MODELAGEM NEURAL DE UM PROCESSO DE PRODUÇÃO DE PELOTAS DE MINÉRIO DE FERRO (1)

Transcrição

1 MODELAGEM NEURAL DE UM PROCESSO DE PRODUÇÃO DE PELOTAS DE MINÉRIO DE FERRO (1) Alessandro Marques Monteiro (2) Antônio de Pádua Braga (3) Bernardo Penna Resende de Carvalho (4) RESUMO: Este trabalho apresenta o desenvolvimento da modelagem por redes neurais artificiais para previsão da qualidade física das pelotas queimadas da usina de pelotização da Ferteco Mineração, localizada em Congonhas, MG. O processo de produção de pelotas para o qual a modelagem foi desenvolvida será apresentado. Será apresentada uma revisão dos conceitos básicos sobre redes neurais artificiais (RNAs), onde daremos ênfase às redes RBF (Radial Basis Functions) utilizadas para a criação do modelo. O programa modelador desenvolvido será apresentado, bem como os critérios adotados para análise e definição das variáveis utilizadas para criação do modelo. Finalmente são apresentados e discutidos os resultados obtidos do modelo. Palavras chave: redes neurais artificiais, modelagem, pelotização (1) Contribuição Técnica a ser apresentada no VII Seminário de Automação de Processos da ABM, 15 e 16 de outubro de 2003, Santos, SP, Brasil. (2) Especialista em Automação, Mestrando em Engenharia Elétrica, UFMG Coordenador de Projetos Automação, Ferteco Mineração. (3) Engenheiro Eletricista, Ph.D, Professor do Departamento de Engenharia Eletrônica da UFMG; Belo Horizonte, MG. (4) Engenheiro Eletricista, UFMG.

2 1 INTRODUÇÃO O processo de produção de pelotas de minério de ferro é uma importante etapa na cadeia de produção do aço. Essas pelotas constituem uma das matérias primas básicas utilizadas na siderurgia. As exigências de qualidade e baixos custos impostas aos produtores de pelotas de minério de ferro têm sido cada vez maiores. Conseqüentemente, a demanda por sistemas avançados de controle do processo de pelotização, visando a redução de custos de produção e garantia de qualidade também tem aumentado. A natureza complexa do processo de produção de pelotas de minério de ferro leva a grandes dispersões no processo produtivo. Essas dispersões acontecem principalmente na variabilidade da qualidade e produtividade da planta, causadas por diversos fatores. Os desenvolvimentos tecnológicos recentes permitem a obtenção de modelos precisos a partir de dados históricos de operação usando redes neurais artificiais (RNA) [1]. Estes modelos podem ser construídos em menor espaço de tempo, não havendo necessidade de interferir diretamente no processo para a geração específica de dados para o seu ajuste. A complexidade dos modelos neurais aumenta apenas de forma linear com o número de variáveis de entrada, o que é mais um atrativo em relação aos métodos tradicionais. Por serem aproximadores universais de funções lineares e não-lineares de múltiplas variáveis, as RNAs podem representar com fidelidade processos industriais complexos [3]. Este artigo descreve as etapas de desenvolvimento de um modelo neural para a previsão da qualidade física das pelotas queimadas, bem como uma discussão dos resultados obtidos com o modelo. 2 O PROCESSO DE PRODUÇÃO DE PELOTAS DE MINÉRIO DE FERRO O minério de ferro, na maioria das jazidas, é lavrado a céu aberto, sendo encontrado, principalmente, na forma de hematita (Fe 2 O 3 ) e de magnetita (Fe 3 O 4 ). Após a britagem e classificação, a fração fina é posteriormente tratada para aumento do teor de ferro, utilizando-se células de flotação ou separadores magnéticos, e finalmente, moída e filtrada. A granulometria desejada após a moagem é de, pelo menos, 85% menor que 45 µm. O produto desse processo é a matéria prima para a usina de pelotização, chamado pelletfeed. O processo de produção de pelotas, mostrado esquematicamente na figura 1, compreende as etapas de mistura de aditivos e aglomerantes, formação de pelotas verdes e endurecimento (queima). Uma descrição detalhada do processo de produção de pelotas poderá ser encontrada em Meyer [2].

