Санкт-Петербургский горный университет, Санкт-Петербург, Россия:

Н. В. Васильева, доцент кафедры автоматизации технологических процессов и производств, канд. техн. наук, эл. почта: vasileva_nv@pers.spmi.ru

Э. Р. Федорова, ассистент кафедры автоматизации технологических процессов и производств, канд. техн. наук, эл. почта: fedorova_er@pers.spmi.ru

Ведение любого технологического процесса, в том числе и металлургического, обеспечивается работой системы управления, при этом образуется несколько потоков информации. Однако большая часть этой информации не востребована специалистами, поскольку возможности человека по обработке больших потоков информации ограничены. Показано, что управление технологическим процессом подвержено существенному влиянию человеческого фактора. Приведена методика обработки производственной информации, позволяющая персоналу более рационально использовать свой потенциал для управления техно логическим процессом. Рассмотрен подход к изучению металлургических процессов с помощью анализа косвенных показателей: спектральной плотности и автокорреляционной функции сигналов основных параметров технологического процесса. Приведен способ проверки эффективности управления автоматизированными системами управления (АСУ) основными материальными потоками. Практическое применение описанных приемов рассмотрено применительно к большому массиву данных оперативного контроля процесса плавки медно-никелевого сульфидного сырья в течение одних суток, при этом анализ выполнен на примере работы экипажей трех смен. Управление процессом разными операторами-технологами значительно отражается на качестве ведения процесса. Предложенная методика анализа большого массива данных оперативного контроля позволяет сократить влияние человеческого фактора до минимума. Принятая методика обработки экспериментальных данных позволяет интерпретировать полученные результаты для дальнейшего практического применения, разработки новых алгоритмов управления процессом и совершенствования существующей системы управления.

1. Кадыров Э. Д., Данилова Н. В. Оценка технологических параметров автогенных процессов // Автоматизация в промышленности. 2008. № 5. С. 24–26.
2. Васильева Н. В. Математические модели в управлении произ водством меди: идеи, методы, примеры. — М. : Инфра-М, 2020. — 194 с.
3. Спесивцев А. В. Металлургический процесс как объект изучения: новые концепции, системность, практика. — СПб. : Изд-во Политехн. ун-та, 2004. — 306 с.
4. Фомин К. В. Методика оценки спектральной плотности момента сопротивления на рабочем органе торфяного фрезерующего агрегата // Записки Горного института. 2020. Т. 241. С. 58–67. DOI: 10.31897/PMI.2020.1.58.
5. Зыков И. Е. Интеллектуальная система управления процессом плавки медного сульфидного концентрата в печи Ванюкова : автореф. … дис. канд. техн. наук. — М., 2008. — 26 с.
6. Данилова Н. В. Автоматизированная система управления процессом автогенной плавки медно-никелевого сульфидного сырья на основе нечеткой логики : автореф. … дис. канд. техн. наук. — СПб., 2010. — 20 с.
7. Костин Е. В. Автоматизация управления качеством конечных продуктов процесса Ванюкова : автореф. … дис. канд. техн. наук. — Норильск, 2013. — 21 с.
8. Спесивцев А. В. Интеллектуальная АСУ печи Ванюкова // Control engineering Россия. 2013. № 4. С. 86–91.
9. Васильева Н. В., Федорова Э. Р. Обработка большого массива данных оперативного контроля и подготовка его к разработке автоматизированной системы управления технологическим процессом // Промышленные АСУ и контроллеры. 2019. № 3. С. 3–9.
10. Vasilyeva N. V., Fedorova E. R. Statistical methods of evaluating quality of technological process control of trends of main parameters dependence // Journal of Physics: Conference Series. 2018. Vol. 1118. 012046. DOI: 10.1088/1742-6596/1118/1/012046.
11. Салихов З. Г., Спесивцев А. В., Москвитин Д. А., Сириченко А. В., Зыков И. Е. Количественная оценка качества управления металлургическим агрегатом // Цветные металлы. 2002. № 10. C. 89–92.
12. Box G., Kramer T. Statistical Process Monitoring and Feedback Adjustment – А Discussion // Technometrics. 1992. Vol. 34, Iss. 3. P. 251–267.
13. Box G., Narasimhan S. Rethinking Statistics for Quality Control // Quality Engineering. 2010. Vol. 22. P. 60–72.
14. Тынкачев А. Р., Бухнер А. В. Интеллектуализация производства — путь к эффективности // Промышленные АСУ и контроллеры. 2006. № 6. С. 8–11.
15. Абросимов А. А., Шеляго Е. В., Язынина И. В. Обоснование репрезентативного объема данных фильтрационно-емкостных свойств для получения статистически достоверных петрофизических связей // Записки Горного института. 2018. Т. 233. С. 487–491. DOI: 10.31897/PMI.2018.5.487.
16. Чернышов С. Е., Галкин В. И., Ульянова З. В., Макдоналд Д. И. М. Разработка математических моделей управления технологическими параметрами тампонажных растворов // Записки Горного института. 2020. Т. 242. С. 179–190. DOI: 10.31897/PMI.2020.2.179.
17. Kim J. S., Larsen M. D. Integration of Statistical Techniques into Quality Improvement Systems // Proceedings of the 41^st Congress of the European Organization for Quality. 1997. Vol. 2. P. 277–284.
18. Ustinov D. A., Baburin S. V. Influence by technological process onto mineral resources sector enterprise power supplies reliability parameters // International Journal of Applied Engineering Research. 2016. Vol. 11, Iss. 7. P. 5267–5270.
19. Bazhin V. Y., Danilov I. V., Petrov P. A. Development of automated system based on neural network algorithm for detecting defects on molds installed on casting machines // Journal of Physics: Conference Series. 2018. No. 1015. P. 1–6.
20. Aroian L. A., Levene H. The Effectiveness of Quality Control Charts // Journal of the American Statistical Association. 1950. Vol. 45. P. 520–529.
21. Beloglazov I. I., Petrov P. A., Gorlenkov D. V. Development of an Algorithm for Control Metallurgical Processes of Fluidized Roasting Using an Adaptive Controller // Journal of Physics: Conference Series. 2018. Vol. 1059. P. 012015.
22. Zhukovskiy Y. L., Korolev N. A., Babanova I. S., Boikov A. V. The probability estimate of the defects of the asynchronous motors based on the complex method of diagnostics // 2017 IOP Conference Series Earth and Environmental Science. Vol. 87, Iss. 3. P. 032055. DOI: 10.1088/1755-1315/87/3/032055.