نویسنده : امین معصومی.دانشجوی دکتری صنعتی گرایش استراتژی تولید. سیمان زنجان

نقش هوش مصنوعی در مدیریت نسوز کوره  با استفاده از الگوریتم شبکه های عصبی

مقدمه

این یکی از ضروری‌ترین صنایع در جهان است که به شدت به فرآیند‌های حرارتی و کوره‌های دوار متکی است.

کوره‌های دوار برای پخت کلینکر در دمای بسیار بالا می‌سوزند.

این امر نیاز به مواد نسوز با مقاومت حرارتی بالا را افزایش می‌دهد.

این مواد نسوز پس از مدتی با فرسایش و تجزیه مواجه می شوند.

بنابراین مدیریت بهینه مصالح مذکور به منظور جلوگیری از توقف‌های پیش‌بینی نشده و هزینه‌های سنگین تعمیرات مورد نیاز است.

در این راستا، ذخیره سازی بهینه مواد نسوز مربوط به پیشنهاد استفاده از فناوری‌های مبتنی بر هوش مصنوعی با توسعه در همین راستا است

مدل شبکه عصبی مصنوعی، ابزار مناسبی در مدیریت تعمیرات و نگهداری کوره‌های دوار است؛ این مدل با قابلیت تشخیص الگو و پیش بینی دقیق، داده‌های عملیاتی را برای پیش بینی زمان شکست مواد نسوز تجزیه و تحلیل می‌کند.

در این مقاله، به بررسی نقش الگوریتم‌های شبکه‌های عصبی مصنوعی در بهینه سازی مدیریت نسوز کوره پرداخته شده و یک مدل شبکه عصبی مصنوعی برای پیش بینی زمان خرابی نسوز ها براساس داده های مربوز به شرایط عملیاتی معرفی می شود.

این رویکرد نشان می دهد که چگونه مدل شبکه های مصنوعی می تواند با تحلیل داده های مربوط به دما، فشار، ضخامت و مدت زمان کارکرد نسوز ها، به پیش بینی خرابی و بهبود فرآیند نگهداری و تعمیرات کمک کند.

مراحل اصلی این روش شامل موارد زیر است:

• جمع آوری داده‌ها
• پیش پردرداز داده‌ها
• طراحی و آموزش شبکه عصبی
• پیش بینی و کنترل
• بهینه سازی

مواد نسوز در کوره‌های دوار باید در برابر دماهای بسیار بالا و مواد خورنده مقاومت کنند.

این مواد به تدریج فرسوده شده و نیاز به تعویض پیدا می‌کنند.

برخی از عوامل موثر در خرابی نسوزها عبارتند از:

• دمای بالای کوره
• فشار گازهای تولید شده در فرایند پخت کلینکر
• زمان استفاده از کوره
• ضخامت نسوزها

مدیریت صحیح این پارامترها و پیش بینی خرابی‌ها یکی از چالش‌های اصلی در نگهداری کوره‌های سیمان است.

• هوش مصنوعی و مدیریت نسوز کوره

هوش مصنوعی، به ویژه شبکه‌های عصبی مصنوعی، قادر به مدل سازی پیچیده‌ترین مسائل و تجزیه و تحلیل داده‌های چند متغیره است.

شبکه‌های مصنوعی عصبی که از ایده‌های مغز انسان الهام گرفته شده‌اند، می‌توانند به طور خودکار از داده‌ها یاد بگیرند و الگوهای پنهان را کشف کنند.

استفاده از این روش‌ها برای پیش‌بینی زمان شکست مواد نسوز امکان بهینه سازی فرآیند نگهداری را بر این اساس می‌دهد.