3 Figura 1 Fluxograma de Processo da Usina de Pelotização Mistura de Aditivos e Aglomerantes: ao pelletfeed proveniente da filtragem são adicionados aglomerantes e aditivos, tais como dolomita, bentonita, calcário e cal. Os aglomerantes são adicionados para facilitar a formação de pelotas nos circuitos de pelotamento proporcionando melhor distribuição granulométrica e maior rigidez mecânica às pelotas verdes. Os aditivos como dolomita e calcário servem para corrigir propriedades químicas da pelota, principalmente basicidade. Podem ser ainda adicionados combustíveis sólidos, como coque de petróleo ou antracito que irão auxiliar o processo de queima, reduzindo também o consumo de óleo combustível ou gás natural utilizado para aquecimento dos gases no processo de queima das pelotas. Alternativamente, alguns dos insumos citados anteriormente podem ser adicionados durante o processo de moagem do concentrado, possibilitando assim o uso de aditivos de maior granulometria, o que representa uma redução significativa nos custos destes insumos. Formação de Pelotas Verdes: a produção de pelotas de 8 a 16 mm é obtida com o uso de discos ou tambores de pelotamento. As pelotas verdes, como são chamadas, não podem ser utilizadas diretamente nos alto-fornos, pois não possuem resistência mecânica adequada. Forno de Endurecimento de Pelotas: As pelotas verdes alimentam uma grelha móvel que percorre as diversas zonas que compõem o forno. Gases quentes atravessam a camada de pelotas, em um perfil crescente de temperatura, secando e queimando as pelotas até 1300 C. Finalmente são novamente resfriadas por ar ambiente forçado. As pelotas, após o processo de

4 queima, possuem resistência à compressão em torno de 300 kgf e à abrasão (% de finos menor que 0,5mm) em torno de 6%. É importante lembrar que no forno de endurecimento de pelotas são implementadas técnicas de controle modernas das variáveis do processo, que garantem a regulação do processo de queima. Uma descrição detalhada pode ser encontrada em Borim [6]. 3 REDES NEURAIS ARTIFICIAIS Redes neurais artificiais (RNAs) são sistemas paralelos distribuídos, compostos por unidades de processamento simples (nodos), que possuem capacidade de armazenar conhecimento experimental. Essas unidades são interligadas por um grande número de conexões entre si que são associadas a pesos, os quais armazenam o conhecimento representado no modelo e servem para ponderar a entrada recebida por cada neurônio da rede [1]. Dentre os diversos tipos de redes neurais, as redes de função de base radial (RBF) têm tido uma significativa relevância dentro do domínio das redes neurais artificiais. A principal razão para esse fato é a simplicidade do processo de treinamento e a eficiência computacional. Esse tipo de rede pode ser usada em problemas de aproximação de funções, previsão e classificação [4]. A estrutura básica de uma rede RBF, apresentada na Figura 2, consiste de apenas três camadas. A primeira camada é a conexão do modelo com o meio. Função de base radial Figura 2 Estrutura de uma rede RBF A segunda camada, ou camada escondida, realiza uma transformação não linear do espaço vetorial de entrada para um espaço vetorial interno que geralmente tem uma dimensão maior. A última camada, a de saída, transforma o espaço vetorial interno em uma saída através de um processo linear. A ativação dos nodos de uma rede RBF é função da distância entre seus vetores de entrada e de peso, os nodos da camada intermediária utilizam funções de base radiais (ex. gaussianas)[1]. No modelo apresentado neste trabalho foi utilizada uma rede do tipo RBF devido ao fato da mesma ter apresentado o melhor resultado para a solução do problema, em comparação às redes MLP (Multilayer Perceptron) também testadas durante a fase de desenvolvimento.

