ВВЕДЕНИЕ
Искусственные нейронные сети, или нейронные компьютеры, появились практически одновременно с компьютерами Фон-неймановской архитектуры. Они являлись одной из возможных ветвей развития вычислительной техники. Но благодаря простоте реализации с помощью технических средств того времени в этой гонке победила Фон-неймановская архитектура, а нейронные сети на какое-то время были забыты. Но с совершенствованием технологии производства элементной базы и с достижением теоретических пределов производительности компьютеров с традиционной архитектурой о нейронных сетях вспомнили и в последнее время нейронные сети, и нейрокомпьютеры получили второе дыхание.
Идея нейронных сетей была позаимствована у природы, а точнее в качестве аналога использовалась нервная система животных и человека. Нервная система состоит из огромного количества достаточно простых элементов – нейронов. Каждый нейрон получает сигналы от тысяч других нейронов и передает обработанную информацию тысячам других нейронов по одному единственному выводу. Нейроны связаны между собой в достаточно сложную и идеально настроенную систему. Высокое быстродействие данной системы, пока не достижимое для современных компьютеров, обеспечивается за счет параллельности обработки информации. Сравнительно медленные нейроны обрабатывают входящую информацию одновременно, но благодаря большому их количеству достигается огромное быстродействие (табл. 1).
Длительный период эволюции придал мозгу человека много качеств, которые отсутствуют как в машинах с архитектурой фон Неймана, так и в современных параллельных компьютерах. К ним относятся:
- массовый параллелизм;
- распределенное представление информации и вычисления;
- способность к обучению и способность к обобщению;
- адаптивность;
- свойство контекстуальной обработки информации;
- толерантность к ошибкам;
- низкое энергопотребление.
Можно предположить, что машины, построенные на тех же принципах, что и биологические нейроны, будут обладать перечисленными характеристиками.
Интеллектуальные системы на основе искусственных нейронных сетей (ИНС) позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления.
Таблица 1. Машина фон Неймана по сравнению с биологической нейронной системой
| Машина фон Неймана | Биологическая нейронная система | |
| Процессор | Сложный | Простой |
| Высокоскоростной | Низкоскоростной | |
| Один или несколько | Большое количество | |
| Память | Отделена от процессора | Интегрирована в процессор |
| Локализована | Распределенная | |
| Адресация не по содержанию | Адресация по содержанию | |
| Вычисления | Централизованные | Распределенные |
| Последовательные | Параллельные | |
| Хранимые программы | Самообучение | |
| Надежность | Высокая уязвимость | Живучесть |
| Специализация | Численные и символьные oперации | Проблемы восприятия |
| Среда функционирования | Строго определенная | Плохо определенная |
| Строго ограниченная | Без ограничений |
Нейронные сети применяются для решения целого ряда задач, которые традиционными линейными методами трудно решаемы, или даже вообще не решаемы. На практике нейросети используются в двух видах – как программные продукты, выполняемые на обычных компьютерах, и как специализированные аппаратно-программные комплексы. В первом случае не используется встроенный параллелизм нейросетевых алгоритмов. Для многих задач, в т.ч. приложениях при анализе и обобщении баз данных, особенного быстродействия и не требуется: для них вполне хватает производительности современных универсальных процессоров. В этих приложениях используется исключительно способность нейросетей к обучению, к извлечению скрытых в больших массивах информации закономерностей. Для второй группы приложений – обработки сигналов в реальном времени, параллелизм нейровычислений является критическим фактором. Потребность в выполнении большого объема исследовательских работ и быстром функционировании появившихся прикладных систем привели к появлению специализированных вычислительных устройств для эффективного моделирования нейронных сетей – нейрокомпьютеров.
Перечислим основные задачи, решаемые нейронными сетями:
-Распределенная ассоциативная память;
-Распознавание образов;
-Адаптивное управление;
-Прогнозирование;
-Экспертные системы;
-Оптимизация (т.е. поиск максимума функционала при наличии ограничений на его параметры),
-Кластеризация, категоризация.
Эти задачи можно эффективно внедрять в космонавтике, механике, металлургии и т.д.
В настоящее время самые различные отрасли промышленности и народного хозяйства находятся в условиях нестабильности. Нестабильность характеризуется существенными нереализуемыми резервами в экономии затрат, связанными с издержками производства.
