Программная система поддержки принятия решений на основе анализа данных технологического процесса производства полиакрилонитрильных нитей

Разработка программной системы для поддержки принятия решений экспертом-технологом по ведению технологического процесса получения полиакрилонитрильного волокна на основе анализа данных этого процесса. Обеспечение оперативного управления процессом.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 19.01.2018
Размер файла 562,2 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

10

Размещено на http://www.allbest.ru/

Тверской государственный технический университет, Тверь

Программная система поддержки принятия решений на основе анализа данных технологического процесса производства полиакрилонитрильных нитей

А.Л. Калабин, А.В. Козлов

А.А. Мальков, Э.А. Пакшвер

Введение

В работе рассматривается задача разработки программной системы для поддержки принятия решений экспертом-технологом по ведению технологического процесса получения полиакрилонитрильного волокна на основе анализа данных этого процесса. Также рассматриваются вопросы по оптимизации ведения технологического процесса на основе интеллектуального анализа данных процесса. Технологический процесс получения полиакрилонитрильного (ПАН) волокна или нити является сложным, многостадийным (более 15 стадий), многопараметрическим (сотни параметров) процессом.

Для рассматриваемого технологического процесса характерно наличие параметров, каждый из которых производители оборудования рекомендуют настраивать путем контроля показателей качества продукции, что увеличивает стоимость производства. При этом рекомендации по настройке оборудования сводятся к нечетким указаниям типа "немного уменьшить/повысить" значение параметра. То есть ведение такого технологического процесса в автоматическом режиме невозможно из-за отсутствия математических моделей - регулировку процесса приходится производить вручную. Это предъявляет очень высокие требования к уровню специализации технолога.

Для обеспечения оперативного управления процессом необходима система поддержки принятия решений технолога для своевременной "подналадки" параметров технологического процесса.

Цель данной работы - разработка программной системы поддержки принятия решений на основе анализа данных технологического процесса производства ПАН.

программная система оперативное управление

Технологический процесс получения ПАН и выбор режимов его ведения

Представим технологический процесс в форме структурной схемы, основными элементами которой являются участки, соединяемые материальными потоками, узлы разветвления и сумматоры.

Под участком будем понимать такой элемент технологического процесса, на котором материальными потоками переходит из одного качественного состояния в другое или происходит существенное изменение его параметров. Учет этого изменения важен для управления технологическим процессом в целом. Если несколько участков выполняют одни и те же преобразования материальных потоков параллельно (одновременно), то каждую его реализацию будем называть линией участка.

Для технологического процесса производства химических волокон материальные потоки между участками представим как непрерывные в виде партий. Сам поток непрерывен в технологическом процессе, но на вход он поступает как отдельная, идентифицируемая производственная партия сырья, имеющая определенный набор характеристик. Партия запускается в производство в течение определенного непрерывного интервала времени.

Технологический процесс получения ПАН зависит от характеристик сырья в твердом состоянии, условий подготовки материала к переработке и др. Некоторые из этих параметров будут зависеть от других в определенной ситуации, что позволяет выявить наиболее существенные факторы в конкретной ситуации. То есть ситуация определяется набором параметров, а "схожие" ситуации будут описываться набором параметров, "близких" с точки зрения выбранной метрики. Следовательно, можно выделить группы "схожих" ситуаций и поставить в соответствие каждой группе некую "шаблонную" ситуацию. Это предполагает нахождение структуры в технологических данных, т.е. разбиение их на группы с учетом семантики задачи. Очевидно, что такое разбиение невозможно без эксперта-технолога, обладающего знаниями и опытом, на основе которых он может построить модель структуры данных. Проведя анализ данных, поступивших в текущий момент времени, и анализ показателей качества технологического процесса, экспертом может быть принято решение о корректировке модели структуры данных, что может повлечь рекомендации по выбору технологического режима ведения процесса.

Поэтому технолог, исходя из своего опыта и знаний процесса, может управлять процессом по схеме, изображенной на рис. 1.

Рис. 1. Структурная схема управления многорежимным технологическим процессом

Программная реализация

Технологический процесс представим как последовательное соединение участков, при прохождении которых материальный поток трансформируется из сырья в конечный продукт [Шах А.Д., 1981]. Сбор информации происходит на каждом отдельном участке при последовательном изменении параметров материального потока. Для каждого из участков выделим следующие группы параметров. Входными параметрами являются физические параметры входных потоков сырья или исходных продуктов на участок. Выходными параметрами служат физические параметры материальных потоков химических продуктов на выходе из участка. Параметрами технологического режима участка называется совокупность основных факторов (параметров) внутри участка (температура, давление, применение и характеристика катализатора, условия гидродинамического перемешивания потоков компонентов), которые определяют функцию этого участка [Ребрин, 2000]. Определим временные параметры, которые позволяют фиксировать время прохождения данного материального потока через участок, начиная с сырья.

