Sinter Makinesinin Örüntü Tanıma Tabanlı Otomatik Hız Kontrolü

Sinter tesisleri, yüksek fırın kullanılarak demir çelik üretimi yapılan entegre demir çelik fabrikalarının önemli bir parçasıdır. Sinter tesislerinin ana bölümlerinden biri olan sinter makinesinde toz cevherin sinterleşmesi sağlanarak yüksek fırında kullanılmaya elverişli hale getirilir. Bu çalışmada, sinter makinesinin verimini artırmak amacıyla, makine yönetiminin operatörlerden alınıp otomatik yapılması için bir örüntü tanıma sistemi tasarlanmıştır. Tasarlanan bu sistemde sınıflandırıcı olarak doğrusal ayırma sınıflandırıcısı, destek vektör makineleri ve yapay sinir ağı kullanılmıştır. Bu sınıflandırıcılar 4212 adetlik bağımsız veri kümesi üzerinde test edilerek birbiri ile karşılaştırılmıştır.

Automatically Sinter Machine Speed Control With Pattern Recognition Based System

Sinter plant is one of the important unit of the integrated plants, which made iron and steel production via blast furnace. In the sinter machine, which is the main part of the sinter plant fine ore has been provided sintering and rendered suitable for using in the blast furnace. In this study, aimed to increasing sinter machine production a pattern recognition system has been developed for automatic control instead of operator's control. Linear discriminant classifier, support vector machines and artificial neural network is used in designed system. These classifiers were compared to each individual data set by testing over 4212 units.

PDF

___

[1] Xiang, J., Wu, M., Duan, P., Cao, W., He, Y., 2008. Coordinating fuzzy control of the sintering process. Proceedings of the 17th World Congress the International Federation of Automatic Control, Seoul, July 6-11, Korea, 7717-7722.
[2] Wu, M., Duan, P., Cao, W., She, J., Xiang, J., 2012. An intelligent control system based on prediction of the burn through point for the sintering process of an iron and steel plant. Elsevier, Cilt. 39, s. 5971-5981. DOI:10.101/j.eswa.2011.11.118
[3] Song, G., Wang, A., Zhang, Y., 2013. The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM. Telkomnika, Cilt. 11, s. 4616-4626.
[4] Wang, B., Fang, Y., Sheng, J., Gui, W., Sun, Y., 2009. BTP Prediction Model Based on ANN and Regression Analysis. Second International Workshop on Knowledge Discovery and Data Mining, s.108-111. DOI: 10.1109 / WKDD.2009.179
[5] Ai-min, W., Qiang, S., 2007. Prediction of R in Sinter Process based on Grey Neural Network Algebra. Eighth ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel / Distributed Computing, s.248-252. DOI:10.1109/SNPD.2007.65
[6] Duda, R. O., Hart, P. E., Stork, D. G. 2001, Pattern Classification. Second edition. John Wiley, United States of America, 654s.
[7] Erkınay, Z.M. 2012. Dismorfik hastalıkların sinyal işleme yöntemleri kullanılarak sınıflandırılması. Ankara Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 99 s, Ankara.
[8] Toylan H. 2012. Yapay zeka örüntü tanıma algoritması kullanarak sınıflandırma otomasyonunun tasarımı. Trakya Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 124 s, Edirne.
[9] Asht, S., Dass, R., 2012. Pattern Recognition Techniques: A Review. International Journal of Computer Science and Telecommunications, Cilt. 3, s. 25-29.
[10] Sucharta, V., Jyothi, S. 2013. A Survey on Various Pattern Recognition Methods for the Identification of a Different Types of Images. Publications of Problems & Application in Engineering Research - Paper, Cilt. 4, s. 178-181.
[11] Denoeux, T., Masson, M., Dubuisson, B. Advanced Pattern Recognition Techniques for System Monitoring and Diagnosis: A survey. France
[12] Beşkardeş, A., Özdemir Erkınay, M., Yıldırım, S. 2015. Sinter makinesinde ısıl kontrole bağlı hız kontrolü, SİU-2015: Sinyal İşleme ve İletişim Uygulamaları Kurultayı Malatya, 1154-1158.
[13] Junoh, A.K., Mansor, M.N., 2012. Safety System Based on Linear Discriminant Analysis. International Symposium on Instrumentation & Measurement, Sensor Network and Automation (IMSNA), s. 32-34.
[14] Alpaydın, E. 2013. Yapay öğrenme. Boğaziçi Üniversitesi Yayınevi, İstanbul, 496 s.
[15] Elmas, Ç. 2010. Yapay zeka uygulamaları. Seçkin Yayıncılık, Ankara, 424 s.
[16] Baddari, K., Djarfour, N., Aifa, T., Ferahtia, J., 2010. Acoustic impedance inversion by feedback artificial neural network. Elsevier, Cilt. 71, s. 106-111. DOI: 10.1016/j.petrol.2009.09.012
[17] Jiang, Z., Fu, H., Li, L. 2005. Support vector machine for mechanical faults classification: Journal of Zhejiang University Science, Cilt.6, s. 433-439. DOI: 10.1007/BF02839412
[18] Ekici, S., Yıldırım, S. ve Poyraz, M. 2008. Mesafe koruma için bir örüntü tanıma uygulaması: Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt. 24, s. 51-61.
[19] Vapnik, V.N. 1998. Statistical Learning Theory. (S. Haykin, Editör). In: John Wiley & Sons, Inc United States of America.