Тімур ЖЕЛДАК, канд. техн. наук, доц
Національний технічний університет «Дніпровська політехніка», Дніпро, Україна
Ілля ЗІБОРОВ, асп.
Національний технічний університет «Дніпровська політехніка», Дніпро, Україна
Анотація
DOI: https://doi.org/10.17721/AIT.2023.1.07
Вступ. Розглянуто проблему розроблення дворівневої інформаційної технології підтримки прийняття рішень у прокатному металургійному виробництві, яка б охоплювала як рівень окремих технологічних операцій, так і рівень всього виробничого процесу, спираючись на його економічні показники. Основну увагу приділено обґрунтуванню структури системи підтримки прийняття рішень (СППР) та її функціям.
Методи. Використано методи аналізу та синтезу складних систем і побудови комплексних систем керування.
Результати. Запропоновано модульну структуру автоматизованої СППР для керування металургійним виробництвом із конвертерним способом виготовлення сталі, яка містить сім окремих програмних модулів і шість баз даних. Усі обчислювальні, оптимізаційні та рекомендаційні процеси відбуваються в окремих модулях СППР. Розроблено алгоритм і схему взаємодії модулів і баз даних підприємства, сформульовано вхідну та вихідну інформацію для кожного з модулів. Передбачено, що кожен із виділених модулів, крім організації інтерфейсу вводу-виводу, розв’язує певну оптимізаційну задачу, спрямовану на покращення глобального економічного критерію ефективності виробництва. Усі результати роботи окремих модулів розробленої системи виводяться через відповідні інтерфейси і носять рекомендаційний характер. Оператор може брати їх до виконання або ж виконати дії на власний розсуд. Обидва рішення – пропоноване і прийняте – зберігаються у відповідних базах даних.
Висновки. Загалом застосування запропонованої СППР до умов прокатного виробництва за широкого асортименту продукції дозволяє зменшити собівартість виплавленої сталі на 2,5–3,8 %, а готової продукції на 4,25–4,8 % за рахунок додаткового зменшення немірної продукції та кількості обрізків.
Ключові слова: інформаційна технологія, СППР, прокатне виробництво, прийняття рішень, інтеграція, бази даних, інформаційна взаємодія, структура системи.
Інформація про авторів
Тімур Желдак, канд. техн. наук, доц., завідувач кафедри системного аналізу та управління Національного технічного університету «Дніпровська політехніка».
Наукові інтереси: еволюційні обчислення, експертні системи, штучний інтелект, інтелектуальний аналіз даних.
Ілля Зіборов, асп., аспірант Національного технічного університету «Дніпровська політехніка».
Наукові інтереси: еволюційні обчислення, нейронні мережі, прийняття рішень, мережні технології.
Список використаних джерел
Опубліковано
2023-12-15
Як цитувати
Т. ЖЕЛДАК, І. ЗІБОРОВ “Структура та функції інтегрованої СППР у процесах керування багатоетапним прокатним виробництвом”, Сучасні інформаційні технології, vol.1, pp. 49–56, 2023.
Номер
Сучасні інформаційні технології № 1 (2), 2023
Розділ
Прикладні інформаційні системи та технології
- Технологічна інструкція ТІ 243-ТРЗ-01-2002. (2012). Виробництво сталевих безшовних труб на трубопрокатній установці «ТПА-200» у трубному цеху № 4. Дніпро: ВАТ «Інтерпайп-НТЗ».
- Технологічна інструкція. (2014). Технологічна інструкція по виробництву блюмів, заготівок і фасонних профілів в прокатному цеху № 1. Дніпро: ДМЗ ім. Петровського.
- Чертов, А. Д. (2003). Паралельний інжиніринг при безперервному вдосконаленні бізнес-процесів і базових систем управління в металургії. Металург, (7), 47–61.
- Самофалов, В. В., & Ходикін, В. Ф. (2011). Інформаційні технології як основа побудови системи управління металургійного підприємства. Моделювання регіональної економіки, (2), 77–85.
- Руденська, В. В., Левицький, С. І., & Михайлик, Д. П. (2016). Моделі інформаційної підтримки процесів інтеграції у металургійній галузі. Часопис економічних реформ, (4), 34–40.
- Рибалко, Л. П. (2015). Застосування сучасних корпоративних інформаційних систем в управлінні підприємствами. Науковий вісник Херсонського державного університету. Серія: Економічні науки, 15 (3), 82–85.
- Грабовський, Г. Г. (2003). Інтегровані автоматизовані системи керування товстолистовими прокатними станами (розвиток теорії, моделі, алгоритми): [Автореф. дис. д-р техн. наук: спец. 05.13.07 “Автоматизація процесів керування”]. Дніпро. Національний гірничий університет. ЗАКЛАД
- Різніченко, Л. В. (2009). Досвід впровадження корпоративних інформаційних систем управління на вітчизняних підприємствах. Вісник КДПУ ім. М. Остроградського, 4(57), Ч. 2, 184–189.
