SİNTER MAKİNESİNİN ÖRÜNTÜ TANIMA TABANLI OTOMATİK HIZ 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

Anahtar Kelimeler:

Sinter, Isıl Kontrol, BRP, BTP, Örüntü Tanıma, Doğrusal Ayırma Sınıflandırıcısı, Yapay Sinir Ağı, Destek Vektör Makineleri

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

Keywords:

Sinter, Thermal Control, BRP, BTP, Pattern Recognition, Linear Discriminant Classifier, Artificial Neural Network, Support Vector Machine,

PDF

___

Xiang, J., Wu, M., Duan, P., Cao, W., He, Y., 2008. Coordinating fuzzy control of the sintering process. Proceedings of the 17th World Congress Federation of Automatic Control, Seoul, July 6-11, Korea, 7717-7722.
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
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.
Wang, B., Fang, Y., Sheng, J., Gui, W., Sun, Y., 2009. BTP Prediction Model Based on ANN and Regression International Knowledge Discovery and Data Mining, s.108-111. DOI: 10.1109 / WKDD.2009.179 Second Workshop on
Ai-min, W., Qiang, S., 2007. Prediction of R in Sinter Process based on Grey Neural Network Algebra. Eighth ACIS International Conference Engineering, Artificial Intelligence, Networking, and Parallel / Distributed Computing, s.248-252. DOI:10.1109/SNPD.2007.65
Duda, R. O., Hart, P. E., Stork, D. G. 2001, Second edition. John Wiley, United States of America, 654s.
Erkınay, Z.M. 2012. Dismorfik hastalıkların yöntemleri sınıflandırılması. Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 99 s, Ankara. işleme kullanılarak Ankara
Toylan H. 2012. Yapay zeka örüntü tanıma algoritması kullanarak sınıflandırma tasarımı. Trakya Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 124 s, Edirne.
Asht, S., Dass, R., 2012. Pattern Recognition Techniques: A Review. International Journal of Computer Science and Telecommunications, Cilt. 3, s. 25-29.
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
Beşkardeş, A., Özdemir Erkınay, M., Yıldırım, makinesinde ısıl kontrole bağlı hız kontrolü, SİU-2015: Sinyal İşleme ve İletişim Uygulamaları Kurultayı Malatya, 1154-1158. Sinter
Junoh, A.K., Mansor, M.N., 2012. Safety System Based on Linear Discriminant International Symposium on Instrumentation & Measurement, Sensor Network and Automation (IMSNA), s. 32-34. Analysis.
Alpaydın, E. 2013. Yapay öğrenme. Boğaziçi Üniversitesi Yayınevi, İstanbul, 496 s.
Elmas, Ç. 2010. Yapay zeka uygulamaları. Seçkin Yayıncılık, Ankara, 424 s.
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
Jiang, Z., Fu, H., Li, L. 2005. Support vector machine for mechanical faults classification: Journal of Zhejiang University Science, Cilt.6, s. 10.1007/BF02839412 DOI:
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.
Vapnik, V.N. 1998. Statistical Learning Theory. (S. Haykin, Editör). In: John Wiley & Sons, Inc United States of America.