CN103842920A - 验证制造过程的过程参数的方法 - Google Patents
验证制造过程的过程参数的方法 Download PDFInfo
- Publication number
- CN103842920A CN103842920A CN201180073881.4A CN201180073881A CN103842920A CN 103842920 A CN103842920 A CN 103842920A CN 201180073881 A CN201180073881 A CN 201180073881A CN 103842920 A CN103842920 A CN 103842920A
- Authority
- CN
- China
- Prior art keywords
- procedure parameter
- parameter group
- group
- discarded object
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 196
- 230000008569 process Effects 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 43
- 239000010959 steel Substances 0.000 claims abstract description 43
- 238000005098 hot rolling Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 2
- 238000001816 cooling Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000005554 pickling Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000009749 continuous casting Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32091—Algorithm, genetic algorithm, evolution strategy
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32188—Teaching relation between controlling parameters and quality parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32201—Build statistical model of past normal proces, compare with actual process
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Abstract
本发明描述了一种验证制造过程的过程参数以预测废弃物的方法，特别是钢带的热轧过程以预测卷裂。提供存储有多组已知的过程参数的数据库，其中每组包括关于废弃物发生的信息以及应该用于制造的新的过程参数组。对该新的过程参数组进行处理以从数据库中存储的多组过程参数中找到相似的过程参数组，使得新的过程参数组组和相似的过程参数组满足一个或多个预定要求。从相似的参数组对关于废弃物发生的信息进行评估。对该信息进行处理以对新的过程参数组进行废弃物预测。
Description
技术领域
本发明涉及一种验证制造过程的过程参数以进行废弃物预测的方法。更具体地，本发明涉及一种验证钢带的热轧过程的过程参数以预测卷裂的方法。
背景技术
在以下描述中，参照钢带的热轧和酸洗制造过程。应理解，钢带的热轧过程仅仅是制造过程的示例。所描述的问题和所述问题的解决方案可以转移到具有废弃物的问题的任意制造过程。
在钢铁行业中，轧制是关键过程中的其中一种旨在利用通过一组辊施加的压力来减小板的厚度的过程。在热轧过程中，在熔炉中将钢加热至大约1.250℃。在熔炉中进行加热之后，在粗轧机和精轧机中对板进行轧制。所获得的钢带用水冷却。此后，卷绕冷却的钢带并将其存储在卷存储装置中以供最终冷却。接下来，再次展开成卷的钢带，在酸中蚀刻并再次卷绕。在轧制过程（卷绕并展开）期间，经常会出现各种表面缺陷。一种类型的缺陷是所谓的在展开期间发生的卷裂。具有卷裂的钢带经常不能再加工，因此成了废弃物。
典型地存在100多个管理轧制过程的过程参数。它们都可能潜在影响卷裂发生。因此，卷裂的确切原因是未知的。而且，两个钢带的过程参数可以非常相似。然而，在一种情况下存在卷裂，在另一种情况下不存在卷裂。
因此，在卷裂发生之前需要基于生产系统的当前过程参数来预测卷裂。此外，还需要确定发生卷裂的风险最小的过程参数的安全范围。在已知的解决方案中，在展开过程期间具有施加特殊支撑和/或统一的压力的机械装置。然而，此机械装置需要维护且使生产系统更复杂。
发明内容
因此，本发明的目的在于提供一种验证制造过程的过程参数以进行废弃物预测的方法。更具体地，本发明的目的在于提供一种验证钢带的热轧过程的过程参数以预测卷裂的方法。
这些目的利用根据权利要求1的特征的方法来实现。在从属权利要求中陈述了优选的实施例。
