Мультиагентна архітектура м’яких сенсорів на базі глибокого навчання для проактивного управління енергоефективністю рудовідновлювальних печей

UKR: Актуальність дослідження зумовлена високою енергоємністю виробництва феросплавів та обмеженими можливостями прямого моніторингу внутрішніх параметрів ванни рудовідновлювальних печей (РВП/SAF), що ускладнює ефективне управління технологічним процесом. Проблема полягає у домінуванні реактивних підходів до управління, які не забезпечують своєчасного реагування на зміну стану системи. Метою роботи є розроблення концепції інтелектуальної системи управління на основі мультиагентної архітектури з використанням «м’яких сенсорів». У дослідженні застосовано методи глибокого навчання, зокрема рекурентні нейронні мережі (LSTM/GRU), фізико-інформовані нейронні мережі (PINN) та підходи мультиагентної координації. У результаті запропоновано структуру системи, що включає спеціалізованих агентів за напрямами енергоефективності, технологічної безпеки та контролю хімічного складу, взаємодія яких забезпечується агентом-оркестратором. Отримані результати свідчать про можливість переходу до проактивного управління з горизонтом прогнозування 1–3 години, що дозволяє знизити питомі витрати електроенергії та підвищити безпеку функціонування печі. Встановлено, що інтеграція мультиагентного підходу та гібридних нейромережевих моделей забезпечує підвищення точності прогнозування та стабільності технологічного процесу.

ENG: The relevance of this study is determined by the high energy intensity of ferroalloy production and the limited ability to directly monitor internal bath parameters in submerged arc furnaces (SAF), which significantly complicates effective process control under conditions of uncertainty and noisy industrial data. Existing automated control systems are predominantly based on reactive strategies that focus on correcting already occurred deviations, leading to increased energy consumption and higher operational risks. Therefore, there is a growing need to implement proactive approaches capable of predicting system states and generating control actions in advance. The aim of this study is to develop a concept of an intelligent control system based on a multi-agent architecture using soft sensors to improve energy efficiency and operational safety. The research employs deep learning methods, including recurrent neural networks (LSTM/GRU), physics-informed neural networks (PINN), as well as multi-agent coordination and decision-making approaches. The proposed system architecture includes specialized agents focused on energy balance, thermal state monitoring, and technological process parameters, whose interaction is coordinated by an orchestrator agent responsible for synthesizing optimal control actions. The results demonstrate the feasibility of transitioning to proactive control with a prediction horizon of 1–3 hours, enabling reduction of specific energy consumption and mitigation of operational risks. In addition, the proposed approach provides improved robustness to noisy industrial data and enhances the interpretability of model outputs through the integration of explainable artificial intelligence techniques. It is established that the combination of a multi-agent approach with hybrid neural network models improves prediction accuracy, consistency of control decisions, and overall stability and reliability of the technological process in energy-intensive industrial environments.