Redes neurais artificiais na modelagem de laminadores de encruamento
uma análise empírica de arquitetura e hiperparâmetros
DOI:
https://doi.org/10.47385/cadunifoa.v18.n53.4672Palavras-chave:
Rede Neural Artificial, Identificação de Sistemas, Modelagem orientada a dados, Laminador de encruamento, SiderurgiaResumo
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
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
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Cadernos UniFOA
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
CESSIONÁRIA
FUNDAÇÃO OSWALDO ARANHA - FOA, mantenedora do CENTRO UNIVERSITÁRIO DE VOLTA REDONDA - UniFOA,
entidade fundacional com personalidade jurídica sem fins lucrativos de direito privado, inscrita no CNPJ sob nº 32.504.995/0001-14, com sede na Avenida Dauro Peixoto Aragão, nº 1325, bairro Três Poços, Volta Redonda – RJ, doravante denominada FOA/UniFOA.
CLÁUSULA PRIMEIRA: O CEDENTE cede e transfere gratuitamente sem direito a remuneração, reembolso ou compensação de qualquer natureza, em caráter irrevogável e irretratável à FOA/UniFOA, todos os direitos autorais (morais e patrimoniais) relativo à obra acima intitulada, tudo em conformidade com a Lei nº 9.610/98.
PARÁGRAFO PRIMEIRO: O CEDENTE desde já, declara que a obra cedida é de sua exclusiva autoria, assumindo total responsabilidade civil e penal, quanto ao conteúdo, citações e referências que fazem parte de seu conteúdo, bem como, por eventuais questionamentos judiciais ou extrajudiciais em decorrência de sua divulgação, devendo concordar inequivocamente com a exclusão da FOA/UniFOA do polo passivo de quaisquer demandas.
PARÁGRAFO SEGUNDO: O CEDENTE assume inteira responsabilidade pelos dados pessoais tratados em função da obra acima intitulada, declarando ainda que observou sempre que possível, os critérios de anonimização ou pseudonimização dos dados para publicação final pela FOA/UniFOA, de acordo com artigo 7º, IV da Lei nº 13.709/2018.
PARÁGRAFO TERCEIRO: Na hipótese de existirem na obra acima intitulada dados pessoais identificados ou identificáveis, que não passaram por processo de anonimização, o CEDENTE declara que informou e disponibilizou aos titulares/terceiros, mecanismos de exercício dos direitos previstos na Lei nº 13.709/18.
PARÁGRAFO QUARTO: Os dados pessoais identificados ou identificáveis presentes na obra acima intitulada, ficarão disponíveis após publicação pela FOA/UniFOA, nos termos do art. 16, II da Lei nº 13.709/2018.
CLÁUSULA SEGUNDA: A FOA/UniFOA fica autorizada a utilizar, reproduzir, distribuir, divulgar, disponibilizar, publicar e licenciar a obra, sob qualquer forma e por quaisquer meios admitidos em lei, inclusive em ambiente digital, observadas as políticas editoriais da instituição e as licenças de uso adotadas para a publicação.
PARÁGRAFO ÚNICO: A utilização, reprodução, divulgação, publicação, compartilhamento, licenciamento ou qualquer outra forma de exploração autorizada da obra pela FOA/UniFOA não gerará ao CEDENTE qualquer direito à remuneração, reembolso, indenização, compensação financeira, participação em receitas ou vantagem econômica de qualquer natureza, permanecendo a presente cessão e autorização em caráter integralmente gratuito.
CLÁUSULA TERCEIRA: A FOA/UniFOA fica autorizada a promover o registro da obra na forma prevista no artigo 19 da Lei nº 9.610/1998, podendo averbar a presente autorização/cessão à margem do registro a que se refere o artigo 19 da Lei nº 9.610/1998, ou não estando a obra registrada, poderá a presente cessão ser registrada em Cartório de Títulos e Documentos, em havendo necessidade.
CLÁUSULA QUARTA: O presente instrumento é firmado por prazo indeterminado.
CLÁUSULA QUINTA: O CEDENTE outorga à FOA/UniFOA, a mais plena, geral, rasa, irretratável, irrestrita e inequívoca quitação pela presente cessão e transferência dos direitos autorais da obra intitulada acima, renunciando a todo e qualquer direito porventura existente, obrigando-se em todos os seus termos e condições, por si, seus herdeiros e sucessores.
CLÁUSULA SEXTA: O CEDENTE 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;
- A obra não será impressa, salvo em casos específicos cabendo à Editora FOA a definição;
- 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 CEDENTE deverá justificar a submissão à Editora FOA, que analisará o pedido, podendo ser autorizado ou não.
CLÁUSULA SÉTIMA: A obra objeto da presente cessão poderá ser disponibilizada pela FOA/UniFOA sob a licença Creative Commons Atribuição-NãoComercial (CC BY-NC), identificada na imagem abaixo - ou outra licença que venha a ser definida pela FOA/UniFOA, observados os critérios editoriais, institucionais, científicos e os requisitos estabelecidos por bases indexadoras, repositórios acadêmicos, organismos de fomento, sistemas de divulgação científica ou demais normas aplicáveis à publicação da obra.
PARÁGRAFO ÚNICO: O CEDENTE declara estar ciente e concordar que a escolha, alteração ou atualização da licença de publicação da obra constitui prerrogativa exclusiva da FOA/UniFOA, desde que observadas as finalidades acadêmicas, científicas e institucionais da publicação.
CLÁUSULA OITAVA: O CEDENTE 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.
