Título

SOFT SENSOR: MACHINE LEARNING TRADICIONAL OU DEEP LEARNING?

SOFT SENSOR: TRADITIONAL MACHINE LEARNING OR DEEP LEARNING?

Autoria

Drumond, Pablo; Kappes, Daniele; Moraes, Cássio de; Magalhães, Eduardo; Teixeira, Mariana

Drumond, Pablo

Eu sou esse autor

Kappes, Daniele

Eu sou esse autor

Moraes, Cássio de

Eu sou esse autor

Magalhães, Eduardo

Eu sou esse autor

Teixeira, Mariana

Eu sou esse autor

DOI

10.5151/2237-0234-31915

Downloads

Resumo

Para atingir a qualidade desejada no concentrado da flotação, numa usina de mineração de ferro, o operador tomava decisões com latência mínima de 2 horas, o equivalente ao tempo para recebimento de resultados da análise laboratorial. Um tempo morto tão elevado, tornava difícil colocar a planta em regime quando ocorria uma variação na alimentação da flotação ou na qualidade desejada. Dessa forma, o objetivo do presente trabalho foi construir um sensor virtual capaz de estimar o teor SiO2 e permitir a atuação do operador em um período mais curto. A alta variabilidade na alimentação, adicionada às dificuldades inerentes da predição envolvendo séries temporais tornaram o projeto singular. Foram aplicadas técnicas de mineração de dados e seleção de features em uma base de 03 meses abrangendo variáveis da Flotação e também da Deslamagem, e obtiveram-se entradas para elaboração de 03 modelos de Machine Learning: Random Forest, Gradient Boosted Trees e Multi Layer Perceptron. O Soft Sensor baseado em redes neurais artificiais se mostrou estatisticamente mais eficiente na etapa de teste. Na versão online, o baixo erro médio absoluto obtido comprovou a robustez do modelo, entregou agilidade para a operação e certificou o poder dessa abordagem em processos industriais com alta latência de resultados laboratoriais.

In an iron ore mining plant, in order to achieve the desired quality in the flotation concentrate, the operator took decisions based on the result of a laboratory analysis that took 2 hours minimum to be available. Such a long dead time made it difficult to put the plant in steady state when a variation in the feeding of the flotation occurred or when the output specification changes. Thus, the aim of the present work is to report a construction of a virtual sensor capable of estimating the SiO2 content and that allowed the operator to perform a responsive action in a shorter period. The high variability in feeding on top of the inherent difficulties in the prediction involving time-series made the project unique. Data mining techniques and feature selection were applied on a 03 months database covering Flotation as well as the Desliming variables, and different datasets were used in order to obtain the following three Machine Learning models: Random Forest, Gradient Boosted Trees and Multi-Layer Perceptron. The Soft Sensor based on artificial neural networks was more efficient in the test stage. In the online version, the low average absolute error obtained proved the robustness of the model, delivered agility to the operation and confirmed the power of this approach in industrial processes with high latency of laboratory results.

Palavras-chave

Flotação; Machine Learning; Soft Sensor; Multi-Layer Perceptron

Froth Flotation; Machine Learning; Soft Sensor; Multi-Layer Perceptron.