CN114144738A - 品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置 - Google Patents
品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置 Download PDFInfo
- Publication number
- CN114144738A CN114144738A CN202080051295.9A CN202080051295A CN114144738A CN 114144738 A CN114144738 A CN 114144738A CN 202080051295 A CN202080051295 A CN 202080051295A CN 114144738 A CN114144738 A CN 114144738A
- Authority
- CN
- China
- Prior art keywords
- metal material
- quality
- quality prediction
- prediction model
- model generation
- 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.)
- Pending
Links
- 239000007769 metal material Substances 0.000 title claims abstract description 170
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 131
- 238000003860 storage Methods 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 238000012628 principal component regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 42
- 239000000463 material Substances 0.000 description 31
- 239000000047 product Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 239000010960 cold rolled steel Substances 0.000 description 8
- 238000001816 cooling Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 238000000137 annealing Methods 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000005097 cold rolling Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000005098 hot rolling Methods 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910001335 Galvanized steel Inorganic materials 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000008397 galvanized steel Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007747 plating Methods 0.000 description 2
- 238000005275 alloying Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005499 meniscus Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000009628 steelmaking 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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], computer integrated manufacturing [CIM]
-
- 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], computer integrated manufacturing [CIM]
- G05B19/41885—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], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
-
- 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], 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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0221—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the working steps
- C21D8/0226—Hot rolling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D8/00—Modifying the physical properties by deformation combined with, or followed by, heat treatment
- C21D8/02—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips
- C21D8/0221—Modifying the physical properties by deformation combined with, or followed by, heat treatment during manufacturing of plates or strips characterised by the working steps
- C21D8/0236—Cold rolling
