Beruflich Dokumente
Kultur Dokumente
l11IIlIillIlIIlkLllkl\lltUlIflhl
5904338071 UNIVERS!DAD DEALCAL REGISTROGENERAL
UNIVERSIDAD DEALCALA
SECCiNII
fl
L U JUL.
1W
ENTRADA
fc
AL D A
N1
UNIVERSIDAD DE ALCAL
DEPARTAMENTODE CIENCIASDE LA COMPUTACIN
S 2c
Una nueva aplicacin de lasredes neuronales y la lgica difusa a la optimizacin delprocso de la fabricacin del arrabio en unHorno Alto
Escuela Politcnica
Universitario
28871 Alcal (le Henares (Madrid)
Tel]?: (9/)8856645
Fax. (91) 885 6646
UNIVERSIDAD
DE ALCAL
Da EnriquetaMuel Muel, Profesora Titular de Universidad del rea de Ciencias de la Computacin e Inteligencia Artificial, en calidad de Directora del Departamentode Ciencias de la Computacin.
CERTIFICO:
neuronales y la lgica difusa a la optimizacin del proceso de fabricacin de arrabio en un Horno Alto, realizado por D.Hussen Ghidan Hussen y dirigida por
Dr.D. Javier 1Iochn Muoz y Dra.IY. TomasaCalvo Snchez , rene los requisitos
UNIVERSIDAD
ALCAL DE
Fax.
HACEN CONSTAR
las redes neuronalesy lgica difusa a la optimizacindel proceso de fabricacin de arrabio en un Horno Alto, ha sido realizado por D. Hussen
GhidanHussen bajonuestra direccin en el departamento de Ciencias de la Computacin. Este trabajo contiene aportacionestericas y prcticas, quese
han contrastado adecuadamente mediantelas validacionesoportunas.Por todo
El Directorde Tesis.
Codirectorade Tesis La
tndke
NDICE
RESUMEN INTRODI.JCCIIr1......................
1.4
1.5
2.1.2 2.1.3
2.1.4
-a-
ndice
2.1.5
MEJORAS31
2.2 SISTEMAS BASADOS EN REGLASBORROSAS33 2.3 SISTEMAS DE INGENIERA COMOCOMBINACIN DE LA INFORMACINNUMRICA Y LINGSTICA34 2.4 ANFIS: Sistemade InferenciaBorrosobasadoen redes adaptativas35 2.5 REGLAS SI-ENTONCES BORROSAS36 2.6 ARQUITECTURA DE SISTEMAS DE INFERENCIA BORROSOS36 2.6.1 ARQUITECTURA DE SISTEMA DE INFERENCIABORROSO
BASADO EN UNA RED ADAPTATIVA. ARQUITECTURA DEL ANFIS
2.11) 39 2.7 ALGORITMO HBRIDODE APRENDIZAJE42 2.8 ALGORITMOS DE AGRUPACIN DE LA INFORMACIN (CLUSTERING)45 2.9 AGRUPACION SUBSTRACT[VA. (SUBSTRACTIVE CLUSTERING)46 CAPTULO 3: DATOS DE LOS SENSORES TRATAMIENTOS49
3. INTRODUCCIN49 DEL HORNO ALTO SUS
3.1 LOS DATOS:Adquisiciny Preparacin50 3.1.1 TEMPERATURA DEL ARRABIO: Preparacin57 3.2 REPROCESAMIENTO DE LOS DATOS58 3.2.1 FILTRADO DE DATOS59 3.3 ANLISIS DE LOS DATOS62 3.3.1 HISTOGRAMAS DE LAS VARIABLES62 3.3.2 ANLISIS DE LA CORRELACIN CRUZADA67 3.3.2.1 CONCLUSIONES DEL ESTUDIO DE LAS CORRELACIONES72 3.3.3 ANLISIS DE COMPONENTES PRINCIPALES72 3.3.3.1 CONCLUSIONES DEL ESTUDIODE LAS COMPONENTES
PRINCIPALES75
CAPTULO4: APLJCACIONES DESARROLLADAS USANDOLOGIGA BORROSAY REDESNEURONALES77 4. MODELO PARALA PREDICCIN DE LA TEMPERATURA DEL
ARRABIO77
4.1 APLICACIN DE LOS ALGORITMOS DE ENTRENAMIENTO79 4.1.1 APLICACIN DEL ANFIS80 4.1.2 APLICACIN DEL SUBSTRACTIVE CLUSTER1NG80 4.2 RESULTADOS OBTENIDOS81 4.3 MODELO DE SIMULACIN84 4.3.1 EVALUACIN DE LAS ESTRATEGIAS DE AVISOAL OPERADOR85 4.3.2 RESULTADOS OBTENIDOS88 4.4 CONCLUSIONES SOBRELA APLICACIN DEL ANFIS88 4.5 APLICACIN REALIZADA USANDOREDESNEURONALEs. POR QUE EMPLEARR.N.?89 4.5.1 CRITERIO DE SELECCIN DE LA R.N. PARA ESTA APLICACIN89 4.5.2 ESTRUCTURA DE LA RED NEURONALPARAMLP90
-b
ndice
4.6 4.6.2
4.7
CAPTULO 5: CONCLUSIONES101 FUTURO102 PART1LTA DEL HORNO, PORENCIMA DE LA CARGA102 MEDICIONES EN LA PARED, CUBA Y ETALAJES103 ZONA DE TOBERASY RACEWAY103 CRISOL DEL HORNO Y NAVE DE COLADA104 MODELOS105 BIBLIOGRAFIA107
-e-
IndicedeFiguras
ndice de Figuras
1.1.- La forja de Mirandaola(ferreravasca)3 1.2.- Esquemade unaplantade sinterizacin7 1.3.- Esquema de HA moderno10
1.4.-Perfildeunhomoalto12 1.5.- Descenso de los materiales slidos en el horno alto16 1.6.- Relaciones entretemperatura, % monxidode carbonoy presininterior17 1.7.-. Reacciones fundamentais17 1.8.- Curvas de equilibrio18 1.9.- Reduccin con mezcla de CO y H219 2.1.- Esquema de Perceptrn multicapa26 2.2.- Red Hamming (Hamming Network)28 2.3.- Red competitiva (Competitive Layer)29 2.4.- Mapa Autoorganizado30 2.5.- Red L.V.Q32 2.6.- Arquitectura de Sistema de Inferencia Borroso37 2.7.- Reglas Si-Entonces borrosas y mecanismos de razonamiento borroso empleados normalmente38 2.8.- (a) Modelo borroso de Sugeno de primer orden con dos entradas y dos reglas (tipo 3); (b) Arquitectura del ANFIS equivalente39 2.9.- (a) Modelo borroso de Tsukamoto con dos entradas (tipo 1); (b) Arquitectura del ANFIS equivalente41
2.10.- (a) Arquitectura del ANFISparaun modeloborrosode Sugenocon dos entradas y nueve reglas (tipo 3); (b) Espacio de entrada dividido en nueve regiones borrosas42
2.11.- Aproximacin lineal a trozos de las funciones de pertenencia de las consecuencias en lasreglas borrosas del ANFIS de Tsukamoto (tipo 1)44 3,1.- Humedad de la soplante52 3.2.- Inyeccin de carbn53 3.3.- Caudal de la soplante53
3.4.- Oxgenode la soplante54 3.5.- Temperatura de la soplante54 3.6.- Relacin minerallcoque55 3.7.- Temperatura del arrabio 3.8.- Presinde la soplante56
3.9.- Representacin de unos 1.000 valores de la temperatura del arrabio reales (en azul) e interpolados (rojo)58 3.10.- Caractersticas de respuesta en frecuencia de los cuatro tipos bsicos de filtros59 3.11.- Representacin de 100 datos del Caudalde la soplante61 3.12.- Espectro de frecuencias para los 100 datos del Caudal61 3.13.- Filtrado de la seal del caudal de la soplante donde la lnea continua de color azul representa la seal antes del filtrado,y la lnea roja despus del filtrado62
ndicedeFiguras
3.14.- Histograma de la humedad63 3.15.- Histograma de la inyeccinde carbn63 3.16.- Histograma del caudal64 3.17.- Histograma del oxgeno64 3.18.- Histograma de la temperaturade la soplante65 3.20.- Histograma de la temperatura del arrabio66
Histograma de la presin66 Correlacin cruzada entre la humedad y la temperatura del arrabio68 Correlacin cruzadentre la inyeccin de carbn y la temperatura del arrabio68 Correlacin cruzada entre el caudal y la temperatura del arrabio69 Correlacin cruzada entre el oxgeno y la temperatura del arrabio69 Correlacin cruzada entre la temperatura de la soplante y la temperatura del arrabio70 3.27.- Correlacin cruzada entre la relacin mineraLcoque y la temperatura del arrabio70 3.28.- Autocorrelacin de la temperatura del arrabio71 3.29.- Correlacin cruzada entre la presin y la temperatura del arrabio71 4.1.- Esquema del sistema borroso79 4.2.- Prediccin de la temperatura del arrabio con el conjunto de entrenamiento que se han representado 1 000 datos82 4.3.- Prediccin de la temperatura del arrabio con el conjunto de entrenamiento que se han representado 300 datos82 4.4.- Prediccin de la temperatura del arrabio con el conjunto de validacin que se han representado 1 800 datos83 4.5.- Prediccin de la temperatura del arrabio con el conjunto de validacin que se han representado 400 datos84 4.6.- Esquema del simulador borroso85 4.7.- Respuesta de la temperatura del arrabio a los cambios en la humedad86 4.8.- Respuesta de la temperatura del arrabio a los cambios en la inyeccin de carbn87 4.9.- Respuesta de la temperatura del arrabio a los cambios en el caudal87 4.10.- Perceptrnmulticapa90 4.11.- Prediccin y error de %CO92 4.12.- Predicciny error de %C0292 3.21.3.22.3.23.3.24.3.25.3.26.-
4.13.- Prediccin y error de %H293 4.14.- Prediccin de %CO con una aproximacinautoregresiva93 4.15.- Estructura de red neuronal94 4.16.- Salidas Erroresy prediccionesde la red95 4.17.- Estructura de la red neurona!para predecir la temperatura del arrabio97 4.18.- Saliday diferentesprediccionesde la red autopredictiva97 4.19.- Salidasy diferentespredicciones de la red97 4.20.- Esquemadel simuladorcon R.N98 4.21.-NN Simulatorresponses99
-e-
ndicedeTablas
ndicedeTablas
1.1- Controlde materialesy fluidosde entrada y salidadel hornoalto21 2.2.- Los dos pasos del procedimiento hbridode aprendizajepara el ANFIS43
3.1.-Retrasos de lasvariablesde entrada72 3.2.- Matriz de Covarianza74 3.3.- Matrizde valoresy vectorespropios75 3.4.- Valorespropiosy % de la varianzaacumuladade cada variable75 4.1.- Entradasy Salidasdel modelode prediccintemp. arrabio95 4.2.- Variables de entrada a la Red Neuronal96
RESUMEN
Esta tesis se centrar en el estudio de la aplicacinde sistemas,basados en redes
neuronales y lgica difusa, para la fabricacin de arrabio. En particular el control relativo a los parmetros del horno alto, tales como temperatura del metal liquido, nivel trmico del horno as como sistemas que ayuden al conocimiento de las relaciones entre los mapasde la temperatura, y otros factores como una ayuda a la optimizacin del uso de combustibles y coque en el proceso. La metodologa propuesta para atacar estos problemas es evaluar y hacer predicciones con modelos basados en redes neuronales artificiales e inferencia difusa.
kDTCIMiTJ[OS
Tstajtemora
-
Javer Jviochn Trmara dC Cenm/CSIC- y Tonwsa CaCvo Snchez CatecCrtca d Vpt. d? Ciencias d (a Computacn (LLi1),a quienes quero mostrar m nus sincero agradJcmento. Su buena orentacn, sus acertados
-
consejos, su constante estmu(o, su apoyo en (a recaccin c(efntva d( trabajo, y, en suma, su amp Ci a edicacn, tanto centfca como humana, han scfofuncfamenta[es para i consecucin d (os objetivos d esta Tesis.
Tn especa agraifezcoprofundamente a Qi Dra. Tinasa Ca(vo eC haber sabd aCimentar m motvacn para e! estudo d este campo y
afpersona Le (os Departamentos d Ciencias d (a Computacn Le (a Unversctac( d Cca(c d 3-Cenaresy d .Meta(urga Trmara Le( Cenm/CSIC Paquita Bueno- quenes se han portacfo conmigo como s fuesen mispacres y hermanos.
-
4smsmo, quero expresar m agracecmento a (a U.E que fnanc con una ayuc(a ECSC(os trabajos en (os que se ha basaxio esta Tess, as como a (a empresa Ytcera(a (Sr. Obeso, Sr. Sancho, Le (a.
Dvsn Le ID+) por (asfac(c(aifes Le uso Le (as tnsta(acones Le (a factora Le y& ynaCmente, y d manera muy esyeca Jos Lus CaCvo y a mfamCa.
ceseo Lar Cas gracas a
INTRODUCCIN
En el proceso de produccin de arrabio, la evaluacin de las condiciones del proceso est basada en diagnsticos aplicados a una variedad de condiciones operativas que a su vez sirven como base para que el operador tome decisiones y acte. En particular, ha habido para el horno alto aplicaciones de las tcnicas de control basadas en sistemas de conocimiento y supervisin de operacin. Por ejemplo, el sistema GO-STOP desarrollado por Kawasaki Steel Corp., en 1977, fue un esfuerzo pionero. El sistema us tres niveles de razonamiento: GO, que indica
mayor parte de los trabajos en esta rea estn basados en el trabajo original, en Japn, de Muchi (1967) y Muchi y Yagi (1970) y esencialmente son formulaciones unidimensionales que postulan un estado cuasi estable en el horno, despreciando las distribuciones radiales de las variables del proceso y la estructuracin por capas de los materiales descendentes. No obstante las distribuciones longitudinales de la mayor parte de las variables del proceso, tales como la temperatura del gas y de la fase condensada, las relaciones de descomposicin del carbonato clcico, las prdidas de la solucin del coque y la reduccin hierro mineral, as como la composicin del gas, estn bien predichas en un acuerdo razonable con las medidas realizadas con sensores de descenso hechas por Kobayashi et al. (1987) en la Kobe Steel. Naturalmente tales modelos contienen parmetros ajustables que deben sintonizarse con las condiciones de operacin antes que pueda esperarse cualquier
tipo de prediccin. En este estado de cosas, el inters ha ido derivando recientemente hacia el uso de redes neuronales artificiales al objeto de modelar los procesos debido a las
grandes no linearidades y retardos del proceso de fabricacin de arrabio. Trabajos recientes de Matsuda et al (1994) resumen el uso de las redes neurnales para reconocimiento de patrones a partir de los datos del horno alto. Se pueden encontrar anteriores intentos en Konishi et al (1990), NoeI y Quemeneur (1990) Tamura et al (1991). El trabajo de Matsuda et al (1994) tambin discute el uso de inferencia difusa para prediccin de los niveles de calor. Hay trabajos tiles porque exploran sistemticamente parmetros tales como el tamao de la base de datos para entrenamiento de la red as como varios factores internos tales como la seleccin del nmero de neuronasen las capas ocultas, factores de momento, factores de rapidez de aprendizaje, y hace comparaciones con datos testados. Tales aplicaciones son muy recientes y apenas se ha publicado ms informacin sobre estrategias de control para la produccin de arrabio, tanto basadas en redes neuronales como en lgica difusa.
Las innovaciones en esta Tesis provienen de varios factores: primero, las
teoras difusas y de redes neuronales han empezado a ser aplicadas recientemente, a la fabricacin de arrabio y .principalmente como ayuda al reconocimiento, y el desarrollo de bases de conocimiento (vase Mastsuda et al., 1994). Con respecto a las redes neuronales la razn es clara. El problema principal est relacionado con el aprendizaje que es lento aun cuando se emplean grandes ordenadores. No obstante existe software disponible (Boger,1995 y revisiones posteriores) en el que se usa principalmente anlisis de componentes de las seales para asignar, a la red neuronal, pesos iniciales no aleatorios. Este permite conseguir tiempos de aprendizaje entre 20/100 veces ms rpidos que con el empleo de pesos aleatorios, y hace que sea posible el usarPCs tipoPentium auncuandoel nmero de
-lv..
variableslleguea las 10.000. Estosdesarrollos recientes, juntocon los mtodos para decidir sobre al nmero de neuronas en las capas ocultas,hacen que dichas
tecnologas resulten mucho ms atractivas.
En segundolugar, el uso de controladores difusosy de controlbasadoen redes y sistemas de asesoramiento para el operador no pareceque hayansido an
desarrollados para la fabricacin de arrabio, aunque hay indicaciones de que pueden estar usndose, particularmenteen Japn. Posteriormente se discutirn en detalles,
En suma, el rea que se propone para investigar se ha considerado atractiva solo recientemente debido a que los avances en la tecnologa de redes neuronales permiten operar con un gran nmerode variables de entrada.
ABSTRACT
This thesis is centered on the study regarding systems applications which are
based on neuraE networks and fuzzy logic for the production of pig irons. In particular, the relative control of the blast firnaces, such as liquid metal temperature,
blast furnace oven thermal level as well as systems that help us know the relationships betweenthe temperaturemaps, as well as other factors as an aid in the
optimization of the use of fuel and coke in said process. The methodology proposed to attack theseproblems is to evaluateand make predictions using modeis based on
-VI-.
Capitulo1Introduccin
Capitulo 1 Introduccin
consecuencia su produccin.El tercer paso lo constituye el desarrollo para mejorar la marcha del horno medianteel aumentoprimero de la ventilacin y el calentamiento del
aire soplado despus.
conseguir convertir el hierro colado de alto contenido en fsforo en acero de calidad, utilizando un convertidor similar pero con revestimiento bsico. E! siglo XIX fue igualmente frtil en el desarrollo de tecnologas de transformacin del acero producido, tales como una amplia serie de tcnicas de laminacinpara obtener productos planos y largos (chapas,vigas, carriles,tubos, etc.), as como en el desarrollode mquinasy equipos de ampliaaplicacinen la siderurgia.
El mineral de hierro ms preciado estaba en las minas celtibricas del Moncayo, Inbilbilis (Calatayud)y Turiason (Tarazona)que adquirieronjusta fama entre los romanos por la alta calidad y temple de las espadas all fabricadas. Tambin hay que destacar el desarrollo de la produccin de acero que lograron los rabes que haban invadido la pennsula ibrica. De todos es conocida la calidad de las armas que se fabricaron en Toledo. Se ha sealado que en Toledoconocieronlas tcnicas de produccinque llegaron a dar gran prestigio a las espadas de Damasco.El proceso de Damasco,como se sabe, estaba basado en la produccinde acero lquido de alto contenidoen carbono,tal como se lleg a hacer en algunos lugares de la India, y en la forja perfecta del acero.
Posteriormente hay otro despegue espectacular de la siderurgia espaola que se produce en la Edad Media sobre todo en dos regiones, Catalua y Pas Vasco, all donde se
encuentra el agua motriz, el mineraly el combustible,lo que hace posible la instalacinde las fargas catalanas y las ferreras vascas (Figura 1).
2-
Capitulo 1 Introduccin
No podemos olvidar otra regin de gran tradicin metalrgica, Asturias, donde existan asimismo numerosas ferreras ya en los albores del siglo XVIII. Algunos consideran como primer horno alto el que establecera el Marques de Sargadelos (Antonio Raimundo) en esa localidad gallega en 1797, mientras que otros consideran que fue el que funcion a partir de 1832 en Heredia (Mlaga), seguido del construido en Guriezo (Cantabria) por la sociedad bilbana Ybarra, Mier y Cia. Se sabe que en 1844 funcionaban los hornos altos Daoiz y Velarde de la Fbrica de Caones de Trubia, dirigida por el general Elorza y el 14 de junio de 1848 arranc el horno alto de la sociedad Santa Ana de Bolueta (Vizcaya), as como en 1858 el de la Fbrica de la Vega, en Langreo, que dispona ya de bateras de coque. La minera del carbn y del hierro favorecera la captacin del capital extranjero y la generacin de capitales propios para la creacin de la siderurgia asturiana y vizcana. Las hematites bajos en fsforo existentes en el anticlinal de Bilbao constituan las mejores minas europeas, y eran especialmente adecuados para el empleo del convertidor Bessemer, recin inventado en 1855, estando adems excelentemente comunicados por ferrocarril y cable areo con los cargaderos de la ra y puerto de Bilbao. En el quinquenio 1866/70 se produjeron un promedio de 159.000 t de mineral/ao, produccin que lleg a la astronmica cifra, para la poca, de 5.487.000 t mineral/ao de promedio en el quinquenio 1896/1900.
