KR20220007653A - 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치 - Google Patents

품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치 Download PDF

Info

Publication number
KR20220007653A
KR20220007653A KR1020217040258A KR20217040258A KR20220007653A KR 20220007653 A KR20220007653 A KR 20220007653A KR 1020217040258 A KR1020217040258 A KR 1020217040258A KR 20217040258 A KR20217040258 A KR 20217040258A KR 20220007653 A KR20220007653 A KR 20220007653A
Authority
KR
South Korea
Prior art keywords
metal material
quality
quality prediction
prediction model
manufacturing conditions
Prior art date
Application number
KR1020217040258A
Other languages
English (en)
Inventor
히로야스 시게모리
Original Assignee
제이에프이 스틸 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 제이에프이 스틸 가부시키가이샤 filed Critical 제이에프이 스틸 가부시키가이샤
Publication of KR20220007653A publication Critical patent/KR20220007653A/ko

Links

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] or 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] or 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] or 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] 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Food Science & Technology (AREA)
  • Operations Research (AREA)

Abstract

품질 예측 모델 생성 방법은, 하나 또는 복수의 공정을 거쳐 제조되는 금속 재료의 품질 예측 모델 생성 방법으로서, 각 공정의 제조 조건을, 미리 정한 금속 재료의 소정 범위마다 수집하는 제 1 수집 스텝과, 각 공정을 거쳐 제조되는 금속 재료의 품질을, 소정 범위마다 평가하여 수집하는 제 2 수집 스텝과, 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 금속 재료의 품질을, 소정 범위마다 관련지어 보존하는 보존 스텝과, 보존한 각 공정에 있어서의 소정 범위마다의 제조 조건으로부터, 금속 재료의 소정 범위마다의 품질을 예측하는 품질 예측 모델을 생성하는 모델 생성 스텝을 포함한다.

Description

품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치
본 발명은, 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치에 관한 것이다.
임의의 요구 조건에 대한 품질을 예측하는 방법으로서는, 예를 들어 실적 데이터베이스에 격납되어 있는 과거의 복수의 관측 조건과, 원하는 요구 조건의 거리를 산출하고, 산출한 거리로부터 관측 데이터 (실적 데이터) 의 가중값을 산출하고, 산출한 가중값으로부터 요구 조건의 근방을 피팅하는 함수를 작성하고, 작성한 함수를 사용하여 요구 조건에 대한 품질을 예측하는 방법이 알려져 있다 (예를 들어 특허문헌 1 ~ 8 참조).
일본 공개특허공보 2004-355189호 일본 공개특허공보 2006-309709호 일본 공개특허공보 2008-112288호 일본 공개특허공보 2009-230412호 일본 공개특허공보 2014-013560호 일본 공개특허공보 2014-071858호 일본 공개특허공보 2014-071859호 일본 공개특허공보 2017-120638호
특허문헌 1 ~ 8 에 개시된 방법에서는, 임의의 요구 조건에 대한 품질을 실적 데이터베이스에 격납되어 있는 데이터로부터 산출하고 있다. 이 실적 데이터베이스에는, 복수의 제조 조건의 실적값과, 이들 제조 조건하에서 제조한 금속 재료의 품질의 실적값이 격납되어 있지만, 이들 제조 조건 및 품질은, 하나의 금속 재료에 대해, 각각 하나의 평균값 등의 대표값이 격납되어 있다.
한편, 각 공정의 제조 조건의 실적값은, 센서에 의해 금속 재료의 길이 방향으로 상세하게 수집되고 있다. 그러나, 종래 기술에서는, 이와 같이 상세하게 수집된 제조 조건의 실적값이 유효하게 활용되고 있지 않기 때문에, 금속 재료의 품질의 예측 정밀도의 향상에 한계가 있었다.
본 발명은, 상기를 감안하여 이루어진 것으로, 임의의 제조 조건에 대한 품질을 고정밀도로 예측할 수 있는 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치를 제공하는 것을 목적으로 한다.
