Optimierung eines Basismetall-Reinigungsprozesses


Wir haben mit Cylad Consulting zusammengearbeitet, um Zeitdatenreihen zu analysieren, die während eines Reinigungsprozesses für Grundmetalle gesammelt wurden, und eine datengesteuerte Lösung zur Optimierung der Prozessparameter zu entwickeln.

Input

Zeitreihendaten von Reinigungsprozessvariablen

Output

Identifizierung kritischer Prozessparameter und ihrer optimalen Werte

Ziel

Verbesserung der Gesamtbetriebsleistung, z.B. Reduzierung der Verunreinigungen


Einführung


Der Prozess der Grundmetallreinigung ist ein entscheidender Schritt bei der Herstellung hochwertiger Metalle. Dabei werden Verunreinigungen aus dem Grundmetall entfernt, um dessen Eigenschaften zu verbessern und Industriestandards zu erfüllen. Traditionell wurde dieser Prozess durch manuelle Anpassungen basierend auf Erfahrung und Intuition optimiert. Diese Ansätze erreichen jedoch oft nicht die maximale Effizienz und Ausbeute.


Startpunkt


In Zusammenarbeit mit unserem Partner Cylad Consulting haben wir diese Hindernisse durch den Einsatz unseres gebündelten Fachwissens überwunden. Unser Kunde, eine europäische Elektroraffinerie für unedle Metalle, beauftragte uns mit der Anwendung von Algorithmen für maschinelles Lernen zur Analyse der Zeitdatenreihen, die während des Reinigungsprozesses für unedle Metalle gesammelt wurden. Unser gemeinsames Ziel bestand darin, eine datengesteuerte Lösung zu entwickeln, die die Betriebsleistung durch Optimierung der Prozessparameter, Minimierung des Verunreinigungsgrads und Erzielung einer Gesamtprozessoptimierung verbessern könnte.


Herausforderungen


Zeitreihendaten können für den Menschen aufgrund ihrer sequentiellen Natur, komplexen Muster und hohen Dimensionalität schwierig zu interpretieren sein. Daher nutzten wir eine Kombination aus maschinellen Lernmodellen, um die Zeitdatenreihen zu interpretieren und Schlüsselmuster und Beziehungen innerhalb des Prozesses zu identifizieren. Unser Team verwendete folgende Modelle:

  • Langes Kurzzeitgedächtnis (LSTM): LSTMs sind leistungsstarke Deep-Learning-Modelle, die in der Lage sind, langfristige Abhängigkeiten in sequentiellen Daten zu lernen. Durch das Training eines LSTM-Modells anhand der Zeitreihendaten konnten wir komplexe zeitliche Muster innerhalb des Basismetallreinigungsprozesses erfassen und analysieren.

  • ROCKET (Randomized Convolutional Kernel Transform): ROCKET ist ein neuartiger Algorithmus, der mithilfe randomisierter Faltungskerne Merkmale aus Zeitreihendaten extrahiert. Dieses Modell ermöglichte es uns, wesentliche Merkmale und Trends in den Zeitreihendaten aufzudecken und wertvolle Erkenntnisse für die Prozessoptimierung zu liefern.

  • XGBoost: XGBoost ist ein beliebter Gradient-Boosting-Algorithmus, der für seine hohe Leistung und Interpretierbarkeit bekannt ist. Durch die Anwendung von XGBoost auf die verarbeiteten Zeitreihendaten konnten wir ein Vorhersagemodell erstellen, das frühzeitig Warnungen vor zukünftigen Betriebsproblemen im Prozessablauf liefert.


Lösung


Durch unsere gemeinsamen Anstrengungen haben wir erhebliche Verbesserungen im Reinigungsprozess der Grundmetalle erzielt. Durch die Analyse der Zeitreihendaten identifizierten unsere Modelle die Schlüsselparameter, die den größten Einfluss auf den Verunreinigungsgrad hatten. Diese Informationen ermöglichten es uns, unsere Optimierungsbemühungen auf diese spezifischen Parameter zu konzentrieren, was zu erheblichen Effizienzsteigerungen führte.

Durch das Training unserer Modelle anhand der Zeitreihendaten konnten wir kritische Prozessvariablen in verschiedenen Phasen des Prozesses genau vorhersagen. Diese Vorhersagefähigkeit ermöglichte eine proaktive Entscheidungsfindung und erleichterte ein frühzeitiges Eingreifen, um die Eskalation von Verunreinigungen zu verhindern.

Ähnliche Projekte