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/46—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for sheet metals
-
- 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
- G05B2219/32194—Quality prediction
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45234—Thin flat workpiece, sheet metal machining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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]
Abstract
本发明的品质预测模型生成方法为经过一个或多个工序制造的金属材料的品质预测模型生成方法,该品质预测模型生成方法包含:第一收集步骤,其针对预先决定的金属材料的每个规定范围,收集各工序的制造条件;第二收集步骤,其针对每个所述规定范围,评估并收集经过各工序制造的金属材料的品质;保存步骤,其针对每个规定范围,将各工序的制造条件、与在该制造条件下制造的金属材料的品质建立关联地进行保存;以及模型生成步骤,其根据已保存的各工序中的每个规定范围的制造条件,生成对金属材料的每个规定范围的品质进行预测的品质预测模型。
Description
技术领域
本发明涉及品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置。
背景技术
作为预测针对任意的要求条件的品质的方法,例如公知有如下方法:计算储存于实绩数据库的过去的多个观测条件与所希望的要求条件之间的距离,并根据计算出的距离来计算观测数据(实绩数据)的权重,根据计算出的权重制成拟合要求条件附近的函数,使用所制成的函数预测针对要求条件的品质的方法(例如参照专利文献1~8)。
专利文献1:日本特开2004-355189号公报
专利文献2:日本特开2006-309709号公报
专利文献3:日本特开2008-112288号公报
专利文献4:日本特开2009-230412号公报
专利文献5:日本特开2014-013560号公报
专利文献6:日本特开2014-071858号公报
专利文献7:日本特开2014-071859号公报
专利文献8:日本特开2017-120638号公报
在专利文献1~8所公开的方法中,根据储存于实绩数据库的数据计算针对任意的要求条件的品质。在该实绩数据库中储存有多个制造条件的实绩值、和在这些制造条件下制造出的金属材料的品质的实绩值,但这些制造条件以及品质对一种金属材料,分别储存一个平均值等代表值。
另一方面,各工序的制造条件的实绩值通过传感器沿金属材料的长边方向被详细收集。然而,在现有技术中,这样详细收集的制造条件的实绩值未被有效运用,因此金属材料的品质的预测精度的提高有限。
发明内容
本发明是鉴于上述情况而做出的,其目的在于提供能够高精度地预测针对任意的制造条件的品质的品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置。
为了解决上述的课题,实现目的,本发明所涉及的品质预测模型生成方法为经过一个或多个工序制造的金属材料的品质预测模型生成方法,该品质预测模型生成方法包含:第一收集步骤,其针对预先决定的上述金属材料的每个规定范围,收集各工序的制造条件;第二收集步骤,其针对每个上述规定范围,评估并收集经过上述各工序制造的上述金属材料的品质;保存步骤,其针对每个上述规定范围,将上述各工序的制造条件、与在该制造条件下制造的上述金属材料的品质建立关联地进行保存;以及模型生成步骤,其根据已保存的上述各工序中的每个上述规定范围的制造条件,生成对上述金属材料的每个上述规定范围的品质进行预测的品质预测模型。
另外,本发明所涉及的品质预测模型生成方法构成为,在上述发明中,上述规定范围基于上述各工序中的与搬运方向对应的上述金属材料的移动距离而决定。
另外,本发明所涉及的品质预测模型生成方法构成为,在上述发明中,包含第三收集步骤,该第三收集步骤在上述保存步骤之前,收集上述各工序中的上述金属材料的头尾端的对调的有无、上述各工序中的上述金属材料的表背面的对调的有无、以及上述各工序中的上述金属材料的切断位置中的至少一个以上,上述保存步骤考虑上述各工序中的上述金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置的至少一个以上,而确定上述规定范围,并针对每个上述规定范围,将上述各工序的制造条件、与在该制造条件下制造的上述金属材料的品质建立关联地保存。
另外,本发明所涉及的品质预测模型生成方法在上述发明中,在经过上述各工序而使得上述金属材料的形状变形的情况下,上述保存步骤评估从上述金属材料的前端起算的体积而确定上述规定范围,并针对每个上述规定范围,将上述各工序的制造条件、与在该制造条件下制造的上述金属材料的品质建立关联地进行保存。
另外,本发明所涉及的品质预测模型生成方法在上述发明中,上述模型生成步骤使用包含线性回归、局部回归、主成分回归、PLS回归、神经网络、回归树、随机森林、XGBoost在内的机器学习而生成上述品质预测模型。
为了解决上述课题,实现目的,本发明所涉及的品质预测模型通过上述的品质预测模型生成方法而生成。
为了解决上述课题,实现目的,本发明所涉及的品质预测方法使用通过上述的品质预测模型生成方法而生成的品质预测模型,针对每个规定范围预测在任意的制造条件下制造的金属材料的品质。
为了解决上述课题,实现目的,本发明所涉及的金属材料的制造方法固定在制造中途已确定的制造条件,通过上述的品质预测方法,针对每个固定范围预测在上述已固定的制造条件下制造的金属材料的品质,并基于该预测结果,变更之后的工序的制造条件。
另外,本发明所涉及的金属材料的制造方法在上述发明中,上述制造条件的变更以使遍及将要制造的金属材料的总长地包含的全部的每个上述规定范围的品质落入预先决定的管理范围内的方式进行变更。
为了解决上述课题,实现目的,本发明所涉及的品质预测模型生成装置为经过一个或多个工序制造的金属材料的品质预测模型生成装置,该品质预测模型生成装置具备以下单元:针对预先决定的上述金属材料的每个规定范围,收集各工序的制造条件的单元;针对每个上述规定范围,评估并收集经过上述各工序制造的上述金属材料的品质的单元;针对每个上述规定范围,将上述各工序的制造条件、与在该制造条件下制造的上述金属材料的品质建立关联地进行保存的单元;以及根据已保存的上述各工序中的每个上述规定范围的制造条件,生成对上述金属材料的每个上述规定范围的品质进行预测的品质预测模型。
