Título

APLICAÇÃO DE REDE NEURAL ARTIFICIAL NA PREDIÇÃO DO DEFEITO CAREPA NA LAMINAÇÃO DE TIRAS A QUENTE

APPLICATION OF AN ARTIFICIAL NEURAL NETWORK IN THE PREDICTION OF SCALE DEFECT IN HOT STRIP ROLLING

Autoria

Rodrigues, Marcelo Pinheiro; Possatti, Juliano Braz; Messner, Rodrigo Santos; Ney, Vitor Bogaci; Machado, Marcelo Lucas Pereira; Vieira, Estéfano Aparecido

DOI

10.5151/2594-5335-40007

Downloads

Baixar Artigo 22 Downloads

Resumo

Este estudo demonstra a aplicação de uma rede neural artificial (RNA) na predição do defeito carepa, na laminação de tiras quentes. A geração da carepa é inerente ao processo pela afinidade do ferro com o oxigênio em altas temperaturas. Manter o nível deste defeito sob controle e atendendo às especificações da aplicação final, evitam o desperdício com a desclassificação de material. Baseado em uma produção de 6.200 bobinas, foram coletados os parâmetros de temperaturas de processamento e quilometragem dos cilindros, resultando em 43 variáveis de entradas e 4 defeitos de saída. Após as simulações da RNA com 3 funções de ativação, 2 otimizadores e 2 quantidades de neurônios, adotou-se a função de ativação logistic com o otimizador lbfgs e uma camada com 87 neurônios. A performance da RNA foi avaliada por meio da matriz de confusão, obtendo-se uma acurácia de 81%, precisão média 54%, recall médio de 51% e média harmônica (f1-score) de 52%. A RNA demonstra um desempenho excelente na predição da não ocorrência do defeito, obtendo-se 90% média harmônica (f1-score). Contudo, deve-se dar continuidade no aprendizado da rede para que a métrica recall tenha melhores resultados evitando-se classificar produtos com defeito como isentos de defeito.

 

This study demonstrates the application of an artificial neural network (ANN) in the prediction of scale defect in hot strip rolling. The generation of scale is inherent to the process due to the affinity of iron with oxygen at high temperatures.Keeping the level of this defect under control and meeting the specifications of the final application, avoid waste with material declassification. Based on a production of 6,200 coils, parameters of processing temperatures and roll mileage were collected, resulting in 43 input variables and 4 output defects. After the ANN simulations with 3 activation functions, 2 optimizers and 2 numbers of neurons, the logistic activation function was adopted with the lbfgs optimizer and a single layer with 87 neurons. The performance of the ANN was evaluated using the confusion matrix, obtaining an accuracy of 81%, mean precision of 54%, mean recall of 51% and harmonic mean (f1-score) of 52%. The ANN demonstrates an excellent performance in predicting the non-occurrence of the defect, obtaining 90% harmonic mean (f1-score). However, the network must continue learning so that the recall metric has better results, avoiding the classification of a defective product as non-defective.

Palavras-chave

Carepa; Rede Neural Artificial; Laminação; Predição

Scale; Artificial Neural Network; Rolling; Prediction