blackmetИзвестия высших учебных заведений. Черная МеталлургияIzvestiya. Ferrous Metallurgy0368-07972410-2091National University of Science and Technology "MISIS"10.17073/0368-0797-2016-12-910-915blackmet-989Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И АВТОМАТИЗАЦИЯ В ЧЕРНОЙ МЕТАЛЛУРГИИINFORMATION TECHNOLOGIES AND AUTOMATIC CONTROL IN FERROUS METALLURGYО НЕПАРАМЕТРИЧЕСКИХ АЛГОРИТМАХ МОДЕЛИРОВАНИЯ КИСЛОРОДНО-КОНВЕРТЕРНОЙ ПЛАВКИON NONPARAMETRIC MODELING ALGORITHMS OF BOF PROCESSМедведевА. В.MedvedevA. V.

660014, Красноярск, пр. им. газеты «Красноярский рабочий», 31

д.т.н., профессор кафедры «Системный анализ и исследование операций»

Dr. Sci. (Eng.), Professor of the Chair “System Analysis and Operations Research”

saor_medvedev@sibsau.ruКорнетМ. Е.KornetM. E.

660014, Красноярск, пр. им. газеты «Красноярский рабочий», 31

соискатель степени к.т.н. кафедры «Системный анализ и исследование операций»

Candidates for a degree of Сand. Sci. (Eng.) of the Chair “System Analysis and Operations Research”

marya.kornet@gmail.comЧжанЕ. А.ChzhanE. A.

660041, Красноярск, Свободный пр., 79

аспирант кафедры информационных систем 

Postgraduate of the Chair of Information Systems

ekach@list.ruСибирский государственный аэрокосмический университет им. академика М.Ф. РешетневаРоссияSiberian State Aerospace University named after Academician M.F. ReshetnevRussian FederationСибирский федеральный университетРоссияSiberian Federal UniversityRussian Federation2016160120175912910915Copyright © Медведев А.В., Корнет М.Е., Чжан Е.А., 20172017Медведев А.В., Корнет М.Е., Чжан Е.А.Medvedev A.V., Kornet M.E., Chzhan E.A.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/989

Рассмотрена проблема предварительной обработки данных при идентификации многомерных дискретно-непрерывных процессов. Предложена методика генерации рабочей обучающей выборки из исходной, представленной данными нормальной эксплуатации исследуемого объекта. Используемая методика в какой-то степени напоминает бутсртап-процесс, который в данном случае базируется на исходной обучающей выборке, отражающей свойства идентифицируемого объекта. Методика позволяет автоматически решить проблему восстановления неизвестной стохастической зависимости на границе области определения соответствующих входных-выходных переменных объекта. Рассмотрена проблема идентификации кислородно-конвертерной плавки в конвертерном цехе № 2 ОАО «ЕВРАЗ Западно-Сибирский металлургический комбинат» при недостатке текущей информации, наличии пропусков в выборке наблюдений. Предложена непараметрическая модель кислородно-конвертерной плавки. Модель базируется на новой рабочей выборке, которая содержит как измерения, так и сгенерированные данные по описанной методике. Использование рабочей выборки в качестве обучающей позволило повысить точность идентификации в два раза.

The problem of data pre-processing in the identification of multidimensional discrete-continuous processes is considered. The main content of the paper is devoted to the method of generating working training sample from the initial one, represented by the data of the object normal operation. This step is very important in the non-parametric identification of discrete-continuous processes. Non-parametric identification algorithms belong to the class of local approximations of unknown stochastic dependencies. In nonparametric identification the step of selecting an object model to the accuracy up to the parameter vector is absent. This approach takes place in the variety of real problems, because the priori existing information is not enough to determine the reasonable parametric model structure. The procedure presented below is similar to butsrtap based on the initial training sample, which reflects the characteristics of the identified object.Numerous computational experiments carried out by statistical modeling have showed high efficiency of generation techniques discussed below which is laid into the foundation of the adaptive system modeling. In addition, it can automatically solve the problem of restoration an unknown stochastic dependence on the definition boundary of the relevant input-output object variables. The following technics and algorithms of nonparametric recovery stochastic dependencies were used to study the oxygen-converter process. A sample of observations made from passports of 176 low carbon oxygen steel melted by the contract at JSC “EVRAZ ZSMK” oxygen-converter workshop No. 2.New working sample which contains both the measurements and the generated data was formed according to the proposed methodology. Using the working sample makes it possible to increase the accuracy of the training simulation in 2–3 times.

