Comparison Of RPROP And Improved BP Neural Networks Performance In Electric Arc Furnaces

Yıl 2019, Cilt: 3 Sayı: 1, 72 - 75, 04.03.2019

Edip Yıldız Ersin Özdemir

Öz

Electric arc furnaces are preferred for the production of liquid steel
because of the flexibility of the processes in the production of liquid steel,
investment and operating costs are lower than other production equipment. The
principle of operation of electric arc furnaces with alternating current is
based on melting the electric current through scrap by controlling the carbon
electrodes. Nonlinear, dynamic, have more than one parameter, have a complex
characteristic system. The current-voltage fluctuations and variable parameters
of the electric arc furnace, as well as the operation mode and the intuitive
operation of the operators, further complicate. Control of similar complex
systems is more difficult than linear systems. It is therefore important to
control the motion of the electrodes that perform efficiency and power transfer
in electric arc furnaces. In this study, an artificial neural network with a
multilayered network structure and a resilient back propagation algorithm
(RPROP), as well as improved back propagation algorithm (BP) performances,
which have proven effective in previous studies, were compared. Both methods
have been found to be successful in terms of unstable systems, but it has been
determined that resilient back propagation algorithm is learned with faster and
lower error in the experiments with the same data set. The study was performed
using Knime open source data analysis tool and artificial neural networks and
the results were evaluated.

Anahtar Kelimeler

Electrical arc furnace, Artificial neural network, Back propagation, Resilient

Esnek Geri Yayılımlı ve Geliştirilmiş Geri Yayılımlı Sinir Ağları Performanslarının Elektrikli Ark Ocaklarında Karşılaştırılması

Öz

Elektrikli ark ocakları, sıvı çelik üretimindeki
süreçlerinin esnekliğinden, yatırım ve işletme maliyetlerinin diğer üretim
ekipmanlarına göre daha düşük olması sebebi ile sıvı çelik üretiminde tercih
edilmektedirler. Alternatif akımlı elektrikli ark ocaklarının çalışma prensibi,
karbon elektrotlarının kontrol edilmesi ile elektrik akımını hurda üzerinden
geçirerek ergitme esasına dayanır. Doğrusal olmayan, dinamik, birden fazla
parametreye bağlı, karmaşık karakteristikte sisteme sahiptirler. Elektrikli ark
ocağının rastlantı sonucu olmayan akım-gerilim dalgalanmalarını ve değişken
parametrelerini, çalışma şekli ve operatörlerin sezgisel kullanımı daha da
karmaşıklaştırmaktadır. Buna benzer karmaşık sistemlerin kontrolü doğrusal olan
sistemlere göre daha zordur. Elektrikli ark ocaklarında verimi ve güç
transferini gerçekleştiren elektrotların hareket kontrolü de bu nedenle
önemlidir. Bu çalışmada çok katmanlı ağ yapısına sahip olan ve esnek geri
yayılım algoritmasına (RPROP) sahip yapay sinir ağı ile daha önceki
çalışmalarda etkinliği ispatlanmış olan geliştirilmiş geri yayılım algoritması
(BP)  performansları karşılaştırılmıştır.
Kararsız sistemler açısından her iki yöntemin başarılı sonuçlar gösterdiği
görülmüş fakat aynı veri seti ile yapılan denemelerde esnek geri yayılım algoritmasının
daha hızlı ve daha düşük hata ile öğrendiği tespit edilmiştir. Çalışma, Knime
açık kaynak kodlu veri analizi aracı ile yapay sinir ağları kullanılarak
gerçekleştirilmiş ve sonuçlar değerlendirilmiştir.

Anahtar Kelimeler

Elektrikli ark ocağı, Yapay sinir ağı, Geri yayılım, Esnek yayılım

Kaynakça

• [1] W. E. Staib and R. B. Staib, “The intelligent arc furnace controller: a neural network electrode position optimization system for the electric arc furnace,” Neural Networks, 1992. IJCNN., Int. Jt. Conf., vol. 3, pp. 1–9, 1992.
• [2] Z. Hong, Y. Sheng, and J. Li, “Development of AC Electric Arc-Furnace Control System Based on Fuzzy Neural Network,” pp. 2459–2464, 2006.
• [3] S. Zhang and X. Zheng, “Application of double model control scheme based on RBF inverse identification in electrode system of electrical arc furnace,” Proc. IEEE Int. Conf. Autom. Logist. ICAL 2007, no. 5, pp. 485–489, 2007.
• [4] Z. Hui, X. Wang, and X. Wang, “Prediction Model of Arc Furnace Based on Improved BP Neural Network,” 2009 Int. Conf. Environ. Sci. Inf. Appl. Technol., vol. 2, no. 2, pp. 664–669, 2009.
• [5] Ç. Elmas, Yapay Zeka Uygulamaları, 1st ed. Ankara: Seçkin Yayıncılık, 2007.
• [6] M. Riedmiller and H. Braun, “A direct adaptive method for faster backpropagation learning: The RPROP algorithm,” IEEE Int. Conf. Neural Networks - Conf. Proc., vol. 1993–Janua, pp. 586–591, 1993.
• [7] M. Ingvarsson, “The RPROP algorithm.” [Online]. Available: http://130.243.105.49/~lilien/ml/seminars/2007_03_12c-Markus_Ingvarsson-RPROP.pdf. [Accessed: 05-Feb-2019].