Сибирский федеральный университет

Перевод названия: ON NONPARAMETRIC MODELING ALGORITHMS OF BOF PROCESS

Тип публикации: статья из журнала

Год издания: 2016

Идентификатор DOI: 10.17073/0368-0797-2016-12-910-915

Ключевые слова: непараметрическая идентификация, априорная информация, дискретно-непрерывный процесс, безынерционный процесс, выборка наблюдений, анализ данных, кислородно-конвертерная плавка, non-parametric modeling, Priori information, discrete-continuous process, instantaneous process, sample of observations, data analysis, BOF process

Аннотация: 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. The problem of data pre-processing in the identi?cation of multidimensional discrete-continuous processes is considered. The main content of the paper is devoted to the method of generating working training sample from the initial one, represented by the data of the object normal operation. This step is very important in the non-parametric identi?cation of discreteontinuous processes. Non-parametric identi?cation algorithms belong to the class of local approximations of unknown stochastic dependencies. In nonparametric identi?cation the step of selecting an object model to the accuracy up to the parameter vector is absent. This approach takes place in the variety of real problems, because the priori existing information is not enough to determine the reasonable parametric model structure. The procedure presented below is similar to butsrtap based on the initial training sample, which re?ects the characteristics of the identi?ed object. Numerous computational experiments carried out by statistical modeling have showed high e?ciency of generation techniques discussed below which is laid into the foundation of the adaptive system mode-ling. In addition, it can automatically solve the problem of restoration an unknown stochastic dependence on the de?nition boundary of the relevant input-output object variables. The following technics and algorithms of nonparametric recovery stochastic dependencies were used to study the oxygen-converter process. A sample of observations made from passports of 176 low carbon oxygen steel melted by the contract at JSC “EVRAZ ZSMK” oxygen-converter workshop No. 2. New working sample which contains both the measurements and the generated data was formed according to the proposed methodology. Using the working sample makes it possible to increase the accuracy of the training simulation in 2-3 times.

Журнал: Известия высших учебных заведений. Черная металлургия

Выпуск журнала: Т. 59, № 12

Номера страниц: 910-915

ISSN журнала: 03680797

Место издания: Москва

Издатель: Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский технологический университет «МИСиС»

• Медведев А.В. (Сибирский государственный аэрокосмический университет им. академика М.Ф. Решетнева)
• Корнет М.Е. (Сибирский государственный аэрокосмический университет им. академика М.Ф. Решетнева)
• Чжан Е.А. (Сибирский федеральный университет)

• Ядро РИНЦ (eLIBRARY.RU)
• Список ВАК