej zgodności pracy regulatora z decyzjami podejmowanymi przez operatora. Sieć zawierająca około 20 neuronów w warstwie wewnętrznej generuje sterowania, których trend jest zgodny z decyzjami operatora (rys. 7.9). Następnie sprawdzono pracę regulatora realizującego zadanie sterowania prędkością obrotową separatora powietrznego Przebadano regulatory zawierające w swej strukturze od 10 do 50 neuronów w warstwie ukrytej. Przykładowe sygnały sterujące, generowane przez sieć NARX zawierającą 20 neuronów w warstwie wewnętrznej, przedstawiono odpowiednio na rys. 7.10. Porównując otrzymane wyniki z decyzjami operatorów widać, iŜ sieci zawierające mniejszą ilość neuronów wypracowują sterowania (rys. 7.10) o zgodne z trendami realizowanymi przez operatorów. Nadmierna rozbudowa sieci generuje sygnały o zbyt duŜych wahaniach wartości.

Rys. 7.8. Schemat sieci NARX realizuj ącej zadanie neuroregulatora

0 500 1000 1500 2000 2500 3000 3500 40000

0.2

0.4

0.6

0.8

1

1.2

Czas [min]

Str

umień n

adaw

y do

mły

na



Rys. 7.9. Sygnał steruj ący neuroregulatora opartego na sieci NARX – nadawa do młyna, 20 neuronów w

warstwie ukrytej

0 500 1000 1500 2000 2500 3000 3500 40000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Czas [min]

Prę

dkość o

brot

owa

sepa

rato

ra

Obroty separatora (obiekt)


Rys. 7.10. Sygnał steruj ący neuroregulatora opartego na sieci NARX – obr. separatora, 20

neuronów w warstwie ukrytej


Sprawdzono takŜe jakość pracy regulatora neuronowego generującego oba sygnały sterujące. Przykładowe charakterystyki dynamiczne generowane przez sieć zawierającą 25 neuronów w warstwie ukrytej w odniesieniu do decyzji operatora przedstawiono na rys. 7.11. Trendy proponowanych sterowań neuroregulatora są zgodne z decyzjami operatora. Rozbudowa sieci ponad 35 neuronów warstwy wewnętrznej oraz zwiększenie zakresu wykorzystywanego horyzontu czasowego dla wybranych opóźnień nie spowodowały większej zbieŜności sterowań generowanych przez regulator w porównaniu z decyzjami podejmowanymi przez operatorów. Regulator neuronowy oparty na sieci TDNN lepiej realizował zadanie sterowania odrębnie dla poszczególnych wielkości sterujących. Natomiast w przypadku neuroregulatora opartego na sieciach typu NARX w sterowaniu młynem cementu z separatorem powietrznym, lepsze rezultaty uzyskujemy wykorzystując jeden regulator zapewniający kompleksowe zadanie sterowania zarówno strumieniem nadawy do młyna jak i prędkością obrotową separatora. Sieć tego typu zawierająca około 20-25 neuronów w warstwie ukrytej i wykorzystująca informacje o stanie obiektu w poprzednich 10 minutach, generuje sterowania zgodne z decyzjami podejmowanymi przez ekspertów jakimi są operatorzy. Sterowania generowane przez zaproponowane sieci neuronowe posiadają skoki impulsowe sygnału, co przy przyjętym w pracy załoŜeniu, iŜ regulator wykorzystany będzie jako system doradczy nie ma większego znaczenia. Skoki te występowały równieŜ w danych zarejestrowanych na obiekcie rzeczywistym. Na podstawie przeprowadzonych badań moŜna stwierdzić, iŜ wykorzystanie sztucznych sieci neuronowych do sterowania procesem przemiału cementu w układzie technologicznym zamkniętym z separatorem powietrznym - przy wykorzystaniu wiedzy ekspertów - jest moŜliwe do zrealizowania. Wykorzystanie cennej wiedzy jaką posiadają operatorzy i uŜycie jej do budowy regulatora neuronowego pozwoli na „naśladowanie” ich decyzji. Po odpowiednim nastrojeniu regulatorów - na podstawie informacji pochodzącej od wybranych ekspertów - moŜliwe będzie wyeliminowanie błędów popełnianych przez tych mało doświadczonych, przyniesie oszczędności szacowane15 na poziomie ok. 10%. RównieŜ sterowanie procesem przemiału będzie przebiegało w sposób mniej zróŜnicowany.