为了解决上述课题,实现目的,本发明所涉及的品质预测装置使用通过上述的品质预测模型生成装置而生成的品质预测模型,针对每个规定范围预测在任意的制造条件下制造的金属材料的品质。
根据本发明,通过生成将各工序的制造条件、与该制造条件下制造的金属材料的品质针对每个规定范围建立关联的品质预测模型,能够比以往高精度地预测针对任意的制造条件的金属材料的品质。
附图说明
图1是表示本发明的实施方式所涉及的品质预测模型生成装置以及品质预测装置的结构的框图。
图2是表示本发明的实施方式所涉及的品质预测模型生成方法以及品质预测方法的流程的流程图。
图3是表示在本发明的实施方式所涉及的品质预测模型生成方法中,通过制造实绩收集部11收集到的实绩数据的一个例子的图。
图4是表示在本发明的实施方式所涉及的品质预测模型生成方法中,通过制造实绩编辑部12编辑的实绩数据的一个例子的图。
图5是表示在本发明的实施方式所涉及的品质预测模型生成方法中,经过多个工序制造金属材料的情况下的一个例子的图。
图6是表示在本发明的实施方式所涉及的品质预测模型生成方法中,各工序中的金属材料的一个例子的图。
图7是表示在本发明的实施方式所涉及的品质预测模型生成方法中,通过综合工序实绩编辑部编辑的实绩数据的一个例子的图。
图8是示意性地表示以往以及本发明的实绩数据库的结构的图。
图9是表示在高加工性高强度冷轧钢板的抗拉强度的预测中,以往方法以及本发明方法的预测误差的图。
图10是表示在厚钢板的表背面硬度的预测中,以往方法以及本发明方法的预测误差的图。
图11是表示在热浸镀锌钢板的表背面瑕疵的预测中,以往方法以及本发明方法的误答率的图。
具体实施方式
参照附图,对本发明的实施方式所涉及的品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置进行说明。
参照图1对本实施方式所涉及的品质预测装置以及品质预测模型生成装置的结构进行说明。品质预测装置是用于预测经过一个或多个工序(程序)制造的金属材料的品质的装置。此外,作为本实施方式中的金属材料,例如为钢铁产品,可列举板坯等半成品、将该板坯轧制而制造成的钢板等产品。
品质预测装置1具体而言通过个人计算机、工作站等通用的信息处理装置来实现,例如将由CPU(Central Processing Unit)等构成的处理器、由RAM(Random AccessMemory)、ROM(Read Only Memory)等构成的存储器(主存储部)等作为主要构成部件。
如图1所示,品质预测装置1具备制造实绩收集部11、制造实绩编辑部12、头尾端对调实绩收集部13、表背面对调实绩收集部14、切断实绩收集部15、综合(integrated)工序实绩编辑部16、实绩数据库17、模型生成部18、以及预测部19。此外,本实施方式所涉及的品质预测模型生成装置由品质预测装置1中的除了预测部19以外的构件构成。以下,在品质预测装置1的说明中,也对品质预测模型生成装置进行说明。
在制造实绩收集部11连接有未图示的传感器。制造实绩收集部11根据该传感器的测量周期,收集各工序的制造实绩,并输出到综合工序实绩编辑部16。作为上述的“制造实绩”,包含各工序的制造条件、和经过各工序制造的金属材料的品质。另外,作为上述的“制造条件”,包含各工序中的金属材料的成分、温度、压力、板厚、通板速度等。另外,作为上述的“金属材料的品质”,包含抗拉强度、瑕疵混入率(每单位长度表现出的瑕疵数)等。
此外,在制造实绩收集部11所收集的各工序的制造条件中,不仅包含由传感器测量到的制造条件的实测值,还包含预先设定好的制造条件的设定值。即,由于也存在根据工序而不设置传感器的情况,所以在这样的情况下代替实绩值,而收集设定值来作为制造实绩。
制造实绩收集部11针对预先决定的金属材料的每个规定范围,收集各工序的制造条件。另外,制造实绩收集部11针对上述的每个规定范围,评估并收集经过各工序制造的金属材料的品质。此外,上述的“规定范围”例如在金属材料为板坯、钢板的情况下,表示金属材料的长边方向上的一定范围。该规定范围基于各工序中的与搬运方向对应的金属材料的移动距离(通板速度)而决定。对基于制造实绩收集部11进行的具体的处理内容进行后述(参照图2)。
这里,在图1所示的结构中,假定仅设置一个制造实绩收集部11,并且通过该一个制造实绩收集部11收集各工序的制造实绩的数据(以下,称为“实绩数据”),但例如也可以根据各工序的数量而设置多个制造实绩收集部11,通过各个制造实绩收集部11分别收集各工序的实绩数据。
制造实绩编辑部12编辑从制造实绩收集部11输入的各工序的实绩数据。即,制造实绩编辑部12将由制造实绩收集部11按时间单位收集到的实绩数据编辑成金属材料的长度单位的实绩数据,并输出到综合工序实绩编辑部16。对基于制造实绩编辑部12进行的具体的处理内容进行后述(参照图2)。
在头尾端对调实绩收集部13连接有用于在各工序装入金属材料的未图示的材料装入机。通过该材料装入机,头尾端对调实绩收集部13针对每个金属材料,收集在将金属材料从前工序向后工序装入时,该金属材料的头尾端是否对调(是否反转)的实绩数据。而且,头尾端对调实绩收集部13将与金属材料的头尾端的对调的有无相关的实绩数据输出到综合工序实绩编辑部16。
在表背面对调实绩收集部14连接有上述的材料装入机。通过该材料装入机,表背面对调实绩收集部14针对每个金属材料,收集在将金属材料从前工序向后工序装入时,该金属材料的表背面是否对调(是否反转)的实绩数据。而且,表背面对调实绩收集部14将与金属材料的表背面的对调的有无相关的实绩数据输出到综合工序实绩编辑部16。
在切断实绩收集部15连接有用于切断金属材料的前端部以及尾端部的未图示的切断机。通过该切断机,切断实绩收集部15针对每个金属材料,收集金属材料的切断位置(切断时的距金属材料的前端的距离)以及切断次数(以下,称为“切断位置等”)等实绩数据。而且,切断实绩收集部15将与金属材料的切断位置等相关的实绩数据输出到综合工序实绩编辑部16。
此外,头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15与上述的制造实绩收集部11同样地,既可以仅设置一个,也可以根据各工序的数量而设置多个。
综合工序实绩编辑部16编辑从制造实绩编辑部12、头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15输入的实绩数据。综合工序实绩编辑部16针对每个规定范围,将各工序的制造条件、与在该制造条件下制造的金属材料的品质建立关联地保存于实绩数据库17。
