Redes neurais artificiais na modelagem de laminadores de encruamento

uma análise empírica de arquitetura e hiperparâmetros

Autores

DOI:

https://doi.org/10.47385/cadunifoa.v18.n53.4672

Palavras-chave:

Rede Neural Artificial, Identificação de Sistemas, Modelagem orientada a dados, Laminador de encruamento, Siderurgia

Resumo

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.

Downloads

Não há dados estatísticos.

Biografia do Autor

Italo Pinto Rodrigues, Instituto Nacional de Pesquisas Espaciais

Doutorando no curso de Engenharia e Tecnologia Espaciais do Instituto Nacional de Pesquisas Espaciais - INPE

Docente no Curso de Engenharia do Centro Universitário de Volta Redonda - UniFOA

 

Gabriel Alberto Rodrigues, Centro Universitário de Volta Redonda - UniFOA

Discente do curso de Engenharia do Centro Universitário de Volta Redonda - UniFOA

Bruno Lima Dos Santos, Centro Universitário de Volta Redonda - UniFOA

Discente do curso de Engenharia do Centro Universitário de Volta Redonda - UniFOA

Referências

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

Downloads

Publicado

07-12-2023

Como Citar

RODRIGUES, Italo Pinto; RODRIGUES, Gabriel Alberto; DOS SANTOS, Bruno Lima. Redes neurais artificiais na modelagem de laminadores de encruamento: uma análise empírica de arquitetura e hiperparâmetros. Cadernos UniFOA, Volta Redonda, v. 18, n. 53, p. 1–12, 2023. DOI: 10.47385/cadunifoa.v18.n53.4672. Disponível em: https://unifoa.emnuvens.com.br/cadernos/article/view/4672. Acesso em: 8 nov. 2024.

Edição

Seção

Tecnologia e Engenharias

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)