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

Simple item page
dc.contributor.authorКонторович, Дмитро Радиславовичuk_UA
dc.contributor.authorОвчарук, Анатолій Миколайовичuk_UA
dc.contributor.authorЛедньов, Михайло Сергійовичuk_UA
dc.date.accessioned2026-05-12T11:52:50Z
dc.date.issued2026
dc.descriptionД. Конторович: ORCID 0009-0000-7910-2322; А. Овчарук: ORCID 0009-0004-2822-0782; М. Ледньов: ORCID 0009-0007-0554-0937uk_UA
dc.description.abstractUKR: 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.uk_UA
dc.description.abstractENG: 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.en
dc.description.sponsorshipПрАТ «ВЕГА ПЛЮС», Україна
dc.identifier.citationКонторович Д. Р., Овчарук А. М., Ледньов М. С. Мультиагентна архітектура м’яких сенсорів на базі глибокого навчання для проактивного управління енергоефективністю рудовідновлювальних печей. Сучасні проблеми металургії. Дніпро, 2026. № 29. С. 157–167. DOI: https://doi.org/10.34185/1991-7848.2026.01.11.uk_UA
dc.identifier.doihttps://doi.org/10.34185/1991-7848.2026.01.11en
dc.identifier.issn1991-7848 (Print)
dc.identifier.issn2707-9457 (Online)
dc.identifier.urihttps://journals.nmetau.edu.ua/index.php/mpm/article/view/2370en
dc.identifier.urihttps://crust.ust.edu.ua/handle/123456789/22211en
dc.language.isouk
dc.publisherУкраїнський державний університет науки і технологій, ННІ «Дніпровський металургійний інститут», ІВК ≪Системні технології≫, Дніпроuk_UA
dc.rightsCreative Commons Attribution 4.0 International Licenseen
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/en
dc.subjectенергетична оптимізаціяuk_UA
dc.subjectпредиктивна аналітикаuk_UA
dc.subjectфізико-інформоване моделюванняuk_UA
dc.subjectчасові рядиuk_UA
dc.subjectцифровий двійникuk_UA
dc.subjectінтерпретованість моделейuk_UA
dc.subjectпромислові процесиuk_UA
dc.subjectадаптивне управлінняuk_UA
dc.subjectenergy optimizationen
dc.subjectpredictive analyticsen
dc.subjectphysics-informed modelingen
dc.subjecttime seriesen
dc.subjectdigital twinen
dc.subjectmodel interpretabilityen
dc.subjectindustrial processesen
dc.subjectadaptive controlen
dc.subjectКЕМ ім. Гасікаuk_UA
dc.subject.classificationTECHNOLOGYen
dc.subject.classificationTECHNOLOGY::Information technologyen
dc.subject.classificationTECHNOLOGY::Chemical engineeringen
dc.subject.classificationTECHNOLOGY::Chemical engineering::Metallurgical process and manufacturing engineeringen
dc.titleМультиагентна архітектура м’яких сенсорів на базі глибокого навчання для проактивного управління енергоефективністю рудовідновлювальних печейuk_UA
dc.title.alternativeMulti-Agent Architecture of Soft Sensors Based on Deep Learning for Proactive Energy Efficiency Management of Submerged Arc Furnacesen
dc.typeArticleen

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Kontorovych.pdf
Size:
552.8 KB
Format:
Adobe Portable Document Format
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

№ 29 (СПМ)
Статті КЕМ ім. Гасика (ДМетІ)