ИССЛЕДОВАНИЕ АНОМАЛЬНЫХ ПОКАЗАТЕЛЕЙ ПРОЦЕССА КОКСОВАНИЯ УГЛЕЙ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.57070/2304-4497-2022-4(42)-27-32Ключевые слова:
коксохимическое производство, коксовая батарея, уголь, машинное обучение, большие данные, коксовыталкиватель, нейронные сети, искусственный интеллектАннотация
На основе компьютерного моделирования и методов машинного обучения был составлен алгоритм подготовки и обучения. Данные взяты из технологических баз и журналов подготовки сырья для производства кокса. После проведения статистического анализа сделаны выводы, которые были приняты на производстве в реализацию. В условиях беспрерывного производственного процесса возможность своевременно выявлять дефекты в оборудовании и логистике напрямую влияет на экономический эффект. Любые области в современном мире имеют тенденцию в развитии технологий искусственного интеллекта и машинного обучения. Предприятия Новокузнецка (в том числе металлургические) активно ведут разработку роботов – подсказчиков и систем прогнозирования качества продукции. Искусственный интеллект связан с задачей использования компьютеров для понимания человеческого интеллекта. Это важное направление в построении человекоподобных систем. На рассматриваемом этапе развития машинного обучения стали использовать ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать задачи, так как это делал бы размышляющий над их решением человек. Относительно активно развивающихся систем информационных технологий металлургические процессы живут намного дольше, соответственно поиск решений для объединения знаний и опыта технологов и искусственного интеллекта является трудной, но интересной задачей для поиска возможных проблем на производстве. Выявление внештатных отклонений помогает избежать незапланированных простоев (экономических потерь). Статья является демонстрацией пути, который был пройден для объединения информационных технологий в области искусственного интеллекта и металлургии, а именно получение коксующихся углей на основе технологических показателей коксохимического производства.
Библиографические ссылки
Вегман Е.Ф.,Жеребин Б.Н., Похвиснев А.Н. и др. Металлургия чугуна / под ред. Ю.С. Юсфина. 3-е изд., перераб. и доп. Москва: ИКЦ «Академкнига», 2004. 774 с.
Начала металлургии / под ред. В. И. Коротича. Екатеринбург: УГТУ, 2000. 392 с.
Vasant Dhar. Data Science and Prediction // Communications of the ACM. 2013. Vol. 56. No. 12. P. 64–73.
Cox David R. Some procedures connected with the logistic qualitative response curve. Research Papers in Probability and Statistics (Festschrift for J. Neyman). London: Wiley, 1966. P. 55–71.
Бабарыкин Н.Н. Теория и технология доменного процесса. Магнитогорск: ИЦ МГТУ, 2009. 257 с.
Скляр М.Г. Интенсификация коксования и качество кокса.Москва:Металлургия, 1976. 256 с.
Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. Москва: Фазис, 2006.
Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999.
Анализ данных и процессов / А.А. Барсегян, С. Куприянов, И.И. Холод, М.Д. Тесс, С.И. Елизаров. Санкт-Петербург: БХВ-Петербург, 2009. 512 с.
Кацко И.А., Паклин Н.Б. Практикум по анализу данных на компьютере. Москва: КолосС, 2009. 278 с.
Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. Санкт-Петербург: Питер, 2017. 336 с.
Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python. Санкт-Петербург: Питер, 2018, 180 с.
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer-Verlag, 2009. 746 p.
Mitchell T. Machine Learning. McGraw-Hill Science/Engineering/Math, 1997.
Vapnik V.N. Statistical learning theory. N.Y.: John Wiley & Sons, Inc., 1998.
Bernhard Schölkopf, Alexander J. Smola Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge, MA, 2002.
Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques (Second Edition). Morgan Kaufmann, 2005.
Liang Wang, Li Cheng, Guoying Zhao. Machine Learning for Human Motion Analysis. IGI Global, 2009. 318 p.
Witten I.H., Frank E., Hall M.A. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2011.
Smith F.J. Data Science as An Academic Discipline // Data Science Journal. 2006. Vol. 5. No. 19. P. 163–164.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Александр Дмитриевич Байдалин

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.