Martinez2007_Reducción de Problemas de Adherencia en Procesos de Galvanizado Mediante Técnicas de...

REVISTA DE METALURGIA, 43 (5)SEPTIEMBRE-OCTUBRE, 325-336, 2007

ISSN: 0034-8570

325

11.. IINNTTRROODDUUCCCCIINN

La Minera de Datos (MD) es una disciplina que en-globa un conjunto de metodologas y herramientasque son tiles para la bsqueda de conocimiento ocul-to en bases de datos. En estos ltimos aos, esta dis-ciplina se ha aplicado a multitud de reas con un xi-to sin precedentes: banca, negocios, bolsa, seguros,energa, industria, etc.

El arranque de nuevas plantas de produccin, elprocesado de nuevos tipos de productos o el reajuste

de las condiciones originales de produccin suele im-plicar gran cantidad de esfuerzo humano y muchotiempo y dinero. En estos casos, MD puede ayudar aobtener conocimiento que sirva para comprendermejor el sistema a optimizar y, de esta forma, redu-cir costos y tiempos.

En este artculo, se reflexiona sobre el uso de MDpara mejorar los procesos de fabricacin y transfor-macin del acero no solo mediante la creacin demodelos de control o prediccin sino tambin me-diante la bsqueda de conocimiento oculto. Como

RReedduucccciinn ddee pprroobblleemmaass ddee aaddhheerreenncciiaa eenn pprroocceessooss ddee ggaallvvaannii--zzaaddoo mmeeddiiaannttee ttccnniiccaass ddee mmiinneerraa ddee ddaattooss(())

F. J. Martnez-de-Pisn*, J. Ordieres*, A. Perna*, F. Alba* y V. Torre**

RReessuummeenn En este trabajo, se muestra un ejemplo de aplicacin de tcnicas de minera de datos para la obtencin de conoci-miento oculto a partir de los histricos de un proceso de galvanizado. El objetivo consisti en encontrar reglas quepudieran servir para mejorar la calidad del producto final y reducir los fallos del proceso. Para ello, se parti de loshistricos correspondientes a la etapa de ajuste de una lnea de galvanizado donde surgieron bobinas con problemasen la adherencia del recubrimiento de zinc aplicado. A partir de la base de datos de dicho proceso, se aplic la meto-dologa clsica de minera de datos para generar y analizar diversos rboles de decisin que clasificaban dos tipos de cla-ses: las bobinas con adherencia correcta y las que presentaban adherencia irregular. De estos rboles se extrajeron lasvariables y sus valores, que ms podan influir en la calidad del recubrimiento. Adems, se establecieron reglas que po-dan ser aplicadas para reducir el nmero de bobinas con fallos de adherencia.

PPaallaabbrraass ccllaavvee rboles de decisin. Lnea de galvanizado. Minera de datos. Bsqueda de conocimiento en bases de datos. Mejora deprocesos industriales. Anlisis de los parmetros del proceso.

Reduce of adherence problems in galvanised processes through data miningtechniques

AAbbssttrraacctt This paper presents an example of the application of data mining techniques to obtain hidden knowledge from thehistorical data of a hot dip galvanizing process and to establish rules to improve quality in the final product and toreduce errors in the process. For this purpose, the tuning records of a hot dip galvanizing line where coils withadherence problems in the zinc coating had been identified were used as a starting point. From the database of theprocess, the classical data mining approach was applied to obtain and analyze a number of decision trees thatclassified two types of coils, i.e. those with the right adherence and those with irregular adherence. The variablesand values that might have influenced the quality of the coating were extracted from these trees. Several rules thatmay be applied to reduce the number of faulty coils with adherence problems were also established.

KKeeyywwoorrddss Decision trees. Hot dip galvanizing line. Data mining. Database knowledge discovery. Industrial process improve-ment. Process parameter analysis.

() Trabajo recibido el da 1 de junio de 2006 y aceptado en su forma final el da 25 de enero de 2007.* Grupo EDMANS (http://www.mineriadatos.org), rea de Proyectos de Ingeniera, Departamento de Ingeniera Mecnica, Universidadde La Rioja, C/ Luis de Ulloa, 20, 26004, Logroo (Espaa).** Aceralia. Grupo ARCELOR MITTAL ESPAA, I+D+i. Centro de Desarrollo Tecnolgico. Ap. 90, 33480 Avils. Espaa.

F. J. MARTNEZ-DE-PISN, J. ORDIERES, A. PERNA, F. ALBA Y V. TORRE

326 REV. METAL. MADRID, 43 (5), SEPTIEMBRE OCTUBRE, 325-336, 2007, ISSN: 0034-8570

caso prctico, se muestra una experiencia de MDdonde se realiz una bsqueda de las causas que ori-ginaban prdidas de calidad en el recubrimiento denuevos aceros dentro de una planta de galvanizado.Del estudio se obtuvieron reglas de conocimientoque sirvieron para detectar qu parmetros afecta-ban a la calidad del recubrimiento de las bobinas ycules eran los mrgenes de control que se podanestablecer como medida de seguridad para reducir losproblemas aparecidos. De esta forma, se consiguireducir ostensiblemente los tiempos necesarios deajuste del proceso ante el nuevo producto reducien-do los costes y aumentando la seguridad y conoci-miento del proceso.

En el presente trabajo se describirn las pautas uti-lizadas para la obtencin de dicho conocimiento, lascuales pueden usarse en cualquier otro proceso defabricacin del acero. Para ello, primeramente se rea-lizar una descripcin del problema para pasar despusa enumerar brevemente las tcnicas de minera de da-tos y su aplicacin en la industria del acero. Posterior-mente, se presentar la metodologa usada, los resulta-dos obtenidos y las conclusiones finales.

