Уважаемые посетители Портала Знаний, если Вы найдете ошибку в тексте, выделите, пожалуйста, ее мышью и нажмите Сtrl+Enter. Мы обязательно исправим текст!


Случайная цитата


Сегодня это действительно слишком просто: вы можете подойти к компьютеру и практически без знания того, что вы делаете, создавать разумное и бессмыслицу с поистине изумительной быстротой. (Дж. Бокс)

Инновационные технологии data science в металлургии

StatSoft демонстрирует инновационные достижения в области построении предиктивных моделей потребления электроэнергии в металлургии с помощью технологий AI/ML, классических и нейросетевых методов Statistica.

Снижение нерационального использования энергетических ресурсов, выявление скрытых факторов и связей влияющих на потребление энергоресурсов при плавке стали является актуальным для металлургических комбинатов.

На современных металлургических предприятиях накоплены большие объемы исторических данных по потреблению электроэнергии, относящиеся к конкретным плавкам.

На основе анализа исторических данных современными и классическими методами строятся высокоточные модели потребления электроэнергии.

При построении моделей следует рассматривать конкретная печь на конкретном заводе, которая имеет свои конструктивные особенности, футеровки и тд.

В качестве предикторов выступает большой массив переменных, включая марку стали, вес металлошихты, долю жидкого чугуна в шихте, длительность плавки без учёта межплавочных простоев, длительность работы печи под током, температуру, удельный расход природного газа, удельный расход кокса, удельный расход кислорода, удельный расход извести, удельный расход доломита, активность кислорода в металле, химический состав и др.

Коэффициенты вариации этих параметров варьируется в очень широких диапазонах и отличаются нестабильностью.

Исследования проводятся в Statistica с использованием широкого набора методов, реализованных, в частности, с использованием нейронных сетей.

Таблица предсказанных значений, построенных с помощью нейронных сетей Statistica для конкретной ДСП показана ниже:

Гистограмма остатков имеет вид:

Построенные модели могут быть сохранены в удобных форматах и внедрены в производство, далее использоваться при планировании потребления энергоресурсов при подготовке заявки на оптовом рынке электрической энергии и мощности.

Полностью кейс разбирается на курсах StatSoft.

Вопросы по построению предиктивных моделей можно задавать письменно по адресу vladimir@statsoft.ru или по телефонам StatSoft +7 (495) 787-77-33, +7 (906) 734-40-57.

Список литературы:

  1. Боровиков В.П. Нейронные сети Statistica, SNN, Москва, горячая линия телеком, 2008

  2. Боровиков В.П. Популярное введение в современный анализ данных и машинное обучение на Statistica, Москва, горячая линия телеком, 2019


В начало

Содержание портала