5 4 O PROGRAMA DESENVOLVIDO PARA A MODELAGEM Para a criação do modelo, foi desenvolvido em Matlab o programa SisRNA 1.3, que tem como objetivo disponibilizar ferramentas necessárias para a modelagem de sistemas utilizando redes neurais artificiais, proporcionando de forma ágil, facilidades para diversos testes necessários para a criação do modelo. O SisRNA 1.3 disponibiliza ferramentas para processamento dos sinais de entrada e saída, análises de correlação das variáveis, além de viabilizar ferramentas para treinamento e validação de modelos neurais, utilizando redes do tipo MLP (Multilayer Perceptron) ou RBF (Radial Basis Function). O programa possibilita também a análise de sensibilidade das variáveis de entrada em relação a saída de um modelo previamente criado. A figura 3 mostra a interface do programa, onde podemos definir a tarefa que se deseja executar, bem como definir o processamento dos dados de entrada e saída do modelo e verificar o status do processamento do sinal. Figura 3 Interface do programa SisRNA 1.3 É importante ressaltar que o programa SisRNA em sua última versão, tornou-se uma ferramenta indispensável para a criação de modelos de sistemas dinâmicos utilizando redes neurais artificiais. Maiores detalhes poderão ser encontrados em Monteiro [7].

6 5 DESENVOLVIMENTO DO MODELO Para a criação do modelo foram seguidas as etapas de coleta dos dados, análise de correlação entre as variáveis de entrada e saída, definição das variáveis que compõem o modelo e finalmente o treinamento e validação do modelo neural. A coleta dos dados para criação do modelo foi feita utilizando dados armazenados em um sistema PIMS (PI da OSI Software), em que através de planilhas Microsoft Excel em conjunto com ferramentas do sistema PI para Excel (PI Datalink) foram coletados dados de 56 dias consecutivos de operação da planta. Após a coleta dos dados, foi feito um estudo detalhado de correlação das variáveis de entrada com as saídas utilizando o programa SisRNA 1.3. Utilizando o resultado da análise de correlação, em conjunto com o conhecimento operacional da planta, foram definidas as variáveis de entrada para a criação dos primeiros modelos de previsão da qualidade física das pelotas. A tabela 1 apresenta as variáveis de entrada definidas para o modelo, bem como os resultados de correlação em relação à abrasão e os atrasos de tempo verificados na análise. Variáveis de Entrada do Modelo N Variável Correlação com abrasão Atraso 1 Produção da Grelha 0, Velocidade da Grelha 0,6 2 3 Potência PV-RC -0,1 1 4 Temperatura Caixa de Vento 6-0,6 1 5 Temperatura Caixa de Vento 10-0, Temperatura Caixa de Vento 14 0, Temperatura Caixa de Vento 18 0, Temperatura Caixa de Vento 22 0,1 1 9 Temperatura Caixa de Vento 24-0, Temperatura Recuperação II -0, Temperatura HD-FR-02-0, Temperatura HD-UD -0, Pelota Queimada: Compressão Média 0, Pelota Queimada: Tumble -0, Pelota Queimada: Abrasão 0, Pelota Verde: Umidade 0, Pelota Verde: % > 12,5mm 0, Pelota Verde: % > 9,5mm -0, Pelota Verde: % > 6,3mm 0, Pressão (CX Vento 8 - HD-DD) -0,1 1 Tabela 1 Variáveis de entrada do modelo Após diversos testes, o modelo que apresentou os melhores resultados possui 20 variáveis de entrada (tabela 1) e 2 variáveis de saída denominadas compressão média e abrasão. Uma descrição detalhada do desenvolvimento do modelo pode ser encontrada em Monteiro [7]

7 6 RESULTADOS OBTIDOS E CONCLUSÃO Após diversas simulações variando o número de neurônios da rede e o espalhamento da função radial (spread), finalmente chegamos ao modelo final que melhor representou o comportamento do processo, constituído de uma rede neural do tipo RBF com 27 neurônios na camada intermediária e um spread de 12. Foram utilizados para o treinamento e validação do modelo um conjunto de 600 dados coletados a cada 2 horas, o que representa um total de 50 dias de operação da planta, dados esses coletados nos meses de maio e junho de Desses dados foram utilizados 72% para treinamento e 28% para validação do modelo. A figura 4 apresenta os resultados de treinamento e validação do modelo em relação à saída de previsão da resistência à compressão das pelotas queimadas. Treinamento 0.8 ERRO: desejado obtido Resistência à Compressão ERRO: Validacao desejado obtido Figura 4 Treinamento e validação Saída: Resistência à compressão