7.2 Adaptacja układu sterowania w przypadku produkc ji ró Ŝnych marek cementu W praktyce przemysłowej często ma miejsce sytuacja, w której zachodzi potrzeba produkowania kilku marek cementu w jednym układzie przemiałowym. Wymaga to przygotowania szeregu regulatorów, pracujących optymalnie podczas sterowania układem przemiałowym w trakcie produkcji danego asortymentu. Podjęto zatem próby przygotowania systemu sterowania który moŜe sterować pracą układu przemiałowego z uwzględnieniem produkowanej marki cementu. W tym celu przygotowano szereg nowych wzorców uczących na podstawie danych zarejestrowanych podczas produkcji róŜnych marek cementu w jednym układzie przemiałowym. Przeprowadzono kolejny proces uczenia sieci, bazując na wcześniej nabytych doświadczeniach. W wyniku przeprowadzonych prób zmodyfikowano rozmiary istniejących sieci tak, aby mogły one zachować dodatkowe informacje dotyczące wymaganej powierzchni właściwej oraz udziałów procentowych poszczególnych składników nadawy dla szerszego asotymentu produkowanego w danym układzie przemiałowym.

15 wynika to z analizy zuŜycia energii w zakładzie podczas produkcji z rozdziałem na poszczególnych operatorów.

0 500 1000 1500 2000 2500 3000 3500 40000

0.2

0.4

0.6

0.8

1

1.2

Czas [min]

Str

umień n

adaw

y do

mły

na

P

rędk

ość o

brot

owa

sepa

rato

ra




Rys. 7.11. Sygnał steruj ący neuroregulatora opartego na sieci NARX – nadawa do młyna, obr.

separatora, 25 neuronów w warstwie ukrytej


Produkcja kilku marek cementu. Dotychczasowe badania przeprowadzono w oparciu o dane zarejestrowane w trakcie produkcji jednej marki cementu CEM III A 32.5NA. Aby umoŜliwi ć prowadzenie procesu przemiału podczas produkcji kilku marek cementu, przygotowano dodatkowe ciągi uczące i testujące, które zawierają dane zarejestrowane w trakcie produkcji dwóch marek cementu, wykorzystanego wcześniej CEM III A 32.5NA oraz CEM II SB 32.5R. Do realizacji regulatora neuronowego wykorzystano sieci neuronowe typu NARX (rys. 7.8) zawierające w swej strukturze od 15 do 50 neuronów w warstwie ukrytej oraz informację o stanie obiektu z poprzednich chwil czasowych obejmujących okres od 10 do 20 minut.

0 200 400 600 800 1000 1200 1400 16000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Str

umień n

adaw

y do

mły

naP

rędk

ość o

brot

owa

sepa

rato

ra






0 200 400 600 800 1000 1200 1400 16000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Str

umień n

adaw

y do

mły

naP

rędk

ość o

brot

owa

sepa

rato

ra





separatora, 45 neuronów w warstwie ukrytej, Mimo szeregu prób nie udało się zaproponować regulatora bazującego na sieci neuronowej który, poprawnie sterowałby procesem przemiału dla dwóch marek cementu. Przykładowe sygnały sterujące generowane przez część z testowanych sieci w odniesieniu do decyzji podejmowanych przez operatora przedstawiono na rys. od 7.12 i 7.13. Wynika z nich, iŜ sieć poprawnie realizowała zadanie sterownia dla jednej marki cementu. Wynikało to z niesymetryczności zbioru uczącego, który zawierał róŜną ilość informacji pochodzących z produkcji wybranych marek cementu. Przygotowanie wzorców zawierających równomierne ilości danych dla poszczególnych marek produkowanego cementu spowoduje problemy podczas dodatkowego douczania otrzymanego regulatora. Stwarza to w momencie douczania sieci problemy z przygotowaniem odpowiednich ciągów uczących w warunkach przemysłowych. Realizacja neuroregulatora w przypadku cementu CEMII B-S 32.5R.W zawiązku z negatywną próbą realizacji regulatora realizującego zadanie sterowania procesem przemiału do produkcji kilku marek cementu, postanowiono sprawdzić moŜliwość budowy odrębnych regulatorów przystosowanych do produkcji wybranej marki cementu. Pozwoliło to równieŜ na dodatkowe zweryfikowanie wcześniejszych badań. W pierwszym etapie sprawdzono regulator podczas produkcji cementu CEM II BS 32.5R. Przebadano regulatory oparte na sieci typu NARX (rys. 7.8), która zawiera w swej strukturze od 15 do 45 neuronów w warstwie ukrytej i informację o stanie obiektu w poprzednich chwilach czasu. Wykorzystano zredukowane ciągi zawierające

