Predicción basada en redes neuronales del tiempo de procesamiento de los trenes desbastador y laminador en una instalación de laminación en caliente

V. Colla; M. Vannucci; R. Valentini

doi:10.3989/revmetalm.0850

Autores/as

V. Colla Scuola Superiore Sant’Anna, Polo Sant’Anna Valdera, Laboratorio PERCRO, Steel and Industrial Automation Division
M. Vannucci Scuola Superiore Sant’Anna, Polo Sant’Anna Valdera, Laboratorio PERCRO, Steel and Industrial Automation Division
R. Valentini Università di Pisa, Facoltà di Ingegneria, Dipartimento di Ingegneria Chimica, Chimica Industriale e Scienza dei Materiali

DOI:

https://doi.org/10.3989/revmetalm.0850

Palabras clave:

Laminación en caliente, Desbaste, Bobina, Ritmo de laminado, Red neuronal

Resumen

En este artículo se presenta un modelo basado en redes neuronales capaz de predecir el tiempo necesario para pasar las diferentes galgas de un tren desbastador y acabador en función de ciertas características del desbaste y parámetros de proceso. El objetivo final es aumentar la eficacia de la laminación evitando colisiones y colas que provoquen pérdidas de tiempo y energía. Se propone utilizar para esta tarea redes neuronales por su capacidad de predicción en aquellos casos en los que existen relaciones no lineales desconocidas entre las variables de entrada y las de salida. Además, son capaces de aprender de datos industriales reales y, por tanto, no requieren suposiciones previas o modelos matemáticos del proceso, estando la transferibilidad asegurada ya que es posible utilizar distintas bases de datos procedentes de diferentes trenes de laminación.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] S. Sasaka, Y. Kozaki, Y. Chida, T. Kotake, F. Fukuda and T. Satoh, ISIJ Int. 30 (1990) 161-166. doi:10.2355/isijinternational.30.161

[2] O. Michinori, 111th ISIJ Meeting, Vol. 72 (4), Tokyo, Japan, 1986, pp. S330.

[3] J. Katzberg and Q. Li, Proc. IEEE Communications, Power, and Computing Conf. WESCANEX’95. Vol. 2, Winnipeg, Man., Canada, 1995, IEEE Service Center, Piscataway NJ, pp. 344-348.

[4] Y.S. Kim, B.J. Yum andM. Kim, Proc. 2001 Int. Joint Conf. Neural Networks IJCNN 2001, Washington DC, USA, 2001, pp. 2800-2804.

[5] H. Tamler and I. Jaeckel, BRITE/EURAM-project BE96-3061.

[6] Y. Bissessur, E.B. Martin, A.J. Morris and P. Kitston, IEE Proc. Control Theory Appl., Vol. 147, No. 6, 2000, IET, Stevenage, UK, 2001, pp. 633-640.

[7] S. Guan, H.X. Li and S.K. Tso, IEEE Trans. Contr. Syst. Technol. 9 (2001), 348-356. doi:10.1109/87.911386

[8] C. Dumortier and P. Lehert, ISIJ Int. 39 (1999) 980-985. doi:10.2355/isijinternational.39.980

[9] R. Valentini, V. Colla, M. Sgarbi and L.M. Reyneri, Rev. Metal. Madrid, Vol. Extr. (2005) 314-317.

[10] D. Dunne, H. Tsuei and Z. Sterjovski, ISIJ Int. 44 (2004) 1599-1607. doi:10.2355/isijinternational.44.1599

[11] J. Warde and D.M. Knowles, ISIJ Int. 39 (1999)1006-1014. doi:10.2355/isijinternational.39.1006

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

[13] J.M. Vitek, ISIJ Int. 39 (1999) 1088-1095. doi:10.2355/isijinternational.39.1088

[14] J. Aylen, Ironmak. Steelmak. 31 (2004) 466. doi:10.1179/030192304225019324

[15] R.P. Bhagat, H.S. Ray and S.K. Gupta, ISIJ Int. 31 (1991) 669-676. doi:10.2355/isijinternational.31.669

[16] S. Cateni, V. Colla andM. Vannucci, AIA 2007 Conf., Innsbruck, Austria, 2007, Vladan Devedzic (Ed.), IASTED/ACTA Press, Calgary, Canada, 2007, pp. 605-610.

[17] T. T. Soong, Fundamentals of probability and statistics for engineers, John Wiley & Sons Ed., Chichester. England, 2004.

[18] D. A. Sofge and D. L. Elliott, Proc. Conf. Neural Networks & Brain (NN&B’98-Beijing), Beijing, China 1998.

[19] I. Guyon, S. Gunn, M. Nikravesh and L.A. Zadeh, Feature extraction: foundations and applications”, Springer-Verlag, New York, USA, 2006. doi:10.1007/978-3-540-35488-8