另外,综合工序实绩编辑部16考虑各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置,而确定规定范围。而且,综合工序实绩编辑部16将各工序的制造条件、与在该制造条件下制造的金属材料的品质以能够区别各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置的形式,针对每个规定范围建立关联地保存于实绩数据库17。
并且,综合工序实绩编辑部16例如在各工序为轧制工序,并且因经过各工序而导致金属材料的形状变形的情况下,评估从金属材料的前端起算的体积而确定规定范围,并将各工序的制造条件、与在该制造条件下制造的金属材料的品质针对每个规定范围建立关联地保存于实绩数据库17。在该实绩数据库17储存有由综合工序实绩编辑部16编辑的实绩数据。
模型生成部18根据保存于实绩数据库17的各工序中的每个规定范围的制造条件,生成对金属材料的每个规定范围的品质进行预测的品质预测模型。模型生成部18使用例如XGBoost作为机器学习的方法。此外,作为机器学习的方法,除此之外还能够使用线性回归、局部回归、主成分回归、PLS回归、神经网络、回归树、随机森林等各种方法。
预测部19使用由模型生成部18生成的品质预测模型,针对每个规定范围预测在任意的制造条件下制造的金属材料的品质。例如在成为预测对象的金属材料为板坯的情况下,在以往的方法中会预测板坯整体的品质,但在本实施方式中能够预测板坯的长度方向的规定范围的品质。
参照图2~图7,对本实施方式所涉及的品质预测方法以及品质预测模型生成方法进行说明。本实施方式所涉及的品质预测方法进行图2所示的步骤S1~步骤S6的处理。另外,本实施方式所涉及的品质预测模型生成方法进行该图所示的除了步骤S6以外的步骤S1~步骤S5的处理。
首先,制造实绩收集部11收集与各工序的制造条件以及品质相关的实绩数据(步骤S1)。制造实绩收集部11针对每个金属材料且针对每个工序,收集各工序的制造条件以及品质的实绩数据。
由制造实绩收集部11收集的实绩数据例如图3的表所示,是按时间排列多个制造条件的实绩值(或者设置值)的数据。该图所示的实绩数据具有由时间t1、t2…、该时间内的金属材料的速度(通板速度)v1、v2…、以及在该时间通过传感器测量到的多个制造条件x1 1、x1 2…、x2 1、x2 2…构成的项目。此外,在多个工序中的最终工序收集到的实绩数据中除了该图所示的项目以外,还包含与金属材料的品质相关的项目。
接着,头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15收集与各工序中的金属材料的头尾端的对调的有无、各工序中的金属材料的表背面的对调的有无以及各工序中的金属材料的切断位置等相关的实绩数据(步骤S2)。
接着,制造实绩编辑部12将由制造实绩收集部11收集到的实绩数据转换成金属材料的长度单位(步骤S3)。即,制造实绩编辑部12将按图3所示的时间单位所收集到的实绩数据转换成图4所示的金属材料的长度单位的实绩数据。以下,对将图3的实绩数据转换成图4的实绩数据的方法进行说明。
首先,制造实绩编辑部12利用将时间与速度(通板速度)相乘而得到距离的性质,计算图3的各时间的金属材料的位置。接下来,制造实绩编辑部12利用在金属材料通过各工序中设置的传感器时计入实绩数据,在金属材料未通过时计入损失值的性质,检测金属材料的头尾端。接下来,制造实绩编辑部12除了金属材料未通过传感器的情况以外,均制成与从金属材料的前端到尾端为止的位置对应的实绩数据。
而且,这样一来,虽然是金属材料的长度单位的数据,但并不是固定周期的数据,因此,例如通过进行线性内插等,转换成金属材料的长度单位、且固定周期的实绩数据。即,在各工序中,在金属材料的通板速度慢时能够收集的实绩数据详细,在金属材料的通板速度快时能够收集的实绩数据粗略。因此,为了统一实绩数据的详细程度而进行上述那样的内插。制造实绩编辑部12通过进行以上那样的处理,而制成图4所示的金属材料的长度单位的实绩数据。
接着,综合工序实绩编辑部16基于金属材料的长度单位汇集并结合所有工序的实绩数据(步骤S4)。综合工序实绩编辑部16基于由制造实绩编辑部12制成的金属材料的长度单位的实绩数据、和由头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15收集到的金属材料的头尾端的对调的有无、金属材料的表背面的对调的有无以及与金属材料的切断位置等相关的实绩数据,基于最终工序的出口侧的金属材料的长度单位汇集并结合所有工序的金属材料的多个制造条件以及品质的实绩数据。
这样,综合工序实绩编辑部16针对金属材料的长度方向上的每个规定范围,将各工序的制造条件、与该制造条件下制造的金属材料的品质建立关联地保存于实绩数据库17。以下,对基于综合工序实绩编辑部16进行的处理的一个例子进行说明。
例如,如图5所示,考虑经过工序1、工序2以及工序3制造金属材料(材料)的情况。工序1~工序3例如为轧制工序,每经过一个工序,材料的长边方向的长度就变大。另外,如该图所示,在从工序1移至工序2时,材料A分割成材料A1以及材料A2,在从工序2移至工序3时材料A1分割成材料A11以及材料A12。
图6示出有各工序的材料的图像,且是着眼于图5的B部的图。例如对于工序1的材料A而言,通过制造实绩收集部11,在从前端到尾端为止的长度5300mm的范围内,每隔50mm收集例如X1 1~X1 M1的M1个项目的实绩数据。另外,对于材料A而言,通过切断实绩收集部15收集以下实绩数据:0mm(前端)~250mm的前端部被舍去,取250mm~3300mm作为材料A1,取3300mm~4950mm作为材料A2,4950mm~5300mm(尾端)的尾端部被舍去的实绩数据。
接着,工序2的材料A1通过头尾端对调实绩收集部13收集“有头尾端的对调”的实绩数据。另外,对于材料A1而言,通过制造实绩收集部11,在从前端到尾端为止的长度68000mm的范围内,每隔100mm收集例如X2 1~X2 M2的M2个项目的实绩数据。另外,对于材料A1而言,通过切断实绩收集部15收集以下实绩数据:0mm(前端)~500mm的前端部被舍去,取500mm~34500mm作为材料A11,取34500mm~66800mm作为材料A12,66800mm~68000mm(尾端)的尾端部被舍去的实绩数据。
接着,工序3的材料A11通过头尾端对调实绩收集部13,收集“无头尾端的对调”的实绩数据。另外,对于材料A11而言,通过制造实绩收集部11,在从前端到尾端为止的长度65000mm的范围内,每隔500mm收集例如X3 1~X3 M3的M3个项目的实绩数据。另外,对于材料A11而言,通过切断实绩收集部15收集以下实绩数据:0mm(前端)~2500mm的前端部被舍去,取2500mm~59700mm作为材料A11,59700mm~65000mm(尾端)的尾端部被舍去的实绩数据。
