Data-driven soft sensor for prediction of 430 steel coil temperature in an annealing line furnace

Abstract

Este estudo adentra no campo do sensoriamento baseado em dados dentro dos processos industriais de fabricação de aço, focando especificamente na Linha 4 de Recozimento e Decapagem da Aperam South America. O objetivo principal é desenvolver um gêmeo digital para o Pirômetro 4, um componente crítico no processo de recozimento que mede a temperatura da tira, utilizando algoritmos de aprendizado de máquina e um modelo físico para empregar uma estratégia de modelagem de caixa cinzenta. A metodologia de pesquisa abrange uma exploração abrangente, incluindo revisão de literatura, entendimento de dados, transformação, limpeza, treinamento e avaliação de modelos. Vários algoritmos de aprendizado de máquina, como Regressão Linear, Support Vector Machines, Random Forest, e XGBoost, são avaliados por sua capacidade de criar um regressor capaz de prever leituras de temperatura e replicar o comportamento do pirômetro. Além disso, o conhecimento específico do domínio é integrado para construir modelos híbridos com o objetivo de melhorar a precisão da predição. Por meio de uma avaliação e comparação minuciosas desses modelos, conhecimentos valiosos sobre suas forças, limitações e aplicações potenciais são obtidos. O estudo enfatiza a importância de empregar uma abordagem de modelagem híbrida, que combina modelos impulsionados pela física com técnicas de aprendizado de máquina, para desenvolver gêmeos digitais robustos e precisos. Por fim, a pesquisa visa contribuir para o avanço de soluções baseadas em dados em ambientes industriais, facilitando a tomada de decisões e a otimização de processos.