Без преувеличения можно сказать, что металлургия является одним из китов, на которых стоит современная технологическая цивилизация. Это положение делает её весьма привлекательной для внедрения новых технологий, способных ускорить исследования в направлении получения новых перспективных сплавов, повысить качество и безопасность способов получения выплавляемого металла, понизить его стоимость.
Наиболее сильно это проявляется в энергонасыщенном производстве, когда малейшее отклонение от оптимального режима сопровождается огромными экономическими издержками.
Один из начальных этапов производства стали – процесс подготовки железорудного сырья для выплавки металла (металлизация) сложен и зависит от огромного количества факторов, что требует постоянной и напряжённой работы оператора (диспетчера).
В процессе производства металлизованных окатышей имеются технологические ситуации, характеризующиеся частыми перестройками и переналадками, пусками и остановами шахтных печей, хаотичным изменением производительности, характеристик сырья, ограниченностью ресурсов во времени и энергоресурсов, непредсказуемостью целевых установок управления и т.д. Тем самым процесс является весьма перспективным для внедрения нейротехнологий.
1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ
1.1 ВЫБОР ОБЪЕКТА ИССЛЕДОВАНИЙ
1.1.1 Обзор процессов металлизации
Несмотря на масштабность производства стали по схеме "доменная печь – конвертер", в последние два десятка лет в мире наблюдается устойчивая тенденция развития процессов прямого получения железа и его последующего использования по схеме "шахтная печь металлизации - электродуговая печь" [1]. Причины такого резкого развития бескоксовой металлургии очевидны, не раз отмечались в литературе и в данной работе не рассматриваются.
Наиболее важными с точки зрения оценки состояния и перспектив развития рассматриваемой технологии получения первичного железа являются классификации по масштабам применения различных способов и по виду используемого для металлизации руды восстановителя (см. Приложение 1) [1,16].
Анализ различных способов металлизации предполагает определенную их классификацию по наиболее характерным признакам [1,15,16,17]. Достаточно полно различные способы могут быть представлены следующей классификацией: по физико-химическим основам технологических схем; по применяемым агрегатам; по виду используемой энергии; по виду восстановителя; по способам подготовки сырых материалов; по состоянию получаемого продукта (см. Приложение 3).
Кратко рассмотрим шесть основных процессов металлизации, которые стали традиционной технологией производства стали: "ХиЛ-I" "Мидрекс", "Пурофер", "Армко", "НСК" и "ХиЛ-Ш" (см. Приложение 2).
При разработке этих процессов основным стимулом было стремление получать железо (сталь) без применения коксующегося угля, который становился все более дефицитным, и создавать промышленные металлургические агрегаты без таких больших капиталовложений, какие необходимы в обычной коксовой металлургии.
Поскольку все эти процессы достаточно широко известны, здесь следует только отметить некоторые характерные различия между ними и попытаться объяснить, почему они получили такое разное признание.
Общим для всех процессов этой группы является то, что оксид железа в форме кусковой руды или окатышей, или их смеси, вводят в восстановительный реактор. При этом оказалось, что для точного управления работой реактора очень важное значение имеют гранулометрический состав, восстановимость или химический состав (содержание двухвалентного железа Fe2+, основность и т.д.), склонность к слипанию, склонность к разрушению, прочность на сжатие. Только специальная подготовка сырых материалов могла обеспечить удовлетворительный режим работы агрегатов и высокий коэффициент их использования.
Другим общим признаком технологических процессов рассматриваемой группы является применение природного газа для получения восстановительного газа, хотя во всех этих процессах может применяться (а отчасти и применяется) также и альтернативное сырье — нефть, коксовый газ и уголь (после его газификации). Однако по соображениям экономичности и (или) надежности эксплуатации основным сырьем при проектировании установок все же считался природный газ.
Общим для всех способов, кроме "ХиЛ-I," (см. П.2. Рис. 1.), является применение шахтной печи, причем только по способу "Мидрекс" удалось применить динамический газовый затвор без движущихся конструктивных элементов, а во всех остальных процессах используют повышенное давление газа в системе, вследствие чего нужны шлюзы для руды (аналогичные засыпным аппаратам доменных печей) и соответствующие устройства для выгрузки готового продукта [1,15].