Este documento presenta (a) un novedoso método de aprendizaje híbrido para entrenar sistemas lógicos difusos de tipo 1 de intervalo no singleton de tipo 3 (IT3 NSFLS-1), (b) un método innovador, llamado Wagner-Hagras mejorado (EWH) aplicado a sistemas difusos IT3 NSFLS-1, que incluye la salida nivel alfa 0 para calcular la salida alfa utilizando el promedio de las salidas alfa en lugar de su promedio ponderado, y (c) la nueva aplicación de la metodología propuesta para resolver el problema de predicción de la temperatura de la superficie de la barra de transferencia en un laminador de bandas calientes. El desarrollo de la metodología propuesta utiliza el método de mínimos cuadrados ortogonales (OLS) para entrenar los parámetros consecuentes y el método de retropropagación (BP) para entrenar los parámetros antecedentes. Esta metodología cambia dinámicamente los parámetros solo del nivel alfa 0, minimizando algunas funciones de criterio a medida que nueva información está disponible para cada nivel alfa. Los conjuntos precursor son conjuntos difusos de tipo 2, los conjuntos consecuentes son centroides difusos, las entradas son números difusos de tipo 1 no singleton con desviaciones estándar inciertas, y las funciones de membresía secundarias se modelan como dos gaussianas con desviación estándar incierta y la misma media. Basándose en el conjunto de disparo del nivel alfa 0, la metodología propuesta calcula cada conjunto de disparo de cada nivel alfa para construir y actualizar dinámicamente el sistema propuesto EWH IT3 NSFLS-1 (OLS-BP). El sistema difuso mejorado propuesto y el algoritmo de aprendizaje híbrido propuesto se aplicaron en una instalación de laminación en caliente para predecir la temperatura de la superficie de la barra de transferencia en la zona de entrada del laminador de acabado utilizando, como entradas, (1) la temperatura superficial medida por el pirómetro ubicado en la salida del laminador de desbaste y (2) el tiempo necesario para trasladar la barra de transferencia desde la salida del laminador de desbaste hasta la entrada del desescamador del laminador de acabado. Se utilizaron varias herramientas difusas para realizar las composiciones de referencia: sistemas lógicos difusos singleton de tipo 1 (T1 SFLS), sistemas de inferencia difusa de red adaptativa de tipo 1 (T1 ANFIS), redes neuronales de función de base radial de tipo 1 (T1 RBFNN), sistemas lógicos difusos singleton de intervalo (IT2 SFLS), sistemas lógicos difusos de tipo 1 de intervalo no singleton (IT2 NSFLS-1), ANFIS de tipo 2 (IT2 ANFIS), IT2 RBFNN, sistemas lógicos difusos singleton generales de tipo 2 (GT2 SFLS), sistemas lógicos difusos de tipo 1 no singleton generales de tipo 2 (GT2 NSFLS-1), sistemas lógicos difusos de intervalo singleton de tipo 3 (IT3 SFLS) y sistemas lógicos difusos de tipo 3 de intervalo no singleton (IT3 NSFLS-1). Los experimentos muestran que el sistema EWH IT3 NSFLS-1 (OLS-BP) propuesto presentó una capacidad superior para aprender el conocimiento y predecir la temperatura de la superficie con un menor error de predicción.