Reducción de problemas de adherencia en procesos de galvanizado mediante técnicas de minería de datos
DOI:
https://doi.org/10.3989/revmetalm.2007.v43.i5.77Palabras 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 procesoResumen
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.
Descargas
Citas
[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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2007 Consejo Superior de Investigaciones Científicas (CSIC)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Consulte la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
