Кластеризация однородных производственных объектов на основе анализа технологических данных при формировании алюминиевых сплавов | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 55. DOI: 10.17223/19988605/55/6

Кластеризация однородных производственных объектов на основе анализа технологических данных при формировании алюминиевых сплавов

Рассматривается применение метода классификационного кластерного анализа для осуществления разбиения некоторого множества однородных производственных объектов (литейных ковшей) по их формальным признакам на соответствующие кластерные группы (кластеры). При решении данной технологической задачи целесообразно использование метода кластеризации на основе оценки степени «отдаленности» химического состава исходного алюминия-сырца от установленных значений выбранной марки алюминиевого сплава в результате расчета метрических расстояний в пространстве состояний, что позволит снизить количество излишних эмпирических вариантов неправильной компоновки литейных ковшей.

Clustering of homogeneous production facilities based on the analysis of technological data in the formation of aluminum.pdf Ключевым вариантом модернизации действующего производственного процесса является совершенствование технологического этапа формирования алюминиевых сплавов в литейном отделении [1] с помощью определения необходимых вариантов сочетания доступных литейных ковшей на основе детального анализа технологических данных, отражающих действительные параметры химического состава разлитого алюминия-сырца в имеющемся наборе литейных ковшей. Так, совершенствование технологии производства алюминия является актуальной задачей и обусловлено отсутствием единого подхода к рационализации установившихся технологических процессов, а также связано с наличием избыточного количества циклов модификации алюминиевого расплава [2]. Многошаговая модификация расплава происходит в реальных условиях и зависит от уровня квалификации технологического персонала, т.е. является причиной неточных расчетов необходимых значений параметров смешивания содержимого из литейных ковшей, определяя техникоэкономические последствия неверно выбранных управляющих воздействий сотрудников литейного отделения [3, 4]. Все это приводит к повышению себестоимости производства, повышенному износу оборудования, сдвигу плановых сроков сдачи готовой продукции заказчикам и снижению конкурентоспособности промышленного предприятия на рынке цветных металлов [5, 6]. Одним из подходов для решения представленной проблемы является применение метода классификационного кластерного анализа для осуществления разбиения множества однородных производственных объектов (литейных ковшей) на кластерные группы (кластеры), соответствующие установленным требованиям реализации той или иной технологии выплавки алюминиевых сплавов с целью получения наиболее точных вариантов смешивания содержимого литейных ковшей и минимизации дополнительных корректировок формируемого химического состава алюминиевого сплава. Этот метод имеет все преимущества комбинационной группировки и открывает широкие перспективы его применения в многомерном статистическом анализе, классификации объектов, исследовании связей, типизации выборок, а также является эффективным и удобным инструментом в научно-практических исследованиях [7, 8]. При этом исходные технологические данные могут иметь значительный объем отличительных формальных признаков, однако необходимо учитывать только наиболее важные осо-45 С.Н. Калашников, Е.А. Мартусевич, Е.В. Мартусевич, И.А. Рыбенко бенности исследуемых объектов. Также к преимуществам кластерного анализа можно отнести возможность разделения объектов по ряду выбранных признаков или критериев с потенциалом последующей реализации программно-алгоритмического обеспечения на языке программирования высокого уровня. Кроме этого, в отличие от большинства математических методов, кластерный анализ не накладывает никаких ограничений на вид и происхождение изучаемых объектов, что позволяет исследовать объекты практически произвольной природы [9]. В частности, реализация метода кластерного анализа возможна с помощью различных алгоритмов, которые имеют собственные отличительные особенности и применяются авторами в зависимости от условий выбранной задачи, что обеспечивает нахождение наиболее рационального варианта разбиения доступного множества