En este trabajo presentamos la aplicación de técnicas de minería de datos para desarrollar una "cerradura artificial" para el skin-pass en un intento de solucionar un problema que puede surgir durante el proceso de fabricación del galvanizado: el etiquetado erróneo del grado de acero de una bobina. Para detectar estos errores y evitar así que bobinas con propiedades diferentes a las esperadas acaben en manos de un cliente, proponemos modelos basados en redes neuronales para predecir en línea el alargamiento de la banda en la sección skin-pass en función de las condiciones de fabricación y de su composición química. Así, una diferencia significativa entre el alargamiento estimado y el medido significaría que la bobina debe retirarse de la línea para realizar nuevos análisis.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Novedoso enfoque del control previo para una clase de sistemas de tiempo continuo
Artículo:
Optimización del rendimiento y verificación de un nuevo tipo de panel solar para microsatélites
Artículo:
Análisis de fallos en el orificio del pistón combinado para el motor aeronáutico
Artículo:
Análisis de la resistencia de la estructura térmica de la tobera del motor de cohete sólido con el algoritmo acoplado
Artículo:
Mediciones de desplazamiento en campo completo de las palas de los rotores de los helicópteros mediante estereofotogrametría
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.