8 A figura 5 apresenta os resultados de treinamento e validação do modelo em relação à saída de previsão da resistência à abrasão das pelotas queimadas (% finos < 0,5mm). Treinamento do modelo neural - Saida: FabPelPhiAbraQualPQ 0.8 ERRO: desejado obtido Resistência à Abrasão (% finos < 0,5mm) Validacao do modelo neural - Saida: FabPelPhiAbraQualPQ ERRO: desejado obtido Figura 5 Treinamento e validação Saída: Resistência à Abrasão (% finos < 0,5mm) Os gráficos de validação das figuras 4 e 5 mostram o comportamento preciso do modelo na previsão da qualidade física das pelotas queimadas, onde podemos observar o baixo erro na validação e o bom comportamento do valor obtido na previsão em comparação ao valor desejado. Observando estes gráficos, podemos comprovar a eficiência das redes neurais artificiais na modelagem de processos industriais complexos, como o de produção de pelotas de minério de ferro. A continuidade do trabalho apresentado tem como objetivo futuro, estabelecer a relação entre cada variável de entrada com as saídas do modelo, permitindo assim uma melhor compreensão do processo produtivo e sua otimização. Em seguida, o modelo terá sua implementação on-line, possibilitando ao pessoal de produção a redução da dispersão do processo produtivo, e conseqüentemente, ganhos de produtividade na planta, mantendo-se as exigências de qualidade necessárias.

9 7 REFERÊNCIAS BIBLIOGRÁFICAS [1] Braga, A. P., Carvalho, A. C. P. L. F., Ludermir, T. B.; Redes Neurais Artificiais: Teoria e aplicações. Livros Técnicos e Científicos (LTC), [2] Meyer, Kurt. Pelletizing or Iron Ores. Springer-Verlag Berlin, Heidelberg e Verlag Stahleisen mbh, Dusseldorf, [3] Cybenko, G., Continuos valued neural networks with two hidden layers are sufficient. Technical report, Department of Computer Science, Tufts University, [4] Haykin, Simon; Neural Networks; Prentice Hall Inc; [5] Borim, J. C., Modelagem e Controle de um Processo de Endurecimento de Pelotas de Minério de Ferro; Dissertação de Mestrado, UFMG PPGEE [6] Bires, M., Modelagem por RNA do Processo de Flotação Convencional Cauê, Dissertação de mestrado, UFMG, PPGEE, [7] Monteiro, A. M., Modelagem Neural de um Processo de Produção de Pelotas de Minério de Ferro, Dissertação de mestrado (em desenvolvimento), UFMG, PPGEE, 2003.

10 NEURAL MODELING FOR A PROCESS OF IRON ORE PELLETS PRODUCTION (1) Alessandro Marques Monteiro(2) Antonio de Pádua Braga(3) Bernardo Penna Resende de Carvalho(4) ABSTRACT: This work presents the development of a prediction model using Artificial Neural Networks (ANN) for the burned balls physical quality of a pelletizing plant at Ferteco Mineração, located at Congonhas, MG. The ball production process for which the modeling was developed to will be presented. A review of ANN basic concepts will be presented, in which we will emphasize the RBF (Radial Basis Function) network used for model creation. The modeling program developed will be presented, as well as the adopted criteria for analysis and definition of variables used by the model. Finally it will be presented and discussed the obtained results. Keywords: artificial neural networks, modeling, pelletizing (1) Technical contribution to be presented in the VII Seminar of Automation of Processes of ABM, 15 and October 16, 2003, Santos, SP, Brazil. (2) Specialist in Automation, Master Degree Student in Electric Engineering, UFMG - Coordinator of Automation Projects, Ferteco Mineração. (3) Electrical engineer, Ph.D, Adjunt Professor at Department of Electronic Engineering of UFMG; Belo Horizonte, MG. (4) Electrical engineer, UFMG.