имеющихся объектов одного типа на несколько конкретных кластеров, образованных с использованием соответствующего алгоритма. Например, к таким алгоритмам относятся: метод K-средних, EM-алгоритм, алгоритмы семейства FOREL, метод нечеткой кластеризации C-средних, генетический алгоритм, иерархическая кластеризация [10]. Однако необходимо отметить, что не существует уникального алгоритма кластерного анализа объектов, который бы мог использоваться повсеместно и отвечал заданным условиям задачи, в том числе соответствовал требованиям быстродействия вычислительного оборудования, а полученные при этом результаты полноценно соотносились с практическими ожиданиями. Поэтому для достижения наилучшего результата кластеризации необходимо экспериментировать с выбором метрических расстояний и периодически менять используемый алгоритм. Так, в результате исследования существующих алгоритмов и перебора соответствующих подходов к расчету метрических расстояний возникла необходимость в формировании набора оценок значений метрического отклонения исходного химического состава алюминия-сырца в литейных ковшах относительно заданного химического состава установленной марки алюминиевого сплава. На основе полученных значений этих оценок разработан и протестирован алгоритм кластеризации технологических данных, позволяющий получить новые практические результаты, удобные для дальнейшей интерпретации и осуществления визуально-событийного анализа изменяющихся значений параметров химического состава алюминия-сырца при смешивании в сравнении с действующим эмпирическим методом компоновки литейных ковшей с целью принятия взвешенных решений технологическим персоналом. 1. Кластерный анализ литейных ковшей с алюминием-сырцом Для реализации анализа технологических данных с дальнейшим выделением классификационных групп литейных ковшей необходимо выбрать наиболее точные отличительные особенности, чтобы объекты, относящиеся к одному кластеру, отличались от объектов, принадлежащих другим кластерам. Сходство между объектами определяется через расстояние между их соответствующими точками в «-мерном пространстве, т.е. чем больше расстояние между точками, тем дальше друг от друга находятся исследуемые объекты, и, следовательно, чем меньше расстояние между точками, тем ближе располагаются рассматриваемые объекты. С целью определения расстояний между объектами в конкретной метрике необходимо сформировать уникальный вектор характеристик для каждого исследуемого объекта, например в виде некоторого набора числовых значений. Вектор характеристик приводится к определенному диапазону значений, описывающих основные признаки представленных объектов. При таком описании каждый признак дает одинаковый вклад при проведении расчетов метрических расстояний, определяя взаимосвязь между исследуемыми объектами, но при этом для каждой выбранной метрики необходимо учитывать исходные условия и действующие ограничения решаемой задачи [11]. Как правило, перед решением задачи кластеризации исходных объектов, количество кластеров заранее не известно и выбирается по субъективным критериям автора, занимающегося вопросами математического анализа. В общем случае применение классификационного кластерного анализа сводится к формализации и последовательному выполнению следующих алгоритмических этапов: 46 Кластеризация однородных производственных объектов на основе анализа технологических данных 1) формирование выборки необходимых объектов для кластеризации; 2) определение множества субъективных признаков для оценки объектов в выборке; 3) выбор метрики и вычисление значений расстояний (сходства) между объектами; 4) реализация алгоритма работы метода кластерного анализа для создания групп кластеров; 5) представление результатов проведенного анализа и их интерпретация. При этом после получения и анализа имеющихся результатов возможна корректировка выбранной метрики и сопутствующих исполняемых параметров метода кластеризации для получения наиболее точного решения поставленной задачи. Возвращаясь к вопросу решения технологических задач, связанных с формированием алюминиевого расплава, использование кластерного анализа является целесообразным, так как позволяет осуществлять разбиение доступных литейных ковшей на группы кластеров при помощи оценки химического состава расплава в некотором диапазоне значений с учетом установленных требований и ограничений. Таким образом, при анализе исходных технологических данных и имеющихся ограничений определены следующие кластеры литейных ковшей: 1) к первому кластеру относятся ковши с алюминием-сырцом, химический состав которых полностью соответствует заданным требованиям исходной марки алюминиевого сплава, т.