Published June 26, 2023 | Version v1
Publication Open

Prediction of Raw Mill Fan Vibrations Based on Machine Learning Models

Creators

  • 1. École nationale supérieure d'arts et métiers
  • 2. Université Moulay Ismail de Meknes

Description

Abstract In the cement manufacturing process, kiln process fans play a vital role. This article presents an extensive investigation into the prediction of Raw Mill Fan vibrations using machine learning models. The study evaluates multiple machine learning models, including k-nearest neighbors, linear regression, random forest, support vector machines (SVM), XGBoost, kernel ridge, support vector regression (SVR), recurrent neural networks (RNN), dense networks, and artificial neural networks (ANN). Performance evaluation metrics such as R2 and RMSE are employed to assess the accuracy of these models. The results demonstrate that both the Random Forest and XGBoost models exhibit remarkable predictive performance, with high R2 scores and low RMSE values. The conclusions drawn from these findings have important implications for the operation of the raw mill fan, as the adoption of predictive maintenance strategies can minimize downtime and enhance operational efficiency. Therefore, this study suggests that the incorporation of machine learning models into the monitoring and maintenance practices of kiln process fans has the potential to bring about a revolutionary improvement in the overall performance of the kiln process, yielding superior outcomes.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الخلاصة في عملية تصنيع الأسمنت، تلعب مراوح عملية الفرن دورًا حيويًا. تقدم هذه المقالة تحقيقًا مكثفًا في التنبؤ باهتزازات مروحة الطاحونة الخام باستخدام نماذج التعلم الآلي. تقوم الدراسة بتقييم نماذج التعلم الآلي المتعددة، بما في ذلك أقرب الجيران، والانحدار الخطي، والغابات العشوائية، وآلات ناقلات الدعم (SVM)، و XGBoost، وحافة النواة، وانحدار ناقلات الدعم (SVR)، والشبكات العصبية المتكررة (RNN)، والشبكات الكثيفة، والشبكات العصبية الاصطناعية (ANN). يتم استخدام مقاييس تقييم الأداء مثل R2 و RMSE لتقييم دقة هذه النماذج. تُظهر النتائج أن كلا من نموذجي Random Forest و XGBoost يُظهران أداءً تنبؤيًا ملحوظًا، مع درجات R2 عالية وقيم RMSE منخفضة. الاستنتاجات المستخلصة من هذه النتائج لها آثار مهمة على تشغيل مروحة مطحنة الخام، حيث أن اعتماد استراتيجيات الصيانة التنبؤية يمكن أن يقلل من وقت التوقف عن العمل ويعزز الكفاءة التشغيلية. لذلك، تشير هذه الدراسة إلى أن دمج نماذج التعلم الآلي في ممارسات المراقبة والصيانة لمراوح عملية الفرن لديه القدرة على إحداث تحسن ثوري في الأداء العام لعملية الفرن، مما يؤدي إلى نتائج متفوقة.

Translated Description (French)

Résumé Dans le processus de fabrication du ciment, les ventilateurs de processus de four jouent un rôle essentiel. Cet article présente une enquête approfondie sur la prédiction des vibrations du ventilateur du broyeur brut à l'aide de modèles d'apprentissage automatique. L'étude évalue plusieurs modèles d'apprentissage automatique, y compris les k plus proches voisins, la régression linéaire, la forêt aléatoire, les machines à vecteurs de support (SVM), XGBoost, la crête du noyau, la régression des vecteurs de support (SVR), les réseaux de neurones récurrents (RNN), les réseaux denses et les réseaux de neurones artificiels (ANN). Des mesures d'évaluation des performances telles que R2 et RMSE sont utilisées pour évaluer l'exactitude de ces modèles. Les résultats démontrent que les modèles Random Forest et XGBoost présentent des performances prédictives remarquables, avec des scores R2 élevés et des valeurs RMSE faibles. Les conclusions tirées de ces résultats ont des implications importantes pour le fonctionnement du ventilateur du broyeur brut, car l'adoption de stratégies de maintenance prédictive peut minimiser les temps d'arrêt et améliorer l'efficacité opérationnelle. Par conséquent, cette étude suggère que l'incorporation de modèles d'apprentissage automatique dans les pratiques de surveillance et de maintenance des ventilateurs de processus de four a le potentiel d'apporter une amélioration révolutionnaire de la performance globale du processus de four, donnant des résultats supérieurs.

