laminación
1. INTRODUCCIÓN
El proceso de laminación del acero en Molinos
de Laminación en Caliente (MLC), es de alta
incertidumbre, no-lineal y variable en el tiempo [1][2].
En algunos MLC es común calcular la temperatura
promedio y superficial de la punta de la barra de
transferencia a la entrada del Descascarador
Secundario DS usando la temperatura superficial
medida a la salida del Molino Reversible (MR) y el
tiempo estimado para que la punta de la barra alcance
la entrada del DS desde la salida del MR. La radiación
al aire libre es calculada por modelos matemáticos
usando diferencias finitas. La temperatura superficial
es medida utilizando un pirómetro a la salida del MR.
Estas mediciones se ven afectadas por la cáscara de
oxido de la barra de transferencia, vapor de agua del
medio ambiente, la ubicación del pirómetro a la salida
del MR, su calibración, resolución y repetibilidad.
El tiempo de traslación de la punta de la barra de
transferencia desde la salida del MR hasta la entrada
al DS, es estimado por modelos matemáticos que
toman en cuenta la velocidad de enhebrado de
la barra a través del Molino Acabador (MA). Esta
estimación presenta imprecisiones inherentes a los
modelos.
del modelo con aprendizaje híbrido. En la sección 3
se presenta la aplicación del modelo Non-Singleton
FLS a la predicción de temperatura en MLC. En la
sección 4 se presentan los resultados. La sección 5
contiene las conclusiones.
2. Algoritmo con Aprendizaje Híbrido para
modelos Type-1 NSFLS
En [5][6][7][8] se proponen algoritmos de
aprendizaje que utilizan únicamente RLS o BP para
la estimación de los parámetros del antecedente y
consecuente del modelo Tipo-1 NSFLS, como se
muestra en la Tabla I.
Para que el espesor y la temperatura objetivos
de la punta de la cinta a la salida del MA sean
obtenidos con el máximo de calidad, los modelos
matemáticos del MA utilizan las temperaturas
promedio y superficial de la barra a la entrada del
DS para fijar la posición de los cilindros hidráulicos
(o tornillos) de los Castillos de Reducción (CR) y
ajustar adecuadamente la velocidad de enhebrado
de la barra de transferencia a través del MA. Es de
gran importancia que los modelos del MA reciban
las temperaturas con la mayor exactitud y precisión
posible, ya que cualquier error en las temperaturas de
entrada al DS, se propaga completamente a través
del MA. En la práctica se considera que un error de
140C en la estimación de la temperatura de la barra de
transferencia a la entrada del DS, produce un error del
10% en la fuerza del CR6 del MA [4].
En este trabajo se presentan los resultados de la
aplicación de un modelo basado en los Sistemas
Lógicos Difusos Tipo-1 Non-Singleton (Tipo-1
NSFLS) con aprendizaje híbrido BP-RLS y BPREFIL para predecir la temperatura de la barra de
transferencia a la entrada del RO. No se ha reportado
el uso de sistemas Tipo-1 NSFLS con algoritmos de
aprendizaje híbrido para la predicción de temperaturas
en MLC [1][4][5].
Este trabajo está organizado de la siguiente manera:
En la sección 2 se presenta una descripción básica
21 HIERRO y ACERO/AIST MÉXICO