本发明提供一种验证制造过程的过程参数以预测废弃物的方法，特别是钢带的热轧过程以预测卷裂。设置其中存储有多组已知的过程参数的数据库，其中每组包括关于废弃物发生、特别是卷裂发生的信息。设置应该用于制造产品、特别是制造钢带的新的过程参数组。对新的过程参数组进行处理以从数据库中存储的过程参数组中找到相似的过程参数组，使得新的过程参数组和相似的过程参数组满足一个或多个预定要求。从相似的参数组对关于废弃物、特别是卷裂发生的信息进行评估。针对新的过程参数组对废弃物预测、特别是卷裂预测的信息进行处理。
根据本发明的方法是基于废弃物预测的机器学习方法。特别地，机器学习方法能够预测钢带热轧过程中出现的表面缺陷。根据本发明的方法使用其中存储有具有关于废弃物的信息的所有已知参数组的数据库（其也被称为案例库）。基于该知识，可通过参照过去的相似案例，即过程参数组来自动进行预测。
该方法特别可以适用于钢带热轧过程。然而，应理解，根据本发明的方法可以在任意制造过程中使用，在所述任意制造过程中必须控制许多不同的过程参数。该方法有助于减少废弃物。
根据优选的实施例，对新的参数组进行处理的步骤包括k最邻近（k-NN）算法的应用，其中预定要求是矩阵。k-NN算法根据现有技术是众所周知的并且可以用于相对于应该用于制造过程的新的过程参数组找到相似的过程参数组。k-NN算法对数据、即数据库中多组已知的过程参数中的噪声具有稳健性，并具有良好的自我更新能力。k-NN算法在数据库中搜索相似的过程参数，基于收到的结果，决定新的过程参数组是否可能导致缺陷。
进一步优选的是，对k-NN算法进行处理包括遗传优化相似度函数的应用。由k-NN算法使用的相似度函数可以利用确定参数的权重、即相似度函数的重要性的遗传算法来优化。据此，对于遗传优化相似度函数的应用，这组过程参数的至少一部分过程参数根据预定相关度信息利用因子进行加权。应用遗传优化过程有助于减少这组过程参数中的过程参数的量。通过应用遗传优化过程，可以在省略对废弃物来说不重要的那些过程参数的同时，找到缺陷信息的重要过程参数。因此，重要过程参数将接收相似度函数中的更大的权重以便使检索过程更有效。当前过程参数的来自k-NN算法的输出支持工厂人员参与当前的新的过程参数组的适用性的决策，该输出是废弃物的预测，特别是热轧过程中的卷裂预测。
在制造产品之后，确定制造的产品是否是废弃物。在制造钢带的情况下，在轧制钢带之后，确定钢带是否包括卷裂。应该理解的是，产品的制造、尤其是热轧过程只在废弃物预测为确定（positive）的时候才开始，这样即利用新的过程参数组不会产生废弃物。
根据进一步优选的实施例，新的过程参数组与关于废弃物、特别是卷裂发生的信息一起被添加到数据库中。优选为在确定废弃物的情况下、尤其是在卷裂的情况下将新的过程参数组添加至数据库中。
数据库中的信息由过程参数组和关于废弃物的对应的信息，即是否存在生产问题所组成。数据库允许确定废弃物、尤其是卷裂发生的风险最小的过程参数的安全范围。基于存储的过程数据组，创建决策树，特别是分类回归树（CART），决策树的每个节点预测每一个过程参数的安全范围。由于决策树的每个节点都包括关于废弃物的信息或者没有得出每一个过程参数的安全范围。可以基于离线状况下的数据库的信息来创建决策树。在新的过程参数组已经被添加到数据库中之后创建决策树。可选地，可以手动触发决策树。
根据进一步优选实施例，新的过程参数组选自过程参数的总数，其中该选择包括以下步骤：使用导致过程参数的数量减少的域知识来从过程参数的总数中丢弃第一数量的过程参数。将遗传算法应用于数量减少的过程参数以确定数量进一步减少的过程参数，该过程参数表示新过程参数组的。这个组包括最重要的过程参数，其参数值会影响废弃物。由于只处理那些具有关于废弃物的很大概率的过程参数，可强化对预测的处理。
根据以下描述及所附权利要求，本发明的其他方面及优点将变得明显。
附图说明
图1示出根据本发明的方法的示意图，
图2示出确定对废弃物具有最大影响的这些过程参数的过程的示意图。
具体实施方式
图1示出验证制造过程的过程参数以预测废弃物的方法的原理的示意图。以下实施例参照对热钢带的热轧过程的过程参数进行验证以预测卷裂。应理解的是，这仅仅是示例并且根据本发明的方法可以用于过程参数的验证可能有用的任意制造过程。
本发明利用机器学习方法来在线预测表面缺陷和离线确定导致在热轧钢中表面缺陷的风险最小的过程参数的安全范围。本方法利用数据库CB，其是案例库。数据库CB提供多组已知的过程参数，其中每个组包括关于卷裂发生的信息。这组过程参数例如可以由连铸参数、粗轧机座的热轧参数、精轧机座的热轧参数、钢带冷却的热轧参数、钢带成品参数、酸洗参数及仓库参数中的钢带冷却组成。
连铸参数可以由所处理的材料，比如碳、锰、硅、磷、硫等的质量分数、板的厚度、宽度、长度、重量及温度组成。粗轧机座的热轧参数可以由所需钢带成品厚度及宽度、第一机座中的钢带速度、第一机座的转矩、其他机座的功率、用于冷却工作辊的水的温度等组成。精轧机座的热轧参数可以由多个机座的钢带速度、各机座的平均轧制强度、机座的主驱动装置的平均电流及精轧机座之后的钢带温度组成。钢带冷却的热轧参数可以由启用的第一水冷却单元的数量、启用的水冷却单元的最小数量和最大数量及用于冷却钢带的水的温度组成。钢带成品参数可以由钢带长度、钢带厚度、钢带宽度、钢带卷绕温度、钢带横向多厚度（polythickness）、热轧段之后钢带重量及钢带平整度组成。酸洗参数可以由加强机的伸长率、酸洗线中的钢带速度、多个浴器中的溶液的平均温度及从钢带头部切割下来的多个切片组成。仓库参数中的钢带冷却可以由仓库中的冷却持续时间及仓库中的平均气温组成。应理解，上面提及的参数仅仅是示例。所考虑的参数可以根据各制造过程来选择。
