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

  1. González Marcos, Ana 2
  2. Ordieres Meré, Joaquín Bienvenido 3
  3. Pernía Espinoza, Alpha Verónica 3
  4. Torre-Suárez, V. 1
  1. 1 Centro de Desarrollo Tecnológico, Arcelor España. Aviles.
  2. 2 Universidad de León
    info

    Universidad de León

    León, España

    ROR https://ror.org/02tzt0b78

  3. 3 Universidad de La Rioja
    info

    Universidad de La Rioja

    Logroño, España

    ROR https://ror.org/0553yr311

Mostrar afiliaciones +
Revista:
Revista de metalurgia

ISSN: 0034-8570

Año de publicación: 2008

Volumen: 44

Número: 1

Páginas: 29-38

Tipo: Artículo

DOI: 10.3989/REVMETALM.2008.V44.I1.93 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de metalurgia

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.

Referencias bibliográficas

  • [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.
Fuente de los datos: Dialnet