Алгоритм статистического прогнозирования в АСУТП выплавки кислородно-конверторной стали

Алгоритм статистического прогнозирования в АСУТП выплавки кислородно-конверторной стали

Автор: Шалашова, Виктория Павловна

Шифр специальности: 05.13.07.

Научная степень: Кандидатская

Год защиты: 1984

Место защиты: Москва

Количество страниц: 242 c. ил

Артикул: 4031685

Автор: Шалашова, Виктория Павловна

Стоимость: 250 руб.

Алгоритм статистического прогнозирования в АСУТП выплавки кислородно-конверторной стали  Алгоритм статистического прогнозирования в АСУТП выплавки кислородно-конверторной стали 

Введение. 5
Глава I. ПОСТАНОВКА ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ПРИ КОНТРОЛЕ И
УПРАВЛЕНИИ КИСЛОРОДНОКОНВЕРТОРНШ ПРОЦЕССОМ.
1.1. Роль прогнозирования при субоптимальном управлении плавкой
1.2. Требования к алгоритму прогнозирования
1.3. Основные положения синтеза алгоритма прогнозирования
1.4. Вывода.,
Глава 2. СИНТЕЗ ОБЩЕЙ СТРУКТУРЫ МОДЕЛИ ДЛЯ ПОСЛЕДОВАТЕЛЬНОСТИ ПЛАВОК
2.1. Требуемые свойства моделей для АСУ ТП
2.2. Прогнозирующие модели кислородноконверторного процесса .
2.3. Постановка и методы решения задачи структурной идентификации.
2.4. Разработка общей структуры модели последовательности плавок.
2.5. Выводы
Глава 3. РАЗРАБОТКА РАБОЧЕЙ МОДЕЛИ
3.1. Синтез и исследование исходной модели.
3.2. Основные допущения. 6
3.3. Стохастическая рабочая модель последовательности плавок
3.4. Модель доводки
3.5. Выводы Ю
Стр.
Глава 4. РАЗРАБОТКА АЛГОРИТМА ПРОГНОЗИРОВАНИЯ И ЕГО ИССЛЕ
ДОВАНИЕ МЕТОДАМИ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ. Ш
4.1. Разработка алгоритма прогнозирования.
4.2. Постановка задачи исследования алгоритма методами статистического моделирования
4.3. Подготовка имитационного эксперимента на ЭВМ. ИЧ
4.4. Исследование качества алгоритма
4.5. Выводы.
Глава 5. ОЦЕНКА ПАРАМЕТРОВ И ИССЛЕДОВАНИЕ АЛГОРИТМА ПРОГНОЗИРОВАНИЯ ПО ДАННЫМ РЕАЛЬНОЙ ВЫБОРКИ
5.1. Постановка задачи и методы ее решения.
5.2. Сокращение пространства параметров настройки.
5.3. Формализованная оценка параметров
5.4. Выводы
Глава 6. ИССЛЕДОВАНИЕ АЛГОРИТМА ПРОГНОЗИРОВАНИЯ В УСЛОВИЯХ
ПРОМЫШЛЕННОЙ ЭКСПЛУАТАЦИИ
6.1. Внедрение алгоритма прогнозирования в составе
АСУ ТП выплавки стали.
6.2. Постановка задачи исследования алгоритма в промышленных условиях
6.3. Выделение режимов работы системы и сравнение показателей эффективности прогнозирования и фильтрации
6.4. Зависимость эффективности работы цеха от качества алгоритма прогнозирования
6.5. Экономическая эффективность разработанного алгоритма. 1
Стр.
6.6. Выводы.
Основные результаты и выводы по работе1о
Список литературы


Учет этих факторов в алгоритмах прогнозирования доводки способствовал бы увеличению точности последних. Экстраполяция процесса для автоматизированного оценивания осуществляется в настоящее время с использованием алгоритмов разной степени сложности /,/. Поэтому задача выбора рационального способа экстраполяции в алгоритмах текущего оценивания, учитывающего специфику функционирования промышленных АСУ ТП, остается актуальной. В настоящей работе для выполнения перечисленных расчетов во всех трех случаях используется динамическая модель процесса ККП. В соответствии с положениями системного подхода и с целью получения унифицированных решений разработка соответствующей подсистемы математического обеспечения осуществлялась в форме единого комплексного алгоритма прогнозирования, учитывающего особенности рассматриваемых задач. Целевые требования связываются с необходимостью обеспечить основные свойства трех перечисленных подсистем и сводятся к двум основным положениям. Необходимость предсказания состояния процесса в разных задачах АСУ ТП в любой момент плавки (кампании) и на интервале времени без каких бы то ни было ограничений на его длительность обусловливает требование "поплавочной связности", в соответствии с которым разработка алгоритма прогнозирования ведется для последовательности плавок. Необходимость статистического прогнозирования, то есть экстраполяции не только первого (математического ожидания), но и второго моментов функции распределения переменных состояния (ковариационная матрица ошибок прогноза). Это требование обусловлено следующими двумя факторами, а) Процедура текущей фильтрации (см. В основном по указанным причинам в ряде случаев на плавках со сходными условиями проведения получают расхождение в температуре металла на повалке до Ю0°С (данные НЛМК). А.Г. В соответствии с изложенным основная задача настоящего исследования ставилась как проблема построения алгоритмов экстраполяции случайных процессов, решение которой в существенной степени основывается на использовании математических моделей и методов. В качестве формализованной базы разрабатываемого алгоритма рассматривалась стохастическая модель процесса, представленная в общем виде уравнениями (1. При выборе конкретной формы правых частей этих уравнений старались обеспечить возможность использования теории оценивания без значительного нарушения общего характера применяемых моделей. Поэтому в настоящей работе используется упрощенная форма математического описания объекта, которую можно условно рассматривать как разложение (1. Т(1+0 = Рз (9(*+0) + Рн (ь) Р? Р> ; Рл. В соответствии с таким подходом уравнения (1. Первый блок представляет модель, характеризующую усредненное движение объекта под действием управлений ( б? Эег ). Второй определяет случайные отклонения реального процесса от усредненного движения под влиянием обобщенного действия на процесс линейной комбинации случайных помех. Вектора Оъет и помех объединяются в линейном блоке в соответствии с принципом суперпозиции, образуя результирующий выходной вектор 0c. Л0 , Л/ , 6^ коэффициенты, нестационарные функции некоторых фиктивных переменных состояния (см. При фильтрации переменные Д0 и Д, оцениваются в темпе с процессом по текущим измерениям состава отходящих газов. Однако, из-за того, что эти измерения лишь косвенно характеризуют процесс, и модель коэффициентов Д0;Д, инвариантна к значениям переменных состояния процесса, уравнение (1. Поэтому и пришлось обратиться к более "тонкой" модели типа (1. Отметим дополнительно, что в некоторых практических случаях предсказание значений переменных состояния может быть сведено к прогнозированию временного ряда /,/. В этих ситуациях модель процесса представляется уравнениями авторегрессии с независимым щумом или щумом типа скользящее среднее. Однако,разработка модели подобного рода носит чисто статистический характер и обычно используется лишь в тех случаях, когда процессы мало изучены, и разработчик не располагает достаточными "физическими" априорными данными для составления моделей типа (1.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.624, запросов: 244