-3-
Capitulo 1 Infroduccin Ya en 1875 existan tres importantes empresas asturianas. En ese ao el francs Numa Guilhou funda la sociedad Fbrica de Mieres, contando con dos hornos altos y baterasde coque. Tambinen 1875 la empresaDuro y Compaa, cuyo principalpromotor fue el logros Pedro Duro (arranc su primer horno el 5 de enero de 1860), produca ya un tercio del hierro espaol y pasara a ser Duro Felguera a partir de 1904. La tercera gran empresa asturiana fue la Fbrica de Moreda y Gijn, constituida con capital francsy
-4-
Capitufo1Introduccin
El 15 de junio de 1950 el Gobiernodict un decreto encargando al INI la construccin de ENSIDESA,en Avils, que arranc sus hornos altos en 1957, 1958, 1966 y 1969,
pasando a ser la primera siderurgia del pas.. Las tres primeras siderurgias asturianas antes aludidas arrancaron nuevos hornos altos entre 1955 y 1959, para fusionarse al comienzo de
los aos 60. Posteriormente, y acogindose a la accinconcertada del Gobierno,crearonla nueva siderurgiaintegral UNINSA en 1966, que reforzarala posicin de ENSiDESA al
ser absorbida por sta a finales de 1973. Por otra parte en 1904 se instal en Espaa el
primer horno elctrico para produccinde acero en Araya (lava). Y en 1960 arranc la primera instalacin espaola de coladacontinua en San Adrin de Besos (Barcelona).Con el horno elctricoy la colada continuase originel concepto de miniplanta,principalmente para la produccin de redondos para hormign. La presencia de las miniplantas en Espaa
ha significado una importante contribucin a la produccin global de la siderurgia
espaola.
1.1.1 LA SIDERURGIA ESPAOLA EN LOS LTIMOS AOS La siderurgia espaola, con una produccin en la dcada de los noventa-expresada en productoacabadoentre 12,5 millones t/alo y 13,5 millones tlao, supone del orden del 10 % de la produccin de la Unin Europea. Esos 13 millones se subdividen en 11,5 millones Vao de acero comn (5,5 millones de productos planos y 6 millones de productos largos) y 1,5 millones tlao de productos de acero especial, de los que 0,8 millones t/ao son productos de acero inoxidable. Se han efectuado varias reestructuracionesdesde la crisis de los aos 70, obtenindoseimportantes. aumentos de productividad, reducciones de capacidades de produccin excedentarias, as como la modernizacin de las instalaciones y de los productos, pasando por un proceso de concentraciny privatizacinde empresas.Segn datos de UNESID, desde 1986 a 1996 la productividad ha pasado de 242 t/hombrey alo a 529 tlhombre y ao, la plantilla se ha
reducido en un 53,3 % y la capacidadmxima de produccinde laminadosen calienteha pasado de 21 millones de tlao a 16,8 millones de tlafo, reducindose un 20 %. En la siderurgia integral se ha pasado de dos a una nica empresa;en la fabricacinde acero comn va hornoelctricode 22 gruposa 5 gruposde empresas y en la produccin de aceros especiales de 15 empresasa 3 gruposempresariales.No se ha incluido en las compaas anteriormentealudidas, las 3 empresas que fabrican tubos sin soldadura y disponen de produccin propia de acero. La siderurgia espaola ha reducido sus costes, ganando en competitividad y mejorando su gestin, llegando de maneraeficiente a un mercado globalizadoy entrando en el prximo milenio en condiciones favorables parasu xito tcnico y econmico.
-5-
Capitulo1Introduccin
1.2 MATERIASPRIMAS
Las materias primas requeridas en los procesos de produccin de arrabio y acero, son fundamentalmente [5}:
Las materias primas fundentes (caliza, doloma, cal, elementos para aleacin, etc.).
consideran impurezas (la ganga). E! minera! de hierro es. una materia prima fundamental
para la siderurgiaintegral, basadaen el procesodelhorno alto.Ser preciso procedera una eliminacin del oxgeno o reduccin de los minerales, con descenso de las impurezashasta
los niveles requeridos. Existen diversos tipos de minerales de hierro, segn varen
a los procesos de
hornoalto).
-6-
Capitulo 1 Introduccin
Habitualmente se utilizan minerales diversos, y se procede a su mezcla u homogeneizacin en grandes pilas o parvas de homogeneizacin, que adems cumplen misiones de parques de almacenamiento controlado. Dentro de los procedimientos de aglomeracin, distinguimos la sinterizacin y la pelletizacin.
1.2.1.1
SINTERIZACION
Es el proceso de aglomeracin de los minerales finos para la obtencin del sinterizado (o sinter), cuyo empleo en el horno alto favorece su marcha correcta (calidad, productividad y consumos especficos optimizados). A la mezcla de minerales finos, procedente de la parva de finos homogeneizada, se le adiciona agua y se noduliza en el tambor mezclador con vistas a optimizar su permeabilidad. Tras aportar la cantidad de combustible y de aditivos preestablecida, es cargada con un tambor alimentador cuidadosamente controlado, sobre la cinta o banda de la mquina de sinterizar, constituida por una serie de carros o pailas dotados de parrillas protegidas por una capa de cama de sinterizado de granulometra precisa (Figura 1.2).
aosct
____
ARL1
II
HORNOS
GAS
ROWFDOP
CRIM CALIENTES BflADOR RIBAGRUE
_j*TQNOscALJENTES:
TORNOS FROS
ALTOS ICEN $
H.A A
cm!. 1
-
1W
--
ADOR CAMA
CRIBA
AJREH#iRA F1fPIAMIENTO
t SINTEA
-
DaSINIER
ALT OSOS
Capitulo 1 Introduccin
Todo ello constituye la carga que la mquina arrastra. Pasa por el horno de ignicin, donde el frente de llama avanza de arriba abajo. Una soplante extractora de gran capacidad hace pasar el aire a lo largo de toda la superficie de la banda, produciendo una depresin a travs de las cajas de aspiracin en que est dividida la superficie total El accionamiento de la soplante estconstituido porun motorde gran potencia: del orden de 10 MW (uno de los mayores motores del conjunto de las instalaciones de toda la siderurgia integral) y cuyo dimensionamiento es funcin fundamentalmente de la superficie de la mquina y de la depresin utilizada (factores de diseo que afectan a la capacidad productiva, medida habitualmente por la relacin de toneladas de sinter til producidas por metro cuadrado de superficie de mquina y por da). El combustible ms utilizado es el polvo de coque (granulometra, cenizas, humedad, etc. controladas). Los aditivos, normalmente caliza preparada, garantizan un contenido en escorificable y basicidad del sinterprevisto para el
.
procesodel hornoalto.
Se obtiene una torta de aglomerado sinterizado, que despus de troceada en el rompedor, es cribada en caliente, posteriormente enfriada por paso de aire en el enfriador y estabilizada(triturada y cribada en fro) para obtener un sinter de la mejor calidad: composicin qumica (ley en hierro, escorificable, basicidad, contenido en lcalis, fsforo, etc.), caractersticas fisico-qumicas (dureza, reductibilidad, degradacin en caliente, contenido en ferroso, etc.) y granulometra adecuadas, para optimizar el proceso de
fabricacindelarrabioen el hornoalto.
1.2.1.2 PELETIZACION
La pelletizacin (o peletizacin) es el procedimiento de aglomeracin de los minerales ultrafinos y concentrados para la obtencin de pequeos ndulos o pellets, de dimensiones del orden de 10 mm a 15 mm, y con moderado gradode metalizacin. El proceso consiste en la obtencin previa de los pellets verdes, formados en el tambor pelletizador con mineral fino de humedad controlada, al que se ha aadido un elemento o agente aglomerante. Posteriormente los pellets son secados y cocidos a alta temperatura para obtener el pellet de la calidad requerida: composicin qumica (ley de hierro, cantidad, tipo y basicidad del escorificable, elementos residuales como lcalis, fsforo, etc.), caractersticas fisico-qumicas, etc. Los factores determinantes del coste variable de los pellets estn en lnea con los apuntados para el caso del coste del sinterizado, teniendo en cuenta su proceso de fabricacin especfico. Los pellets son fcilmente transportables, por lo que (al revs que en el caso del sinterizado) las plantas de pelletizacin se encuentran normalmente en las proximidades de las minas.
-8-
Capitulo1Introduccin
1.2.2 CARBON
El carbn es una roca sedimentaria de estructura heterognea que proviene de la fosilizacin de las plantas. Desde el punto de vista de combustible slido, el carbn se caracteriza por su potencia calorfica, cuyo contenido es el siguiente: elementos propiamente combustibles (el carbono, el hidrgeno, etc.) y no combustibles (el agua,el nitrgeno,el oxgeno), y un restode materias denominadas cenizas. La aplicacin actual del carbn en la siderurgia se basa en su empleo como materia prima para la produccin del coque siderrgico y en la inyeccin de ste por las toberas del horno alto.
1.2.2.1
COQIJESIDERURGICO
El coque (tambin denominado cok) es el producto de la destilacin del carbn en cmara cerrada y a alta temperatura. Se hablar de coque siderrgico especialmente producido para su empleo en el horno alto, dadas sus caractersticas de:
e
Agente reductor, sobre la base de su alto contenido en carbono. Agentetrmico, sobre la base de su alto poder calorfico.
Agente mecnico, sobre la base de su resistencia para soportar la carga del horno alto dotndolede la permeabilidad necesaria.
Se precisanunas determinadas caractersticasde los carbonespara producirun buen coque siderrgico,para lo que se empleanmezclas de hullas coquizables. Es importantela composicin de los carbones,en especialsu humedad,su contenido en azufre y su cantidad y tipo de cenizas, adems de sus impurezas (fsforo, lcalis, etc.) y su contenido en materias voltiles. Las bateras de coque estn constituidas por una serie de cmaras u hornos de coquizarde dimensionesvariables,por ejemplo,en un entornode 7 m de altura, 450 mm de anchura media y 16 m de logitud (volmenes tiles de hasta 50 m3y ms). Los hornos estn construidosen refractariode sificey entre cada dos hornos existe una cmara de combustindonde se sitan quemadoresa lo largo de toda su longitudy a diferentes alturas, que mediantela combustinde gas aseguran el calentamintode las paredes de slice adyacentes y la obtencin de las temperaturas adecuadas para la correcta coquizacin del carbn. El empleo de la inyeccinde carbn en los hornos altos ha reducido las necesidades
de coque siderrgico, permitiendo bajar las marchas en la batera de coque aumentando su duracin de vida, evitando a veces la reconstruccin de bateras yio montaje de otras nuevas, etc. con los consiguientes beneficiosen esta rea. Se han desarrollado nuevas tcnicas de coquizacin. La ms interesante es el reactor de coquizacin Jumbo, que
-9-
Capitulo 1 Introduccin
supone una mejora de las condicionesde operacin,un aumentode la productividad,un mejor control,un menor consumo energtico, una menor contaminacin, etc.
se traduce en un alto grado de metalizacin, es decir, contenidos totales de hierro superiores al 95-96 %, con lo que se obtiene el arrabio [73]. El horno alto s un reactor
vertical, de cuba, en el que se efecta el proceso de reduccin en contracorriente entre una carga descendente de slidos y una ascendente de gas reductor, obtenindose un producto intermedio: el arrabio. Este arrabio ser tratado fuera del horno, normalmente en una planta
TUBERADE
BAJADA DEL GAS
ESTUFAS
DEL SKIP
BOTELLON
PUENTE
Li
Nf uCHARAS TORPEDO
lOO
FUNDACIONES
ALTURA APROXIMADA DE LA INSTALACIN,
-lo-
Capitulo 1 Introduccin El horno alto ha demostrado alta eficiencia, adaptabilidad y capacidad productiva, a la vez que efecta un cierto pretratamiento del producto obtenido, reduciendo los niveles
obtencin de elevadas cantidades de aceros de alta pureza y calidad,no alcanzable normalmente por otros mtodosproductivos.
t3.1 INSTALACIONES PRINCIPALES bEL HORNO ALTO
El horno alto propiamente dicho est formado por una coraza construida en acero
soldado y revestida interiormentede refractariocon calidades en cada zona de acuerdo a las solicitaciones requeridas,y cuyo volumen internoest constituidopor diferenteszonas cilndricas y troncocnicas, en funcin de los materiales que en cada zona coexistan y de
su estado (estado fisico de los materiales y gases, as como vohmenes que ocupan en cada zona). En el horno alto se distinguen los siguientes sistemas principales: 1.3.1.1 SISTEMA DE EVACUACIN DELGAS Est constituido por las tuberas de evacuacin del gas bruto pobre producido,
denominadas pantalones.Tambinest dotado de vlvulas de descarga denominadas cascabeles o chapines, y controlesde presin,temperatura, composicindel gas, etc.
1.3.1.2
El hornopropiamente dicho, est construido a partir de material refractario de diferentescaractersticas, n funcinde las solicitacionesrequeridas en cada zona y del
diseo del horno, sostenido por un sistema de chapas y cajas de agua denominadas staves, constituyendo una coraza ms o menos continua. Tiene un perfil que favorece su funcionamiento y el intercambio entre slidos y gases, que en diferente estado coexisten en cada zona. El perfil del horno es variable a lo largo de su altura,distinguindose varias zonas (4).
En la figura 1.4, se representa esquemticamente el perfil de un horno alto moderno. Comose aprecia,las partesms importantesdel horno son:
-11-
Capitulo 1 Introduccin
+47096mm
LAT4&If
DEI
107400
_______
FtaCASDEDESOASIt
E II
a
5
-,
AZA
1 1
04a55
1
1 o o-ns
1
1
Ss
NIVEL 1!OeEsias
17 296
r
PIptC-tAcA DtY tRS
9.6L
DE(CMISO&
DEL HORNO
1 1
+12794
7
r
HACES IUBLL ARES DE REERIGERACION DEL S..CRtSOt
t: a
u
s flNUAClONEQO.c a a 50 (ESPESOR
73
mm
DE CORAZA)
Capitulo1Introducci,
Sistema de evacuacindel gas. Situadopor encima del horno, est constituido por las tuberas de evacuacindel gas bruto pobre producidoy dotado de vlvulas de descarga denominadaschapinesy controlesde presin,temperatura,composicin del gas, etc.
Tragante. Es la parte superior del horno por donde se cargan las materias primas constituidas por minera! de hierro, coque y fundentes.Formado de paredes rectas, la carga
debe garantizar una distribucin controlada de cada material en el interior del horno. Actualmente el sistema ms extendido para controlar la distribucin de carga es el diseado por Paul Wurth frente al sistema de campanas.El tragante PW consisteen unas tolvas provistas de vlvulas que alimentan una canaleta rotatoria cuyo ngulo de inclinacin respecto a la vertical es posible regular mientras se realiza la carga de material al horno. De esta forma se puede distribuir la carga en una zona bastante amplia del tragante [13]. Este sistema, adems mejora la estanqueidad y evita la emisin de gases y polvo, haciendo posible trabajar a mayor presin en el horno. As pues, el sistema Paul Wurth es ms econmico, ms fcil de instalar y mejora el funcionamiento respecto al sistema basado en campanas.[14].
Cuba. Situada entre el fmal del tragante y el vientre del horno. Contiene la mayor parte de la carga y tiene forma troncocnicacoincidiendosu dimetromenor con el del tragante y el mayor con el del vientre. El perfil de la cuba ha de favorecer el intercambiode calor
entre slidos y gases que coexisten en diferentes estados.
Etalajes. Es la zona del horno dondese inyecta el aire o viento calienteprocedentede las estufas. El viento llega a una tubera circular o morcilla de la cual, a travs de las tuberas de bajada, es introducidoen el horno por los orificios de toberas. Su misin es hacer posible la combustindel carbn. El nmero de toberas vara de un horno a otro y es funcin del tamao del mismo, pero siempre estn equiespaciadasalrededor del horno. Tambin en las toberas, se realiza la inyeccin de combustibles auxiliares.
Crisol. De forma cilndrica, es la parte inferior del horno donde se recogen el arrabio y la escoria que sern peridicamente colados del horno a travs de las piqueras o agujeros de colada.
-13-
Capitulo 1 Introducci,
1.3.1.3
Es variable en funcin de cada zona del mismo, pero en cualquier caso es el ms eficiente e intenso posible para mejorar la fiabilidad de marcha, la duracin del revestimiento refractario y en ltima instancia optimizar la duracin de la campaa del horno. En el horno coexisten varias tecnologas de refrigeracin: la refrigeracin por agua a alta presin de las toberas de doble cmara, la refrigeracin por haces tubulares del subcrisol o la refrigeracin intensa por cajas de cobre de doble cmara o por cajas verticales especiales o staves de los etalajes y la cuba. Se precisan normalmente varios circuitos cerrados de refrigeracin, empleando agua de calidad, con sus sistemas de bombas, torres de refrigeracin, tratamiento del agua, etc., adems de sistemas de control de temperaturas,presiones, caudales, clculos de prdidas trmicas, deteccin de fugas o
fallos de elementosrefrigerados,etc.
1.3.1.4
EL SISTEMADE CONTROL
Tiene por objeto gestionar el funcionamiento de los equipos del horno y de su proceso. Multitud de sensores, tales como controles de temperatura, presin, sondas de nivel, sondas de anlisis de gas, etc., estn instalados en el propio horno junto con otros mltiples sensores de sus instalaciones auxiliares constituyendo un sistema global de control. El diseo del horno define su perfil, y existen varios parmetros caractersticos de la capacidad productiva: el dimetro interno del crisol (o bien su superficie), el volumen total del horno o capacidad interior entre las cotas de piquera y del nivel terico de llenado, el volumen til o capacidad interior entre la cota de toberas y la del nivel terico de llenado. Esos parmetros definen la dimensin del horno y ha podido constatarse una tendencia a un aumento de sus dimensiones, siendo habituales hornos altos con dimetros de crisol entre 10 m y 15 m con producciones diarias que pueden superar ampliamente las 10 000 t de arrabio. El coque acta como combustible, agente reductor y aportador de carbono, adems de como soporte de la carga. Por las toberas se inyecta el aire o viento caliente (controlando la humedad del viento y su inyeccin de oxgeno adicional), adems de combustibles auxiliares como el carbn de inyeccin. Por el tragante o parte superior del horno se cargan materiales como los minerales, sinterizado, pellets y coque, fundamentalmente. Como salidas del horno, por las piqueras del crisol se cuela peridicamente el arrabio producido, que se separa de la escoria por densidad en las regueras de la planchada de colada. Las caractersticas tnnicas del arrabio y de la escoria estn determinadas por el proceso, adems de por otros factores de menor incidencia (incluso por el tamao del horno), y deben controlarse. Por el tragante se extrae tambin el gas pobre bruto (con cantidades altas de polvo que tras su depuracin ser utilizado como combustible). El horno alto es un eficiente reactor que funciona a contracorriente: los materiales slidos cargados por el tragante descienden (con las transformaciones que el
.14-
Capitulo 1 introducci,?
proceso conlieva) hasta el crisol, mientras que los materiales introducidos por toberas ascienden como gases hasta el tragante sufriendo tambin diversas transformaciones. El conjunto de reaccionesa contracorriente que ocurrenpueden analizarsedesde el punto de vista de cada elemento qumico (por ejemplo: reacciones de desulfuracin o
balance del azufre, etc.) o bien considerando aqu nicamente de forma simplificada las que ms afectanal primordialobjetivodel proceso:la reduccinde los mineralesde hierro. Las reacciones se favorecen con una adecuadapermeabilidaden el horno y trabajando con
alta presin en el tragante (trabajo a contrapresin).
Una alteracin del proceso del horno puede derivar en un enfriamiento o emborricamiento,con muy graves repercusionessobre la marcha, que puede tardar en
normalizarse incluso varios das, exigiendo de los operadores de planta una pericia y esfuerzo adicionales.
