blackmetИзвестия высших учебных заведений. Черная МеталлургияIzvestiya. Ferrous Metallurgy0368-07972410-2091National University of Science and Technology "MISIS"10.17073/0368-0797-2022-6-437-446blackmet-2327Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И АВТОМАТИЗАЦИЯ В ЧЕРНОЙ МЕТАЛЛУРГИИINFORMATION TECHNOLOGIES AND AUTOMATIC CONTROL IN FERROUS METALLURGYАвтоматизированное управление сложными металлургическими агрегатами на основе метода прецедентовAutomated control of complex metallurgical units based on the CBR methodhttps://orcid.org/0000-0003-0928-1753КулаковС. М.KulakovS. M.

Станислав Матвеевич Кулаков, д.т.н., профессор кафедры автоматизации и информационных систем

Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42

Stanislav M. Kulakov, Dr. Sci. (Eng.), Prof. of the Chair “Automation and Information Systems”

42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation

kulakov-ais@mail.ruhttps://orcid.org/0000-0001-5547-5511КойновР. С.KoinovR. S.

Роман Сергеевич Койнов, старший преподаватель кафедры автоматизации и информационных систем

Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42

Roman S. Koinov, Senior Lecturer of the Chair “Automation and Information Systems”

42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation

koynov_rs@mail.ruЛяховецМ. В.LyakhovetsM. V.

Михаил Васильевич Ляховец, к.т.н., доцент, заведующий кафедрой автоматизации и информационных систем

Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42

Mikhail V. Lyakhovets, Cand. Sci. (Eng.), Assist. Prof., Head of the Chair “Automation and Information Systems”

42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation

mvlyakhovets@gmail.comhttps://orcid.org/0000-0002-4835-396XТараборинаЕ. Н.TaraborinaE. N.

Елена Николаевна Тараборина, к.т.н., доцент кафедры автоматизации и информационных систем

Россия, 654007, Кемеровская обл. – Кузбасс, Новокузнецк, ул. Кирова, 42

Elena N. Tarabrina, Cand. Sci. (Eng.), Assist. Prof. of the Chair “Automation and Information Systems”

42 Kirova Str., Novokuznetsk, Kemerovo Region – Kuzbass 654007, Russian Federation

taraborina@list.ruСибирский государственный индустриальный университетРоссияSiberian State Industrial UniversityRussian Federation202222062022656437446Copyright © Кулаков С.М., Койнов Р.С., Ляховец М.В., Тараборина Е.Н., 20222022Кулаков С.М., Койнов Р.С., Ляховец М.В., Тараборина Е.Н.Kulakov S.M., Koinov R.S., Lyakhovets M.V., Taraborina E.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://fermet.misis.ru/jour/article/view/2327

Рассмотрена актуальная задача человеко-машинного управления сложными технологическими агрегатами и комплексами, которые характеризуются большим разнообразием состояний, многомерностью, изменчивостью, неопределенностью. К числу таких агрегатов в черной металлургии относятся коксовые батареи, доменные печи, сталеплавильные агрегаты (дуговые печи, кислородные конвертеры), литейно-прокатные комплексы, прокатные станы, основные цехи и производства. Показана недостаточная для XXI-го в. эффективность модельного подхода к созданию систем управления такими объектами. Рассмотрены альтернативные подходы, основанные на концепции лучших практик. В частности, к ним относятся натурно-модельный и натурный подходы к разработке систем поддержки и принятия управляющих решений. Представлены известные натурно-модельные процедуры применения лучших практик (методы типопредставительных ситуаций и образцовых технологических циклов). Для систем управления технологическими процессами предложен новый (прецедентный) метод автоматизированного выбора и реализации управляющих воздействий с участием операторов-технологов. Разработан модифицированный прецедентный цикл (CBR-цикл) выбора управлений и соответствующая функциональная схема системы программного управления технологическим агрегатом циклического действия. Усовершенствованный прецедентный CBR-цикл включает следующие дополнительные операции: коррекция управляющих решений для отобранных прецедентов; ретроспективная оптимизация реализованных управляющих решений; сохранение не только лучших и оптимизированных, но и ошибочных решений; актуализация базы прецедентов; формирование решений в уникальных или ранее не зафиксированных ситуациях. Сформирована структура информационной модели прецедента на примере программного управления плавкой стали в  условиях кислородно-конвертерного цеха, включающая данные о конкретной ситуации в системе управления, параметры выбранных управляющих воздействий и полученные результаты плавки стали. Разработан пример формирования программы управления процессом подготовки и выполнения предстоящей плавкой стали на основе данных предварительно выбранной плавки-прецедента в условиях современного кислородно-конвертерного цеха.

