Soft sensor empregando rede neural recorrente LSTM para estimação da gramatura numa máquina de papel

Abstract

Ziel der Arbeit war die Entwicklung eines Softsensors zur Vorhersage der Papiergrammatur. Die angewandte Methodik bestand in der Verwendung eines rekurrenten neuronalen Netzwerks vom Typ LSTM (Long Short-Term Memory), das für seine Fähigkeit bekannt ist, komplexe Zeitsequezen zu verarbeiten. Der vorgeschlagene Soft-Sensor wurde an einem Datensatz trainiert und getestet, der aus mehreren Variablen wie Maschinenleistung, Blechverformungseigenschaften und Prozessparametern bestand. Basierend auf diesen Informationen war das Modell in der Lage, Muster und nichtlineare Beziehungen zu lernen, die in den Daten vorhanden sind, und lieferte Genauigkeit in ihren Schätzungen. Eine detaillierte Analyse der Ergebnisse ergab, dass das neuronale Netzwerk bei niedrigen Grammaturen eine deutlich bessere Leistung

zeigte. Zusätzlich wurde ein Vergleich zwischen den Messwerten und den vom Soft- Sensor vorhergesagten Werten durchgeführt. Es gab eine starke Korrelation zwischen

diesen beiden Datensätzen, was darauf hindeutet, dass die vom Modell generierten Vorhersagen mit den tatsächlichen Grammaturwerten übereinstimmen. Die Ergebnisse dieser Studie haben erhebliche Auswirkungen auf die Papierindustrie. Der Einsatz von Soft-Sensoren auf Basis neuronaler LSTM-Netzwerke kann die Qualitätskontrolle und den Produktionsprozess erheblich verbessern und Echtzeitanpassungen ermöglichen, um die Kontrolle der Produktionsvariablen sicherzustellen.