0 100 200 300 400 500 600 700 800 900 10000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Str

umień n

adaw

y do

mły

naP

rędk

ość o

brot

owa

sepa

rato

ra


Obroty separatora (operator)Nadawa do mlyna (neuroreg)





informację z przeszłości obejmujące: opóźnienie o 12, 15 i 20 minut. Sprawdzono pracę neuroregulatorów realizujących zadanie sterowania strumieniem nadawy do młyna i prędkością obrotową separatora (rys. 7.14) oraz realizujących odrębnie zadania sterowania wsadu masy materiału do młyna i prędkości obrotowej separatora. Porównując generowanie przez sieci wartości sygnałów sterujących z decyzjami podejmowanymi przez operatorów istnieje duŜą ich zgodność. Zarówno trend przebiegów jak i wartości są zbliŜone (przykładowy przebiegi przedstawione zostały na rys. 7.14. Oznacza to moŜliwość uŜycia neuroregulatorów do produkcji róŜnych marek cementu. Realizacja neuroregulatora w przypadku cementu CEMII B-S 42.5R. Aby potwierdzić moŜliwość wykorzystania regulatorów neuronowych, opartych na sieci NARX zawierających ok. 30 neuronów w warstwie ukrytej, do sterownia pracą młyna kulowego przeprowadzono dodatkowe badania. Przeprowadzono proces uczenia dla sieci o strukturze NARX, sprawdzonej podczas wcześniejszych badań zawierającej 25 i 35 neuronów w warstwie ukrytej. W trakcie procesu treningu sieci wykorzystano cześć danych zarejestrowanych w trakcie produkcji cementu CEM II BS 42.5R. Tak zbudowany regulator został przetestowany, a wartości sterowań generowanych przez niego porównane z decyzjami podjętymi przez operatora. Na rys.7.15 przedstawiono przykładowe charakterystyki dynamiczne wartości sygnału sterującego generowanego przez sieć zawierającą 35 neuronów w równaniu z decyzjami podjętymi przez operatorów. Z przeprowadzonych badań wynika, iŜ regulator zbudowany w oparciu o sztuczne sieci neuronowe typu NARX potrafi właściwie sterować procesem przemiału wybranej marki cementu. Do produkcji w jednym układzie przemiałowym kilku marek cementu wymagane jest przygotowanie odrębnych neuroregulatorów realizujących zadanie sterowania dla danej marki cementu. Wybór konkretnego regulatora moŜe następować podczas wyboru marki produkowanego cementu w skomputeryzowanym systemie wizualizacyjnym.

7.3 MoŜliwo ści wykorzystania sterowania neuronowego w przypadku innych układów przemiałowych

Ze względu na róŜnorodność istniejących rozwiązań układów przemiałowych w polskim przemyśle cementowym, przeprowadzono próbę dostosowania sieci neuronowej NARX do sterowania podobnym obiektem pracującym w innej cementowni. Ze względu na duŜe róŜnice konstrukcyjne oraz rozbieŜności w opomiarowaniu, postanowiono na bazie nabytych doświadczeń przeprowadzić jeszcze raz proces uczenia sieci neuronowej. Zachowano niezmienną strukturę sieci, dopasowując jej rozmiar do nowego zadania. Wykorzystano takŜe te same metody uczenia. Przeprowadzono badania na podstawie danych zarejestrowanych dla młyna pracującego w układzie technologicznym zamkniętym w zakładzie nr 1 (rys. 5.2). Do budowy neuroregulatora wykorzystano sieci typu NARX, które uczono w oparciu o metodę Levenberga-Marquardta. Przetestowano sieci zawierające od 15 do 45 neuronów w warstwie ukrytej i informację o stanie obiektu w poprzednich 15 chwilach czasowych. Przykładowe wielkości generowane przez sieci pełniące funkcje regulatorów przedstawiono na rys. od 7.16 do 7.17, odpowiednio dla sieci zawierających 15 i 25 neuronów w warstwie wewnętrznej.

0 100 200 300 400 500 6000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Czas [min]

Str

umień n

adaw

y do

mły

naP

rędk

ość o

brot

owa

sepa

rato

ra





separatora, 35 neuronów w warstwie ukryte


0 500 1000 15000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Czas [min]

Str

umień n

adaw

y do

mły

naP

rędk

ość o

brot

owa

sepa

rato

ra






0 500 1000 15000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

Czas [min]

Str

umień n

adaw

y do

mły

naP

rędk

ość o

brot

owa

sepa

rato

ra





separatora, 25 neuronów w warstwie ukryte Porównując sygnał sterujący wypracowany przez sieć realizującą funkcję regulatora neuronowego z decyzjami podejmowanymi przez operatora moŜna stwierdzić, iŜ dla sieci zawierających 25 neuronów (rys. 7.17) w strukturze wewnętrznej występuje największa ich zbieŜność. W przypadku układu opartego na sieci zawierającej 15 neuronów (rys. 7.16) nie został odzwierciedlony trend w podejmowaniu decyzji przez operatora dla sygnału prędkości obrotowej separatora. NaleŜy zatem stwierdzić, iŜ prowadzenie procesu przemiału w oparciu o sztuczne sieci neuronowe jest moŜliwe. Najlepsze rezultaty uzyskano dla sieci typu NARX zawierającej około 30 neuronów w warstwie ukrytej i linie opóźnień TDL z informacjami o stanie obiektu z wcześniejszych 15 minut. NiezaleŜnie od wykorzystywanego układu przemiałowego wyposaŜonego w młyn kulowy pracujący w układzie technologicznym zamkniętym wraz z separatorem, po przeprowadzeniu procesu uczenia w/w sieci uzyskano pozytywne rezultaty. Zaproponowane podejście jest zatem prawidłowe i moŜe być zastosowane podczas produkcji w dowolnym układzie przemiałowym po uprzednio przeprowadzonym procesie treningu sieci.

