Red neuronal para la predicción de temperatura en el horno de planta LC3

Abstract

El proyecto de tesis se centra en el modelado predictivo del horno en una planta de cemento LC3 mediante redes neuronales LSTM, con el objetivo principal de desarrollar un modelo digital que prediga el comportamiento del horno en diversas condiciones operativas, optimizando el trabajo de los operadores y la calidad del material calcinado. A través del análisis de datos recopilados, se realiza la selección de variables relevantes, eliminación de valores atípicos y normalización, mientras que el diseño y entrenamiento de la red neuronal se lleva a cabo con el toolbox "Deep Network Designer" de MATLAB. Se prueban diferentes configuraciones para determinar la arquitectura óptima. Como resultado, se obtiene un modelo predictivo con un RMSE de 0.051, equivalente a un error relativo del 5.1%, que permite predecir con precisión la temperatura del horno bajo distintos escenarios. Este avance refuerza los objetivos de la Industria 4.0 al mejorar el control del proceso de calcinación. Se concluye que el modelo basado en LSTM es adecuado para sistemas industriales complejos, aunque su precisión depende de la calidad y cantidad de datos empleados en el entrenamiento. La metodología es replicable en otros procesos industriales con desafíos similares.