New General Framework for Ferrotitanium Process Control

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.