е. значения химических элементов находятся в допустимых границах и их не нужно модифицировать; 2) ко второму кластеру относятся ковши с алюминием-сырцом, химический состав которых не совпадает с заданными требованиями исходной марки алюминиевого сплава, но значения концентраций химических элементов можно откорректировать либо путем смешивания, либо с помощью применения модифицирующих компонентов в виде лигатур и флюсов; 3) к третьему кластеру относятся оставшиеся литейные ковши с алюминием-сырцом, химический состав которых не может быть оптимально скорректирован доступными способами. Данные о химическом составе алюминия-сырца в литейных ковшах представлены в виде упорядоченных наборов значений X, отражающих концентрации химических элементов в разных алюминиевых расплавах, гдеX = (хі, Х2, ..., xn)T = (Fe, Si, Ti, Al, Cu, Zn, Mn, Mg, Pb, Sn)T Кластеризация литейных ковшей с алюминием-сырцом осуществляется на основе полученных с помощью соотношения Sk =| V|| оценок значений метрического отклонения Sk химического состава Xk алюминия-сырца в k-м литейном ковше с учетом заданного химического состава установленной марки алюминиевого сплава. Оценка метрического отклонения Sk химического состава Xk алюминия-сырца в k-м литейном ковше от заданного химического состава установленной марки алюминиевого сплава осуществляется с помощью вычисления значения нормы вектора Vk, т.е. Vk = (V1k,V2k, ..., Vnk)T, что соответствует соотношению 0 V* = iin(| min(|xik - x xi min ik при (Xk - Xi min )(Xik - Xi max ) ^ 0 Xi max |X при (|X,k - Ximin |, | X,k - Ximax |) > 0 (1) Компонентами Vik вектора Vk являются значения отклонений концентраций /-го химического элемента в k-м литейном ковше от допустимых значений согласно заданным требованиям марки формируемого расплава в миксере. Компоненты V/k формируются на основе функции Хевисайда [12] 0, X < 0, 1, X > 0 с помощью соотношения Vrk = (Ximin - Xi ЖXimin - Xi ) + (Xi - Ximax )0(x, - Ximax ) . (3) В конечном итоге в сформированных кластерах Sk принимает следующие значения: 1) Sk = 0, при соответствии содержимого алюминия-сырца заданной марке алюминиевого сплава (первый кластер); 47 С.Н. Калашников, Е.А. Мартусевич, Е.В. Мартусевич, И.А. Рыбенко 2) 0 < Sk < s , при незначительном несоответствии содержимого алюминия-сырца заданной марке алюминиевого сплава и возможности изменения текущего расплава до заданных значений концентраций химических элементов с помощью модифицирующих материалов и технологических операций (второй кластер); 3) Sk > 0, при несоответствии содержимого алюминия-сырца заданной марке алюминиевого сплава и отсутствии возможности модификации формируемого расплава до заданных значений концентраций химических элементов (третий кластер). В результате анализа технологических данных и интерпретации полученных результатов компоновки производственных объектов был разработан математический метод кластеризации доступного набора литейных ковшей, характеризующий степень «отдаленности» химического состава исходного алюминия-сырца от установленных значений выбранной марки алюминиевого сплава на основе расчета метрических расстояний в некотором пространстве состояний. 2. Интерпретация результатов кластеризации литейных ковшей по их химическому составу На рис. 1-3 представлен исходный вариант значений концентраций магния Mg (горизонтальная ось) и кремния Si (вертикальная ось) одной из марок алюминиевого деформируемого сплава для некоторого набора литейных ковшей. При этом установлено, что s = 0,2. Так, внутренний прямоугольник на рис. 1, а, 2, а, 3, а соответствует установленным требованиям заданной марки алюминиевого сплава, а область между ним и последующим прямоугольником соответствует первоначальным значениям концентраций Mg и Si в литейных ковшах, однако значения этих концентраций можно откорректировать путем смешивания или с помощью использования модифицирующих компонентов (лигатур и флюсов). Далее, на рис. 1, b, 2, b, 3, b, представлены значения метрического отклонения Sk концентраций химического состава Xk алюминия-сырца в k-м литейном ковше от