Development of Machine Learning Models to Identify the Source of Defects in Steel Slabs due to their Treatment in a Tunnel Furnace

En este Trabajo Fin de Máster, se emplean técnicas de Machine Learning en un sector (industria pesada) el cual, a primera vista parece que ya están todos los componentes bien optimizados, dando lugar a la idea de que hay poco espacio de mejora. Además dichas mejoras pueden resultar caras por el tamaño de máquinas e instalaciones empleadas, y por lo tanto inatractivas desde el punto de vista de los inversores.
Este trabajo forma parte de un proyecto de consultoría encargado a GHI Hornos Industriales S.L. por Arcelormittal Sestao S.L. subvencionado por el programa Hazitek, que aboga por el I+D+i en las empresas del País Vasco.
El objetivo de este trabajo era detectar qué elementos de un Horno Túnel (HT) de 187,2 metros de longitud, participante en el proceso de producción de planchones de acero son los principales causantes de defectos en los planchones de acero.
Para alcanzar este objetivo, primero se estudiaron los defectos que más ocurrían en esta planta para averiguar sus causas y poder ligarlas con el funcionamiento del HT. Los datos proporcionados por el cliente Arcelormittal estaban distribuidos en distintos archivos. La calidad y coherencia de los datos no era óptima, por lo que se invirtió una gran cantidad de tiempo limpiando y sincronizando observaciones. Una vez consolidados los datos, se realizó un extenso análisis exploratorio del HT para entender el proceso y hacer una primera criba de variables significantes a utilizar en los modelos.
Luego, se entrenaron distintos tipos de modelos de clasificación con la finalidad de evaluar sus precisiones clasificando y los cálculos implícitos de las importancias de las varibles.
No se pudieron obtener conclusiones ni soluciones evidentes dado el pobre rendmiento de los modelos. Se argumenta la falta de variables relevantes y de sensores que podrían haber aportado información de mayor utilidad. Sin embargo, sí que se hacen algunas sugerencias para mejorar el funcionamiento, basadas en la delicada interpretación de los resultados.
Finalmente se realiza un estudio conciso del impacto económico de este proyecto, demostrando un importante beneficio obtenido por parte del cliente, Arcelormittal.

In this Thesis, Machine Learning is applied to a sector (heavy industry) which seems already consolidated and that at a first glance someone would imagine it is not necessary for the small space of amelioration that it has. In addition, the improvement from applying these techniques may result unattractive due to the important investment any upgrade in this sector require (larger machines and installations will have greater costs). The Thesis is done as part of an advisor project commissioned to `GHI Hornos Industriales' by Arcelormittal Sestao.
The objective of this thesis is to detect which elements in a 187,2 metre long Tunnel Furnace (TF) are causing defects on the steel slabs that must go through the furnace in a real secondary steel manufacturing process with the use of Machine Learning techinques.
To accomplish the objective, first the most common defects were studied to find probable causes. Data was provided by the client Arcerlormittal in different files. Quality and coherence of the data was not the optimal, making cleaning and synchronisation of data an arduous task.
Once the whole dataset was consolidated, an extensive exploratory analysis of the Tunnel Furnace was performed to understand the process and make a preliminary feature selection.
ML was then applied by fitting different type of classification models, evaluating their accuracy and then calculating each predictor's importance within the classifier.
Direct and definite findings and solutions were difficult to obtain due to the inaccurate and ineffective fitted models. Missing relevant sensors in the TF to capture important features are specially accounted for.However, suggestions on possible improvements were made, basing them on assumptions coming from the delicate interpretation of the results.
A compact study on the economic impact of this project was also achieved, demonstrating an expected substantial profitability of Arcelormittal.