Data-driven modelling and quality prediction for a cement production plant

Cement is the most important building material in the world and its production has a significant impact on the environment, as it is a major contributor to greenhouse gas emissions, and on the global economy. The efficiency of cement production plants and the quality of the final product strongly depend on the application of advanced control techniques, which usually require a detailed model of the system. In this thesis we present the cement production process and the state of the art in the modelling and control techniques for this industry. We then exploit a large dataset collected from a real cement production plant in order to develop an adaptive modelling strategy for the system and an estimator for the quality of the product. We adopt a linear model structure to represent the behaviour of the system and make it adaptive to match its various operating conditions, by optimizing the parameters of the model in a Moving Horizon Estimation framework. We prove the effectiveness of the adopted strategy comparing the simulation performances of the models obtained with two possible formulations of the identification problem, entailing either the 1-step-ahead prediction of the model or its simulation. We explore several data-driven techniques for the estimation of the chemical composition of the process output and compare their results. Finally, we combine the obtained models to produce a prediction of the product quality.

Il cemento è il materiale da costruzione più importante al mondo e la sua produzione ha un impatto significativo sull'ambiente, poiché contribuisce in modo determinante alle emissioni di gas serra, e sull'economia globale. L'efficienza degli impianti di produzione di cemento e la qualità del prodotto finale dipendono fortemente dall'applicazione di tecniche di controllo avanzate, che solitamente richiedono un modello dettagliato del sistema. In questa tesi presentiamo il processo di produzione del cemento e lo stato dell'arte nelle tecniche di modellazione e controllo per questo settore. Sfruttiamo quindi un ampio dataset raccolto da un vero impianto di produzione di cemento per sviluppare una strategia di modellazione adattiva per il sistema ed uno stimatore per la qualità del prodotto. Adottiamo una struttura lineare del modello che rappresenta il comportamento del sistema e la rendiamo adattativa alle sue diverse condizioni operative, ottimizzando i parametri del modello con un approccio in stile Moving Horizon Estimation. Dimostriamo l'efficacia della strategia adottata confrontando le prestazioni in simulazione dei modelli ottenuti con due possibili formulazioni del problema di identificazione, che comportano o la previsione ad un passo del modello o la sua simulazione. Esploriamo poi diverse tecniche di machine learning per la stima della composizione chimica dell'output del processo e confrontiamo i loro risultati. Infine, combiniamo i modelli ottenuti per produrre una previsione della qualità del prodotto.