Process control strategies for a steel making furnace using ANN with bayesian regularization and ANFIS

Das, Anupam; Maiti, J.; Banerjee, Rajib

doi:10.1016/j.eswa.2009.06.056

Cited by 45 publications

(20 citation statements)

References 37 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Finally, the best ANFIS predictor is an ANFIS with an order of 3-2-2 number of membership functions for the first, second and third inputs respectively, with Gaussian MFs. Although there are some published results that ANFIS had better predictions compared with the ANN [44], but it is seen that in this study, ANN provides better results.…”

Section: Results and Discussion Of Anfis Resultsmentioning

confidence: 59%

Strength modeling and optimizing ultrasonic welded parts of ABS-PMMA using artificial intelligence methods

Norouzi

Adineh

2011

Int J Adv Manuf Technol

View full text Add to dashboard Cite

The present work deals with modeling and optimization of ultrasonic welding (USW) process parameters including welding time, pressure, and vibration amplitude influencing strength of the welded parts of acrylonitrile butadiene styrene (ABS) and poly(methyl methacrylate) (PMMA) using artificial intelligence (AI) methods. Experiments performed on samples by spot welding workpieces of ABS and PMMA. The experimental data are used for training of artificial neural networks (ANN), adaptive neuro-fuzzy inference systems, and hybrid systems. It is found that ANN had better predictions compared with the other AI methods. The best model was a feed-forward back-propagation network, with uniform transfer functions (TANSIG-TANSIG-TANSIG) and 4/2 neurons in the first/second hidden layers. The best predictor is then presented to genetic algorithm (GA) and particle swarm optimization (PSO), as the fitness function and for optimizing the USW machine parameters. After the optimization, results of this part revealed that GA and PSO have comparable results and the calculated strength increased by 10%, as compared with a non-optimized case. In order to confirm the computational results, validating experiments are performed which their outputs demonstrates good agreement with the optimization result.

show abstract

Section: Results and Discussion Of Anfis Resultsmentioning

confidence: 59%

Strength modeling and optimizing ultrasonic welded parts of ABS-PMMA using artificial intelligence methods

Norouzi

Adineh

2011

Int J Adv Manuf Technol

View full text Add to dashboard Cite

show abstract

“…Nous pouvons subdiviser le contrôle intelligent en sous-domaines en fonction des techniques d'intelligence artificielle utilisées. Parmi celles-ci, nous retrouvons les réseaux de neurones, la logique floue, une combinaison des deux que nous nommons modèle hybride, les systèmes experts, les modèles basés sur l'observation d'évidences comme les réseaux markoviens ou les réseaux bayésiens, les algorithmes génétiques ou évolutionnaires, les agents intelligents et les algorithmes d'apprentissage [14]. La grande majorité des solutions que nous retrouvons dans la littérature permettent de contrôler uniquement certains sousaspects du procédé et non le procédé en entier.…”

Section: Ax ± (T) + Bx 2 (I) Est Ay ± (T) + By 2 (T) Et Que Yi(t) Et unclassified

