Redes neurais artificiais na modelagem de laminadores de encruamento
uma análise empírica de arquitetura e hiperparâmetros
DOI:
https://doi.org/10.47385/cadunifoa.v18.n53.4672Palabras clave:
Rede Neural Artificial, Identificação de Sistemas, Modelagem orientada a dados, Laminador de encruamento, SiderurgiaResumen
Para garantir a competitividade industrial, incluindo o mercado siderúrgico, é necessário otimizar despesas e aumentar a produtividade. Portanto, evitar incidentes relacionados à automação e à manutenção de equipamentos é um fator chave para garantir produção ininterrupta. Além disso, a perda de material deve ser minimizada. Nesse contexto, existe uma oportunidade para incorporar melhorias no controle de um laminador de encruamento, assegurando que a tensão mecânica aplicada à chapa de aço permaneça dentro das especificações. Para alcançar um controle eficiente, é necessário que o controlador envie o sinal apropriado para a planta. Este artigo explora diferentes arquiteturas de redes neurais artificiais para modelar essa planta. Uma melhoria moderada foi observada no modelo, e o modelo neural permite treinamento contínuo para se adaptar ao fenômeno real.
Descargas
Citas
AGUIRRE, L. A. Introdução à identificação de sistemas: técnicas lineares e não-lineares aplicadas a sistemas reais. 3 ed ed. Belo Horizonte: UFMG, 2007.
ALVES, P. G.; CASTRO, J. A. DE; MOREIRA, L. P.; HEMERLY, E. M. Modeling, simulation and identification for control of tandem cold metal rolling. Materials Research, v. 15, n. 6, p. 928-936, 2012. DOI: https://doi.org/10.1590/S1516-14392012005000137
BISHOP, CHRISTOPHER M. Pattern Recognition and Machine Learning. 1. ed. New York: Springer-Verlag, 2006.
COLLA, V. A big step ahead in Metal Science and Technology through the application of Artificial Intelligence. IFAC-PapersOnLine, v. 55, n. 21, p. 1-6, 2022. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/S2405896322014641>. DOI: https://doi.org/10.1016/j.ifacol.2022.09.234
ESCRIBANO, R.; LOSTADO, R.; MARTÍNEZ-DE-PISÓN, F. J.; PERNÍA, A.; VERGARA, E. Modelling a Skin-Pass Rolling Process by Means of Data Mining Techniques and Finite Element Method. Journal of Iron and Steel Research International, v. 19, n. 5, p. 43-49, 2012. Disponível em: <http://link.springer.com/10.1016/S1006-706X(12)60098-3>. DOI: https://doi.org/10.1016/S1006-706X(12)60098-3
HAYKIN, S. Neural Networks and Learning Machines. 3. ed. Bookman, 2009.
HE, HAI-TAO; LIU, HONG-MIN. The research on integrated neural networks in rolling load prediction system for temper mill. 2005 International Conference on Machine Learning and Cybernetics. Anais... . p.4089-4093. v. 7, 2005. IEEE. Disponível em: <http://ieeexplore.ieee.org/document/1527653/>. DOI: https://doi.org/10.1109/ICMLC.2005.1527653
LEVENBERG, K. A METHOD FOR THE SOLUTION OF CERTAIN NON-LINEAR PROBLEMS IN LEAST SQUARES. Quarterly of Applied Mathematics, p. 164-168, 1944. Disponível em: <https://www.jstor.org/stable/43633451>. Acesso em: 26/8/2023. DOI: https://doi.org/10.1090/qam/10666
MAIER, H. R.; GALELLI, S.; RAZAVI, S.; et al. Exploding the myths: An introduction to artificial neural networks for prediction and forecasting. Environmental Modelling & Software, v. 167, p. 105776, 2023. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/S1364815223001627>. DOI: https://doi.org/10.1016/j.envsoft.2023.105776
MARQUARDT, D. W. An Algorithm for Least-Squares Estimation of Nonlinear Parameters. Journal of the Society for Industrial and Applied Mathematics, v. 11, n. 2, p. 431-441, 1963. Disponível em: <https://www.jstor.org/stable/2098941>. Acesso em: 26/8/2023. DOI: https://doi.org/10.1137/0111030
PICAN, N.; ALEXANDRE, F.; BRESSON, P. Artificial neural networks for the presetting of a steel temper mill. IEEE Expert, v. 11, n. 1, p. 22–27, 1996. Disponível em: <http://ieeexplore.ieee.org/document/482953/>. DOI: https://doi.org/10.1109/64.482953
REN, X.-Y.; GAO, H.-M.; XU, H.-W.; HUANG, H.-G.; SUN, J.-N. Identification and Control of Elongation System of Skin Passing Mill Based on Intelligent Algorithm. Journal of Physics: Conference Series, v. 1820, n. 1, p. 012154, 2021. Disponível em: <https://iopscience.iop.org/article/10.1088/1742-6596/1820/1/012154>. DOI: https://doi.org/10.1088/1742-6596/1820/1/012154
RODRIGUES, I. P.; JORGE, J. M.; OLIVEIRA, K. F. DE. Identificação e controle de um laminador de encruamento em malha fechada através de métodos de subespaços, dez. 2013. Trabalho de Conclusão de Curso, Volta Redonda: Centro Universitário de Volta Redonda.
