ТАКТИЧНО–ОПЕРАТИВНА АРХІТЕКТУРА УЗГОДЖЕННЯ БАГАТОКРИТЕРІАЛЬНОГО ПАРЕТО–ПЛАНУВАННЯ  З РОЗПОДІЛЕНИМ МОДЕЛЬНО–ПРОГНОЗНИМ КЕРУВАННЯМ ПРОЦЕСАМИ ЗБАГАЧЕННЯ ЗАЛІЗНОЇ РУДИ

В.В. Тронь

doi:10.34185/1562-9945-5-166-2026-02

Автор(и)

В.В. Тронь

DOI:

https://doi.org/10.34185/1562-9945-5-166-2026-02

Ключові слова:

багатокритеріальна оптимізація, Парето–фронт, NSGA–II, розподілене модельно–прогнозне керування, тактично–оперативне узгодження, збагачення залізної руди, наскрізне оцінювання невизначеності, блоковий бутстреп, робастність.

Анотація

Керування технологічними лініями збагачення залізної руди потребує узгодження тактичного багатокритеріального планування з оперативним керуванням, що функціонують на різних часових горизонтах. За відсутності явного механізму узгодження фактичний режим роботи може відхилятися від обраної Парето–оптимальної точки, а оцінки невизначеності характеристик сепарації не передаються між рівнями. Мета – розробити тактично–оперативну архітектуру з регламентованим двостороннім інтерфейсом і наскрізним перенесенням невизначеності. Використано багатокритеріальну оптимізацію методами NSGA–II/III, блоковий бутстреп для оцінювання довірчих інтервалів параметрів і показників сепарації та числове моделювання 30–добового сценарію. За обраної конфігурації отримана алгоритмом NSGA–II апроксимація фронту Парето характеризувалася більшим гіпероб’ємом і рівномірнішим розподілом розв’язків, ніж апроксимація, отримана NSGA–III (нормований гіпероб’єм 0,330, на 29 % вище за NSGA–III); після дрейфу параметрів і перерахунку фронту частка часу поза зоною допустимих значень повертається в нормальний діапазон.

Посилання

1. Ding, J., Wang, H., Liu, C., & Chai, T. (2013). A multiobjective operational optimization approach for iron ore beneficiation process. In 2013 International Conference on Advanced Mechatronic Systems (ICAMechS) (pp. 582–587). IEEE. https://doi.org/10.1109/ICAMechS.2013.6681710

2. Ding, J., Yang, C., & Chai, T. (2017). Recent progress on data–based optimization for mineral processing plants. Engineering, 3(2), 183–187. https://doi.org/10.1016/J.ENG.2017.02.015

3. Ding, J., Yang, C., Xiao, Q., Chai, T., & Jin, Y. (2019). Dynamic evolutionary multiobjec-tive optimization for raw ore allocation in mineral processing. IEEE Transactions on Emerg-ing Topics in Computational Intelligence, 3(1), 36–48. https://doi.org/10.1109/TETCI.2018.2812897

4. Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA–II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. https://doi.org/10.1109/4235.996017

5. Deb, K., & Jain, H. (2014). An evolutionary many–objective optimization algorithm using reference–point–based nondominated sorting approach, Part I: Solving problems with box constraints. IEEE Transactions on Evolutionary Computation, 18(4), 577–601. https://doi.org/10.1109/TEVC.2013.2281535

6. Christofides, P. D., Liu, J., & Muñoz de la Peña, D. (2011). Networked and distributed predictive control: Methods and nonlinear process network applications. Springer. https://doi.org/10.1007/978–0–85729–582–8

7. Mercangöz, M., & Doyle, F. J., III. (2008). Real–time optimization of the pulp mill benchmark problem. Computers & Chemical Engineering, 32(4–5), 789–804. https://doi.org/10.1016/j.compchemeng.2007.03.004

8. Adetola, V., & Guay, M. (2010). Integration of real–time optimization and model predic-tive control. Journal of Process Control, 20(2), 125–133. https://doi.org/10.1016/j.jprocont.2009.09.001

9. Rawlings, J. B., Mayne, D. Q., & Diehl, M. M. (2017). Model predictive control: Theory, computation, and design (2nd ed.). Nob Hill Publishing.