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

• Autorzy: Śnieżyński Bartłomiej , Gajewski Paweł , Stępień Piotr , Roszczynialski Wojciech K. , Golonka Paulina , Wolski Grzegorz

Identyfikatory

DOI

10.15199/33.2023.08.03

Warianty tytułu

EN

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

• Języki publikacji: PL

Abstrakty

PL

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.

EN

The use of Artificial 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

PL

młyn kulowy; modelowanie pracy młyna; proces mielenia; sieć neuronowa sztuczna; SSN

EN

ball mill; mill action modelling; grinding process; artificial neural network; ANN

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Materiały Budowlane
• Rocznik: 2023
• Tom: nr 8
• Strony: 12--17
• Opis fizyczny: Bibliogr. 17 poz., il., tab.

Twórcy

autor

Śnieżyński Bartłomiej

• AGH Akademia Górniczo-Hutnicza, Wydział Informatyki, Elektroniki i Telekomunikacji, Instytut Informatyki

• https://orcid.org/0000-0002-4206-9052

autor

Gajewski Paweł

• AGH Akademia Górniczo-Hutnicza, Wydział Informatyki, Elektroniki i Telekomunikacji, Instytut Informatyki

• https://orcid.org/0000-0003-0931-2476

autor

Stępień Piotr

• AGH Akademia Górniczo-Hutnicza, Wydział Inżynierii Materiałowej i Ceramiki, Katedra Technologii Materiałów Budowlanych

• https://orcid.org/0000-0001-7340-6704

autor

Roszczynialski Wojciech K.

• Eurocement Consulting Group

• https://orcid.org/0009-0009-7096-4116

autor

Golonka Paulina

• Eurocement Consulting Group

• https://orcid.org/0009-0000-4823-5114

autor

Wolski Grzegorz

• Eurocement Consulting Group

• https://orcid.org/0000-0002-5721-0186

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, Instytut Cybernetyki Technicznej Politechniki Wrocławskiej, 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 D.C. 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 C.R., Silaghi H.M., Zmaranda D., Silaghi M.A. 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 A.V., Kaynak O. Neural network modeling and control of cement mills using a variable structure systems theory 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 i sterowania procesem przemiału cementu, Pomiary Automatyka Kontrola. 2011; R. 57, nr 2.
• [12] Goodfellow I., Bengio Y., Courville A. 6.5 Back-Propagation and Other Differentiation Algorithms. Deep Learning. MIT Press. 2016; pp. 200 - 220.
• [13] Lin T., Horne B.G., Tino P. & Giles C.L. 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 25th ACM SIGKDD international conference on knowledge discovery & data mining. 2019.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).