Go to page

Bibliographic Metadata

Restriction-Information
  •  The document is publicly available on the WWW
Links
Files
Classification
Zusammenfassung
  • Die industrielle Herstellung von Aluminium ist ein sehr energieintensiver Prozess. Eine regelmäßige Kontrolle der Elektrolyttemperatur ist erforderlich, um eine stabile Produktion von Aluminium zu gewährleisten. Eine zerstörungsfreie Messung der Elektrolyttemperatur über eine in den Öfen angebrachte Sensorik ist jedoch nicht möglich, da die korrosive Produktionsumgebung die Sensoren in kürzester Zeit auflösen würde. Eine kontinuierliche Messung der Elektrolyttemperatur ist dennoch erstrebenswert, um weitere Rückschlüsse auf den Zustand eines Elektrolyseofens zu gewinnen. Im Rahmen dieser Arbeit werden datenbasierte Methoden auf ihre Eignung zur Vorhersage der Elektrolyttemperatur untersucht. Zunächst werden die Wechselwirkungen von Prozessvariablen der Aluminiumelektrolyse sowie ihre Einflüsse auf die Elektrolyttemperatur aufgezeigt. Die zeitlichen Verläufe der Elektrolyttemperaturen werden hinsichtlich der Autokorrelation, Periodizität und Stationarität analysiert. Zwei Lösungsansätze für die Vorhersage der Badtemperatur werden präsentiert, die Vorhersagemodelle aus dem Bereich der Zeitreihenanalyse und des maschinellen Lernens aufgreifen. Der erste Lösungsansatz ist eine Tagesprognose (Forecasting) der Elektrolyttemperatur, die mittels eines globalen autoregressiven Modells (AR-Modell) erstellt wird. Das globale AR-Modell wird im Rahmen der Untersuchung mit lokalen Zeitreihenmodellen verglichen. Der zweite Lösungsansatz ist eine Gegenwartsvorhersage (Nowcasting) der Elektrolyttemperatur, die mit einem globalen Random Forest (RF) Regressionsmodell erzeugt wird. Zudem wird ein Ansatz aufgezeigt, um die Gegenwartsvorhersagen des RF-Regressionsmodells interpretieren zu können. Dieser Ansatz stellt eine neuartige Methode zur Ursachenanalyse von Änderungen der Elektrolyttemperatur dar, die nach bestem Wissen im Bereich der Aluminiumelektrolyse bislang nicht aufgezeigt wurde. Die Ergebnisse zeigen, dass ein globales AR(10)-Modell die lokalen Zeitreihenmodelle hinsichtlich der Vorhersage der Elektrolyttemperatur substituieren kann. Auf den Testdaten erreicht das globale AR(10)-Modell einen Mean Absolute Error (MAE) von 4,55 °C. Das RF-Regressionsmodell erreicht für die Gegenwartsvorhersage auf den gleichen Testdaten einen MAE von 4,53 °C. Anstatt der Badtemperatur sagt das RF-Regressionsmodell die Badtemperaturänderung vorher, da dies innerhalb der Cross-Validation zu einer besseren Modellperformanz führte. Eine Modellkombination, bestehend aus den beiden globalen Modellen, verbessert den MAE zusätzlich auf 4,31 °C.
Abstract
  • The industrial production of aluminium is a very energy-intensive process. It is essential to conduct regular bath temperature measurements to ensure stable aluminium production. However, the use of sensors installed directly in the cells for bath temperature measurement is not feasible due to the corrosive nature of the production environment, which would rapidly corrode and dissolve the sensors. Nevertheless, continuous measurement of the bath temperature is desirable in order to gain further insights into the state of a reduction cell. This thesis presents an analysis of data-based methods with the aim of predicting the bath temperature. First, the interactions between process variables in aluminium electrolysis and their influence on the bath temperature are presented. The temporal behaviour of the bath temperature is analysed with regard to autocorrelation, periodicity and stationarity. Two approaches for predicting the bath temperature are presented which utilise data-based models derived form the fields of time series analysis and machine learning. The first approach is a daily forecast of the bath temperature, which is generated by a global autoregressive model (AR model). A comparison is made between the global AR model and local time series models. The second approach is the nowcast of the bath temperature, which is generated by a global random forest regression model. Furthermore, an interpretation of the generated nowcasts by the random forest regression model is presented. This approach represents a novel method for analysing the causes of changes in bath temperature, which, to the best of my knowledge, has not yet been demonstrated in the field of the aluminium electrolysis. The results demonstrate that the global AR(10) model can replace local time series models in predicting the bath temperature. The global AR(10) model exhibits a mean absolute error of 4.55 °C on the test data. The random forest regression model achieves a mean absolute error of 4.53 °C for the present prediction on the same test data. In contrast to the global model, the random forest regression model predicts changes in the bath temperature instead of absolute bath temperature values, as this approach yields superior model performance within the cross-validation. The combination of the two global models improves the mean absolute error to 4.31 °C.
Content
Stats
  • The PDF-Document has been downloaded 9 times.
License/Rightsstatement