为了边考虑各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置等实绩数据、边将由未图示的传感器沿长边方向详细收集到的所有工序的实绩数据与最终工序中的金属材料的长度单位结合,如图5所示,综合工序实绩编辑部16根据最终工序亦即工序3的材料长度,缩放工序2以及工序1的材料长度(参照该图的虚线)。
而且,综合工序实绩编辑部16边考虑在各工序中已舍去的前端部以及尾端部,边确定取各金属材料的位置,在最终工序的金属材料的各规定范围内,将规定范围的品质、与该规定范围内的所有工序的制造条件建立关联地保存于实绩数据库17。例如,在图6中,追溯工序2的材料A1、工序1的材料A,确定在最终工序亦即工序3中取材料A11的网眼部分。通过对所有的金属材料反复进行这样的处理,从而如图7所示,制成基于金属材料的长度单位汇集并结合所有工序中的金属材料的多个制造条件(以及品质)的实绩数据而成的实绩数据。以下,返回图2继续说明。
模型生成部18根据各工序中的每个规定范围的制造条件,生成对金属材料的每个规定范围的品质进行预测的品质预测模型(步骤S4)。接着,预测部19使用由模型生成部18生成的品质预测模型,针对每个规定范围预测在任意的制造条件下制造的金属材料的品质(步骤S5)。
根据以上说明那样的本实施方式所涉及的品质预测模型生成方法、品质预测模型、品质预测方法、品质预测模型生成装置以及品质预测装置,生成将各工序的制造条件、与在该制造条件下制造的金属材料的品质针对每个规定范围建立关联的品质预测模型,由此能够比以往高精度地预测针对任意的制造条件的金属材料的品质。
即,在本实施方式所涉及的品质预测模型生成方法、品质预测模型、品质预测方法、品质预测模型生成装置以及品质预测装置中,考虑各工序中的头尾端的对调、表背面的对调以及切断位置等,基于最终工序的输出侧的金属材料的长度单位,汇集并结合所有工序的多个制造条件(以及品质)的实绩数据。因此,由于有效运用通过传感器沿金属材料的长边方向详细收集的制造条件的实绩数据来进行品质的预测,所以能够比以往高精度地预测品质。
此外,在将本实施方式所涉及的品质预测方法应用于金属材料的制造方法的情况下,例如进行以下处理。首先,在固定金属材料的制造中途已确定的制造条件后,通过本实施方式所涉及的品质预测方法,针对每个规定范围预测已固定的制造条件下制造的金属材料的品质。并且,基于该预测结果,变更之后的工序的制造条件。另外,制造条件的变更以遍及制造的金属材料的总长所包含的所有的每个规定范围的品质落入预先决定的管理范围内的方式变更。这样,通过将本实施方式所涉及的品质预测方法应用于金属材料的制造方法,而能够在制造中途的阶段预测最终的金属材料的品质,能够与其相应地变更制造条件,因此提高制造的金属材料的品质。
实施例
对本实施方式所涉及的品质预测方法的实施例进行说明。在本实施例中,将本实施方式所涉及的品质预测方法应用于作为冷轧薄钢板的一种的高加工性高强度冷轧钢板的抗拉强度的预测。
本实施例中的品质预测的目的变量(品质)为产品(高加工性高强度冷轧钢板)的抗拉强度,说明变量(制造条件)为冶炼工序中的金属材料的化学成分、铸造工序中的金属材料的温度、加热工序中的金属材料的温度、热轧工序中的金属材料的温度、冷却工序中的金属材料的温度、冷轧工序中的金属材料的温度、以及退火工序中的金属材料的温度等。
在本实施例中,对于各制造条件以及品质,对以下两种情况下的预测结果进行了比较:根据对一个产品,分别储存一个平均值等代表值的以往的实绩数据库(参照图8的(a))进行预测的情况、和根据由本实施方式所涉及的品质预测方法的实绩数据库(参照图8的(b))生成的品质预测模型进行预测的情况。实绩数据库的样本数量为40000,说明变量的数量为45,预测方法使用了局部回归。预测的结果如图9所示,确认出基于本实施方式所涉及的品质预测方法进行的预测误差(参照图9的(b))与基于以往的品质预测方法进行的预测误差(参照图9的(a))相比较,能够减少23%的均方根误差(RMSE:Root Mean SquareError)。
另外,将本实施方式所涉及的品质预测方法应用于厚钢板的表背面硬度的预测。目的变量为产品的表背面的硬度,说明变量为冶炼工序的化学成分、铸造工序的表背面温度、加热工序的表背面温度、轧制工序的表背面温度、以及冷却工序的表背面温度等。
对于各制造条件以及品质,对以下两种情况下的预测结果进行了比较:根据对一个产品,分别储存一个平均值等代表值的以往的实绩数据库(参照图8的(a))预测的情况、和根据由本实施方式所涉及的品质预测方法的实绩数据库(参照图8的(b))生成的品质预测模型进行预测的情况。实绩数据库的样本数量为10000,说明变量的数量为30,预测方法使用了线性回归。预测的结果如图10所示,确认出基于本实施方式所涉及的品质预测方法进行的预测误差(参照图10的(b))与基于以往的品质预测方法进行的预测误差(参照图10的(a))相比较,能够减少26%的均方根误差(RMSE)。
另外,将本实施方式所涉及的品质预测方法应用于作为冷轧薄钢板的一种的热浸镀锌钢板的表背面瑕疵的预测。目的变量为产品的表背面的有无瑕疵,说明变量为冶炼工序的化学成分、铸造工序的表背面温度、弯月面流速、铸模溶液面液位、加热工序的表背面温度、热轧工序的表背面温度、冷却工序的表背面温度、酸洗工序的酸浓度、酸温度、冷轧工序的表背面温度、退火工序的表背面温度、镀敷工序的镀敷附着量、以及合金化度等。
对于各制造条件以及品质,对以下两种情况下的预测结果进行了比较:根据对一个产品,分别储存一个平均值等代表值的以往的实绩数据库(参照图8的(a))进行预测的情况、和根据由本实施方式所涉及的品质预测方法的实绩数据库(参照图8的(b))生成的品质预测模型进行预测的情况。实绩数据库的样本数量为4000,说明变量的数量为250,预测方法使用了决定树。预测的结果如图11所示,确认出基于本实施方式所涉及的品质预测方法进行的误答率(参照图11的(b))与基于以往的品质预测方法进行的误答率(参照图11的(a))相比较,能够减少14%。
另外,将本实施方式所涉及的品质预测方法应用于作为冷轧薄钢板的一种的高强度冷轧钢板的抗拉强度预测,并基于其预测结果,进行之后的工序的制造条件的变更。这里,对在制钢工序、热轧工序以及轧工序的到最终阶段前为止的制造条件的实绩值被得到的制造中途的阶段,变更作为冷轧工序的最终阶段的制造条件的退火后冷却温度的例子进行描述。
基于制钢工序、热轧工序以及冷轧工序的到最终阶段前为止的制造条件的实绩值、以及作为冷轧工序的最终阶段的制造条件的退火后冷却温度的基准值,使用本实施方式所涉及的品质预测方法预测的产品的总长的各位置的抗拉强度预测值如以下所示。
[数式1]
另外,退火温度后的冷却温度从基准值变化了Δμ时,使用本实施方式所涉及的品质预测方法预测的产品的总长的各位置的抗拉强度的变化量如以下所示。
[数式2]
基于以上内容,解开由下述式子(1)表现的最佳化问题。
[数式3]
