Спосіб підтримки прийняття рішень у гірничому виробництві

Реферат: Спосіб підтримки прийняття рішень у гірничому виробництві включає збір технологічної і техніко-економічної інформації та передачу її на сервер, який містить систему управління базами даних (СУБД), збір інформації від датчиків контролю технологічних процесів та передачу її за допомогою корпоративної комп'ютерної мережі до бази даних (БД) сервера. Систему підтримки прийняття рішень (СППР) створюють із підсистеми формування запитів, підсистеми кластерного аналізу, підсистеми ідентифікації параметрів запізнювання технологічних процесів, підсистеми перевірки адекватності моделі, підсистеми оптимізаційного пошуку, підсистеми прогнозування та виводу інформації, підсистеми формування та аналізу знань, підсистеми коригування математичної моделі на основі знань. UA 68697 U (54) СПОСІБ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ У ГІРНИЧОМУ ВИРОБНИЦТВІ UA 68697 U UA 68697 U 5 10 15 20 25 30 35 40 45 50 55 60 Корисна модель стосується галузі автоматизації керування технологічними процесами відкритої розробки корисних копалин шляхом застосування інформаційної системи підтримки прийняття рішень (СППР). Спосіб прийняття рішень, запропонований у патенті, може бути застосований на гірничодобувних підприємствах чорної та кольорової металургії, при кар'єрному видобутку граніту, вапняку, вугілля, дорогоцінних металів та рідкісних матеріалів. Відомий спосіб підтримки прийняття рішень для керування якістю та собівартістю продукції підприємства [Patent US 6922684 Bl United States of America, Int. Cl. G06N5/04. Analytical-decision support system for improving management of quality and cost of a product / Bruce E.A., Gerald L.H., Craig I.P.; assignee NCR Corporation, Dayton, OH (US). - Appl. No 09/652974; Filed Aug. 31, 2000; Date of Patent Jul. 26, 2005] передбачає послідовний контроль та аналіз показників виробництва, починаючи від закупівлі матеріалів, виготовлення товару і до його реалізації кінцевому покупцю. Цей спосіб призначений оптимізувати технологічні процеси підприємств, які працюють у галузі проектування та виготовлення комп'ютерних компонентів. Крім того, основним критерієм керування з використанням даного способу є мінімізація частки бракованих комплектуючих, які потрапляють на ринок. Всю економічну інформацію накопичують у БД, потім вилучають необхідні дані та передають їх до підсистеми менеджменту та оперативного контролю за допомогою корпоративної комп'ютерної мережі. Однак такий спосіб прийняття рішень не придатний для вирішення спеціалізованих задач керування гірничим підприємством. Оптимізація за даним способом здійснюється за допомогою статично налаштованих математичних моделей, що не дозволяє його використовувати в умовах часткової невизначеності параметрів технологічного процесу за рахунок обмеженої продуктивності ЕОМ. Відомий інший спосіб підтримки прийняття рішень у гірничому виробництві, вибраний як прототип, реалізований у СППР в управлінні гірничо-збагачувальним залізорудним комбінатом, який включає збір технологічної і техніко-економічної інформації та передачу її на сервер, що містить СУБД, збір інформації від датчиків контролю технологічних процесів та передачу її за допомогою корпоративної комп'ютерної мережі до БД сервера [Назаренко В.М. Системы поддержки принятия решений в управлении горно-обогатительным железорудным комбинатом / В.М. Назаренко // Разраб. рудных месторождений. - 2002. - № 80. - С. 59-61]. Головним недоліком даного способу є обробка інформації в однопроцесорному режимі та відсутність засобів оптимізації параметрів підготовки гірської маси в кар'єрі шляхом аналізу статистики із технологічної БД. В основу корисної моделі поставлена задача удосконалення способу підтримки прийняття рішень у гірничому виробництві за рахунок застосування високопродуктивної технологічної бази даних, багатозадачних електронних обчислювальних машин з паралельним обробленням інформації, оптимізації розміру середнього шматка в кар'єрі гірничо-збагачувального комбінату (ГЗК), що приведе до безперебійної роботи кар'єру, підвищення експлуатаційних характеристик обладнання та зниження собівартості продукції підприємства. Поставлена задача вирішується тим, що у способі