1.3.2
PROCESO GENERAL
zonas de mayor temperatura y de mayor proporcin de xido de carbono en su compsicin, es decir, el horno alto es un aparato en el que se realizan las reacciones
fisico-qumicas del proceso de reduccin. Esta reduccin se realiza no solamente sobre los
xidos de hierro,cuya reduccinpuederealizarsea temperaturas relativamentebajas,entre 600 oc y 700 C, sino que se extiende a la reduccinde otros xidos que acompaanal minera! o al combustible que se carga en el horno alto y cuya reduccin se realiza, en general, a temperaturas ms altas y con mayor proporcin de co. Por tanto, en zonas del horno ms bajas y prximas a los etalajes y al crisol del horno alto, siendo reacciones fuertemente endotrmicas que absorben fuertes cantidades de caloras de nivel trmico
alto. En este descenso de los materiales slidos en el horno alto se producen, adems, otras reacciones, como son: la descomposicin de los carbonatos que se introducen en la carga,
la formacinde escoria y la eliminacinparcial del azufre de la carga con la escoria. Para comprender bien el papel del horno alto como aparato en el que se van produciendolas
reacciones qumicas del proceso, se analiza a continuacin lo que va ocurriendo en cada zona del horno alto a medida que descienden los materiales slidos cargados en la zona alta (5). -15-
Capitulo
1 Introduccin
4
MATErnALeS QUE EITLAN MATERIhLES QUE SALEN EN ELHORNO ALTO PGR
HORNO ALTO POR TONELADA DE MRASlD DEI. DEARRARIO 4al. %Sti IS3Sk TONELADA FUNDENTE (OKNEUL S69K 90k9
PESOS DELOS DIVERSOS 4410 m
COMPUESTPSQUIM1COS GASES 12 deS;0t 435 kgd. CaCOj 105229 CO4S 4eFt.3O 26 It9d.MC03 1329k1C0 icgi.Fe0 $40 Ii deG 10k1H2 1$kgsC 1414 lIad. Fe203 lII2O112diHt0 326 k5 de1120 217Ill2Olh29d.Ca0 $5 kgdiF.203 03*dtUnO tA d,MO 101 Ic94cSO a6kSF. 24k9geSFs gkcao 2 d. CaSO1
POtYODf1I!E
9 kgdsP1O3CaO
270
(t)
2 e2O3+5Coo4FC.7C02
-0.
27
0
1-
!J)F*O4{o} 22 24 1 Fe
1oj
+C02*0. 04+CO O o 0 12 IV u
i;J 1
41
u
0 O
a a 2 o u.
4 41
COMBINADA)
4 u z
1-
12
-0.
1
2 o
1
.
1
a
7
-
z-v
o N
5
$73Kg 3420.n3
ZOMECOMAIiSTELOYEL)ODELVIENTO; 1100
V*.KTOCAUV*fl
AtLoDWRtA
pAs4K.; Q*A$%b(t000K)SIS(*
flA&owI&W
Capitulo 1 Introducciun 100 80 60 40 20 o 300 O 20 40 60 80 100 1000 1100 1200 0,10 025 O atm atm latm 4atm
19 atm 64atm
400
500
600
700
800
900
De ellas se deduce, por ejemplo, que a 1 atmsfera de presin y 900 oc el 98 % del gas es CO, pero si la presin sube a 20 atmsferas slo el 70 % es co el 30 % CO2 a la misma temperatura.
1.3.2.1
Las reacciones firndamentales de este proceso de reduccin se muestran en la figura 7. considerando el co como reductor:
loo 30
25
90 80 70 6O 50
o 20
15 10 5
40 30 20 10
o o
o
300 400 500 600 700 800 900 1000 1100 1200
o
1300
-17-
Capitulo 1 Introduccin
El xido fnico se transforma en xido ferroso-frrico segn: 3 Fe203 + CO 2 Fe304 + CO2 a su vez el Fe104 se transforma en FeO segn: Fe304 + CO 3 FeO + CO2 El FeO, a su vez, en presencia de CO da: FeO + CO t Fe + CO2 Tambin puede producirse: Fe304 + 4CO Z 3 Fe + 4C02 Estas reacciones son reversibles y segn la temperatura a que se produzcan pueden quedar limitadas o producirse de derecha a izquierda, o sea, una oxidacin por el CO2 hacia xidos superiores. La reduccin con hidrgeno es tambin posible segn las reacciones: 3 FeO3 + 112 2 Fe304 + 1-120; Fe3O4 + 1-12 t 3 FeO + 1-120; FeO + 1-12 Z Fe + 1-120; Las curvas de equilibrio se representan en la figura 8 y de ellas se deduce que para concentraciones altas en H2, las reacciones se producen en el sentido de izquierda a derecha a temperaturas relativamente bajas, del orden de 600 C o 700. C
90 80 70 o o 50 40
*
y 0
(1
(1
(1
Fe
r + 01 r
I30
?Q
rs
Y
00
FeO
Fe304
20 10
to
o
300 500 700
900
1100
1300
Aparte de otras consideraciones de tipo tcnico, la reduccin con hidrgeno no se lleva a cabo en la prctica por ser el CO un reductor ms econmico que el H2.Tambin es
-18-
Capitulo 1 Introduccin
posible la reduccin con mezcla de CO y I12. La curva representativa se reproduce en la Figura 1.9.
60
CO+H2H2O+C
50
40
a30
20
2Fe3O4 +CQ+H2-.
10
2Fe3O4tCO+H2-..... 6Fe0+C02+H20
6FeO+C02+1120
o 300
500 Temperatura en
700 900
1300 1100
y 112.
De ella se deduce que existe un gran intervalo de temperaturas, dentro de las cuales el poder reductor de la mezcla se mantiene prcticamente constante a partir de los 600 C. La mezcla de H2 y CO es ms favorable que la reduccin slo con 1-12, pues provoca un descenso de la temperatura y una paralizacin ms o menos acentuada de la reaccin, lo que corrige la reduccin con CO. En la prctica, los xidos de hierro presentes en los minerales estn combinados con otros xidos o mezclados con determinadas impurezas. El reductor no est slo formado por xido de carbono, sino que tambin contiene alguna proporcin, aunque pequea, de 112 como consecuencia de la descomposicin de la humedad del viento y tiene siempre un fuerte contenido en N2 y vara de composicin y de temperatura en el proceso. Por otra parte, el coque tiene un contenido en cenizas que tambin aportan elementos que entran en el proceso. En zonas relativamente bajas del horno alto, hay reacciones importantes entre el FeO, reducido de los xidos superiores y la slice y almina que como ganga acompaan a los minerales o contenidas en las cenizas del coque, formndose silicatos de hierro, como hemos dicho anteriormente, ms dificiles de reducir. Lo mismo ocurre cuando en el horno alto se cargan minerales muy altos en slice y, sobre todo, silicatos de hierro. El proceso de reduccin de los silicatos no puede realizarse ms que en zonas bajas del horno alto y, por tanto, de forma poco econmica, pues es necesario que previamente sean descompuestos
-19-
Capitulo1 Introduccin los silicatospor la accin de la cal, procedentede la descomposicin de la caliza segn las reacciones: Fe2SiO4 2 CaO Ca2SiO4 + 2 FeO; Fe2SiO4 + CaO * CaSiO3 + 2 FeO; FeSiO3 + 2 CaO - Ca2SiO4+ FeO; FeSiO3 + CaO CaSiO3 + FeO;
( (1 (1. (
El FeO es reducido a su vez por el gran contenidode CO, existente en zonas bajas del horno segn: CO -+ CO2 + Fe; y a su vez por la inestabilidaddel CO2a estas temperaturasy profundidadesse produce: CO2+C-2CO;
FeO
+
Realizndose en defmitiva la reduccin de los silicatos, como si hubiesen sido reducidos directamentepor el C, o sea con gran consumode combustible.
proteger el funcionamientode los equipos instalados. Se utilizan mltiples sensores y equipos de medicin y control de los materiales y fluidos de entrada y salida del horno.
Concretamente se controla:
Enlas salidas del horno:arrabio y escoria producidos, gas bruto, polvo y lodos
recuperados, etc.
tragante y de las variablesmetalrgicasque determinanel proceso,apoyndoseen modelos metalrgicos, balances trmicosy de materia, adems de controlesestadsticosde calidad,
-20-
Capitulo 1 introduccin
inteligencia artificial, etc. Con todo ello se trata de lograr unaoperacin establedel horno alto que redundar en un incremento de la productividad, mejora de la calidad de los productos (arrabio, escoria), aumento de la duracin de la campaa del horno alto y reduccin de costes (mnimo consumo de coque y de combustibles auxiliares, etc.
composiciones qunicas, granulometras, caractersticas sinterizado, mineral, etc.) qumicas, comportamiento en froy caliente, ensayos especficos, etc. Volumen, presin, temperatura, humedad, inyeccin de oxgeno, etc. Cantidad y distribucin, granulometra, composicin, propiedades, etc.
Carga (coque,
G as
u
1.34
El controlptimo del proceso con el logro de una marcha estable del horno es uno de los aspectosclavesinfluyentesen la productividad(t/m3 volumentil y da), produccin (tlao) y duracinde la campaa del horno medida en produccin total en relacin con la dimensin del horno y donde suelen considerarse,por ejemplo, produccionestotales por campaa de ms de 6 000 t/m3 de volumen til. Otros aspectos influyentes en la produccin, productividad y duracinde campaa son:
El diseo del horno alto propiamente dicho (perfil, dimetro de crisol y/o volumen til, etc.). La estrategia elegida de obtencin de un producto determinado(calidad del arrabio, produccinde lingotillo, etc.). La calidad y tipo de materias primas empleadas (porcentajes y tipos de
sinterizado, de pellets, etc.).
-21-
Capitulo 1 Introduccin
Lacalidaddel coquey el empleode combustibles auxiliarescomoel carbn. Las instalacionesauxiliaresque permitan una ptima distribucinde la carga (tragante), altas temperaturas de soplado (estufas), inyecciones de oxgeno
ptimas, trabajo a contrapresin, nivel y regularidad de la marcha, etc.
La calidad del diseo original de los equipos, como el binomio refractario/refrigeracin,as como la fiabilidad de equipos, las tecnologas aplicadas, etc. Laoperaciny el mantenimiento adecuados.
especfico, etc. La ms sofisticada de estas tcnicas consiste en la parada del horno con descenso de carga hastatoberas, para su gunitadoo reparacindel refractarioy de otros
elementos diseados. deteriorados, entrando en el horno y/o utilizando robots especialmente
mineral y fundentes,entre por la parte superiordel horno y se encuentrecon la corrientede gases ascendentebien distribuiday produciendoun contactontimo,aunque rpido, con los
materiales cargados. Para que esto se produzca de una manera regular, conviene que la carga tenga una gran porosidady est muy bien repartida. La mayor o menor porosidadde
la carga dependede la forma y dimensionesde los trozosde la carga. La mayor porosidad se obtendracon esferas del mismo tamao, tangentes y con centros en los vrtices de un
cubo. En este caso los espacios vacos dejados entre las esferas representarn el 52,3 % del volumen de stas. Si las esferas fuesen tangentes,pero con centros en los vrtices de un
Capitulo 1 Introduccin por lo que constituye una tendencia general en la marcha de los hornos altos la preparacin previa de la carga. El aparato de carga influye tambin de una manera importante en la
materiales slidos en el tragante del horno. Tambin influyen el peso especficode los materiales que se cargan y su ngulo de talud natural. El talud que se forma al cargar los materiales es distinto del talud natural de dichos materiales y se aproxima ms al talud natural cuanto mayor es el dimetro del tragante. La relacin entre ambos taludes viene dada por la frmulaemprica:
tgct
en la que:
tga0k
a: es el talud en el horno:
una constante que tiene en cuenta la naturaleza del material y, entre otras cosas, la absorcin del golpe de cada contra las paredes del horno.
En los hornos grandes, lo corriente es que la carga se presente ms alta en los bordes que en el centro, que el mineral forme cuas de ms altura en los bordes que en el
dificultades en la marcha. Tampocodebe producirsepreferenciade paso por las paredeso por el centro,para lo que dentro de ciertoslmites deberpoder controlarsela distribucin de materialesms gruesos o ms finos en el centro o en las paredes.Por otro lado, comola
carga al descender va sufriendo modificaciones de composicin, de temperatura y de
volumen, el horno alto debe favorecertodos estos cambiosy permitirel descensoregular de la carga, la formacinde escoria, la evacuacinde sta y la evacuacindel arrabio por
la parte inferior y la de los gases producidos por el tragante. Otra funcin importante que debe cumplir el horno alto es la de intercambiador de calor.
-23-
Capitulo1Introduccin
composicin del arrabioen lo que se refiere al Si, Mn y S, siendo los dems elementos prcticamente incontrolables y dependientes de la composicinde la carga. Entre stos es
fundamental, por influir decisivamente en el proceso de fabricacin, que se elija el fsforo (P). En cuanto al otro componente fundamental del arrabio, el carbono (C), siempre se
produce en el horno alto la saturacindel arrabioy, por tanto,el contenidoen ste depende
del contenido de los dems elementos que influyen en el grado de saturacin en C del arrabio y en su forma de presentarse al solidificarse con mayor o menor proporcin de grafito o de carburo de hierro o cementita, en lo que influyen en uno u otro sentido el Si, el
Mn y el P. En la marcha industrial de los hornos altos se distinguen las siguientes principales calidadesde arrabio:
Arrabioscon contenido en Si altos, de 1,5 % a 2,5 %; Mn entre 0,5 % y 2 % y P <0,08 %. Arrabioscon anlisis muy parecidos al anterior,pero con ms P, que puede oscilar entre 0,1 % y 0,7 %. Arrabioscon contenidoen Si inferioral 1 %; Mn, entre el 1 % y el 2 %; P, entre el 0,3 % y el 0,6 %; S <0,045 %; C, el 4 %; resto, Fe.
Arrabios con contenido en Si inferior al 1 %; Mn, del 1 % al 2 %; P, del 1,5 % al 2,5 %; S<0,06 %; C, el 4 %; resto, Fe
-24-
la revolucininformticano ha entradotodava de lleno: sistemasambiguoso imprecisos, toma de decisiones, etc. Una caracterstica comn de este tipo de problemas es que
difleilmente se pueden solucionar utilizando sistemas secuenciales. La solucin se
encaminahaciaarquitecturasen paralelo.
Un claro ejemplo est en nuestra visin. Cmo es posible que aunque el tiempo de procesamiento de nuestras neuronas est en el orden de los milisegundos nuestro cerebro,
veat fotosy reconozcalos objetos que aparecenen ellas mientras que un sper ordenador con tiempos en el orden de los nanosegundos no sea capaz de verlo? La respuesta se halla
en un paralelismo masivo y una alta nterconectividad propia de los sistemas
neurobiolgicos.En este contextohan aparecido las redes neuronales. Se copia la forma de actuar de nuestrocerebrocon la idea de aplicarlaa este nuevotipo de problemas.As pues, desde aqu en adelante en vez de estudiar el modelo neurolgicohumanodetallaremoslos
tipos de R.N.s usados en el desarrollo de esta Tesis.
2.1
Las redes neuronales se pueden dividir en dos grandes grupos segn que su tipo de aprendizaje sea supervisado o no-supervisado. El primero de ellos se distingueporque la red necesita un conjunto de entrada y un conjunto de salidas asociadas.Se introduceuna
entrada a la red y se halla el error respecto a la salida real. La correccin de los pesos se har a partir de este error. El entrenamientose basar en minimizar dicho error y se
considerar acabado cuando sea menor que una cantidad muy pequea (e). En el aprendizaje no supervisado se tienen unos patrones de entrada pero no sus salidas. El objetivo de la red es agrupar los vectores de entrada mediante un criterio de similitud en unos ciertospatronesde salida. El entrenamientofinaliza cuando los pesos sufren cambios muy pequeos en. cada iteracin. El Perceptrn, multicapa y las redes LVQ poseen un aprendizaje supervisado mientras el modelo de Kohonen, la red de Hopfild y las arquitecturas ART son del tipo no supervisado.
-25-
CinituIo
2 Rd
Meurona/s
opcionales, pero se suelen aadirpara evitar problemasde offset. ENTRADAS CAPA NEURONAL 1 CAPA NEURONAL 2
P(1)
P(2)
P(R)
b1(S alFl(W1*P+bl) b2(S) a2=F2(w2*pb2)
El mtodo backpropagationsigue una norma de correccin de los pesos denominada normaDelta que los actualizacon idea de minimizarel error cuadrticomedio
entre la salida real y la suministrada por la red. Dichos errores se propagan hacia atrs en el sentido de que primero se modifican los pesos de las neuronas de salida y luego de las
capas intermediasy al final los de la capa de entrada. Se determinala direccinde cambio de los pesos calculandoel gradiente del error respecto a los pesos y yendo en el sentido contrario hasta que encuentra un mnimo. Los pasos a dar para programar el algoritmo de
backpropagation son los siguientes:
( P(1),P(2),...,P(N))
Calcular valores netos n de entrada a las neuronas de las capas ocultas: fljw .Ppi +O
-26-
j
h N
=
F(nj)
(nk
(Yk
Opk).F(nk)
A continuacin se calculan los errores para las capas ocultas: i-h_rh( hvO O
J,j
rJLflPJ).LokWkJ k
Se actualizan los pesos en la capa de salida: w(t+1) Actualizar pesosen las capas ocultas: w1(t+1)
i =
w2(t)+
u1.6k
Pj
w(t)+
es un parmetroque determinala velocidad del aprendizaje.Suele tomar valores entre 0.01 y 0.25.
1111
-
E
k=1
El aprendizaje finaliza cuando el error es menor que una cierta cantidad muy pequefia, Este algoritmo es ms usado en la prctica dada su habilidad para aproximar funciones no-lineales. Sin embargo,presentauna serie de dificultades entre las que se pueden citar:
-
solucin pasa por inicializar de nuevo las entradas o cambiar el nmero de nodos de
la capaoculta. La convergenciaes lenta en situacionesde valles. Esto se solucionaaadiendo un momento que acelere el mtodo. De esta manera:
-
(t+1)=
-27-
Canitulo 2 RedesNeuronales
El valor de a se sita entre O y 1 y su funcin es aadir el efecto de los cambios pasados a la actual direccin.
Lo mejor es seguir un mtodo de ensayo y error. Sistemas grandes podran tener tiempos de convergencia sumamentelargos. 2.1.2 REDESCOMPETITIVAS
Se parte de una red denominadaRed de Hamming. Existe una tcnica que pennite usar esta red neuronal para reconocimiento de patrones. Esta tcnica requiere que los vectores prototipo sean conocidos de antemano e incorporados a la red como filas de la
matriz de pesos. Las redes que se van a analizar tienen una estructuramuy similar a la Red de Hanmiing, sin embargo, utilizan reglas de aprendizaje asociativo para, de forma
adaptativa, aprender a clasificar patrones. Estos tres tipos de redes son: Redes
Competitivas, MapasAutoorganizativos, y RedesLVQ. La Red de Hamminges uno de los ejemplosms simples de red competitiva.Las
neuronas de la capa de salida compiten con las otras para determinar el ganador,y este indica qu patrn prototipo es el ms representativo del patrn de entrada. La competicin se implementa con inhibicin latera!, un conjunto de conexiones negativas entre las neuronas de la capa de salida.
2.1.3 RED COMPETITIVA DE HAMMING Se van a ver algunos de los conceptos fundamentales de esta red.
Feedforward Layer
Recurrent Layer
Y
a1 = purelin(Wp+b1)
Fisura 2.2.- Red IIammna a2(O) = at (Hammina Network)
J
a2(t+1) = poslin (W2a2(t))
-28-
La Red Hanimingconsta de dos capas. La primera de ella realiza una correlacin entre el vector de entrada y el vector prototipo. La segunda capa realiza la competicin para determinar cual de los vectores prototipo est ms cerca del vector de entrada.
