Состав коллектива решающих правил

№	Число используемых признаков	Способ выбора подсистемы признаков	Метод обучения	Качество распознавания проверочных векторов (%)
1	24	эврист. алг.	на основе потенц. функций	86.1
2	30	эврист. алг.	на основе потенц. функций	85.7
3	38	эврист. алг.	на основе потенц. функций	84.6
4	30	эврист. алг.	на основе потенц. функций	83.6
5	33	эврист. алг.	на основе потенц. функций	86.3
6	36	эврист. алг.	на основе потенц. функций	87.4
7	41	эврист. алг.	на основе потенц. функций	86.5
8	33	эврист. алг.	на основе потенц. функций	85.5
9	36	эврист. алг.	на основе потенц. функций	86.6
10	27	эврист. алг.	комитет старшинства	72.6
11	30	эврист. алг.	комитет старшинства	72.9

В коллективное решающее правило вошли все перечисленные выше решения. Оценка эффективности прогнозирования с использованием коллектива решающих правил показала результат 81% правильного распознавания векторов экзаменующей выборки. Снижение результата при распознавании итоговой экзаменующей выборки по сравнению с результатами распознавания экзаменующих выборок отдельными решающими правилами вполне закономерно и объясняется различием способов формирования проверочных выборок для отдельных решающих правил (по таксономии) и для коллективного решающего правила (случайным образом). Полученная эффективность прогнозирования величины содержания кремния в чугуне является приемлемой и соответствует требованиям данного исследовании. На рисунке 7.13 приведено сопоставление прогнозных и фактических значений величины содержания кремния в чугуне.

Рисунок 7.13. График сравнения прогнозного и фактического значения величины содержания кремния в чугуне на примере 100 векторов (100 выпусков).

Алгоритм позволяет выполнять прогноз с вероятностью совпадения прогнозной величины с фактическим значением - 81% и может быть использован для повышения эфективности доменной плавки за счет выполнения своевременных корректировок теплового состояния доменной печи.

Реализация системы «Прогноз-тп» и описание пользовательского интерфейса

Система «Прогноз-ТП» предназначена для комплексного решения задачи прогнозирования и классификации технологических ситуаций на основе методов распознавания образов.

основные функции системы:

1. Получение данных для обработки непосредственно из баз данных

2. Обучение прогнозированию величины содержания кремния в чугуне в последующих выпусках на основе анализа информации о состоявшихся выпусках чугуна из доменной печи, выработка решающих правил.

3. Непосредственное прогнозирование теплового состояния доменной печи с использованием полученных ранее решающих правил.

4. Контроль качества прогноза и выработка рекомендаций о необходимости выполнения периодических обновлений используемых решающих правил.

Работа с системой начинается с создания новой или загрузки существующей конфигурации (рис. 7.14). Конфигурация содержит следующую настроечную информацию о сеансе работы программы и, в частности, о параметрах решаемой задачи:

• название и краткое описание конфигурации;

• информацию о последнем используемом массиве данных для обучения;

• информацию о последнем используемом массиве данных для рабочего распознавания;

• текущие настройки для каждого модуля системы;

• данные о решающих правилах, включенных в текущую задачу;

• данные о конфигурации коллектива решающих правил, используемого в задаче.

Рис. 7.14. Выбор рабочей конфигурации

Далее в меню программы можно выбрать один из двух вариантов работы:

1. обучение распознаванию и выработка решающих правил;

2. прогнозирование на основе имеющихся решающих правил.

Обучение классификации. Подпрограмма обучения предназначена для формирования новых решающих правил в результате проведения процедуры обучения на массиве данных, описывающих реализованные состояния изучаемого процесса.

Для работы с подпрограммой обучения в левом меню необходимо выбрать пункт «Обучение». Интерфейс данного модуля представлен двумя окнами:

• задание параметров;

• выполнение обучения.

На первой вкладке (рис.7.15) задаются следующие параметры обучения:

Рис. 7.15. Вид окна программы в режиме обучения – задание настроек

• массив обучающей выборки;

• способ выбора используемых признаков;

• число классов;

• метод обучения.

После запуска процедуры обучения программа переключается на вкладку «Выполнение обучения» (рис. 7.16). В поле «Ход обучения» отображается история итераций обучения с указанием текущего процента распознавания векторов обучающей выборки.

По завершении процедуры обучения выполняется контрольное распознавание векторов экзаменующей выборки и выдается информация об эффективности полученного решения. Если пользователя устраивает полученный результат обучения (% распознавания векторов экзаменующей выборки), то он имеет возможность сохранить это решение в виде файла решающего правила для последующего решения задачи прогнозирования. На этом процесс обучения может быть завершен.

Рис. 7.16. Вид окна программы в режиме обучения – выполнение обучения

Прогнозирование на основе имеющихся решающих правил. Подпрограмма прогнозирования позволяет выполнять прогноз, как с использованием отдельных решающих правил, так и коллективных.

Задание начальных данных для прогнозирования выполняется на вкладке «Установки» (рис. 7.17). Формирование коллектива РП доступно в блоке «Выбор решающих правил» путем включения решающих правил в коллектив и указанием параметра - «вес решающего правила» для каждого из них;

Ввод данных для распознавания выполняется путем загрузки информации из файла/таблицы БД. Также возможно ручное добавление и корректировка данных в блоке «Ввод данных для распознавания». Здесь же возможно задание названий параметров, используемых в решении задачи (кнопка «Редактировать названия»). После выполнения прогноза программа автоматически переключается на вкладку выдачи результатов «Распознавание/прогноз» (рис. 7.18)

Рис. 7.17. Вид окна программы в режиме распознавания (вкладка «Установки»)

Рис. 7.18. Фрагмент окна программы в режиме прогнозирования

(вкладка «Распознавание/прогноз»)

Таким образом, система «Прогноз-ТП» позволяет оперативно решать задачу прогнозирования технологического процесса, в данном случае – прогнозирования величины содержания кремния в чугуне на выпуске из печи.

Вопросы для самоконтроля к разделу 7.

1. Чем вызвана необходимость использования экспертных систем в доменном производстве?

2. Почему несмотря на сравнительно большую тепловую инерцию современных доменных печей возможно значительное отклонение режимных параметров плавки от заданных?

3. По каким признакам определяют нормальный режим работы доменной печи?

4. Перечислите параметры, характеризующие тепловое состояние доменной печи, признаки и меры борьбы с холодным и горячим ходами доменной плавки.

5. Перечислите виды нарушения устойчивости газового потока доменной печи. Какими признаками они характеризуются?

6. Перечислите признаки нарушения ровного схода шихты в доменных печах и методы восстановления нормального хода.

7. Какие основные подсистемы включает в себя структура экспертной системы доменной плавки? Укажите назначение основных подсистем.

8. Дайте общую характеристику базы знаний экспертной системы доменной плавки.

9. Какие виды диагностики нарушений доменной плавки определяет экспертная система?