Çimento Endüstrisindeki Harmanlama Prosesinin Değişik Tipte Yapay Sinir Ağları İle Tanılanması Ve Kıyaslanması

Abstract

Bu çalışmada, çimento endüstrisindeki harmanlama prosesini temsil etmek için değişik tipte Yapay Sinir Ağları(YSA) kullanılarak sistem tanılaması yapılmış ve bulunan sonuçları kıyaslama yoluyla genel sonuçlara gidilmesine çalışılmıştır. Stokastik faktörlerin etkili olduğu harmanlama prosesi; yüksek mamül, düşük mamül ve demir cevheri girişleri ile demir oksit ve/veya kireç modülü çıkışları için üç ayrı biçimde modellenmiştir. Tanılamada kullanılan Çok Katmanlı İleri Beslemeli(ÇKİB), Radyal Bazlı(RB) ve Yinelenen YSA’ların matematiksel kurguları ve sistem tanılama davranışları ayrıntılarıyla incelenmiştir. Her bir YSA için ikisi çok girişli-tek çıkışlı ve biri çok girişli-çok çıkışlı olmak üzere toplam 9 ayrı model kurulmuştur. Matlab® The Neural Network Toolbox® 4.0.1 kullanılarak elde edilen modeller test verileri için gerçeklenmiştir. Simülasyon sonuçlarından, modellerin demir cevheri çıkışı için başarılı, kireç modülü için ise başarısız olduğu sonucuna varılmış ve kireç modülü çıkışı için karşılaşılan başarısızlığın nedenleri araştırılmıştır. Farklı YSA tiplerinin, yeter sayıda denemeden sonra benzer sonuçlar verdiği ve hangisinin sistem tanılama için kullanılması gerektiğinin, modellenen prosese ve elde edilecek modelin uygulanacağı yapıya bağlı olduğu ortaya konmuştur.

System identification of the blending process in cement industry is carried out by using various type of neural networks(NNs) under the scope of this study, and the task of reaching general results is tried by comparing the identification results. The blending process which is affected by stochastic factors is modeled for high grade, low grade and iron ore as inputs and iron oxide and/or lime module as outputs. The mathematical foundations and system identification behaviours of Multi-Layer Perceptron(MLP), Radial Basis (RB), and Recurrent NNs which are used in identification have been examined. 3 models are constructed for each types of NNs, two of which are multi input-single output and the other is multi input-multi output. The models are designed and their ability of learning the system dynamic are tested by using Matlab® The Neural Network Toolbox® 4.0.1. The results indicate the success on the task of modeling iron oxide output but failure in lime module. The reasons for the lack of success in lime module output are investigated. The similar results of the various types of NNs after sufficient trial procedures is observed and the dependency of the selection of the NN type for any system identification task to the application that the model is to be integrated is stated.