Permite la clasificacin de patrones mltiples. Esto es lo que realiza la Red de Hamming. Sin embargo en la red competitivade Hammingla segunda capa de neuronasde la Red de Hamming se dice que est en competicin, porque cada neurona se excita a s misma e inhibe al resto. Para simplificar el resto de las ecuaciones se define la funcin de transferencia que hace el trabajo de la capa recurrente competitiva: a =compet(n) Esta red funciona buscando el ndice i de la neurona con la entrada a la red mayor y pone su salida a uno (siempre buscando el ndice ms bajo). Todas las otras salidas se ponen a cero. lsii=i* a1 =
Vn = n*
.4
Input
Competitive Layer
Rxl SxR
Sx 1
Compet(WP)
wi
wI
T
L2Cos L2Cos
O 02
w2 n=WP= w
rp w2 P=
r
$
L2CosO5
La funcin de transferencia
Compet(WP)
siguiente simplificacin:su Red Autoorganizativa determina primero la neurona ganadora i usandolos procedimientosde la red competitiva.Despus, los pesos que se encuentran dentro de una cierta vecindad de la neurona ganadora sn modificadospor la Regla de
Kohonen.
ap(q),
ie N1*(d)
Input
Feature Map *
Rxl
SxR
Sxl
R
a
=
Compet(WP)
Figura 2-4: Mapa Autoorganizado.
Donde la vecindad N (d) contiene los ndicespara todas las neuronasque estn dentro de un radio d de la neuronaganadora i*:
N1s(d)=j, (dd)
-30-
Cuando se muestra a la red el vector p, los pesos de la neurona ganadora y las vecinas se mueven hacia p. El resultado es que, despus de variaspresentaciones,las neuronas vecinas han aprendidovectoressimilares. Si se trata de una sola dimensin, cada
neurona tendr slo dos vecinos dentro de un radio de 1. Los mapas tienen tambin la ventaja de poderse adaptar al espacio de entrada, teniendo unas dimensiones determinadas. Para una regin de entrada bidimensional,la red que se debe utilizar para clasificar tambin debe ser bidimensional con agrupamientos de nxn neuronas. Cada nodo es una neurona y krmayor parte de ellos se encuentran en el interior de la regin del espacio de entrada y ocupan el espacio de una manera uniforme. Si se tiene un espacio de entrada tridimensional y se utiliza una red bidimensional,esta ltima se adapta al espacio de entrada pero no puede aproximar la tercera dimensinnada ms que mediante su valor medio.
-31-
asigna a una clase. Cada clase se representa con una neuronade la segundacapa. El
Entrada
4-
Lineal Capa
S2x1
S txr
R
si
S2xS
s2
acompet(n)
w_fl
Figura 2-5.- Red L.V.Q
a2
w2a2
Como en las redes competitivas, cada neurona de la primera capa aprende un vector prototipo, que permite clasificar una regin del espacio de entrada. La distancia al vector de entrada se calcula mediante la distancia eucldea. La entrada de la red de la primera capa de la LQV ser: fu
=
-
_j
compet(n)
De esta manera, la neurona cuyo peso se encuentre ms prximo al vector de entrada dar 1 como salida, y el resto O.La red LQV se comporta como la red competitiva, pero la interpretacin es diferente. En la red competitiva la neurona ganadora indicaba a que clase perteneca el vector de entrada. En la red LQV, la neurona ganadora indica la subclase ms que la clase. Puede haber diferentes subclases dentro de cada clase. La segunda capa de la red se usa para combinar las subclases dentro de una clase. Esto se puede realizar con la matriz las filas las clases.
-32-
(w
=1)
c>
El procesode combinarlas subclases para formar una clase permite a la LQV crear saltos de clase complejos. La LQV resuelve el problema de trabajar con regiones del espacio convexas. Aunque esta red trabaja bien ante multitud de problemas, tiene dos limitaciones. La primera, como las redes competitivas, es que ocasionalmente una neurona oculta puede tener un valor inicial que nunca gana la competicin.El resultado es una neurona muerta que no hce nada til. Este problema se resuelve con el mecanismo de consciencia. En segundolugar,dependiendode cmo se inicialicenlos vectorespeso, un vector peso tendr que viajar a travs de una regin pertenecientea una clase que no representa. Los pesosde esa neurona sern rechazados por los vectoresde la regin que debe cruzar, y
as nunca podr clasificar adecuadamente la regin que le atrae. Esto se puede resolver aplicando una modificacin a la regla de Kohonen. Si la neurona ganadora
incorrectamente,
se mueve su vector peso hacia fiera del vector de entrada, como antes.
Sin embargo, se ajustan los pesos de la neurona ms cercana al vector de entrada que lo
clasifique correctamente.Los pesos de esta segunda neurona deben moverse hacia el vector de entrada. Cuando la red clasifica correctamente el vector de entrada, los pesos de una sola neurona se mueven hacia el vector de entrada. Sin embargo, si el vector de entrada se clasifica de forma incorrecta, los pesos de dos neuronas son modificados, un peso se mueve hacia el vector de entrada y el otro hacia fuera.
Hasta aqu se han descritos las redes ms usadas tanto en esta memoria como en
2.2
tambin son aproximadores universales.Los SRB tienen la ventajade que el conocimiento que manejanest representado en un modo perfectamente asimilablepor el ser humano,las reglas borrosas. Estas reglas, en general, representande modo naturallas relaciones de causalidad entreentradasy salidas, correspondientes a la estructuralingsticausual Si Entonces Las reglas borrosastienen la ventaja adicional de permitirun tratamiento adecuado del conocimiento vago o incierto.Dentro de las clases de controladores borrosos que son aproximadoresuniversales estn los controladoresde Sugeno [36] que utilizan reglas del tipo:
... .
-33-
Capitulo 2 RedesNeuronales
R1:SI
x1esA
...,
y x2esA
X)
y...yxesA
ENTONCES
yesp(xi,...,xt)
(2.4)
Donde p(xi,
Cuando las funciones de activacin de una RNA son continuas, la funcin que calcula sta, F, es continua.Por tanto, una RNA se puede aproximarmediante una SRB.
Recprocamente, una RNA puede aproximar un SRB continuo. De este modo es fcil concluir que las RNA que se han descnto y los SRB son equivalentes. Basada en esta equivalencia entre RNA y SRB es inmediatala idea de emplear un sistemahbrido que use los dos paradigmas para realizar la tarea de adquisicin del conocimiento. Una de las ms interesantes es la que trata de extraer el conocimiento obtenido por una red tras el aprendizaje almacenado de forma distribuida en los pesos de sus conexiones. Esto no slo
suministrara un mtodo automatizadoy eficaz de adquisicinde conocimiento,sino que adems proporcionara una interpretacin del modoen que operany aprendenlas RNA.
2.3
Una Aproximacin de SistemasBorrososAdaptativos. En la mayorade los sistemashay dos fuentesimportantes de informacin [18]:
Lossensores, que proporcionan las medidas numricas de las distintas variables, lo que se denomina informacinnumrica. Losoperadoresdeplanta, que proporcionan instrucciones y descripciones lingsticas sobre el sistema, y se denomina informacin lingstica.
informacin lingstica. Comola mayorade los conocimientos que posee el ser humanose
representan en trminos lingsticos, su incorporacin a los sistemas de ingeniera de una forma sistemtica y eficiente es muy importante. Hay al menos tres razones de por qu la informacin lingstica se representanormalmente en trminos borrosos.
La primera, es que es ms conveniente y eficiente transmitir nuestro conocimiento en trminos borrosos. Esto es comprensible porque si se insiste en utilizar slo trminos
numricos (crisp), se deben tener primerolas definicionesexactas de estos trminos. Esto, sucesivamente, puede dar como resultado una cadenade definiciones,y un procedimiento
muy ineficiente que claramente no ocurre en la realidad. Segundo, nuestro conocimiento -34-
sobre un proceso qumico complejo slo puede representarseen trminos borrosos, por
ejemplo, Si la temperatura es elevada, entonces la reaccin es intensa. La caracterstica relevante aqu es que aunque este tipo de informacin, lingstica no es preciso, proporciona informacin importante sobre el sistema y algunas veces puede ser la nica fuente de informacin. Por estas razones, se debera utilizar esta informacin borrosa en investigaciones cientficas. Un sistemaborrosoadaptativose definecomo un sistema de lgica borrosa que lleva
incorporado un algoritmo de entrenamiento,donde el sistema de lgica borrosa se construye a partir de un conjunto de reglas Si-Entonces borrosasutilizando los principios
de la lgica borrosa, y el algoritmo de entrenamiento ajusta los parmetros y las estructuras del sistema de lgica borrosa basndose en informacin numrica. Los sistemas adaptativos borrosos se pueden considerar como sistemas de lgica borrosa en los que las reglas se generan automticamente mediante un entrenamiento. 1-lay dos formas de combinar la informacin numrica y lingstica utilizando sistemas adaptativos borrosos:
-
Utilizar la informacin lingstica para construirun sistema de lgica borrosa inicial, y a continuacin ajustar los parmetros de este sistema creado basndose en informacin numrica. El sistema de lgica borrosa final se construye, por tanto, basndose en ambos tipos de informacin(tanto numricacomo lingstica). Utilizar informacin numrica y lingstica para construir dos sistemas de lgica borrosa separados y a continuacin se realiza un promedio entre ambos para obtener el sistema de lgica borrosa final.
-35-
Capitulo 2 RedesNeurona/es prcticas en control [36], en prediccin y en inferencia. Sin embargo, hay algunos aspectos bsicos de esta investigacin que son necesarios para poder entenderlo mejor. Ms especficamente:
-
humano o la
Se necesitan mtodos efectivos para afinarlas funcionesde pertenencia (MFs) as como minimizarla medidadel error de salida o maximizar el orden de funcionamiento.
Con esta perspectiva, se sugiere una nueva arquitectura que encaja el sistema de
25
expresiones de la forma SI A, ENTONCES B, donde A y B son los nombre de conjuntos borrosos [51] caracterizados mediante sus funciones de pertenencia. apropiadas. Debido a
su forma concisa, las reglas borrosas se emplean frecuentementepara captar los modos imprecisos de razonamientoque desempeanun papel esencialen la habilidadhumana de
tomar decisiones en un entorno de incertidumbre e imprecisin. Un ejemplo que describe un hecho simple es el siguiente:
son valores lingsticoso los nombresque caracterizanlas funcionesde pertenencia.Otra forma de regla borrosa, propuesta por Takagi y Sugeno [37], tiene los conjuntos borrosos
incluidos slo en la premisa (antecedente). Utilizando la regla borrosa de Takagi y Sugeno se puede describir la fuerza resistente de un objeto en movimiento de la siguiente manera:
k(velocidad)2
2.6
BORROSOS
Los sistemas de inferencia borrosos son tambin conocidos como sistemas basados en reglas borrosas, modelos borrosos, memorias asociativas borrosas (FAM) o controladores
-36-
Capituo2
Redes Neuronales
Una base de reglas quecontiene un nmero de reglas Si-Entonces borrosas. Una base de datos que definelas funciones de pertenencia de los conjuntos borrosos
utilizados en las reglas borrosas. Una unidad de toma de decisin que realiza las operaciones de inferencia en las reglas. Unfuzzjficador, que transforma las entradas numricas (crisp) en grados de similitud a travs de valores lingsticos. Un defuzzcador, que transforma los resultados borrosos de la inferencia en salidas numricas (crisp).
Base deconocimiento
_Basededaj
Basedereglas
E
(nunttico)
(borroso)
(borroso)
Los pasos que realiza el razonamiento borroso (operaciones de inferencia sobre las reglas borrosas)mediante los sistemas de inferencia borrosos son: 1. Comparar las variables de entrada con las funciones de pertenencia en el antecedente para obtener los valores de pertenencia (o medidas de compatibilidad) de cada valor
lingstico(estepasose denomina frecuentemente fuzzjflcacin). 2. Combinar mediante un operador T-norma especfico(normalmente producto o
mm) los valores de pertenencia en el antecedente para obtener el peso de cada
regla.
3. Generarla consecuencia calificada(ya sea borrosa o numrica) de cada regla, dependiendo del peso.
-37-
4. Unir las consecuenciascalificadas para producir una salida concreta (Este paso se denomina defuzzficacin).
Parte
Premisa Tipo1
Ti8
1
1
5
x1=mr.byi.c
y
-e
.;EIi
5 Y producto (o mie)
r2Jpx.qy+r
___
WJZ$W$Z5
U1 +
w2
=
________
__________
(ctroid
del area)
Figura 2.7.- RegIas Si-Entonces borrosas y mecanismos de razonamiento borroso empleados normalmente.
Dependiendo de los tipos de razonamientoborrososy de las reglas borrosas empleadas, la mayorade los sistemasde inferenciaborrososse pueden clasificaren tres tipos:
Tipo1: La salida global es una media ponderada de las
las reglas inducidaspor sus pesos (el producto o el mnimo de los grados de pertenencia con la premisa) y -las funciones de pertenencia de la salida. Esta ltimas deben ser funciones montonas.
Tipo2: borrosas La salida global deriva de la aplicacin del operador mximo a las salidas calificadas (cada una de ellas es igual al mnimo del peso y de la funcin de
pertenencia de la salida de cada regla). Se han propuesto varios tipos de operadores para elegir el valor concreto final basado en la salida borrosa global. Algunos de stos son el
centroide del rea, la bisectriz del rea, la media de los mximos, el criterio del mximo, etc.
Tipo3:
Se utilizan las reglas borrosas de Takagi y Sugeno [37]. La salida de cada regla es
-38-
Para simplificar, se supone un sistema de inferencia borroso que tiene dos entradas (xi y x2) y una salida (z). Se supone tambin que la base de reglas contiene dos reglas
borrosas del tipo Takagi y Sugeno [37]: Reglal:
Regla 2:
SI x1 esA1
SI x1 esA2
Este razonamientoborroso del tipo 3 se representa en la Figura 2.8(a) y la correspondiente arquitectura del ANFIS equivalente (ANFIS tipo 3) se muestra en la
Figura 2.8(b). Las funciones nodales de la misma capa son de la misma familia de funciones [24],tal como se describe a continuacin:
J...
442
w#w
(a)
Capa!
+ Capa2 Capa8 Capa4
Xjf
fJ
Capa5
c
ky
(b) Figura 2.8.-(a) Modeloborrosode Sugeno de primerorden con dosentradasy dos reglas(tipo3);
(b) Arquitectura del ANFIS equivalente.
-39-
Capitulo2Redes Neuronales
Capa1:
Todos los nods i de esta capa son nodos cuadrados con la funcin nodal: Oj P (x)
(2.5)
Donde x es la entrada al nodo i, y A: es el nombre (o etiqueta) lingstico (pequeo, grande, etc.) asociado a esta funcin nodal. En otras palabras, Of es la funcin de pertenencia de A y especifica el grado con el que la entrada x dada satisface el cuantificador A-. Normalmente se elige pA. (x) como una funcin con forma de campana (acampanada) con el mximo igual a 1 y el mnimo igual a O,tal que: 1 PA(X) = 1+ a) o / 1 fxci PA@) = exp i (2.7) 1 a ) Donde {a, b, c} es el conjunto de parmetros. Como los valores de ests parmetros cambian, las funciones acampanadas varan de acuerdo con estos cambios, mostrando as varias formas de funciones de pertenencia de la etiqueta lingstica A. De hecho, cualquier funcin continua y diferenciable a trozos, tales como las funciones de pertenencia con forma trapezoidal y triangular, tambin pueden utilizarse como funciones nodales de esta capa. Los parmetros de esta capa se denominan parmetros premisa o parmetros antecedentes. Capa2: Todos los nodos de esta capa son nodos circulares denominados multiplican las seales de entrada y envan el producto a la salida, es decir: O = w i() =1,2. i II que (2.8) / 1 b (2.6)
Cada salida nodal representa el peso de una regla (de hecho, se pueden utilizar como funciones nodales de esta capa otros operadores T-norma que realizan el conector y generalizado). Capa3: Todos los nodos de esta capa son nodos circulares denominados N. El nodo i
simo calcula la relacin del peso de la regla i-sima con respecto a la suma de los pesos de todas las reglas: = = wlw2 ; =i1,2. (2.9)
Por convenio, las salidas de esta capa se denominan pesos normalizados. Capa 4: Todos los nodos de esta capa son nodos cuadrados con la funcin nodal:
-40-
(iriitiiln
R,,,h,c W,i,rnr,Jp.
Of
Donde
= {pj,
equivalente a un sistema de inferencia borroso del tipo 3 [26]. Para los sistemas de inferencia borrosos del tipo 1, la ampliacin es bastante sencilla y el ANFIS del tipo 1 se muestra en la Figura 2., donde la salida de cada regla est provocada conjuntamente por la funcin de pertenencia de la salida y el peso. Para los sistemas de inferencia borrosos del tipo 2, si se sustituye el centroide como operador de defuzzificacin por una versin discreta que calcule el centroide aproximado del rea, entonces el ANFIS del tipo 2 puede construirse de la misma forma. Sin embargo, ser ms complicado que sus versiones tipo 3 y tipo 1 y por eso no vale la pena su realizacin.
11
=w,11,w212
J___._
_
12
(a)
..
(b)
Figura 2.9.- (a) Modelo borrosode Tsukamoto condos entradas(tipo 1); (b) Arquitecturadei
ANFIS
equivalente.
La Figura 2.10 muestra un ANFIS del tipo 3 con dos entradas y nueve reglas. Hay tres
funciones de pertenenciaasociadas con cada entrada, as el espacio de las entradas est dividido en nueve subespaciosborrosos,cada uno de los cuales est gobernadopor una de
-41-
D,.J
PaMmims
Parmetros
premisa
consec.entes
a
a
3
2
6 5
4
8
7
a
1
x
y
x
(b)
(a)
Figura 2.10.- (a) Arquitectura de ANFIS para un modero borroso de Sugeno con dos entradas y nueve
2.7
ALGORITMOHBRIDODE APRENDIZAJE
A partir de la arquitectura del ANFIS del tipo 3 que se propuso anteriormente se observa que dados los valores de los parmetros antecedentes, la salida global se puede expresar como una combinacin lineal de los parmetros consecuentes. De forma ms precisa, la salida f de la Figura 2.8 se puede escribir como:
f
=
_YL_.f1
w1+w2
w2
w1w2
(2.12)
+(ix2)q1 +(i).r1 +(2.x1).p2 +(2-x2)-q2 +(2)-r2
=(i-x1).p1
S1S2
(2.13)
= =
-42-
Cni*iiIt1
Podo
WourniiIo
Donde H( ) y F( ) son la funcin identidad y la funcin del sistema de inferencia borroso, respectivamente. Por lo tanto, se puede aplicar directamente el algoritmo hbrido de aprendizaje desarrollado anteriormente.
. ., .
aprendizaje, las seales funcionales avanzan hastala capa4 y los parmetros consecuentes
se identifican mediante la estimacin por mnimos cuadrados. En el paso hacia atrs, las razones del error se propagan hacia atrs y los parmetros antecedentes se actualizan mediante el descenso del gradiente. La Tabla 2.2 resume las actividadesrealizadasen cada
paso.
gradiente
Fijos
Estimacin mnimos
cuadrados
Tabla 2.2.- Los dos pasos del procedimiento hbrido de aprendizaje para el ANFIS
Como se mencion antes, los parmetros consecuentes identificados de esta fonna, son ptimos (en el espacio de los parmetros consecuentes) con la condicin de que los
parmetrosantecedentes sean fijos. Por consiguiente, la aproximacin hbridaes ms rpida que el descenso del gradiente estricto y es til buscar las posibilidades de
descomposicin del conjunto de los parmetros. Para el ANFIS del tipo 1, esto se puede llevar a cabo si la funcin de pertenencia de la consecuencia de cada regla se reemplaza por una aproximacin lineal a trozos con dos parmetros consecuentes (Figura 2.11). En este caso, de nuevo, los parmetros consecuentes constituyen el conjunto S2 y se puede emplear la regla hbrida de aprendizaje directamente.
1
SaIdo
Figura 2.11.- Aproximacin lineal a trozos de las funciones de pertenencia de las consecuencias en
-43-
Capitulo 2 RedesNeuronales
Sin embargo, debera advertirse que la complejidad de clculo de la estimacin por mnimos cuadrados es mayor que la del descenso del gradiente [29]. De hecho, para
gradiente.
