Система CING представляет собой программный продукт, который обеспечивает эффективную обработку данных предприятия и позволяет увеличить эффективность управления процессом прокатки. Благодаря использованию современных эвристических алгоритмов, CING способен обеспечить расчет, прогнозирование и корректировку практически любого параметра стана горячего проката, основываясь на совокупных данных о технологическом процессе в соответствующий момент времени.

Основные применения CING:

  • Резервирование функций измерительных приборов – передача в АСУ предприятия расчетных данных в случае отказа измеряющего устройства
  • Прогнозирование толщины полосы до начала прокатки – информирование оператора о расчетном результате работы стана при заданных условиях
  • Корректировка предустановок стана – расчет и предоставление информации об оптимальном режиме работы стана для достижения заданного значения толщины полосы.
CING обладает модульной структурой, за счет чего возможно дальнейшее расширение и подключение различных вспомогательных функций, например: расчет расхода воды, механических свойств проката, прогнозирование износа валков, дефектов полосы и температуры полосы на выходе из печи. Использование системы CING в совокупности с толщиномером горячего проката позволит добиться повышенного быстродействие, отказоустойчивости и достоверности работы технологического участка при отказе части измерительных приборов, а также оптимизировать показатели точности управления.

На современных металлургических предприятиях, как правило, имеются развитые системы сбора данных о ходе технологического процесса и множество систем по контролю и управлению. При сборе данных производится запись большого количества параметров с высокой частотой –могут сохраняться сотни сигналов с различных датчиков и систем ежесекундно. Подобный подход позволяет накопить огромные объемы информации.

Проблемой, свойственной всем современным предприятиям, является низкая степень использования накопленной информации: обычно лишь небольшая часть собираемых данных непосредственно используется для управления ходом технологического процесса. Таким образом, имеется низкий уровень используемости информации.

Поскольку даже простейшая статистическая обработка «вручную» таких огромных объемов данных вызывает сложности, задачи математического и вероятностного анализа в данном случае представляют собой актуальную проблему. Возникшая необходимость обработки больших объемов накопленной информации возникла не только в металлургии, а также во многих других областях промышленной и научной деятельности, что привело к активному развитию новых математических методов, получивших название глубинный анализ данных (Data Mining).

Широкое распространение при использовании в том числе и в металлургии нашли такие методы глубинного анализа данных как машинное обучение. Данная математическая дисциплина использует разделы математической статистики, численных методов, вероятностные методы и др. для извлечения знаний из массивов данных.

Целью машинного обучения является автоматизация решения сложных задач по прогнозированию, управлению и принятию решений. Машинное обучение успешно применяется в различных областях: от распознавания изображений и речи до технической диагностики, от категоризации документов до прогнозирования хода различных процессов.
В металлургической промышленности широко применяются искусственные нейронные сети как один из методов машинного обучения. Искусственная нейронная сеть (далее нейронная сеть или нейросеть) представляет собой систему соединенных между собой простых элементов (узлов, нейронов). Каждый из таких элементов (нейронов) устроен предельно просто: он получает и обрабатывает входные сигналы (обычно при помощи пороговых функций) и посылает сигнал следующим нейронам. Но объединение большого количества подобных нейронов в одну сеть позволяет получать сложные структуры, выполняющие нетривиальные задачи: входной сигнал активизирует первый нейрон, он посылает сигнал своим соседям, и подобная «волна» активации распространяется по сети, преобразуясь в соответствии с поставленной задачей. Нейросети используются для распознавания образов, классификации и кластеризации данных, аппроксимации и регрессии, прогнозирования и оптимизации, а также в качестве алгоритмов управления или коррекции.

Нейросети не программируются в привычном смысле этого слова, т.е. они основаны не на жестких формулах и зависимостях. Нейросети обучаются по большим объемам данных, находя в них связи и закономерности. Существует огромное количество типов нейросетей различных по методу расположения нейронов, по способу обучения, по характеру связей, по времени передачи сигналов и мн. др. Выбор подходящего типа сети и его настройка (количество нейронов, способы объединения их в слои, типы используемых пороговых функций и др.) представляет собой сложную инженерную задачу, особенно в связи с тем, что не существует жестких критериев или рекомендаций по подобному выбору. При правильном выборе и умелой настройке нейросети способны достигать высоких точностей (например, точность распознавания изображения в некоторых нейросетях сравнима и даже превосходит способности человеческого зрения – как в случае распознания рукописных цифр, где нейросети способны достигать точности до 99.8% при точности человеческого зрения 98%).

Преимуществами нейронных сетей являются:

  • Способность обучения – т.е. самостоятельно находить зависимости в данных;
  • Способность строить нелинейные зависимости, способность адаптироваться к изменению хода технологического процесса (сеть можно переучивать при изменении данных или даже создать сеть, адаптирующуюся в реальном времени);
  • Высокое быстродействие за счет параллельной структуры;
  • При успешном обучении нейросеть способна давать верные результаты на основании данных, которые отсутствовали в обучающей выборке или были частично искажены или «зашумлены».

В последние годы нейросети активно используются на станах горячей прокатки для решения целого ряда задач:

  • Определение температуры сляба на выходе из печи;
  • Определение усилия прокатки для получения необходимой толщины проката;
  • Определение необходимого количества воды для охлаждения полосы;
  • Определение оптимальной ширины полосы на выходе с черновой группы клетей для получения требуемой ширины полосы на выходе с чистовой группы;
  • Контроль усилия прокатки и величины зазора для компенсации перерегулирования от ПИД-элементов.
Нейронные сети используются для решения вышеперечисленные задач в силу значительного количества факторов, влияющих на искомые показатели. Таким образом, отсутствует возможность составления «жесткого алгоритма» расчета данных величин.