О НЕПАРАМЕТРИЧЕСКИХ АЛГОРИТМАХ МОДЕЛИРОВАНИЯ КИСЛОРОДНО-КОНВЕРТЕРНОЙ ПЛАВКИ

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.

1. Методы идентификации промышленных объектов в системах управления / С.В. Емельянов, С.К. Коровин, А.С. Рыков и др. – Кемерово: Кузбассвузиздат, 2007. – 307 с.

2. 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.

3. Медведев А.В. Основы теории адаптивных систем. – Красноярск: изд. СибГАУ, 2015. – 526 с.

4. Бойко В.И., Смоляк В.А. Автоматизированные системы управления технологическими процессами в черной металлургии: учебное пособие. – Днепродзержинск: изд. ДГТУ, 1997. – 576 с.

5. 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.

6. Надарая Э.А. Непараметрическое оценивание плотности вероятностей и кривой регрессии. – Тбилиси: изд. Тбил. ун-та, 1983. – 194 с.

7. Лапко А.В., Ченцов С.В. Непараметрические системы обработки информации. – М.: Наука, 2000. – 350 с.

8. Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятностей и ее применения. 1969. Т. 14. № 1. С. 156 – 161.

9. Рубан А.И. Методы анализа данных: учебное пособие. – Красноярск: ИПЦ КГТУ, 2004. – 319 с.

10. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. – Новосибирск: изд-во ИМ СО РАН, 1999. – 264 с.

11. Чжан Е.А. К проблеме генерации выборки при идентификации безынерционных процессов // Вестник СибГАУ. 2015. Т. 16. № 2. С. 368 – 375.

12. Орлов А.И. Компьютерно-статистические методы: состояние и перспективы // Научный журнал КубГАУ. 2014. № 103 (09). С. 1 – 33.

13. 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.

14. Ji Meng Loh, Michael L. Stein. Spatial bootstrap with increasing observations in a fixed domain // Statistica Sinica. 2008. No. 18. P. 667 – 688.

15. Kunsch H.R. The jackknife and the bootstrap for general stationary observations // Ann. Statist. 2008. No 17. P. 1217 – 241.