Descenso del gradiente y un paso del LSE (estimacin por mnimos cuadrados): La
LSE se aplica slo una vez al principio para obtener los valores iniciales y los parametros consecuentes y a continuacin el descensodel gradientese encarga de la
actualizacin de todos los parmetros.
antecedentes y se emplea el algoritmodel filtro de Kalman para actualizar todos los parmetros. La eleccin de los mtodos mencionados se basa en el equilibrio entre la complejidad operacional y los resultados que se obtienen. Hay que observar que los parmetros consecuentes tambin pueden actualizarse mediante el algoritmo LMS de Widrow-Hoff [45]. El algoritmo de Widrow-Hoff requiere un menor clculo y favorecela implementacin paralela de hardware, pero converge relativamente lento cuando se lo compara con la estimacinpor mnimoscuadrados(LSE).
El mecanismo de aprendizaje no debera aplicarse a la determinacin de las
funciones de pertenenciaya que expresan las descripcioneslingsticasy subjetivasde conceptos vagos e imprecisos.stas dependende lo que se piense en ese momentosobre estos conceptosy su eleccin debera dejarse en manos del operador. En principio, si el
tamao del conjunto de datos entrada/salida disponibles es bastante grande, entonces es
aplicable (o necesario) un afinamiento o ajuste de las funcionesde pertenencia ya que su determinacin est sujeta a las diferenciasde opininde los expertosy las diferenciasen el tiempo; por lo tanto, rara vez estn optimizadas para obtener la salida deseada. Sin
embargo, si el conjunto de datos es demasiado pequeo, es probable que el conjunto de datos no contenga suficiente informacin dl sistema que se est considerando. En esta
situacin, las funciones de pertenenciadeterminadaspor los operadoresa travs de sus experiencias representan una fuente importante de conocimientoque podra no estar
reflejado en el conjunto de datos; por lo tanto, estas funciones de pertenencia deberan
-44-
Ya que las frmulas actualizadas de los parmetros antecedentes y consecuentes se separan en la regla hbrida, de aprendizaje, (ver Tabla 2.2.2), se puede aumentar la velocidad del aprendizaje utilizando otras versiones del mtodo del gradiente en los parmetros antecedentes, tales como el descenso del gradiente conjugado, la propagacin hacia atrs de segundo orden, la propagacin rpida, la optimizacin no lineal y muchos otros.
Fuzzy C-Means Clustering (C-Means Clustering Borroso). The Mountain Clustering Method(MtodoMountain Clustering).
SubtractiveClustering(ClusteringSubtractivo).
El Clustering divide un conjunto de datos en varios grupos tal que la semejanzade estos datos dentro de un grupo es mayor que la de estos datos de diferentes grupos [5]. Llevar a cabo tal particin requiere una medida de la semejanza que, tomando dos vectores de entrada, devuelva un valorque reflejeestasemejanza.Ya que la mayora de las medidas de semejanza son sensibles a los rangos de los elementos de los vectores de entrada, cada una de las variables de entrada debe normalizarse dentro del intervalo unidad [0, 1]. Por eso, a partir de ahora se va a suponer que el conjunto de datos que se est considerando ya est normalizado dentrode un hipercubo unidad. Las tcnicasde agrupacin (Clustering) se utilizan junto con redes RBF o con modelizacin borrosa, principalmente para determinar la localizacin inicial de las funciones radiales bsicas o de las reglas borrosas. Para lograr este propsito, las tcnicas de agrupacin sern vlidas teniendo en cuenta las
siguientessuposiciones:
-
Las entradas similares al sistema del que se quiere obtener un modelo, deberan producir salidas similares. Estos pares de entrada/salida similares se colocan dentro de agrupaciones (clusters) en el conjunto de los datos de entrenamiento.
-45-
Csinitii
lo 2 P,,d,
La primera suposicin plantea que el sistema que se quiere modelizar, es una correspondencia uniforme de las entradas en las salidas; normalmente, esto es cierto para
los sistemas reales. La segunda suposicin requiere que el conjunto de datos se ajuste a algn tipo de distribucin especfica; sin embargo, esto no siempre es cierto. Por lo tanto, las tcnicasde agrupacin utilizadas para la identificacin de estructuras en modelizacin neuronal o borrosa son altamente heursticas, y no es extrao encontrar un conjunto de datos en el que las tcnicas de agrupacin no se puedan aplicar satisfactoriamente.
ya que el mtodo debe evaluar la funcin mountain sobre todos los puntos del mallado. Por ejemplo, en un problema de agrupacin con cuatro variables en el que cada dimensin tiene una resolucin de 10 lineas de mallado, resultara un mallado de i04 puntos que debern ser evaluados. Una aproximacin alternativa es el Substractive Clustering propuesto por Cbiu [10], en el que los datos (no los puntos del mallado) se consideran como posiblescentros. Utilizando este mtodo, el clculo es sencillamente proporcional al nmero de datos e independiente de la dimensin del problema que se est considerando. Sea una coleccin de n datos {xi,. .,x} en un espacio de M dimensiones. Sin perder
.
generalidad, se supone que estos datos se han normalizado en un hipercubo. Ya que cada
(2.14)
Donde ra es una constante positiva. Por lo tanto, un dato tendr un valor de densidad alto si tiene muchos datos vecinos. El radio ra defme la vecindad; los datos fuera de este
-46-
Cniti,In
Rpdpv M,,rtrni,1p
Donde ra es una constante positiva. Por lo tanto, un dato tendr un valor de densidad alto si tiene muchos datos vecinos. El radio ra define la vecindad; los datos fuera de este radio contribuyen slo un poco en la medida de la densidad. Despus de calcular esta medida de la densidad para cada dato, se elige como primer centro el punto que tenga la mayor densidad y es seleccionado como el primer centro. Sea x1 el punto seleccionado y D1 de cada punto x se revisa mediante la frmula:
D1
Di_Dci.exP[_
Donde rb es una constante positiva. Por lo tanto, los datos que estn prximos al centro x tendrn densidades significativamente reducidas, haciendo que estos datos tengan muy pocas opciones de poder ser seleccionados como prximoscentros.La constanterb define la vecindadque tienen las reducciones medibles en la densidad, y normalmentees mayor que ra para prevenir centros muy prximos: Generalmente rb es igual a l,Sra.
Despus de revisar la densidadde cada dato, se seleccionael prximocentro x2 y todas las densidadesde los puntos se revisan de nuevo. Este proceso se repite hasta que se hayan generadoun nmerode centrossuficientes. Cuando se aplica el Substractive Clustering a un conjunto de datos de entrada/salida, cada uno de los centros representa un prototipo que muestra ciertas
caractersticas del sistema que se modelizar. Estos centros se utilizan razonablemente como centros para las premisas de las reglas borrosas en un modelo borroso de Sugeno de orden cero, o para las funciones radiales bsicas en una RBFN. Por ejemplo, se supone que el centro para la agrupacini-simaes c en un espacio de M dimensiones. El c se puede
-47-
exp
xp.
2 2
(ra
L /2
(2.16)
modelado utilizando las RBFN. Una vez que se ha detenninado la premisa de una regla borrosa (o una funcin radial bsica), la consecuencia (o pesos para la salida de una RBFN) se puede estimar mediante el mtodo de los mnimos cuadrados. Despus de completarse estos procedimientos, se puede conseguir una mayor precisin utilizando el algoritmo del descenso del gradiente u otros esquemas avanzados de optimizacin basados en la derivada para un mayor refinamiento.
-48-
Capitulo 3Datosdelos
sensoresdel
hornoalto.Sustratamientos
controladas.
Esta tesis se ha centrado en el desarrollo de modelos basados en lgica borrosa y
en menor medida de redes neuronales- para conocer la evaluacin de las tendencias futuras de la temperaturadel arrabio.El objetivode este estudiofue realizarun modelopredictivo
de la temperatura del arrabio para ser utilizado junto con un sistema de aviso que proporcione al operador de planta una ayuda para mantener controladoen todo momentoel horno alto.
Durante
lgica borrosa. A pesar de las diferencias entre las aproximaciones, se pueden identificar cuatro pasos, comunes en todas las actividades, y son los siguientes:
-
-49-
Capitulo3
Datosdelossensoresdel
hornoalto.Sustratamientos
Una de las fases ms crticas de las aproximaciones basadasen la lgica borrosa viene marcadapor la necesidadde tener un conjunto de datos grande,significativoy libre
de ruido. Se necesita una gran cantidad de datos para asegurar una amplia descripcin de todas las posibles situaciones del proceso. Los datos tienen que ser significativos, pues deben representar los fenmenos principales que el modelo tiene que incluir para una
descripcin del proceso satisfactoria.Finalmente,los datos tienen que estar libres de ruido
tanto como sea posible, para aumentar la eficacia del entrenamiento, y evitar la inclusin de informacin no significativa en el modelo que se va a desarrollar.
La dimensin de los datos de entrenamiento tiene que estar relacionada con la realidad del horno.
En el caso de un horno muy estable, tanto en las condicionesde operacin del
variacin de las caractersticas del material bruto, es mejor utilizar un conjunto de datos ms corto.De esta forma,es posible obtener una eficacia muy buena del
modelo de lgica borrosa de forma local, pero con una disminucinde la eficacia
global en periodos largos (menor capacidad de generalizacin). El segundo problema es la evaluacin del significado del conjunto de datos. Las cuestiones que hay que resolver son las siguientes: Se presentan todas las situacionesdel proceso en el conjunto de datos? Se encuentran presentes con la misma frecuencia en el conjunto de los datos? La respuesta a la segunda pregunta est vinculada a la primera. Desgraciadamente no es posible definir un mtodo de validacin general y aceptable para establecer si el conjunto de datos es o no lo es- una imagen buena de la complejidad del proceso. En este caso se ha llevado a cabo una inspeccin manual de las tendencias de las variables del proceso basndose en el juicio de los expertos.
-50-
El tercer problema est representadopor el ruido que est presente en los valores del conjunto de datos. Para clarificar algunas consideraciones futuras, es importante especificar algunas distincionesconcernientesal significadodel ruido [3], que se puede
considerar como la suma de los diversos factores que afectan a la estimacin de los valores
Erroresdemedida: Son debidos a la mala medida de las variables. Esta forma de ruido puede ser realmente peligrosa cuando el rango de la variacin de la medida es comparable con el rango de la accin de regulacin tpica. Erroresdemuestreo: Son debidos a la adquisicin incorrecta al realizar una observacin parcial de la variable medida.
Se pueden observartresgruposdeentrada que se denominan VariablesManipuladas, Perturbaciones y Variaciones naturales; y dosgruposdesalida, denominadas Variables medibles y Variables no medibles. El significadode estas variables son los siguientes:
Entradas:
Variables manzpuladas: Son las que usa el operadorpara regular el proceso. Todas
estas variables son tericamente conocidas y controlables. Normalmente son las variables de entradapor la tobera (unosejemplosde estas variablesson la humedad y la inyeccinde carbn).
Son variables de proceso que el operador no puede controlar. En general, se pueden considerarcomo variables con variaciones de frecuencia muy
Perturbaciones:
pequeas. Normalmente,son las caractersticasfisicas y qumicas del material del horno y de la distribucin de la carga (por ejemplo,la relacinmineral/coque). Variaciones naturales: Son variaciones, impredecibles e incontrolables,de las condiciones del proceso. En general, se pueden considerar como variables con
frecuencias altas.
Salidas:
Variables medibles: son las que el operadorpuede medir. Todas estas variables son
tericamente conocidas y observables. Normalmente, son los gases de la parte superior y las caractersticas del arrabio y de la escoria. son variables que el operador no puede medir. Normalmente, son las variables internas del proceso.
Variables no medibles:
-51-
(initulo
Estas variables tambin pueden clasificarse de otra forma, incluyndolas en cuatro categoras: Parmetrosdelacuba: En esta categora se han incluido dos variables: la relacin mineral/coque que debe considerarse como una entrada, y la velocidad de descenso de la carga.
Entradasporlastoberas: que incluyen las entradas clsicas al horno alto: temperatura, caudal,humedady presin,todas ellas de la soplante.
Composicindelgasdeescape:
Se han incluido en esta categora el % de monxido de carbono,el % de dixidode carbono y el % de hidrgeno en los gases
de escape, as como las trece medidas de las temperaturas de los gases recogidas a lo largo del tragante del horno alto medianteuna sondahorizontal.
40
35
30
26
20
15
10
100
200
300
400
500
600
700
800
00
1000
-52-
Cni*iiI
1 flafn.
tIi
Inyeccin
de
carbn
5
45
40
35 30
25
20 15 10 5
0 300 400 500 600 700 800 000 1000
Nm3?h 3
x 10
Caudal
de la soplant
2.5
1.5
0.5
o
0 100 200 300 400 500 600 700 800 000 1000
-53-
Capitulo3
Oxigeno
10000
de la sopla rife
0000
8000 7000
6000
5000
4000
o
0 100 200 300 400 500 600 700 800 000 1000
1400
1200
1000
800
600
400
200
O
0 100 200 00 400 500 600 700 800 800 1000
-54-
ReIai6n 4.5
mineral/coque
4.4
4.3
4.2
4.1
3.0
3.8 0 100 200 300 400 500 600 700 800 900 1000
1520
1500
1480
1460
1440
1420
1400
1380
Figura 3.7.-Temperaturadelarrabio.
-55-
kgicii2
4
3.5
2.5
1.5
O0
000
1000
Estos datos provienen del Horno Alto B de Aceralia en Gijn. Se han proporcionado dos conjuntos con diez mil datos cada uno, lo que implica la informacin de aproximadamente cuatro meses y medio de operacin de este horno alto. En general, la medicin de todas las variables de operacin es automtica, excepto para las variables que son medidas cada vez que se realiza una colada, y se almacenan en el ordenador de proceso con un tiempo de muestreo de 10 minutos. La medicin real se realiz con un intervalo de muestreode 2 segundos; pero, por motivos de espacio en disco, para facilitar su manejo y para poder realizar un estudio a largo plazo, se ha realizado una media de los valores hasta adoptar primero un periodo de muestreo de 10 segundos, posteriormente de 2 minutos y, por ltimo, tras realizar el mismo procedimiento, obtener unos datos con un periodo de muestreo de 10 minutos (este proceso se ha realizado en la misma planta de Aceralia). Pero los datos proporcionados sobre el arrabio no tienen un tiempo de muestreo igual para todas las muestras: viene determinado por el proceso de colada del horno alto.
-56-
3.11
Durante la fase de preparacin de los datos, se han obtenido dos conjuntos de datos con diferentes periodos de muestreo. En el primero, las variables tienen todas el mismo periodo de muestreo, que es de 10 minutos, como se ha sealado antes y que, por lo tanto,
no necesita preparacin de los datos. En el segundo, las variables (entre ellas est la temperatura del arrabio) tienen distinto periodo de muestreo que viene definido por los
instantes en los que se realizan las coladas y que, por tanto, necesitan una preparacin previa de stos [27]. Como se ha dicho anteriormente, se han realizado normalmente tres mediciones de la temperatura del arrabio durante el periodo que dura la colada: la primera se realiza,
normalmente, en los primerosinstantes del inicio de la colada; la segundase realiza ms o menos a la mitad de la colada y la tercera en los momentosfinales. La primera medicin suele ser la ms baja, ya que el arrabioque sale al principiopor la piqueraest ms fro que el arrabioque sale al fmal de la colada. Esto puede ser debido a que mientras el horno est cerrado, el arrabio situado cerca de la piquera, que es el primero en salir, pierde calor al cederlo a los refractariosque formanlas paredesdel crisol.
Normalmente, la iiltima medicin es la que tiene un valor ms alto porque una vez que se ha vaciado el crisol, el arrabio que sigue descendiendo al crisol de las zonas
superiores sale directamente por la piquera. Adems, una vez que se ha realizado la medida, el valor se ha repetido hasta que se ha realizado la siguiente, obteniendouna representacin grfica falsa en forma de almena del valor real de la temperatura del arrabio (ver figura 3.6).
Por lo tanto, la medida que realmente puede representar el valor real de la temperatura del arrabio es la ltima medida que se realiza en cada colada. Debido a esto, y para simplificarel clculo, se va a considerar slo un valor de la temperaturadel arrabio
suponiendo que permanecerconstante durante toda la colada. De esta forma,ahora se tienen tantos datos como coladasse han realizadoduranteel periodode tiempoen el que se
han proporcionado los datos. Para conseguir que la temperaturadel arrabiotenga un rnmero igual de muestras
que el resto de variables,se ha realizadouna interpolacin medianteuna splinecbicade los .datosseleccionados (ver Figura 3.9). Adems, con esta aproximacin se suaviza la representacin de la temperatura del arrabio ya que realmente, debido a las grandes inercias del horno alto, los cambiosen las variablesde entrada afectande una formasuave a la temperaturadel arrabio.
-57-
hornoalto.Sus tratamientos
d1 1560
1520
1500
1 53
-1 6
1 540
.2
1400
1380
100
200
300
400
500
600
700
800
1000
32
REPROCESAMIENTO
DE LOS DATOS
calidad de la prediccin. La medida de la temperatura del arrabio es un problema muy complejo, que puede estar afectado por muchas perturbaciones diferentes [27]. Las
principales estn enumeradas aqu:
En general, el operador sigue unos procedimientosestandarizadospara medir la temperatura, con el objetivode reducir el rango del posible error de medida. A pesar de
todo esto, el rango del error se puede estimar aproximadamente en 5 C. Un segundo aspecto importante es que el proceso puede mostrar rangos de
fluctuaciones pequeosque aumentanla variacinlocal de la temperaturadel arrabio,pero que son extremadamente dificiles de describir por el modelo. Este tipo de informacin se
debe, en general, a fenmenos a corto plazo que producen variaciones locales del proceso
alrededor de condicionesestables del mismo.En general,estos no son importantespara el control de todo el proceso y se pueden no tener en cuenta. Estas fluctuaciones desconocidas son las que se van a tratar como ruido, y para eliminarlo se utilizarn los
filtros [45]. -58-
32.1
FILTRADO DE DATOS
El tratamiento de seales es una rama de la ingeniera que trata fundamentalmente de la realizacin de filtros para eliminar o reducir componentes frecuenciales no deseadas de una seal portadora de informacin. Lo que se va a realizar es, en esencia,modificarlas caractersticas de respuesta en frecuenciacon un filtro de pasode banda. Para ilustrar la forma en que funciona un filtro de paso de banda, se va a pasar del dominio temporal al dominio frecuencial. Todas las realizaciones de filtros especficos para una cierta aplicacinse pueden agrupar en cuatro tipos generales de filtros: pasabaja,pasaalta, pasabanda y eliminador debanda[119].
0dB
Filtro
Pasabcsjo
o
Fitm Pasabanda
o
Filtro
Eliminador de Banda
La respuesta en frecuencia caractersticade estos filtros se ha representado en la Figura 3.10. Los filtros adaptativostienen unas caractersticas que son especficaspara la
aplicacin a la que estn destinados. Pueden reproducir las caractersticas de cualquiera de los cuatro tipos bsicos de filtros, independientemente o en combinacin.
El efectodel filtro cambia la respuestalocal de la sealpero no afecta a la respuesta a medio o largo plazo [46].Esto significa que, desde el punto de vista operacional, la sefal
filtrada mantiene todo el contenido de informacin y por lo tanto, se puede considerar todava como una buena descripcinde la evolucinde la temperaturadel arrabio. La eleccin de la frecuencia de corte est vinculada al lmite impuesto por el teorema de muestreo de Shannon que define la relacin entre la frecuencia de muestreo, f, y la componente de la frecuencia ms alta de la seal, fm, es decir:
2fm (3.1)
Tm
2.T
del aire que entra por la soplante al horno y que se realiza aproximadamente cada media
hora (3 perodos de muestreo).
-60-
Capitulo
Nm3!h
2.8
Caudal
de la soplante
2.75
2.7
2.85
2.6
2.55
2.5
2.45
0 10 20 30 40 50 60 70 80 80 100
Figura
120
115
1 1 1 1
1
U 1 U U U U U U U U U U U U i U U U U L. u 1 1 U U U 1 U 1 U 1 U U U u 1 u U U 1 1 U 1
1
U U U U U U U 1 U U U U U 1 U U U U U i U U
U
U U U U U 1 U U U U U U U U U U U U U U i 1 1
110
1 U .1LJ..1 1 U U U U 1 1 U 1 L= 1 u 1 u u u U U 1
105
o
o ID .1o0
1:
85
80
o
Frecueneia
Figura 3.12-. Espectro de frecuencias para los 100 datos del Caudal.
