АСУ технологическими процессами металлургии : интеллектуальные системы управления горно-металлургическими процессами

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ 

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ  
ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ  
«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ «МИСиС» 

 

 
 
 

 

 

 

 
 

 

№ 1971 

Кафедра компьютерных информационных и управляющих 
систем автоматики 

З.Г. Салихов 
И.Т. Кимяев 
К.З. Салихов 

АСУ технологическими 
процессами металлургии 

Интеллектуальные системы управления  
горно-металлургическими процессами 

Учебное пособие 

Допущено учебно-методическим объединением по образованию 
в области металлургии в качестве учебного пособия  
для студентов высших учебных заведений, обучающихся  
по направлению 150100 – Металлургия 

Москва  2011 

УДК 681.5 
 
C16 

Р е ц е н з е н т  
д-р техн. наук, проф. В.А. Косарев 

Салихов, З.Г. 
С1600 
АCУ технологическими процессами металлургии : интеллектуальные системы управления горно-металлургическими 
процессами : учеб. пособие / З.Г. Салихов, И.Т. Кимяев,  
К.З. Салихов. – М. : Изд. Дом МИСиС, 2011. – 165 с. 
ISBN 978-5-87623-398-1 

В пособии обобщен опыт решения реальных технологических задач автоматизации, которые возникают при создании систем управления сложными 
трудноформализуемыми производственно-технологическими комплексами. 
Для решения задач автоматизации технологическими процессами и комплексами были выбраны методики и подходы, активно использующие знания и 
опыт наиболее квалифицированного технологического персонала. Вместе с 
тем в каждом конкретном случае особое внимание было уделено процедурам, 
показывающим достоверность полученных результатов практике ведения 
технологических процессов, а также процедурам, которые позволяют резко 
снизить влияние субъективного мышления уже на подготовительных этапах 
разработки алгоритмической базы систем управления. Еще одним отличием 
освещаемых в настоящей работе подходов и методик к построению систем 
автоматизации является их крайняя малоизвестность широкому кругу читателей, включая специалистов в области информатизации и автоматизации. 
Пособие предназначено для студентов, обучающихся по направлению 
150100 «Металлургия». 
УДК 681.5 

ISBN 978-5-87623-398-1 
© Салихов З.Г., 
Кимяев И.Т., 
Салихов К.З., 2011 

ОГЛАВЛЕНИЕ 

Предисловие.......................................................................................................... 4 
1. Современные подходы  к построению процессов управления  
сложными технологическими комплексами...................................................... 5 
1.1. Моделирование алгоритмов управления в нечеткой среде с 
элементами искусственного интеллекта........................................................ 7 
1.2. Разработка основных элементов  систем нечеткого управления   
на базе интеллектуальных алгоритмов ........................................................ 20 
1.3. Методика и алгоритм оценки качества принятия решений  
при ведении процесса оператором-технологом.......................................... 29 
Контрольные вопросы ................................................................................... 34 
2. Процесс обжига в печах кипящего слоя как трудноформализуемый  
объект автоматизации ........................................................................................ 35 
2.1. Общее описание процесса обжига в печи кипящего слоя  
на примере обжига сульфидного никелевого концентрата ....................... 35 
2.2. Современные задачи моделирования  и автоматизации  
управления обжигом в печах КС ................................................................... 38 
2.3. Решение современных задач автоматизации процесса обжига 
сыпучих материалов в кипящем слое ......................................................... 40 
Контрольные вопросы ................................................................................... 55 
3. Процесс Ванюкова как объект автоматизации с неконтролируемыми 
технологическими параметрами ....................................................................... 56 
3.1. Общее описание плавильного комплекса c процессом Ванюкова..... 56 
3.2. Современные задачи моделирования и автоматизации  
комплекса с процессом Ванюкова................................................................ 60 
3.3. Решение современных задач моделирования и автоматизации 
комплекса  с процессом Ванюкова............................................................... 64 
Контрольные вопросы ................................................................................... 97 
4. Технологический процесс измельчения как неформализованный  
объект автоматизации ........................................................................................ 98 
4.1. Общие технологические характеристики процесса измельчения...... 98 
4.2. Современные задачи управления технологическим процессом 
измельчения .................................................................................................. 102 
4.3. Решение современных задач моделирования и автоматизации 
управления ТПИ в установившихся и субкритических режимах........... 109 
Контрольные вопросы ................................................................................. 137 
5. Электродуговой технологический агрегат ковш–печь (АКП) как  
объект управления............................................................................................ 138 
5.1. Структура двухконтурной системы оптимизации управления 
энергетическим режимом АКП .................................................................. 138 
5.2. Синтез поисковой системы автоматической оптимизации  
управления энергетическим режимом АКП на базе нечеткого  
экстремального регулирования................................................................... 142 
Контрольные вопросы ................................................................................. 155 
Библиографический список............................................................................. 156 