这里,在上述式子(1)中,yLL以及yUL分别为抗拉强度的管理下限以及管理上限,Δμ*为该最佳化问题的最佳解。该最佳化问题能够通过分支限定法等数学规划法来解开。通过将退火温度后的冷却温度变更Δμ*,能够得到总长的抗拉强度不脱离管理范围、即遍及总长无品质不良的冷轧钢板。
这样,本实施方式所涉及的品质预测方法的实绩数据库所储存的实绩数据在最终工序的金属材料的各规定范围内,能够边考虑头尾端的对调的有无、表背面的对调的有无以及切断位置等实绩数据,边追溯硬度或有无瑕疵和所有工序的制造条件的精密的实绩数据并进行结合。而且,基于由这样构建成的实绩数据库生成的品质预测模型,计算任意的制造条件中的预测值,因此能够高精度地预测金属材料的品质。
以上,对于本发明所涉及的品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置而言,通过用于实施发明的方式以及实施例具体地进行说明,但本发明的主旨并不限定于这些记载,必须基于权利要求书的记载而扩大解释。另外,基于这些记载进行各种变更、改变等也当然包含在本发明的主旨中。
例如在上述的实施方式中,综合工序实绩编辑部16考虑各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置而确定规定范围,但也存在金属材料的头尾端的对调、金属材料的表背面的对调、以及金属材料的切断的各处理未必被全部包含的情况。因此,综合工序实绩编辑部16也可以考虑金属材料的头尾端的对调的有无、金属材料的表背面的对调的有无以及金属材料的切断位置的实绩数据中的至少一个以上而确定规定范围。
附图标记说明
1...品质预测装置;11...制造实绩收集部;12...制造实绩编辑部;13...头尾端对调实绩收集部;14...表背面对调实绩收集部;15...切断实绩收集部;16...综合工序实绩编辑部;17...实绩数据库;18...模型生成部;19...预测部。
Claims (11)
1.一种品质预测模型生成方法,其为经过一个或多个工序制造的金属材料的品质预测模型生成方法,其中,
所述品质预测模型生成方法包含:
第一收集步骤,其针对预先决定的所述金属材料的每个规定范围,收集各工序的制造条件;
第二收集步骤,其针对每个所述规定范围,评估并收集经过所述各工序制造的所述金属材料的品质;
保存步骤,其针对每个所述规定范围,将所述各工序的制造条件、与在该制造条件下制造的所述金属材料的品质建立关联地进行保存;以及
模型生成步骤,其根据已保存的所述各工序中的每个所述规定范围的制造条件,生成对所述金属材料的每个所述规定范围的品质进行预测的品质预测模型。
2.根据权利要求1所述的品质预测模型生成方法,其中,
所述规定范围基于所述各工序中的与搬运方向对应的所述金属材料的移动距离而决定。
3.根据权利要求1或2所述的品质预测模型生成方法,其中,
所述品质预测模型生成方法包含第三收集步骤,该第三收集步骤在所述保存步骤之前,对所述各工序中的所述金属材料的头尾端的对调的有无、所述各工序中的所述金属材料的表背面的对调的有无、以及所述各工序中的所述金属材料的切断位置中的至少一个以上信息进行收集,
在所述保存步骤中,考虑所述各工序中的所述金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置中的至少一个以上,而确定所述规定范围,并针对每个所述规定范围,将所述各工序的制造条件、与在该制造条件下制造的所述金属材料的品质建立关联地进行保存。
4.根据权利要求1或2所述的品质预测模型生成方法,其中,
在经过所述各工序而导致所述金属材料的形状变形的情况下,
所述保存步骤评估从所述金属材料的前端起算的体积而确定所述规定范围,并针对每个所述规定范围,将所述各工序的制造条件、与在该制造条件下制造的所述金属材料的品质建立关联地进行保存。
5.根据权利要求1或2所述的品质预测模型生成方法,其中,
所述模型生成步骤使用包含线性回归、局部回归、主成分回归、PLS回归、神经网络、回归树、随机森林、XGBoost在内的机器学习而生成所述品质预测模型。
6.一种品质预测模型,其中,
所述品质预测模型通过权利要求1~5中任一项所述的品质预测模型生成方法而生成。
7.一种品质预测方法,其中,
使用通过权利要求1~5中任一项所述的品质预测模型生成方法而生成的品质预测模型,针对每个规定范围预测在任意的制造条件下制造的金属材料的品质。
8.一种金属材料的制造方法,其中,
将在制造中途已确定的制造条件固定,通过权利要求7所述的品质预测方法,针对每个规定范围预测在所述已固定的制造条件下制造的金属材料的品质,并基于该预测结果,变更之后的工序的制造条件。
9.根据权利要求8所述的金属材料的制造方法,其中,
对于所述制造条件的变更而言,以使遍及将要制造的金属材料的总长地包含的全部的每个所述规定范围的品质落入预先决定的管理范围内的方式进行变更。
10.一种品质预测模型生成装置,其为经过一个或多个工序制造的金属材料的品质预测模型生成装置,其中,
所述品质预测模型生成装置具备以下单元:
针对预先决定的所述金属材料的每个规定范围,收集各工序的制造条件的单元;
针对每个所述规定范围,对经过所述各工序制造的所述金属材料的品质进行评估并收集的单元;
针对每个所述规定范围,将所述各工序的制造条件、与在该制造条件下制造的所述金属材料的品质建立关联地进行保存的单元;以及
根据已保存的所述各工序中的每个所述规定范围的制造条件,生成对所述金属材料的每个所述规定范围的品质进行预测的品质预测模型的单元。
11.一种品质预测装置,其中,
使用通过权利要求10所述的品质预测模型生成装置而生成的品质预测模型,针对每个规定范围预测在任意的制造条件下制造的金属材料的品质。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019134701 | 2019-07-22 | ||
JP2019-134701 | 2019-07-22 | ||
PCT/JP2020/022637 WO2021014804A1 (ja) | 2019-07-22 | 2020-06-09 | 品質予測モデル生成方法、品質予測モデル、品質予測方法、金属材料の製造方法、品質予測モデル生成装置および品質予測装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114144738A true CN114144738A (zh) | 2022-03-04 |
Family
ID=74193371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080051295.9A Pending CN114144738A (zh) | 2019-07-22 | 2020-06-09 | 品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20220261520A1 (zh) |