The paper considers the actual problem of human-machine control of complex technological units and complexes, which are characterized by a large variety of states, multidimensionality, variability, and uncertainty. Such units in the ferrous metallurgy include coke batteries, blast furnaces, steelmaking units (arc furnaces, oxygen converters), foundry and rolling complexes, rolling mills, main workshops and production facilities. The effectiveness of the model approach to the creation of control systems for such objects is shown to be insufficient for the XXI century. Alternative approaches based on the concept of best reasoning (CBR) are considered. In particular, they include full-scale model and full-scale approaches to the development of support systems and management decision-making. The well-known full-scale model procedures for applying the best reasoning (methods of typical situations and exemplary technological cycles) are presented. The authors propose a new CBR method of automated selection and implementation of control actions with the participation of process operators for process control systems. A modified CBR-cycle of control selection and the corresponding functional scheme of the software control system for a cyclic technological unit were developed. The improved CBR-cycle includes the following additional operations: correction of control decisions for selected cases; retrospective optimization of implemented control decisions; preservation of not only the best and optimized, but also erroneous decisions; updating of the case base; formation of solutions in unique or previously unreported situations. The structure of the case information model is formed on the example of software control of steel melting in the conditions of an oxygen converter shop. It includes three sections: data on the specific situation in the control system, parameters of the selected control actions, and results of steel melting. An example of the control program formation for the preparation and execution of the upcoming steel melting is based on the data of a pre-selected melting case in the conditions of a modern oxygen converter process.

