Online estimation of particle fineness in a dynamic separator in the grinding process

Abstract

Nas fábricas de cimento, a escassez de dados pertinentes entre análises laboratoriais dificulta a avaliação da qualidade do produto durante estes períodos de controlo do processo. Considerando o enorme consumo energético destas plantas, é fundamental aumentar a sua eficiência, mas tal não pode ser feito adequadamente com estas lacunas nos dados. O desenvolvimento de um método para a estimação contínua do resíduo do processo permite um melhor controlo da planta, redução do consumo de energia e maximização da produção e da qualidade do produto. Esta dissertação foca-se na estimação do parâmetro de qualidade da finura do cimento, relativamente ao qual há falta de equipamentos robustos para medição online. Não havendo mecanismos de estimação na literatura, são propostas três formulações inovadoras com o intuito de relacionar o resíduo com diferentes variáveis de processo através de modelação matemático-física. O trabalho realizado consistiu no desenvolvimento de três formulações para a estimação do resíduo com bases matemáticas e físicas sólidas, aumentando a robustez e a validade dos modelos. As equações foram calibradas através de diferentes algoritmos de otimização não linear: Levenberg-Marquardt, Particle Swarm Optimization e TAdam. O algoritmo Levenverg-Marquardt foi ligeiramente adaptado de forma a ser mais adequado para este problema, o algoritmo Particle Swarm Optimization foi testado para 27 combinações diferentes dos seus parâmetros, e o algoritmo TAdam para 4 valores diferentes da taxa de aprendizagem. O desempenho dos modelos foi avaliado utilizando dados laboratoriais reais e dados de processo, utilizando metodologias train-test split, envolvendo um total de 2220000 avaliações de convergência. Os resultados demonstraram uma melhoria contínua na estimação do resíduo, com Levenberg-Marquardt a revelar uma capacidade de convergência superior. No processo de treino, o melhor modelo apresentou valores para o erro relativo médio entre 4 e 6%, enquanto que no processo de previsão estes se situaram entre 5 e 7%. Adicionalmente, foram realizados testes de comparação de desempenho com um algoritmo de modelação de dados. Support Vector Regression foi utilizado para avaliar a existência de alguma margem de melhoria, tendo-se concluído que era inexistente para os dados disponíveis. Os resultados desta dissertação validam as formulações propostas. Como resultado de desenvolvimento e melhoria contínua, o último modelo provou ser adequado para estimar o resíduo do processo, contribuindo para solucionar a lacuna experienciada neste setor.

In cement plants, the lack of pertinent data between laboratory analyses hampers the appraisal of the product quality during intervening process control periods. Considering the immense energy consumption of these plants, increasing their efficiency is prominent, but it cannot be done adequately with these data gaps. Developing a method for continuous estimation of the process residue allows for better control of the plant, reducing energy consumption and maximizing production and quality of the product. This dissertation focuses on estimating the cement fineness quality parameter, which lacks robust online measurement equipment. Without estimation mechanisms in the literature, three innovative formulations are proposed to relate the residue with different process variables through mathematical-physical modeling. The conducted work consisted of developing three formulations for residue estimation with a solid mathematical and physical basis, thus increasing the robustness and validity of the models. The equations were fine-tuned via different non-linear optimization algorithms: Levenberg-Marquardt, Particle Swarm Optimization, and TAdam. Levenberg-Marquardt was slightly adapted to be more suitable to this problem, Particle Swarm Optimization was tested for 27 different setups, and TAdam for 4 different learning rate values. Model performance was assessed against real laboratory and process data using train-test splits involving a total of 2220000 convergence evaluations. Results demonstrated a progressive improvement in the models' estimation of the residue, with Levenberg-Marquardt revealing superior convergence capabilities. In the training process, the best model exhibited mean relative error values between 4 and 6%, and in the prediction process, between 5 and 7%. Moreover, it was performed comparison tests with a data-modeling algorithm. Support Vector Regression was used to determine any improvement margin, which was determined as inexistent for the available data. The results of this dissertation validate the proposed formulations. As a result of continuous development and improvement, the last model is proven suitable to estimate the residue of the cement grinding process, contributing to solving the void experienced in the sector.