EP (1) | EP4006670A4 (zh) |
JP (1) | JP7207547B2 (zh) |
KR (1) | KR20220007653A (zh) |
CN (1) | CN114144738A (zh) |
MX (1) | MX2022000808A (zh) |
TW (1) | TWI759770B (zh) |
WO (1) | WO2021014804A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023028246A (ja) * | 2021-08-19 | 2023-03-03 | Jfeスチール株式会社 | 品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 |
EP4276550A1 (en) * | 2022-05-12 | 2023-11-15 | Primetals Technologies Austria GmbH | Method and computer system for controlling a process of a metallurgical plant |
EP4339715A1 (de) * | 2022-09-13 | 2024-03-20 | Siempelkamp Maschinen- und Anlagenbau GmbH | Verfahren zum erzeugen eines mathematischen modells zum vorhersagen von zumindest einem qualitätsmerkmal einer baustoffplatte |
CN116757031B (zh) * | 2023-06-15 | 2024-02-09 | 中南大学 | 影响金属-金属胶接性能的多因素的分析方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003195929A (ja) * | 2001-12-28 | 2003-07-11 | Jfe Steel Kk | コイル材の先後端不良部除去方法およびそのシステム |
CN1655325A (zh) * | 2003-12-26 | 2005-08-17 | 佳能系统集成有限公司 | 工序和质量关系的模型生成装置及模型生成方法 |
CN106794499A (zh) * | 2014-10-10 | 2017-05-31 | 杰富意钢铁株式会社 | 材料特性值推定方法、材料特性值推定装置、及钢带的制造方法 |
CN108121295A (zh) * | 2016-11-29 | 2018-06-05 | 财团法人工业技术研究院 | 预测模型建立方法及其相关预测方法与计算机程序产品 |
CN109074051A (zh) * | 2016-03-28 | 2018-12-21 | 三菱电机株式会社 | 质量管理装置、质量管理方法及质量管理程序 |
JP2019074969A (ja) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4474847B2 (ja) | 2003-05-28 | 2010-06-09 | Jfeスチール株式会社 | 結果予測装置 |
JP2006309709A (ja) | 2005-03-30 | 2006-11-09 | Jfe Steel Kk | 結果予測装置、制御装置及び品質設計装置 |
JP2008112288A (ja) | 2006-10-30 | 2008-05-15 | Jfe Steel Kk | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 |
JP5167891B2 (ja) | 2008-03-21 | 2013-03-21 | Jfeスチール株式会社 | 結果予測装置、及び、これを用いた製品品質予測方法 |
JP5516390B2 (ja) * | 2010-12-24 | 2014-06-11 | 新日鐵住金株式会社 | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 |
JP5867349B2 (ja) * | 2011-09-21 | 2016-02-24 | 新日鐵住金株式会社 | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 |
JP5382104B2 (ja) * | 2011-12-20 | 2014-01-08 | Jfeスチール株式会社 | パネル評価方法 |
JP5979066B2 (ja) | 2012-06-04 | 2016-08-24 | Jfeスチール株式会社 | 結果予測装置および結果予測方法 |
JP2014071859A (ja) | 2012-10-02 | 2014-04-21 | Jfe Steel Corp | 結果予測方法及び結果予測装置 |
JP2014071858A (ja) | 2012-10-02 | 2014-04-21 | Jfe Steel Corp | 結果予測方法及び結果予測装置 |
KR101889668B1 (ko) * | 2014-09-10 | 2018-08-17 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 압연 시뮬레이션 장치 |
JP6508185B2 (ja) | 2015-12-24 | 2019-05-08 | Jfeスチール株式会社 | 結果予測装置及び結果予測方法 |
KR102272894B1 (ko) * | 2017-05-31 | 2021-07-05 | 에이에스엠엘 네델란즈 비.브이. | 측정 방법의 성능을 예측하는 방법 및 장치, 측정 방법 및 장치 |
-
2020
- 2020-06-09 MX MX2022000808A patent/MX2022000808A/es unknown
- 2020-06-09 CN CN202080051295.9A patent/CN114144738A/zh active Pending
- 2020-06-09 KR KR1020217040258A patent/KR20220007653A/ko not_active Application Discontinuation
