laminación
Tabla I Algoritmo de aprendizaje en Tipo-1 NSFLS
Adelante
Atras
Parámetros
del
antecedente y
consecuente
Fijo
BP
Parámetros
del
consecuente
RLS
Fijo
En este trabajo se propone el uso de algoritmos
híbridos: BP para la estimación y actualización de los
parámetros del antecedente y RLS/REFIL para los
parámetros del consecuente, como se muestra en la
Tabla II.
Tabla 2. Algoritmo propuesto de aprendizaje híbrido
para Tipo-1 NSFLS
Adelante
Atrás
Parámetros
del
antecedente
Fijo
BP
Parámetros
del
consecuente
RLS/REFIL
Fijo
3. Predicción de Temperatura a la Entrada
del Descascarado Secundario
La arquitectura del modelo Tipo-1 NSFLS fue
establecida de tal manera que sus parámetros
sean optimizados con cada nuevo par de datos de
entrada-salida.
Los pares de datos entrada-salida fueron obtenidos
de la operación de un MLC y usados como datos
de entrenamiento para el modelo Tipo-1 NSFLS
predictivo. Las entradas al modelo fueron las
mediciones de la temperatura superficial de la barra
a la salida del MR y el tiempo real usado por la barra
de transferencia para moverse desde la salida del MR
a la entrada del RO. Las entradas se presentaron
ruido aditivo estacionario. La salida del sistema Tipo1 NSFLS fue la predicción de la temperatura a la
entrada del DS.
4. Resultados del Modelado
El modelo Tipo-1 NSFLS predictivo fue entrenado
con tres tipos de aprendizaje y utilizados para modelar
y predecir la temperatura a la entrada del DS, usando
como datos de entrada a la temperatura de la barra a la
salida del MR y su tiempo de traslación desde la salida
del MR a la entrada al DS. Se programaron 15 épocas
de ent