Предсказательные модели процесса огневого рафинирования меди

В черновой меди, загрязненной примесями, резко снижены механические и электротехнические свойства, поэтому ее подвергают огневому рафинированию, а затем электролизу.

Выходом процесса огневого рафинирования является анодная медь.

Огневое рафинирование черновой меди проводится в отражательных рафинировочных печах, разогрев которых осуществляется за счет сжигания нефти, природного газа, угля при температурах от 1100 до 1200 С.

В процессе рафинирования меди снижается содержание примесей с 0,6…4,0 % до 0,3…0,5 % за счет удаления серы, железа, цинка, свинца и алюминия.

Практически полностью остаются в расплавленной меди примеси никеля, висмута, селена и теллура, золота, серебра, металлов платиновой группы.

Накопленные на предприятиях исторические данные по проведению позволяют применять методы машинного обучения и нейронных сетей Statistica для построения сложных предсказательных нелинейных моделей и оптимизации процесса рафинирования.

Данные модели предназначены для того, чтобы добиться рационального использования ресурсов на предприятии, выявлять скрытые факторы и связи влияющие на качество продукции, находить оптимальные режимы функционирования печей.

С помощью точных предиктивных моделей повышается эффективность производства без капитальных затрат в основное оборудование.

В этом состоит смысл цифровой революции и экономики 4.0.

Описание технологического процесса рафинирования

Технологический процесс огневого рафинирования черновой меди состоит из следующих основных стадий:

1. загрузка шихты
2. плавление
3. окисление
4. восстановление
5. розлив

Типичный график процесса рафинирования показан ниже:

Стадия окисления начинается с продувания расплава меди воздухом.

Окислительный процесс проходит за счет кислорода воздуха, вдуваемого в расплав меди через несколько фурм (диаметр 12–19 мм при давлении воздуха 1–2,5 ат.)

Необходимая концентрация кислорода в расплаве определяется температурой расплава, концентрацией примесей, гидродинамикой продувки жидкой ванны и др.

С одной стороны, необходимо обеспечить подачу кислорода с некоторым избытком для смещения равновесия реакций в прямом направлении, но это увеличивает продолжительность окисления и оказывает отрицательное влияние на механические, коррозионные и электрические свойства меди.

С другой стороны, недостаток кислорода снижает полноту перевода примесей в шлак.

Обычная емкость современных рафинировочных печей 100—250 т.

На предприятиях цветной металлургии накоплены большие базы исторических данных процессов рафинирования в различных условиях с разным составом шихты разных производителей.

Процесс рафинирования усложняется различным химическим составам шихты черновой меди от разных поставщиков.

Гистограммы состава черновой меди:

 Длительность стадии плавки:

Типичная задача, с которой сталкиваются на металлургических предприятиях: на основе накопленных данных и текущих фактических входных параметров необходимо разработать модель, которая строит оптимальное потребление газа с учетом технологических ограничений и состава шихты.

Построенная модель будет являться эталонном для ведения плавки плавильщиком, указывать критические отклонения от требуемых показателей, рационально использовать ресурсы.

Ключевым фактором являются нелинейные зависимости в данных огневого рафинирования.

Это означает, что нельзя применять классические линейные модели, в частности, методы линейного программирования, множественную регрессию для определения оптимальных режимов.

Требуется применять современные методы, включая нейронные сети и методы машинного обучения.

Построенные нейросетевые модели Statistica могут быть сохранены далее в удобных форматах и использоваться в MES системах предприятия (системах оперативного управления производством).

В настоящее время Statistica является одним из лидеров программного обеспечения в области data science и построения предиктивных моделей, нейронных сетей, алгоритмов машинного обучения и др., см. http://statsoft.ru/coordination/news/news_detail.php?ELEMENT_ID=1937

Постановка задачи 1. Предиктивные модели расхода природного газа

Одной из важных задач является построение предиктивных моделей расхода топлива при огневом рафинировании меди, в частности природного газа.

Предикторы модели: химический состав и массы шихтовых материалов черновой меди, способ укладки, массы прочих компонентов, которые загружаются в печь, температура, качество рафинирования, длительность отдельных этапов рафинирования и др.

Непрерывная целевая переменная: расход природного газа при заданных значениях независимых переменных.

Предиктивная модель строится в модуле Нейронные сети Statistica, также используется модуль деревьев классификации и регрессии.

На основе исторических данных строится предиктивная модель зависимости расхода природного газа для заданного качества рафинирования.

Данная модель позволяет выбрать оптимальное распределение расхода топлива на различных этапах процесса.

Нейронные сети имеют поразительную способность находить и извлекать полезную информацию (знания, правила и тенденции) из сложных, зашумленных и неточных данных. Они могут быть использованы для извлечения шаблонов и обнаружения трендов, которые задаются сложными математическими функциями, а также, если возможно, для построения моделей, используя аналитические или параметрические методы.

Нейронные сети способны достаточно точно предсказывать целевые значения для данных, не участвовавших в процессе обучения.

Эта способность также называется обобщающей способностью нейронной сети. Обладая такими характеристиками нейронные сети широко применимы при исследовании и решении реальных задачах в различных областях науки, бизнеса и промышленности.

Построение нейросетевых модели в Statistica проводится по шагам в последовательно открывающихся диалоговых окнах.

Диалоговое окно выбора переменных для построения предиктивной модели:

 Диалоговое окно выбора архитектуры сети:

 Диалоговое окно выбора функций активации:

 Окно анализа результатов и интерпретации модели:

 
Производительность нейронных сетей показывает, насколько хорошо сети могут предсказывать новые данные (т. е., данные, которые не использовались при обучении). Это есть так называемая обобщающая способность нейронной сети.

Обобщающая способность является одним из главных понятий в процессе обучения нейронных сетей.

 
Анализ чувствительности предоставляет информацию об относительной важности используемых входных переменных.

Важной возможностью улучшения производительности является формирование ансамблей нейронных сетей. Прогнозы сетей-компонент усредняются (или анализируются с помощью голосования) для формирования прогноза ансамбля. Чаще всего формированию ансамбля сопутствует повторный выбор данных. Эта возможность иногда позволяет значимо улучшить качество обобщения.

Постановка задачи 2. Предиктивные модели процесса окисления

Предикторы модели – химический состав, массы шихтовых материалов черновой меди, способ укладки шихты, массы прочих компонентов, которые загружаются в печь, качество рафинирования, температура расплава, концентрация кислорода, подаваемого в расплав, гидродинамика продувки жидкой ванны, длительность процесса  и др.

Непрерывная целевая переменная: концентрация кислорода.

На основе исторических данных на этапе окисления строится зависимость концентрации кислорода в расплаве от массы примесей в черновой меди.

Предиктивная модель строится в модуле Нейронные сети Statistica или в модуле Деревья классификации и регрессии.

 Методы машинного обучения позволяют провести всесторонний анализа результатов, провести анализ чувствительности, выделить наиболее значимые предикторы, внедрить модель в производство.

 Полностью кейс разбирается на курсах StatSoft.

Вопросы по построению предиктивных моделей с помощью нейронных сетей и технологий машинного обучения 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