상기 서술한 과제를 해결하여, 목적을 달성하기 위해서, 본 발명에 관련된 품질 예측 모델 생성 방법은, 하나 또는 복수의 공정을 거쳐 제조되는 금속 재료의 품질 예측 모델 생성 방법으로서, 각 공정의 제조 조건을, 미리 정한 상기 금속 재료의 소정 범위마다 수집하는 제 1 수집 스텝과, 상기 각 공정을 거쳐 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 평가하여 수집하는 제 2 수집 스텝과, 상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존하는 보존 스텝과, 보존한 상기 각 공정에 있어서의 상기 소정 범위마다의 제조 조건으로부터, 상기 금속 재료의 상기 소정 범위마다의 품질을 예측하는 품질 예측 모델을 생성하는 모델 생성 스텝을 포함한다.
또, 본 발명에 관련된 품질 예측 모델 생성 방법은, 상기 발명에 있어서, 상기 소정 범위가, 상기 각 공정에 있어서의 반송 방향에 따른 상기 금속 재료의 이동 거리에 기초하여 결정된다.
또, 본 발명에 관련된 품질 예측 모델 생성 방법은, 상기 발명에 있어서, 상기 보존 스텝 전에, 상기 각 공정에 있어서의 상기 금속 재료의 선미단 (先尾端) 의 교체의 유무와, 상기 각 공정에 있어서의 상기 금속 재료의 표리면의 교체의 유무와, 상기 각 공정에 있어서의 상기 금속 재료의 절단 위치 중 적어도 하나 이상을 수집하는 제 3 수집 스텝을 포함하고, 상기 보존 스텝이, 상기 각 공정에 있어서의 상기 금속 재료의 선미단의 교체의 유무, 표리면의 교체의 유무 및 절단 위치 중 적어도 하나 이상을 고려하여 상기 소정 범위를 특정하고, 상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존한다.
또, 본 발명에 관련된 품질 예측 모델 생성 방법은, 상기 발명에 있어서, 상기 각 공정을 거침으로써 상기 금속 재료의 형상이 변형되는 경우, 상기 보존 스텝이, 상기 금속 재료의 선단으로부터의 체적을 평가하여 상기 소정 범위를 특정하고, 상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존한다.
또, 본 발명에 관련된 품질 예측 모델 생성 방법은, 상기 발명에 있어서, 상기 모델 생성 스텝이, 선형 회귀, 국소 회귀, 주성분 회귀, PLS 회귀, 뉴럴 네트워크, 회귀목, 랜덤 포레스트, XGBoost 를 포함하는 기계 학습을 사용하여 상기 품질 예측 모델을 생성한다.
상기 서술한 과제를 해결하여, 목적을 달성하기 위해서, 본 발명에 관련된 품질 예측 모델은, 상기한 품질 예측 모델 생성 방법에 의해 생성된다.
상기 서술한 과제를 해결하여, 목적을 달성하기 위해서, 본 발명에 관련된 품질 예측 방법은, 상기한 품질 예측 모델 생성 방법에 의해 생성된 품질 예측 모델을 사용하여, 임의의 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측한다.
상기 서술한 과제를 해결하여, 목적을 달성하기 위해서, 본 발명에 관련된 금속 재료의 제조 방법은, 제조 도중에 확정한 제조 조건을 고정하고, 상기한 품질 예측 방법에 의해, 상기 고정한 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측하고, 그 예측 결과에 기초하여, 그 후의 공정의 제조 조건을 변경한다.
또, 본 발명에 관련된 금속 재료의 제조 방법은, 상기 발명에 있어서, 상기 제조 조건의 변경이, 제조되는 금속 재료의 전체 길이에 걸쳐 포함되는 모든 상기 소정 범위마다의 품질이, 미리 정해진 관리 범위 내에 들어가도록 변경된다.
상기 서술한 과제를 해결하여, 목적을 달성하기 위해서, 본 발명에 관련된 품질 예측 모델 생성 장치는, 하나 또는 복수의 공정을 거쳐 제조되는 금속 재료의 품질 예측 모델 생성 장치로서, 각 공정의 제조 조건을, 미리 정한 상기 금속 재료의 소정 범위마다 수집하는 수단과, 상기 각 공정을 거쳐 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 평가하여 수집하는 수단과, 상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존하는 수단과, 보존한 상기 각 공정에 있어서의 상기 소정 범위마다의 제조 조건으로부터, 상기 금속 재료의 상기 소정 범위마다의 품질을 예측하는 품질 예측 모델을 생성하는 수단을 구비한다.
상기 서술한 과제를 해결하여, 목적을 달성하기 위해서, 본 발명에 관련된 품질 예측 장치는, 상기한 품질 예측 모델 생성 장치에 의해 생성된 품질 예측 모델을 사용하여, 임의의 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측한다.