22.. PPLLAANNTTEEAAMMIIEENNTTOO DDEELL PPRROOBBLLEEMMAA

El planteamiento del trabajo consisti en identificarla influencia de los parmetros del proceso de galva-nizado en la adherencia del recubrimiento de zinc.La calidad, espesor y uniformidad del recubrimien-to, son factores de los que depende la resistencia a lacorrosin del producto galvanizado[1-4] y se ve in-fluenciado por mltiples factores[1 y 5]: preparacinde la superficie del metal, composicin y temperatu-ra del bao de zinc, velocidad de la banda, controlde las cuchillas de aire que regulan el espesor del re-cubrimiento, temperatura de la banda, calidad delciclo de recocido, composicin de la atmsfera, etc.

El ajuste de todos los parmetros correspondien-tes a cada tipo de bobina segn el tipo de acero y di-mensiones de la misma (espesor y anchura), hacenesta tarea muy laboriosa. Adems, los problemas seacentan, an ms, cuando se procesan nuevos ace-ros o nuevos espesores que no han sido tratados an-teriormente y de los que no se dispone de informa-cin veraz ni de modelos matemticos adecuados.

Ante estos nuevos productos, los ingenieros deplanta deben realizar estimaciones y mltiples ajusteshasta conseguir que la adherencia y homogeneidaddel recubrimiento de zinc sea el adecuado. Estosupone un consumo muy elevado de tiempo y mate-rial desechado.

Muchas veces, el conocimiento implcito que segenera en estos trabajos no queda plasmado en ningn

sitio pues, al ser tantas las variables a modificar yajustar, resulta muy difcil determinar cules son re-almente cruciales en la calidad del producto final.

Es, en este momento, donde las tcnicas de mi-nera de datos pueden ayudar a descubrir reglas ocul-tas que expliquen los problemas de adherencia enlas bobinas mediante el anlisis de los histricos delproceso. De este modo, los expertos de la planta pue-den establecer nuevas estrategias de control que per-mitan reducir el nmero de bobinas con adherenciairregular.

El problema no es fcil, pues adems del enormenmero de variables que influyen en el proceso, elnmero de bobinas defectuosas existentes en las ba-ses de datos a analizar no suele ser muy elevado, loque dificulta mucho el anlisis con tcnicas clsicasde estadstica multivariante.

En este trabajo se demostrar que el uso de rbo-les de decisin combinados permite abordar este tipode problemas de una forma bastante eficiente. A di-ferencia de otras tcnicas de minera de datos los r-boles de decisin permiten trabajar con gran cantidadde atributos (alta dimensionalidad) y pocos casos(baja densidad).

22..11.. LLaa llnneeaa ddee ggaallvvaanniizzaaddoo eenn ccoonnttiinnuuoo

A grandes rasgos, el proceso dentro de una lnea degalvanizado en continuo se puede describir de la si-guiente manera (Fig. 1):

El primer paso, consiste en la formacin deuna banda continua a partir de las bobinas deacero que proceden de los trenes de lamina-cin. Para ello, se despunta la cabeza y la co-la de las mismas y se sueldan a solape. El re-sultado final es una banda de acero continuaformada por las bobinas entrantes.

A continuacin, la banda atraviesa una zonade precalentamiento en atmsfera no oxidan-te donde se eliminan las impurezas, se volati-lizan los aceites de laminacin y se reduce elxido superficial.

Posteriormente, se somete la banda a un ci-clo de calentamiento y enfriamiento que sedenomina recocido (Fig. 2). Este tratamien-to es esencial para la mejora de las propieda-des del acero y del recubrimiento final. El ob-jetivo es recristalizar el metal endurecido quesale de la laminacin en fro y homogeneizarla estructura cristalina.

El horno donde se realiza este tratamiento,suele estar dividido en varias zonas: una zonade calentamiento formada por ocho subzonas,

REDUCCIN DE PROBLEMAS DE ADHERENCIA EN PROCESOS DE GALVANIZADO MEDIANTE TCNICAS DE MINERA DE DATOSREDUCE OF ADHERENCE PROBLEMS IN GALVANISED PROCESSES THROUGH DATA MINING TECHNIQUES

REV. METAL. MADRID, 43 (5), SEPTIEMBRE OCTUBRE, 325-336, 2007, ISSN: 0034-8570 327

una zona de mantenimiento, una de enfria-miento lento y otra de enfriamiento rpido.Al final del enfriamiento rpido se produceun envejecimiento o igualacin con el finde garantizar la precipitacin del carbono yas minimizar los efectos de envejecimientodel acero.

A continuacin, la banda se sumerge en unpote de zinc fundido a temperatura constantepara revestirla de dicho metal. De este bao,la banda sale verticalmente, pasando entrecuchillas de aire que regulan el espesor del re-cubrimiento.

Despus, atraviesa una serie de procesos auxi-liares de tratamientos qumicos donde seaplica una leve pelcula de cido crmico pa-ra prevenir la oxidacin blanda.

Por ltimo, se realiza un aplanado hasta ob-tener el producto final bien en forma de bobi-nas o chapas cortadas.

Esta descripcin, con modificaciones meno-res, suele ser vlida para la mayora de lneasde galvanizado en continuo por inmersin ins-taladas en todo el mundo.

33.. MMEETTOODDOOLLOOGGAA:: LLAASS TTCCNNIICCAASS DDEEMMIINNEERRAA DDEE DDAATTOOSS

Las tcnicas de MD ms comnmente usadas son[6]:

Modelizacin estadstica paramtrica y no pa-ramtrica.

