Data-driven soft sensor for prediction of 430 steel coil temperature in an annealing line furnace

• Ano de defesa: 2024
• Autor(a) principal: Mychell Laurindo de Souza Sá
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: Soft sensor; Machine learning; Digital twin; Data driven; Computação - Teses; Aprendizado do computador - Teses; Sistemas orientados a dados - Teses; Simulação por computador - Processos de fabricação - Teses; Gêmeos digitais (Simulação por computador) - Teses
• Link de acesso: http://hdl.handle.net/1843/77731

Este estudo adentra no campo do sensoriamento baseado em dados dentro dos processos industriais de fabricação de aço, focando especificamente na Linha 4 de Recozimento e Decapagem da Aperam South America. O objetivo principal é desenvolver um gêmeo digital para o Pirômetro 4, um componente crítico no processo de recozimento que mede a temperatura da tira, utilizando algoritmos de aprendizado de máquina e um modelo físico para empregar uma estratégia de modelagem de caixa cinzenta. A metodologia de pesquisa abrange uma exploração abrangente, incluindo revisão de literatura, entendimento de dados, transformação, limpeza, treinamento e avaliação de modelos. Vários algoritmos de aprendizado de máquina, como Regressão Linear, Support Vector Machines, Random Forest, e XGBoost, são avaliados por sua capacidade de criar um regressor capaz de prever leituras de temperatura e replicar o comportamento do pirômetro. Além disso, o conhecimento específico do domínio é integrado para construir modelos híbridos com o objetivo de melhorar a precisão da predição. Por meio de uma avaliação e comparação minuciosas desses modelos, conhecimentos valiosos sobre suas forças, limitações e aplicações potenciais são obtidos. O estudo enfatiza a importância de empregar uma abordagem de modelagem híbrida, que combina modelos impulsionados pela física com técnicas de aprendizado de máquina, para desenvolver gêmeos digitais robustos e precisos. Por fim, a pesquisa visa contribuir para o avanço de soluções baseadas em dados em ambientes industriais, facilitando a tomada de decisões e a otimização de processos.