Интеллектуальная система поддержки принятия решений на основе распознавания видеообразов фурменных очагов доменной печи

В статье представлен подход к созданию интеллектуальной системы прогнозирования в реальном времени состояний технологического процесса на основе анализа видеоряда изображений, получаемых в результате потоковой съемки видеокамерами, установленными на фурмах доменной печи. Предложены алгоритмы распознавания видеообразов фурменных очагов, а также сценарного прогнозирования эволюции технологических ситуаций. Приводится историческая справка о развитии методов автоматического управления доменным процессом, в частности, об использовании методов искусственного интеллекта. Исследование, результаты которого представлены в настоящей статье, направлены на получение возможности оперативно осуществлять анализ производственной ситуации и прогнозирование ее эволюции в ходе реального функционирования доменного процесса, что позволит в автоматическом либо автоматизированном режиме своевременно принимать решения по корректировке управления. На основе выявляемых закономерностей в изменении видеоданных и посредством разработанного авторами алгоритма анализа и прогнозирования динамики технологического процесса предложен метод раннего обнаружения тенденции возникновения определенных ситуаций на фурмах, в том числе — приводящих к дестабилизации технологического процесса в доменной печи. Новизна представленного подхода заключается в том, что прогнозируется не только состояние процесса в следующий момент времени, но также наиболее вероятная цепочка из нескольких последующих состояний. Алгоритмы прогнозирования реального времени основаны на построении и пополнении в ходе реального функционирования базы индуктивных знаний — закономерностей, выявляемых посредством интеллектуального анализа выявляемой информации. Для ассоциативного поиска закономерностей используются методы исследования марковских цепей, машинного обучения и вейвлет-анализа. Разработанные авторами алгоритмы могут быть применены в системах поддержки принятия решений по управлению доменным процессом. Приводятся результаты практических исследований, подтверждающие эффективность предложенного подхода.

1. Sibagatullin S. K., Kharchenko A. S., Beginyuk V. A. Processing Solutions for Optimum Implementation of Blast Furnace Operation / Metallurgist. 2014. N 58(3 – 4). P. 285 – 293. DOI: 10.1007/s11015-014-9903-5

2. Grachev Yu. M., Kac M. D., Davidenko A. M. A new approach to solving the problem of increasing the efficiency of blast-furnace smelting at the same time in terms of specific coke consumption and productivity / Metallurg. Gornorud. Promyshl. 2008. N 5. P. 142 – 145 [in Russian].

3. Shcherbakov V. P. Blast-furnace production basics. — Vladimir: Metallurgiya, 1969. — 213 p. [in Russian].

4. Yusfin Yu. S. Iron metallurgy. — Moscow: Akademkniga, 2004. — 774 p. [in Russian].

5. Spirin Kh. A. Model systems of decision support in the automated process control system of blast-furnace smelting of metallurgy. — Yekaterinburg: UrFU, 2011. — 462 p. [in Russian].

6. Gulina I. G., Kornienko V. I., Gusev A. Yu., Makienko V. G. Identification, prediction and control of a complex multi-connected control object / Sist. Obrab. Inform. 2012. N 9(107). P. 31 – 35 [in Russian].

7. Salyga V. I., Karabutov N. N. Identification and control of processes in the iron and steel industry. — Moscow: Metallurgiya, 1986. — 192 p. [in Russian].

8. Spirin Kh. A. Blast-furnace smelting control problems and information-modeling systems / Cognition of the processes of blast-furnace smelting. Collective monograph // V. I. Bolshakova and I. G. Tovarovskiy, Eds. — Dnepropetrovsk: Porogi, 2006. P. 322 – 344 [in Russian].

9. Gulina I. G. Adaptive ACS for a complex multi-connected control object with intelligent forecasting / Sist. Obrab. Inform. 2011. N 8(98). P. 57 – 62 [in Russian].

10. Nelles O. Nonlinear System Identification: From Classical Approaches to Neural and Fuzzy Models. — Berlin: Springer, 2001. — 785 p.

11. Vegman E. F., Zherebin B. N., Pokhvisnev A. N. Iron metallurgy: a textbook for universities. — Moscow: Metallurgiya, 1978. — 480 p. [in Russian].

12. Sorokin V. A. Complex automation of blast furnaces. — Moscow: Metallurgizdat, 1963. — 279 p. [in Russian].

13. Kitaev B. I., Yaroshenko Yu. G., Lazarev B. L. Blast furnace heat transfer. — Moscow: Metallurgiya, 1966. — 356 p. [in Russian].

14. Kazantsev C. B., Spirin Kh. A. On the application of pattern recognition methods for predicting the composition of cast iron in a blast furnace / Proc. of the IV All-Russian sci.-pract. conf. «Automation systems in education, science and manufacturing». — Novokuznetsk, 2003. P. 359 – 361 [in Russian].

15. Aizerman M. A., Braverman E. M., Rozonoer L. I. Potential function method in machine learning theory. — Moscow: Nauka, 1970. — 384 p. [in Russian].