8 PODSUMOWANIE

W pracy przedstawiono moŜliwości zastosowania algorytmów neuronowych do rozwiązywania zadań identyfikacji i sterowania procesem przemiału cementu. Celem pracy było przedstawienie propozycji racjonalnego sterowania procesem przemiału cementu w zamkniętym układzie przemiałowym, przy uwzględnieniu róŜnych uwarunkowań związanych z niepewnością modelu procesu, nieliniowościami, fluktuacjami jego parametrów (zwłaszcza opóźnienia) oraz niestacjonarnym charakterem zakłóceń oddziałujących na proces. W większości krajowych cementowni powszechnie stosowane są wielokomorowe młyny kulowo-rurowe pracujące w układzie otwartym lub zamkniętym. Młyny te są urządzeniami energochłonnymi charakteryzującymi się niską sprawnością. W warunkach duŜej konkurencyjności narzucającej ostre wymagania jakościowe oraz ekonomiczne produkcji cementu, zaczęto szukać nowych rozwiązań warunkujących dotrzymanie ścisłych rygorów produkcyjnych. MoŜliwe jest to poprzez zapewnienie właściwego sterowania procesem mielenia. Zadaniem sterowania pracą młyna jest stabilizacja stopnia rozdrobnienia cementu w oparciu o pomiar powierzchni właściwej przy minimalizacji jednostkowego zuŜycia energii elektrycznej i zachowaniu wymaganej jakości produktu finalnego. W rozprawie zastosowano metodę sterowania układem przemiałowym, w oparciu o algorytmy bazujące na teorii sztucznych sieci neuronowych. Atrakcyjność ich zastosowania wynika z moŜliwości aproksymacji dowolnych nieliniowości oraz dostrojenia struktury sieci na podstawie rzeczywistych danych zarejestrowanych w trakcie eksperymentu pomiarowego i rzeczywistej pracy tego układu. W trakcie badań wykorzystano quasi-ciagły pomiar stopnia rozdrobnienia realizowany w oparciu o prototypowy miernik pomiaru gęstości usypowej (wyskalowany w jednostkach powierzchni właściwej wg Blaine’a).


Zdaniem autora do istotnych oryginalnych osiągnięć, uzyskanych w pracy naleŜy zaliczyć: − przeprowadzenie analizy metrologicznej układu przemiałowego cementu pracującego w

układzie technologicznym otwartym i zamkniętym dla celów sterowania w warunkach rzeczywistej jego pracy,

− opracowanie zestawu programów autorskich wspomagających proces rejestracji danych na obiekcie w oparciu komputerowy system rejestracji danych i aplikacje przygotowane w środowiskach Visual Basic oraz Delphi,

− opracowanie i przeprowadzenie autorskiej koncepcji eksperymentu pomiarowo-identyfikacyjnego układu przemiałowego z wykorzystaniem quasi-ciagłego pomiaru stopnia rozdrobnienia i neuronowych algorytmów identyfikacyjnych młyna kulowego cementu wraz z separatorem powietrznym,

− opracowanie i przetestowanie metodą symulacji komputerowej neuronowego algorytmu sterowania opartego na nieliniowej sieci neuronowej ze sprzęŜeniem zwrotnym (NARX), który daje moŜliwość uwzględnienia róŜnych przypadków pracy układu przemiałowego, w tym produkcji kilku marek cementu w jednym układzie przemiałowym,

− ocena moŜliwości przenoszenia opracowanych algorytmów identyfikacji i sterowania, rozwiązań struktur neuronowych na inne układy przemiałowe spotykane w pracujących cementowniach.