Translated Description (Spanish)

Resumen En el proceso de fabricación de cemento, los ventiladores de proceso del horno desempeñan un papel vital. Este artículo presenta una extensa investigación sobre la predicción de las vibraciones brutas del ventilador del molino utilizando modelos de aprendizaje automático. El estudio evalúa múltiples modelos de aprendizaje automático, incluidos k vecinos más cercanos, regresión lineal, bosque aleatorio, máquinas de vectores de soporte (SVM), XGBoost, kernel ridge, regresión de vectores de soporte (SVR), redes neuronales recurrentes (RNN), redes densas y redes neuronales artificiales (ANN). Las métricas de evaluación del desempeño, como R2 y RMSE, se emplean para evaluar la precisión de estos modelos. Los resultados demuestran que tanto los modelos Random Forest como XGBoost muestran un rendimiento predictivo notable, con puntuaciones R2 altas y valores RMSE bajos. Las conclusiones extraídas de estos hallazgos tienen implicaciones importantes para el funcionamiento del ventilador del molino en bruto, ya que la adopción de estrategias de mantenimiento predictivo puede minimizar el tiempo de inactividad y mejorar la eficiencia operativa. Por lo tanto, este estudio sugiere que la incorporación de modelos de aprendizaje automático en las prácticas de monitoreo y mantenimiento de los ventiladores de proceso del horno tiene el potencial de lograr una mejora revolucionaria en el rendimiento general del proceso del horno, obteniendo resultados superiores.

Files

latest.pdf.pdf

Files (669.1 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:c6473cbd4243ce424f3ec6d3179165f4
669.1 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التنبؤ باهتزازات مروحة المطحنة الخام بناءً على نماذج التعلم الآلي
Translated title (French)
Prévision des vibrations du ventilateur de broyeur brut basée sur des modèles d'apprentissage automatique
Translated title (Spanish)
Predicción de vibraciones brutas del ventilador del molino basadas en modelos de aprendizaje automático

Identifiers

Other
https://openalex.org/W4382059278
DOI
10.21203/rs.3.rs-3067230/v1

Is supplement to
https://openalex.org/W4386715265 (Other)
https://openalex.org/W4318605510 (Other)
https://openalex.org/W3191198889 (Other)
https://openalex.org/W2954002293 (Other)
https://openalex.org/W2802491896 (Other)
https://openalex.org/W2164372000 (Other)
https://openalex.org/W2161582432 (Other)
https://openalex.org/W2109143577 (Other)
https://openalex.org/W2078264086 (Other)
https://openalex.org/W2046276983 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Morocco

References

  • https://openalex.org/W1973365666
  • https://openalex.org/W1973650821
  • https://openalex.org/W2066236447
  • https://openalex.org/W2085673745
  • https://openalex.org/W2087927026
  • https://openalex.org/W2267620405
  • https://openalex.org/W2520183876
  • https://openalex.org/W2562762876
  • https://openalex.org/W2791694051
  • https://openalex.org/W2808347778
  • https://openalex.org/W2913575009
  • https://openalex.org/W2983972443
  • https://openalex.org/W2997917996
  • https://openalex.org/W3023093567
  • https://openalex.org/W3039283338
  • https://openalex.org/W3049252940
  • https://openalex.org/W3089140114
  • https://openalex.org/W3108072457
  • https://openalex.org/W3119096656
  • https://openalex.org/W3140533664
  • https://openalex.org/W3188968325
  • https://openalex.org/W4200322901
  • https://openalex.org/W4213029555
  • https://openalex.org/W4235751205
  • https://openalex.org/W4256669726
  • https://openalex.org/W4320730948
  • https://openalex.org/W4378189333
  • https://openalex.org/W4378909228