Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

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

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

Materiały Budowlane

2023

nr 8

12--17

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.

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.

Accurate Location of Fiber Cable Fault with OTDR

Borzycki Krzysztof, Gajewski Paweł

Journal of Telecommunications and Information Technology

2021

nr 4

42--52

The paper reviews the factors limiting the accuracy of locating a fiber optic cable fault when using an optical time domain reflectometer (OTDR) and describes an error estimation method for typical use cases. The primary source of errors lies in the complex relationship between the length of the optical fiber (measured by OTDR), its routing, cable design depending on cable design and type of installation (i.e. duct, directly buried, aerial) as well as the spare lengths used for service purposes. The techniques which considerably improve the accuracy of the fault localization processes are presented, the importance of accurate documentation of the network and of referencing the fault location to the nearest splice instead of end of the line are discussed, as is the absence of cable helix factor in data sheets.