Wykorzystanie wiedzy najlepszych operatorów procesu w trakcie identyfikacji oraz budowy neuroregulatora pozwoliło na zaproponowanie układu neuronowego realizującego zadanie sterowania poprzez naśladowanie ich decyzji. Dzięki temu moŜliwe było wyeliminowanie błędów operatorskich co prowadzi to do poprawy jakości produktu finalnego jakim jest cement oraz pozwala na oszczędność energii elektrycznej na poziomie ok. 10%. Oszacowanie to przeprowadzono w oparciu o dane układu przemiałowego w warunkach eksploatacji młyna w trakcie badań eksperymentalnych. Przeprowadzone badania symulacyjne potwierdzają moŜliwość wykorzystania teorii sztucznych sieci neuronowych do realizacji zadań identyfikacji i sterowania złoŜonym układem nieliniowym, niestacjonarnym, z opóźnieniami w torach sterowania. Dodatkowo dzięki wykorzystaniu informacji pochodzących od operatorów procesu powaliło to na stabilizację jakości produktu i racjonalizacj ę prowadzenia procesu przemiału. Rezultaty przeprowadzonych badań oraz uzyskane osiągnięcia potwierdziły - zdaniem autora - tezę pracy. Wskazano jednocześnie na moŜliwość wykorzystania nabytych doświadczeń w identyfikacji i sterowaniu złoŜonymi wielowymiarowymi obiektami takŜe w tych gałęziach przemysłu, w których występują procesy i obiekty podobnej klasy. Innym znaczącym aspektem pracy jest wskazanie na moŜliwości zastosowania nowoczesnych pakietów słuŜących do obliczeń numerycznych w dziedzinie identyfikacji układów dynamicznych oraz badania i projektowania układów sterowania tymi obiektami. Wszystkie przeprowadzone w ramach pracy analizy oraz symulacje komputerowe zostały zrealizowane z wykorzystaniem pakietu programowego MatLab 7.5 (R2007b) wraz z przybornikiem Neural Network 5.1, będącego na wyposaŜeniu Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej. Zagadnienia związane z rejestracją danych na obiekcie, ich przygotowaniem oraz prezentacją otrzymanych wyników zaimplementowano w postaci programów komputerowych przygotowanych w środowiskach Delphi, Visual Basic oraz zaadoptowano istniejące na obiekcie układy pomiarowo-monitorujące. Wszystkie wymienione czynniki sprawiają, Ŝe poruszona w pracy problematyka jest w pewnym zakresie zbieŜna z aktualnymi tendencjami, zmierzającymi do zastąpienia człowieka w wykonywaniu powtarzających się czynności i podejmowania decyzji przez układy tzw. sztucznej inteligencji.


LITERATURA

1 Auer A. (1978): Model i identyfikacja procesów klasyfikacji i mielenia, Zeszyty Naukowe WyŜszej Szkoły InŜynierskiej w Opolu, nr 26 elektryka z. 4, Opole

Auer 1978

2 Austin L., Rogers R.,Bramek K., Stubican J. (1988): A rapid computational procedure for unsteaedy-state ball mill circuit simulations. Powder Technology, 56 str. 1-11

Austin 1988

3 “Best Available Techniques” for the cement industry, CEMBUREAU November 1997 BAT 2000

4 Biernacki J., Pietrzak J. (2003): Produkcja ŜuŜla mielonego w młynie do cementu, Cement-Wapno-Beton 2/2003 Biernacki 2003

5 BREF - Reference Document on Best Available Techniques in Cement and Lime Manufacturing Industrues. March 2000. Word Trade Center, Isla de la Cartuja s/n E-41092 Seville-Spain

BREF 2000

6 Cieśliński W., Ahrends J. (1955): Technologia cementu, Wydawnictwo Budownictwa i Architektury, Warszawa Ceiśliński 1955

7 Cichosz P. (2007): Systemy uczące się, Wydawnictwo Naukowo Techniczne, Warszawa Cichosz 2007

8 Cybenko G. (1990): Complextity theory of neural networks and classification problems; w Neural Networks EURASIP Workshop Proc. (Sesimbra, Portugal), Febr., 24-44

Cybenko 1990

9 DARPA Neural Network Study, Lexington, MA: M.I.T. Lincoln Laboratory, 1988. DARPA 1988

10 Demuth H., Beale M., Hagan M. (2007): Neural Network Toolbox 5 User’s Guide MatLab, The MathWorks Inc. Demuth 2007

12 Domański P., Gabor J., Pakulski D., Świrski K.: (2000) Closed Loop NOx Control and Optimisation Using Neural Networks, IFAC Symposium on Power Plants & Power Systems Control, Brussels, Belgum, Preprints, str. 188-193, IFAC 2000

Domański 2000

11 Domański P., Strzelczyk M. (2001): Global Optimization Based Learning for Recurrent Neural Networks, Materiały V Krajowej Konferencji Algorytmy Ewakuacyjne i Optymalizacja Globalna. 31.05-01.06 2001, Jastrzębia Góra, str. 223-230

Domański 2001

12 Dyda W. (1979): Przegląd technik i technologii w światowym cementownictwie. Zakład Poligrafii Centralnego Ośrodka Informacji Budownictwa, Warszawa.

