Using principal component analysis and self-organizing map to estimate the physical quality of cathode copper

A. Rantala, H. Virtanen, Kari Saloheimo, S-L Jämsä-Jounela

    Tutkimustuotos: LehtiartikkeliConference articleScientificvertaisarvioitu

    86 Lataukset (Pure)

    Abstrakti

    The growing interest in utilising multivariable statistical dimension reduction techniques, PCA and PLS, and neural networks in process monitoring and analysis has resulted in a number of successful industrial applications. This paper describes a process study on the effects of the chemical quality of the anodes on the physical quality of produced cathodes at a copper electrorefining plant through PCA, SOM and a combination of these two techniques. The clustering of anode analysis data over time was compared with the physical quality data of the cathodes.
    AlkuperäiskieliEnglanti
    Sivut357-362
    JulkaisuIFAC PROCEEDINGS VOLUMES
    Vuosikerta33
    Numero22
    DOI - pysyväislinkit
    TilaJulkaistu - 2000
    OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
    TapahtumaIFAC Workshop on Future Trends in Automation of the Mineral and Metal Processing - Espoo, Suomi
    Kesto: 22 elokuuta 200024 elokuuta 2000

    Tutkimusalat

    • copper
    • data mining
    • principal component analysis
    • process monitoring
    • refining
    • self-organizing map

    Sormenjälki

    Sukella tutkimusaiheisiin 'Using principal component analysis and self-organizing map to estimate the physical quality of cathode copper'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

    Siteeraa tätä