RODRIGUES, I. P.; OLIVEIRA, P. A. S.; AMBROSIO, A. M.; CHAGAS, R. A. J. Modeling satellite battery aging for an operational satellite simulator. Advances in Space Research, v. 67, n. 6, p. 1981-1999, 2021. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0273117720309042>. DOI: https://doi.org/10.1016/j.asr.2020.12.031
ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 386-408, 1958. DOI: https://doi.org/10.1037/h0042519
RUMELHART, D. E.; MCCLELLAND, J. L. Learning Internal Representations by Error Propagation. Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations. p.318-362, 1986. MITP. Disponível em: <https://ieeexplore.ieee.org/document/6302929>. Acesso em: 26/8/2023.
SANTOS, B. C. DOS; BARCELOS, A. F. Aplicação da rede neural artificial como ferramenta de diagnóstico e controle do sistema de tensão de um laminador de tiras a frio. XVII - Simpósio de Excelência em Gestão e Tecnologia. Anais... , 2020. Resende: Centro Universitário Dom Bosco do Rio de Janeiro.
SEO, M.; BAN, J.; KOO, B. Y.; KIM, S. W. Static Model Identification for Sendzimir Rolling Mill Using Noise Corrupted Operation Data. IEEE Access, v. 8, p. 150685-150695, 2020. Disponível em: <https://ieeexplore.ieee.org/document/9169645/>. DOI: https://doi.org/10.1109/ACCESS.2020.3017025
SHEN, S.; GUYE, D.; MA, X.; YUE, S.; ARMANFARD, N. Multistep networks for roll force prediction in hot strip rolling mill. Machine Learning with Applications, v. 7, p. 100245, 2022. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/S2666827021001237>. DOI: https://doi.org/10.1016/j.mlwa.2021.100245
SHI, P.; GAO, H.; YU, Y.; XU, X.; HAN, D. Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions. Measurement, v. 204, p. 111993, 2022. DOI: https://doi.org/10.1016/j.measurement.2022.111993
SHI, P.; YU, Y.; GAO, H.; HUA, C. A novel multi-source sensing data fusion driven method for detecting rolling mill health states under imbalanced and limited datasets. Mechanical Systems and Signal Processing, v. 171, p. 108903, 2022. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/S0888327022000905>. DOI: https://doi.org/10.1016/j.ymssp.2022.108903
SVOZIL, D.; KVASNICKA, V.; POSPICHAL, J. Introduction to multi-layer feed-forward neural networks. Chemometrics and Intelligent Laboratory Systems, v. 39, n. 1, p. 43-62, 1997. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/S0169743997000610>. DOI: https://doi.org/10.1016/S0169-7439(97)00061-0
WERBOS, P. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Science, 1974. Harvard University.
WIKLUND, O.; SANDBERG, F. Modelling and Control of Temper Rolling and Skin Pass Rolling. Metal Forming Science and Practice. p.313-343, 2002. Elsevier. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/B9780080440248500151>. DOI: https://doi.org/10.1016/B978-008044024-8/50015-1
ZHANG, G.; EDDY PATUWO, B.; Y. HU, M. Forecasting with artificial neural networks: International Journal of Forecasting, v. 14, n. 1, p. 35-62, 1998. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/S0169207097000447>. DOI: https://doi.org/10.1016/S0169-2070(97)00044-7
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Cadernos UniFOA
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Declaração de Transferência de Direitos Autorais - Cadernos UniFOA como autor(es) do artigo abaixo intitulado, declaro(amos) que em caso de aceitação do artigo por parte da Revista Cadernos UniFOA, concordo(amos) que os direitos autorais e ele referentes se tornarão propriedade exclusiva desta revista, vedada qualquer produção, total ou parcial, em qualquer outra parte ou meio de divulgação, impressa ou eletrônica, sem que a prévia e necessária autorização seja solicitada e, se obtida, farei(emos) constar o agradecimento à Revista Cadernos UniFOA, e os créditos correspondentes. Declaro(emos) também que este artigo é original na sua forma e conteúdo, não tendo sido publicado em outro periódico, completo ou em parte, e certifico(amos) que não se encontra sob análise em qualquer outro veículo de comunicação científica.
O AUTOR desde já está ciente e de acordo que:
- A obra não poderá ser comercializada e sua contribuição não gerará ônus para a FOA/UniFOA;
- A obra será disponibilizada em formato digital no sítio eletrônico do UniFOA para pesquisas e downloads de forma gratuita;
- Todo o conteúdo é de total responsabilidade dos autores na sua forma e originalidade;
- Todas as imagens utilizadas (fotos, ilustrações, vetores e etc.) devem possuir autorização para uso;
- Que a obra não se encontra sob a análise em qualquer outro veículo de comunicação científica, caso contrário o Autor deverá justificar a submissão à Editora da FOA, que analisará o pedido, podendo ser autorizado ou não.
O AUTOR está ciente e de acordo que tem por obrigação solicitar a autorização expressa dos coautores da obra/artigo, bem como dos professores orientadores antes da submissão do mesmo, se obrigando inclusive a mencioná-los no corpo da obra, sob pena de responder exclusivamente pelos danos causados.