Программная система поддержки принятия решений состоит из трех основных частей: база данных, приложение для работы с ней и анализа данных.

В базе данных можно условно выделить две части. В первой хранится информация о структуре производственного процесса, во второй - информация об изменении параметров материального потока при прохождении им каждого участка технологического процесса.

Основные таблицы первой части разработанной базы данных.

1. Технологические процессы

2. Участки

3. Параметры

4. Материалы

5. Параметры материалов

Основные таблицы второй части разработанной базы данных.

1. Значения параметров участков

2. Значения параметров партий

При разработке программной системы разработан удобный интуитивно-понятный интерфейс, который позволяет эксперту-технологу визуально создавать схемы технологического процесса, что сводится к заполнению справочников материалов, материальных потоков, участков и технологических процессов. Программная система позволяет использовать одну базу данных для ведения нескольких технологических процессов, которые могут состоять из разных или одних и тех же участков. После создания схемы процесса, можно переходить к вводу данных и их последующему анализу.

Поставленные задачи решены с помощью объектно-ориентированного программирования на языке Visual Basic.net в среде Microsoft Visual Basic 2008 Express Edition. Были разработаны классы для описания объектов технологического процесса, таких как участок или линия, их параметров и взаимосвязей. Разработанное программное обеспечение представляет собой приложение Windows Forms.

Эксперимент

Для анализа данных решено было использовать аппарат математической статистики. Для этого необходимо создать выборку, для которой можно задавать ограничения по времени и значению параметров. На основе созданной выборки приложение строит графики, гистограммы, рассчитывает статистические оценки. Программная система предоставляет следующие возможности по анализу данных.

Построение графиков изменения параметра во времени.

Построение графиков зависимости между параметрами с определением корреляции и регрессии.

Определение оценок параметров предполагаемого распределения.

Для примера база данных программы была заполнена данными опытного производства ПАН нити. В базе данных было создано 2 участка (Формование и Термообработка) с восемью и тремя линиями соответственно.

Параметры участка "формования" включают: разрывную нагрузку нити - "нагрузка", разрывное удлинение нити - "удлинение", "крутка", "концентрация" прядильного раствора, "вязкость рабочая" прядильного раствора, число сменяемых фильер в сутки "фильеры", "номер синтеза" полимера, "номер смески" полимера идущего на растворение, "вязкость удельная" растворяемой смески полимера, "зольность" растворяемой смески полимера, параметры диметилформамида, из которого приготавливается прядильный раствор "ДМФ", "пыль" количество пылевидной фракции полимера в данной партии полимера, "текс" линейная плотность измеряемой нити, "выработка" нити в кг на данной линии (машине). На участке "термообработки" использованы параметры: "нагрузка", "удлинение", "крутка" и "текс" термообработанной нити.

Количество параметров в программе можно изменять. По ходу анализа данных технологического процесса можно установить мало влияющие параметры и их исключить из текущей базы данных, и завести новые в поиске более значимых параметров.

Опытная база данных составляет более 9000 записей. Статистическая обработка таких больших выборок позволяет делать выводы с большой достоверностью, согласно закону больших чисел. По мере работы производства с применением такой программы происходит всё большая отработка и оптимизация технологического процесса.

Приведем некоторые примеры использования программы для оперативного анализа параметров технологического процесса.

Приложение позволяет отслеживать изменение параметров во времени, что позволяет, например, сравнить качество работы разных смен или отслеживать влияние износа оборудования на качество получаемой нити.

Приведем примеры анализа данных технологического процесса. В первом примере проведем анализ временной зависимости разрывного удлинения нити (рис.2), который показывает, что:

1. На различных машинах различное среднее значение удлинения нити. Оно варьируется от 12,7 до 13,5, т.е. на 6 %.

2. На различных машинах получается существенно различное СКО удлинения нити. Оно варьируется от 0,74 до 1,17.

Приведенное отличие величины нагрузки на разных машинах указывает на необходимость их настройки по единому образцу.