在轧制钢带之前，必须针对制造过程计划过程参数。在步骤S1中，设置用于热轧过程的新的过程参数组。然而，此时，不清楚新的过程参数组是否会导致卷裂。因此，在第二步骤S2中，对新的过程参数组进行处理以从数据库CB中存储的过程参数组中找到相似的过程参数组，使得新组的过程参数与相似组的过程参数是相似的。
在所谓的在线预测环路中对新的过程参数组进行处理。该处理由应用具有遗传优化相似度函数的已知的k最邻近（k-NN）算法组成。k-NN算法在数据库CB中搜索相似的过程参数，基于检索的结果，决定新的过程参数是否可能导致缺陷。k-NN算法的优点是对数据中的噪声具有稳健性以及良好的自我更新能力。由k-NN算法使用的相似度函数利用确定参数的权重，即相似度函数的重要性的遗传算法来优化。遗传优化过程用于将对缺陷信息来说重要的这些过程参数与不重要的其他过程参数区别开来。因此，重要过程参数收到相似度函数中的更大权重以便使检索过程有效率。这是经由遗传优化来实现的。来自k-NN算法的输出支持新的过程参数组的参数适用性的决策。尤其地，k-NN算法的输出针对新过程参数给出卷裂的预测。
从过程参数的总量识别最相关的过程参数的过程由两个主要步骤组成并在图2中示出。在步骤S20中，设置可以用于热轧过程的所有过程参数。在第一主要步骤（S21）中，通过使用所谓的域知识（其被称为知识驱动的方法）来丢弃参数。此外，在第二主要步骤（S23）中，使用提及的遗传算法（被称为数据驱动的方法）来选择相关过程参数，从而得到数量减少的最终参数（S24）。
更具体地，创建所有可用参数的列表（S20）。例如，总共有70多个参数。这些参数可以由与三个主要操作对应的组来划分：连铸、热轧及酸洗。应理解，总参数的数量可以根据给出的示例而变化。此外，参数的总数可以被划分为不同数量的组。
在第一步骤（S21）期间，域知识用于丢弃最可能不会影响缺陷形成的这些参数。在这个步骤之后，保留数量减少的参数，其间存在重要参数以及不相关参数（S22）。
在第二步骤（S23）期间，将使用遗传算法。遗传算法是已知的优化技术，其被本领域技术人员所知并且可以很容易在文献中找到。假设存在包含不同的过程参数的记录以及是否存在表面缺陷的对应指示的数据集。遗传算法用于自动选择最后的重要的过程参数组（S24）。
对于所谓的遗传算法适应度函数，可以使用在具有留一验证技术的该数据集上运行的k-NN算法的分类精度。在k-NN算法中使用的距离矩阵是欧几里得矩阵。利用遗传算法得出的结果是每个权重与特定过程参数对应且尺度从0至1的权重向量。“0”的值意味着对应过程参数没有任何重要性。“1”的值指示极为重要。中间值（在0与1之间）指示某个中间重要性。由此，通过按递减序列对由此产生的权重进行排序并去除最小权重，可以确定最后的最重要的过程参数组。
最后的过程参数组将用于对新的过程参数组和存储在数据库中的已知的过程参数组进行处理的步骤。使用最重要的过程参数在找到存储在数据库CB中的最相似的已知过程参数组方面会取得快速且可靠的结果。
再次参照图1，当关于新的过程参数组的卷裂的预测（其是从来自已知的过程参数组（其是最相似的过程参数组）的关于卷裂的信息中提取的）是确定的时候，执行热轧过程（步骤S3）。在步骤S4中，验证预测。这意味着，将k-NN算法的预测与钢带的实际条件进行比较。如果预测表现出正确，则无需在案例库中进行改变。然而，应理解，新的过程参数组和关于卷裂的信息可以被存储在案例库，即数据库CB中。如果来自k-NN算法的输出是错误的，即尽管预测说明不会发生表面缺陷，但实际上可检测到卷裂或者表面缺陷，那么当前的过程参数组和关于表面缺陷的信息将与钢带的正确状态一起被添加到数据库CB中。这在步骤S5中完成，其中数据库被更新。
在线执行所描述的动作。该过程帮助工厂工程师实时防止卷裂。然而，对于人员来说了解卷裂发生的风险最小的过程参数的安全范围同样是重要的。该任务利用所谓的离线例程来实现。
数据库CB中的信息由过程参数记录组和对应的诊断，即是否存在卷裂组成，如上所述。在步骤S10中，基于离线状况下的数据库信息来创建决策树，特别是分类回归树（CART）。决策树创建可以手动触发或者在新案例已经被添加到数据库CB中时触发。根据决策树中的结果，可以很容易得出过程参数的安全范围，以提供单个过程参数的预测（步骤S11）。从步骤S11接收的信息可以用于确定所描述的方法的步骤S1的新的过程参数组的单个参数。因此，为在线例程提供步骤1中的新的过程参数组之前，实施步骤S10和S11可能是有用的。
所描述的方法的主要优点是自学能力。数据库信息通过添加新案例而自动维护。其他的优点为通过参照过去作为已知的过程参数组存储在数据库中的相似案例来解释预测的能力。决策树可以利用可以转换为规则组的离线例程来构建。这些规则的分析可以辅助工厂工程师发现卷裂和其他钢缺陷的根源。
Claims (10)
1.一种验证制造过程的过程参数以预测废弃物的方法，特别是钢带的热轧过程以预测卷裂，包括以下步骤：
-提供存储有多组已知的过程参数的数据库，其中每组包括关于废弃物发生的信息；
-提供应该用于制造的新的过程参数组；
