laminación
La Figura 7, muestra las veinticinco RMSEs de las referencias de flujo de agua calculadas por el modelo off-line
IT2 para cintas tipo A. El eje horizontal representa el número secuencial de las épocas empleadas para el aprendizaje, mientras que el eje vertical representa el valor correspondiente del RMSE para ese nivel de reforzamiento
del modelo.
También muestra los resultados obtenidos por el modelo
CTC on-line basado en lógica difusa tipo-1 (T1). Por simple comparación, se puede apreciar que el modelo basado en lógica IT2 tiene mejor desempeño que el modelo
basado en lógica T1.
5. Conclusiones
Se presenta una interesante aplicación de la lógica difusa
tipo-2, en la cual se obtienen las referencias del flujo de
agua de enfriamiento para lograr la temperatura objetivo
de la parte frontal de la cinta en la entrada de los enrolladores. De acuerdo a los resultados obtenidos, el modelo
basado en lógica difusa tipo-2 presenta menor RMSE
que el modelo basado en lógica difusa tipo-1. Con la estabilidad y desempeño presentados por el modelo IT2
CTC en esta aplicación, se comprueba que los sistemas
basados en lógica difusa tipo-2 son lo suficientemente
exactos, precisos, estables y robustos para modelar, controlar y predecir procesos industriales inciertos, ruidosos,
variables en el tiempo, y de características no lineales.
Referencias
Figura 6. Conjuntos difusos de la variable (x4).
Figura 7. RMSE de las cintas del material tipo A. (*) modelo basado en T1, (o)
modelo basado en IT2 CTC.
1. Mendel, J. M.: Uncertain rule-based fuzzy Logic systems:
Introduction and New Directions, (Prentice-Hall ), Upper
Saddle River, NJ, (2001)
2. B. N. Taylor, C. E. Kuyatt: Guidelines for Evaluating and Expressing the Uncertainty of NIST Measurement Results, (NIST),
Technical Report 1297, Gaitherburg, MD (1994)
3. Wang, L.X.: Fuzzy Systems are Universal Approximators,
IEEE Conf. on Fuzzy Systems, San Diego, (1992) 1163-1170
4. Wang, L. X.: Fuzzy Systems as Nonlinear Mapping, a Course in Fuzzy Systems and Control, (Prentice-hall PTR), Upper
Saddle River, NJ (1997)
5. Wang, L.X.: Fuzzy Systems as Nonlinear Dynamic System
Identifiers, 31th IEEE Conference on Decision and Control,
Tucson, Arizona (1992) 897-902
6. Wang, L.X., Mendel, J.M.: Back-propagation Fuzzy Systems
as Nonlinear Dynamic System Identifiers, Proceedings of the
IEEE Conf. on Fuzzy Systems, San Diego, CA (1992) 14091418
7. Martinetz, T., Protzel, P., Gramchow, O., Sorgel, G.: Neural
Network Control for Rolling Mills, ELITE Foundation, EUFIT
94, Achen, Germany (1994) 147-152
8. General Electric, Models Users Reference, Manual 1, Roanoke VA. (1993)
Carretera Mty-Laredo km 22.7
Ciénega de Flores N.L. CP 65550
Tels. (81) 8329-8412, (81) 8329-8407
Fax. (81) 8329-8413
[email protected][email protected][email protected]
31 HIERRO yACERO/AIST MÉXICO