ПРЕДИСЛОВИЕ 

В настоящей работе обобщен опыт решения комплекса задач, возникающих при создании интеллектуальных систем управления сложными трудноформализуемыми производственно-технологическими 
комплексами. К данным задачам следует отнести, например, выбор и 
эффективное применение современных методик формализации экспертных знаний и построения на их основе алгоритмов ведения технологических процессов (баз знаний), а также задачи выбора эксперта из 
числа наиболее квалифицированных операторов-технологов. 
К основным отличиям предложенных методик следует отнести, в 
частности, простоту их применения в условиях оснащенного многофакторными технологическими процессами современного металлургического производства, исключительную компактность конечного 
алгоритма выбора управляющих воздействий, а также высокую информативность для последующей интерпретации результатов моделирования.  
Еще одним отличием предлагаемых к применению в рамках настоящей работы методик формализации экспертных знаний и определения наиболее квалифицированного оператора-технолога является их крайняя малоизвестность широкому кругу читателей, включая 
специалистов в области информатизации и автоматизации. 

1. СОВРЕМЕННЫЕ ПОДХОДЫ  
К ПОСТРОЕНИЮ ПРОЦЕССОВ 
УПРАВЛЕНИЯ СЛОЖНЫМИ 
ТЕХНОЛОГИЧЕСКИМИ КОМПЛЕКСАМИ 

Сложившаяся практика моделирования сложных промышленно- 
технологических комплексов и построения на основе этих моделей 
алгоритмов для систем автоматизированного управления (САУ) на 
базе традиционных способов и методов в своем наиболее общем виде предполагает наличие двух последовательных этапов [4, 19, 52, 
74, 87, 88, 90, 91, 110, 118, 124]: 
1) построение адекватной математической модели (ММ) производственно- технологического процесса (идентификация процесса) в 
виде алгебраических, дифференциальных, интегро-дифференциальных и пр. уравнений; 
2) синтез структуры регулятора на основе построенной ММ. 
При движении по данному пути инженеры-исследователи сталкиваются с рядом издержек. 
1. На этапе идентификации технологического процесса (ТП) зачастую необходимо провести ряд сложных и дорогостоящих экспериментов на реальных объектах управления (ОУ) и, чем точнее нужно построить модель, тем больше подобных экспериментов требуется провести. Для построения модели на основе дифференциальных 
уравнений такого сложного процесса, какими являются большинство 
ТП цветной металлургии, учитывающей все физико-химические превращения в частицах, гидродинамические закономерности, фазовые 
переходы и пр., количество и продолжительность подобных экспериментов оценке не поддается. Таким образом, уже полученные подобными способами существующие математические модели носят 
весьма приближенный характер и могут отображать лишь некоторые 
тенденции реального технологического объекта. 
2. Синтезированные на основе заведомо неточных и огрубляемых 
моделей технологического процесса алгоритмы управления несут в 
себе все «врожденные пороки» прототипа и неизбежно добавляет к 
ним новые, связанные уже, например, с ошибками вычислительных 
методов и процедур. 
3. Как правило, в силу объективных организационно-технических 
причин, в реально существующих САУ сложными, многосвязными 
ТП отсутствует прямой непрерывный контроль содержания ключе

