Czasopismo | MATERIAŁY BUDOWLANE | Rocznik 2023 - zeszyt 8

Wykorzystanie sieci neuronowych do modelowania pracy młyna kulowego w Cementowni WARTA S.A.

The use of neural networks to model the operation of a ball mill in Cementownia WARTA S.A.

10.15199/33.2023.08.03

nr katalogowy: 144600
10.15199/33.2023.08.03

Streszczenie

Zastosowanie Sztucznych Sieci Neuronowych (SSN) do sterowania procesem przemiału cementu jest w pełni uzasadnione ze względu na złożoność procesu mielenia oraz nieliniowość charakteryzujących go parametrów. Stabilna praca młyna uzyskana przy wsparciu samouczących się SSN może przełożyć się na minimalizację jednostkowego zużycia energii przy utrzymaniu właściwego stopnia rozdrobnienia. Jako dane wejściowe zasilające algorytm SSN wykorzystano wybrane parametry technologiczne monitorowane podczas pracy młyna kulowego pracującego w warunkach przemysłowych. Eksperymenty wykazały, że mały błąd predykcji dają modele uwzględniające małą liczbę parametrów, biorące pod uwagę dane wejściowe z krótszego okna czasowego i 30-minutowym oknem wygładzania danych wejściowych. Najlepsze konfiguracje sieci neuronowej pozwalają na predykcję parametrów pracy młyna ze średnim bezwzględnym błędem procentowym poniżej 5% dla horyzontu czasowego 10 min oraz poniżej 7% dla horyzontu czasowego 15 min

Abstract

The use ofArtificial Neural Networks(ANNs) to control the cement grinding process is fully justified, taking into account the complexity of the grinding process and the non-linearity of its parameters. Stable operation of the mill, obtained with the support of self-learning ANNs, may translate into minimization of unit energy consumption while maintaining the desired degree of fragmentation. As input data powering the ANN algorithm, selected technological parameters monitored during the operation of the ball mill in an industrial setting were used. Experiments have shown that models with a smaller number of parameters, taking into account input data from a shorter time window and a 30-minute input smoothing window, yield a smaller prediction error. The best configurations of the neural network allow for the prediction of the mill operation parameters with an average absolute percentage error of less than 5% for the time horizon of 10 minutes and less than 7% for the time horizon of 15 minutes.

Słowa kluczowe

Keywords

Bibliografia

[1] Sitkowska J, Duda J, Duczkowska-Kądziel A, Wasilewski M. Optymalizacja Procesu Przemiału Cementu na Przykładzie CEMENTOWNI ODRA S.A. 2015.
[2] Bursy G. Sterowanie neuronowe procesem przemiału cementu, Część 1 – Identyfikacja układu przemiałowego na przykładzie młyna pracującego w układzie zamkniętym z separatorem powietrznym, Prace Instytutu Szkła, Ceramiki, Materiałów Ogniotrwałych i Budowlanych. 2009; Tom R. 2, nr 3.
[3] Auer A. Model i identyfikacja procesów klasyfikacji i mielenia. „Zeszyty Naukowe Wyższej Szkoły Inżynierskiej w Opolu”, nr 26 „Elektryka”. 1978; 4.
[4] Rojek R. Model matematyczny procesu mielenia ciągłego w młynach bębnowych dla celów sterowania,InstytutCybernetykiTechnicznej PolitechnikiWrocławskiej, praca doktorska.Wrocław. 1976.
[5] Wrzuszczak J. Badania identyfikacyjne i ocena efektywności algorytmów sterowania adaptacyjnego obiektem z opóźnieniem na przykładzie młyna kulowego cementu, praca doktorska, Politechnika Wrocławska, Wrocław. 1998.
[6] Tsamatsoulis DC. Optimising the control system of cement milling: Process modeling and controller tuning based on loop shaping procedures and process simulations. Braz. J. Chem. Eng. 2014; 31: 155 – 170.
[7] Van Breusegem V, Chen L, Werbrouck V, Bastin G, Wertz V. Multivariable linear quadratic control of a cement mill: An industrial application. Control Eng. Pract. 1994; 2: 605 – 611.
[8] Costea CR, Silaghi HM, Zmaranda D, Silaghi MA. Control system architecture for a cement mill based on fuzzy logic. Int. J. Comput. Commun. Control. 2015; 10: 165 – 173.
[9] Zhao D, Chai T. Intelligent optimal control system for ball mill grinding process. J. Control Theory Appl. 2013; 11: 454 – 462.
[10] Topalov AV, Kaynak O. Neural network modeling and control of cement mills using a variable structure systemstheory based on-line learning mechanism. J. Process Control. 2004; 14: 581 – 589.
[11] Rojek R, Bursy G. Pewne aspekty wykorzystania sztucznych sieci neuronowych dla identyfikacji isterowania procesem przemiału cementu, Pomiary Automatyka Kontrola. 2011; R. 57, nr 2.
[12] Goodfellow I,BengioY,CourvilleA. 6.5Back- -Propagation and Other DifferentiationAlgorithms. Deep Learning. MIT Press. 2016; pp. 200 – 220.
[13] Lin T, Horne BG, Tino P & Giles CL Learning long-term dependencies in NARX recurrent neural networks. IEEE Transactions on Neural Networks. 1996; 7 (6): 1329 – 1338.
[14] Niedźwiecki M, Ciołek M. Generalized Savitzky-Golay filters for identification of nonstationary systems. Automatica. 2019; vol. 108, paper no. 108477.
[15] Le Thi, Nhung & Männel, Benjamin & Natras, Randa & Sakic, Pierre & Deng, Zhiguo & Schuh, Harald. Apply noise filters for better forecast performance in Machine Learning. 2022; 10.5194/egusphere-egu22-4039.
[16] Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G.,... & Chintala S, PyTorch. An imperative style, high-performance deep learning library. Advances in neural information processing systems. 2019; 32.
[17] Akiba T, et al. Optuna: A next-generation hyperparameter optimization framework. Proceedings of the 25thACM SIGKDD international conference on knowledge discovery & data mining. 2019. Badania współfinansowane przez Narodowe Centrum Badań i Rozwoju w ramach projektu „Opracowanie autorskiej technologii wytwarzania cementu w celu uzyskania produktu o ulepszonych parametrach jakościowych” w ramach działania 1.1 „Projekty B+R przedsiębiorstw” poddziałanie 1.1.1 „Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa” Programu Operacyjnego Inteligentny Rozwój na lata 2014-2020, współfinansowanego z Europejskiego Funduszu Rozwoju Regionalnego, numer umowy POIR. 01.01.01-00-0263/19/00.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


MATERIAŁY BUDOWLANE- e-publikacja (pdf) z zeszytu 2023-8 , nr katalogowy 144600 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


MATERIAŁY BUDOWLANE- e-zeszyt (pdf) 2023-8 licencja: Osobista Produkt cyfrowy Nowość	28.00 zł

Prenumerata

MATERIAŁY BUDOWLANE - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

300.00 zł

MATERIAŁY BUDOWLANE - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
MATERIAŁY BUDOWLANE - papierowa prenumerata roczna	300.00 zł brutto 277.78 zł netto 22.22 zł VAT (stawka VAT 8%)
MATERIAŁY BUDOWLANE - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

342.00 zł

MATERIAŁY BUDOWLANE - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
MATERIAŁY BUDOWLANE - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	456.00 zł brutto 422.22 zł netto 33.78 zł VAT (stawka VAT 8%)

456.00 zł

Zeszyt

2023-8

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma