Desarrollo de técnicas de minería de datos en procesos industrialesmodelización en líneas de producción de acero

  1. González Marcos, Ana
Dirigida por:
  1. Joaquín Bienvenido Ordieres Meré Director
  2. Eliseo Pablo Vergara González Director

Universidad de defensa: Universidad de La Rioja

Fecha de defensa: 31 de julio de 2006

Tribunal:
  1. Luis María López González Presidente
  2. Fernando Alba Elías Secretario
  3. Faustino Obeso Carrera Vocal
  4. Jose Luis Rendueles Vigil Vocal
  5. Antonio Bello García Vocal
Departamento:
  1. Ingeniería Mecánica

Tipo: Tesis

Repositorio institucional: lock_openAcceso abierto Editor

Resumen

La minería de datos puede definirse como el proceso de extraer conocimiento útil y comprensible, previamente desconocido, a partir de grandes volúmenes de datos. En el ámbito industrial, una de las aplicaciones más interesantes del proceso de minería de datos es el modelado de sistemas. El rápido crecimiento en la capacidad para almacenar datos que están experimentando los procesos industriales actuales, así como el desarrollo de los procesadores, proporciona nuevas posibilidades para analizar su comportamiento. Teniendo en cuenta, además, que en la mayoría de los procesos industriales, las relaciones entre variables no son lineales y la dificultad derivada de obtener modelos explícitos que definan su comportamiento, se comprende la importancia de los modelos basados en datos frente a otros modelos analíticos basados en ecuaciones explícitas. Hoy en día, una de las herramientas más empleadas en la industria en el modelado de sistemas, por su eficiencia y simplicidad, son las redes neuronales, eje central sobre el que se desarrolla esta tesis. En ella, se propone el uso de estas técnicas, junto con otras procedentes del campo de la minería de datos, para el modelado de un proceso industrial real: una línea de acero galvanizado. En concreto, se proponen mejoras en los sistemas de control actuales mediante el desarrollo, a partir de los datos procedentes del proceso de fabricación, de modelos para predecir on-line las propiedades mecánicas de las bobinas de acero galvanizado, por un lado, y, de un modelo de velocidad de la banda dentro del horno de proceso, por otro. Desafortunadamente, por las condiciones existentes en las industrias (interferencias electromagnéticas, picos de corriente en el arranque de motores, el factor humano, etc.), los datos erróneos son muy probables entre los datos almacenados. Para minimizar la influencia perjudicial del ruido presente en los datos en el entrenamiento de redes neuronales, se ha desarrollado un nuevo algoritmo de aprendizaje robusto, basado en el estimador t no lineal y que emplea el algoritmo de aprendizaje de retropropagación del error, el cual supone una innovación en las denominadas redes neuronales robustas.