Resumen de Estimación de temperatura de entrada a un molino de laminado en caliente mediante modelos de caja gris difusos tipo 1 y tipo 2 con aprendizaje híbrido

José Angel Barrios Gómez, Gerardo Maximiliano Méndez, Alberto Cavazos González

• español

  En laminado en caliente, la estimación de la temperatura de la punta de la barra a la entrada del rompedor de óxido es crucial para configurar el molino acabador y así cumplir con los requerimientos de calidad. En la mayoría de los molinos la estimación se lleva a cabo mediante un modelo físico a partir de la temperatura medida a la salida del molino desbastador y el tiempo de traslado. Sin embargo, dicha estimación es afectada grandemente por incertidumbres de medición, variaciones en las condiciones de la barra entrante y cambios de producto. Con el objeto de solventar este problema, se han desarrollado y probado anteriormente varios sistemas de inferencia difusa y modelos de caja gris difusos. En este trabajo se desarrollarán modelos de caja gris basados en sistemas difusos Mamdani tipo 1 y tipo 2 con aprendizaje híbrido, tales sistemas no se han presentado antes para esta aplicación. Se recolectaron datos de un molino real y se extrajeron de manera aleatoria dos conjuntos diferentes de datos, uno para entrenamiento de los sistemas y el otro para su validación. Cinco medidas de desempeño se usan para evaluar los sistemas a partir del error de estimación de éstos usando el conjunto de validación y se comparan con los sistemas desarrollados anteriormente y con el modelo físico usado actualmente en la planta. Los resultados demuestran que el modelado de caja gris difuso Mamdani con aprendizaje híbrido mejora la estimación.

• English

  In hot rolling, on-line estimation of the bar head-end temperature at the scale breaker entry is of crucial importance for the finishing mill set-up, and thus fulfilling the bar head-end quality requirements. In most mills, a physical model performs the estimation from measured roughing mill exit temperature and travelling time. However, estimation is greatly affected by measurement uncertainties, variations in the incoming bar conditions, and product changes. To overcome these problems several fuzzy inference systems and fuzzy based grey-box models have been developed and tested previously. In this work, hybrid-learning type-1 and type-2 Mamdani fuzzy grey-box models will be developed, such systems have not been presented earlier for this application. Data from a real-life mill were collected and two different sets were randomly drawn. The first set is used for training the systems, while the second one is used for validation. The performance of the systems is evaluated by five performance measures applied on the prediction error with the validation set and is compared with that of the fuzzy systems presented earlier and the physical model used in plant. The results show that hybrid-learning Mamdani fuzzy grey-box modeling improves estimation.