- 2020-06-09 JP JP2021534591A patent/JP7207547B2/ja active Active
- 2020-06-09 WO PCT/JP2020/022637 patent/WO2021014804A1/ja unknown
- 2020-06-09 EP EP20844507.2A patent/EP4006670A4/en active Pending
- 2020-06-09 US US17/621,801 patent/US20220261520A1/en active Pending
- 2020-06-19 TW TW109120768A patent/TWI759770B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003195929A (ja) * | 2001-12-28 | 2003-07-11 | Jfe Steel Kk | コイル材の先後端不良部除去方法およびそのシステム |
CN1655325A (zh) * | 2003-12-26 | 2005-08-17 | 佳能系统集成有限公司 | 工序和质量关系的模型生成装置及模型生成方法 |
CN106794499A (zh) * | 2014-10-10 | 2017-05-31 | 杰富意钢铁株式会社 | 材料特性值推定方法、材料特性值推定装置、及钢带的制造方法 |
CN109074051A (zh) * | 2016-03-28 | 2018-12-21 | 三菱电机株式会社 | 质量管理装置、质量管理方法及质量管理程序 |
CN108121295A (zh) * | 2016-11-29 | 2018-06-05 | 财团法人工业技术研究院 | 预测模型建立方法及其相关预测方法与计算机程序产品 |
JP2019074969A (ja) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202113521A (zh) | 2021-04-01 |
US20220261520A1 (en) | 2022-08-18 |
EP4006670A4 (en) | 2022-09-14 |
MX2022000808A (es) | 2022-02-16 |
WO2021014804A1 (ja) | 2021-01-28 |
EP4006670A1 (en) | 2022-06-01 |
TWI759770B (zh) | 2022-04-01 |
JPWO2021014804A1 (ja) | 2021-11-04 |
JP7207547B2 (ja) | 2023-01-18 |
KR20220007653A (ko) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114144738A (zh) | 品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置以及品质预测装置 | |
CN107179749A (zh) | 热镀锌产品全流程质量控制方法 | |
JP2005315703A (ja) | 鋼材の材質予測方法 | |
CN109014105B (zh) | 一种基于神经网络方法进行连铸坯定重的工艺设施 | |
JP2021536063A (ja) | 金属製品の製造をモニタリングするための方法および電子デバイス、関連するコンピュータプログラムならびに設備 | |
CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
CN104451118B (zh) | 一种适合于连续退火过程的带钢板形逐段演变预报方法 | |
JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
KR102589428B1 (ko) | 중간 금속 제품(들)의 그룹으로부터의 최종 금속 제품(들)의 그룹의 제조를 제어하기 위한 방법 및 전자 장치, 관련 컴퓨터 프로그램, 제조 방법 및 설비 | |
Nieto | Feature based costing of extruded parts | |
CN116724328A (zh) | 品质异常分析方法、金属材料的制造方法以及品质异常分析装置 | |
Antonova et al. | Development of simulation model of continuous casting machine with dry change of steel ladles | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
JP2010235972A (ja) | 高張力鋼板の製造制御装置及び製造方法 | |
JP2022014878A (ja) | 製造仕様決定支援装置、製造仕様決定支援方法、コンピュータプログラムおよびコンピュータ読み取り可能な記録媒体 | |
JP5954043B2 (ja) | 連続鋳造鋳片の品質判定方法及び鋼の連続鋳造方法 | |
JP5007630B2 (ja) | 製品品質の制御方法及び制御装置 | |
KR20080022074A (ko) | 압연 라인의 재질 예측 및 재질 제어 장치 | |
Era | Prediction of Tensile Behaviors of L-DED 316 Stainless Steel parts using Machine Learning | |
Tschimpke et al. | Statistical Methods for Predicting of the Quality of Aluminum Ingots | |
CN117123640B (zh) | 用于模具加工设备的送料定位精度检测方法及系统 | |
CN115828772B (zh) | 一种融合正向机理与机器学习的钢坯温度的快速计算方法 | |
JP6874730B2 (ja) | 熱間圧延ライン制御装置 | |
Idzik et al. | Decision Support for the Optimization of Continuous Processesusing Digital Shadows | |
Vincent et al. | Machine Learning Approach to Predict Bead Height and Width in Wire Arc Additive Manufacturing Sample |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |