Técnicas y datos para la predicción automatizada de tendencias y comportamiento del horno de recocido

Antecedentes y estado actual del tema

La laminación produce una fragmentación de los granos y una fuerte perturbación de la estructura cristalina de la banda laminada en caliente (acritud), con el consiguiente descenso de alargamiento junto con acercamiento de la carga de rotura y el límite elástico. Ya se ha mencionado que, para regenerar la estructura interna del acero y mejorar las características mecánicas que permitan la conformabilidad del material laminado en frío, es preciso someter las bandas laminadas a un recocido cuyas fases fundamentales son:

• Calentamiento hasta más de 900 ºC.
• Mantenimiento a temperatura.
• Enfriamiento.

Los hornos de recocido en las líneas de LF se extienden a lo largo de una longitud considerable, constituyendo un foco térmico distribuido. Se dispone de la información de la temperatura (t) suministrada por sensores situados en las diferentes zonas, cada una de ellas dividida, a su vez, en parte superior e inferior. Así pues, se puede considerar el horno como un conjunto de focos térmicos con una distribución de temperatura homogénea en cada zona, que será medida por el sensor correspondiente.

Puede realizarse un modelo sencillo si se efectúa una aproximación lineal discreta de la variación de la temperatura en cada zona. Es decir, temperatura constante en cada zona y variación lineal en las transiciones entre zonas. Para la realización de este modelo se dispondrá de las dimensiones de cada zona y una función lineal de aproximación para describir la variación de la temperatura en la transición entre zonas, considerando una cierta graduación de la temperatura para suavizar las transiciones entre las zonas.

Las herramientas de minería de datos (data mining) han experimentado en las últimas décadas un desarrollo paralelo a la capacidad de los ordenadores para procesar datos. Los componentes esenciales de la tecnología de data mining han estado bajo desarrollo en áreas de investigación como estadística, inteligencia artificial y aprendizaje de máquinas. Esta tecnología, si bien reciente en su concepción, puede considerarse como una herramienta de obligada aceptación y uso en el competitivo entorno empresarial, aunque sus principales aplicaciones no se han dirigido a los procesos puramente industriales.

Dentro de las aplicaciones a los procesos industriales se debe destacar el control de calidad.

El cumplimiento a largo plazo de este objetivo global requiere iniciativas de innovación en las áreas de procesos de producción y tecnologías de fabricación, con el fin de hacer frente a los principales retos que se plantean:

• Alcanzar los más altos niveles de calidad con procesos altamente productivos y eficientes.
• Reducir los tiempos desde la recepción de pedido hasta la entrega al cliente.
• Renovar constantemente la oferta de productos siderúrgicos, es decir, el desarrollo de nuevas calidades de acero con mayores, mejores o nuevas propiedades y funciones.
• Garantizar un periodo mínimo desde el desarrollo hasta el lanzamiento en el mercado.
• Contribuir al desarrollo sostenible.
• La sostenibilidad y la eficiencia energética constituyen importantes desafíos, no sólo en términos de producto sino también en términos de procesos y actividad siderúrgica en general. Las cuestiones medioambientales suponen en la actualidad elementos dinamizadores de la actividad en I+D+i pero, en un futuro, están llamados a convertirse en factores de diferenciación entre diferentes materiales y, por tanto, entre las empresas.

En la futura tesis se trata de mejorar, mediante el uso de herramientas de análisis multivariante y data mining, la planificación y control del horno de una línea de fabricación de bobinas de acero inoxidable.