Resumen de Optimización mediante técnicas de minería de datos del ciclo de recocido de una línea de galvanizado
Francisco Javier Martínez de Pisón Ascacíbar
- español
La búsqueda constante por aumentar la calidad del producto fabricado y reducir los gastos ocasionados por fallos en el proceso de fabricación, son requisitos fundamentales en una planta industrial.
Cada vez se buscan métodos y herramientas más eficientes que puedan servir de ayudar en estas tareas. Un ejemplo de ellas, es el Data Mining.
Las herramientas de Data Mining (DM) y Estadística Multivariante son útiles cuando se dispone de un volumen de históricos importante. El análisis de los históricos con estas nuevas técnicas puede ayudar en múltiples facetas: control de calidad, identificación de sistemas, determinación de causas en fallos del proceso, detección de anomalías, prevención de fallos, modelización de sistemas, obtención de reglas y patrones de comportamiento, búsqueda de causas y relaciones entre variables, etc.
En esta tesis, se presenta una aplicación de la metodología CRISP-DM para la mejora, dentro de una línea de galvanizado en continuo de bobinas de acero, del tratamiento térmico de la lámina de acero antes de su paso por la inmersión del baño de zinc líquido.
El control y planificación de este proceso de recocido es clave para la mejora de las propiedades de la banda y del recubrimiento.
A lo largo de esta tesis, se muestran los pasos que han llevado a desarrollar:
1. Una metodología que, mediante el uso de algoritmos genéticos y redes neuronales, permite la optimización de las curvas de consigna del horno y velocidades de la banda entre bobinas de diferentes dimensiones, reduciendo la diferencia de temperatura esperada de la banda y la real.
2. Un clasificador de bobinas según la composición de los aceros que ha resultado ser una excelente herramienta para la predicción de roturas de proceso o para detectar otro tipo de problemas debidos a bobinas con aceros anómalos.
3. Un sensor-software que proyecta los puntos de operación del horno y que puede ayudar considerablemente en las tareas de visualización de la tendencia de los puntos de operación del horno.
- English
The constant search to increase the quality of products and to reduce expenses in the manufacture process is a fundamental goal in any industrial plant. Today, companies are looking for more efficient tools and methodologies helping in these tasks.
Just un example is Data Mining (DM). DM and Multivariate Statistic tools are useful when people have a huge volume of historical data of the process. Its analysis with these new techniques helps in multiple aspects: control of quality, system identification, determination of causes in process' failures, detection of anomalies, prevention of failures, system modelling, by finding rules and patterns of behaviour, estimation of relations between variables, and so on.
In this thesis, an application of the CRISP-DM methodology is used for the improvement, within a Hot Dip Coating Line (HDCL) of steel coils, of the heat treatment of the steel strip before its passage by the immersion of the liquid zinc bath. The control and scheduling of coils in this process of annealing are the keys for the improvement of band and coating properties.
Throughout this thesis, there are several topics covered:
1. A methodology that, by using genetic algorithms and neuronal networks, allow us the optimization of furnace's transitional curves and band's speed between coils of different dimensions, reducing the temperature gap between the expected and the real one.
2. A sorting criteria for coils according to the composition of the steel. This tool has been an excellent issue for prediction of process's breakage or for detecting another kind of problems due to coils with anomalous steel.
3. A software based sensor projecting operating points of the furnace in a lower dimension space, much more easy for visual analysis and that helps operators to visualize its tendency and to take anticipated control actions over the furnace.