установленного химического состава заданной марки алюминиевого сплава. На рис. 1 представлены значения концентраций Mg и Si во всех литейных ковшах, что полностью соответствует требованиям заданной марки алюминиевого расплава и выражается нулевыми значениями метрического отклонения Sk (первый кластер). si ■M* * * * % U11 я • ft * • * ft Mg 0 0 2 0, 4 0 6 0 8 1 2 1 4 1, в i 8 1 Si Mg 0,0 0 2 0 4 0 6 0 8 1 0 a b Рис. 1. Значения концентраций Mg, Si и метрических отклонений Sk(Mg) и Sk(Si) при соответствии содержимого алюминия-сырца заданным условиям марки деформируемого сплава Fig. 1. Values of concentrations of Mg, Si and metric deviations Sk(Mg) and Sk(Si) when the content of raw aluminum corresponds to the specified conditions of the grade of the wrought alloy 48 Кластеризация однородных производственных объектов на основе анализа технологических данных На рис. 2 представлены значения концентраций Mg и Si во всех литейных ковшах, что уже не соответствует требованиям заданной марки алюминиевого сплава и выражается ненулевыми значениями метрического отклонения Sk в границах квадратной области, но при этом значения концентраций этих химических элементов можно оптимально скорректировать (второй кластер). Аналогично на рис. 3 представлены значения концентраций Mg и Si во всех литейных ковшах, что также не соответствует требованиям заданной марки алюминиевого сплава и выражается ненулевыми значениями метрического отклонения Sk в границах несимметричной области, но при этом значения концентраций этих химических элементов нельзя скорректировать оптимальным образом (третий кластер). „ Л 1 2,0 ■ Si 1/8 • • * Ijl - • U,a * * * Mg 0 0 2 0, 4 0 6 0 s 1, 2 1 4 1, 5 1 s 1 n 1 si 0,0 4 0 О n 1 , о ° 9 ' Y i °Q _ Mg 0 0,2 0 4 0 6 0 8 1 0 a b Рис. 2. Значения концентраций Mg, Si и метрических отклонений Sk(Mg) и Sk(Si) при несоответствии содержимого алюминия-сырца заданным требованиям марки алюминиевого деформируемого сплава, но с возможностью оптимального модифицирования расплава Fig. 2. Values of concentrations of Mg, Si and metric deviations Sk(Mg) and Sk(Si) when the content of raw aluminum does not correspond to the specified requirements for the grade of aluminum wrought alloy, but with the possibility of optimal modification of the melt „ 0 1 si • » • • 1/8 • * * ■ ft « U, о * * § и • * Mg 0 0 2 0 4 0 6 0 8 1 2 1 4 1у в 1 8 Si ( } о 0A \\ : iо о о о О о О Mg 0 0 0 2 0 4 0, 6 0 8 1 0 a b Рис. 3. Значения концентраций Mg, Si и метрических отклонений Sk(Mg) и Sk(Si) при несоответствии содержимого алюминия-сырца заданным требованиям марки алюминиевого деформируемого сплава и без возможности оптимального модифицирования содержимого расплава Fig. 3. Values of concentrations of Mg, Si and metric deviations Sk(Mg) and Sk(Si) when the content of raw aluminum does not correspond to the specified requirements of the grade of aluminum wrought alloy and without the possibility of optimal modification of the content of the melt 49 С.Н. Калашников, Е.А. Мартусевич, Е.В. Мартусевич, И.А. Рыбенко В результате применение кластерного анализа позволило осуществить рациональное разбиение доступного набора литейных ковшей на три кластера с помощью детальной оценки химического состава исходного алюминия-сырца в рамках реализации выбранной технологии изготовления алюминиевых сплавов, исключив использование эмпирического подхода к компоновке литейных ковшей и уменьшив количество дальнейших корректировок формируемого химического состава алюминиевого расплава в миксере литейного отделения. Заключение В статье разработан и протестирован способ кластеризации литейных ковшей с алюминием-сырцом на основе применения математического аппарата, предназначенного для расчетов соответствующих метрических отклонений начальных значений концентраций химических элементов от установленных значений, определяемых выбранной маркой алюминиевого сплава согласно спецификациям портфеля заказов. Представленный способ кластеризации однородных объектов, рассмотренный в рамках алюминиевого производства, целесообразно использовать при реализации информационных программных комплексов, предназначенных для обработки большого массива данных в условиях непрерывно изменяющихся технологических процессов для мониторинга основных показателей производства и интеллектуального контроля управляющих воздействий технологического персонала.