вых химических элементов и их соединений. Таким образом, информация о текущем химическом состоянии участвующих в технологическом процессе компонентов имеет весьма условный, приблизительный и нечеткий вид. Данное обстоятельство не позволяет в полной мере использовать достоинства статических моделей объектов 
управления, даже применяя современные вычислительные мощности, что, соответственно, ведет к огрублению алгоритмов управления 
в целом и является существенным препятствием к достижению регламентированных качественных производственно-технологических 
показателей. 
В противоположность особенностям традиционных статистическо-детерминированных подходов к построению САУ сложными ТП, 
аналогичные способы и методики, но базирующиеся на основе качественных методов, имеют ряд преимуществ. 
1. С помощью существующих на сегодняшний день способов 
управления ТП на основе качественных методов можно проводить 
анализ и проектировать системы управления реальными объектами, 
которые существенно сложны и плохо определены для применения 
строгого количественного анализа (например, если не имеется адекватной детерминированной математической модели объекта или процесса). 
2. Алгоритмическая сложность качественных систем управления 
значительно ниже, чем у детерминированных систем. На практике 
это приводит к высокой технической надежности и возможности эффективного и «понятного» технологическому персоналу оперативного управления. 
3. Применение построенных на основе качественных методов 
управляющих алгоритмов дает возможность использования для целей управления информацию качественного характера, которую 
трудно формализовать при реализации традиционных законов регулирования. При этом, как показывает опыт [86, 91, 129, 133], нечеткий логический регулятор (НЛР) оказывается малочувствительными 
к возмущениям в определенном диапазоне и отличается улучшенными характеристиками по сравнению с классическими регуляторами. 
4. Для составления управляющих правил НЛР требуются хорошее 
знание объекта управления и интуиция выступающего в роли эксперта оператора-технолога, т.е. накопленный им эксплуатационный 
опыт. Наличие же эксперта как источника знаний об управлении ТП 
обусловлено самой постановкой задачи. 

Обобщая сказанное, отметим, что «проклятие размерности» – 
объективная составляющая всех способов построения моделей многомерных систем. Существующие и широко применяемые методы 
искусственного интеллекта позволяют если не избавиться, то существенно снизить негативное влияние данного обстоятельства путем 
повышения 
«интеллектуальной» 
составляющей 
синтезируемой 
управляющей системы. 

1.1. Моделирование алгоритмов управления  
в нечеткой среде с элементами искусственного 
интеллекта 

1.1.1. Аспекты построения моделей управления  
в нечеткой среде 

Используемый для анализа математический аппарат обычных множеств оказывается недостаточно эффективным при решении задач 
предметной области. Кроме того, в потоке анализируемых сообщений 
большое место занимает качественная и субъективная (присущая «человеческому фактору» в принятии решений) информация, которая не 
может быть адекватно формализована известными математическими 
подходами. Для преодоления описанных трудностей в ряде исследований [6–8, 40–42, 61, 65, 86, 92, 94, 138, 144] показывается, что проблема может быть решена путем отказа от традиционных математических моделей через применение методов теории нечетких множеств 
(ТНМ) [1, 6–9, 11, 17, 18, 53, 62, 77, 94, 104, 141]. 
Применение ТНМ характеризуется отказом от дискретности одного числа из получаемых данных: в ТНМ используется не одно, а 
целое множество числовых значений при наличии строгости математического аппарата, позволяющего интерпретировать количественную и качественную информацию количественными соотношениями. Лингвистический подход ТНМ позволяет создавать интеллектуальные системы для оказания помощи и повышения объективности в 
принятии решений по прикладным задачам предметной области. 

1.1.2. Нечеткость как свойство информации 

Как отмечается в [8, 14, 85, 86, 88, 96, 99, 110, 128], в большинстве 
задач управления реальными технологическими объектами исходные 
данные, цели и ограничения управления являются слишком сложны

ми и неопределенными, чтобы допустить точную и строгую математическую интерпретацию в терминах существующих подходов к 
анализу таких систем теорией автоматического управления. 
Осознание нечеткости информации об объекте исследования в 
любом ее выражении – численном или вербальном – привело к созданию теории нечетких множеств [40]. Бурное развитие этой отрасли 
знаний привело к широкому использованию идей теории нечетких 
множеств в промышленности, бизнесе, экономике [8, 11, 33, 42, 53, 
94, 97, 99]. 
Более подробно методологические аспекты применения теории 
нечетких множеств для управления производственно-технологическими комплексами и системами рассмотрены в [8, 41, 42, 65, 86, 99, 
131, 132, 137, 142, 143]. Следует отметить, что основное внимание 
уделено построению продукционных моделей и интеллектуализации 
методов управления технологическими процессами. Подробно рассмотрены вопросы, связанные с принятием решения оператором в 
системе «человек–вычислительная машина», а также принципы построения нечетких логических регуляторов (НЛР) для интеллектуальных систем управления. При этом особо отмечается, что применение НЛР позволяет использовать для управления информацию качественного характера, которую невозможно формализовать при 
реализации традиционных законов регулирования. Также весьма существенно то, что НЛР демонстрируют лучшие характеристики и 
оказываются малочувствительными к возмущениям объекта управления в определенном диапазоне [6, 8, 9, 11, 86, 127, 133]. 
Необходимо отметить, что при разработке САУ проблема построения адекватной модели выбора и реализации приемлемых 
управляющих алгоритмов является одной из самых важных и сложных. В любом случае встает проблема построения правил и алгоритмов управления непосредственно на объекте, что сопряжено со значительными затратами времени и технологическими осложнениями. 
Использование качественной информации о технологическом процессе, полученной от оператора-технолога, позволяет создавать продукционные правила типа «ЕСЛИ …, ТО …, ИНАЧЕ …» в виде набора таблиц [8, 11, 41, 42, 51, 94, 99]. 
Понятие нечеткости во многом связано с субъективностью и приблизительностью представлений о каком-либо показателе системы. В 
отличие от вероятностныx нечеткие величины характеризуются не 
вероятностным законом распределения, основанном на статистике, а 
функцией принадлежности [6, 8, 11, 145], ранжирующей степень 