-61-
En la Figura 3.12 se representan 100 valores de esta variable filtrada al utilizar un filtro Butterworth pasabajos de cuarto orden y con una frecuencia de corte de 0,8 i0. Como se observa, los picos han desaparecido en la seal filtrada debido a que la frecuencia de estos es superior a la frecuencia de corte seleccionada (Figura 3.13a).
Nmh
2.8
x 10
d la soplante Caudal
2.7
2.6
2.5
________
Sei!ial real
Seal filtrada
20 30 40 50 60 70 80
Ai
00
2.4 0 x 10 10 100
Espectro
de frecuencias
5 4
o
0 0.5 1 1.5 2 2.5 3 3.5 4 x 1O 4.5
Frecuancia
Figura 3.13.- Filtrado de la seal del caudal de la soplante donde la lnea continua de color azul
-62-
1200
1
1 1
U U
U U
U
1000
U
U U
$00
a-
600
II
400
200
Li
-ir
-.
10
20
30
40
60
60
gicm3
Inyecci6n
U U U
U U
de Carbn
U U
U
U U 1 U
4
U
1
1 U U U U
U U
U U
U
U U U
U 1 U
U
U U U U
U U
U
U
1000
U
U
1
1 3 U U
U
U U
U U U
U 1
U U U
4 1
U U
U 1 1 U i 1 1 U
U U
U U 1 U
U
800
U .1.1U______j
U 1
U U U U
U U
U U U 1 1
U
000
U
U U
1 U U
U
1*11
U
U U
U U
U U U U 1 U U 1 U U U
U U
U 1 U 1 U U
U U
U U U U U U 1
U U
U
400
U U U U U U
200
U U
II
Ii
II
o
0 5 10 15 20 25 30 35 40 45 50
th
-63-
8 JLL 8 U 8
8 u u 8 U 8 8 U U 8 8 8 8 4 i 8 8
u 8 t U 8 8 1 u U u u u U U 8 1 8 U 8 u 8 8 8 U U
1.5
U i u u 8 U U 8 U u u U 8 U U
u 8 u 8
i U 8 i
500
8 U 8 U 8 U
1
o
o
-L
2 3
s Nm3h x 10
Oxgeno u
U U 8 U
2500
u
1
u
8 8 4-1U8 8 8 u 4 -4
2000
1500
.L.J 1 1 1
1000
500
o
0
JkL
2000
4000
6000
8000
LiLuuI
10000 12000
Nm3Ih
-64-
Capitulo
frecuencias
14000.
1
1
1
U U
l2uuu
U U
U 1
U U * U U
1 U
U
U 1
U
U U
1 U
U U
10000
4000
U U
U U
U U
U
U U
________
__________________________
0 200 400 600 800 1000
____
1400
1200
minera l/coq ue
U
U U
U
U
U U U
U U U U U U U U U U U U U
U
U U U U U U U 1 U U U U U * U U U U U U U 1 1 U U U U U U U U * U U U U U U U * 1 U U U U U U U U U
U
1 U U U U U U U * U U U U U U 1 U 1 U U U U U 1 U U U U U U U U
2000
U.U..LLLL 1 U U U U U U U U U U * U U U 1 1 $
1500
1 U 1 U U U U U U U U
1000
U U U
liii
4.5 6
500
o
1 1.5
2.5
3.5
-65-
I_t
u
600
u
Ii
1 1
500
u u
400
$
1-4, 1
1
1 -
300
200
.j
100
.
-iJ
Lk
0
1300 1350 1400 1450 1500 1550
1600
i&n
1800
1600
1400
I_L. L L l
u u u
1
u u u u u L u
i
1 1
u u
.
1
1.
u L u t.
1
u L u u u I-
.
u
1
u u u u
1
u-
u-u-u- u u
1 1 1
200
;-
:0.5
o
0
1.5
2.5
3.5
4 kglcm2
Figura 3.21.- Histograma de Lapresin. En la Figura 3.14 se observa que no hay un valor que predomine sobre los dems, sino que hay varios que tienenuna altura considerable. Esto inducea pensar que la humedad es una variable que se utiliza para intentar mantener la temperatura del arrabio en un valor establecido (en este caso en 1500 C), es decir, es una variable de control. Lo mismo ocurre con la inyeccin de carbn (ver Figura 3.15) en el que se observa que hay un picq
aproximadamenteen 41 t/h pero alrededorde este valor tambinhay bastantespicos con valores considerables, por tanto, tambines una variablede control.
-66-
Capitulo 3Datosde
os sensoresdel
hornoalto.Sustratamientos
En el caso del caudal(ver Figura 3.16) se observa un pico muy significativo sobrelos 265.000 Nm3/h.Los demspicos estn muy por debajode su valor, siendoms una
variable de consigna que de control, aunque de vez en cuando tambin se utiliza como refuerzo a las otras acciones de control. El oxgeno (ver Figura 3.7) es una variable muy influenciada por el caudal ya que es un % del valor de sta; y en menor medida por la inyeccin de carbn. Por lo tanto, es una variable que no puede considerarse comouna variable de control, como puede verse en los dos picos que estn situados sobre los 8 000 Nm3,h La temperatura de la soplante (Figura 3.18), muestra un comportamiento muy estable durante todo el proceso del horno obteniendo el pico mximo sobre los 1200 C.
curva de frecuencias que es bastante similara una gaussiana centrada en 1485C. De esto
se deduce que el operador de planta intenta mantener la temperatura en un valor de consigna (en este horno es de 1500 C). El operador, cuando se percata que la temperatura va a sobrepasar este valor, introduce la accin de control adecuada para reducir la
l(rh) ().
la temperaturadel arrabio parael periodode 24 a 24 horas(287perodos de muestreo) y los resultadosse representanen las siguientes figuras.
-67-
Capitulo3Datosdelossensoresdelhornoalto.Sustratamientos
R r
4
r 1
II 11---
.1
1 1 1
o
.02
T z
liii
.0.4 .06
-0.8
50
100
150
200
250
300
0.2
50
100
150
200
250
300
Figura 3.23.- Correlacin cruzada entre la inyeccin de carbn y la temperatura del arrabio. -68-
1 1
0.8
1
0.6
0.4
0.2
o
-0.2
-0.4
-0.6 -0.8
50
100
150
200
250
300
Figura
3.24.- Correlacin
del arrabio
Oxgeno-Temperatura
del arrabio
_____________ 1 3
1
1 3
1 1 1 3 3 3 /3 1 L u 1 1 3 u 1 u 1 u 3 1 1 1 3 1
0.8
06
0.4
0.2
o
-0.2
1 u L1 3 I u -u / /
-0.4
-0.6
U .1-4---..V---i u u .3 3 1 u u U u u 3
7-; u
-0.8
-1
______
50
100
150
200
250
300
Fira
32S- Correlacin
cruzada
del arrabio.
-69-
Cinitii1n
1 fotos
del arrabio
1 1 1
1
1 1 1
.1
u
.i_.L U U U U U
1 U
U U U
U u
1 1
U
E U U
o
-0.2 -0.4 -0.6 -0.8
z:z::zj::z::z: [III
u1?_ J; U-41 U U E U U U U l
1
i U
U 1 U U
U E U
U U E 1
E U
-1 0 50
100
150
200
250
300
Figura 3.26.- Correlacin cruzada entre la temperatura de la soplante y la temperatura del arrabio.
Relacin
1
U U
U
hU_.1. U U U
1
U
0.6 0.4
.1.
U U
0.2
o
-0.2 -0.4
-0.6
EEEE
-0.8
-1
0 50 100 150 200 250 300
Figura
3.27.-
Correlacin
cruzada
entre
la
relacin
minerallcoque
la
temperatura
del
arrabio.
-70-
de; arrabio-Temperatura
1 1
delarrabio u
3a4
1 1
1
u
1 u u 1 u u Al uf II II u uf II 11 u 1 u _,-c _ 1 fI / / / 1 1 u
)(u 3E 1 k 3 1 4a-z
u3
3
u
u
1
u 3
uf u u
1
u(/ I/ t
-
A
1
u
1
It
o
-0.2 -0.4 -0.6 -0.8 1 0
1
u u
1
u u4-1 u u 1 u u 1 u u u u 1
-I
50
100
150
200
25
300
del arrabio u
1
-
0.8
.1_I
o
-0.2 -04 -0.6
.1-J
u-
u u u u u
u
-0.2 -1 0
50
100
150
200
250
300
-71-
3.3.2.1
Los resultados obtenidos de este estudio no son lo bastante buenos para poder obtener alguna consecuencia lo suficientemente buena para poderla utilizar en el modelo basado en la lgica borrosa. Ninguna de las correlaciones obtenidas concuerda con los
retrasos proporcionados por los operadoresde planta. Segn estos ltimos, los retrasos que
hay que aplicar a cada una de las variables son los que se expresan en la Tabla 3.1:
Variables Humedad
Inyeccin de carbn Caudal Oxgeno Presin Temperatura del soplo
Retrasos (horas) 2
2 2 2 2 4 8
Relacin mineral/coque
Tabla 3.1.-Retrasos de las variables de entrada.
control que realiza el operadorpara mantenerla temperaturadel arrabio sobre el valor de consigna.
implican el estudio de la estructura dentro de una matriz de covarianza mediante la extraccin de los valores y vectores propios de sta. Estas similitudes se basan en el anlisis de los valorespropios de la matriz de covarianza.
-72-
Identificar las asociaciones naturales de las variables (que necesitan interpretarse). Reducir un gran nmero de variables de datos originales a un nmero pequeo de nuevas variables que consisten en las asociaciones naturales. Proporcionar una similitud en la composicin de cada observacin.
La suma de las diagonales de la matriz de valores propios proporciona la varianza total del conjunto de datos. Esta matriz tambin define un elipsoide de m dimensiones. Los
vectores propios representan los ejes principalesde este elipsoidey los valores propios la longitud de estos ejes. Estos vectores propios representan la varianza del conjunto de datos
con la suma de los valorespropios igual a la varianza total. Cada vector propio, justifica un valor de la varianza total igual al valor propiodivididopor la traza. La dimensionalidad del conjunto de datos originales puede reducirse de in variables a p, que son los ejes
principales que responden de una proporcin significativa de la varianza total.
El anlisis de componentes principales se ha realizado,utilizandolas entradas por la tobera y tambin la relacin mineral/coque. Se han elegido estas variables porque van a utilizarse en la implementacin del modelo de lgica borrosa. De esta form; las variables que se han estudiadoson:
Humedad (Uve).
Para realizar este anlisis, se han utilizado todos los datos, para conseguir una mejor relacin entre las diferentes variables. Las medidas de las variables son completamente diferentes, ya que no estn en la misma escala [28]. Si el anlisis de componentes principales se realizase sin normalizar las variables, no se obtendrn resultados significativosporquela variableque tiene los valores ms grandes, tendr un gran valor de covarianza, ya que sus valores propios sern mayores que los otros.
-73-
Por lo tanto, esta variable tender a dominar las primeras componentes principales, mientras que el resto no tendrn importancia. Las variables se han normalizado de la
siguiente forma:
X-m x-
(3.5)
lWc
In 0,2861
1,0000
0,0765
Uve 0,0036
0,0765
Qv
-0,2606
02
Psop 0,2413
0,5117
Tve
ni/e
In Uvc Qv 02
1,0000
0,2861 -0,0036 -0,1323 0,3265
-0,1323 0,3265
0,8346
0,2379
0,6079
1,0000 0,1738
0,1892
0,1738
-0,2606 0,1892
0,8346
1,0000
-0,2497
Psop
Tve
0,2413
0,2379
0,5117
0,6079
0,1349
0,2653
0,3228
0,4922
-0,2653 0,4922
0,6081
0,3 128
1,0000
Una vez que se ha obtenido la matriz de covarianza, es posible calcular los vectores propios y los valores propios de ella. De esta forma, la matriz de covarianza se ha descompuesto en dos matrices que estn relacionadas mediante la siguiente expresin:
=AAA
En donde A es la matriz de vectores propios y A son los valores propios.
(3.6)
-74-
(nitnIn
3 Datos de los
amiunto.v
m/c m/c
In Uve
0,5491
In
-0,2182 -0,1241
Uvc
-0,5862 0,3244
Qv
0,1617 -0,0805
02
0,0990 0,7739
Psop
-0,0574
Tvc
0,5177
-0,5096 0,0094
-0,6268
-0,4786 0,3 170
Qv 02 Psop
Tve
-0,4339
-0,3828 -0,1237
-0,2057
0,3568
0,4565
0,5740 0,5045
0,3226 0,6210
0,1273 0,1860
La suma de los valores propios representar la varianza total posible de los datos,
as si el valor propio de una variable se divide por la varianza total se obtendr el tanto por
ciento de la varianzaque cubre esa variable(x). Se muestracada componentecon su valor propio y el tantopor ciento de la varianzaacumuladaque cubre estas variables.
0/
Psop
02
1,5738 0,9145
0,8432
0,3085
65,29 78,36
90,40 94,81
Qv Uve In MJc
0,2163
97,90
0,1468
100,00
El objetivo principal que se persigue al realizar el anlisis de componentes principales es intentarreducirun elevadonmero de variablesde los datos originalesa un
nmero de nuevas variables ms pequeo, que consisten en asociaciones naturales de las primeras. Si se utilizan las componentes principales, cada nueva variable ser una
-75-
Capitulo 3 Datosdelos sensoresdelhornoalto,Sus tratamientos Inyeccin de carbn, Relacin minerallcoque y Humedad), que se han utilizado en el estudio de las componentes principales. Otra forma de realizar esta reduccin, es utilizar las variables antiguas que estn ms representadas en las nuevas variables.
Se puede observar que la temperaturade la soplante, la presin, el oxgenoy el caudal utilizan el 90,40 % de la varianza total, as se podra reducir el espacio de entrada
original de 7 variables a un nuevo espacio de entrada de 4 variables.
El mayor inconvenientede este mtodo es que los datos proporcionadospor Aceralia no son lineales, y el anlisis de componentes principales estudia las relaciones
lineales entre las variables.
Adems, entre las variables que se despreciaran estaranlas dos variables de control que se utilizan en el horno alto (la humedad y la inyeccin).Por lo tanto, esto
complica aim ms su aplicacin.
-76-
Durante el proceso,los operadores de planta suelen cambiarlos valoresde las entradas del Horno Alto para obtener las propiedades del arrabio deseadas. Estas
variaciones deberan evaluarse para intentar obtener el mejor modelo de lgica borrosa.
Esimportanteel periodode tiempoque ha transcurrido desdeque se ha realizado una variacin de las variables de entrada,ya que su influencia en las propiedades
del arrabio debera ser diferente. Por ejemplo, si se ha cambiado la humedad del soplo a un valor mayor ya quela temperatura del arrabio era alta, y en poco tiempo se va a realizaruna coladaen el HornoAlto, la influencia de esta variacin no es muy importante en las propiedades del arrabio, mientras que si este cambio se ha realizado unas horas antes del inicio de la colada, su influencia en las propiedades del arrabio ser mayor.
Como ya se sabe, hay varios parmetros que pueden modificarse en un sistema de lgica borrosa, comosonel nmero de variables, el nmerode funciones de pertenencia, el tipo de sistema borroso, etc. Por esta razn se ha elegido una estructura del sistema, para ser entrenada con los datos obtenidos de cada periodo de tiempo considerado. A continuacin se va a explicar la estructura del sistema de lgica borrosa que se ha
generado.
-77-
actuaren consecuencia.
Tambin se van a aadir al regresor (o vector de regresin) la temperatura del arrabio en retraso: se han realizado distintos ensayos buscando una prediccin ptima de la temperaturadel arrabio,que se consigui para un retrasode 4 periodosde muestreo (40 minutos). Realizando el mismo procedimiento que con las variables anteriores, al final se obtiene un total de 21 variables de entrada y una salida (la temperatura del arrabio).
S(t+l)
f(y(ttk),y(ttk
...,u(ttk),u(tTk
1
(4.1) donde:
3(t
+
1,...,6;
k=l,...,7
1):
o:
entradasdel proceso.
comentados anteriormente.
-78-
Tanto las yo comolas u.() son las entradas al modelo de lgica borrosa elegido. As la estructura del sistema es comoel representado en la Figura 4.1..
(Entradas al sistema)
_______ ___
________
(Salida delsistema)
y(t-t1-1)
y(t-1-2)
Figura4.1.-Esquema delsistema borroso.
...
y x
es C ,
ENTONCES
yk
x1
...
(4.2.)
ui
del
regresor).
k=1,2,...,M(M=nt!imerodereglas).
-79-
CapituLo 4 Aplicaciones desarrollados usando Lgica Borrosa y Redes Neuronales A la estructura del sistema borroso que se muestra en la Figura4.1., se le han aplicado los dos algoritmos de entrenamiento siguientes:
1. Generacinde una matriz de inferenciaborrosa general y aplicacinposterior del ANFIS (Sistemade Inferencia Neuro-Borroso Adaptativo)[211.
2. Aplicacin del Subtractive Clustering (Agrupacin Substractiva) [26].
El ANFIS aplica dos tcnicaspara actualizar los parmetros: para los parmetros premisa, que definen las funciones de pertenencia, el ANFIS emplea el mtodo del descenso del gradiente para ajustarlos; para los parmetros consecuentes, que definen los
coeficientes de cada una de las ecuaciones de salida, el ANFIS utiliza el mtodo de los mnimos cuadrados para identificarlos. Para lograr una buena generalizacin de la prediccin, el tamao del conjunto de datos de entrenamiento debera ser al menos tan grande como el nmero de parmetros modificables en el ANFIS [25]. En los sistemas de inferencia borrosos, hay tres tipos de particiones del espacio de entrada: particin por
mallado, particinpor rbol y particinpor dispersin.En el ANFIS se utiliza la particin por mallado, y genera reglas mediante la enumeracin de todas las combinaciones posibles de las funciones de pertenencia de todas las entradas, al no existir ningn tipo de
entrenamiento previo. Esto lleva a un crecimiento exponencial en el nmero de reglas cuando el nmero de entradas es moderadamente grande. Por ejemplo, para el sistema de inferencia borrosoque se est estudiandotiene 21 entradas y cada una de las cuales tiene 5 funciones de pertenencia; por lo tanto, de la particin por mallado se obtienen 521=4,77.1014reglas, que es inviablemente grande para cualquier mtodo de aprendizaje
Al aplicarel SubstractiveClustering,lo que se est realizandoes estimar los centros de las agrupacionesde un conjunto de datos. Este mtodo afirma que cada punto de
infonnacin es un centro de agrupacin potencial y se calcula un valor del potencial para
cada punto de informacinbasado en la densidad de puntos circundantes.El algoritmo selecciona el punto con mayor potencialcomo el primer centro de agrupaciny entonces elimina el potencial de los puntos prximos al primer centro. Luego el algoritmo selecciona el punto con informacincon el mayor potencial de los que quedan como el prximo centro y elimina el potencial de los puntos prximos a este nuevo centro. Este proceso de adquisicin de un nuevo centro y eliminacin del potencial de los puntos circundantes se repite hasta que el potencial de todos los puntos caiga por debajo de un lmite umbral. Los datos que pertenecen a una de estas agrupaciones (clusters) formadas,
tienen algunas propiedades que los distinguen de los datos de otras agrupaciones. Primero
-80-
se agrupan los pares de datos entrada/salida dentro de agrupaciones de acuerdo con la distribucin de los puntos de entrada, y se usa una regla borrosa para cada uno de las agrupaciones. La generacin de la matriz del sistema de inferencia borroso se realiza mediante un entrenamiento inicial, anterior a su construccin, buscando relaciones entre las entradas y las salidas a priori y formando agrupaciones de datos que tienen un comportamiento similar, reduciendo, por tanto, el nmero de reglas borrosas (4.2) al nmero de agrupaciones encontradas. As en la matriz de inferencia borrosa, cada una de las variables de entrada tendr tantas funciones de pertenencia como agrupaciones se hayan encontrado y por tanto, tambin se crear el mismo nmero de reglas borrosas. Un factor muy importante es el radio de influencia, (en este proyecto es de 0,3) que es un parmetro del algoritmo de enfrenamiento, cuyo valor se determina mediante prueba y error: cuanto menor es el radio de influencia, se obtiene un mayor nmero de agrupaciones y, por tanto, se crean un mayor nmero de reglas y de funciones de pertenencia asociadas a cada una de las variables de entrada, consiguiendo un sistema ms complejo y ms preciso. Al fmal del entrenamiento se obtiene un nmero de reglas y los c de stas(4.2).
