Development and application of soft computing and data mining techniques in hot dip galvanising
- Sanz García, Andrés
- Francisco Javier Martínez de Pisón Ascacíbar Director/a
Universidad de defensa: Universidad de La Rioja
Fecha de defensa: 27 de marzo de 2013
- Eliseo Pablo Vergara González Presidente
- Alpha Verónica Pernía Espinoza Secretario/a
- Enrique Alegre Gutiérrez Vocal
- Manuel Castejón Limas Vocal
- Javier Alonso Ruiz Vocal
Tipo: Tesis
Resumen
En un mundo donde los mercados son cada día más globales y cambiantes, la industria necesita nuevas herramientas para mejorar su flexibilidad y mantener la competitividad. Una estrategia para ello es la búsqueda de conocimiento útil a partir de la información procedente de sus procesos productivos. En las últimas décadas, las empresas han realizado importantes inversiones para mejorar el almacenamiento de dicha información. Sin embargo, aún es muy incipiente la implementación de herramientas que extraigan conocimiento implícito subyacente en dicha información almacenada. Debido al volumen y complejidad de esta información, los métodos tradicionales no pueden ser empleados hoy en día. Por ello, se desarrollan herramientas basadas en el uso de computadoras para obtener conocimiento útil a partir de datos históricos de procesos industriales. La minería de datos se ha convertido en una disciplina crucial para realizar esta búsqueda automática. La tesis doctoral pretende desarrollar metodologías basadas en minería de datos que ayuden al ajuste de las líneas industriales. El objetivo es mayor flexibilidad y eficiencia con nuevos productos. Para demostrar su aplicación, las propuestas son aplicadas a una línea de galvanizado continuo por inmersión en caliente de bobinas de acero, cuya dimensión y complejidad ponen de manifiesto las oportunidades que ofrece la minería de datos. en la mejora de estos procesos. El objetivo de la primera parte de la tesis es la extracción de conocimiento útil y no trivial en forma de patrones que expliquen fallos frecuentes en producción. Se propone una metodología global integrando tratamiento de datos y minería de reglas de asociación para mostrar eventos con alto grado de coocurrencia durante fallos en el proceso. La segunda parte se centra en mejorar el modelado de sistemas no lineales a partir de datos históricos, desarrollando dos metodologías combinando técnicas de Soft Computing. Estas mejoraron la estimación de temperaturas de consigna del horno de recocido una línea de galvanizado. Las contribuciones presentadas en esta tesis doctoral demuestran el enorme potencial de la minería de datos a la hora de proporcionar conocimiento útil y comprensible a partir de datos históricos de procesos industriales.