Duda 1979

13 Duda W. H. (1985): Cement-data-book, Bauverlag GmbH Wiesbaden-Berlin. Duda 1985

14 Duda J., Kalinowski W., Sładeczek F. (2000): Audyt technologiczny i energetyczny zakładu cementowego, Raporty IMMB 0/743/P, Opole

Duda 2000

15 Herbst J., Fuerstenau D. (1992): Model-based control of mineral processing operations. Power Technology 69, str. 21-32

Herbst 1992

16 Janczak A. (1995): Zastosowanie sztucznych sieci neuronowych do identyfikacji systemów dynamicznych. Przegląd metod i technik, Raport WyŜszej Szkoły InŜynierskiej w Zielonej Górze, Zielona Góra

Janczak 1995

17 Polska Akademia Nauk. Biocybernetyka i InŜynieria Biomedyczna 2000, Tom 6 Sieci Neuronowe (redaktorzy tomu: W. Druch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz), Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.

Janczak A. (2000): Sieci neuronowe w identyfikacji systemów Wienera i Hammersteina, ss. 419-454

Janczak 2000

18 Janczak A. (2005): Identification of Nonlinear Systems Using Neural Networks and Polynomial Models. A Block-Oriented Approach, Springer-Verlag, Berlin, Heidelberg

Janczak 2005

19 Jurgensen S. W. (2004): Młyn misow -rolkowy do mielenia cementu i ŜuŜla. Doświadczenia ze stosowania młyna misowo-rolkowego w Ameryce Środkowej i Południowej, Cement-Wapno-Beton 4/2004

Jurgensen 2004

20 Kalinowski W. (2001): Wykorzystanie energooszczędnych technik przemiałowych w krajowym przemyśle cementowym, Międzynarodowa Konferencja Naukowa – Ekologiczno-energetyczne kierunki rozwoju przemysłu materiałów budowlanych, Lądek Zdrój 25.04.2001.

Kalinowski 2001 (brak)

21 Kalinowski W. (2005): Energochłonność procesów przemiałowych w świetle wymagań najlepszych dostępnych technik (BAT), XII Sympozjum Naukowo-Techniczne CEMENT – KRUSZYWA, Bydgoszcz 08-10.11.2005.


22 Kalinowski W. (2006): Modernizacja procesów przemiałowych w przemyśle cementowym, BMP Surowce i Maszyny Budowlane 1/2006, str. 12-15


23 Korbicz J., Obuchowicz A., Uciński D. (1994): Sztuczne sieci neuronowe Podstawy i zastosowania, Akademicja Oficyna Wydawnicza PLJ, Warszawa

Korbicz 1994

24 Korbicz J., Witczak M. .(2001): MMAR 2001, Robustifying an extended unknown input observer with genetic programming, 6th IEEE International Conference on Methods and Models in Automation and Robotics, 28-31 sierpnia 2001, vol. 2, Miedzyzdroje, str. 1061-1066

Korbicz 2001

25 Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (2002): Diagnostyka Procesów. Modele. Metody sztucznej inteligencji. Zastosowania, Wydawnictwa Naukowo-Techniczne, Warszawa

Korbicz 2002

26 Kosiński R. A. (2007): Sztuczne sieci neuronowe, dynamika nieliniowa i chaos, Wydawnictwo Naukowo-Techniczne, Warszawa

Kosiński 2007


27 Kurdowski W. (2007): 150 lat przemysłu cementowego na ziemiach polskich, Budownictwo, technologie, architektura 3/2007

Kurdowski 2007

28 Kurnicki A., Stańczyk B., śak E. (2001): Optimum in the sense of minimum variaqnce output stabilisation of the coal mill, MMAR 2001, 7th IEEE International Conference on Methods and Models in Automation and Robotics, 28-31 August 2001, pp. 901-906

Kurnicki 2001

29 Masters T. (1996): Sieci neuronowe w praktyce. Programowanie w języku C++, Wydawnictwa Naukowo-Techniczne, Warszawa.

Masters 1996

30 Mazurek J., Vogt H., śydanowicz W. (1996): Podstawy automatyki, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.

Mazurek i inni 1996

31 Miller W.T., Sutton R.S., Werbos P.J. (1990): Neural Networks for Control, The MIT Press, Cambridge MA. Miller 1990

32 Mokrzycki E., Uliasz-Bocheńczyk A. (2006): Wybrane problemy zuŜycia energii w przemyśle cementowym. Polityka Energetyczna, Warszawa Tom 9, Zeszyt1, ss 61-71

Mokrzycki i inni 2

33 Ng G. W. (1997): Application of Neural Networks to Adaptive Control of nonlinear Systems, Control Systems Center UMIST, UK

Ng 1997

34 Niemi A., Ylinen R., Räsänen V. (1992): Control of grinding circuit using phenomenological models. Power technology 69, str. 47-52

Niemi 1992

35 Nowak E., Pałka E., Płocica M., Stanoch W., Szeliga A. (2000): Procesy przemielania i młyny w przemyśle cementowym Tom II Młynownie, Prace IMMB nr 27, Opole

Nowak. 2000

36 Obuchowicz A., (2003): Evolutionary Algorithms for Global Optimization and Dynamic System Diagnosis, Lubuskie Towarzystwo Naukowee

37 Osowski S. (1996): Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa. Osowski 1996

38 Polednia E., Werszler A. (1997): Radiometryczna metoda pomiaru dyspersji ciała stałego, Rozprawa doktorska, Instytut Techniki Cieplnej i Mechaniki Płynów Politechniki Wrocławskiej, Wrocław.

