TY - THES AB - 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. AU - Bartels, Niclas CY - Wuppertal DA - 2024 DO - 10.25926/BUW/0-843 DP - Bergische Universität Wuppertal KW - Vorhersage KW - Elektrolyttemperatur KW - Badtemperatur KW - Hall-Héroult KW - Aluminiumelektrolyse KW - AR-Modell KW - Random Forest KW - Lokales Modell KW - Globales Modell LA - ger N1 - Bergische Universität Wuppertal, Dissertation, 2024 PB - Veröffentlichungen der Universität PY - 29. November 2024 SP - 1 Online-Ressource (xx, 118 Seiten) : Illustrationen, Diagramme T2 - Fakultät für Elektrotechnik, Informationstechnik und Medientechnik TI - Zeitreihenanalyse von Prozessdaten der Aluminiumelektrolyse für die Vorhersage der Elektrolyttemperatur UR - https://nbn-resolving.org/urn:nbn:de:hbz:468-2-5631 Y2 - 2026-01-16T11:54:29 ER -