автоматизированное управлениесложные технологические объектымодельный подходнатурно-модельный подходметод прецедентовCBR-цикл принятия решенийинформационная модель прецедентаплавкапрограмма управлениякоррекцияautomated controlcomplex technological objectsmodel approachfull-scale model approachCBR methodCBR-based decision-making cycleCBR information modelsteel melting in oxygen convertercontrol program for upcoming meltingcorrection of CBR control decisionsReferencesРотач В.Я. Теория автоматического управления. М.: МЭИ, 2008. 400 с.Rotach V.Ya. Theory of Automatic Control. Moscow: MEI, 2008, 400 p. (In Russ.).Maiworm M., Bäthge T., Findeisen R. Scenario-based model predictive control: Recursive feasibility and stability // IFAC – Papers Online. 2015. Vol. 48. No. 8. P. 50–56. https://doi.org/10.1016/j.ifacol.2015.08.156Maiworm M., Bäthge T., Findeisen R. Scenario-based model predictive control: Recursive feasibility and stability. IFAC – Papers Online. 2015, vol. 48, no. 8, pp. 50–56. https://doi.org/10.1016/j.ifacol.2015.08.156Rawlings J.B., Mayne D.Q. Model Predictive Control: Theory and Design. Nob Hill Publishings, LLC, 2009.Rawlings J.B., Mayne D.Q. Model Predictive Control: Theory and Design. Nob Hill Publishings, LLC, 2009.Дозорцев В.М., Кнеллер Д.В. APC-усовершенствованное управление технологическими процессами // Датчики и системы. 2005. № 10. C. 56–62.Dozortsev V.M., Kneller D.V. APC-advanced process control. Datchiki i sistemy. 2005, no. 10, pp. 56–62. (In Russ.).Кулаков С.М., Бондарь Н.Ф., Зимин В.В. О структуризации пространства подходов к исследованию автоматизированных систем на разных стадиях их жизненного цикла. В кн.: Системы автоматизации в образовании, науке и производстве. Труды VIII Всероссийской научно-практической конференции. Новокузнецк: ИЦ СибГИУ, 2011. С. 26–34.Kulakov S.M., Bondar’ N.F., Zimin V.V. On structuring the space of approaches to the study of automated systems at different stages of their life cycle. In: Automation Systems in Education, Science and Production. Proceedings of the 8th All-Russ. Sci. and Pract. Conf. Novokuznetsk: ITs SibSIU, 2011, pp. 26–34. (In Russ.).Теория и практика прогнозирования в системах управления / С.В. Емельянов, С.К. Коровин, Л.П. Мышляев и др. Кемерово, М.: изд. об-ние «Российские университеты»: Кузбассвузиздат – АСТШ, 2008. 487 с.Emel’yanov S.V., Korovin S.K., Myshlyaev L.P., etc. Theory and Practice of Forecasting in Control Systems. Kemerovo; Moscow: Rossiiskie universitety; Kuzbassvuzizdat – ASTSh, 2008, 487 p. (In Russ.).Мышляев Л.П. Системы автоматизации на основе натурно-модельного подхода. В 3-х томах. Т. 2. Системы автоматизации производственного назначения. Новосибирск: Наука, 2006. 483 с.Myshlyaev L.P. Automation Systems Based on a Full-Scale Model Approach. Vol. 2. Automation Systems for Industrial Purposes. Novosibirsk: Nauka, 2006, 483 p. (In Russ.).Богушевский В.С., Грабовский Г.Г., Михайлов В.М. и др. Компьютерная модель расчета шихтовки и продувки конвертерной плавки // Сталь. 2006. № 1. С. 18–21.Bogushevskii V.S., Grabovskii G.G., Mikhailov V.M., etc. Compu­ter model for calculating the charge and purge of converter melting. Stal’. 2006, no. 1, pp. 18–21. (In Russ.).Богушевский В.С., Грабовский Г.Г., Церковницкий Н.С., Ушаков В.А. Система управления конвертерной плавкой // Металлургическая и горнорудная промышленность. 2007. № 4. С. 232–235.Bogushevskii V.S., Grabovskii G.G., Tserkovnitskii N.S., Ushakov  V.A. Converter melting control system. Metallurgicheskaya i gornorudnaya promyshlennost’. 2007, no. 4, pp. 232–235. (In Russ.).Pan R., Yang Q., Pan S.J. Mining competent case bases for case-based reasoning // Artificial Intelligence. 2007. Vol. 171. No. 16-17. P. 1039–1068. https://doi.org/10.1016/j.artint.2007.04.018Pan R., Yang Q., Pan S.J. Mining competent case bases for case-based reasoning. Artificial Intelligence. 2007, vol. 171, no. 16-17, pp. 1039–1068. https://doi.org/10.1016/j.artint.2007.04.018Варшавский П.Р., Алехин Р.В. Метод поиска решений в интеллектуальных системах поддержки принятия решений на основе прецедентов // International Journal "Information Models and Analyses". 2013. Vol. 2. No. 4. P. 385–392.Varshavskii P.R., Alekhin R.V. Method of finding solutions in intelligent decision support systems based on CBR. International Journal “Information Models and Analyses”. 