본 발명에 의하면, 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 금속 재료의 품질을, 소정 범위마다 관련지은 품질 예측 모델을 생성함으로써, 임의의 제조 조건에 대한 금속 재료의 품질을, 종래보다 고정밀도로 예측할 수 있다.
도 1 은, 본 발명의 실시형태에 관련된 품질 예측 모델 생성 장치 및 품질 예측 장치의 구성을 나타내는 블록도이다.
도 2 는, 본 발명의 실시형태에 관련된 품질 예측 모델 생성 방법 및 품질 예측 방법의 흐름을 나타내는 플로우 차트이다.
도 3 은, 본 발명의 실시형태에 관련된 품질 예측 모델 생성 방법에 있어서, 제조 실적 수집부 (11) 에 의해 수집된 실적 데이터의 일례를 나타내는 도면이다.
도 4 는, 본 발명의 실시형태에 관련된 품질 예측 모델 생성 방법에 있어서, 제조 실적 편집부 (12) 에 의해 편집된 실적 데이터의 일례를 나타내는 도면이다.
도 5 는, 본 발명의 실시형태에 관련된 품질 예측 모델 생성 방법에 있어서, 복수의 공정을 거쳐 금속 재료를 제조하는 경우의 일례를 나타내는 도면이다.
도 6 은, 본 발명의 실시형태에 관련된 품질 예측 모델 생성 방법에 있어서, 각 공정에 있어서의 금속 재료의 일례를 나타내는 도면이다.
도 7 은, 본 발명의 실시형태에 관련된 품질 예측 모델 생성 방법에 있어서, 일관 공정 실적 편집부에 의해 편집된 실적 데이터의 일례를 나타내는 도면이다.
도 8 은, 종래 및 본 발명의 실적 데이터베이스의 구성을 개략적으로 나타내는 도면이다.
도 9 는, 고가공성 고강도 냉연 강판의 인장 강도의 예측에 있어서, 종래 수법 및 본 발명 수법의 예측 오차를 나타내는 도면이다.
도 10 은, 후강판의 표리면 경도의 예측에 있어서, 종래 수법 및 본 발명 수법의 예측 오차를 나타내는 도면이다.
도 11 은, 용융 아연 도금 강판의 표리면 결함의 예측에 있어서, 종래 수법 및 본 발명 수법의 오답률을 나타내는 도면이다.
본 발명의 실시형태에 관련된 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치에 대해, 도면을 참조하면서 설명한다.
본 실시형태에 관련된 품질 예측 장치 및 품질 예측 모델 생성 장치의 구성에 대해, 도 1 을 참조하면서 설명한다. 품질 예측 장치는, 하나 또는 복수의 공정 (프로세스) 을 거쳐 제조되는 금속 재료의 품질을 예측하기 위한 장치이다. 또한, 본 실시형태에 있어서의 금속 재료로서는, 예를 들어 철강 제품으로서, 슬래브 등의 반제품이나, 이 슬래브를 압연하여 제조되는 강판 등의 제품을 들 수 있다.
품질 예측 장치 (1) 는, 구체적으로는 퍼스널 컴퓨터나 워크스테이션 등의 범용의 정보 처리 장치에 의해 실현되는 것이며, 예를 들어 CPU (Central Processing Unit) 등으로 이루어지는 프로세서와, RAM (Random Access Memory) 이나 ROM (Read Only Memory) 등으로 이루어지는 메모리 (주기억부) 등을 주요 구성 부품으로 하고 있다.
품질 예측 장치 (1) 는, 도 1 에 나타내는 바와 같이, 제조 실적 수집부 (11) 와, 제조 실적 편집부 (12) 와, 선미단 교체 실적 수집부 (13) 와, 표리면 교체 실적 수집부 (14) 와, 절단 실적 수집부 (15) 와, 일관 공정 실적 편집부 (16) 와, 실적 데이터베이스 (17) 와, 모델 생성부 (18) 와, 예측부 (19) 를 구비하고 있다. 또한, 본 실시형태에 관련된 품질 예측 모델 생성 장치는, 품질 예측 장치 (1) 중 예측부 (19) 를 제외한 요소에 의해 구성된다. 이하에서는, 품질 예측 장치 (1) 의 설명 중에서 품질 예측 모델 생성 장치에 대해서도 설명하는 것으로 한다.