-对所述新的过程参数组进行处理以从所述数据库中存储的多组过程参数中找到相似的过程参数组，使得所述新的过程参数组和所述相似的过程参数组满足一个或多个预定要求；
-从所述相似的参数组评估出关于所述废弃物发生的信息；
-对所述信息进行处理以对所述新的过程参数组进行所述废弃物预测。
2.根据权利要求1所述的方法，其中，对所述新的参数组进行处理的步骤包括应用k最邻近结点算法（k-NN），其中所述预定要求为度量标准。
3.根据权利要求2所述的方法，其中，对k最邻近结点算法进行处理包括遗传优化相似度函数的应用。
4.根据权利要求3所述的方法，其中，对于所述遗传优化相似度函数的应用，过程参数组的至少一部分过程参数根据预定相关度信息利用因子进行加权。
5.根据前述权利要求中任一项所述的方法，其中，在制造产品之后，确定该产品是否是废弃物。
6.根据前述权利要求中任一项所述的方法，其中，所述新的过程参数组与关于废弃物发生的信息一起添加到所述数据库中。
7.根据权利要求6所述的方法，其中，所述新的过程参数组在确定废弃物的情况下添加到所述数据库中。
8.根据前述权利要求中任一项所述的方法，其中，基于存储的过程数据组，创建决策树，特别是分类回归树（CART），所述决策树的每个节点预测每一个过程参数的安全范围。
9.根据权利要求8所述的方法，其中，在所述新的过程参数组添加至所述数据库中之后创建所述决策树。
10.根据前述权利要求中任一项所述的方法，其中，所述新的过程参数组选自过程参数的总数，其中该选择包括以下步骤：
-使用导致过程参数的数量减少的域知识从过程参数的总数中丢弃第一数量的过程参数；以及
-将遗传算法应用于数量减少的过程参数，以确定进一步减少的数量的过程参数，该过程参数表示所述新的过程参数组。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/RU2011/000746 WO2013048274A1 (en) | 2011-09-29 | 2011-09-29 | Method for verifying process parameters of a manufacturing process |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103842920A true CN103842920A (zh) | 2014-06-04 |
| CN103842920B CN103842920B (zh) | 2016-10-19 |
Family
ID=46000274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201180073881.4A Expired - Fee Related CN103842920B (zh) | 2011-09-29 | 2011-09-29 | 验证制造过程的过程参数的方法 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP2721453A1 (zh) |
| CN (1) | CN103842920B (zh) |
| WO (1) | WO2013048274A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112513755A (zh) * | 2018-06-14 | 2021-03-16 | 海斯坦普服务公司 | 工业过程的质量监控 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611221B (zh) * | 2016-12-21 | 2018-11-30 | 重庆大学 | 一种用于解决连铸机故障的炼钢-连铸重调度方法 |
| CN107730355A (zh) * | 2017-10-09 | 2018-02-23 | 深圳大学 | 一种余泥渣土的多方交换方法、装置及系统 |
| WO2020128573A1 (en) * | 2018-12-18 | 2020-06-25 | Arcelormittal | Method and electronic device for controlling a manufacturing of a group of final metal product(s) from a group of intermediate metal product(s), related computer program, manufacturing method and installation |
| JP7020500B2 (ja) * | 2019-02-07 | 2022-02-16 | Ｊｆｅスチール株式会社 | 予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置 |