Redes neuronales. rboles de decisin y sistemas de reglas. Mquinas de vectores soporte. Mtodos bayesianos. Reglas de asociacin. Mtodos relacionales y estructurales. Algoritmos evolutivos y reglas difusas. Mtodos basados en casos y vecindad.

Adems, se deberan incluir todas aquellas tcni-cas y mtodos necesarios para el anlisis exploratorioy preprocesado de la informacin, pues son muy im-portantes y suelen desarrollarse antes de la etapa demodelizado[3] (Fig. 3).

La mayora de los trabajos publicados en la opti-mizacin de procesos industriales utilizan los dos pri-meros grupos de tcnicas: mtodos estadsticos y re-des neuronales.

Una lectura muy interesante para comprender lasposibilidades de dichas tcnicas se encuentra enHernndez-Orallo et al.[6], donde se realiza una muybuena introduccin en la metodologa y algoritmos deminera de datos.

FFiigguurraa.. 11. Esquema bsico de una lnea de galvanizado en Caliente (LGC).

Figure. 1. Basic scheme of an hot dip galvanizing Line (HDGL).

FFiigguurraa.. 22. Curva de tratamiento trmico.

Figure. 2. Thermal treatment curve.



33..11.. LLooss rrbboolleess ddee ddeecciissiinn yy aallggoorriittmmoossggeenneerraaddoorreess ddee rreeggllaass

Los rboles de decisin y los algoritmos generadoresde reglas son unos de los algoritmos clasificadoresms conocidos y usados en las tareas de MD. stosgeneran modelos formados por conjuntos de condicio-nes que se plasman en forma de rboles o reglas f-cilmente comprensibles.

Los rboles, a diferencia de los algoritmos genera-dores de reglas, muestran las condiciones organiza-das en una forma jerrquica, de forma que la clasefinal o decisin a tomar se puede obtener siguiendo lascondiciones que se cumplen desde la raz del rbol(Fig. 4).

Cabe destacar, que los algoritmos generadores dereglas y rboles son muy similares entre si. Muchasveces, se pueden extraer reglas directamente de losrboles o, al contrario, generar rboles de decisin apartir de un sistema de reglas.

La diferencia fundamental es que los sistemas dereglas no exigen exclusin ni exhaustividad, por loque puede aplicarse ms de una regla a la vez o nin-guna de ellas. Adems, se diferencian en la forma debsqueda de las condiciones de creacin: por particindel espacio de instancias o por cobertura.

Generalmente, los rboles de decisin realizanuna bsqueda dentro del espacio de instancias de lavariable (y su valor) que mejor particionan dicho es-pacio en clases disjuntas. Este proceso, denominadobsqueda por particin, se realiza en fases sucesi-vas hasta que las clases son separadas adecuadamen-te (Fig. 4).

Otros algoritmos, en cambio, realizan una bs-queda de la regla que mayores ejemplos cubre. Unavez encontrada, se eliminan los ejemplos cubiertosy se siguen buscando nuevas reglas que cubran los

FFiigguurraa.. 44. Ejemplo de rbol de decisin para dos clases.

Figure. 4. Example of a decision tree for two classes.

FFiigguurraa.. 33. Clasificacin de las tcnicas de mine-ra de datos segn la tarea que realizan.

Figure. 3. Data mning techniques classificationaccording to the task they fulfil.



ejemplos todava no explicados. Este proceso se deno-mina bsqueda por cobertura y es muy comn en losalgoritmos generadores de reglas.

Los algoritmos[6] actuales generadores de rbolesms importantes como CART, ID3, ASSISTANT yC4.5 se diferencian fundamentalmente en los crite-rios de particin utilizados. Uno de los ms robustosy eficientes, corresponde con el algoritmo C4.5 [7] osu versin comercial C5.0. Este algoritmo utiliza cri-terios de particin basados en el clculo de la entro-pa aunque con caractersticas de robustez mayoresante ruido y valores anmalos o inexistentes.

Hoy en da, la mayora de herramientas comer-ciales de MD como SAS, Enterprise Miner, Clemen-tine, KXEN, etc.; o herramientas libres como WE-KA, YALE, etc.; incorporan este algoritmo o varian-tes del mismo.

La ventaja fundamental de los rboles de deci-sin es que son muy fciles de utilizar, son robustos,pueden trabajar con un elevado nmero de variablesde entrada y no necesitan un elevado nmero deejemplos para trabajar. Estas cuatro caractersticaslos hacen adecuados para el anlisis de informacinde procesos industriales donde el nmero deparmetros a estudiar es elevado y el conjunto deejemplos errneos suele ser pequeo.

Cabe destacar, como desventaja fundamental, queel grado de precisin de los mismos no es tan eleva-do como otros algoritmos y que, si los grupos de casosson muy dispersos, pueden generarse rboles muygrandes y difciles de interpretar.

33..22.. LLaa MMiinneerraa ddee DDaattooss eenn llaa iinndduussttrriiaaddeell aacceerroo

En la industria del acero es muy comn el uso de tc-nicas clsicas para desarrollar modelos matemticosque expliquen el comportamiento de un producto oproceso[8-11] pero, cada vez ms, se utilizan tcnicas deMD o de Inteligencia Artificial (IA) para obtenermodelos ms precisos que sean capaces de obtenermejores consignas de control, mayor informacin tilpara otros procesos, conocimiento de lo qu est pa-sando, etc.

Dentro de las herramientas de MD ms utilizadas enprocesos industriales del acero destacan las redes neu-ronales. stas son tcnicas que permiten obtener mo-delos no lineales con precisin mayor que otras tc-nicas clsicas como regresin, modelos lineales, etc.

