Data-based residence time estimation for continuous process data series based on the example of a sinter plant for the prediction of return fines

Thienpont, Emanuel Kashi; Kleinert, Tobias Theodor; Senk, Dieter

doi:HT031457341

Data-based residence time estimation for continuous process data series based on the example of a sinter plant for the prediction of return fines

Thienpont, Emanuel Kashi^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Dipl.-Ing. (FH) Emanuel Kashi Thienpont

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Kleinert, Tobias Theodor (Thesis advisor)^RWTH* ; Senk, Dieter (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2026-04-01

Online
DOI: 10.18154/RWTH-2026-04500
URL: https://publications.rwth-aachen.de/record/1034057/files/1034057.pdf

Einrichtungen

Projekte

Minimise sinter degradation between sinter plant and blast furnace exploiting embedded real-time analytics (847285) (847285)

Inhaltliche Beschreibung (Schlagwörter)
Datenaufbereitung (frei) ; Rückgut (frei) ; Schätzung (frei) ; Schüttgut (frei) ; Sinteranlage (frei) ; Verweilzeit (frei) ; bulk material (frei) ; data preprocessing (frei) ; residence time estimation (frei) ; return fines (frei) ; sinter plant (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die integrierte Hochofen-Konverter-Route (BF-BOF) war 2022 mit einem Anteil von rund 71 % das dominierende Verfahren der weltweiten Rohstahlerzeugung. Dabei spielt Eisenerzsinter eine zentrale Rolle, da er die notwendige Permeabilität im Hochofen sicherstellt und zugleich die Verwertung eisenhaltiger Reststoffe ermöglicht. Die Sinterqualität wird jedoch durch Transport-, Lager- und Prozessbedingungen beeinflusst und bislang überwiegend durch zeitaufwendige manuelle Prüfungen bestimmt. Dies führt zu verzögerten Rückmeldungen für die Prozesssteuerung und kann ineffiziente Betriebszustände mit erhöhten Emissionen und Qualitätsschwankungen verursachen. Obwohl moderne Prozessleitsysteme kontinuierlich große Mengen an Messdaten erfassen, fehlt häufig eine eindeutige zeitliche Zuordnung dieser Daten zu konkreten Materialeinheiten. Eine wesentliche Herausforderung stellt dabei die Bestimmung der Verweilzeit des Materials (Sinter) dar, die aufgrund unterschiedlicher Partikelgrößen, Entmischungseffekte sowie dynamischer Prozessbedingungen variiert. Bestehende Modellierungsansätze sind entweder schwer interpretierbar oder nur eingeschränkt auf dynamische Effekte übertragbar. In dieser Arbeit wird ein neuer datenbasierter Ansatz zur Schätzung der Verweilzeit (Residence Time Estimation, RTE) entwickelt, der eine zeitliche Synchronisation von Prozess- und Materialdaten ermöglicht. Die Methode kombiniert statische, dynamische und modellbasierte (geschätzte) Verweilzeiten entlang der Sinteranlage und berücksichtigt insbesondere komplexe Effekte im Sinterkühler. Zur Bestimmung der optimalen Verweilzeit wird ein Verfahren analog zur Kreuzkorrelation eingesetzt, bei dem ein Modell der Künstlichen Intelligenz als Gütefunktion dient. Dadurch kann die Vorhersagegenauigkeit eines Sinterqualitätskennwerts in Abhängigkeit von der Verweilzeit maximiert werden. Die Anwendung des Ansatzes auf reale Prozessdaten zeigt, dass sich Verweilzeitverteilungen zuverlässig bestimmen und für datengetriebene Modelle nutzbar machen lassen. Auf Basis zeitlich ausgerichteter Datensätze konnte mit einem Multiplen Linearen Regressionsmodell (MLR) eine Vorhersagegenauigkeit von bis zu R² = 0.60 erzielt werden. Dies ermöglicht die Prognose der Rückgutmenge bereits bis zu 73 Minuten vor dem Verlassen der Sinteranlage. Die Ergebnisse eröffnen neue Potenziale zur Optimierung der Prozessführung und zur frühzeitigen Qualitätserkennung. Insbesondere kann die Feinanteilsbildung (Rückgutmenge) reduziert und damit die Permeabilität im Hochofen verbessert werden, was zu signifikanten Energie- und CO₂-Einsparungen führt. Der vorgestellte Ansatz stellt somit eine wesentliche Weiterentwicklung bestehender Methoden zur Analyse von Verweilzeitverteilungen dar und zeigt das Potenzial moderner datenbasierter Verfahren für die industrielle Prozessoptimierung.

The Blast Furnace - Basic Oxygen Furnace (BF-BOF) route remains the dominant method of crude steel production, accounting for 71 % of global crude steel production in 2022. Within this process, iron ore sinter plays a crucial role as a primary feed material. Since iron ore fines must be agglomerated into particles of 5–50 mm to ensure sufficient gas permeability in the blast furnace, sinter plants are essential for agglomeration but also for recycling process residues. Producing high-quality sinter is therefore both economically and environmentally important. However, sinter quality is affected by multiple factors throughout production, including mixing, ignition, sintering, crushing, and cooling. Additionally, transport and storage degrade the material, generating fines and segregation. A major challenge is that sinter cannot be tracked through the process, and quality parameters cannot be measured in real time. Instead, manual testing introduces delays of several hours, forcing operators to rely on experience. This can lead to inefficient operation, higher emissions, and inconsistent product quality. Although modern control systems like PLCs and DCS collect large amounts of process data (e.g., temperature, pressure, mass flow), these data are time-based and not linked to specific production units. A key difficulty in modelling sinter quality is the varying Residence Time (RT) of particles as they move through the plant. These Residence Time Distributions (RTD) change dynamically due to process conditions and material behaviour such as mixing and segregation, especially in components like the sinter shaft cooler. Traditional RTD estimation methods rely on tracer experiments, which are difficult to apply in sinter plants due to extreme temperatures. Alternative approaches, including neural networks or manually labelled datasets, either lack interpretability or fail to capture short-term dynamics effectively. To address this, the thesis introduces a novel data-driven Residence Time Estimation (RTE) method. This approach aligns time-series process data with the actual movement of sinter material, enabling effective application of Machine Learning (ML) models. By iteratively testing different RT assumptions and evaluating prediction accuracy, the method identifies the best matching residence time using an ML-based correlation function. Applied to real plant data, the method successfully estimated RTDs and improved prediction of sinter quality indicators such as Cold Return Fines (CRF). Using aligned data, models achieved prediction accuracies up to R² = 0.60 and enabled forecasts up to 73 minutes in advance. This allows earlier process adjustments, improving efficiency, reducing sinter fines, and enhancing blast furnace performance. Even small improvements have significant economic and environmental impact: reducing return fines can lead to substantial cost savings while simultaneously lowering energy consumption and CO₂ emissions. Overall, the proposed method represents a major advancement in process analysis by enabling material tracking and real-time quality prediction in complex industrial systems.

OpenAccess:
PDF
(additional files)