laminación
comportamiento del error de predicción para cincuenta ciclos de aprendizaje híbrido.
Ciclo de Aprendizaje
Fig. 1 (*) IT2 TSK SFLS, (+) IT2 TSK NSFLS-1 (o) IT2 TSK NSFLS-2
Se puede observar que los errores son grandes en dos de
las primeras. Después de la tercera época de entrenamiento, el sistema IT2 TSK NSFLS-2 presenta las mejores
predicciones, estables y con mínimo error que las presentadas por los sistemas inteligente basado en lógica difusa
TSK tipo-2 con entradas singleton (IT2 TSK SFLS) y no
singleton tipo-1 (IT2 TSK NSFLS-1), Por lo que se puede
concluir que el mínimo presentado en la predicción de la
temperatura superficial de la barra de transferencia a la entrada del descascarador secundario garantiza el control de
la calidad de la cinta.
Ya que los sistemas IT2 TSK NSFLS-2 reducen substancialmente la incertidumbre proveniente de todas las fuentes del proceso incluyendo a los ruidos no-estacionarios,
su aplicación puede generalizarse de manera natural a la
predicción y control de cualquier variable de los procesos
industriales, abriendo la posibilidad de controlar procesos
que por naturaleza son dinámicos, variables con el tiempo,
con alto nivel de incertidumbre y fuertemente no-lineales;
como el control de temperatura en hornos, predicción y
prevención de fallas en el proceso, control del espesor de
la cinta en laminación, control de velocidad, posición, flujo,
nivel, entre otras.
REFERENCIAS
[1]
[2]
[3]
[4]
[5]
Méndez, G., Cavazos, A., Leduc, L., Soto, R., Hot Strip Mill Temperature
Prediction Using Hybrid Learning Interval Singleton Type-2 FLS, Proceedings of the IASTED International Conference on Modelling and Simulation, February 2003, Palm Springs, pp. 380-385.
Méndez, G., Cavazos, A., Leduc, L., R. Soto, Modelling of a Hot Strip
Mill Temperature Using Hybrid Learning for Interval Type-1 and Type-2
Non-Singleton Type-2 FLS, Proceedings of the IASTED International
Conference on Artificial Intelligence and Applications, September 2003,
Benalmádena, Spain, pp. 529-533.
Bissesur, Y., Martin, E.B., Morrison, A.J. and Kitson, P., Fault detection in
hot steel rolling using neural network and multivariate statistics, IEE 2000.
Proc.-Control Theory Appl., Nov. 2000, Vol. 147, No. 6, pp. 633-640.
GE Models, Users reference, Vol. 1, Roanoke VA, (1993)
Harding, R.A., Ph.D. Thesis, Temperature and Structural Changes During
Hot Rolling, University of Sheffield, 1976.
27 HIERRO yACERO/AIST MÉXICO