En la literatura aparecen muchas experiencias don-de se usan redes neuronales. Por ejemplo, estas tcni-cas se utilizan para determinar las mejores consignasde un horno de una lnea de galvanizado[13], predecirtemperaturas de arrabio de un horno alto[14], determi-

nar las propiedades metlicas de la banda en procesosdel acero[15 y 16], predecir el end-point de un converti-dor[17], deducir las propiedades de un acero ante altastemperaturas[18], determinar la rugosidad final de labanda de acero[19], entre otras muchas aplicaciones.

Otras veces, se combinan redes neuronales conotro tipo de tcnicas para optimizar los modelos ob-tenidos. Por ejemplo, en Martnez-de-Pisn et al.[5] seusan algoritmos genticos para optimizar los modelosde redes neuronales usados para determinar las con-signas del proceso u otras veces se usan algoritmos ge-nticos para optimizar la arquitectura de la red neu-ronal de un proceso de laminado en caliente[20], etc.

Si bien existen numerosos casos prcticos del usode redes neuronales en la industria del acero, prc-ticamente es inexistente el uso de otras tcnicas co-mo las mquinas de vectores soporte, redes bayesia-nas, lgica fuzzy, etc. Solamente aparecen algunospocos trabajos donde, por ejemplo, se usan redes ba-yesianas para clasificar defectos superficiales en blo-ques de acero[21], lgica difusa o neuro-difusa paracontrolar la tensin de los rodillos en una lnea delaminado[22 y 23] o la velocidad de los mismos[24], etc.,aunque realmente el nmero de aplicaciones encon-tradas no es muy elevado.

Como podemos observar, la mayora de las expe-riencias se basan en el desarrollo de modelos matem-ticos para controlar diversas partes del proceso in-dustrial. En cambio, el uso de estas tcnicas para labsqueda de conocimiento oculto es un campo prc-ticamente no explotado en el mbito industrial delacero, al contrario que en otras reas como la ban-ca, los seguros o el comercio, donde aparece comouno de los usos principales de MD.

En los apartados siguientes proponemos el uso delas tcnicas de MD para la bsqueda de conocimien-to oculto en histricos de procesos del galvanizadodel acero. Para ello, se mostrar el uso de rboles dedecisin que permiten la generacin de reglas quepuedan ayudar a mejorar dichos procesos.

44.. CCAASSOO PPRRCCTTIICCOO

El caso prctico que se presenta, consisti en la bs-queda de conocimiento oculto que pudiera explicarlos problemas de adherencia que surgan cuando setrataban aceros poco comunes dentro de una de las l-neas de galvanizado del Grupo ARCELOR MITTALsita en Avils (Espaa).

Este procedimiento estaba formado por un pro-ceso iterativo de creacin y anlisis de rboles dedecisin de forma que, para cada modelo obtenido, seanalizaba la informacin correspondiente de aque-llas ramas del rbol que mejor separaban las bobinas



con problemas de adherencia de las que no tenan.Posteriormente, se visualizaban los resultados obteni-dos y se contrastaban stos con las opiniones de lostecnlogos de la planta.

Obviamente, esta metodologa puede ser extra-polada con pocos cambios a cualquier otra lnea degalvanizado o proceso de fabricacin del acero.

El estudio se realiz para una partida de bobinas deun nuevo tipo de acero que haba presentado un cier-to nmero de ellas con irregularidades en la adhe-rencia de la capa de zinc. La base de datos se extrajode las primeras pruebas de ajuste de la planta por loque el porcentaje de bobinas con adherencia irregu-lar fue bastante significativo.

Obviamente, el anlisis de la base de datos prove-niente de los primeros ajustes es muy til pues la va-riedad de consignas diferentes debidas a los numero-sos ajustes permite explorar ms conocimiento que enprocesos ya ajustados y en rgimen permanente, don-de dichas consignas prcticamente no varan.

En la tabla I se muestra el nmero y porcentajede bobinas con adherencias de diferente naturaleza dela base de datos que se us en el estudio. Para sim-plificar las explicaciones designaremos dos clases debobinas segn esta caracterstica, tenindose as bo-binas TIPO A y TIPO B.

44..11.. SSeelleecccciinn ddee vvaarriiaabblleess yy pprreepprrooccee--ssaaddoo ddee llaa iinnffoorrmmaacciinn

Para la aplicacin de cualquier proceso de MD, esnecesario realizar una seleccin de variables, prepro-cesado y transformacin de la informacin (Fig. 5).

Las variables que se seleccionaron, correspondancon medidas de cada una de las zonas del proceso(Tabla II) efectuadas cada 30 o 100 m de banda. Paracada una de estas zonas, se obtuvieron valores corres-pondientes a la composicin del aire (en porcentajede H2 y O2), la temperatura de cada zona, la tempe-

ratura de la banda de acero medida en varios sitios yobtenida mediante pirmetros, la velocidad de labanda, la temperatura de roco en diversas zonas delproceso, etc. (Tabla III). Adems, se incluyeron las di-mensiones de cada bobina (ancho y espesor), com-posicin qumica del acero de cada bobina procesa-da, as como la temperatura y composicin del baode zinc.

Despus de la seleccin, se eliminaron los datosanmalos y se filtraron la gran mayora de datos in-existentes para conseguir que cada variable estuvie-se formada, en su mayor parte, por datos consistentes.

Por ltimo, se obtuvieron para cada bobina lossiguientes estimadores estadsticos:

El valor mximo (MX) y mnimo (MN) decada variable.

El valor medio (AV) y la desviacin estndar(SD).

