В статье говорится о модернизации и наладке процесса измельчения тонкодисперсного мела. Процесс дробления энергозатратная процедура, ежегодно тратится около 5% всей вырабатываемой на Земле энергии, в том числе энергия двигателей внутреннего сгорания. Это говорит о его большой значимости. Помимо затрат на электричество, большие расходы идут на ремонт оборудования. Наибольшие замены производятся на основные рабочие части машин. В ходе замен тратится много времени, для того, чтобы не расходовать этот довольно важный ресурс, необходимо к данной процедуре подходить с научной точки зрения. Организация и проведение исследований по замене основных рабочих частей дробилок и мельниц позволит увеличить производительность основного оборудования, улучшить качество готового продукта и уменьшить затраты на производство в плане энергосбережения. Модернизация и наладка технологического оборудование в целях усовершенствования процесса производства тонкодисперсного мела значительно увеличить срок службы основного оборудования. Для этого предлагается провести активный эксперимент. Перед проведением эксперимента, необходимо, задать модель. Классический регрессионный анализ основан на предположении, что вид модели априори задан с точностью до параметров, а также, что уже реализован эксперимент, поставляющий исходные данные для построения регрессии. Отсюда проблема сводится к выбору наилучшего метода обработки данных. В данной работе нами предлагается принципиально новый подход – автоматическое оценивание вариантов модели по комплексу показателей, в результате расчёта которого строится множество парето-оптимальных вариантов модели. Предложенный метод позволил выделить из 16384 альтернативных вариантов два наилучших. Очевидно, данный подход можно легко модифицировать для любого другого набора критериев качества регрессионной модели.

дробление, энергозатраты, регрессионный анализ, модернизация, наладка

1. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Книга 2. М.: Финансы и статистика, 1987. 351 с.

2. Furnival G.M., Wilson R.W. Regressijn dy leaps and bounds // Technometrics. 1974. № 16. P. 499–511.

3. Allen D.M. The prediction sum of squares as a criterion for selecting predictor variables // University of Kentucky, Department of Statistics, Technical Report. 1971. № 23.

4. Хартман К., Лецкий Э., Шеффер В. и др. Планирование экспериментов в исследовании технологических процессов. М.: Мир, 1977. 552 с.

5. Коробова Л.А., Толстова И.С., Лихушин А.П., Демина Ю.А. Алгоритм выбора дробильного оборудования для измельчения мела // Моделирование энергоинформационных процессов: сборник материалов IV и V Международных научно-практических интернет-конференций. 2017. С. 263–267.

6. Коробова Л.А., Толстова И.С., Демина Ю.А. Наладка технологического оборудования // Аллея науки. 2018. Т. 3. № 8 (24). С. 728–732.

7. Kuriakose S., Shunmugam M.S. Multi-objective optimization of wire-electro discharge machining process by non-dominated sorting genetic algorithm // Journal of materials processing technology. 2005. V. 170. № 1–2. P. 133–141.

8. Queipo N.V., Haftka R.T., Shyy W., Goel T. et al. Surrogate-based analysis and optimization // Progress in aerospace sciences. 2005. V. 41. № 1. P. 1–28.

9. Amanifard N., Nariman-Zadeh N., Borji M., Khalkhali A. et al. Modelling and Pareto optimization of heat transfer and flow coefficients in microchannels using GMDH type neural networks and genetic algorithms // Energy Conversion and Management. 2008. V. 49. № 2. P. 311-325. doi: 10.1016/j.enconman.2007.06.002

10. Zhang Y.P., Zhang Y.J., Gong W.J., Gopalan A.I. et al. Rapid separation of Sudan dyes by reverse-phase high performance liquid chromatography through statistically designed experiments // Journal of Chromatography A. 2005. V. 1098. №. 1–2. P. 183-187. doi: 10.1016/j.chroma.2005.10.024

11. Tarapata Z. Selected multicriteria shortest path problems: An analysis of complexity, models and adaptation of standard algorithms // International Journal of Applied Mathematics and Computer Science. 2007. V. 17. № 2. P. 269–287.