การเรียนรู้จากข้อมูลย้อนหลังตามสถานะพร้อมใช้งานเพื่อทำนายอุณหภูมิและองค์ประกอบทางเคมีเตาหลอมไฟฟ้า

การผลิตเหล็กจากเตาหลอมไฟฟ้า (EAF) มีบทบาทสำคัญในการผลิตเหล็กที่ใช้การรีไซเคิลและคาร์บอนต่ำ แต่ความแปรผันของวัสดุที่ใส่เข้าไป พลังงาน และสภาวะการทำงาน ทำให้การทำนายอุณหภูมิและองค์ประกอบทางเคมีของเหล็กหลอมเหลวเป็นเรื่องท้าทาย เนื่องจากการวัดมักจะเกิดขึ้นเป็นช่วงๆ หรือล่าช้า

งานวิจัยนี้จึงได้พัฒนาเฟรมเวิร์กการเรียนรู้แบบป้อนกลับจากข้อมูลในอดีตที่คำนึงถึงความพร้อมใช้งานของข้อมูล เพื่อทำนายอุณหภูมิสุดท้ายและปริมาณขององค์ประกอบทางเคมี 12 ชนิด โดยมีการรวมข้อมูลจาก 8 แหล่งอุตสาหกรรมเข้าไว้ในตัวแทนของตัวทำนาย 3 ประเภท

ข้อมูลในอดีตจะถูกนำมาใช้เมื่อมีข้อมูลที่เหมาะสม โดยสมมติว่ามีความล่าช้าในการวัดอยู่ที่ 60 นาที โดยมีการทดสอบกับข้อมูลอุณหภูมิ 19,738 ครั้ง และเคมี 3,341 ครั้ง

การนำเสนอแบบป้อนกลับจากข้อมูลในอดีตที่เสนอนี้ช่วยลดค่า Root Mean Squared Error (RMSE) ได้ใน 147 จาก 156 การเปรียบเทียบกับอัลกอริทึมเป้าหมาย และการวิเคราะห์พบว่าข้อมูลผลลัพธ์ล่าสุดและความพร้อมใช้งานของข้อมูลในอดีตมีความสำคัญอย่างยิ่งต่อการทำนาย

ในส่วนของการประเมินย้อนหลัง พบว่าการปรับแก้เศษเหลือแบบปรับตัวเบาๆ สามารถลดค่า RMSE ของอุณหภูมิได้จาก 12.502 เหลือ 12.275 องศาเซลเซียส โดยไม่ต้องฝึกโมเดลใหม่

ศัพท์ที่ควรรู้

  • Electric arc furnace (EAF) – เตาหลอมไฟฟ้าที่ใช้ในการผลิตเหล็กโดยการหลอมโลหะ
  • Root mean squared error (RMSE) – ตัวชี้วัดค่าเฉลี่ยของความคลาดเคลื่อนในการทำนาย ซึ่งบ่งบอกถึงความแม่นยำของโมเดล
  • Temporal features – คุณลักษณะเชิงเวลา คือข้อมูลที่เกี่ยวข้องกับลำดับหรือช่วงเวลาของการดำเนินการ
  • Historical-feedback learning – การเรียนรู้โดยการนำผลลัพธ์ในอดีตมาป้อนกลับเข้าไปในโมเดลเพื่อปรับปรุงการทำนาย

ที่มา: arxiv.org

Leave a Comment