Polednia 1997

39 Rojek R. (1976): Model matematyczny procesu mielenia ciągłego w młynach bębnowych dla celów sterowania, Praca doktorska, Instytut Cybernetyki Technicznej Politechniki Wrocławskiej, Wrocław

Rojek 1976

40 Rojek R. (1987): Problemy modelowania wybranej klasy procesów o parametrach rozłoŜonych dla celów sterowania, Studia i Monografie z. 11, WyŜsza Szkoła InŜynierska w Opolu, Opole

Rojek 1987

41 Rutkowska D., Piliński M., Rutkowski L. (1997): Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa-Łódź

Rutkowska i inni 1997

42 Rutkowski L. (2006): Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa Rutkowski 2006

43 Saerens M., Soquet A. (1991): Neural controller based on back-propagation algorithm, Proc. IEE, F, 138, nr 1, str. 55-62.

Saerens 1991

44 Schafer H.-U. (2001): Młyny firmy LOESCHE do mielenia klinkieru i granulowanego ŜuŜla wielkopiecowego i do produkcji cementów z dodatkami, Cement-Wapno-Beton 6/2001

Schafer 2001

45 Szabó L., Hidalgo I., Cisar J. C., Soria A., Russ P. (2003): Energy consumption and CO2 emissions from the world cement industry. European Commission Joint Research Centre. Raport EUR 20769, June 2003

Szabó I inni 2003

46 Tadeusiewicz R. (1993): Sieci neuronowe, Akademicka Oficyna Wydawnicza RW, Warszawa Tadeusiewicz 1993

47 Wrzuszczak J. (1998): Badania identyfikacyjne i ocena efektywności algorytmów sterowania adaptacyjnego obiektem z opóźnieniem na przykładzie młyna kulowego cementu, Rozprawa doktorska, Politechnika Wrocławska I-20, raport serii preprinty nr 43/1998 Wrocław

Wrzuszczak 1998

48 Wrzuszczak J.: (1999) Układ sterowania adaptacyjnego młynem cementu, Materiały XIII Krajowej Konferencji Automatyki, Opole 21-24 IX 1999, Oficyna Wydawnicza Politechniki Opolskiej, tom 2 ss. 339-344

Wrzuszczak 1999

49 Zachęta L.: (2004): Historia przemysłu cementowego w Polsce 1857-2000, Polski Cement, Kraków Zachuta 2004

50 śurada J., Barski M., Jedrych W. (1996): Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa śurada 1996

WYKAZ STRON INTERNETOWYCH

1 Polski Cement, Charakterystyka przemysłu cementowego, http://www.polskicement.com.pl Polski Cement www

2 Polski Cement, ZuŜycie energii przez przemysł cementowy, http://www.polskicement.com.pl Polski Cement www

WYKAZ NORM

1 PN-EN 197-1: 2002 „Cement. Część 1: Skład, wymagania i kryteria zgodności dotyczące cementów powszechnego uŜytku”

PN-EN 197-1 2002

2 PN-EN 197-1: 2002/A1 2005 „Cement. Cześć 1: Skład, wymagania i kryteria zgodności dotyczące cementów powszechnego uŜytku” (zmiana uwzględniająca cementy o niskim cieple hydratacji)

PN-EN 197-1 2002 A1 2005


3 PN-B-19707: 2003 „Cement. Cement specjalny. Skład, wymagania i kryteria zgodności” PN-N-19707 2003

4 PN-EN 413-1: 2005 „Cement murarski – Część 1: Skład, wymagania i kryteria zgodności” PN-EN 413-1 2005

5 PN-EN 14216: 2005 „Cement – skład, wymagania i kryteria zgodności dotyczące cementów specjalnych o bardzo niskim cieple hydratacji”

PN-EN 14216 2005

6 PN-EN 197-4: 2005 „Cement. Cześć 4: Skład, wymagania i kryteria zgodności dotyczące cementów hutniczych o niskiej wytrzymałości wczesnej”

PN-EN 197-4 2005

WYKAZ PRAC Z UDZIAŁEM AUTORA

1 Bursy G. (1996): Wykorzystanie mikroprocesorowych sterowników programowalnych w sterowaniu elektrofiltrami, Prace Instytutu Mineralnych Materiałów Budowlanych nr 18-19, Opole, str. 61-68