підтримки прийняття рішень у гірничому виробництві, який включає збір технологічної і техніко-економічної інформації та передачу її на сервер, що містить СУБД, збір інформації від датчиків контролю технологічних процесів та передачу її за допомогою корпоративної комп'ютерної мережі до БД сервера, згідно з корисною моделлю, СППР створюють із підсистеми формування запитів, за допомогою якої складають запити до БД та вилучають необхідні статистичні дані для аналізу; підсистеми кластерного аналізу, з використанням якої дані сортують, розбивають їх на окремі групи, скорочують обсяг статистичної вибірки та вибирають найбільш актуальні дані; підсистеми ідентифікації параметрів запізнювання технологічних процесів, за допомогою якої визначають час запізнювання між вхідними параметрами технологічного процесу та вихідними; генератора регресійних моделей, яким розраховують коефіцієнти рівняння та продукують математичну модель процесу; підсистеми перевірки адекватності моделі, якою контролюють правильність та оцінюють точність створеної математичної моделі; підсистеми оптимізаційного пошуку, якою здійснюють розрахунок параметрів математичної моделі та визначають екстремум згідно із заданим критерієм оптимальності; підсистеми прогнозування та виводу інформації, за допомогою якої дані про поточні технологічні показники зчитують із пристрою введення інформації, розраховують найбільш імовірні економічні результати при роботі в заданому режимі та візуалізують їх на пристрій виводу інформації; підсистеми формування та аналізу знань, якою забезпечують зворотний зв'язок із користувачем, зчитують інформацію про помилкові висновки, зроблені СППР, невірно встановлені функціональні залежності між параметрами технологічного процесу та зберігають ці корективи користувача до бази знань; 1 UA 68697 U 5 10 15 20 25 30 35 40 45 50 55 60 підсистеми коригування математичної моделі на основі знань, за допомогою якої на наступних ітераціях аналізу до математичної моделі залучають нові фактори технологічного процесу та їх функціональні залежності у правильному порядку; при цьому технологічні та техніко-економічні дані передають до підсистеми збору технологічної та техніко-економічної інформації, де їх накопичують та зберігають на сервері під керівництвом СУБД, потім їх вилучають підсистемою формування запитів та передають для подальшого сортування до підсистеми кластерного аналізу, потім оброблені дані передають генератору регресійних моделей та створюють набір рівнянь, які за допомогою підсистеми аналізу адекватності моделей оцінюють точність математичних рівнянь та вибирають найкраще з них, потім підсистемою оптимізаційного пошуку, використовуючи знайдене найкраще рівняння, шукають екстремум та визначають оптимальні параметри технологічного процесу, підсистемою прогнозування та виводу інформації оптимальні параметри візуалізують та представляють користувачу, отримують рекомендації щодо покращення показників виробництва, згідно із заданим критерієм; при цьому оброблення інформації за допомогою модулів виконують у багатозадачному режимі з використанням ЕОМ з паралельною архітектурою. Заявлений спосіб здійснюється таким чином. На кресленні представлена функціональна схема СППР. Показані інформаційні потоки відображають послідовність оброблення інформації. Різні служби підприємства, зокрема: геолого-маркшейдерський, технічний та планово-економічний відділи передають дані про технологічні параметри ділянок виробництва (1) до підсистеми збору технологічної інформації (2). Ця інформація містить всі необхідні відомості про фізико-механічні властивості руди, дані про параметри буро-вибухових робіт, дроблення негабариту, екскавації, транспортування та крупного механічного дроблення. Крім того дана підсистема (2) полегшує ручне введення інформації та представлення її в електронному вигляді. Після цього всі одержані дані та інформацію від датчиків контролю технологічних процесів за допомогою корпоративної комп'ютерної мережі надсилають до сервера БД. СУБД (3) реалізує основні функції зі зберігання, керування, забезпечення цілісності, безпеки та резервного копіювання інформації. Вона може бути побудована на базі реляційної СУБД, що підтримує роботу в мережі, забезпечує досить