Los primeros daban una idea de los valores extre-mos mientras que los segundos aportaban una esti-macin del valor central y el grado de dispersin dela variable. Por ejemplo, un valor elevado en la des-viacin estndar de la temperatura de una zona dehorno, para una bobina determinada, indicaba queel tratamiento trmico que se realiz en esa zona fuepoco homogneo.

Como variable de salida se defini un parmetrodenominado ADHERENCIA que divida a las bobi-nas en dos clases: TIPO A y las TIPO B, segn latipologa en la adherencia del recubrimiento de zinc.

Para cada acero, y como paso previo al procesode MD, se obtuvo una tabla con ms de 200 varia-bles de entrada y una de salida; siendo cada instanciade la misma, una de las bobinas procesadas.

FFiigguurraa.. 55. Proceso clsico de minera de datos.

Figure. 5. Classic data mining process.

Tabla I. Porcentaje de bobinas con adherenciatipo A e B

Table I. Percentage of coils with A and Badherence types

PPOORRCCEENNTTAAJJEE DDEE BBOOBBIINNAASS DDEE LLAA BBAASSEEDDEE DDAATTOOSS

BBoobbiinnaass TTIIPPOO AA BBoobbiinnaass TTIIPPOO BB((AAddhheerreenncciiaa ttiippoo AA)) ((AAddhheerreenncciiaa ttiippoo BB)) TToottaall

684 (94,6%) 39 (5,4%) 723



Tabla II. Zonas de medicin dentro del HDGL

Table II. HDGL measure zones.

ZZOONNAASS PPRRIINNCCIIPPAALLEESS DDEELL HHDDGGLL

ZZoonnaa DDeessccrriippcciinn

Precalentamiento (PRE) Zona de precalentamiento de la banda, donde se realiza lalimpieza de la misma.

Calentamiento: subzonas 1 a 8(CAL)

Subzonas 1 a 8 de la zona de calentamiento del horno dondese aumenta la temperatura de la banda entorno a los 850 C.

Mantenimiento: subzonas 9 y 10(MAN)

Zona donde se mantiene la temperatura de la banda entornoa los 850 C: Subzonas 9 y 10.

Enfriamiento lento (ENL) Zona donde se realiza un enfriamiento lento de la bandahasta la temperatura de 600-650 C.

Enfriamiento rpido (ENR) Zona donde se realiza un enfriamiento rpido de la bandahasta la temperatura de 400-450 C.

Igualacin (IGU) Zona donde se homogeniza la temperatura de la banda antesde su inmersin en el pote de zinc.

Pote de zinc (POT) Zona de inmersin en el bao con zinc fundido.

Trompa (TRM) Zona de la trompa de igualacin.

General (GRL) Parmetros que son constantes en toda la HDGL.

TTaabbllaa IIIIII.. Descripcin de los grupos de variables ms relevantes

Table III. Attributes description of the most relevant groups of variables

GGRRUUPPOOSS DDEE VVAARRIIAABBLLEESS

NNoommbbrree DDeessccrriippcciinn

CODE Cdigo de la bobina.

CON_H2 Concentracin de H2 en el aire presente en esa zona.

CON_O2 Concentracin de O2 en el aire presente en esa zona.

TMP_PR Temperatura del punto de roco en esa zona.

Zxx_TMP Temperatura de la zona xx.

TMP_Pxx Temperatura de la banda, medida con el pirmetro xx, en cada zona del proceso.

ESP, ANCH Espesor y anchura de la banda de acero.

SPD Velocidad de la banda de acero.

POT_TMP Temperatura del bao de zinc.

CMP_BAO Composicin qumica del bao de zinc. Porcentaje de los elementos qumicosms relevantes del bao de zinc.

CMP_ACERO Composicin qumica del Acero. Porcentaje de los elementos qumicos msrelevantes: Fe, Mn, Al, Ni, etc.

ADHERENCIA Si la adherencia del recubrimiento de zinc fue correcta o no (Valores: TIPO-A o TIPO-B)



Se logr reducir el tamao de esta tabla de ms de200 variables a 77, eliminando las que tenan un eleva-do grado de correlacin o un valor constante o nulo.

La designacin final de las variables correspon-da con la unin del nombre de la zona, el nombrede la variable medida y el estimador estadstico. Porejemplo, la variable MAN_Z08_TMP_AV corres-ponda con la temperatura media de la subzona 8 enla zona de mantenimiento de la lnea, la variableCAL_TMP_P3_MN corresponda con la tempe-ratura mnima de la banda de acero medida con elpirmetro 3 dentro de la zona de calentamiento, etc.

44..22.. CCrreeaacciinn ddeell pprriimmeerr rrbbooll ddee ddeecciissiinn

En las figuras 6 y 7 se presenta el primer rbol de deci-sin generado mediante el conocido algoritmo C4.5 [7]

generado a partir de 77 atributos (variables) y 723instancias (registros). En la tabla IV se explican losatributos empleados.

Es fcil interpretar el esquema del rbol. As, suprimera rama del rbol se puede interpretar de la

TTaabbllaa IIVV.. Atributos del rbol correspondienteal primer modelo

Table IV. Decision-Trees attributes from thefirst model

NNoommbbrree DDeessccrriippcciinn

GRL_SPD_MN Mnimo total de velocidad dela banda de acero

POT_TMP_MX Mximo total de latemperatura del bao de zinc

CAL_Z06_TMP_MX Mximo total de temperaturahorno zona6

CAL_Z04_TMP_MX Mximo total de temperaturahorno zona4

CAL_TMP_P2_MX Mximo total de temperaturapirmetro 2

ENL_TMP_P4_AV Media total de temperaturap4 (salida de enfriamientolento)

CAL_Z06_TMP_SD Desviacin tpica total detemperatura horno zona6

FFiigguurraa.. 77. Interpretacin grfica del rbol de decisin de la figura 6.

