Desarrollo de un cerrojo artificial para el skin-pass en una línea de acero galvanizado por inmersión en caliente
DOI:
https://doi.org/10.3989/revmetalm.2008.v44.i1.93Palabras clave:
Acero galvanizado, Minería de datos, Redes neuronales, Cerrojo artificialResumen
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.
Descargas
Citas
[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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2008 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). Puede consultar desde aquí 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.