제조 실적 수집부 (11) 에는, 도시되지 않은 센서가 접속되어 있다. 제조 실적 수집부 (11) 는, 이 센서의 계측 주기에 맞추어, 각 공정의 제조 실적을 수집하고, 일관 공정 실적 편집부 (16) 에 출력한다. 상기한 「제조 실적」으로서는, 각 공정의 제조 조건과, 각 공정을 거쳐 제조되는 금속 재료의 품질이 포함된다. 또, 상기한 「제조 조건」으로서는, 각 공정에 있어서의 금속 재료의 성분, 온도, 압력, 판두께, 통판 속도 등이 포함된다. 또, 상기한 「금속 재료의 품질」로서는, 인장 강도나 결함 혼입률 (단위길이당 표출되는 결함수) 등이 포함된다.
또한, 제조 실적 수집부 (11) 가 수집하는 각 공정의 제조 조건에는, 센서에 의해 계측된 제조 조건의 실측값뿐만 아니라, 미리 설정한 제조 조건의 설정값도 포함된다. 즉, 공정에 따라서는 센서가 설치되어 있지 않은 경우도 있기 때문에, 이와 같은 경우에는 실적값 대신에 설정값을 제조 실적으로서 수집한다.
제조 실적 수집부 (11) 는, 각 공정의 제조 조건을, 미리 정한 금속 재료의 소정 범위마다 수집한다. 또, 제조 실적 수집부 (11) 는, 각 공정을 거쳐 제조되는 금속 재료의 품질을, 상기한 소정 범위마다 평가하여 수집한다. 또한, 상기한 「소정 범위」란, 예를 들어 금속 재료가 슬래브나 강판인 경우, 금속 재료의 길이 방향에 있어서의 일정한 범위를 나타내고 있다. 이 소정 범위는, 각 공정에 있어서의 반송 방향에 따른 금속 재료의 이동 거리 (통판 속도) 에 기초하여 결정된다. 제조 실적 수집부 (11) 에 의한 구체적인 처리 내용에 대해서는 후기한다 (도 2 참조).
여기서, 도 1 에서 나타낸 구성에서는, 제조 실적 수집부 (11) 가 하나만 형성되어 있고, 이 하나의 제조 실적 수집부 (11) 에 의해 각 공정의 제조 실적의 데이터 (이하, 「실적 데이터」라고 한다) 를 수집하는 것을 상정하고 있지만, 예를 들어 제조 실적 수집부 (11) 를 각 공정의 수에 맞추어 복수 형성하고, 각 공정의 실적 데이터를 각각의 제조 실적 수집부 (11) 에 의해 각각 수집해도 된다.
제조 실적 편집부 (12) 는, 제조 실적 수집부 (11) 로부터 입력된 각 공정의 실적 데이터를 편집한다. 즉, 제조 실적 편집부 (12) 는, 제조 실적 수집부 (11) 에 의해 시간 단위로 수집된 실적 데이터를, 금속 재료의 길이 단위의 실적 데이터로 편집하고, 일관 공정 실적 편집부 (16) 에 출력한다. 제조 실적 편집부 (12) 에 의한 구체적인 처리 내용에 대해서는 후기한다 (도 2 참조).
선미단 교체 실적 수집부 (13) 에는, 각 공정에 금속 재료를 장입하기 위한 도시되지 않은 재료 장입기가 접속되어 있다. 선미단 교체 실적 수집부 (13) 는, 이 재료 장입기를 통해서, 전공정으로부터 후공정으로 금속 재료가 장입될 때에 당해 금속 재료의 선미단이 교체되었는지 (반전되었는지) 여부의 실적 데이터를, 금속 재료마다 수집한다. 그리고, 선미단 교체 실적 수집부 (13) 는, 금속 재료의 선미단의 교체의 유무에 관한 실적 데이터를 일관 공정 실적 편집부 (16) 에 출력한다.
표리면 교체 실적 수집부 (14) 에는, 상기한 재료 장입기가 접속되어 있다. 표리면 교체 실적 수집부 (14) 는, 이 재료 장입기를 통해서, 전공정으로부터 후공정으로 금속 재료가 장입될 때에 당해 금속 재료의 표리면이 교체되었는지 (반전되었는지) 여부의 실적 데이터를, 금속 재료마다 수집한다. 그리고, 표리면 교체 실적 수집부 (14) 는, 금속 재료의 표리면의 교체의 유무에 관한 실적 데이터를 일관 공정 실적 편집부 (16) 에 출력한다.
