Modelo predictivo de control en fundiciones de alta precisiónun nuevo enfoque para la fase de predicción

  1. J. Nieves 1
  2. I. Santos 1
  3. P.G. Bringas 1
  1. 1 Universidad de Deusto
    info

    Universidad de Deusto

    Bilbao, España

    ROR https://ror.org/00ne6sr39

Revista:
Revista de metalurgia

ISSN: 0034-8570

Any de publicació: 2011

Volum: 47

Número: 4

Pàgines: 341-354

Tipus: Article

DOI: 10.3989/REVMETALM.1059 DIALNET GOOGLE SCHOLAR lock_openAccés obert editor

Altres publicacions en: Revista de metalurgia

Resum

Un Modelo Predictivo de Control (MPC) es un sistema que permite llevar a cabo el control de una planta de producción. Gracias a este tipo de sistemas es posible realizar una producción que se aproxime al �cero defectos�. Para poder desempeñar su labor fundamental, este tipo de sistemas se compone de varias fases o etapas. Una de las más importantes es la fase que permite predecir la situación en la que se va a encontrar la planta en un momento dado. La mayoría de los avances realizados en este campo han estado ligados a los MPC lineales, a pesar de que el proceso que se intenta representar no lo sea. Así, en este artículo, se presentan varios experimentos que permiten demostrar que la etapa de predicción, habitualmente representada por una única función matemática, puede ser representada mediante modelos de aprendizaje automático.

Referències bibliogràfiques

  • [1] A. Lazaro, I. Serrano, J. P. Oria, y C. de Miguel. Proc. AMC. Coimbra, Portugal, IEEE Standards Office, Cambridge, MA, EE.UU., pp. 653-658.
  • [2] P. Zhang, Z. Xu, y F. Du, Proc. ICNC, IEEE Computer Society, Los Alamitos, CA, EE.UU., 2008, pp. 545-548.
  • [3] M. Perzyk y A. Kochanzski, P. I. Mech. Eng. B-J. Eng. 217 (2003) 1.279-1.284.
  • [4] H. Bhadeshia, ISIJ Int. 39 (1999) 966-1.000.
  • [5] R. Gonzaga-Cinco y J. Fernández-Carrasquilla, Rev. Metal. Madrid 42 (2006) 91-102.
  • [6] C. W. Lung y N. H. March, Mechanical Properties of Metals: Atomistic and Fractal Continuum Approaches, Ed. World Scientific Pub Co Inc, Singapur, 1999, pp. 43-110.
  • [7] M. Morari y J. H. Lee, Comput. Chem. En. 23 (1997) 667-682. http://dx.doi.org/10.1016/S0098-1354(98)00301-9
  • [8] S.J. Qin y T.A. Badgwell, Prog. Syst. C. 26 (2000) 369-392.
  • [9] S.J. Wright, Proc. CPC-5, vol. 93, Tahoe, J.C. Kantor, C.E. Garcia, y B. Carnahan (Eds.), American Institute of Chemical Engineers, Nueva York, EE.UU., 1997, pp. 147-155.
  • [10] M. Morari y J.H. Lee, Proc. CPC-4, 1991, Padre Island, Texas, EE.UU., Y. Arkun, y W. H. Ray (Eds.), Elsevier, Amsterdam, Holanda, 1991, pp. 419-444.
  • [11] K.R. Muske y J.B. Rawlings, AIChE. J. 2 (1993) 262-287. http://dx.doi.org/10.1002/aic.690390208
  • [12] B. Froisy. ISA T. 33 (1994) 235-243. http://dx.doi.org/10.1016/0019-0578(94)90095-7
  • [13] D. W. Clarke, C. Mohtadi y P. S. Tuffs, Automatica 2 (1987) 137-148. http://dx.doi.org/10.1016/0005-1098(87)90087-2
  • [14] R. Kohavi. Int. Joint Conf. Artif. (1995) 1.137- 1.143.
  • [15] G. F. Cooper y E. Herskovits, Proc. UAI, Los Angeles, B. D. D'Ambrosio, P. Smets, P. P. Bonissone (Eds.) Morgan Kaufman Publishers Inc., San Francisco, EE.UU. 1991, pp. 86-94.
  • [16] S. J. Russell y Norvig. Artificial Intelligence: A Modern Approach, Ed. Prentice Hall, Upper Saddle River, NJ, EE.UU., 2003, pp. 126-129.
  • [17] D. Geiger, M. Goldszmidt, G. Provan, P. Langley y P. Smyth, Mach. Learn. 2 (1997) 131-163.
  • [18] B. Üstün, W.J. Melssen y L.M.C. Buydens. Anal. Chim. Acta, 595 (2007) 299-309.
  • [19] L. Breiman. Mach. Learn. 45 (2001) 5-32. [20] P. Larrañaga, J. Sertucha, y R. Suárez, Rev. Metal. Madrid 42 (2006) 244-255.
  • [21] J. Sertucha, R. Suárez, J. Legazpi, y P. Gacetabeitia, Rev. Metal. Madrid 43 (2007) 188-195.
  • [22] T. Bayes, Philos. Trans. R. Soc. 53 (1763) 370-418. http://dx.doi.org/10.1098/rstl.1763.0053
  • [23] E. Castillo, J. M. Gutiérrez y A. S. Hadi, Expert Systems and Probabilistic Network Models. Ed. Springer, New York, EE.UU., 1996, pp. 69-534.
  • [24] J. Pearl, Handbook of brain theory and neural networks, M. Arbib (Ed), MIT Press, Cambridge, MA, EE.UU., pp. 149-153
  • [25] E. Fix y J. L. Hodges, Discriminatory analysis: Nonparametric discrimination: Small Sample performance, Technical Report Project 21-49- 004, Report Number 11, USAF School of Aviation Medicine, Randolf Field, Texas, EE.UU., 1952.
  • [26] C. M. Bishop, Neural Networks for Pattern Recognition, Ed. Oxford University Press, Oxford, UK, 1995, pp. 225-283.
  • [27] D. Michie y D. J. Spiegelhalter, Machine learning, neural and statistical classification, Ed. Ellis Horwood, Upper Saddle River, NJ, EE.UU., 1994, pp. 84-124.
  • [28] V. N. Vapnik, The nature of statistical learning theory, Ed. Springer, New York, EE.UU., 1995, pp. 156-167.
  • [29] T. Peng, W. Zuo y F. He, Knowl. Inf. Sys. 3 (2008) 281-301. http://dx.doi.org/10.1007/s10115-007-0107-1
  • [30] J. R. Quinlan, Mach. Learn. 1 (1986) 81-106.
  • [31] L. Breiman, Mach. Learn. 1 (2001) 5-32. http://dx.doi.org/10.1023/A:1010933404324
  • [32] S.R. Garner, Proc. de la New Zealand Computer Science Research Students Conference, Nueva Zelanda, 1995, pp. 57-64.
  • [33] Y. K. Penya, P. G. Bringas y A. Zabala, Proc. INDIN-6, Daejon, Corea, 2008, pp. 1.673-1.677.
  • [34] P. Spirtes, C. Glymour y R. Scheines, Causation, Prediction, and Search, Ed. MIT Press, Cambridge, EE.UU., 2001, pp. 73-156.
  • [35] U. B. Kjaerulff y A. L. Madsen, Bayesian Networks and Influence Diagrams: A Guide to Construction and Analysis. Information Science and Statistics, Ed. Springer, New York, EE.UU., 2008, pp. 241-245.
Fuente de los datos: Dialnet