Knowledge base: Warsaw University of Technology

Settings and your account

Back

Modeling temperature of a coal mill with neural network

Tymoteusz Nowicki

Abstract

The subject of the work is to create a neural model of a coal mill, whose task will be to determine the temperature of the dust-air mixture at the outlet of the mill. The coal mill is a highly regulated object. It requires constant diagnostics in order to detect undesirable events. Possible irregularities during coal grinding and transport may lead to a sudden increase in temperature and pressure, which may result in ignition and explosion. The failure of one mill causes a decrease in the efficiency of the entire unit, and this is associated with large losses for the power plant. Neural networks make it possible, on the basis of data collected during operation, to create a model that can be used in diagnostics or regulation of a object such as a coal mill. The first part of the paper contains a description of the construction and operation of the coal mill. It discusses the whole process of grinding, from raw coal to obtaining a fuel mixture transported to the boiler burner. The description of the MKM 33 mill is complemented by balance equations of the analytical model, showing what physical phenomena occur during its operation. There is also a description of the causes and methods of preventing ignition of the coal mill. The second part describes what a neural network is and how it learns. There is a brief explanation of the stochastic gradient descent and the backpropagation algorithm. The possibilities of the Keras library, which allows to build a neural network model very quickly, are presented below. Step by step, the process of creating, learning and testing a neural network has been explained. The next chapter is to prepare the data before sending them to the network. The data had to be sorted chronologically. The noisy data was filtered. Then they were converted to obtain access of data from previous moment. The data were normalized to take small values in the same range from 0 to 1. Further, in order to select specific model inputs, correlations of all available variables with the output values, i.e. the temperature of the dust-air mixture, were calculated. The last stage was to create models with different parameters and configurations. These models were tested on a dataset not used in the network training process. On the basis of the results, an assessment was made, containing the advantages and disadvantages of using neural networks to solve problems of regulation and diagnostics of coal mill objects.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Tymoteusz Nowicki (FM) Tymoteusz Nowicki,, Faculty of Mechatronics (FM)
Title in Polish
Modelowanie temperatury mieszanki pyłowo-powietrznej młyna węglowego z użyciem sieci neuronowej
Supervisor
Anna Sztyber (FM/IACR) Anna Sztyber,, The Institute of Automatic Control and Robotics (FM/IACR)Faculty of Mechatronics (FM)
Certifying unit
Faculty of Mechatronics (FM)
Affiliation unit
The Institute of Automatic Control and Robotics (FM/IACR)
Study subject / specialization
, Automatyka i Robotyka (Automation and Robotics)
Language
(pl) Polish
Status
Finished
Defense Date
29-05-2019
Issue date (year)
2019
Reviewers
Anna Sztyber (FM/IACR) Anna Sztyber,, The Institute of Automatic Control and Robotics (FM/IACR)Faculty of Mechatronics (FM) Zofia Łabęda-Grudziak (FM/IACR) Zofia Łabęda-Grudziak,, The Institute of Automatic Control and Robotics (FM/IACR)Faculty of Mechatronics (FM)
Keywords in Polish
sieci neuronowe, młyn węglowy, modelowanie
Keywords in English
neural network, coal mill, modeling
Abstract in Polish
Tematem pracy jest stworzenie neuronowego modelu młyna węglowego, którego zadaniem będzie wyznaczanie temperatury mieszanki pyłowo-powietrznej na wyjściu młyna. Młyn węglowy jest obiektem o silnej regulacji. Wymaga stale prowadzonej diagnostyki w celu wykrycia niepożądanych zdarzeń. Ewentualne nieprawidłowości podczas mielenia i transportu węgla mogą doprowadzić do nagłego wzrostu temperatury i ciśnienia, co z może skutkować zapłonem i wybuchem. Awaria jednego młyna powoduje spadek wydajności całego bloku, a to wiąże się z dużymi stratami dla elektrowni. Sieci neuronowe umożliwiają, na podstawie danych zebranych podczas eksploatacji, stworzenie modelu, który może znaleźć zastosowanie w diagnostyce lub regulacji obiektu jakim jest młyn węglowy. W pierwszej części pracy został umieszczony opis budowy i zasady działania młyna węglowego. Omówiono w nim cały proces mielenia od surowego węgla, aż do uzyskania mieszanki paliwowej transportowanej do komory spalania. Opis młyna typu MKM 33 uzupełniają równania bilansowe modelu analitycznego, ukazujące jakie zjawiska fizyczne zachodzą podczas jego pracy. Znajduje się tu również opis przyczyn i sposoby zapobiegania zapłonom młyna węglowego. Druga część opisuje czym jest sieć neuronowa i w jaki sposób przebiega proces jej uczenia. Można znaleźć tam krótkie wyjaśnienie stochastycznego spadku gradientu i algorytmu wstecznej propagacji. Dalej przedstawiono możliwości biblioteki Keras, która pozwala bardzo szybko zbudować model sieci neuronowej. Krok po kroku wytłumaczono, z jakich modułów składa się proces tworzenia, uczenia i testowania sieci neuronowej. Kolejny rozdział to przygotowanie danych przed skierowaniem ich do sieci. Dane musiały zostać uporządkowane chronologicznie. Zaszumione poddano filtracji. Natępnie przekonwertowano je w taki sposób, aby uzyskać dostęp do danych z chwil poprzednich szeregu czasowego. Dane zostały znormalizowane, aby przyjmowały małe wartości z tego samego zakresu od 0 do 1. Dalej, w celu wyboru konkretnych wejść modelu, obliczono korelacje wszystkich dostępnych zmiennych z wartościami wyjścia, czyli temperaturą mieszanki pyłowo-powietrznej. Ostatnim etapem było nauczenie modeli o różnych parametrach i konfiguracjach. Modele te zostały przetestowane na zbiorze danych nie wykorzystywanym w procesie trenowania sieci. Na podstawie wyników została sporządzona ocena, zawierająca wady i zalety użycia sieci neuronowych do rozwiązywania problemów regulacji i diagnostyki obiektów typu młyn węglowy.
File
  • File: 1
    276754_inz.pdf
Request a WCAG compliant version
Local fields
Identyfikator pracy APD: 34057

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUTd604cd63fc0c466ba4bf9cd9abd1618b/
URN
urn:pw-repo:WUTd604cd63fc0c466ba4bf9cd9abd1618b

Confirmation
Are you sure?
Report incorrect data on this page