Для рис.2: количество обрабатываемых данных: 7646; нагрузка: математическое ожидание: 38,23; дисперсия: 5,92; СКО: 2,43; коэффициент ассимметрии: - 0,53; эксцесс: 3,85; удлинение: математическое ожидание: 12,87; дисперсия: 0,8; СКО: 0,89; коэффициент ассимметрии: - 0,09; эксцесс: 3,48; коэффициент ковариации: 34358893,39; коэффициент корреляции: 0,27; уравнение регрессии: a + b * x; удлинение = 9,08 + 0,1 * нагрузка; критерий Фишера: 1,08; критерий Стьюдента для коэффициента a: 0,16; критерий Стьюдента для коэффициента b: 0.

Рис.2. Временная зависимость разрывного удлинения нити: а) машина 1; б) машина 6; в) машина 8

Приложение позволило сравнить работу различных машин. На рис.3 представлены зависимости удлинения от разрывной нагрузке нити, полученной на четырёх различных формовочных машинах.

Далее рассмотрим зависимость между разрывной нагрузкой и разрывным удлинением свежесформованной нити (рис.3). Анализ показывает, что:

1. Существует зависимость между этими величинами, которая близка к линейной. Это свидетельствует о дефектности структуры нити.

2. Эта зависимость разная на различных машинах, что говорит о том, что разные машины при, вроде бы одинаковом, технологическом режиме производят волокно различное по своей структуре.

3. На разных машинах СКО варьируется от 1,08 до 0,75, т.е. на 30%.

4. На разных машинах средние значения величин нагрузки и удлинения варьируются для нагрузки на 1,2 и удлинения 0,6 (3% и 5% соответственно).

Рис. 3. Зависимость между разрывной нагрузкой и разрывным удлинением свежесформованной нити: а) на всех машинах; б) машина 1; в) машина 6; г) машина 8

Проведен анализ зависимости между концентрацией прядильного раствора и удельной вязкостью полимера, который показал, что имеется большой диапазон изменения удельной вязкости исходного полимера от 1,5 до 1,85. Это объясняется разными причинами, которые можно выявить при дальнейшем анализе процесса в рамках данной программы. Одновременно такое положение требует принятие более сложных оперативных технологических решений.

Изменение удельной вязкости требует от технолога соответственного изменения концентрации прядильного раствора, при сохранении его рабочей вязкости прядильного раствора. Установленная зависимость между этими величинами может являться основой для коррекции указанных величин.

Величина СКО удельной вязкости полимера является показателем качества работы полимеризационной установки, она в приведенном примере она составляет 0,07, что достаточно много.

Величина разброса величины концентрации раствора при постоянной удельной вязкости полимера указывает на недостатки процесса полимеризации и неправильность приготовления смесей полимера для растворения.

Приведенные примеры демонстрируют лишь некоторые возможности использования разработанной программы для контроля и регулирования процесса.

Результаты

В ходе экспериментов, кроме достоинств, были определены и недоработки в реализации программной системы. Среди них можно выделить недостаточную проработку блока оптимизации технологического процесса.

На наш взгляд одним из вариантов усовершенствования этого блока могло бы быть построение базы правил корректировки параметров технологического процесса на основе интеллектуального анализа данных этого процесса с возможностью ее корректировки. База правил позволила бы хранить и накапливать опыт и знания эксперта по ведению технологического процесса. Кроме того, ее использование могло бы помочь эксперту-технологу в настройке параметров процесса, оптимизировать эту процедуру с учетом внешних воздействий, например, изменений, связанных с выбором сырья или производственных станков.

Построение базы правил можно разбить на два этапа. Первый заключается в "выявлении" структуры в данных технологического процесса. Для этого можно воспользоваться методом нечеткой адаптивной кластеризации [Виноградов и др., 2008]. Построенные кластеры помогут эксперту-технологу определить значащие и второстепенные факторы, влияющие на технологический процесс. С другой стороны каждый кластер будет соответствовать конкретной совокупности параметров (характеристик сырья, полуфабрикатов между участками процесса и т.п.), т.е. на их основе технолог может выявить "ситуации" близкие к некоторым "идеальным" ("центр" кластера), для которых известен режим ведения технологического процесса.

На втором этапе программная система автоматически, с использованием найденных кластеров, должна построить либо дополнить базу правил, например, по алгоритму [Мальков и др., 2009]. Далее, используя один из алгоритмов нечеткого вывода, программная система на основании данных технологического процесса могла бы предложить эксперту-технологу рекомендации по настройке параметров технологического процесса.

