Využití data miningu k optimalizaci řídicího modelu ohřívací pece

Mgr. Ing. Tomáš Tykva¹; doc. Ing. Ivo Špička, Ph.D.¹; Ing. Vendula Fialová²

Tento příspěvek se zaměřuje na stručný přehled teoretických a metodologických řešení sběru dat, která se používají pro optimalizaci řídicího modelu ohřívací pece. Uvádí se také použitelnost výstupů v praxi, zejména v kontextu měnících se požadavků na zpracování dat souvisejícími se stále častěji se uplatňujícím konceptem Průmyslu 4.0 založeným na získávání informací a znalostí, které často zůstávají skryté v provozních datech. Použití bohatství, které se právě často skrývá v provozních datech (například korelace mezi proměnnými, ale také náznaky technologické nekázně, nebo chyby v neautomatizovaném sběru a zaznamenávání dat), je základním předpokladem pro implementaci zásad Industry 4.0. Použitelnost modelování je také důležitá v obchodní praxi mimo oblast metalurgie. Článek zmiňuje problematiku nástrojů umělé inteligence, jsou zde stručně popsány právě ty, které lze s úspěchem využít při jednotlivých fázích procesu zpracování dat, zejména jde o nástroje hlubokého učení (tzv. deep learning – specificky pak možnosti analýzy textových informací, analýzy mluveného slova, analýza obrazu a simulace chytrého chování), dale je zde popsána možnost využití umělých neuronových sítí při vytváření modelů dynamických soustav (například EKF – tzv. Kalmanův filtr, dále DNN´s, což je hluboká neuronová síť používaná s úspěchem pro rozpoznávání mluvené řeči). Zajímavý pak je příklad využití umělé neuronové sítě pro predikci teploty v konkrétní ohřívací peci, který zachycuje, jak dokáže model, při jehož vytvoření byla využita právě umělá neuronová síť, predikovat teplotu pecního prostředí. S ohledem na to, že teplotu v peci nelze bez relativně vysokých nákladů (ty jsou dány náklady na termočlánky s omezenou životností, či jiné měřící nástroje a náklady na samotné měření) spolehlivě určit, je vhodné ji predikovat a k tomu právě takto vzniklý model může sloužit. Průběh teploty v ohřívací peci je například u normalizačního žíhání ve slévárnách dán technologickým předpisem a jeho nedodržení (příliš rychlé/pomalé ohřátí, nedodržená doba výdrže apod.) mohou mít zásadní vliv na kvalitu výsledného výrobku. Jedná-li se o pec pro předehřívání polotovarů pro další zpracování, může mít nižší/vyšší teplota polotovaru, než je dáno předpisem, taktéž vliv na kvalitu výrobku a výrazně také může ovlivnit životnost následné technologie (např. vyšším opotřebením válců či dopravníku).

Klíčová slova: umělá inteligence; data mining; zpracování dat; modelování

VŠB – Technical University of Ostrava, Faculty of Metallurgy and Materials Engineering, Department of Automation and Computing in Metallurgy, 17. listopadu 15/2172, 708 33 Ostrava-Poruba, Czech Republic
VŠB – Technical University of Ostrava, Faculty of Metallurgy and Materials Engineering, Department of Economics and Management in Metallurgy, 17. listopadu 15/2172, 708 33 Ostrava-Poruba, Czech Republic