2013, vol. 2, no. 4, pp.  385–392. (In Russ.).Avdeenko T.V., Makarova E.S. Integration of case-based and rule-based reasoning through fuzzy inference in decision support systems // Procedia Computer Science. 2017. Vol. 103. P. 447–453. https://doi.org/10.1016/j.procs.2017.01.016Avdeenko T.V., Makarova E.S. Integration of case-based and rule-based reasoning through fuzzy inference in decision support systems. Procedia Computer Science. 2017, vol. 103, pp. 447–453. https://doi.org/10.1016/j.procs.2017.01.016Wan S., Li D., Gao J., Li J. A knowledge based machine tool maintenance planning system using case-based reasoning techniques // Robotics and Computer-Integrated Manufacturing. 2019. Vol. 58. P. 80–96. https://doi.org/10.1016/j.rcim.2019.01.012Wan S., Li D., Gao J., Li J. A knowledge based machine tool maintenance planning system using case-based reasoning techniques. Robotics and Computer-Integrated Manufacturing. 2019, vol. 58, pp.  80–96. https://doi.org/10.1016/j.rcim.2019.01.012Thike P.H., Xu Z., Cheng Y., Jin Y., Shi P. Materials failure analysis utilizing rule-case based hybrid reasoning method // Engineering Failure Analysis. 2019. Vol. 95. P. 300–311. https://doi.org/10.1016/j.engfailanal.2018.09.033Thike P.H., Xu Z., Cheng Y., Jin Y., Shi P. Materials failure analysis utilizing rule-case based hybrid reasoning method. Engineering Failure Analysis. 2019, vol. 95, pp. 300–311. https://doi.org/10.1016/j.engfailanal.2018.09.033Guo Y., Chen W., Zhu Y.-X., Guo Y.-Q. Research on the integrated system of case-based reasoning and Bayesian network // ISA Transactions. 2019. Vol. 90. P. 213–225. https://doi.org/10.1016/j.isatra.2018.12.049Guo Y., Chen W., Zhu Y.-X., Guo Y.-Q. Research on the integrated system of case-based reasoning and Bayesian network. ISA Transactions. 2019, vol. 90, pp. 213–225. https://doi.org/10.1016/j.isatra.2018.12.049Relicha M., Pawlewskib P. A case-based reasoning approach to cost estimation of new product development // Neurocomputing. 2018. Vol. 272. P. 40–45. https://doi.org/10.1016/j.neucom.2017.05.092Relicha M., Pawlewskib P. A case-based reasoning approach to cost estimation of new product development. Neurocomputing. 2018, vol. 272, pp. 40–45. https://doi.org/10.1016/j.neucom.2017.05.092Xia J., Chen G., Tan P., Zhang C. An online case-based reasoning system for coal blends combustion optimization of thermal power plant // International Journal of Electrical Power & Energy Systems. 2014. Vol. 62. P. 299–311. https://doi.org/10.1016/j.ijepes.2014.04.036Xia J., Chen G., Tan P., Zhang C. An online case-based reasoning system for coal blends combustion optimization of thermal power plant. International Journal of Electrical Power & Energy Systems. 2014, vol. 62, pp. 299–311. https://doi.org/10.1016/j.ijepes.2014.04.036Карпов Л.Е., Юдин В.Н. Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов. В кн.: Труды Института системного программирования РАН. Т. 13. Ч. 2. М.: ИЦ ИСП, 2007. С. 37–58.Karpov L.E., Yudin V.N. Adaptive management based on classification of controlled objects states. In: Proceedings of the Institute of System Programming of the Russian Academy of Sciences, vol. 13, part 2. Moscow: ITs ISP, 2007, pp. 37–58. (In Russ.).Кулаков С.М., Трофимов В.Б., Добрынин А.С., Тараборина Е.Н. Прецедентный подход к формированию программ управления объектами циклического действия. В кн.: Системы автоматизации в образовании, науке и производстве AS`2017. Труды XI Всероссийской научно-практической конференции (с международным участием), 14-16 декабря 2017 г. Новокузнецк: ИЦ СибГИУ, 2017. С. 11–19.Kulakov S.M., Trofimov V.B., Dobrynin A.S., Taraborina E.N. CBR approach to the formation of control programs for objects of cyclic action. In: Automation Systems in Education, Science and Production AS’2017. Proceedings of the 11th All-Russ. Sci. and Pract. Conf. (with int. participation), December 14-16, 2017. Novokuznetsk: ITs SibSIU, 2017, pp. 11–19. (In Russ.).Monfeta D., Corsib M., Choinièreb D., Arkhipovab E. Development of an energy prediction tool for commercial buildings using case-based reasoning // Energy and Buildings. 2014. Vol. 81. P. 152–160. https://doi.org/10.1016/j.enbuild.2014.06.017Monfeta D., Corsib M., Choinièreb D., Arkhipovab E. Development of an energy prediction tool for commercial buildings using case-based reasoning. Energy and Buildings. 2014, vol. 81, pp. 152–160. https://doi.org/10.1016/j.enbuild.2014.06.017

The authors declare that there are no conflicts of interest present.