Système intelligent d'aide au contrôle de procédé dans un four à arc /

Girard-Nault¹

2012

View full text Add to dashboard Cite

RESUMELe contrôle de procédé est une tâche difficile. C'est particulièrement le cas lorsque le système possède des non-linéarités, comme des réactions chimiques ou des imprévus. Nous retrouvons ce genre de procédé dans les fours à arc qui sont utilisés notamment dans la production d'acier et de ferrosilicium. En plus de faire face à plusieurs sources de nonlinéarités, nous sommes dans l'impossibilité de connaître et mesurer exactement ce qui se passe à l'intérieur du four. Le manque de contrôle et d'automatisme lié à ces problèmes amène les opérateurs à devoir prendre des décisions importantes qui auront un impact sur le déroulement du procédé. Puisqu'elles se basent la plupart du temps sur l'expérience et l'intuition des travailleurs, il est facile de déduire que les décisions prises ne seront pas toujours les plus efficaces. Par contre, la probabilité d'être en erreur est diminuée plus l'opérateur possède de l'expertise. Or, ce n'est pas tout le monde qui possède la même expertise et les ressources expérimentées sont rares et coûteuses. De plus, lors du départ à la retraite d'un employé, cette connaissance est souvent perdue. Dans le but d'améliorer le contrôle et l'automatisation du procédé, des auteurs proposent des solutions liées au contrôle de sous-systèmes. Ainsi, nous retrouvons un nombre assez limité de modèles qui permettent de contrôler la position des électrodes, d'améliorer l'efficacité énergétique, d'estimer la température du métal en fusion, etc. Mais ceux-ci sont limités à leurs soussystèmes respectifs. De plus, ils n'utilisent pas l'expertise des opérateurs et ils ne permettent pas de la conserver. Aussi, les solutions qui permettent d'améliorer le contrôle de façon globale se font très rares. Un système expert pourrait formaliser, codifier et conserver l'expertise du domaine des fours à arc (provenant entre autres des opérateurs) dans une base de connaissance. En la combinant avec de l'information comme des données du procédé en temps réel, nous l'utilisons dans le but de fournir des indications, de déduire des phénomènes et de devenir un puissant outil d'aide à la décision qui permet d'améliorer le contrôle du procédé dans son ensemble.Ce mémoire fournit la méthodologie et la connaissance requise pour mettre en oeuvre un système expert qui sert d'outil d'aide à la décision pour améliorer le contrôle de procédé dans les fours à arc. Elle propose des règles de production décrites à l'aide d'un formalisme de codification de l'expertise des opérateurs et des modèles s'appuyant sur des équations mathématiques. Ces derniers utilisent des données historiques et en temps réel comme les paramètres électriques. Ces deux éléments sont utilisés par le système expert dans le but de faire un diagnostic de l'état interne du four et de son mélange. Il permet entre autres de déduire s'il y a accumulation de métal, s'il y a la nécessité d'ajouter du carbone ou non dans le mélange et la position des électrodes. Ainsi, il permet d'améliorer le contrôle global du procédé, de conserver l'expertise du domaine et de...

show abstract

“…In such situations, the fuzzy set theory can help us to model and solve problems with vague information. Some applications of the fuzzy set theory in the steel industry include the continuous casting scheduling problem (Slany 1996), the minimization of tardiness (Türksen and Fazel Zarandi 1998), the estimation of electric arc furnace tap temperature with fuzzy neural networks (Fernandez et al 2008), the prediction of the control action (Das et al 2010), and the prediction of the mechanical properties of alloy steels (Zhang and Mahfouf 2011).…”

Section: Introductionmentioning

confidence: 99%

Type-2 fuzzy hybrid expert system for prediction of tardiness in scheduling of steel continuous casting process

Zarandi

Gamasaee

2012

Soft Comput

View full text Add to dashboard Cite

This paper addresses an interval type-2 fuzzy (IT2F) hybrid expert system in order to predict the amount of tardiness where tardiness variables are represented by interval type-2 membership functions. For this purpose, IT2F disjunctive normal forms and fuzzy conjunctive normal forms are utilized in the inference engine. The main contribution of this paper is to present the IT2F hybrid expert system, which is the combination of the Mamdani and Sugeno methods. In order to predict the future amount of tardiness for continuous casting operation in a steel company in Canada, an autoregressive moving average model is used in the consequents of the rules. Parameters of the system are tuned by applying Adaptive-Network-Based Fuzzy Inference System. This method is compared with IT2F Takagi-Sugeno-Kang method in MATLAB, multiple-regression, and two other Type-1 fuzzy methods in literature. The results of computing the mean square error of these methods show that our proposed method has less error and high accuracy in comparison with other methods.

show abstract

Process control strategies for a steel making furnace using ANN with bayesian regularization and ANFIS

Cited by 45 publications

References 37 publications

Strength modeling and optimizing ultrasonic welded parts of ABS-PMMA using artificial intelligence methods

Strength modeling and optimizing ultrasonic welded parts of ABS-PMMA using artificial intelligence methods

Système intelligent d'aide au contrôle de procédé dans un four à arc /

Type-2 fuzzy hybrid expert system for prediction of tardiness in scheduling of steel continuous casting process

Contact Info

Product

Resources

About