<  Back to the Polytechnique Montréal portal

New General Framework for Ferrotitanium Process Control

Mahan Balal Pour

Masters thesis (2019)

[img] Restricted to: Repository staff only until 20 October 2021.
Cite this document: Balal Pour, M. (2019). New General Framework for Ferrotitanium Process Control (Masters thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/5240/
Show abstract Hide abstract

Abstract

RÉSUMÉ : Les producteurs d'acier sont connues pour être à l'origine d'autres industries manufacturières. Les sidérurgistes sont toujours en concurrence pour être en avance sur les autres en matière de qualité. Pour améliorer leurs produits, ces entreprises tentent toujours d'améliorer la qualité de leurs produits en appliquant des additifs chimiques. L'un de ces additifs est appelé ferroalliage. Le ferroalliage est une combinaison du métal avec une grande quantité d'alliages chimiques différents tels que le vanadium, le titane, le silicium, l'aluminium, etc. Chacun de ces ferroalliages a un effet constructif sur les performances de l'acier produit. Le contrôle statistique des processus (SPC) est la méthode la plus utilisée par les producteurs de ferrotitane pour contrôler leurs processus. Le SPC a commencé à être utilisée dans les industries à partir des années 1920 et son utilisation a augmenté significativement pendant la Seconde Guerre mondiale. Les entreprises qui utilisent le contrôle statistique des processus gardent leurs principaux processus sous contrôle pour surveiller la stabilité, la capacité et les performances du processus. Cette méthode statistique est la façon la plus compréhensible et la plus simple de mettre en oeuvre des méthodes de contrôle statistique univariée sur les processus. Mais dans la plupart des processus réels, il existe toujours plusieurs variables dans lesquelles les entreprises tentent de les contrôler. Par conséquent, l'utilisation de la méthode statistique univariée pour surveiller toutes leurs variables leur pose certaines difficultés. Il ne peut pas considérer les corrélations possibles entre les variables et la surveillance de plusieurs cartes de contrôle en même temps est impossible pour les opérateurs. Chacune des cartes de contrôle a sa propre signification et les données de contrôle ne peuvent pas être collectées dans une carte unique. Par conséquent, lorsqu'il y a un produit hors contrôle, il faut beaucoup de temps et d'énergie pour déterminer quelle variable était responsable de l'erreur. L'objectif principal de cette recherche est de développer un cadre général pour déterminer les variables principales à contrôler dans le processus ferrotitanium et pour déterminer l'importance de chacune de ces variables. Dans ce modèle, après la collecte de l'ensemble de données historiques et après la préparation des données, nous analysons l'ensemble de données général, à l'aide de méthodes d'apprentissage supervisées et non supervisées, pour trouver la corrélation linéaire et non linéaire entre les variables et pour trouver les éléments les plus importants à surveiller. Les méthodes d'apprentissage supervisées et non supervisées proposées ont été appliquées sur un sous-ensemble de données historiques pour valider l’approche proposée. Nos résultats montrent qu'en utilisant des méthodes d'apprentissage supervisé telles que la régression linéaire multiple et la méthode de forêt aléatoire, nous pouvons déterminer les principaux éléments de chaque variable de réponse et la priorité de chaque prédicteur par rapport à l'ensemble de données générales et au sous-ensemble de données de produits sélectionné. Dans les méthodes d'apprentissage non supervisées, en utilisant l'analyse des composants principaux comme méthode principale de contrôle des processus multivariés, toutes les variables cachées sont ainsi étudiées et analysées.----------ABSTRACT : Steel producer companies are known as the root of other manufacturing industries. Steelmakers are always competing with each other to be ahead of the others in quality matters. To improve their products, these companies always are trying to improve the quality of their products by applying some chemical additives. One of these main additives is called ferroalloy chemical. Ferroalloy is a combination of the metal with a high amount of some different chemical alloys such as vanadium, titanium, silicon, aluminum, etc. Each of these ferroalloys has a constructive effect on the performance of produced steel (Holappa, 2010). Statistical process control (SPC) is the most popular method between ferrotitanium producers to control their processes. SPC started to be used over the industries from early 1920s and its use has grown during the World War II. Companies that use the statistical process control keep their main processes under control to monitor the stability, capacity, and process performance. This statistical method is the most understandable and the easiest way to implement univariate statistical control methods over the processes. However, in most of the real processes, there are always several variables in which companies try to control them. Therefore, using the univariate statistical method to monitor all their variables generate some difficulties. They cannot consider the possible correlations between the variables and monitoring several control charts at the same time is impossible for operators. Each of the control charts has its significance level and they cannot be collected in a unique chart. Therefore, when there is any out of range product in the ferrotitanium process, it takes a lot of time and energy to find out which variable was responsible of the error. The main goal of this research is to develop a general framework to determine the main variables to be controlled in the ferrotitanium process, and to determine the importance of each of these variables. In this model, after collecting the historical dataset and after data preparation, we analyze using supervised and unsupervised learning methods the general dataset to find out the linear and non-linear correlation between variables and to find out the most important elements of each response variable and to analyze whether the production results are predictable. Based on this result, the supervised and unsupervised learning methods was reapplied over a selected product data subset to see if the results match the general dataset results. Our results show that using supervised learning methods such as multiple linear regression and random forest method, we can determine the main elements of each response variable and the priority of each predictor over both general dataset and selected product data subset. In unsupervised learning methods, using the principal component analysis as the main method of multivariate process control, all the hidden variables can be studied and analysed.

Open Access document in PolyPublie
Department: Département de mathématiques et de génie industriel
Academic/Research Directors: Robert Pellerin and Vahid Partovi Nia
Date Deposited: 20 Oct 2020 12:08
Last Modified: 20 Oct 2020 12:08
PolyPublie URL: https://publications.polymtl.ca/5240/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only