- Гейзер, Г. К. (2009). Проблеми підвищення ефективності внутрішньозаводського планування. Проблеми економіки та управління у промислових регіонах: Мат. Всеукр. наук.-практ. конф. (с. 111–112). Маріуполь, Маріупольський державний університет. ЗАКЛАД.
- Iancu, E., & Cibotariu, I. (2013). Theoretical and experimental research on the use of expert systems (ES) in assessing risks of failure in metallurgical companies. Metalurgija, 52(2), 279–281.
- Ganesh, R. (2010). Expert System Applications in Sheet Metal Forming. InTech. http://doi.org/10.5772/7074.
- Gefrerer, R., Kraft, G., Busch, S., Winterhalder, L., Garbracht, K., & Wiese, T. (2000). Supply Chain Management in the steel industry. Stahl-und-eisen, (120), 31–36.
- Shanmugam, S. P., Nurni, V. N., Manjini, S., Chandra, S., & Holappa, L. E. K. (2021). Challenges and Outlines of Steelmaking toward the Year 2030 and Beyond—Indian Perspective. Metals, (11), 1654. https://doi.org/10.3390/met11101654
- Zhou, D., Xu, K., Lv, Z., Yang, J., Li, M., He, F., & Xu, G. (2022). Intelligent Manufacturing Technology in the Steel Industry of China: A Review. Sensors, (22), 8194. https://doi.org/10.3390/s22218194
- Dering, D., Swartz, C., & Dogan, N. (2020). Dynamic modeling and simulation of basic oxygen furnace (BOF) operation. Processes, 8 (4), 483. https://doi.org/10.3390/pr8040483
- Fei, H., Xianyi, C., & Zhenghai, Z. (2022). Prediction of oxygen-blowing volume in BOF steelmaking process based on BP neural network and incremental learning. High Temp. Mater. Process, (41), 403–416. https://doi.org/10.1515/htmp-2022-0035
- Feng, K., Yang, L., Su, B., Feng, W., & Wang, L. (2022). An integration model for converter molten steel end temperature prediction based on Bayesian formula. Steel Res. Int, 93 (2). https://doi.org/10.1002/srin.202100433
- Hongwei, G., Jianliang, Z., Haibin, Z. & Xu, Z. (2009). Application of Clustering Algorithm to Blast Furnace Expert System. Int. Conf. on Advanced Computer Control, Singapore, (р. 171–175). https://doi.org/10.1109/ICACC.2009.80
- Zagoskina, E. V., Barbasova, T. A. & Shnaider, D. A. (2019). Intelligent Control System of Blast-furnace Melting Efficiency. Int. Multi-Conf. on Engineering, Computer and Information Sciences (SIBIRCON), Novosibirsk, 0710-0713. http://10.1109/SIBIRCON48586.2019.8958221
- Van De Putte, L., Haers, F., Haers, L., & Vansteenkiste H. (1999). Expert system for the control of liquid steel production at Sidmar. Rev. Met. Paris, 96 (6), 721–728. https://doi.org/10.1051/metal/199996060721
- Stein, E. W., Pauster, M. C. & May, D. (2003). A knowledge-based system to improve the quality and efficiency of titanium melting. Expert Systems with Applications, 24(2), 239. https://doi.org/10.1016/S0957-4174(02)00152-5
- Zarandi, M. H. F.; Avazbeigi, M.; Anssari M. H. & Ganji B. A Multi-Agent Expert System for Steel Grade Classification Using Adaptive Neuro-fuzzy Systems, 2010.
- Laha, D., Ren, Y., & Suganthan, P. N. (2015). Modeling of steelmaking process with effective machine learning techniques. Expert Systems with Applications, 42(10), 4687–4696. https://doi.org/10.1016/j.eswa.2015.01.030
- Xie, Q., Suvarna, M., Li, J., Zhu, X., Cai, J., & Wang, Х. (2021). Online prediction of mechanical properties of hot rolled steel plate using machine learning. Materials & Design, (197), 109201. https://doi.org/10.1016/j.matdes.2020.109201
- Hnatushenko V. V., Zheldak, T. A., & Koriashkina, L. S. (2021). Mathematical Model of Steel Consumption Minimization Considering the Two-Stage Billets Cutting. Naukovyi Visnyk Natsional’noho Hirnychoho Universytety, (2), 118–124. https://doi.org/10.33271/nvngu/2021-2/118
- Слєсарєв В. В., & Желдак, Т. А. (2013). Математична модель матеріально-теплового балансу плавки в кисневому конвертері та критерій її оптимізації. Науковий вісник Національного гірничого університету, (1), 97–102.
- Zheldak, T., Ziborov, I., Lyman, V., & Zhuk, A. (2021). Efficiency Improvement of the Algorithm Based on an Artificial Immune System Modeling Applied to Continuous and Combinatorial Problems. CEUR Workshop Proceedings, (3106), 82–95.