Разработана структурная схема технологического процесса, позволяющая проводить мониторинг его параметров и их последующий анализ для принятия решений экспертом-технологом по ведению процесса.

Разработано приложение, реализующее структуру базы данных адекватную структурной схеме технологического процесса; позволяющую оперативно её заполнять и проводить анализ этих данных.

Проверена работоспособность приложения на примере технологического процесса производства полиакрилонитрильных нитей. Показаны примеры анализа зависимостей между параметрами технологического процесса и на их основе предложены управляющие воздействия.

Предложено дальнейшей развитие программной системы, которое основано на интеллектуальном анализе данных технологического процесса.

Список литературы

1. [Виноградов и др., 2008] Виноградов Г.П., Мальков А.А. Кластеризация на основе нечетких отношений и технологии Visual Mining. Системы управления и информационные технологии, №1.1 (31), 2008.

2. [Мальков и др., 2009] Виноградов Г.П., Мальков А.А. Включение субъективных представлений эксперта в процедуру кластеризации. Труды Третьей Всероссийской научной конференции "Нечеткие системы и мягкие вычисления "НСМВ-2009, Волгоград, 21-24 сентября 2009 г. Т.2.

3. [Ребрин, 2000] Ребрин Ю.И. Основы экономики и управления производством Конспект лекций, Таганрог: Изд-во ТРТУ, 2000.

4. [Шах, 1981] Шах А.Д. Организация, планирование и управление предприятием хим. Промышленности, 1981.

Размещено на Allbest.ru


Подобные документы

  • Исследование технологического процесса по производству газобетона. Модель "как будет" процесса диагностирования состояния технологического процесса производства газобетона с учетом системы поддержки принятия решений. Прототипирование интерфейса СППР.

    дипломная работа [4,8 M], добавлен 17.06.2017

  • Обслуживание двух встречных потоков информации. Структура информационных систем. Разработка структуры базы данных. Режимы работы с базами данных. Четыре основных компонента системы поддержки принятия решений. Выбор системы управления баз данных.

    курсовая работа [772,0 K], добавлен 21.04.2016

  • Классификация систем поддержки принятия решений. Сравнительный анализ методик для оценки рисков розничного кредитования. Структура системы поддержки принятия решений, формирование начальной базы знаний. Проектирование базы данных информационной системы.

    дипломная работа [1,9 M], добавлен 10.07.2017

  • Методы решения проблем, возникающих на стадиях и этапах процесса принятия решений, их реализация в информационных системах поддержки принятия решений (СППР). Назначение СППР, история их эволюции и характеристика. Основные типы СППР, области их применения.

    реферат [389,3 K], добавлен 22.11.2016

  • Основные модели представления знаний. Системы поддержки принятия решений. Диаграмма UseCase. Разработка базы данных на основе трех моделей: продукционные правила, семантическая сеть, фреймовая модель. Программная реализация системы принятия решений.

    курсовая работа [715,1 K], добавлен 14.05.2014

  • Рассмотрение понятия и истории возникновения систем поддержки принятия решения. Приспособленность информационных систем к задачам повседневной управленческой деятельности. Понятие термина "интеллектуальный анализ данных". Методика извлечения знаний.

    реферат [79,8 K], добавлен 14.04.2015

  • Типы административных информационных систем: системы генерации отчетов, системы поддержки принятия решений, системы поддержки принятия стратегических решений. Сортировка и фильтрация списков в Microsoft Excel. Работа с базами данных в Microsoft Access.

    контрольная работа [6,0 M], добавлен 19.11.2009

  • Классификация методов анализа по группам. Сбор и хранение необходимой для принятия решений информации. Подготовка результатов оперативного и интеллектуального анализа для эффективного их восприятия потребителями и принятия на её основе адекватных решений.

    контрольная работа [93,2 K], добавлен 15.02.2010

  • Разработка алгоритмического и программного обеспечения для решения задачи поддержки принятия решений о выпуске новой продукции. Математическое обеспечение задачи поддержки принятия решений о выпуске новой продукции, основные входные и выходные данные.

    дипломная работа [943,0 K], добавлен 08.03.2011

  • Концепции хранилищ данных для анализа и их составляющие: интеграции и согласования данных из различных источников, разделения наборов данных для систем обработки транзакций и поддержки принятия решений. Архитектура баз для хранилищ и витрины данных.

    реферат [1,3 M], добавлен 25.03.2013

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.