Desarrollo de un cerrojo artificial para el skin-pass en una línea de acero galvanizado por inmersión en caliente

• Ana González Marcos ^[1] ; Joaquín Bienvenido Ordieres Meré ^[2] ; Alpha Verónica Pernía Espinoza ^[2] ; V. Torre-Suárez ^[3]
  1. [1] Universidad de León

     Universidad de León

     León, España

     
  2. [2] Universidad de La Rioja

     Universidad de La Rioja

     Logroño, España

     
  3. [3] Centro de Desarrollo Tecnológico, Arcelor España. Aviles.

  Mostrar afiliaciones +
• Localización: Revista de metalurgia, ISSN 0034-8570, Vol. 44, Nº 1, 2008, págs. 29-38
• Idioma: español
• Títulos paralelos:
  • Development of an artificial lock for the skin-pass section in a hot dip
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    En este trabajo se presenta la aplicación de técnicas de minería de datos en el desarrollo de un ¿cerrojo artificial¿ para el skin-pass, que permita solucionar un problema que puede presentarse en la fabricación de bobinas de acero galvanizado: el etiquetado incorrecto del grado de acero de una bobina. Para tratar de detectar estos errores y evitar así que los clientes reciban bobinas con propiedades distintas de las esperadas, se proponen modelos, basados en redes neuronales, que predicen on-line el alargamiento de las bobinas en el skin-pass en función de las variables del proceso de fabricación y de su composición química. De esta forma, si la diferencia entre el alargamiento que estima el modelo y el medido realmente es significativa, se hace necesario sacar la bobina de la línea para someterla a análisis más exhaustivos.

  • English

    In this paper, we present the application of data mining techniques to develop an ¿artificial lock¿ for the skin-pass in an attempt to solve a problem that can arise during the galvanising manufacturing process: the wrong labelling of the steel grade of a coil. In order to detect these errors and thus to avoid that coils with different properties than expected end up with a client, we propose neural network-based models for on-line predicting the strip elongation in the skin-pass section according to the manufacturing conditions and its chemical composition. Thus, a significant difference between estimated and measured elongation would mean that the coil must be removed from the line for further analyses.