Operando el análisis de factores clave de un horno rotativo utilizando un modelo predictivo y explicaciones aditivas de Shapley
Autores: Mun, Seongil; Yoo, Jehyeung
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Operando el análisis de factores clave de un horno rotativo utilizando un modelo predictivo y explicaciones aditivas de Shapley
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Negocio de fundición
Níquel
Hornos rotativos
Hornos eléctricos
Temperatura de calcinación
CatBoost
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
El negocio global de fundición de níquel utilizando hornos rotativos y hornos eléctricos está expandiéndose debido al crecimiento del mercado de baterías secundarias. La operación eficiente de los hornos eléctricos requiere una temperatura de calcinación consistente en los hornos rotativos. La medición directa de la temperatura de la calcinación en los hornos rotativos presenta desafíos debido a inexactitudes y limitaciones operativas, y si bien las predicciones de IA son factibles, depender de ellas sin comprender los factores influyentes es arriesgado. Para abordar este desafío, se emplearon varios algoritmos, incluidos XGBoost, LightGBM, CatBoost y GRU para la predicción de la temperatura de la calcinación, siendo CatBoost el que logró el mejor rendimiento en cuanto a MAPE y MLSE. Los factores influyentes en la temperatura de la calcinación fueron identificados utilizando SHAP de XAI en el contexto del modelo CatBoost. SHAP evalúa de manera efectiva los impactos del modelo, teniendo en cuenta las interdependencias variables, y ofrece visualización en contextos de alta dimensionalidad. Dada la correlación y dimensionalidad de las variables que predicen la temperatura de la calcinación, SHAP fue preferido sobre la Importancia de las Características o PDP para el análisis. Al incorporar siete de los veinte factores operativos como el combustible del quemador y la velocidad de alimentación del reductor, las condiciones de combustión dentro del horno rotativo y las RPM, la temperatura de la calcinación aumentó de 840 grados Celsius en 2023 a 910 grados Celsius para octubre de 2024, reduciendo simultáneamente el consumo unitario de electricidad del horno eléctrico en un 7.8%. Las mejoras en el algoritmo CatBoost permitirán la provisión de valores de orientación después de optimizar variables clave. Se espera que al gestionar la temperatura de calcinación del horno rotativo de acuerdo con los valores de orientación del modelo predictivo permitirá la operación autónoma del horno rotativo mediante la introducción de valores de orientación en el PLC.
Descripción
El negocio global de fundición de níquel utilizando hornos rotativos y hornos eléctricos está expandiéndose debido al crecimiento del mercado de baterías secundarias. La operación eficiente de los hornos eléctricos requiere una temperatura de calcinación consistente en los hornos rotativos. La medición directa de la temperatura de la calcinación en los hornos rotativos presenta desafíos debido a inexactitudes y limitaciones operativas, y si bien las predicciones de IA son factibles, depender de ellas sin comprender los factores influyentes es arriesgado. Para abordar este desafío, se emplearon varios algoritmos, incluidos XGBoost, LightGBM, CatBoost y GRU para la predicción de la temperatura de la calcinación, siendo CatBoost el que logró el mejor rendimiento en cuanto a MAPE y MLSE. Los factores influyentes en la temperatura de la calcinación fueron identificados utilizando SHAP de XAI en el contexto del modelo CatBoost. SHAP evalúa de manera efectiva los impactos del modelo, teniendo en cuenta las interdependencias variables, y ofrece visualización en contextos de alta dimensionalidad. Dada la correlación y dimensionalidad de las variables que predicen la temperatura de la calcinación, SHAP fue preferido sobre la Importancia de las Características o PDP para el análisis. Al incorporar siete de los veinte factores operativos como el combustible del quemador y la velocidad de alimentación del reductor, las condiciones de combustión dentro del horno rotativo y las RPM, la temperatura de la calcinación aumentó de 840 grados Celsius en 2023 a 910 grados Celsius para octubre de 2024, reduciendo simultáneamente el consumo unitario de electricidad del horno eléctrico en un 7.8%. Las mejoras en el algoritmo CatBoost permitirán la provisión de valores de orientación después de optimizar variables clave. Se espera que al gestionar la temperatura de calcinación del horno rotativo de acuerdo con los valores de orientación del modelo predictivo permitirá la operación autónoma del horno rotativo mediante la introducción de valores de orientación en el PLC.