Revista de Metalurgia, Vol 43, No 5 (2007)

Reducción de problemas de adherencia en procesos de galvanizado mediante técnicas de minería de datos


https://doi.org/10.3989/revmetalm.2007.v43.i5.77

F. J. Martínez-de-Pisón
Área de Proyectos de Ingeniería, Departamento de Ingeniería Mecánica, Universidad de La Rioja, España

Grupo EDMANS (http://www.mineriadatos.org)

J. Ordieres
Área de Proyectos de Ingeniería, Departamento de Ingeniería Mecánica, Universidad de La Rioja, España

Grupo EDMANS (http://www.mineriadatos.org)

A. Pernía
Área de Proyectos de Ingeniería, Departamento de Ingeniería Mecánica, Universidad de La Rioja, España

Grupo EDMANS (http://www.mineriadatos.org)

F. Alba
Área de Proyectos de Ingeniería, Departamento de Ingeniería Mecánica, Universidad de La Rioja, España

Grupo EDMANS (http://www.mineriadatos.org)

V. Torre
Aceralia. Grupo ARCELOR MITTAL ESPAÑA, I+D+i. Centro de Desarrollo Tecnológico, España

Resumen


En este trabajo, se muestra un ejemplo de aplicación de técnicas de minería de datos para la obtención de conocimiento oculto a partir de los históricos de un proceso de galvanizado. El objetivo consistió en encontrar reglas que pudieran servir para mejorar la calidad del producto final y reducir los fallos del proceso. Para ello, se partió de los históricos correspondientes a la etapa de ajuste de una línea de galvanizado donde surgieron bobinas con problemas en la adherencia del recubrimiento de zinc aplicado. A partir de la base de datos de dicho proceso, se aplicó la metodología clásica de minería de datos para generar y analizar diversos árboles de decisión que clasificaban dos tipos de clases: las bobinas con adherencia correcta y las que presentaban adherencia irregular. De estos árboles se extrajeron las variables y sus valores, que más podían influir en la calidad del recubrimiento. Además, se establecieron reglas que podían ser aplicadas para reducir el número de bobinas con fallos de adherencia.

Palabras clave


Árboles de decisión; Línea de galvanizado; Minería de datos; Búsqueda de conocimiento en bases de datos; Mejora de procesos industriales; Análisis de los parámetros del proceso

Texto completo:


PDF

Referencias


[1] O. Domínguez, J. M. Miranda-Ariz y L. Salvador. Rev. Metal. Madrid 38 (2002) 108-116.

[2] A. Gorni, The modelling of hot rolling processes using neural networks, http://www.gorni.eng.br/e/neural_1998.html, 1998.

[3] F. J. Martínez-De Pisón, Tesis Doctoral, Escuela Técnica Superior de Ingeniería Industrial, Universidad de La Rioja, 2003.

[4] J. A. González-Rodríguez, Tesis Doctoral, Universidad de Oviedo, 1994.

[5] F. J. Martínez-De Pisón, F. Alba-Elías, M. Castejón-Limas y J. A. González Rodríguez, Ironmaking Steelmaking 33 (2006) 1-9.

[6] J. Hernández-Orallo, M. J. Ramírezquintana y C. Ferri-Ramírez, Introducción a la Minería de Datos, Pearson Educación S.A., Prentice Hall, Madrid, España, 2004.

[7] J. R. Quinlan, Machine Learning 1 (1986) 81-106.

[8] J. Zueco y F. Alhama, Rev. Metal. Madrid 41 (2005) 227-232.

[9] J. H. Wei y H. T. Hu, Ironmaking Steelmaking 32 (2005) 427-434. doi:10.1179/174328105X48133

[10] A. Monsalve, A. Artigas, D. Celentano y F. Meléndez, Rev. Metal. Madrid 40 (2004) 247-258.

[11] D. M. Jones, J. Watton y K. J. Brown, Ironmaking Steelmaking 32 (2005) 435-442. doi:10.1179/174328105X48151

[12] C. Camurri. Rev. Metal. Madrid 39 (2003) 132-139.

[13] A. Pernía-Espinoza, M. Castejón-Limas, A. González-Marcos y V. Lobato-Rubio, Ironmaking Steelmaking 32 (2005) 418-426. doi:10.1179/174328105X28829

[14] C. Cantera, J. Jiménez, I. Varela y A. Formoso. Rev. Metal. Madrid 38 (2002) 243-248.

[15] J. Ordieres-Meré, A. González-Marcos, J. A. González, y V. Lobato-Rubio, Ironmaking Steelmaking 31 (2004) 43-50. doi:10.1179/030192304225012060

[16] Z. Sterjovski, D. Nolan, K. R. Carpenter, D. P. Dunne y J. Norrish, J. Mater. Process. Technol. 170 (2005) 536-544. doi:10.1016/j.jmatprotec.2005.05.040

[17] R. Valentini, V. Colla y M. Vannucci, Rev.Metal. Madrid 40 (2004) 416-419.

[18] J. Liu, H. Chang, T. Y. Hsu, y R. Ruan, J.Materi. Process. Technol.103 (2) (2000) 200-214. doi:10.1016/S0924-0136(99)00444-6

[19] K. P. Surjya y C. Debabrata, Neural Computing Applications 14 (2005) 319-324. doi:10.1007/s00521-005-0468-x

[20] J. Son, D. Lee, I. Kim y S. Choi, J. Mater. Process. Technol. 153/154 (0) (2004) 643-648. doi:10.1016/j.jmatprotec.2004.04.376

[21] F. Pernkopf. Pattern Analysis Applications 7 (2005) 333-342.

[22] J. Jung y y. Im, J Mater. Process. Technol. 96 (1999) 163-172. doi:10.1016/S0924-0136(99)00340-4

[23] F. Janabi-Sharifi, Control Eng. Practice 1 (2005) 1-14.

[24] J. Jung U y. Im, Int. J.Mechanical Sci. 42 (2000) 249-255. doi:10.1016/S0020-7403(98)00122-2




Copyright (c) 2007 Consejo Superior de Investigaciones Científicas (CSIC)

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.


Contacte con la revista revmetal@cenim.csic.es

Soporte técnico soporte.tecnico.revistas@csic.es