Previsão do nível de retrabalho da desempenadeira a quente por meio de redes neurais artificiais.

Abstract

A laminação de chapas grossas transforma as placas recebidas da Aciaria em chapas de aço para diversos tipos de aplicação. Para isso, são utilizados diversos processos e equipamentos de alta precisão para a obtenção de produtos com controles rigorosos de dimensões, forma e propriedades mecânicas. Nesse sentido, a desempenadeira a quente tem papel fundamental na correção de defeitos de planicidade que ocorrem no processo de laminação, reduzindo o retrabalho na desempenadeira a frio. Entretanto, atualmente, a operação da desempenadeira a quente é realizada por meio de tabelas de ajuste que exigem atualizações periódicas para a melhoria no acerto da planicidade. Visando melhorar esse processo, o presente trabalho propôs a aplicação de uma Rede Neural Artificial (RNA) Multilayer Perceptron (MLP), na previsão da utilização da desempenadeira a frio, que tem a função de corrigir a planicidade das chapas processadas na desempenadeira a quente. Para o desenvolvimento deste trabalho criou-se um banco de dados histórico envolvendo os materiais processados e a classificação dos acertos da planicidade, levando em consideração as observações de qualidade superficial, dimensões, temperatura do material e desvio para a desempenadeira a frio. Ademais, como o ritmo de produção pode restringir o tempo de desempeno, o banco de dados ficou restrito a materiais que necessitaram de somente um passe para atingir os resultados esperados de planicidade. Como a quantidade de amostras da base de dados se diferenciava entre as classes, técnicas de balanceamento foram empregadas. O modelo de previsão de retrabalho, utilizando a rede MLP e a técnica de oversampling SMOTE-Tomek, obteve desempenho acima de 97% de acurácia e f1-score, tanto para a predição de chapas com retrabalho quanto para a predição de chapas sem retrabalho. Desta forma, o uso do sistema desenvolvido nesse trabalho pode ser indicado aos especialistas da área de laminação de chapas grossas na tratativa de controle do processo de desempeno permitindo ajustes mais precisos na correção de planicidade dos produtos.