절단 실적 수집부 (15) 에는, 금속 재료의 선단부 및 미단부를 절단하기 위한 도시되지 않은 절단기가 접속되어 있다. 절단 실적 수집부 (15) 는, 이 절단기를 통해서, 금속 재료의 절단 위치 (절단 시의 금속 재료의 선단으로부터의 거리) 및 절단 횟수 (이하, 「절단 위치 등」이라고 한다) 등의 실적 데이터를, 금속 재료마다 수집한다. 그리고, 절단 실적 수집부 (15) 는, 금속 재료의 절단 위치 등에 관한 실적 데이터를 일관 공정 실적 편집부 (16) 에 출력한다.
또한, 선미단 교체 실적 수집부 (13), 표리면 교체 실적 수집부 (14) 및 절단 실적 수집부 (15) 는, 상기한 제조 실적 수집부 (11) 와 동일하게, 하나만 형성해도 되고, 혹은 각 공정의 수에 맞추어 복수 형성해도 된다.
일관 공정 실적 편집부 (16) 는, 제조 실적 편집부 (12), 선미단 교체 실적 수집부 (13), 표리면 교체 실적 수집부 (14) 및 절단 실적 수집부 (15) 로부터 입력된 실적 데이터를 편집한다. 일관 공정 실적 편집부 (16) 는, 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 금속 재료의 품질을, 소정 범위마다 관련지어 실적 데이터베이스 (17) 에 보존한다.
또, 일관 공정 실적 편집부 (16) 는, 각 공정에 있어서의 금속 재료의 선미단의 교체의 유무, 표리면의 교체의 유무 및 절단 위치를 고려하여 소정 범위를 특정한다. 그리고, 일관 공정 실적 편집부 (16) 는, 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 금속 재료의 품질을, 각 공정에 있어서의 금속 재료의 선미단의 교체의 유무, 표리면의 교체의 유무 및 절단 위치를 구별할 수 있는 형태로, 소정 범위마다 관련지어 실적 데이터베이스 (17) 에 보존한다.
또한, 일관 공정 실적 편집부 (16) 는, 예를 들어 각 공정이 압연 공정이며, 각 공정을 거침으로써 금속 재료의 형상이 변형되는 경우, 금속 재료의 선단으로부터의 체적을 평가하여 소정 범위를 특정하고, 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 금속 재료의 품질을, 소정 범위마다 관련지어 실적 데이터베이스 (17) 에 보존한다. 이 실적 데이터베이스 (17) 에는, 일관 공정 실적 편집부 (16) 에 의해 편집된 실적 데이터가 축적된다.
모델 생성부 (18) 는, 실적 데이터베이스 (17) 에 보존한 각 공정에 있어서의 소정 범위마다의 제조 조건으로부터, 금속 재료의 소정 범위마다의 품질을 예측하는 품질 예측 모델을 생성한다. 모델 생성부 (18) 는, 기계 학습의 수법으로서 예를 들어 XGBoost 를 사용한다. 또한, 기계 학습의 수법으로서는, 그 외에도, 선형 회귀, 국소 회귀, 주성분 회귀, PLS 회귀, 뉴럴 네트워크, 회귀목, 랜덤 포레스트 등 여러 가지 수법을 사용할 수 있다.
예측부 (19) 는, 모델 생성부 (18) 에서 생성된 품질 예측 모델을 사용하여, 임의의 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측한다. 예를 들어 예측 대상이 되는 금속 재료가 슬래브인 경우, 종래의 방법에서는 슬래브 전체의 품질을 예측하고 있었지만, 본 실시형태에서는 슬래브의 길이 방향의 소정 범위의 품질을 예측할 수 있다.
본 실시형태에 관련된 품질 예측 방법 및 품질 예측 모델 생성 방법에 대해, 도 2 ~ 도 7 을 참조하면서 설명한다. 본 실시형태에 관련된 품질 예측 방법은, 도 2 에 나타낸 스텝 S1 ~ 스텝 S6 의 처리를 실시한다. 또, 본 실시형태에 관련된 품질 예측 모델 생성 방법은, 동 도면에 나타낸 스텝 S6 을 제외한 스텝 S1 ~ 스텝 S5 의 처리를 실시한다.