Ключевые слова

технологические данные, химический состав, кластерный анализ, метрика, функция Хевисайда

Авторы

ФИООрганизацияДополнительноE-mail
Калашников Сергей НиколаевичСибирский государственный индустриальный университетдоцент, доктор технических наук, профессор кафедры прикладных информационных технологий и программированияs.n.kalashnikov@yandex.ru
Мартусевич Ефим АлександровичСибирский государственный индустриальный университетмладший научный сотрудник, аспирант кафедры прикладных информационных технологий и программированияprogram.pro666@yandex.ru
Мартусевич Елена ВладимировнаСибирский государственный индустриальный университеткандидат технических наук, доцент кафедры естественнонаучных дисциплин им. профессора В.М. Финкеляscience_nvkz@yandex.ru
Рыбенко Инна АнатольевнаСибирский государственный индустриальный университетдоцент, доктор технических наук, заведующая кафедрой прикладных информационных технологий и программированияrybenkoi@mail.ru
Всего: 4

Ссылки

Скуратов А.П., Шахрай С.Г., Фомичев И.В., Белянин А.В. Повышение экологической и энергетической эффективности производства алюминия // Исследование энергетической эффективности и экологических показателей оборудования алюминиевой промышленности. Красноярск : Сиб. фед. ун-т, 2018. 179 с.
Володькина А.А. Роль аналитических методов в металлургии алюминия // Молодежный вестник ИРГТУ. 2020. № 10 (1). С. 77-80.
Дмитрюк А.И., Григорьев А.А. Совершенствование технологии прессования алюминиевых заготовок // Заготовительные производства в машиностроении. 2020. Т. 18, № 8. C. 353-358.
Шестаков А.К., Садыков Р.М., Петров П.А. Состояние производства алюминия на начало 2020 года // Международный научно-исследовательский журнал. 2020. № 7-1 (97). С. 114-119.
Васечко Д.Ю. Конъюнктура мировых рынков меди и алюминия // Производство цветных металлов и сплавов. М. : Кабели и Провода, 2011. С. 10-12.
Александров А.В., Немчинова Н.В. Расчет ожидаемой экономической эффективности производства алюминия за счет увеличения применения глинозема отечественного производства // Вестник Иркутского государственного технического университета. 2020. Т. 24, № 2 (151). С. 408-420.
Хальцинова Ж., Требуна П. Методы кластерного анализа // Формирование экономического порядка. 2012. № 2 (30). С. 31-34.
Барышникова Н.А. Методика кластеризации на основе иерархических и неиерархических методов кластерного анализа // Вестник Таганрогского института управления и экономики. 2012. № 1 (15). С. 81-83.
Кельманов А.В. О сложности некоторых задач кластерного анализа // Журнал вычислительной математики и математиче ской физики. 2011. Т. 51, № 11. С. 2106-2112.
Тюрин А.Г., Зуев И.О. Кластерный анализ, методы и алгоритмы кластеризации // Вестник МГТУ МИРЭА. 2014. № 2 (3). С. 86-97.
Buhaienko Y., Globa L.S., Liashenko A., Grebinechenko M. Analysis of clustering algorithms for use in the universal data processing system // Открытые семантические технологии проектирования интеллектуальных систем. 2020. № 4. С. 101104.
Chikayama E. Decomposition of multivariate function using the Heaviside step function // SpringerPlus. 2014. № 3 (1). P. 1-11.