• مراحل الگوریتم شبکه عصبی

1. ورودی‌ها

در این مدل، پارامترهای عملیاتی کوره به عنوان ورودی‌های مدل شبکه عصبی در نظر گرفته شده‌اند. این ورودی شامل موارد زیر است:

• دمای کوره (T)
• ضخامت نسوز   (D)
• مدت زمان کارکرد (W)
• فشار گازها (P)

2. مدل شبکه عصبی

پیش بینی زمان شکست نسوز با استفاده از شبکه عصبی متشکل از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی انجام شد.

به طور مشخص:

– لایه ورودی: شامل چهار نورون است که هر کدام از ورودی های بالا را دریافت می‌کنند: T,D,W,P

-لایه پنهان: شامل نورون‌هایی است که ورودی‌ها را پردازش می‌کنند تا ایده‌ای در مورد الگوهای پنهان داشته باشند؛

– لایه خروجی: این فقط شامل یک نورون است که زمان تقریبی شکست نسوز را فراهم می‌کند.

شبکه‌های عصبی مدل‌های پردازش اطلاعات هستند که از روی نحوه کار سیستم‌های عصبی زیستی الهام گرفته شده‌اند.

این شبکه‌ها چندین لایه از نودها یا نورون‌های متصل به همراه در بر می‌گیرند که اطلاعات در طول آن ها از سمت لایه ورودی به سمت لایه نهان و سپس لایه‌های خروجی حرکت می‌کند.

در هر لایه نحوه کار هر نورون به این شکل است که ابتدا مقادیر ورودی در وزن متناظر خود ضرب و با یک مقدار ثابت بایاس ( Bias) جمع می‌شود؛ در نهایت نتیجه این ضرب به یک تابع فعال ساز وارد و خروجی آن به لایه بعدی منتقل می‌شود.

این فرایند تا زمانی که به لایه آخر برسیم همچنان تکرار می‌شود.

3. وزن و خلاصه

هر ورودی با وزن‌های مشخص به نورون‌های لایه پنهان متصل می‌شود.

وزنه‌های اولیه به صورت تصادفی انتخاب شده و در طول فرایند تمرین به روز می‌شوند.

محاسبه خروجی هر نورون در لایه پنهان از طریق مجموع وزنی ورودی‌ها و اعمال تابع فعالسازی ( مانند تابع  ReLU) انجام می‌شود.

توابع فعال ساز در واقع گیتی هستند که در هر نورون وجود دارد.

ورودی این گیت همان ورودی‌های هر نورون در هر لایه است (در وزن‌های متناظر خود ضرب شده‌اند و با مقدار ثابت بایاس جمع شده‌اند) و خروجی آن به لایه بعدی منتقل می‌شود.

تابع فعال ساز تصمیم می‌گیرد هر نورون فعال شود یا نه، اگر از تابع فعال ساز (Functions Activation) استفاده نکنیم، وزن ‌ها و مقادیر بایاس فقط یک معادله خطی را ایجاد می‌کنند.

درست است که معادله خطی خیلی راحت‌تر حل شدنی است، اما برای حل مسائل پیچیده نمی‌تواند کمکی به ما کند؛ در واقع معادلات خطی در یادگیری الگوهای پیچیده داده خیلی محدود هستند و یک شبکه عصبی بدون تابع فعال ساز فقط یک مدل رگرسیون خطی (Linear Regression Model) است.

به طور کلی، شبکه ‌های عصبی از توابع فعال ساز استفاده می‌کنند تا بتوانند به شبکه در یادگیری داده‌ها پیچیده کمک و پیش‌بینی قابل قبولی را در خروجی ارائه کنند.

یکی از ویژگی‌های مهم این تابع که سبب می‌شود به طرز چشمگیری بهتر از توابعی مثل Sigmoid یا Tanh کار کند، ویژگی بلاک کردن این تابع برای ورودی‌های منفی است.

این ویژگی از دو منظر قابل بررسی است.

در لایه بعدی، تنها نورون‌هایی از لایه قبل تاثیرگذار خواهند بود که مقادیر غیر منفی دارند و عملاً نوعی فیلترسازی انجام می‌شود.