Figure. 7. Graphical interpretation of the decision tree from figure 6.

FFiigguurraa.. 66. rbol de decisin correspondiente alprimer modelo obtenido.

Figure. 6. Decision tree for the first model.



siguiente forma: SI la velocidad mnima de la ban-da de acero (GRL_SPD_MN) ha sido menor o iguala 80 m/min Y la temperatura mxima del bao dezinc (POT_TMP_MX) ha sido menor o igual que457 C Y la temperatura mxima en la zona de ca-lentamiento 6 (CAL_Z06_TMP_MX) ha sido me-nor o igual que 912 C, ENTONCES, se clasifica-ron 12,29 (12,29/1,27) bobinas, casi todas de TIPO-B. De stas, solamente 1,27 fueron de TIPO-A.

Es decir, si se cumplen esas condiciones, 11 bobi-nas presentaron adherencia irregular frente a 1 quepresent una adherencia correcta. Los decimales, quepueden producir confusin en la interpretacin, sondebidos a que el algoritmo C4.5 utiliza valores prxi-mos a cero para rellenar los datos inexistentes en lainformacin que maneja. Generalmente, a efectosprcticos, estos valores finales se suelen redondearhacia abajo para determinar el nmero de instanciasclasificadas en cada rama del rbol de decisin.

De esta forma, el algoritmo realiz de forma au-tomtica una seleccin de las variables y los valoresde corte de stas que mejor dividan el espacio deinstancias. Adems, ste realiz un podado de las ra-mas del rbol para reducir el tamao del mismo y ha-cerlo ms fcil de interpretar.

El proceso de podado se realiz considerando dosfactores: que la precisin de la regla obtenida de ca-da rama podada fuera mayor del 75 % y que el n-mero de casos abarcados fuera mayor o igual a 2. Laprecisin de cada rama se define como el nmero decasos correctos dividido por el nmero de casos queabarca. El primer factor implica una restriccin delpodado, de forma que a mayor precisin exigida ma-yor longitud de rama. El segundo implica una restric-cin sobre el nmero de casos mnimo que puede ex-plicar una rama.

Es importante destacar que la capacidad de gene-ralizacin y el error admitido en el podado son par-metros que se deben modificar constantemente enel proceso de creacin de rboles. stos deben ajustar-se para obtener un rbol que no sea excesivamentegrande pero que, a su vez, sea capaz de explicar concierta precisin las clases que se le presentan.

44..33.. BBssqquueeddaa ddee ccoonnoocciimmiieennttoo ttiill

En los casos en que la relacin entre el nmero de ele-mentos de cada clase es muy dispar, como en este ca-so, conviene centrarse en las variables que arrancande la base del rbol pues son las que dividen el mismoen grupos ms amplios y que, por lo tanto, puedenaportar informacin ms global que las variables delas ramas finales, pues stas concentran informacinrelativa a grupos reducidos de individuos.

Resulta interesante confirmar que, ante las nu-merosas variables del proceso (77), el algoritmo sue-le mostrar aquellos atributos que mejor explican lascausas de fallos de adherencia, los cuales, suelen coin-cidir con el conocimiento propio de los tecnlogosde la planta (en este caso, fueron la velocidad de labanda y la temperatura del bao de zinc). An as,se aconseja comprobar cada uno de los resultados y se-guir afinando los modelos obtenidos a medida que seobtienen conclusiones importantes.

Si se observa la ltima rama del rbol de la figu-ra 6, se puede ver que, cuando la velocidad mnima dela banda (GRL_SPD_MN) fue mayor de 80 m/min seobtuvieron 462 bobinas TIPO-A y solo 3 de TIPO-B (un 0,7 % de bobinas TIPO-B, frente al 5,4 % debobinas TIPO-B en toda la base de datos).

Analizando la figura 8, donde se mostraba la rela-cin de las bobinas TIPO-A y TIPO-B segn la velo-cidad mnima (GRL_SPD_MN) y la variacin que sehaba producido en dicha velocidad para cada bobi-na (GRL_SPD_SD) se pudo deducir que un grupo ele-vado de las bobinas con adherencia irregular pudo serdebido a unos valores bajos de velocidad o variacio-nes bruscas de la misma. Seguramente, muchas de ellascorrespondan a momentos de ajustes en arranques oparadas por lo que, obviamente, la explicacin msplausible era que estas bobinas no haban trabajado

FFiigguurraa.. 88. Relacin de las bobinas TIPO-B (pun-tos) frente a las bobinas TIPO-A (cruces) segnla velocidad mnima y desviacin estndar dela velocidad de la banda.

Figure. 8.TYPE-B coils (points) against TYPE-Acoils (crosses) according to the minimal strip-speed and the strip-speeds standard deviation.



en rgimen permanente y que, por lo tanto, su trata-miento trmico no haba sido muy homogneo.

A partir de la grfica de la figura 8 y de las conclu-siones obtenidas en el rbol de las figuras 6 y 7 se de-cidi eliminar las bobinas con velocidad mnima me-nor de 50 m/ min y desviacin estndar por encimade 15. De esta forma, el nmero de bobinas TIPO-Bse redujo drsticamente a 18 y el de TIPO-A a 609.

El objetivo de esta reduccin consisti en seguirestudiando aquellas bobinas que haban presentadoirregularidades en la adherencia pero por causas queno fueran debidas a cambios bruscos de velocidad ovelocidades bajas. En la figura 9 se muestra uno de losrboles que se obtuvo con la nueva base de datos.

