Neural network based prediction of roughing and finishing times in a hot strip mill

• Autores: V. Colla, M. Vannucci, R. Valentini
• Localización: Revista de metalurgia, ISSN 0034-8570, Vol. 46, Nº 1, 2010, págs. 15-21
• Idioma: inglés
• Títulos paralelos:
  • Predicción basada en redes neuronales del tiempo de procesamiento de los trenes desbastador y laminador en una instalación de laminación en caliente
• Enlaces
  • Texto completo
• Resumen
  • español

    En este artículo se presenta un modelo basado en redes neuronales capaz de predecir el tiempo necesario para pasar las diferentes galgas de un tren desbastador y acabador en función de ciertas características del desbaste y parámetros de proceso. El objetivo final es aumentar la eficacia de la laminación evitando colisiones y colas que provoquen pérdidas de tiempo y energía. Se propone utilizar para esta tarea redes neuronales por su capacidad de predicción en aquellos casos en los que existen relaciones no lineales desconocidas entre las variables de entrada y las de salida.

    Además, son capaces de aprender de datos industriales reales y, por tanto, no requieren suposiciones previas o modelos matemáticos del proceso, estando la transferibilidad asegurada ya que es posible utilizar distintas bases de datos procedentes de diferentes trenes de laminación.

  • English

    The paper presents a model based on neural networks which is able to predict the time required to pass the different gauges of a roughing and finishing mill as function of some slab features and process parameters. The final aim of the work is to increase the rolling efficiency while avoiding collisions and queues that cause time and energy losses.

    Neural networks are suitable to this prediction task as they are particularly able to cope with unknown non linear relationships between input and output variables. Moreover they can learn from real industrial data and therefore do not require prior assumptions or mathematical modelling of the process and transferability is ensured by the possibility to use different databases coming from different rolling mills. In the paper, two different kinds of neural network- based models have been proposed, their performances have been discussed and compared.