високий рівень захисту інформації та має потужну сервісну підтримку з боку розробника. Питання адміністрування бази даних покладені на обчислювальний центр гірничого підприємства. Всі інформаційні потоки із БД (4) реалізуються уніфікованою мовою запитів. За допомогою підсистеми формування запитів (5) вилучають необхідні відомості із технологічної БД (4). Дана підсистема повинна налагоджуватися для кожного підприємства індивідуально, оскільки БД різних гірничо-збагачувальних комбінатів мають свою власну архітектуру. Передбачається настроювання необхідних полів та таблиць БД та налаштування прав доступу. З використанням підсистеми кластерного аналізу (6) виконують сортування даних та розбиття статистичних записів на окремі групи, близькі за своїм змістом. Ця процедура здійснюється для скорочення обсягу статистичної вибірки та відбору найбільш актуальних даних. Для цієї мети застосовуються алгоритми кластеризації типу K-means (K-середніх). За допомогою підсистеми ідентифікації параметрів запізнювання (7) виконують кореляційний аналіз статистичних даних для визначення часу запізнювання між вхідними параметрами технологічного процесу і вихідними. Наприклад, при проведенні планування буровибухових робіт у кар'єрі гірничого комбінату, оцінити їх ефективність та встановити питомі витрати на видобування руди можна лише після деякого терміну. Поточна гірська маса після вибуху досягне першої секції збагачення тільки через декілька днів, тому в межах цілого виробництва встановлюють, вхідні параметри БВР якого вибуху зумовили теперішні економічні показники виробництва. Генератор регресійних моделей (8) є найбільш ресурсоємним елементом з точки зору обчислень. Особливістю даної СППP є те, що наперед відома математична модель не задається користувачем у явному вигляді, а створюється системою шляхом регресійного аналізу статистичних даних. Регресійне рівняння обчислюється за методом найменших квадратів. Такий підхід вигідно відрізняє даний спосіб прийняття рішень від прототипу, оскільки дозволяє створити універсальну on-line систему, яка працюватиме в режимі, близькому до реального часу, та з найбільш актуальними даними на сьогодні. Технологічні процеси в кар'єрі гірничого підприємства є багатофакторними та нелінійними, тому за допомогою вищезазначеного блока вирішують, які саме фактори (незалежні, предикторні змінні) слід врахувати при апроксимації залежностей. Як регресійне рівняння в системі беруть поліном Колмогорова-Габора другого порядку 2 UA 68697 U k Sx1, x 2 ,..., x k    0   i x i  i 1 5 10 15 20 25 30 k  ij x i x j , i 1; j  i де S - критерій оптимізації; xl, x2, ..., xk - незалежні предикторні змінні; βi, βij, - коефіцієнти регресії, одержані методом найменших квадратів. Підсистемою перевірки адекватності моделі (9) виконують аналіз залишків, перевіряють гіпотези про їх нормальний закон розподілу та оцінюють точність апроксимації. Для вибору 2 найкращого рівняння регресії застосовують методи всіх можливих регресій за критерієм R (коефіцієнтом детермінації) та RMSE (середньоквадратичною похибкою). З використанням підсистеми оптимізаційного пошуку (10) виконують пошук екстремуму критерію S. У разі, якщо регресійне рівняння після знаходження частинних похідних не дозволяє знайти розв'язок, то оптимальні параметри технологічного процесу визначають за допомогою генетичних алгоритмів. За допомогою підсистеми прогнозування та виводу інформації (11) дані про поточні технологічні показники зчитують із пристрою введення інформації, розраховують найбільш імовірні економічні результати при роботі в заданому режимі та візуалізують їх на пристрій виводу інформації. Якщо користувачу видають помилкові результати та невірні рекомендації, то користувач настроює причинно-наслідкові зв'язки між змінними, видаляє невірні функціональні залежності. Всі ці відомості передають потім до підсистеми формування та аналізу знань (12) і зберігають в базу знань (13) для подальшого використання. За допомогою підсистеми коригування математичної моделі на основі знань (14) у наступній ітерації аналізу вносять потрібні дані та корективи у розрахунки. Процес оптимізації повторюють доти, поки не буде отримана адекватна модель із статистичної точки зору та обґрунтована з точки