ОПТИМІЗАЦІЯ КИСНЕВО-КОНВЕРТЕРНОГО ПРОЦЕСУ ЗАСОБАМИ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2024.01.087Ключові слова:
машинне навчання, BOF process, steelmaking, Індустрія 4.0, нейронні моделі.Анотація
Традиційні методи оптимізації киснево-конвертерного процесу виробництва сталі базуються на досвіді та емпіричних правилах, але не завжди досягають максимальної ефективності. В рамках концепції Індустрії 4.0 застосування алгоритмів машинного навчання стає перспективним для оптимізації виробничих процесів. Вони дозволяють аналізувати великі обсяги даних, зібрані за допомогою безлічі різноманітних датчиків, які функціонують під час промислового процесу, і знаходити складні взаємозв’язки між параметрами для досягнення найкращих результатів. Створені моделі можуть працювати автоматично, аналізуючи дані в режимі реального часу і реагуючи на зміни у процесі. Використання алгоритмів машинного навчання дозволяє підвищити точність результатів і якість виробництва сталі шляхом оптимізації киснево-конвертерного процесу з урахуванням великої кількості параметрів та взаємозв’язків між ними.
Посилання
Yak shtuchnyi intelekt zastosovuiut u metalurhii. URL: https://gmk.center/ua/opinion/yak-shtuchnij-intelekt-zastosovujut-u-metalurgii
(date of access: 20.03.2024).
Liu L. End-point Static Prediction of Basic Oxygen Furnace (BOF) Steelmaking Based on INPSVR and WOA / L. Liu, P. Li, M. Chu // 2021 33rd Chin. Control Decis. Conf. (CCDC). – 2021. DOI: https://doi.org/10.1109/ccdc52312.2021.9601393
Liu C. A Novel Dynamic Operation Optimization Method Based on Multiobjective Deep Reinforcement Learning for Steelmaking Process / C. Lui, L. Tang, C. Zhao // IEEE Trans. Neural Netw. Learn. Syst. – 2023. – P. 1 – 15.
DOI: https://doi.org/10.1109/tnnls.2023.3244945
MES vs SCADA in Industry 4.0. URL: https://nexusintegra.io/mes-vs-scada
(date of access: 20.03.2024).
Zhulkovskii O. A. Information-modeling forecasting system for thermal mode of top converter lance / O. A. Zhulkovskii, S. P. Panteikov, I. I. Zhulkovskaya // Steel in Translation. – 2022. – Vol.52. – № 5. – P. 495 – 502. DOI: https://doi.org/10.3103/S0967091222050138