принадлежности рассматриваемой величины: от полной не принадлежности до полной принадлежности к физической природе явлений. 
Нечеткая информация является наименее «точной» (неоднозначной), 
но она в большинстве случаев остается единственной, характеризующей процессы в металлургической практике, особенно трудноформализуемые [11, 33–36, 94, 112]. Виды неопределенности информации, рассматриваемые ниже и подтверждаемые работами [18, 85], 
могут быть представлены в виде дерева (рис. 1.1). 

НЕИЗВЕСТНОСТЬ

СЛОЖНОСТЬ

НЕДОСТОВЕРНОСТЬ

НЕПОЛНОТА
ЗНАНИЙ

НЕАДЕКВАТНОСТЬ

НЕЧЕТКОСТЬ
СИТУАЦИИ

НЕОПРЕДЕЛЕННОСТЬ
ИНФОРМАЦИИ

 

Рис. 1.1. Классификация причин неопределенности в решении задач 
предметной области 

Верхний уровень этого дерева образован главными причинами, 
характеризующими количество отсутствующей информации об элементах задачи. Неопределенность информации для решения задач 
предметной области определяется тремя составляющими: 
• сложностью металлургических процессов как объектов исследований; 
• неполнотой знаний о текущем состоянии процесса как на отдельном его участке, так и в целом, что связано с недостаточной определенностью наших конкретных знаний; 
• нечеткостью ситуации, что связано с отсутствием точных границ областей определений, и свойственной большинству, если вообще не всем, понятиям [11, 40, 94, 103]. 
Нижний уровень дерева указывает общие причины неопределенности информации в области исследований: 
• неизвестность. В ситуации неизвестности, например, на первых 
стадиях изучения задачи, когда еще не выработаны требования к 
критериям оценки, когда неизвестны требования заказчика или возможности исполнителя, а также, когда информация о проблеме практически отсутствует; 

• недостоверность. При сборе данных на первом этапе исследований может оказаться, что собранная информация обладает недостоверностью, поскольку имеются еще не все возможные и необходимые сведения, а для некоторых элементов определены не их однозначные описания, а лишь множества, которым эти описания принадлежат; 
• неадекватность. Неадекватность является мерой оценки степени знаний, информации, модели и т.д. о данном явлении и возможности применения их на практике. При этом существенным является 
методологически обусловленное применение или разработка критериев оценки адекватности. 
Продолжение исследований должно привести либо к адекватному 
описанию явлений моделями, либо к неадекватному, когда собрана 
вся возможная информация, но полного описания нет, и оно не может быть получено этим путем. 
Заметим, что при описании многофакторных объектов, к которым 
относятся пиро- и гидрометаллургические процессы в частности, 
описанная выше методология построения модели управления малоэффективна в силу слишком большого числа необходимых таблиц и 
сложности алгоритмов перебора вариантов определения соответствующего состояния объекта для идентификации продукционного 
правила. Вытекающие из этого нежелательные аспекты усложнения 
и повышения громоздкости управляющих алгоритмов преодолеваются различными путями [8]. 
В настоящей работе в качестве основы для создания моделей 
(систем) управления сложными многофакторными технологическими процессами металлургии выбран несколько иной подход к извлечению знаний для построения баз знаний (БЗ) НЛР. Выбранный нами 
подход заключается в том, что восстанавливается неизвестная функция (алгоритм действия оператора-технолога) с помощью теории 
планирования эксперимента, определяющей, какие ситуации предъявляются эксперту для оценки построения управляющей модели технологического процесса [33].