СТРУКТУРА ТА ФУНКЦІЇ ІНТЕГРОВАНОЇ СППР У ПРОЦЕСАХ КЕРУВАННЯ БАГАТОЕТАПНИМ ПРОКАТНИМ ВИРОБНИЦТВОМ
DOI:
https://doi.org/10.17721/AIT.2023.1.07Ключові слова:
інформаційна технологія, СППР, прокатне виробництво, прийняття рішень, інтеграція, бази даних, інформаційна взаємодія, структура системи.Анотація
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.Завантажити
Посилання
1. Chertov, А. Д. (2003). Parallel Engineering under Continuous Improvement of Business-processes and Base Control Systems in Metallurgy. Metalworker, (7), 47–61 [in Ukrainian].
2. 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
3. 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
4. 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
5. Ganesh, R. (2010). Expert System Applications in Sheet Metal Forming. InTech. http://doi.org/10.5772/7074
6. 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.
7. Geyzer G. K. (2009). Problems of the Intra-Plant Planning Efficiency Increase. Problems of Economics and Control in Industrial Regions: Proceeding of All-Ukrainian Scientific-Practical Conference. Mariupol, (p. 111–112). Mariupol State University [in Ukrainian].
8. Grabovsky, G. G. (2003). Integrated Automated Systems of the Thick Plates Rolling Mills Control (Theory, Development, Models, Algorithms): [Abstract of the DSc (Engin.) Thesis: Specialty. 05.13.07 “Control Processes Automation”]. Dnipro, National Mountain University [in Ukrainian].
9. 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
10. 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 (p. 171–175). https://doi.org/10.1109/ICACC.2009.80
11. 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.
12. 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
13. Riznichenko, L.V. (2009). Experience of Corporative Informational Systems Implementation at Domestic Enterprises. Herald of KDPU after Ostrogradskiy, 4(57), P. 2, 184–189 [in Ukrainian].
14. Rudenska, V. V., Levitskiy, S. I., & Mikhaylik, D. P. (2016). Information Support Models of the Integration Processes in Metallurgy Industry. Chronicles of Economic Reforms, (4), 34–40 [in Ukrainian].
15. Rybalko, L. P. (2015). Use of Modern Corporative Information Systems in Enterprise Management. Scientific Herald of the Kherson State University: Economic Sciences, 15 (3), 82–85 [in Ukrainian].
16. Samofalov, V. V., & Hodikin, V. F. (2011). Informational Technologies as a bases for creation of Metal Plant Control System. Regional Economics Simulation, (2), 77–85. [in Ukrainian]
17. 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
18. Slesarev V. V., & Zheldak, T. A. (2013). Mathematical Model of the Material-Heat Balance of Melting in Oxygen Converter and its Optimization Criteria. Scientific Herald of the National Mining University, (1), 97–102 [in Ukrainian].
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Сучасні інформаційні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