16. Rastrigin I. A., Érenshtein R. Kh. Collective recognition method. — Moscow: Énergiya, 1981. — 80 p. [in Russian].

17. Carmichael J., Tyrion K., Goffin R. The evolution of modern blast furnace production and the introduction of progressive engineering solutions / Stal’. 2006. N 12. P. 8 – 14.

18. Druckenthaner H., Schurz B., Schaler M. Vairon blast furnace optimization / Steel Times. 2000. N 8. P. 290 – 293.

19. Expert control systems for blast-furnace smelting. https://www.researchgate.net/publication/326160639_Ekspertnye_sistemy_upravlenia_domennoj_plavkoj (accessed 22.08.2021).

20. Kazarinov L. S., Barbasova T. A. Identification Method of Blast-Furnace Process Parameters / Proc. of Int. Conf. for young scientists «High Technology: Research and Applications 2015 (HTRA 2015)», Key Engineering Materials. 2016. Vol. 685. P. 137 – 141.

21. RF Pat. N 2368853. Method for automatic control of the upper level of the slag phase and the interface between the slag and metal phases in a metallurgical furnace bath / Salikhov Z. G., Afanas’ev A. G., Ishmet’ev E. N., Salikhov K. Z., Oreshkin S. A.; applicant and owner Scientific and Ecological Enterprise Ltd. — N 2007119099/02; appl. 23.05.2007; publ. 27.09.2009. Byull. N 27 [in Russian].

22. Bakhtadze N., Lototsky V. Knowledge-Based Models of Nonlinear Systems Based on Inductive Learning / New Frontiers in Information and Production Systems Modelling and Analysis Incentive Mechanisms, Competence Management, Knowledge-based Production. — Heidelberg: Springer, 2016. P. 85 – 104.

23. Zhang C. N., Li Y. R. Optimization Analysis based on intelligent controlof the process of the plast furnace / Metallurgia. Zagreb. Chroatia. 2019. N 58. P. 7 – 10.

24. Matsuzaki S., Ito M., Motita A. Development of Blast Furnace Operation Data Visualization and Analysis Technology / Nippon steel technical report. 2020. N 123. P. 100 – 109. https://www.nipponsteel.com/en/tech/report/pdf/123-15.pdf

25. Kumar D. Optimization of blast furnace parameters using artificial neural network. National Institute of Technology Rourkela, India. 2015. — 44 p. https://core.ac.uk/download/pdf/80147603.pdf

26. Zhang Y., Sukhram M., Cameron I., Bolen J., Rozo A. / AISTech Conference Proceedings Industrial Perspective of Digital Twin Development and Applications for Iron and Steel Processes. 2020.

27. Agrawal R. and Suresh R. P. Improving Blast Furnace Operations Through Advanced Analytics / Springer Proceedings in Business and Economics, Applied Advanced Analytics // Arnab Kumar Laha, Ed. — Springer, 2021. P. 115 – 123.

28. Pan D., Jiang Z., Chen Z., Gui W., Xie Y., and Yang C. Temperature Measurement and Compensation Method of Blast Furnace Molten Iron Based on Infrared Computer Vision / IEEE Trans. Instr. Meas. 2019. Vol. 68. N 10. P. 3576 – 3588. DOI: 10.1109/TIM.2018.2880061

29. Lay-Ekuakille M. A., Ugwiri J., Okitadiowo, D., Chiffi C., Pietrosanto A. Computer Vision for Sensed Images Approach in Extremely Harsh Environments: Blast Furnace Chute Wear Characterization / IEEE Sens. J. 2021. Vol. 2021. DOI: 10.1109/JSEN.2021.3063264

30. Puttinger S., Stocker H. Improving Blast Furnace Raceway Blockage Detection. Part 3: Visual Detection Based on Tuyere Camera Images J-STAGE — an electronic journal platform managed by the Japan Science and Technology Agency (JST). 2019 Vol. 59. Issue 3. P. 481 – 488. ISIJ INT-2018 – 532. DOI: 10.2355/isijinternational

31. Salikhov Z. G., Ishmet’ev E. N. Automatic diagnostics of the operational state of dangerous (tuyere) zones of a pyrometallurgical unit / Izv. Vuzov. Cher. Met. 2010. N 11. P. 60 – 64 [in Russian].

32. Bakhtadze N. N., Salikhov Z. G., Donchan D. M. Predicting the state of processes based on video content analysis / Information technology and mathematical modeling of systems. — Moscow: Planeta+, 2018. P. 84 – 86 [in Russian].

33. Vapnik V. N. Statistical Learning Theory. — New York: John Wiley, 1998.

34. Jain A. Hough Transform. Fundamentals of Digital Image Processing. — Prentice-Hall, 1989. Chapter 9. https://homepages.inf.ed.ac.uk/rbf/HIPR2/hough.htm

35. Ghanem R., Romeo F. A wavelet-based approach for the identification of linear time-varying dynamical systems / J. Sound Vibration. 2000. Vol. 234. P. 555 – 576.