De las 18 bobinas con problemas de adheren-cia, 11 fueron explicadas con la siguiente regla: SIla temperatura media del bao de zinc (POT_TMP_AV) fue menor o igual que 456 C Y la veloci-dad media (GRL_SPD_AV) fue menor o igual que86 m/min y la temperatura media de la ltima zona decalentamiento del horno fue mayor de 885 C,(CAL_Z08_TMP_AV) ENTONCES aparecieron 11bobinas TIPO-B y 1 TIPO-A (12,0/1,0).

Segn esta regla, pareca que si la temperaturamedia del bao de zinc (Fig. 10) era menor o igualque 456 C podan aparecer problemas de adheren-cia, siempre y cuando la temperatura de la subzonade calentamiento del horno ltima (subzona 8) fue-ra mayor de 885 C. Adems, se pudo observar quecuando la velocidad media superaba un valor de 86m/min, solamente aparecan bobinas TIPO-A.

Esta nueva regla permiti a los tecnlogos con-firmar lo que ya intuan, que la temperatura del baode zinc deba superar un cierto valor. Pero, lo que esan ms importante, se les suministr dicho valor decorte. Adems, el rbol mostraba una relacin entrelos atributos correspondientes a la velocidad de labanda, temperatura del pote de zinc y temperaturadel horno, que poda ser muy interesante para com-prender mejor el funcionamiento del proceso.

Si se observa la ltima rama del rbol de la fi-gura 9, se puede ver que solamente 7 bobinas que

trabajaron en rgimen permanente y cuya tempera-tura de la entrada del pote de zinc fue superior a 456C, presentaron irregularidades en la adherencia fren-te a unas 567 bobinas TIPO-A. De esta forma, y si-guiendo con la misma metodologa, se eliminaronlas 11 bobinas TIPO-B ya explicadas previamente yse continu buscando conocimiento oculto a partir derboles creados con la base de datos de las 574 bobi-nas que correspondan con esta rama.

Del rbol obtenido (Fig. 11), tal y como se hizo en losanteriores modelos, se analizaron las variables ms pr-ximas a la raz del mismo. En este caso, entraron en jue-go las concentraciones de hidrgeno de la parte prin-cipal de la zona de igualacin (IGU_CON_H2_AV) yde la trompa de la zona de igualacin del proceso(IGU_TRM_CON_H2_AV).

Se puede observar que, cuando las concentracio-nes fueron mayores del 2 % y 2,6 %, respectivamen-te, el nmero de bobinas con adherencia TIPO-Afue de (114+384=498) y una sola del TIPO-B. Esdecir, un 87,8 % (498 de 567) de las bobinas TIPO-A frente a un 14 % de las TIPO-B (1 de 7).

En cambio, cuando el nivel de concentracin dehidrgeno estuvo por debajo de los valores anteriores,

FFiigguurraa.. 1100. Relacin de las bobinas TIPO-B(puntos) frente a las bobinas TIPO-A (cruces)segn la temperatura media del bao de zinc yla temperatura media de la subzona 8 (corres-pondiente a la ltima zona de calentamiento delhorno).

Figure. 10.TYPE-B coils (points) against TYPE-Acoils (crosses) according to the zinc-baths me-an temperature and to the 8th subzones meantemperature (this one corresponding to the lastheating zone of the furnace).

FFiigguurraa.. 99.. rbol de decisin obtenido despus deeliminar las bobinas con velocidad mnima su-perior a 50 m/min y desviacin estndar superiora 15.

Figure. 9. Decision tree remained after removingcoils with minimal speed higher than 50m./minand standard deviation higher than 15.



se obtuvieron 6 bobinas TIPO-B de las 7, es decir,un 86 % de las bobinas TIPO-B que quedaban, fren-te al 12,2 % de las TIPO-A.

Este rbol, permita descubrir un posible grado deinfluencia de las concentraciones de hidrgeno delaire, el nivel mnimo de dichas concentraciones y laszonas del proceso donde deban ser vigiladas.

Como se puede observar, en el rbol tambin apa-reca la concentracin de oxgeno en la zona de man-tenimiento del horno (MAN_CON_O2_AV) aun-que el grado de influencia de esta variable y otras queaparecan en ramas finales tuvo que ser tomado conprecaucin, pues el nmero de elementos clasifica-dos era demasiado pequeo para que pudieran ser to-madas como variables representativas.

55.. CCOONNCCLLUUSSIIOONNEESS YY RREECCOOMMEENNDDAA--CCIIOONNEESS

Como se ha visto en este artculo, los algoritmos ge-neradores de rboles de decisin fueron capaces deseleccionar las variables y el valor de stas que mejordiscriminaban las bobinas en las que aparecieronirregularidades de la adherencia del recubrimien-to de zinc frente a las que no tuvieron.

A diferencia de otras tcnicas de MD, estas tcni-cas pueden trabajar con un elevado nmero de atri-butos y muy pocos ejemplos. sta caracterstica loshace muy tiles en la bsqueda de conocimiento ocul-to dentro de histricos de procesos industriales don-de se dispone de una enorme cantidad de variablesy pocos casos errneos.

Generalmente, cuando se trabaja con este tipo debases de datos (muchos atributos y pocos casos), losmejores resultados se obtienen cuando el anlisis del r-bol se centra en las reglas que ms clases agrupan, aun-que el error sea mayor, pues el grado de abstraccin esms global. Muchas veces, es aconsejable comenzar el

anlisis partiendo de la raz del rbol y estudiar las re-glas que surgen en el primer o segn nivel del mismo.

Despus de validado el conocimiento obtenido,habitualmente con los tecnlogos o expertos del pro-ceso, se recomienda eliminar los casos ya explica-dos de la base de datos y crear un nuevo rbol con loscasos restantes. De esta forma, el mtodo de bsque-da se focaliza cada vez ms en la parte del problemaque an no ha sido explicado.