먼저 제조 실적 수집부 (11) 는, 각 공정의 제조 조건 및 품질에 관한 실적 데이터를 수집한다 (스텝 S1). 제조 실적 수집부 (11) 는, 각 공정의 제조 조건 및 품질의 실적 데이터를, 금속 재료마다, 또한 공정마다 수집한다.
제조 실적 수집부 (11) 에 의해 수집되는 실적 데이터는, 예를 들어 도 3 의 표에 나타내는 바와 같이, 시간마다 복수의 제조 조건의 실적값 (또는 설치값) 이 배열된 데이터이다. 동 도면에 나타낸 실적 데이터는, 시간 t1, t2 … 와, 당해 시간에 있어서의 금속 재료의 속도 (통판 속도) v1, v2 … 와, 당해 시간에 센서에 의해 계측된 복수의 제조 조건 x1 1, x1 2 …, x2 1, x2 2 … 로 이루어지는 항목을 가지고 있다. 또한, 복수의 공정 중, 최종 공정에서 수집된 실적 데이터에는, 동 도면에서 나타낸 항목에 부가하여, 금속 재료의 품질에 관한 항목이 포함되어 있다.
계속해서, 선미단 교체 실적 수집부 (13), 표리면 교체 실적 수집부 (14) 및 절단 실적 수집부 (15) 는, 각 공정에 있어서의 금속 재료의 선미단의 교체의 유무, 각 공정에 있어서의 금속 재료의 표리면의 교체의 유무 및 각 공정에 있어서의 금속 재료의 절단 위치 등에 관한 실적 데이터를 수집한다 (스텝 S2).
계속해서, 제조 실적 편집부 (12) 는, 제조 실적 수집부 (11) 에 의해 수집된 실적 데이터를 금속 재료의 길이 단위로 변환한다 (스텝 S3). 즉, 제조 실적 편집부 (12) 는, 도 3 에 나타낸 바와 같은 시간 단위로 수집된 실적 데이터를, 도 4 에 나타내는 바와 같은 금속 재료의 길이 단위의 실적 데이터로 변환한다. 이하, 도 3 의 실적 데이터를 도 4 의 실적 데이터로 변환하는 방법에 대해 설명한다.
먼저 제조 실적 편집부 (12) 는, 시간과 속도 (통판 속도) 를 곱하면 거리가 되는 성질을 이용하여, 도 3 의 각 시간에 있어서의 금속 재료의 위치를 산출한다. 다음으로, 제조 실적 편집부 (12) 는, 각 공정에 설치되어 있는 센서를 금속 재료가 통과하고 있을 때에 실적 데이터가 계상되고, 금속 재료가 통과하고 있지 않을 때는 결손값이 계상되는 성질을 이용하여, 금속 재료의 선미단을 검출한다. 다음으로, 제조 실적 편집부 (12) 는, 금속 재료가 센서를 통과하고 있지 않는 경우를 제외하고, 금속 재료의 선단부터 미단까지의 위치에 대응하는 실적 데이터를 작성한다.
그리고, 이대로는 금속 재료의 길이 단위의 데이터이지만, 정주기의 데이터는 아니기 때문에, 예를 들어 선형 보간 등을 실시함으로써, 금속 재료의 길이 단위, 또한 정주기의 실적 데이터로 변환한다. 즉, 각 공정에 있어서, 금속 재료의 통판 속도가 느린 경우에는 수집할 수 있는 실적 데이터가 상세해지고, 금속 재료의 통판 속도가 빠른 경우에는 수집할 수 있는 실적 데이터가 성겨진다. 그 때문에, 실적 데이터의 성김을 일치시키기 위해서 상기와 같은 보간을 실시한다. 제조 실적 편집부 (12) 는, 이상과 같은 처리를 실시함으로써, 도 4 에 나타내는 바와 같은 금속 재료의 길이 단위의 실적 데이터를 작성한다.
