Open Access (Artykuł w pliku PDF)

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

dr hab. inż. Bartłomiej Śnieżyński, AGH Akademia Górniczo-Hutnicza, Wydział Informatyki, Elektroniki i Telekomunikacji; Instytut Informatyki
ORCID: 0000-0002-4206-9052
mgr Paweł Gajewski, AGH Akademia Górniczo-Hutnicza, Wydział Informatyki, Elektroniki i Telekomunikacji; Instytut Informatyki
ORCID: 0000-0003-0931-2476
dr inż. Piotr Stępień, AGH Akademia Górniczo-Hutnicza, Wydział Inżynierii Materiałowej i Ceramiki, Katedra Technologii Materiałów Budowlanych
ORCID: 0000-0001-7340-6704
dr inż. Wojciech K. Roszczynialski, Eurocement Consulting Group
ORCID: 0009-0009-7096-4116
dr inż. Paulina Golonka, Eurocement Consulting Group
ORCID: 0009-0000-4823-5114
mgr inż. Grzegorz Wolski, Eurocement Consulting Group
ORCID: 0000-0002-5721-0186

Adres do korespondencji: Ten adres pocztowy jest chroniony przed spamowaniem. Aby go zobaczyć, konieczne jest włączenie w przeglądarce obsługi JavaScript. 

DOI: 10.15199/33.2023.08.03
Doniesienie naukowe

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-minutowymoknemwygładzania 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.
Słowa kluczowe: modelowanie pracy młyna; proces mielenia; Sztuczne Sieci Neuronowe.

Abstract.The use ofArtificialNeuralNetworks (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 themill, obtainedwith 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 parametersmonitored 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.
Keywords: mill modeling; grinding process; Artificial Neural Networks.

Literatura
[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 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 BreusegemV, 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, SilaghiMA. Control systemarchitecture 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 systems theory based on-line learningmechanism. 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. 6.5Back- -Propagation and Other Differentiation Algorithms. 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 & Mannel, 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:Anext-generation hyperparameter optimization framework. Proceedings of the 25thACMSIGKDD international conference on knowledge discovery & data mining. 2019.

Przyjęto do druku: 20.07.2023 r.

Materiały Budowlane 08/2023, strona 12-17 (spis treści >>)