YAPAY ZEKA TEKNİKLERİ İLE YÜKSEK FIRINDA TAHMİN VE ÖNERİ SİSTEMİ GELİŞTİRİLMESİ

Abstract

ÖZET

Yüksek Fırın (YF) üretim metodolojisi, çok değişkenli proses girdilerine ve uygun şekilde modellenmesi gereken değişkenliklere bağlı olduğundan, demir-çelik fabrikalarının en karmaşık proseslerinden biridir. Pahalı yatırım maliyetleri nedeniyle, genel yüksek fırın verimliliğini ve kararlılığını optimize etmek ve ayrıca kullanım ömrünü en üst düzeye çıkarmak için işletme giderlerini azaltarak, hammadde ve yakıt tüketim performansını artırarak yüksek fırını çalıştırmak çok önemlidir. Sıcak metalin kimyasal bileşimleri ve sıcaklığı, işlemi değerlendirirken önemli göstergeler olmasından dolayı, sonraki ölçümler yerine sıcak metal sıcaklığının gelecekteki değerleri önceden tahmin edilebilirse, yüksek fırın çalışanları yüksek fırını en iyi şekilde kontrol etmek için kok/cevher oranı, dağıtım matrisi, oksijen zenginleştirme oranı, yüksek nem oranı, geçirgenlik, alev sıcaklığı, soğuk hava sıcaklığı, soğuk hava akışı ve toz haline getirilmiş kömür enjeksiyon hızı gibi aşağıdakiler gibi çeşitli operasyonel parametreler üzerinde daha erken karşı önlemler alabilir. Bu çalışmada, en uygun proses girdileri ve sıcak metal sıcaklıklarının geçmiş gerçek değerleri kullanılarak seçilmesi ve fırın sıcak metal sıcaklığının izlenmesi ve tahmin edilmesi için NARX (Doğrusal olmayan otoregresif eksojen model) zaman serisi yaklaşımı ile birleştirilmiş Yapay Sinir Ağları (YSA) modeli önerilmiştir. 2 aylık operasyon sırasında Türkiye'de işletilen yüksek fırından toplanan veriler. Önceki makalelere kıyasla bu çalışmanın yeniliğini ve etkinliğini sağlayan şarj döngüsü ve fırının çalışma hızı gereksinimleri nedeniyle çeşitli veri madenciliği teknikleri uygulanmaktadır. ANN tahmin sonuçları, R2 (Belirleme Katsayısı), RMSE (Kök ortalama kare hatası) ve MAPE (Ortalama mutlak yüzde hatası) için sırasıyla 0,92, 8,59 ve 0,41 istatistiksel ölçümleriyle çok tatmin edici bulunmuştur. Ayrıca, fırının ısınma veya soğutma hareketlerinin durumuna orta vadede karar vermek ve operasyonel durumu sürdürmek için son tahmin edilen HMT değeri ve son 5 HMT değerlerinin ortalaması kullanılarak 5x5 olasılık matrisi tasarımı ile bulanık eğer-öyleyse kuralları kullanılarak bir uzman öneri sistemi önerilmiştir. eylemleri önceden etkileşimli olarak gerçekleştirilmiştir.

ABSTRACT

Blast Furnace (BF) production methodology is one of the most complex process of iron & steel plants as it is dependent on multi-variable process inputs and disturbances to be modelled properly. Due to expensive investment costs, it is critical to operate a BF by reducing operational expenses, increasing the performance of raw material and fuel consumptions to optimize furnace stability and efficiency at overall, and also to maximize the lifetime. The chemical compositions and temperature of hot metal are important indicators while evaluating the operation, therefore, if the future values of hot metal temperature can be predicted in advance instead of subsequent measuring, then the BF staff can take earlier counteractions on several operational parameters such as coke to ore ratio, distribution matrix, oxygen enrichment rate, blast moisture rate, permeability, cold blast flow, flame temperature, cold blast temperature and pulverized coal injection rate, etc. to control the furnace optimally. In this study, Artificial Neural Networks (ANN) model is proposed combined with NARX (Nonlinear autoregressive exogenous model) time series approach to track and predict furnace hot metal temperature by selecting the most suitable process inputs and past values of hot metal temperatures using the real data which is collected from the BF operated in Turkey during 2 months of operation. Various data mining techniques are applied due to requirements of charge cycling and operating speed of the furnace which secures novelty and effectiveness of this study comparing previous articles. ANN prediction results are found very satisfactory with statistical measures of 0.92, 8.59 and 0.41 for R2 (Coefficient of determination), RMSE (Root mean squared error) and MAPE (Mean absolute percentage error) respectively. Furthermore, an expert suggestion system is proposed using fuzzy if-then rules with 5x5 probabality matrix design using the last predicted HMT value and the average of the last 5 HMT values to decide furnace’s warming or cooling movements state in mid-term and maintain the operational actions interactively in advance.