W pracy omówiono tematykę modelowania adaptacyjnego procesów hutniczych z wykorzystaniem sztucznych sieci neuronowych (SSN). Skupiono się na rozwiązaniu dwóch głównych problemów występujących w trakcie modelowania tego typu procesów, którymi są: niestacjonarność procesu oraz zaburzenia występujące w danych uczących.
Niestacjonarność procesów hutniczych może być wynikiem zmian charakterystyk obiektów, w których te procesy przebiegają, zmian parametrów materiałów wsadowych bądź zmian strategii sterowania obiektem. Źródłami zaburzeń danych zbieranych na obiektach przemysłowych mogą być: operacje technologiczne przeprowadzane na obiekcie i nierejestrowanymi bezpośrednio w bazie danych, awarie sprzętu, błędy w pomiarze lub wprowadzaniu danych do systemu. Problem wpływu niestacjonarności procesu na jakość modelu opartego na SSN rozwiązano poprzez zastosowanie opracowanej metody adaptacji SSN. Przedstawiono przykład zastosowania tej metody w modelowaniu procesu zawiesinowego wytopu miedzi. Największym osiągnięciem pracy było opracowanie nowej metody uczenia SSN. Metoda ta wykorzystuje techniki statystyki odpornościowej i w znaczący sposób zmniejsza wpływ zaburzeń występujących w danych uczących na zbudowany model.
Adaptive modelling of nonstationary metallurgical processes with use of the artificial intelligence methods.
In this PhD thesis the subject of adaptive modeling of nonstationary metallurgical processes with use of the artificial neural networks (ANN) was discussed.
This work was concentrated on the solve of two main problems: nonstationary of the metallurgical processes and training industrial data disturbances.
The nonstationary of metallurgical processes can be the result of the changes of the characteristics of the objects in which these processes go on.
The sources of training data disturbances can be: non recorded in database technological operations or equipment failures.
The problem of influence of the process nonstationary on the quality of the ANN model was solved by the use of the proposed ANN adaptation method. The example of the use of this method in modelling the copper flash smelting process was introduced.
The largest achievement of present work was elaboration of the new ANN training method. This method uses the robust statistics techniques and reduces the influence of disturbances occurring in industrial training data on the built ANN model.
