Proposta de sensores virtuais baseados em aprendizado de máquina para estimativa de parametros de qualidade na etapa de pelotamento de minério de ferro.

Abstract

O processo industrial de pelotização de minério de ferro foi desenvolvido objetivando-se o beneficiamento e aproveitamento comercial dos finos de minério. O pelotamento é a etapa deste processo responsável pela formação das pelotas, sendo influenciado por diversas variáveis, com reflexos diretos sobre a qualidade do produto. Logo, é importante que certas características físicas, desejadas para as pelotas, sejam continuamente monitoradas durante o processo produtivo. Atualmente o processo de garantia da qualidade é feito através de ensaios em laboratórios, atividade com alta latência de resposta. Dada a necessidade de aumento de eficiência deste processo e o respectivo impacto em toda a cadeia produtiva, este trabalho propõe a aplicação de um sensor virtual para estimar parâmetros de qualidade na etapa de pelotamento em uma usina de pelotização de minério de ferro. Foram comparadas 3 técnicas de aprendizado de máquinas: Redes Neurais Artificias, Random Forests e KNN – K Nearest Neighbors. Foi proposto um modelo de regressão baseado na coletânea nos melhores modelos individuais comparados. A identificação das variáveis que mais influenciam nos parâmetros de qualidade de pelotas cruas de minério de ferro é descrita, fundamentando-se na teoria da metalurgia do processo de pelotização. As variáveis de processo candidatas (features / targets) ao modelo foram tratadas, formando a base de dados para a geração do modelo de predição. Os modelos dos sensores virtuais foram validados com sucesso, obtendo-se R2 de 0,944 e RMSE de 0,075 para o modelo de coletânea, comprovando a importância de variáveis, tais como dosagens de aglomerantes, taxas de dosagem e rotação dos discos de pelotamento, volumes de produção e retorno. A validação dos modelos evidencia seu potencial para aplicação em um ambiente real, e abre espaço para continuidade de estudos futuros.