Skuratov, A.P., Shakhray, S.G., Fomichev, I.V. & Belyanin, A.V. (2018) Povyshenie ekologicheskoy i energeticheskoy effektivnosti proizvodstva alyuminiya [Improving the environmental and energy efficiency of aluminum production]. In: Issledovanie energeticheskoy effektivnosti i ekologicheskikh pokazateley oborudovaniya alyuminievoy promyshlennosti [Research of energy efficiency and environmental performance of equipment for the aluminum industry]. Krasnoyarsk: Siberian Federal University.
Volodkina, A.A. (2020) The role of analytical methods in aluminum metallurgy. Molodezhny Vestnik IrGTU- Young Researchers' Journal of ISTU. 10(1). pp. 77-80.
Dmitryuk, A.I. & Grigoriev, A.A. (2020) Enhancement of aluminum billets extrusion technology. Zagotovitel'nye proizvodstva v mashinostroenii. 18(8). pp. 353-358.
Shestakov, A.K., Sadykov, R.M. & Petrov, P.A. (2020) Sostoyanie proizvodstva alyuminiya na nachalo 2020 goda [The state of aluminum production at the beginning of 2020]. Mezhdunarodnyy nauchno-issledovatel'skiy zhurnal - International Research Journal. 7-1(97). pp. 114-119.
Vasechko, D.Yu. (2011) Kon"yunktura mirovykh rynkov medi i alyuminiya [The conjuncture of the world copper and aluminum markets]. In: Proizvodstvo tsvetnykh metallov i splavov [Production of non-ferrous metals and alloys]. Moscow: Kabeli i Provoda. pp. 10-12.
Aleksandrov, A.V. & Nemchinova, N.V. (2020) Calculation of the expected economic efficiency of aluminum production by increasing the use of domestic alumina. Vestnik Irkutskogo gosudarstvennogo tekhnicheskogo universiteta - Proceedings of Irkutsk State Technical University. 24 - 2(151). pp. 408-420. DOI: 10.21285/1814-3520-2020-2-408-420
Khaltsinova, J. & Trebuna, P. (2012) Cluster Analysis Method. Sever i Rynok. Formirovanie ekonomicheskogo poryadka - The North and the Market: Forming the Economic Order. 2(30). pp. 31-34.
Baryshnikova, N.A. (2012) Metodika klasterizatsii na osnove ierarkhicheskikh i neierarkhicheskikh metodov klasternogo analiza [Clustering technique based on hierarchical and non-hierarchical methods of cluster analysis]. Vestnik Taganrogskogo instituta upravleniya i ekonomiki - Bulletin of the Taganrog Institute of Management and Economics. 1(15). pp. 81-83.
Kelmanov, A.V. (2011) On the complexity of some cluster analysis problems. Zhurnal vychislitel'noy matematiki i matematicheskoy fiziki - Computational Mathematics and Mathematical Physics. 51(11). pp. 2106-2112.
Tyurin, A.G. & Zuev, I.O. (2014) Klasternyy analiz, metody i algoritmy klasterizatsii [Cluster analysis, methods and algorithms for clustering]. VestnikMGTUMIREA. 2(3). pp. 86-97.
Buhaienko, Y., Globa, L.S., Liashenko, A. & Grebinechenko, M. (2020) Analysis of clustering algorithms for use in the universal data processing system. Otkrytye semanticheskie tekhnologiiproektirovaniya intellektual'nykh sistem. 4. pp. 101-104.
Chikayama, E. (2014) Decomposition of multivariate function using the Heaviside step function. SpringerPlus. 3(1). pp. 1-11. DOI: 10.1186/2193-1801-3-704
 Кластеризация однородных производственных объектов на основе анализа технологических данных при формировании алюминиевых сплавов | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 55. DOI: 10.17223/19988605/55/6

Кластеризация однородных производственных объектов на основе анализа технологических данных при формировании алюминиевых сплавов | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 55. DOI: 10.17223/19988605/55/6