Bursy 1996 00

2 Bursy G. (1997): Identyfikacja młyna cementu z uŜyciem sztucznych sieci neuronowych, cz. 1, Prace IMMB nr 21, Opole, ss. 49-78

Bursy 1997 00

3 Bursy G., Siemiątkowski G. (1997): Identyfikacja procesu przemiału z wykorzystaniem teorii sztucznych sieci neuronowych w środowisku MATLAB-Simulink, Materiały I Krajowej Konferencji „Metody i Systemy Komputerowe w Badaniach Naukowych i Projektowaniu InŜynierskim”, Kraków 25-26 XI 1997, ss. 27-34

Bursy 1997 11

4 Bursy G., Rojek R. (1998): Nowoczesne układy sterowania procesami przemiałowymi oparte na teorii sztucznych sieci neuronowych, Materiały Konferencji Naukowo-Technicznej AUTOMATION ’98 „Autoamtyzacja – Nowości i Perspektywy”, Warszawa 11-12 III 1998, ss. 53-60

Bursy 1998 03

5 Bursy G. (1999): Identyfikacja młyna cementu z uŜyciem sztucznych sieci neuronowych, cz. 2, Prace IMMB nr 24, Opole 1999, ss. 61-74

Bursy 1999 00

6 Bursy G., Rojek R. (1999): Badania identyfikacyjne młyna cementu z wykorzystaniem modelu neuronowego, Materiały XIII Krajowej Konferencji Automatyki, Opole 21-24 IX 1999, tom 2 ss. 333-338

Bursy 1999 09

7 Bursy G. (2002): Neurosterowanie młynem cementu, Prace Instytutu Mineralnych Materiałów Budowlanych nr 33-34, Opole, str. 112-119

Bursy 2002 00

8 Bursy G. (2002): Sterowanie młynem cementu z wykorzystaniem sztucznych sieci neuronowych, Surowce i Maszyny Budowlane nr 2/2002, str. 32-35

Bursy 2002 02

9 Bursy G., Rojek R. (2002): Sterowanie neuronowe młynem cementu, Materiały XIV Krajowej Konferencji Automatyki, Zielona Góra 14-17.06.2002r, str. 831-834

Bursy 2002 06

10 Bursy G. (2007): Sterowanie neuronowe przemiałem przemiału cementu – identyfikacja młyna, Elektryka z 59 nr 322/2007, I Środowiskowe Warsztaty Doktorantów Politechniki Opolskiej, Jarnołtówek 14-16 V 2007, str. 53-55

Bursy 2007 05

11 Bursy G., Rojek R. (2007): Diagnostyka młyna cementu dla potrzeb sterowania; Problemy Współczesnej Nauki Teoria i Zastosowania, Automatyka i Robotyka, Diagnostyka Procesów i Systemów, pod red. Korbicz J., Patan K., Kowala M., Akademicka Oficyna Wydawnicza EXIT, Warszawa, str. 339-346

Bursy 2007 09

12 Bursy G., Rojek R. (2008): Neurosterowanie procesem przemiału cementu w oparciu o quasi-ciągły pomiar stopień rozdrobnienia, PAR Pomiary Automatyka Robotyka nr 2/2008; Materiały XII Konferencja Naukowo-Techniczna Automatyzacja – Nowości i Perspektywy Automation 2008

Bursy 2008 04

13 Bursy G. (2007): Sterowanie neuronowe procesem przemiału cementu, Elektryka z 61 nr 326/2008, II Środowiskowe Warsztaty Doktorantów Politechniki Opolskiej, Jarnołtówek 19-21 V 2008, str. 19-20

Bursy 2008 05

14 Bursy G., Rojek R. (2008): Neuroidentyfikacja procesu przemiału cementu, XVI Krajowej Konferencji Automatyki, Szczyrk, 11-15 maja 2008r. Akademicka Oficyna Wydawnicza EXIT, Komitet Automatyki i Robotyki PAN, Polskie Towarzystwo Sieci Neuronowych, (Red. Krzysztof Malinowski, Leszek Rutkowski), str. 643-651

Bursy 2008 05

15 Bursy G. (2008): Ograniczenie zuŜycia energii elektrycznej układów przemiałowych poprzez zastosowanie nowoczesnych układów sterowania, IV Mi ędzynarodowa Konferencja Naukowa Energia i Środowisko w Technologiach Materiałów Budowlanych, Ceramicznych, Szklarskich i Ogniotrwałych Karpacz 17 - 19 wrzesień 2008, str. 183-197

Bursy 2008 09

Autor uczestniczył takŜe w licznych pacach badawczych statutowych własnych i zleconych z przemysłu oraz przygotowaniach projektów i ofert w ramach prac realizowanych w oddziale Opolskim Instytutu Szkła, Ceramiki, Materiałów Ogniotrwałych i Budowlanych w Warszawie.

Documents

Sterowanie neuronowe procesem przemiału cementu