Modellbasierte Prognose der kausalen Zusammenhänge von Haupt-Qualitätsindikatoren zur Optimierung der Sinter Produktion
Sintern ist ein komplexer Produktionsprozess, bei dem die Prozessstabilität und Produktqualität von verschiedenen Parametern abhängen. Der Aufbau eines Prognosemodells verbessert diesen Prozess. Ansätze der Künstlichen Intelligenz (KI) zeigen vielversprechende Ergebnisse im Vergleich zu aktuellen physikalischen Modellen, wobei sie wegen ihrer versteckten Schichten meist als Black-Box-Modelle betrachtet werden. Aufgrund ihrer Komplexität und eingeschränkten Rückverfolgbarkeit ist es schwierig, Rückschlüsse auf reale Sinterprozesse zu ziehen und die physikalischen Modelle in einer laufenden Anlage zu verbessern. Diese Herausforderung wird gemeistert, indem man sich auf die Erkennung kausaler Zusammenhänge aus KI-basierten Prognosemodellen konzentriert, um das Verständnis des Sinterns zu verbessern und bestehende physikalische Modelle zu optimieren.
Im ersten Schritt wurde ein Prognosemodell entwickelt, um den harmonischen Durchmesser als zentralen Qualitätsparameter für die Korngrößenverteilung des fertigen Sinters vorherzusagen. Dieses Prognosemodell ist ein ML (machine learning) Regressionsmodell, das auf der Random–Forest-Ensemble-Methode basiert. Zusätzlich wurden Ansätze wie Support Vector Machine Regressor, Multilayer Perceptron und K-Nearest-Neighbours Regressor evaluiert. Nach einem Optimierungsschritt zeigte das Modell einen normalisierten mittleren quadratischen Fehler von 8,9% (entspricht 0.2mm) bei der Vorhersage des Zielwerts (Korngröße), was über den Stand der Technik liegt.
Alle Success Stories finden Sie unter Forschung > COMET SUCCESS STORIES.