42
RESULTADOS
OBTENIDOS
El entrenamiento, tanto para el ANFIS como para el Substractive Clustering, se ha realizado con 12.000 datos, mientras que la validacin se ha realizado, para ambos, con 5.000 datos. En el caso del ANFIS se han obtenido unos resultados aceptables. Pero con el Substractive Clustering, los resultados han sido muy buenos estandoen muchos tramos por debajo del rango de error para la temperatura del arrabio que se estim en aproximadamente 5 C. La Figura 4.2 muestra la representacin de 1.000 datos de la prediccin de la temperatura del arrabio, realizada con el Substractive Clustering, utilizandoel conjunto de datos de entrenamiento.La Figura4.3 muestra una ampliacin de una parte de la Figura4.2 para poder observarcon ms detallelos resultados.
-81-
Capitulo 4 AplicacionesdesarrolladasusandoLgica
Borrosa y RedesNeuronales
a) 1550
PrediccIn
de la l.m penaran
del annabio
1400
Valoren Valores lOO 200 b) 300 400 500 mitr 800 700
E rrer da prediccincon
de entr.namiente
10
_InrI
-5
-10 0 100 200 300 400 500 800 700 000 900 1000
Figura 4.2.- Prediccin de la temperatura del arrabio con el conjunto de entrenamiento que se han representado 1 000 datos.
P ceditoln
de la tem parabais
del arrabio
Valores 1470
S kpredocvtn
Valores reas
600 E) 660 Error da prediccin 700 cori matriz 750 de entrenamiento 000 050
550
3 2 1
o
-1 -2 -3
.1IIJII[1IIIIIIIII]IIIIIIIIII4
800 650 700 750 000 850
550
Figura 4.3.-Prediccin de la temperatura del arrabio con el conjunto de entrenamientoque se han representado 300 datos.
-82-
La Figura 4.4(a) muestra la representacin de 1.800 datos de la prediccin de la temperatura del arrabio, realizada con el Substractive Clustering, utilizando el conjunto de datos de validacin.
a) Prediccin de la temperatura
1600 1550 1500 1450 1400 1350 2800 3000 3200 3400 3800
del arrabio
3800
4000
4200
K
10
o
-10
Figura 4.4.-Prediccin de la temperaturadel arrabio conel conjunto de validacinque se han representado1 800 datos.
Como se puede observar tanto en la Figura 4.3(a) como en la Figura 4.4(a), la prediccin no est retrasada con respecto a la medida real de la temperatura del arrabio, donde la lnea continua azul representa a los valores medidos de la temperatura del arrabio y la lnea continua roja representa la prediccin de sta. Tanto en la (a) como en la Figura 4.4(a) se observan con mayor precisin estas caractersticas. La Figura 4.4(b) y la Figura 4.5(b) muestran el error entre la medida real y la prediccin de la temperatura del arrabio del entrenamiento y de la validacin respectivamente. Se observa que este error es menor en el periodo de entrenamiento que en el de validacin siendo, adems, inferior a cinco grados en la mayor parte de los datos, que es el margen de error que tiene el termopar con el que se ha realizado la medida de la temperatura del arrabio.
-83-
Capitulo 4 AplicacionesdesarrolladasusandoLgicaBorrosa
y Redes Neurona/es
C
1550
1500
1450
1400
1350
3400
3450
3500
3550
3500
3650
3700
b) Error de prediitn
15 10 5 o -5 10 -15 -20 3400 3450 3500
con matriz
de vajideejn
3550
3600
3050
3100
Figura 4.5.- Prediccin de la temperaturadel arrabio conel conjuntode validacinque se han representado 400 datos.
-84-
pantaila de la
Salida en
arrabio
temperatura del
4.3.1 EVALUACIN DE LAS ESTRATEGIAS DE AVISO AL OPERADOR Una vez que se ha realizado el modelo de simulacin basado en lgica borrosa, es posible evaluar las diferentes estrategias de control que podra n desarrollarse para obtener la temperatura del arrabio deseada, minimizando el empleo de combustible y coque, y por
horno alto y obtener las propiedades del arrabio buscadas, pero en muchas ocasiones estas
acciones de controlno se han realizadoconsiderandoque debe minimizarseel empleo de combustible y coque. Es obvio que si la temperatura del arrabio es muy alta, se ha
consumido ms combustible y coque, pero cuando la temperatura del arrabio es muy fra,
las propiedades del arrabio podran no ser lo bastante buenas. En los datos reales obtenidos
de la planta, se descubre, en muchas ocasiones, que la variacin de la temperaturadel arrabio es muy alta de una colada a la prxima. As el objetivo de este estudio es determinar cules son las mejores variaciones de la entrada que deberanrealizarse para reducir el consumode combustibley coque.Se han estudiadolos efectosque producenlas diferentes variaciones de la humedad, mientras el resto de las variables permanecen constantes. Se ha seleccionado un periodo de tiempo en donde se van a mantener
constantes todas las entradas del simulador. Este criterio es importante porque si hay
-85-
g /cm
Incremento a) de la Humedad
26
24
22
20
18 1c 800
oc
-20% Humedad
1000
1200
1400
1600
Uiiidades de tiempo
1800
1510 1500
1490 1480 1470 800 1000 1200
-15% Humedad
-10% Humedad
1400
1600
1800
Uiidades de tiempo
Se ha realizado este mismo ensayo para la inyeccin de carbn (Figura 4.8) y el caudal
(Figura 4.9). En todas las figuras puede observarse que el comportamiento de la temperatura del arrabioes el esperadopara cada una de las variablesmodificadas.
-86-
Capitulo 4 Aplicaciones desarrolladas usando Lgica Borrosa y Redes Neuronales a) Incremento de la inyecci6nde carb6n
tlh
-
42 40 38 36 34
60 800
+4 tJhPCI
+2
tJhPCI
-2 -4
t/hPCI t/hPCI
1000
1200
1400
1600
UiisIades de tiempo
1490
1485
1480
1475
600
800
1000
1200
1400 1600
Uziidades de tiempo
x1
2.8 2.7
2.6 2.5
PA
L.00 oc
900
-20.000lTm3IhCaudal
______________________________
-10. Nm3 Caudal
Caudal
+lO.000Nm3/h
1470
800
-87-
4.3.2 RESULTADOSOBTENIDOS
Como es bien sabido (por la experiencia del operador de planta), si la humedad est en un valor alto, la temperatura del arrabio tiende a disminuir, y cuando la humedad tiene un valor bajo, la temperatura del arrabio tiende a aumentar. En la Figura 4.7 es posible observar este efecto, y por lo tanto, si el escaln es positivo, la temperatura del arrabio ser menor, as el horno alto se va enfriando; mientras que si el escaln es negativo, la temperatura del arrabio ser mayor, y el horno alto se va calentando.Una vez que se ha obtenido en el horno alto el efectode la variacinde la humedad es interesante analizar si es posible mejorar la produccin del horno alto. De esta forma, se han dado los siguientes pasos:
-
De esta manera, el operador ser capaz de determinar cul es el periodo de tiempo y el valor de la humedad que se tiene que introducir para obtener la temperatura del arrabio deseada. El efecto que produce la variacin en el resto de las variables de entrada es similar al de la humedad, para obtener las estrategias de aviso para el operador, para minimizar el consumo de coque y combustible y maximizar la productividad.
del horno alto, el sistema de lgica borrosaes capazde predecir que la temperatura del arrabio va a ser ms fra que la ltima.
del horno alto ya que con el puede conseguirsemantener la temperaturadel arrabio en su valor ptimo disminuyendo las oscilacionesalrededorde este valor.
modelado en la industria siderurgia. Los modelos convencionales (fsicos o termodinmicos) tienen unos inconvenientes que tericamente los superan aquellos que han sido desarrollados con Redes Neuronales. La ventajas de los modelos que usan RN comparados con los que emplean los modelos convencionales son los siguientes: La posibilidad de encontrar relaciones complejas y no lineales entre las variables, sin realizar los estudios estadsticos. + Necesitan menos consumo de tiempo para el clculo. Es tambin msfcil actualizar modelos basados en RN. Trasladar las actualizaciones a la planta en la que operan los modelos basados en RN es bastante ms fcil.
Laestructura de las R.Ns. es semejante a caja negra Lahabilidad para extrapolar modelos basados en RN es pobre.
-
a seleccionar el tipo y
4.5.1 CRITERiODE SELECCIN DE LA R.N. PARAESTAAPLICACJN Para desarrollar el modelo, se ha usado la teora de identificacin de sistemas. Se utiliz unacoleccinde datos histricostanto de entradacomode salida del Horno Alto
intentando predecirla salidabajo estudio. Es posible considerarel HornoAlto con la siguiente estructura:
-89-
(t
g (p
(t))
(4.7) (4.8)
(p(t)=[y(t1)...,y(tn),u(ti),...u(tn)]
Donde:
entradas
u(t1)
u(t-2)
(t)
y(t-
1)
y(t-2)
Otra opcin para obtener el regresor es la red Funcin Base Radial (RBF). Se llevaron a cabo algunas pruebas con los algoritmos de entrenamiento disponibles para
RBF, los resultados no fueron tan buenos como los conseguidos con el MLP. As pues se
seleccion el MLP para desarrollar al modelo.
AW (k
1)
(1
N t=iaW(k)
3(t)
W(k)
-90-
3(t))T
3W(k)
Capitulo4AplicacionesdesarrolladasusandoLgica
( (t)
y (t))
La primera capa es la de entrada cuyo nmero de neuronas es determinado por el nmero de componentes del vector de regresin. La segunda capa es la capa oculta cuyo nmero de neuronas es variable, y finalmente hay una neurona para la capa de la salida.
Funcin de transferencia Sigmoide en la capa oculta. Funcin de transferencia lineal en la capa de la salida.
El nmero de neuronas ocultas se seleccion teniendo en cuenta el criterio de equilibrio: Un nmero pequeo de neuronas no puede encontrar relaciones entre las variables, y un nmero grande de ellas no permite generalizar los resultados obtenidos por
USANDO R.N.S.
PREDICCIN DE LA COPdIPOSICIN DE LOS GASES DE Se crearon modelos basados en Rs.Ns.,intentando predecir las magnitudes: % CO,
% Co2
y % H2. Se usaron, para los modelos antes citados, la herramienta Red Neuronal
de Identificacin de Sistema. El regresor usado en todos los modelos fue el siguiente: (t)
=
p(y(t
10), y(t
20), y(t
(4.10)
-91-
En las figuras (4.11), (4.12), y (4.13) se representanlos resultadosobtenidos con esta aproximacin. Las redes se entrenaron con 2.000 datos, y se validaron con 1.000
datos.
0
0.2 0.1
200
800
1000
o
u
-0.1
200
400
600
800
1000
time (samples)
Figura 4.11 Predicciny error de %CO.
Output (circle)anciane-step ahead prediction (salid)
200
Figura 4.12.
time (samples)
400
600
600 1000
-92-
Capitulo4 Aplicaciones desarrolladas usando Lgica Borrosa y Redes Neuronales Output (circie) andone-step ahead prediction (salid)
0.05
-0.05 0
200
800 1000
2.
0.2
0.1
600
600 1000
-93-
Capitulo4 AplicacionesdesarrolladasusandoLgica Borrosa y Redes Neurona/es En estos casos, se usaron, como entradas del modelo, la humedad y PCI. Cambiar
estas entradas por otras no disminuyeron el error, por ello se testaron algunos regresores
autorregresivos.La red se entrencon 2.000 datos, y se valid con otros 1.000datos. Se tomaron para el regresor cuatro salidas anteriorespero los resultados(representadosen la
figura 4.14 fueron bastante similares a los anteriores.
(t) donde:
(4.11)
5(t): Es la prediccin
de la salida.
Se desarroll una red neurona! para predecir la temperatura del arrabio. Su estructura fue la de un perceptron multicapa clsico, entrenado usando el algoritmo Levenberg -Marquardt.El regresor usado fue el siguiente: f(y(t 4),...,y(t 18),ui(t 1),..., u1(t 8), u(t),..., u(t8),u8(t),..., u8(tll))
=
i=2,...,7
(4.12)
-94-
ENTRADAS Temp.arrabio Cargasfh. Soplado Presin Horno Temp. Horno. Humedad Oxigeno. Inyec.carbn pulv Presin superior.
SALIDAS
(Sr)
Prediccin temp.arrabio.
.
E60
o
-5
4W
4)
600
650
-95-
Capitulo4Aplicaciones desarrolladasusandoLgica Borrosay RedesNeurona!es Se us tambin otra red para predecir la temperatura del arrabio. Se entren con 4.000 datos, y se valid con 1.000 datos. El regresor usado fue el siguiente:
(t)=
f (y
(t
),
1(t),
t)
(4.13)
_2([t(ta_t1)
Uj
tta2t
=
e2t_(t_t
t=ta 2t
donde: ti
t=
=
prediction HMT
Oxygen PCI
Ore/Coke rate
_______________
La estructura de la red neuronal se muestra en .la figura 4.15 Algunos de los resultados obtenidos se representan en las figuras(4.16) y (4.17)
-96-
100
00
2200
2300
2400
2500
2600
2700
100
o
-100 -l2000 2100 2200 2300 2400 2600 2600 2700
time(sarnples)
o
Prediction ErrorCv-yhat)
issoi
1500 1460 1400j
----
2000
2100
2200
2300
2400
2500
2500
270E
100
o
-100
1
2100 2200 2300 2400 2500 time(samples) 2600 270C Prediction Error (y-yhat)
2000
Figure 4.19.
-97-
Redes Neuronales
O!C
r4
Figura
4.20.
Este simulador proporciona una gua a los operadores de la planta para aconsej arles
sobre la tendenciade la temperaturadel arrabio. Se pueden modificar las variables de la entrada para ver el cambio de la temperaturadel arrabio. El simulador,basado en redes
-98-
CapituLo 4 Aplicaciones desarrolladas usandoLgica Borrosa y Redes Neuronales neuronales, muestra la tendencia de la temperatura del arrabio entradas. Los resultados aparecen en la figura 4.21. para cambios en las
Timo
(somploo)
Time (samples)
-99-
Capitulo 5Conclusiones
CAPTULO5 CONCLUSIONES
La presente tesis ha dado la oportunidad de probar un conjunto de diferentes tcnicas de Inteligencia Artificial, que han producido resultados muy novedosos. Los objetivos originales de la tesis fueron no slo la solucin de problemas de control especficos en el rea de la fundicin de hierro, sino que un objetivo ms importante y general fue la evaluacin de los posibles beneficios obtenidos por la
aplicacin de tcnicas matemticasnuevas.y prometedoraspara el apoyo y mejora del proceso de control. Desde este punto de vista, la tesis demuestra la importanciade considerar esas tcnicas como tcnicasclave que, de hecho, no pueden ser ignoradassi se desea alcanzar una significativamejora del control.Al mismo tiempo, esas tcnicas no son la panacea para cualquierproblema,de modoque una aplicacia ciegas de las mismaspuede llevar a una prdidade tiempoy a resultadospobres. La ausencia de una potente formulacin matemtica es el problema real en la aplicacin de las tcnicas de inteligencia artificial. En la actualidad,no hay teoremas capaces de indicar y apoyar al investigadordurante el desarrollode sistemas basados en redes neuronales. Este problema destaca el papel del investigadory su habilidad en el manejo y aplicacinde esos instrumentos matemticos. Finalmente, es interesante el resultado del desarrollode controladoresdinmicos del proceso en el Horno Alto que, en nuestra opinin es, uno de los objetivos ms atractivos y prometedores.
La experiencia presente debe ser considerada slo como exploradora, pero los alentadores resultadosabren el caminoa interesantesfuturosestudios para una aplicacin industrial real de control dinmico en bucles cerrados en Horno Alto, segn se detalla a continuacin. Tambin se han presentado las diversas mediciones realizadas en el horno alto y los modelos aplicados para valorar el estado del proceso. Se han identificado aquellas tcnicas que pueden ser consideradas ahora como bien establecidasy asentadas, comparadas con otras que todava deben ser probadas y mejoradas.
-lo-
CapituLo5 Conclusiones
FUTURO
Se sealan a continuacin prioridades para el trabajo futuro: los huecos que se deben rellenar y se sugieren
La composicinytemperaturadelasenlapartesuperior se han convertido en mediciones de rutina que no presentan problemas destacables y que dan informacin importante sobre el proceso. Las mediciones de la distribucindelacomposiciny
temperaturadelgasradial por medio de sondas por encima de la carga se utilizan
ampliamente. Sin embargo,sus resultados son mas bien tendenciosos,tanto ms cuanto mayor es la distanciaa la superficiede la carga. La utilizacinde sondasinclinadasreduce los errores, pero se considera que las sondas internas a las cargas dan a menudo resultados
mucho ms representativos
por radar o sensores de microondas se realizan en una cantidad limitada de hornos; combinadas con modelos de llenado de carga permiten un buen control sobre la distribucin de la carga.
Las mediciones
del perfildelacara-a
La monitorizacinde la velocidaddedescensodelacarga
mediante sondas de
nivel se puede realizar en prcticamente todos los hornos, aunque esas sondas dan solo
informacin parcial sobre el descenso de la carga que afectan de uno a cinco puntos seleccionados. A partir de las lecturas de esas sondas, se pueden computarvelocidadesde descenso de la carga locales, aunque los resultados de esos clculos no son completamente fiables. Las mediciones ms completas de la velocidad de descenso de la carga a lo largo del permetro del horno no han alcanzado todava el estatus de una medicin industrial fiable. Otras reas de futuras investigaciones son:
.
-102-
Capitulo 5 Conclusiones
slidas) u horizontalesslidas, que desciendencon la carga; sin embargo, debido a los elevados costes de operacin implicados, su aplicacin es muy limitada. Lo mismo sirve
para los muestreos de polvo a lo largo de la pared del horno. La aplicacin de redes neuronales para la evaluacin de los patrones de distribucin de calor por la pared se est poniendo a prueba en la actualidad; son necesarios ms trabajos destinados al desarrollo de una herramienta fiable para la deteccin precoz de la formacin de acreciones. Otras reas que requieren investigaciones son: e e
Capitulo 5 Conclusiones sido dotados de sondas muy caras para el muestreodeslidos,lquidosygases, mientras que en otros se han usado sondas mviles montadas en carritos dsplazables. Se han conseguido mediciones del tiempoderesidenciadel gas o de la permeabilidad delhombre
muertomediante inoculacinde helio en el horno o por inyeccin de helio a travs de sondas horizontales en la tobera. Se han realizado mediciones espordicas de la
profundidad del raceway, distribucin de temperaturas y la evolucin de la composicin del gas. Sin embargo, todava deben hacerse importantes esfuerzos para aclarar los siguientes
puntos:
La permeabilidaddel hombremuerto Lafrecuenciade renovacinde los materialesen el hombremuerto Lavariacinen la formay posicindel hombremuerto. El gradodecombustin del carbn y otros combustibles auxiliares en el raceway; La profundidaddelraceway duranteel funcionamiento del horno; Lapresindel gas a lo largodel radio del horno; Elmovimientodematerialen el raceway.
CRISOLDELHORNO
Y NAVEDE COLADA
del horno y su explotacin combinada con modelos matemticos para la evaluacin del perfildedesgaste del crisol se est convirtiendo en un trabajo de rutina; tambin se ha aplicado la resonancia acstica. La medicincontinuadelatemperaturadelmetalcaliente por medio de pirmetros de radiacin se est extendiendo tambin, mientras que la medida del nivel lquidoenelcrisol, generalmente por tcnicas EMF (electro motive forces), est todava en fase de prueba, aunque ya se ha instalado en varios hornos. En diversas ocasiones se han realizado medidas de la permeabilidad del crisol. No obstante, el crisol del horno es todava una zona en la que se conocen mal muchos fenmenos. En particular estn: las medidasdenivelporEMF fundamentos de esta medida; medidascontinuasdelatemperatura incluso aunque no se conozcan bien los del metalcaliente
-104-
Capitulo 5 Conclusiones
medidasdel vosor de lapared por mediodetcnicas deresonanciaacstica vaciamientodelacarca del crisol; flujodemetalenelcrisol
formacinde acreciones en el crisol;
volumen delasescorias
MODELOS
anlisisdeloscomponentes
principales en el crisol
modelosdetransferenciadecalor:
delasestufasdel
-105-
Bibliografa
BIBLIOGRAFA.