| DE102020210967A1 (de) * | 2019-11-14 | 2021-05-20 | Sms Group Gmbh | Verfahren und System zur Optimierung eines Produktionsprozesses in einer Produktionsanlage der metallerzeugenden Industrie, der Nicht-Eisen-Industrie oder der Stahlindustrie zur Herstellung von Halbzeugen oder Fertigerzeugnissen, insbesondere zur Überwachung von Produktqualitäten von gewalzten oder geschmiedeten Metallerzeugnissen |
| CN117008480B (zh) * | 2023-09-28 | 2023-12-08 | 江苏甬金金属科技有限公司 | 结合应用场景的不锈钢产品自适应加工控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006085877A1 (en) * | 2005-02-09 | 2006-08-17 | Caterpillar, Inc. | Method of analyzing a product |
| US20060259176A1 (en) * | 2005-04-20 | 2006-11-16 | Omron Corporation | Manufacture condition setting system, manufacture condition setting method, control program, and computer-readable record medium recording control program therein |
| CN101221416A (zh) * | 2007-12-28 | 2008-07-16 | 东北大学 | 热轧过程在线计算板带温度的有限元方法 |
| CN101382798A (zh) * | 2008-09-27 | 2009-03-11 | 苏州有色金属研究院有限公司 | 单机架双卷取铝热轧机的过程设定方法 |
| CN101791631A (zh) * | 2010-02-10 | 2010-08-04 | 东北大学 | 一种钢铁企业加热炉与热轧生产作业集成控制方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0745916A1 (en) * | 1995-05-29 | 1996-12-04 | Siemens Aktiengesellschaft | Method and device for controlling a technical process |
| JP4693225B2 (ja) * | 2000-11-06 | 2011-06-01 | 株式会社東芝 | 製造ラインの自動品質制御方法及びその装置並びに記憶媒体、自動品質制御プログラム |
-
2011
- 2011-09-29 CN CN201180073881.4A patent/CN103842920B/zh not_active Expired - Fee Related
- 2011-09-29 EP EP11837306.7A patent/EP2721453A1/en not_active Withdrawn
- 2011-09-29 WO PCT/RU2011/000746 patent/WO2013048274A1/en active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006085877A1 (en) * | 2005-02-09 | 2006-08-17 | Caterpillar, Inc. | Method of analyzing a product |
| US20060259176A1 (en) * | 2005-04-20 | 2006-11-16 | Omron Corporation | Manufacture condition setting system, manufacture condition setting method, control program, and computer-readable record medium recording control program therein |
| CN101221416A (zh) * | 2007-12-28 | 2008-07-16 | 东北大学 | 热轧过程在线计算板带温度的有限元方法 |
| CN101382798A (zh) * | 2008-09-27 | 2009-03-11 | 苏州有色金属研究院有限公司 | 单机架双卷取铝热轧机的过程设定方法 |
| CN101791631A (zh) * | 2010-02-10 | 2010-08-04 | 东北大学 | 一种钢铁企业加热炉与热轧生产作业集成控制方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112513755A (zh) * | 2018-06-14 | 2021-03-16 | 海斯坦普服务公司 | 工业过程的质量监控 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2721453A1 (en) | 2014-04-23 |
