پیش بینی بار برگشتی در صنعت سیمان با استفاده از شبکه عصبی BLSTM

بار برگشتی درصنعت سیمان، کیفیت محصول و راندمان تولید را کاهش می دهد. نظارت و کنترل بر بار برگشتی و پارامترهای موثر درعملکرد جداکننده هوایی مدارخردایش می تواند راندمان تولید و کیفیت محصول را بهترکند. شناسایی پارامترهای موثر در عملکرد جداکننده هوایی، به ویژه در مدیریت بار برگشتی، برای بهینه سازی مدار آسیا به صورت هوشمند بسیار مهم است. داده های جمع آوری شده از حسگرها به دلیل نوسانات و نویز زیاد، چالش هایی را در پردازش داده ها ایجاد می کند و علاوه بر آن رفتارهای غیرخطی و وابستگی های زمانی پیچیده بین داده ها شرایط را سخت می کند. این مقاله ابتدا بر آماده سازی داده ها برای کاهش نویز، مدیریت نقاط پرت و مقادیرگمشده تمرکز می کند. سپس یک مدل شبکه عصبی حافظه طولانی-کوتاه مدت دو طرفه (BLSTM) برای مدل سازی وابستگی های زمانی و پیش بینی بار برگشتی ارائه می دهد. روش پیشنهادی با سه معیار میانگین خطای مطلق، ریشه میانگین مربعات خطا و میانگین مربعات خطا درمقابل روش های موجود مورد ارزیابی قرار گرفته و موفق به کسب نتایج بهتری شده است.

Keywords:

مدارخردایش , جداکننده هوایی , سری های زمانی , پیش بینی , پیش پردازش داده ها , شبکه عصبی حافظه طولانی کوتاه مدت دوطرفه (BLSTM).