непараметрическая идентификацияаприорная информациядискретно-непрерывный процессбезынерционный процессвыборка наблюденийанализ данныхкислородно-конвертерная плавкаnon-parametric modelingpriori informationdiscrete-continuous processinstantaneous processsample of observationsdata analysisBOF processReferencesМетоды идентификации промышленных объектов в системах управления / С.В. Емельянов, С.К. Коровин, А.С. Рыков и др. – Кемерово: Кузбассвузиздат, 2007. – 307 с.Emel’yanov S.V., Korovin S.K., Rykov A.S. etc. Metody identifikatsii promyshlennykh ob”ektov v sistemakh upravleniya [Methods of identification of industrial objects in the control systems]. Kemerovo: Kuzbassvuzizdat, 2007, 307 p. (In Russ.).Методы классической и современной теории автоматического управления. В 5 томах. Т. 2. Статистическая динамика и идентификация систем автоматического управления / Под ред. К.А. Пупкова, Н.Д. Егупова. Т. 2. – М.: изд. МГТУ им. Н.Э. Баумана, 2004. – 640 с.Metody klassicheskoi i sovremennoi teorii avtomaticheskogo upravleniya. V 5 tomakh. T. 2. Statisticheskaya dinamika i identifikatsiya sistem avtomaticheskogo upravleniya [Methods of classical and modern control theory. In 5 vols. Vol. 2. Statistical dynamics and identification of automatic control systems]. Pupkov K.A., Egupov N.D. eds. Moscow: izd. MGTU im. N.E. Baumana, 2004, 640 p. (In Russ.).Медведев А.В. Основы теории адаптивных систем. – Красноярск: изд. СибГАУ, 2015. – 526 с.Medvedev A.V. Osnovy teorii adaptivnykh system [Basic theory of adaptive systems]. Krasnoyarsk: izd. SibGAU, 2015, 526 p. (In Russ.).Бойко В.И., Смоляк В.А. Автоматизированные системы управления технологическими процессами в черной металлургии: учебное пособие. – Днепродзержинск: изд. ДГТУ, 1997. – 576 с.Boiko V.I., Smolyak V.A. Avtomatizirovannye sistemy upravleniya tekhnologicheskimi protsessami v chernoi metallurgii: uchebnoe posobie [Automated control systems of processes in the steel industry: Tutorial]. Dneprodzerzhinsk: izd. DGTU, 1997, 576 p. (In Russ.).Банникова А.В., Корнеева А.А., Корнет М.Е., Сергеева Н.А. О непараметрическом управлении стохастическим объектом с памятью // Вестник СибГАУ. 2014. Т. 55. № 3. С. 28 – 34.Bannikova A.V., Korneeva A.A, Kornet M.E., Sergeeva N.A. Nonparametric stochastic object control with memory. Vestnik SibGAU. 2014, vol. 55, no. 3, pp. 28–34. (In Russ.).Надарая Э.А. Непараметрическое оценивание плотности вероятностей и кривой регрессии. – Тбилиси: изд. Тбил. ун-та, 1983. – 194 с.Nadaraya E.A. Neparametricheskoe otsenivanie plotnosti veroyanostei i krivoi regressii [Non-parametric estimation of probability density and regression curve]. Tbilisi: izd. Tbil. un-ta, 1983, 194 p. (In Russ.).Лапко А.В., Ченцов С.В. Непараметрические системы обработки информации. – М.: Наука, 2000. – 350 с.Lapko A.V., Chentsov S.V. Neparametricheskie sistemy obrabotki informatsii [Nonparametric data processing systems]. Moscow: Nauka, 2000, 350 p. (In Russ.).Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятностей и ее применения. 1969. Т. 14. № 1. С. 156 – 161.Epanechnikov V.A. Non-parametric estimation of a multidimensional density of probability. Teoriya veroyatnostei i ee primeneniya. 1969, vol. 14, no. 1, pp. 156–161. (In Russ.).Рубан А.И. Методы анализа данных: учебное пособие. – Красноярск: ИПЦ КГТУ, 2004. – 319 с.Ruban A.I. Metody analiza dannykh: uchebnoe posobie [Methods of data analysis: Tutorial]. Krasnoyarsk: IPTs KGTU, 2004, 319 p. (In Russ.).Загоруйко Н.Г. Прикладные методы анализа данных и знаний. – Новосибирск: изд-во ИМ СО РАН, 1999. – 264 с.Zagoruiko N.G. Prikladnye metody analiza dannykh i znanii [Applied methods of data analysis and knowledge]. Novosibirsk: izd-vo IM SO RAN, 1999, 264 p. (In Russ.).Чжан Е.А. К проблеме генерации выборки при идентификации безынерционных процессов // Вестник СибГАУ. 2015. Т. 16. № 2. С. 368 – 375.Chzhan E.A. On the problem of generation of the sample in the identification of non-inertia processes. Vestnik SibGAU. 2015, vol. 16, no. 2, pp. 368–375. (In Russ.).Орлов А.И. Компьютерно-статистические методы: состояние и перспективы // Научный журнал КубГАУ. 2014. № 103 (09). С. 1 – 33.Orlov A.I. Computer statistical methods: state and prospects. Nauchnyi zhurnal KubGAU. 2014, no. 103(09), pp. 1–33. (In Russ.).Pilar García Soidán, Raquel Menezes, Óscar Rubiños. Bootstrap app roa ches for spatial data // Stoch Environ Res Risk Assess. 2014. No 28. P. 1207 – 1219.Pilar García Soidán, Raquel Menezes, Óscar Rubiños. Bootstrap approaches for spatial data. Stoch Environ Res Risk Assess. 2014, no. 28, pp. 1207–1219.Ji Meng Loh, Michael L. Stein. Spatial bootstrap with increasing observations in a fixed domain // Statistica Sinica. 2008. No. 18. P. 667 – 688.Ji Meng Loh, Michael L. Stein. Spatial bootstrap with increasing observations in a fixed domain. Statistica Sinica. 2008, no. 18, pp. 667–688.Kunsch H.R. The jackknife and the bootstrap for general stationary observations // Ann. Statist. 2008. No 17. P. 1217 – 241.Kunsch H.R. The jackknife and the bootstrap for general stationary observations. Ann. Statist. 2008, no. 17, pp. 1217–241.

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