Previsão de temperaturas dentro de um forno de reaquecimento de placas de aço usando redes neurais

Abstract

RESUMO: Devido à complexidade e aos altos custos financeiros envolvidos nos processos de produção, a indústria siderúrgica pode se beneficiar largamente com aplicações de sistemas inteligentes, capazes de realizar atividades automatizadas. Este trabalho de pesquisa aborda uma descrição do processo de criação de um sistema computacional orientado a dados, com propósito de desenvolvimento de modelos neurais artificiais aplicados no processo de predição de temperaturas em fornos de reaquecimento de placas através de predição recursiva de curto, médio e longo prazo. Modelos computacionais suficientemente precisos podem ser usados em conjunto com técnicas de otimização de controle, como controle preditivo baseado em modelo (MPC) ou como um Gêmeo Digital de um sistema físico real, podendo ser bastante útil para as equipes de manutenção e operação como ferramenta preditiva para detecção de anomalias. Para tal desenvolvimento, as Redes Neurais Artificiais Recorrentes têm sido amplamente estudadas e aplicadas com desígnio de realizar previsões baseadas em conhecimentos passados, por meio de sequências históricas que possuem ligações temporais, caso típico do monitoramento de variáveis de processos industriais. Com finalidade de atendimento ao objetivo proposto, investigou-se o desempenho de modelos neurais com capacidade de predição em etapas futuras, tais como, Neural Network Recurrent (RNN), Long-Short Term Memory (LSTM) e Gated Recurrent Unit (GRU) e Temporal Convolucional Network (TCN). Para medir a precisão das previsões, foram utilizadas as métricas de erro médio absoluto (MAE) e raiz do erro médio quadrático (RMSE). Os testes foram avaliados sob diferentes horizontes de previsão e apontaram que as técnicas aqui empregadas são eficazes, apresentando previsões suficientemente precisas, tornando-se uma opção interessante para a previsão de curto, médio e longo prazo de temperatura em fornos de reaquecimento de placas. Assim, entende-se que essa abordagem pode ser utilizada para melhorar os processos de reaquecimento de placas em fornos industriais, buscando a otimização da produção e redução de custos e impactos ambientais

ABSTRACT: Due to the complexity and high financial costs involved in production processes, the steel industry can greatly benefit from applications of intelligent systems, capable of performing automated activities. This research paper addresses a description of the process of creating a data-driven computational system for the purpose of developing artificial neural models applied to the process of predicting temperatures in slab reheating furnaces through short, medium, and long-term recursive prediction. Sufficiently accurate computational models can be used in conjunction with control optimization techniques, as model-based predictive control (MPC) or as a Digital Twin of a physical system, which can be especially useful for maintenance and operation teams as a predictive tool for anomaly detection. For such development, Recurrent Artificial Neural Networks have been widely studied and applied with the purpose of making predictions based on past knowledge, by means of historical sequences that have temporal links, a typical case of monitoring industrial process variables. To meet the proposed objective, the performance of neural models with prediction capacity in future steps, such as Recurrent Neural Network (RNN), Long-Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) and Temporal Convolutional Network (TCN), was investigated. To measure the accuracy of the predictions, the metrics of mean absolute error (MAE) and root mean square error (RMSE) were used. The tests were evaluated under different forecast horizons and pointed out that the techniques employed here are effective, presenting sufficiently accurate forecasts, making them an interesting option for short, medium, and long-term temperature forecasting in slab reheating furnaces. Thus, it is understood that this approach can be used to improve the process of slab reheating in industrial furnaces, seeking to optimize production and reduce costs and environmental impacts.