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

  1. Martínez de Pisón Ascacíbar, Francisco Javier 1
  2. Ordieres Meré, Joaquín Bienvenido 1
  3. Pernía Espinoza, Alpha Verónica 1
  4. Alba Elías, Fernando 1
  5. Torre, V. 2
  1. 1 Universidad de La Rioja
    info

    Universidad de La Rioja

    Logroño, España

    ROR https://ror.org/0553yr311

  2. 2 Grupo ARCELOR MITTAL ESPAÑA, I+D+i Centro de Desarrollo Tecnológico
Revista:
Revista de metalurgia

ISSN: 0034-8570

Año de publicación: 2007

Volumen: 43

Número: 5

Páginas: 325-336

Tipo: Artículo

beta Ver similares en nube de resultados
DOI: 10.3989/REVMETALM.2007.V43.I5.77 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de metalurgia

Proyectos relacionados

Aplicación de técnicas de Data Mining a la calificación inteligente de parámetros de calidad en bobinas de acero a la entrada de una linea de galvanizado en caliente

2007/00079/001

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.

Referencias bibliográficas

  • [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
Fuente de los datos: Dialnet