اطلاعات نورون‌های به درد نخور به کل دور ریخته می‌شوند و در تصمیم لایه بعد تاثیرگذار نیستند.

از سویی، این تابع رفتاری مشابه با dropout دارد ولی به صورت غیر رندم؛ این به این معنی است که هر بار که داده‌ها را به شبکه می‌دهیم، دسته‌ای از نورون‌ها مثل این رفتار می‌کنند که گویی غیر فعال هستند.

یعنی به گونه‌ای به قدرت تعمیم شبکه هم می‌تواند کمک کند.

با توجه به این دو ویژگی می‌توان توابع فعالیت جدیدی ساخت که شاید بهتر است تابع ReLU باشد.

Z_i = ( T \ time w _ { i1}) + ( D \ time w_ { i2} ) + ( w \ time w_ { i3} ) + ( p \ time w_ { i4} )

سپس خروجی هر نورون با استفاده از تابع فعال سازی محاسبه می‌شود:

a_i = ReLU ( z_i) = \text {max} (0, z_i)

4. پیش بینی خروجی

در نهایت خروجی شبکه از طریق ترکیب خروجی‌های لایه پنهان و اعمال وزن‌های نهایی به دست می‌آید.

این خروجی‌ها نشان دهنده زمان تقریبی تا خرابی نسوز است.

 

5. محاسبه خطا و بروز رسانی وزن ها

پس از پیش بینی زمان خرابی، مقدار پیش بینی شده با مقدار واقعی مقایسه می شود و خطا محاسبه می‌گردد.

با استفاده از الگوریتم پس خور و روش گرادیان نزولی ، وزن ها به روز رسانی می‌شوند تا خطا کاهش یابد و مدل در دفعات بعدی دقت بیشتری پیدا کند.

• نتایج و نمودارها

برای ارزیابی مدل شبکه عصبی، از داده‌های عملیاتی یک کارخانه سیمان در یک بازه زمانی مشخص استفاده شد.

داده‌های مرتبط به دما، فشار، ضخامت و زمان کارکرد به عنوان ورودی به مدل داده شدند و خروجی مدل با مقادیر واقعی زمان خرابی نسوز مقایسه شد.

در نمودار زیر زمان خرابی پیش بینی شده توسط مدل شبکه مصنوعی شبکه با زمان خرابی واقعی مقایسه شده است:

 

1.جدول مقایسه پیش بینی و واقعیت

شماره نمونه	دمای کوره °c	ضخامت نسوز mm	فشار گازها pa	زمان کارکرد h	زمان خرابی پیش بینی شده h	زمان خرابی واقعی h
1	1200	10	1500	500	926,7	900
2	1250	9	1600	600	812	820
3	1150	11	1400	450	980	95

 

شبکه‌های عصبی مصنوعی ( ANN) توانایی بالایی در پیش بینی خرابی نسوزهای کوره های دوار سیمان دارند.

این فناوری می‌تواند به مدیران کارخانه‌ها کمک کند تا به موقع برنامه تعمیرات پیشگیرانه را اجرا کنند و از خرابی‌های غیر منتظره جلوگیری کنند.

مدل پیشنهادی در این مقاله نشان می‌دهد که با استفاده از داده‌های عملیاتی  و الگوریتم ( ANN) میتوان، زمان خرابی مواد نسوز را به دقت پیش بینی کرد و از هزینه های ناشی از خرابی‌های ناگهانی جلوگیری کرد.

این روش به دلیل دقت بالا و توانایی در مدیریت سیستم‌های پیچیده می‌تواند، به طور قابل توجهی بهره‌وری و کارایی در کوره‌های سیمان را افزایش دهد.

بیشتر بخوانیم:

جرم نسوز، ملات نسوز

نویسنده : امین معصومی.دانشجوی دکتری صنعتی گرایش استراتژی تولید. سیمان زنجان