Temperature prediction in electric arc furnace by the use of decision trees

• Autorzy: Wieczorek T. , Mączka K. , Gansty K.

Warianty tytułu

PL

Przewidywanie temperatury w elektrycznym piecu łukowym z zastosowaniem drzew decyzji

• Języki publikacji: EN

Abstrakty

EN

Decision trees arę one of the computing intelligence methods which proved to be very reliable as far as solving complicated multidimensional problems is concerned. Therefore, these methods are often used for extracting rules and to predict variables, what makes them useful for production automation. In this paper authors discuss the possibility of the use of decision trees for electric are steelmaking process. The main goal is to predict temperature in the electric are furnace by the use of decision trees. Proper automatic temperature prediction may reduce the number of temperature measurements during the process and consequently, it may shorten the time of the process. Optimization of production processes leads to real benefits, which is, for example, lowering costs of production. Calculations were done by the use of six types of regression decisions trees available in Statistica Data Miner software. The algorithms were examined considering the minimum error rate of temperature prediction, but also less complicated tree structure. The structure of a decision tree is also important owing to computational complexity.

PL

Drzewa decyzji są jednymi z metod inteligencji obliczeniowej, które okazały się niezawodne przy rozwiązywaniu skomplikowanych, wielowymiarowych problemów obliczeniowych. Dlatego też, metody te są często stosowane do ekstrakcji reguł oraz do przewidywania wartości zmiennych, co czyni je szczególnie użytecznymi w problemach automatyzacji produkcji. W niniejszej pracy autorzy zaprezentują możliwość zastosowania drzew decyzji podczas procesu elektrołukowego. Głównym celem jest predykcja temperatury w elektrycznym piecu łukowym przy użyciu drzew decyzji. Poprawne i automatyczne przewidywanie temperatury może pozwolić na redukcję liczby wykonywanych pomiarów podczas procesu, a co za tym idzie, może pozwolić na skrócenie czasu całego procesu. Optymalizacja procesu daje wymierne korzyści, którymi mogą być na przykład niższe koszty produkcji. Obliczenia wykonane zostały przy użyciu sześciu typów drzew regresyjnych dostępnych w pakiecie Statistica Data Miner. Algorytmy były testowane pod względem osiągania jak najmniejszego błędu predykcji temperatury, ale także pod względem jak najmniej skomplikowanej struktury drzewa, która jest także ważnym elementem pod względem złożoności obliczeniowej.

Słowa kluczowe

EN

friction electric arc furnace; temperature prediction; decision tree

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2011
• Tom: Vol. 11, No. 1
• Strony: 115--121
• Opis fizyczny: Bibliogr. 18 poz., rys.

Twórcy

autor

Wieczorek T.

autor

Mączka K.

autor

Gansty K.

• Department of Management and Computer Science, Faculty of Material Engineering and Metallurgy, The Silesian University of Technology, Krasińskiego 8, 40-019 Katowice, Poland,

Bibliografia

• Alexis, J., Ramirez, M., Trapaga, G., Jonsson, P., 2000, Modeling of a DC electric arc furnace - heat transfer from the arc, ISIJ International, 40 (11), 1089-1097.
• Billings, S., Boland, F., Nicholson, H., 1979, Electric arc furnace modeling and control, Automatica, 15 (2), 137-148.
• Blachnik, M., Mączka, K., Wieczorek, T., 2010, A model for temperature prediction of melted steel in the electric arc furnace (EAF), Lecture Notes in Computer Science, 4839,371-378.
• Boulet, B., Lalli, G., Ajersch, M., 2003, Modeling and control of an electric arc furnace, Proc. American Control Conf, Denver, IEEE Press, 3060-3064.
• Breiman, L., Friedman, J.H., Oslhen, R.A., Stone, C.J., 1984, Classification and Regression Trees, Wadsworth International Group, Belmont CA.
• Cameron, A., Saxena, N., Broome, K., 1998, Optimizing EAF operations by dynamic process simulation. Proc. of 56th Electric Furnace Conference, New Orleans, 689-696.
• Deneys, A., Peaslee, K., 1997, Post-combustion in the EAF - a steady-state model, Proc. of 55th Electric Furnace Conference, Chicago, 417-427.
• Hayman, C, Agarwal, S., Heyd, L., Gordon, I., 1997, A dynamic model for the optimization of the electric steel-making process, Proc. of 55th Electric Furnace Conference, Chicago, 409-415.
• Ichihashi, H., Shirai, T., Nagasaka, K., Miyoshi, T., 1996, Neuro-fuzzy ID3: a method of inducing fuzzy decision trees with linear programming for maximizing entropy and an algebraic method for incremental learning, Fuzzy Sets and Systems, 81, 157-167.
• Jankowski, N., Grabczewski, K., 2006, Learning machines. In: Guyon, I., Gunn, S., Nikravesh, M., Zadeh, L., (Eds), Feature Extraction, Foundations and Applications, Physica Verlag, Springer, Berlin, Heidelberg, New York.
• Matson, S., Ramirez, W.F., 1999, Optimal operation of an electric arc furnace. Proc. of 57th Electric Furnace Conference, USA, 719-730.
• Quinlan, J.R., 1993, C4.5 - programs for machine learning, Morgan Kaufman, San Mateo.
• Wieczorek, T., 2006, Intelligent control of the electric-arc steelmaking process using artificial neural networks, Computer Methods in Material Science, 6 (1), 9-14.
• Wieczorek T., Blachnik M., Mączka K., 2008, Building model for time reduction of steel scrap meltdown in the electric arc furnace. Lecture Notes in Artificial Intelligence, vol. 5097, 1149-1159.
• Wieczorek, T., Kordos, M., 2010, Neural Network-based Prediction of Additives in the Steel Refinement Process, Computer Methods in Material Science, 10, 9-14.
• Wieczorek, T., Mączka, K., 2008, Modeling of the AC-EAF process using computational intelligence methods, Electrotechnical Review, 11, 184-188.
• Wieczorek, T., Pilarczyk, M., 2008, Classification of steel scrap in the EAF process using image analysis methods, Archives of Metallurgy and Materials, 53 (2), 613-618.
• Wieczorek, T., 2008, Neuronowe modelowanie procesów technologicznych, Politechnika Śląska, Gliwice (in Polish).