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:
Procedimientos para la gestión de requisitos en el SCADA SAINUX
Artículo:
Interpolación de flujos transónicos mediante un método de descomposición ortogonal adecuado
Artículo:
Sistemas de reconocimiento de madera e inspección de calidad por imagen
Artículo:
Control robusto para canales laterales y longitudinales de helicópteros no tripulados de pequeña escala
Artículo:
Análisis de vibración libre de palas sándwich pretorsionadas y funcionalmente graduadas en rotación
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.