зору технолога-експерта в даній області знань. Кінцеві рекомендації надають людині, що приймає рішення та безпосередньо керує технологічним процесом виробництва. При розв'язанні такої оптимізаційної задачі за участю великої кількості факторів (більше 20) та обмежень затрати часу можуть сягати декількох годин, а при застосуванні запропонованого способу на базі комп'ютерів із паралельною архітектурою тривалість цього аналізу можна скоротити у 1,5-2,5 рази. Відмінною рисою запропонованого способу є підтримка обробки інформації у багатозадачному режимі на ЕОМ з паралельною архітектурою. Попередній аналіз показав, що впровадження запропонованого способу підтримки прийняття рішень на гірничому підприємстві дозволить знизити загальні витрати на видобуток 1 т руди в середньому на 4-7 %, підвищити безперебійність кар'єру та збільшити продуктивність обчислень у 1,5-2,5 рази. ФОРМУЛА КОРИСНОЇ МОДЕЛІ 3540 45 50 55 Спосіб підтримки прийняття рішень у гірничому виробництві, який включає збір технологічної і техніко-економічної інформації та передачу її на сервер, який містить систему управління базами даних (СУБД), збір інформації від датчиків контролю технологічних процесів та передачу її за допомогою корпоративної комп'ютерної мережі до бази даних (БД) сервера, який відрізняється тим, що систему підтримки прийняття рішень (СППР) створюють із підсистеми формування запитів, за допомогою якої складають запити до БД та вилучають необхідні статистичні дані для аналізу; підсистеми кластерного аналізу, з використанням якої дані сортують, розбивають їх на окремі групи, скорочують обсяг статистичної вибірки та вибирають найбільш актуальні дані; підсистеми ідентифікації параметрів запізнювання технологічних процесів, за допомогою якої визначають час запізнювання між вхідними параметрами технологічного процесу та вихідними; генератора регресійних моделей, яким розраховують коефіцієнти рівняння та продукують математичну модель процесу; підсистеми перевірки адекватності моделі, якою контролюють правильність та оцінюють точність створеної математичної моделі; підсистеми оптимізаційного пошуку, якою здійснюють розрахунок параметрів математичної моделі та визначають екстремум згідно із заданим критерієм оптимальності; підсистеми прогнозування та виводу інформації, за допомогою якої дані про поточні технологічні показники зчитують із пристрою введення інформації, розраховують найбільш імовірні економічні результати при роботі в заданому режимі та візуалізують їх на пристрій виводу інформації; підсистеми формування та аналізу знань, якою забезпечують зворотний зв'язок із користувачем, зчитують інформацію про помилкові висновки, зроблені СППР, невірно встановлені функціональні залежності між параметрами технологічного процесу та зберігають ці корективи користувача до бази знань; підсистеми коригування математичної моделі на основі знань, за допомогою якої на наступних ітераціях аналізу до математичної моделі залучають нові фактори технологічного процесу та їх функціональні залежності у 3 UA 68697 U 5 10 правильному порядку; при цьому технологічні та техніко-економічні дані передають до підсистеми збору технологічної та техніко-економічної інформації, де їх накопичують та зберігають на сервері під керівництвом СУБД, потім їх вилучають підсистемою формування запитів та передають для подальшого сортування до підсистеми кластерного аналізу, потім оброблені дані передають генератору регресійних моделей та створюють набір рівнянь, після чого за допомогою підсистеми аналізу адекватності моделей оцінюють точність математичних рівнянь та вибирають найкраще з них, потім підсистемою оптимізаційного пошуку, використовуючи знайдене найкраще рівняння, шукають екстремум та визначають оптимальні параметри технологічного процесу, підсистемою прогнозування та виводу інформації оптимальні параметри візуалізують та представляють користувачу, отримують рекомендації щодо покращення показників виробництва згідно із заданим критерієм; при цьому оброблення інформації за допомогою модулів виконують у багатозадачному режимі з використанням електронної обчислювальної машини (ЕОМ) з паралельною архітектурою. Комп’ютерна верстка M. Мацело Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601 4