Codice SCL RmP
Specifiche del codice RMP 🎯 Obiettivo • Ottimizzare in automatico le percentuali delle 8 bilance (feeder) per mantenere i moduli chimici del clinker: • LSF (Lime Saturation Factor) • SM (Silica Modulus) • AM (Alumina Modulus) • Bilanciare produzione, costi e vincoli operativi in tempo reale. • Gestione AUTOMATICO/MANUALE con sempre 100% totale sui feeder. ⸻ 🔢 Input principali 1. Composizione ossidi dai materiali (CaO, SiO₂, Al₂O₃, Fe₂O₃, ecc.) 2. Setpoint dei moduli: LSF, SM, AM. 3. Stato delle bilance (abilitazione, min/max, portata). 4. Costi dei materiali (€/t). 5. Priorità di controllo (quale modulo ha precedenza). 6. Configurazioni dinamiche: • media mobile (finestra configurabile), • smoothing delle correzioni, • intervallo aggiornamento (secondi), • limiti di variazione percentuale. 7. Switch operatore (Manuale vs Automatico). 8. Abilitazione funzioni predittive. ⸻ 🧮 Logiche di calcolo 1. Calcolo moduli reali dai valori degli ossidi. 2. Errore = SP - PV per LSF, SM, AM. 3. Correzione feeder: • distribuzione basata su priorità, • rispetto min/max di ogni bilancia, • ridistribuzione iterativa intelligente. 4. Ottimizzazione costi: • selezione feeder più economici per correggere errori, • senza creare squilibri. 5. Controllo predittivo (MPC-like): • trend storico moduli, • correzioni proattive. 6. Rete neurale diretta: • predice i moduli da dati feeder. 7. Rete neurale inversa: • trova feeder ottimali dai moduli target. 8. Backtrack: • verifica e corregge se la rete porta fuori specifica. ⸻ ⏱ Gestione temporale • Timer implementati via OB35 (no TON). • Ogni intervallo configurabile → nuova correzione. • Timeout motori feeder. ⸻ 📊 Monitoraggio performance • Media mobile e deviazione standard degli errori. • Storico errori massimi. • Indicatori di prestazione per valutare stabilità. ⸻ ⚙️ Output • Percentuali feeder (sempre somma = 100%). • Stato sistema (Automatico / Manuale). • Indicatori prestazione e diagnostica. ⸻ 🧠 Inizializzazione rete neurale • Pesi iniziali random in range controllato. • Funzione di attivazione sigmoid. • Possibilità di inizializzare anche con valori costanti. • Addestramento con dati reali dal campo.
Prompt Text:
SYSTEM: Specifiche del codice RMP 🎯 Obiettivo • Ottimizzare in automatico le percentuali delle 8 bilance (feeder) per mantenere i moduli chimici del clinker: • LSF (Lime Saturation Factor) • SM (Silica Modulus) • AM (Alumina Modulus) • Bilanciare produzione, costi e vincoli operativi in tempo reale. • Gestione AUTOMATICO/MANUALE con sempre 100% totale sui feeder. ⸻ 🔢 Input principali 1. Composizione ossidi dai materiali (CaO, SiO₂, Al₂O₃, Fe₂O₃, ecc.) 2. Setpoint dei moduli: LSF, SM, AM. 3. Stato delle bilance (abilitazione, min/max, portata). 4. Costi dei materiali (€/t). 5. Priorità di controllo (quale modulo ha precedenza). 6. Configurazioni dinamiche: • media mobile (finestra configurabile), • smoothing delle correzioni, • intervallo aggiornamento (secondi), • limiti di variazione percentuale. 7. Switch operatore (Manuale vs Automatico). 8. Abilitazione funzioni predittive. ⸻ 🧮 Logiche di calcolo 1. Calcolo moduli reali dai valori degli ossidi. 2. Errore = SP - PV per LSF, SM, AM. 3. Correzione feeder: • distribuzione basata su priorità, • rispetto min/max di ogni bilancia, • ridistribuzione iterativa intelligente. 4. Ottimizzazione costi: • selezione feeder più economici per correggere errori, • senza creare squilibri. 5. Controllo predittivo (MPC-like): • trend storico moduli, • correzioni proattive. 6. Rete neurale diretta: • predice i moduli da dati feeder. 7. Rete neurale inversa: • trova feeder ottimali dai moduli target. 8. Backtrack: • verifica e corregge se la rete porta fuori specifica. ⸻ ⏱ Gestione temporale • Timer implementati via OB35 (no TON). • Ogni intervallo configurabile → nuova correzione. • Timeout motori feeder. ⸻ 📊 Monitoraggio performance • Media mobile e deviazione standard degli errori. • Storico errori massimi. • Indicatori di prestazione per valutare stabilità. ⸻ ⚙️ Output • Percentuali feeder (sempre somma = 100%). • Stato sistema (Automatico / Manuale). • Indicatori prestazione e diagnostica. ⸻ 🧠 Inizializzazione rete neurale • Pesi iniziali random in range controllato. • Funzione di attivazione sigmoid. • Possibilità di inizializzare anche con valori costanti. • Addestramento con dati reali dal campo.