Dentro del anlisis, es conveniente ser cauto cuan-do bajamos muchos niveles dentro del rbol y obte-nemos reglas muy complejas, pues el conocimientoparticular de un pequeo grupo de casos puede ser fal-seado fcilmente debido a la elevada dimensionalidado amplio nmero de atributos que se manejan y el es-caso nmero de ejemplos de los que se suele disponer.

Por ltimo, es muy importante destacar que losrboles de decisin solamente muestran las variablesy sus valores que mejor separaran el espacio de instan-cias para clasificar una clase u otra pero, al final, es elexperto el que debe corroborar los resultados obte-nidos y encontrar las causas fsicas o lgicas que losproducen, pues muchas veces el conocimiento obte-nido puede ser obvio, intil o falso.

AAggrraaddeecciimmiieennttooss

Los autores agradecen a la Unin Europea bajo elResearch Fund for Coal and Steel (RFCS) la finan-ciacin de los proyectos con referencia RFS-CR-04023 y RFS-CR-04043. Tambin, ha sido parcial-mente financiado por el Ministerio de Ciencia yTecnologa de Espaa a travs de la DireccinGeneral de Investigacin bajo los proyectos DPI2004-07264-C02-01, DPI2006-03060 y DPI2007-61090.Por ltimo, queremos agradecer la ayuda recibida atravs del 2 Plan Riojano de I+D+i del Gobiernode La Rioja.

RREEFFEERREENNCCIIAASS

[1] O. DOMNGUEZ, J. M. MIRANDA-ARIZ YL. SALVADOR. Rev. Metal. Madrid 38 (2002)108-116.

[2] A. GORNI, The modelling of hot rolling processesusing neural networks, http://www.gorni.eng.br/e/neural_1998.html, 1998.

[3] F. J. MARTNEZ-DE PISN, Tesis Doctoral,Escuela Tcnica Superior de IngenieraIndustrial, Universidad de La Rioja, 2003.

[4] J. A. GONZLEZ-RODRGUEZ, Tesis Doctoral,Universidad de Oviedo, 1994.

[5] F. J. MARTNEZ-DE PISN, F. ALBA-ELAS, M.CASTEJN-LIMAS Y J. A. GONZLEZ-

FFiigguurraa.. 1111. rbol de decisin obtenido despusde eliminar las bobinas con temperatura mediadel bao de zinc menor o igual a 456 C

Figure. 11. Decision tree remained after removingcoils with zinc-baths mean temperature less orequal to 456 C.



RODRGUEZ, Ironmaking Steelmaking 33 (2006)1-9.

[6] J. HERNNDEZ-ORALLO, M. J. RAMREZ-QUINTANA Y C. FERRI-RAMREZ, Introduccin ala Minera de Datos, Pearson Educacin S.A.,Prentice Hall, Madrid, Espaa, 2004.

[7] J. R. QUINLAN, Machine Learning 1 (1986) 81-106.

[8] J. ZUECO Y F. ALHAMA, Rev. Metal. Madrid 41(2005) 227-232.

[9] J. H. WEI Y H. T. HU, Ironmaking Steelmaking32 (2005) 427-434.

[10] A. MONSALVE, A. ARTIGAS, D. CELENTANOY F. MELNDEZ, Rev. Metal. Madrid 40 (2004)247-258.

[11] D. M. JONES, J. WATTON Y K. J. BROWN, Iron-making Steelmaking 32 (2005) 435-442.

[12] C. CAMURRI. Rev. Metal. Madrid 39 (2003)132-139.

[13] A. PERNA-ESPINOZA, M. CASTEJN-LIMAS,A. GONZLEZ-MARCOS Y V. LOBATO-RUBIO,Ironmaking Steelmaking 32 (2005) 418-426.

[14] C. CANTERA, J. JIMNEZ, I. VARELA Y A. FOR-MOSO. Rev. Metal. Madrid 38 (2002) 243-248.

[15] J. ORDIERES-MER, A. GONZLEZ-MARCOS, J.A. GONZLEZ, Y V. LOBATO-RUBIO, IronmakingSteelmaking 31 (2004) 43-50.

[16] Z. STERJOVSKI, D. NOLAN, K. R. CARPENTER,D. P. DUNNE Y J. NORRISH, J. Mater. Process.Technol. 170 (2005) 536-544.

[17] R. VALENTINI, V. COLLA Y M. VANNUCCI,Rev.Metal. Madrid 40 (2004) 416-419.

[18] J. LIU, H. CHANG, T. Y. HSU, Y R. RUAN,J.Materi. Process. Technol.103 (2) (2000) 200-214.

[19] K. P. SURJYA Y C. DEBABRATA, Neural Com-puting Applications 14 (2005) 319-324.

[20] J. SON, D. LEE, I. KIM Y S. CHOI, J. Mater. Pro-cess. Technol. 153/154 (0) (2004) 643-648.

[21] F. PERNKOPF. Pattern Analysis Applications 7(2005) 333-342.

[22] J. JUNG Y Y. IM, J Mater. Process. Technol. 96(1999) 163-172.

[23] F. JANABI-SHARIFI, Control Eng. Practice 1(2005) 1-14.

[24] J. JUNG U Y. IM, Int. J.Mechanical Sci. 42 (2000)249-255.

Martinez2007_Reducción de Problemas de Adherencia en Procesos de Galvanizado Mediante Técnicas de...

Documents

Transcript of Martinez2007_Reducción de Problemas de Adherencia en Procesos de Galvanizado Mediante Técnicas de...