| WO2013048274A1 (en) | 2013-04-04 |
| CN103842920B (zh) | 2016-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103842920A (zh) | 验证制造过程的过程参数的方法 | |
| Lopez et al. | The hot strip mill production scheduling problem: A tabu search approach | |
| US20210224755A1 (en) | Decision method of condition-based maintenance to power grid risk | |
| US9460133B2 (en) | Data management apparatus, data management method and data management program | |
| CN112839746B (zh) | 折叠产生预测系统 | |
| Jakubowski et al. | Roll wear prediction in strip cold rolling with physics-informed autoencoder and counterfactual explanations | |
| JP5821363B2 (ja) | 製品欠陥要因分析装置 | |
| JP2021089116A (ja) | 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法 | |
| CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
| CN111768080B (zh) | 一种在制产品完工进度的评估方法与系统 | |
| CN116414662B (zh) | 一种存储空间扩容提示方法、装置、电子设备及存储介质 | |
| JP2007157007A (ja) | 製造プロセス監視制御装置と監視制御方法及び記憶媒体 | |
| Lechwar et al. | Use of artificial intelligence in classification of mill scale defects | |
| Cmyrev et al. | Efficient and effective testing of automotive software product lines | |
| JP2984182B2 (ja) | 圧延工場の物流スケジューリング方法 | |
| CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
| KR102516612B1 (ko) | 금속 피가공재 제조 방법 | |
| JP5640362B2 (ja) | 冷間圧延機の制御装置 | |
| Tobon-Mejia et al. | CNC machine tool health assessment using dynamic bayesian networks | |
| Zhang et al. | Exergy-related Operating Performance Assessment for Hot Rolling Process Based on Multiple imputation and Multi-class Support Vector Data Description | |
| Dudek-Burlikowska | Monitoring of the production processing in a metallurgical company using FMEA method | |
| Ruiz-Sarmiento et al. | Data analysis of the hot rolling process in a stainless steel factory for predictive maintenance | |
| TWI770536B (zh) | 熱軋產品缺陷成因判斷方法及系統 | |
| Hu et al. | Case-based reasoning (CBR) model for ultra-fast cooling in plate mill | |
| JP6822390B2 (ja) | 厚鋼板の粗圧延時間算出方法、厚鋼板の粗圧延時間算出装置、及び厚鋼板の製造方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20160726 Address after: Germany Erlangen Applicant after: PRIMETALS TECHNOLOGIES GERMANY GMBH Address before: Munich, Germany Applicant before: Siemens AG |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161019 Termination date: 20170929 |