Hierro y Acero Edicion 21 | Page 21

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