[1] Zadeh, L. A.; Fuzzy Sets; Informat. Control, g, pp. 338-353; 1965. [2] Zadeh, L. A.; Outline of a New Approach to the Analysis of Complex Systems and Decision Processes; IEEE Trans. On Systems, Man, and Cybem.;SMC-3,n 1, pp.2844, 1971. [3] Mandani,E. H.; Applications of Fuzzy Algoritms for Simple Dynamic Plant; Proc. IEEE, 121, no12, PP. 1585-1588, 1974. [4] Sugeno, M. y Nishida, M.;Fuzzy Control ofModelCar; FuzzySetsand Systems, 16,pp. 103-113, 1985. [5] Mendel, .Jerry M.; Fuzzy Logic Systems for Engineering: A Tutorial; The Math Works Inc. 1995 [6] Z adeh, L. A.; Fuzzy Logic; Computer, vol 1, n4, pp. 83-93, 1988. [7] Yager, R. y Zadeh, Lotfi A.; An Introduction to Fuzzy Logic Applications in Intelligent Systems, Kluwer Academic Publishers, 1992. [8] Jamshidi, Mohammad; Titli, Andr; Zadeh, Lotfi A. y Bovene, Serge; Applications of Fuzzy Logie. Towards High Machine Intelligence Quotient Systems, PrenticeHall, 1997. [9] Sugeno, M.; Industrial Applications of Fuzzy Control; Elsevier Science Pub. Co., 1985 [10] Dubois, D. y Prade, H.; Fuzzy Sets and Systems: Theory and Applications, Academic Press, Nueva York, 1980 [11] Trillas, E.; Conjuntos Borrosos; Editorial Vicens-Vives, Barcelona. [12] Jang, J.-S. R.; Sun, C.-T. y Mizutani, E.; Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence; Editorial PrenticeHall, Inc. 1997 [13] Zadeh, L. A.; The Concept of a Linguistic Variable and its Applications to Approximate Reasoning: Parts 1; InformationSciences,vol 8, pp. 199-249; Part II, Information Sciences, vol. 8, Pp. 301-357; Part III, Infonnation Sciences, vol. 9, pp. 43-80;1975.
[14] Yan,J.; Ryan, M. y Power, J.;UsingFuzzy Logic, Prentice-Hall International, 1994. [15] Garrido, Manuel; Lgica Simblica; Editorial Tecnos, S. A. 2 edicin 1991. [16] Zadeh, L. A.; Towarda Theory of fuzzy Systems Aspects of Network and System Theory, eds R. E. Kalman and N. DeClaris, New York: Rinehart and Winston, 1971. [17] Marndani E. H. y Assilian, S.; An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller mt.J. Man. Mach. Studies, 7, n 1, pp. 1-13, 1975. [18] Pedrycz, W.; An Identification Algorithm in Fuzzy RelationalSystems,Fuzzy Sets and Systems, 13, Pp. 153-167, 1984.
-107-
Bibliografia
J. E. Hayes,D. Michie,and L. 1.Mikulich.New York:Elsevier,pp. 149-194,1979: [20] Wang,Li-Xin;A Course in Fuzzy Systemsand Control,Prentice-HallInternational,
Inc. 1997. [21] Trillas, E. y Gutierrez Ros, J.; Aplicaciones de la Lgica Borrosa; Consejo Superior de InvestigacionesCientficas;Madrid, 1992
[22] Bezdek,J. C. y Pal, Sankar K.; Fuzzy Modeisfor PatternRecognition,IEEE Press, 1992.
[23] Wang, Li-Xin; Adaptive Fuzzy System and Control. Design and Stability Analisis, Prentice-Hall,Inc. 1994
[24] Takagi, T. y Sugeno, M.; Derivation of Fuzzy Control Rules from Yhuman Operators Control Actions Proc. IFAC Symp. Fuzzy Information, Knowledge Representation and Decision Analysis, Julio 1983 [25] Takagi, T. y Sugeno, M.; Fuzzy Identification of Systems and tis Applicationsto Modeling and Control; IEEE Transactionson Systems, Man, and Cybernetics, 15, pp. 116-132, 1985.
[26] Anderson, James A. y Rosenfeid, Edward, editores; Neurocomputing Foundations
of Research, MIT Press,Cambridge,MA, 1988. [27] Bentez, J.M.; Castro, J. L. y Requena, 1.; Las Redes Neuronales Artificiales son
Sistemas Difusos Aditivos, V Congreso Espaol sobre Tecnologa y Lgica Fuzzy
(ESTYLF95),pp. 327-329,Murcia,Septiembre1995. [28] Bezdek, J. C.; Pattern Recognition with Fuzzy Obtective Funtion Algorithms;
Pienum Press, New York, 1981 [29] Brown, Martin y Harris, Chris; Neurofuzzy Prentice-Hall International, 1994. Adaptive Modelling and Control,
[30] Cadenas,J. M.; Gmez-Skarmeta, A.; Camacho, A. M.; Fernndez, L. y Martn, F.; Una Aproximacin Sistemtica al tratamientode Conceptosy CantidadesDifusas, V Congreso Espaol sobre Tecnologa y Lgica Fuzzy (ESTYLF95),pp. 29-34, Murcia, Septiembre1995. [311 Chiu, S.; Fuzzy Model Identification Based on Cluster Estimation, Journal of Intelligent & Fuzzy Systems, vol. 2, n 3, Septiembre 1994.
[32] Falzetti, M.; Mochn, J. y Kumar, S.; Results and Perspectives of Using Artificial
Intelligence Techniquesin Blast Fumaces: The FANCIM Project; Application of Neural Network Systems in fue Steel Industry; ECSC Workshop; pp. 95104; Enero, 1998. [33] Freeman, J. A. y Skapura, D. M.; Redes Neuronales:Algoritmos, Aplicacionesy Tcnicas de Programacin; editorialAddison-Wesley/Diaz de Santos.
Artificial [34] Gulley, Ned y Jang, J.-S. Roger; Fuzzy Logic Toolbox for Use with MATLAB,The
Math Works,Inc., Enero 1995. [35] Gupta, M. M.; CognitiveInformationand Neural Computing Systems; Proc. of the 2uid Intl. Conf on Fuzzy Logie; pp. 649-652,Iizuka, Japn, 1992.
-108-
[36] Jang, J.-S. R.; ANFIS: Adaptive-Network-Based Fuzzy Inference Systems, IEEE Transactions on Systems, Man. and Cybemetics,vol. 23,no3, pp 665-685,Mayo
1993
[37] Jang, J.-S. R.; Fuzzy Modeling Using Generalized Neural Networks and Kaiman Filter Algorithm, Proc. of the NinthNationalConf. on ArtificialIntelligence(AAAI 91), pp. 665-685, Mayo 1993.
[38] Jang, J.-S. R.; Rule ExtractionUsing GeneralizedNeural NetworksProc. 4 IFSA World Congress;Julio, 1991. [39] Jang, J.-S. R.; Self-Learning Fuzzy Controllers Based on Temporal Back Propagation, JEBE Trans. on Neural Networks, vol. 3; no 5; pp. 714-723,
Septiembre 1992. [40] Jang, J.-S. R. y Sun, C.-T.; Neuro-Fuzzy Modeling and Control;The Proceedings of the IBEE, vol. 83; no 3; pp. 378-406, Marzo 1995. [41] Johnstone, S. y Taylor, A. O.; Application of Multivariate Statistical Methods to Blast Furnace Hearth Temperatures; Application of Artificial Neural Network
Systems in the Steel Industry;ECSC Workshop,pp. 69-91; Enero, 1998. [42] Krzanowski, W. J.; Principal Component Analysis in the Presence of Group Structure; Appl. Statist. 33, pp. 164-168;1984 [43] Wang, L.-X. y Mendel, J. M.; Back-PropagationFuzzy Systems as Nonlinear DynamicSystemsIdentifiers; Proceedingsof the IEEE InternationalConferenceon Fuzzy Systems, San Diego, Marzo1992.
[44] Wang, L.-X y Mendel, J. M.; Generating Fuzzy Rules by Learning from Examples, JEBE Transactions on Systems, Man. and Cybernetics,vol. 22, no 6, pp. 1414-1427,
1992. [45] Widrow, Bernard y Steams, Samuel D.; Adaptive Signal Processing, Signal
Processing Series, Prentice-Hall Englewood Cliffs, NJ, 1985. [46] Widrow, Bernard y Winter, Rodney; Neural Nets for Adaptive Filtering and
Adaptive PatternRecognition, Computer21(3): 25-39, Marzo 1988. [47] Yager, R. y Filev, D.; ApproximateClustering via the Mountain Method; JEBE
Transactions on Systems, Man and Cybemeties, 24: 1279-1284, 1994.
[48] Y ager, R. y Filev, D.; Generationof Fuzzy Rules by Mountain Clustering, Journal of Intelligent& Fuzzy Systems,vol 2, no 3, pp. 209-219, 1994. [49] Aranguren, F. y Mallol,A.; Siderurgia, EditorialDossat,S. A, pp. 26 1-376,1962. [50] Bendat, Julius S. y Piersol, Allan O.; Random Data: Analysis and Measurement Procedures, Wiley-Jnterscience, 1971 [51] Bezdek, J. C.; Fuzzy Mathematicsin Pattern ClassificationPhD thesis, Applied Math. Center,CornelIUniversity,Ithaca, 1973. [52] Delgado,M.; Gmez-Skarmeta, A. y Martn, F.; Un EnfoqueAproximativopara la Generacin de Reglas mediante Anlisis Cluster, V Congreso Espaol sobre Tecnologa y LgicaFuzzy (ESTYLF95), pp 43-47, Murcia,Septiembre1995. [53] Hamming,RichardW.; DigitalFilters.Prentice-Hall, EngelwoodCliffs,NJ, 1983.
-109-
Bibliografia
[54] Lee, C.-C.; A Self-learning Rule-Based Controller Employing Approximate Reasoning and Neural Net Concepts; mt. J. Intelligent Systems, vol. 5, no 3, pp. 7193, 1991. [55] Olmeda, Ignacio y Barba-Romero, Sergio; Redes Neuronales Artificiales: Fundamentos y Aplicaciones, Universidad de Alcal de Henares, Servicio de Publicaciones, pp. 6-12 y 139-162, 1993. [56] Zimrnermann, H. J.; Fuzzy Sets, Decision Making and Expert Systems;2 edicin,
of blast
furnace probe temperaturesusing neural networks. [60] N. J. Busby, T. A. T. Fray, and D. C. Goldring. Nature of cohesive zone in blast
fumace.
[61] Tchnical Report N 1, British Steel. July 1997. Intelligent Monitoring Systems for
Blast Furnace. [62] Hiroshi Saito, Yotaro Olmo, Yutuka yamada and Takori Takbe. Ironmaking Proceedings. AIME. Vol 45. 1986. Tbree dimensional analysisof cohesive zone in blast furnaceand its controlsyatem. [63] 1. Kobayashy, S. Inaba and M. Isobe. Ironmaking Proceedings. AIME. Vol 43. 1984. Application of Mathematical model estimatingcohesivezone in blast furnace. [64] YoshitakaSawa, Kanji Takeda and Seiji Tajuchi. Iron and Steel ResearchLabs. Kawasaki Steel Corporation. Mathematical modelling of blast furnace characterised by the preciselayer structure column. [65] Matti seppnen, RautaruukiOyj, Corporate R&D. Neural Network modellingfor blast furnace process. [66] 1. Kobayashi, 5. Inaba and M. Isobe. Central Research Laboratory. Kobe Steel. Blast furnacephenomena and modelling. [67] Mats Nikus and Henrik Saxn Process metallurgy. On- une model of gas distribution in the blast furnace. [68] TechnicalReport. CRM. 1997. Modelling of gas and char fiows at high PCI.
.
[69] H.W. Gudenau and K. Kreibich. Scandinavian Joumal of Metallurgy 11. 1982.
Saxn. Steel Research 67 (1996) 73-78. Interpretation of temperatures in the blast furnace using polynomial approximations.
Hnrik
probe
[71] Yudong Cai. Steel Research 65 (1994) N11, 485-487. Optimisation of BOFs
lining resistanceby applicationof artificialneural network. [72] Unesid 1998. La fabricacin del acero. [73] S. G. Peaceyand W. G. Davenport.El alto horno de hierro.Teora y Prctica.
[74] ISS Vo156.Chicago, IL 1997. Ironmaking conference proceedings.
-110-
[75] Agustn Martnez Menndez.Tesis Doctoral. Madrid 1993. Modelo para la automatizacin del clculo de las principales caractersticas de un horno alto.
[76] ECSC W orkshop. Brussels, 22 and 23 January 1998. Application. of Artificial
[77] MartinT. Hagan, Mark Beale,Howard B. Demuth.Neural Network Dessing. [78] Toronto, March 29 April 1981. Vol 40. Proceedingsof the 40 Ironrnaking
Conference. [79] Vol 17 Number 7. 1997. Transactions of the Iron and Steel Institute of Japan. [80] J. Sjberg, LinkSping University. 1994. Sorne examples on Identification with
artificialneural networks.
[84] K. Danirnert. 1991. New process control teehnology foriron making. [85] N.Kadaba, K. E. Nygard, P. L. Jueli. International Joint Conference on Neural Networks, Washington DC, USA. 1989. Modular back propagation neural
-
networksfor largedomain pattern classification. [86] M. Konishi, Y. Otsuka and M. Konishi. Third European Seminar on Neural
Computing, February 1990, The Market Place, London, UK. Application of neural network to operation guidance in blast furnace. [87] Julius S. Bendat& Allan (1. Piersol Random Data: Analysis andMeasurements Procedures Wiley-Interscience. [88] A. J. Morris & E. B. Martin Neural Networks
ECSC Workshop 1998 [89] II. Whittaker,M. Hartwig,M. Poschmann& A. SeeligerThe Use of Neural
Networks
[90] II. Whittaker, M. Hartwig, M. Poschmann & A. Seeliger The Use of Neural Networks iii BOS Process Modelling ECSCWorkshop 1998. [91] RafalZbikowski & Kenneth J. Hunt Neural AdaptiveControlTechnology World Scientific Series in Robotics and Intelligent Systern Vol.15 1996. [92] M. Norgaard Neural Network Based System Identification Toolbox Tech. Report 95-E-773,Department of Automation, Technical University of Denmark 1995.
[95] Jerry M. Mendel, Fuzzy Logic System for Engineering: A Tutorial, IEEE 1995.
-111
Bibliografia
[96] JamesC. Bezdek and SankarK. Pal, FuzzyModeis for Pattem Recognition,IEEE
Press, 1992. [97] M. Nagai, M. Saino, S. Tamura, K. Kaneda, K. Okabe, K. Fukutake and S. Taguchi. Proceedings of the 36 IronmakingConL, ISS AIME 1997.GO STOP system applied to blast furnace computer of Chiba works.
[98] H. Noei and J. Y. Quemeneur. International Neural Networks Conference. Paris, France, July 1990.NIIF: Location of thermal loss in blast furnace. [99] Alaliakoon, D., Halgamuge, S. K., Srinivasan, B. Dynamic self-organizing maps with 11,3,601.614,2000. [100] Atiya, A. F., EL- Shoura, S.M., Shaheen, S. 1., El-Sherif, M. Acomparison between
98-102, 1998.
[102] Bentez,J.,Castro, J., Requena,1. Are neural networksblack boxes?. IEEE Tran.On
Neural Networks,8 1156-1164,1197. [103] Figueiredo, M., Gomide, F. Design of fuzzy systems using neural networks. IEEE Trans. On NeuralNetwork,10,4,815-827,1999.
98, 1998.
[105] Gabrielli, A., Gandolfi, E. A fast digital fuzzy processor. IEEE Micro, Vol.9,n
1,1999.
[106] Granado,B., Lacassagne,L., Garda, P. Can general purpose microprocessors simulate neural networks in real-time? Actas del InternationalWork- Conferenceon Artificial and Natural Neural Networks, IWANN99, Alicante (Espaa), Junio 1999. LNCE
[110] Li.,H.X.,Chen,C.L.P. The equivalencebetween fuzzy logic systems and feedforward neural networks.IEEE Transactionson NeuralNetworks,ll,2,pp.356-365,2000.
[iii]
C. S. Neural Network Hardware. Leccin on-line, noviembre 1998 (http://wwwl .cern.ch!Neural Nets/nnwlnllepflard.html)
Lindsey,
[112] Martn de Bro ,B.,Medrano Marqus,N., Hemndez,S.A low-cost neuroprocessor board for emulating de SOFM Neural Model. 5 IEEE International Conference on Electronics, Circuitsand Systems, ICECS,98, Lisboa (Portugal), septiembre 1998.
-112-
Bibliografia
[113] Medrano Marques, N. Nuevas TcnicasHardware y Software para Anlisis de Datos con Redes Neuronales. Tesis Doctoral, Universidad de Zaragoza, mayo 1998. [114] Nelson, T., Kerridge,B. Neural networks evaluates noise in auto tape decks. Test & Measurement Europe, 33-37,abriil,1999.
[115] Passino,K., Yurkovich,S. Fuzzy Control.Addison-Wesley,1998. [116] Vapnik, y. M. An overview of StatisticalLearning Theory. IEEE Transactionson Neural Networks, lO,5,pp. 988-999,1999. [117] Vanto, J. SOM-based data visualization methods. IntelligentData Analysis,3,111126,1999. [118] Vesanto,J. Alhoniemi,E. Clustringof the self-organizing map. IEEE Transactions on NeuralNetworks,11,3,586-600,2000. [119] Hinne1, J. and II. Saxn (2001c) Estimatingthe burden distribution in the blast furnace with a hybrid model, Proceedingsof the 4th InternationalICSC Symposium on Soft Computingand Intelligent Systems for Industry, June 2001, Paisley,Scotland, U.K., pp. 88, CD pp. 49. [120] Pettersson,F. and H. Saxn (2001) A hybrid genetic algorithni for parametrie and structural learningin layeredneuralnetworks,submittedmanuscript. [121] Hhmelii, J. and H. Saxn (2001c) Estimating the burden distribution in the blast furnace with a hybrid model,Proceedingsof the 4 InternationalICSC Symposium on SoftComputingand IntelligentSystemsfor Industry,June 2001, Paisley,Scotland, U.K., pp. 88, CDpp. 49. [122] Nikus, M. (2001)A set of modeisfor on-lineestimationof burden and gas distribution in the blast fumace, doctoral thesis, Heat Engineering Laboratory, Abo Akademi University, Finland. [123] Pettersson, F., J. Hinneliland H. Saxn (2002) Blast fumace burden distribution modelling with an evolutionary neural network, accepted for International Conference on Advances in Materials and Materials Processing (ICAMMP-2002), February 2002,Kharagpur, India.
[124] Kitson, P. and Mochon,J. (2003)Optimizationof sinter plant operatingconditions and B.F. burdenmaterial resourcesusing advancedmultivariatestatistiesECSC 2003
proceeding. [125] Jimenez,J. (2004)Mathematical model of gas flow distributionin a scale model of B.F. ISIJ International. Vol 44 N3 (2004)March. [126] Obeso, F. (2004) B.F. Hot metal temperatureprediction through Neural Networks based modeis.ISIJ International. Vol 44 N3(2004)March.
-113-
D3
:
U
PRES?N
.PkP(
.
/E3ENTADA :-ft
PO
rRcGAOA
oos7f
I7TT.s.
Reunido
el a da la
presente
calificacin
AlcaldeHenares,
de
( 2
1
de2S
PRES NTE
SECRETARIO
Fd:
rs-
&7
Pdo.:
Fdo.:
EVOAL
Fdo.: