Revista de Metalurgia, Vol 44, No 1 (2008)

Desarrollo de un cerrojo artificial para el skin-pass en una línea de acero galvanizado por inmersión en caliente


https://doi.org/10.3989/revmetalm.2008.v44.i1.93

A. González-Marcos
Departamento de Ingeniería Eléctrica y Electrónica, Universidad de León, España

J. B. Ordieres-Meré
Departamento de Ingeniería Mecánica, Universidad de La Rioja, España

A. V. Pernía-Espinoza
Departamento de Ingeniería Mecánica, Universidad de La Rioja, España

V. Torre-Suárez
Centro de Desarrollo Tecnológico, Arcelor España, S.A., España

Resumen


En este trabajo se presenta la aplicación de técnicas de minería de datos en el desarrollo de un “cerrojo artificial” para el skin-pass, que permita solucionar un problema que puede presentarse en la fabricación de bobinas de acero galvanizado: el etiquetado incorrecto del grado de acero de una bobina. Para tratar de detectar estos errores y evitar así que los clientes reciban bobinas con propiedades distintas de las esperadas, se proponen modelos, basados en redes neuronales, que predicen on-line el alargamiento de las bobinas en el skin-pass en función de las variables del proceso de fabricación y de su composición química. De esta forma, si la diferencia entre el alargamiento que estima el modelo y el medido realmente es significativa, se hace necesario sacar la bobina de la línea para someterla a análisis más exhaustivos.

Palabras clave


Acero galvanizado; Minería de datos; Redes neuronales; Cerrojo artificial

Texto completo:


PDF

Referencias


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

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

[3] P. Chapman, J. Clinton, R. Kerber, T. Khabaza, R. Reinartz, C. Shearer y R. Wirth, CRISP-DM 1.0: Step-by-step data mining guide, CRISP-DM consortium / SPSS Inc., 2000.

[4] D. Pyle, Data Preparation for Data Mining, Morgan Kaufmann Publishers, San Francisco, EE.UU., 1999, pp. 9-44.

[5] R.J. Brachman y T. Anand, Advances in knowledge discovery and data mining, U. Fayyad, G. Piatetsky-Shapiro, P. Smyth y R. Uthurusamy (Eds.), AAAI Press/The MIT Press, Menlo Park, CA, EE.UU., 1996, pp. 37-57.

[6] U. Fayyad, G. Piatetsky-Shapiro y P. Smyth, Proc. KDD-96, Portland, Oregon, 1996, E. Simoudis, J. Han y U. Fayyad (Eds.), AAAI Press, Menlo Park, CA, EE.UU., 1996, pp. 82-88.

[7] R. Bellman, Adaptive Control Processes: A Guided Tour, Princeton University Press, New Jersey, EE.UU., 1961.

[8] M. Castejón-Limas, J.B. Ordieres-Meré, F.J. Martínez De Pisón-Ascacíbar y E. Vergara-González, Data Min. Knowl. Disc. 9 (2004) 171-187. doi:10.1023/B:DAMI.0000031630.50685.7c

[9] G.J. Mclachlan, Discriminant analysis and statistical pattern recognition, John Wiley & Sons, New York, EE.UU., 1992.

[10] K. Funahashi, Neural Netw. 2 (1989) 183-192. doi:10.1016/0893-6080(89)90003-8

[11] K. Hornik, M. Stinchcombe Y H. White, Neural Networks 2 (1989) 359-366. doi:10.1016/0893-6080(89)90020-8

[12] S. Haykin, Neural networks, a comprehensive foundation, Prentice Hall, 2ª ed., New Jersey, EE.UU., 1999, pp. 146-255.

[13] http://www.r-project.org. The R Project for Statical Computing.

[14] http://www-ra.informatik.uni-tuebingen.de/dowloans/. Institute for parallel and distributed high performance systems. SNNS-Stutgart Neural Network Simulator.




Copyright (c) 2008 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