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

Figura 3.

En el caso de que no sea correcto se generan las A.D.L., obligando al Control de Calidad a investigar en cada caso el porqué no se han cumplido las especificaciones:

• Soluciones a dar a la A.D.L.
• Asumir la anormalidad.
• Sanear trozos del material que estén defectuosos.
• No permitir que ese material vaya con destino a ese cliente.

Todos estos datos se deben migrar a una base de datos común para facilitar su posterior procesado.

Como resultado final de este trabajo se espera proponer mejoras en el proceso industrial de la fabricación del acero inoxidable. La implementación de estas mejoras sería una prueba definitiva de la utilidad de estas técnicas de búsqueda de información y modelado. Por otro lado, se tiene previsto realizar un plan de simulación y control de resultados para validar resultados parciales de modelado y/o predicción, que garantizarían la bondad de los modelos propuestos.

En cualquier caso, al tratarse de acometer estudio y mejoras de procesos que se llevan a cabo de forma continúa y diaria, el contraste de estos resultados parciales con la realidad es siempre posible, por lo que una vez verificados estos resultados, el éxito de haber encontrado esa información oculta y útil, no accesible por otros métodos de investigación, dependerá de la calidad y relevancia de dicha información.

El rápido crecimiento en la capacidad para almacenar los datos que han experimentado los procesos industriales, en concreto en la fabricación de aceros inoxidables junto con el desarrollo de los procesadores, proporciona nuevas posibilidades para analizar su comportamiento. En este proceso industrial existen gran cantidad de variables, muchas de ellas abiertas e imposibles de controlar. Como consecuencia, las relaciones entre variables no son lineales y por tanto no se puede realizar un modelo lineal. Para determinar el comportamiento del horno es necesaria la aplicación de técnicas de data mining.

Objetivos

El objetivo general es la predicción automatizada de tendencias y comportamiento del horno de recocido de acero inoxidable. La fase de recocido es posterior a la laminación en caliente, donde se reduce el espesor de la banda de acero y, como consecuencia, se destruye la estructura interna ordenada por agrupaciones de granos; éstos se encuentran rotos y la estructura está formada por bandas orientadas en el sentido de la deformación y con el recocido se recupera la estructura de la banda de acero inoxidable. Esta estructura implica la aparición de tensiones internas y de propiedades mecánicas no deseadas en la gran mayoría de las aplicaciones. En este horno se recupera la estructura interna del material mediante un proceso de calentamiento.

Una característica común de los procesos industriales actuales es el constante y rápido crecimiento de su capacidad para almacenar datos, es decir, día a día se dispone de mayores volúmenes de históricos que contienen información acerca de dichos procesos productivos. Es cierto que la información reduce la incertidumbre y, por tanto, permite tomar mejores decisiones, sin embargo, al aumentar la cantidad de datos almacenados, la capacidad para asimilarlos disminuye, por lo que se hace necesario el uso de herramientas que permitan extraer conocimiento útil a partir de grandes conjuntos de datos. Es aquí donde tiene cabida el data mining, un área de investigación que pretende dar respuesta a esa necesidad de procesar y analizar ‘masas’ de datos con el fin último de encontrar y aprovechar el conocimiento útil contenido en ellos.

Fundamentalmente, se busca:

• Comprender el sistema a partir de los históricos del proceso.
• Mejorar el control y la planificación de las curvas de consigna del horno para cada tipo de acero, reduciendo el error entre la temperatura real de la banda y la esperada según el ciclo térmico que le haya sido asignado.
• Describir con detalle el proceso en que se divide la línea de fabricación del acero inoxidable, haciendo especial hincapié en el sistema de control del horno y en el modelo teórico del mismo.
• Realizar un estudio exhaustivo mediante técnicas de data mining y de análisis multivariante para determinar la relación entre variables, búsqueda de conocimiento oculto, etc.
• Realización de un modelo donde se desarrolle un sensor-software para la proyección de los puntos de operación del horno y la generación de alarmas. Conseguir la creación de una serie de modelos no lineales, mediante redes neuronales, para la predicción de las curvas de consigna óptimas de temperatura y velocidad de la banda, y para modelar el comportamiento de la misma, reduciendo así los errores entre las temperaturas reales y las esperadas de la banda.