Artificial neural networks in skin-pass mill modeling
an empirical analysis of architecture and hyperparameters
DOI:
https://doi.org/10.47385/cadunifoa.v18.n53.4672Keywords:
Artificial Neural Network, System Identification, Data-driven Modelling, Skin Pass Mill, Steel MakingAbstract
To ensure industrial competitiveness, including the steel market, it is necessary to streamline expenses and increase productivity. Therefore, avoiding incidents involving automation and equipment maintenance is a key factor in ensuring uninterrupted production. Additionally, material loss should be minimized. In this context, there is an opportunity to incorporate improvements in the control of a skin pass mill, ensuring that the mechanical tension applied to the steel sheet remains within specifications. To achieve efficient control, it is necessary for the controller to send the appropriate signal to the plant. This article explores different architectures of artificial neural networks to model this plant. A moderate improvement was observed in the model, and the neural model allows for continuous training to adapt to the real phenomenon.
Downloads
References
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
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Cadernos UniFOA
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
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.