계속해서, 일관 공정 실적 편집부 (16) 는, 전체 공정의 실적 데이터를, 금속 재료의 길이 단위에 일치시켜 결합시킨다 (스텝 S4). 일관 공정 실적 편집부 (16) 는, 제조 실적 편집부 (12) 에 의해 작성된 금속 재료의 길이 단위의 실적 데이터와, 선미단 교체 실적 수집부 (13), 표리면 교체 실적 수집부 (14) 및 절단 실적 수집부 (15) 에 의해 수집된 금속 재료의 선미단의 교체의 유무, 금속 재료의 표리면의 교체의 유무 및 금속 재료의 절단 위치 등에 관한 실적 데이터를 기초로, 전체 공정의 금속 재료의 복수의 제조 조건 및 품질의 실적 데이터를, 최종 공정의 출구 측에 있어서의 금속 재료의 길이 단위에 일치시켜 결합시킨다.
이와 같이 하여, 일관 공정 실적 편집부 (16) 는, 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 금속 재료의 품질을, 금속 재료의 길이 방향에 있어서의 소정 범위마다 관련지어, 실적 데이터베이스 (17) 에 보존한다. 이하, 일관 공정 실적 편집부 (16) 에 의한 처리의 일례에 대해 설명한다.
예를 들어 도 5 에 나타내는 바와 같이, 공정 1, 공정 2 및 공정 3 을 거쳐 금속 재료 (재료) 를 제조하는 경우를 생각한다. 공정 1 ~ 공정 3 은, 예를 들어 압연 공정이며, 공정을 거칠 때마다 재료의 길이 방향의 길이가 커진다. 또, 동 도면에 나타내는 바와 같이, 공정 1 로부터 공정 2 로 옮길 때에 재료 A 가 재료 A1 및 재료 A2 로 분할되고, 공정 2 로부터 공정 3 으로 옮길 때에 재료 A1 이 재료 A11 및 재료 A12 로 분할된다.
도 6 은, 각 공정의 재료의 이미지를 나타내고 있고, 도 5 의 B 부에 주목한 도면이다. 예를 들어 공정 1 의 재료 A 는, 제조 실적 수집부 (11) 에 의해, 선단부터 미단까지의 길이 5300 mm 의 범위에 있어서, 50 mm 마다 예를 들어 X1 1 ~ X1 M1 의 M1 개의 항목의 실적 데이터가 수집된다. 또, 재료 A 는, 절단 실적 수집부 (15) 에 의해, 0 mm (선단) ~ 250 mm 의 선단부가 잘려 버려지고, 250 mm ~ 3300 mm 에서 재료 A1 이 취해지고, 3300 mm ~ 4950 mm 에서 재료 A2 가 취해지고, 4950 mm ~ 5300 mm (미단) 의 미단부가 잘려 버려진 실적 데이터가 수집된다.
계속해서, 공정 2 의 재료 A1 은, 선미단 교체 실적 수집부 (13) 에 의해, 「선미단의 교체 있음」의 실적 데이터가 수집된다. 또, 재료 A1 은, 제조 실적 수집부 (11) 에 의해, 선단부터 미단까지의 길이 68000 mm 의 범위에 있어서, 100 mm 마다 예를 들어 X2 1 ~ X2 M2 의 M2 개의 항목의 실적 데이터가 수집된다. 또, 재료 A1 은, 절단 실적 수집부 (15) 에 의해, 0 mm (선단) ~ 500 mm 의 선단부가 잘려 버려지고, 500 mm ~ 34500 mm 에서 재료 A11 이 취해지고, 34500 mm ~ 66800 mm 에서 재료 A12 가 취해지고, 66800 mm ~ 68000 mm (미단) 의 미단부가 잘려 버려진 실적 데이터가 수집된다.
계속해서, 공정 3 의 재료 A11 은, 선미단 교체 실적 수집부 (13) 에 의해, 「선미단의 교체 없음」의 실적 데이터가 수집된다. 또, 재료 A11 은, 제조 실적 수집부 (11) 에 의해, 선단부터 미단까지의 길이 65000 mm 의 범위에 있어서, 500 mm 마다 예를 들어 X3 1 ~ X3 M3 의 M3 개의 항목의 실적 데이터가 수집된다. 또, 재료 A11 은, 절단 실적 수집부 (15) 에 의해, 0 mm (선단) ~ 2500 mm 의 선단부가 잘려 버려지고, 2500 mm ~ 59700 mm 에서 재료 A11 이 취해지고, 59700 mm ~ 65000 mm (미단) 의 미단부가 잘려 버려진 실적 데이터가 수집된다.
일관 공정 실적 편집부 (16) 는, 각 공정에 있어서의 금속 재료의 선미단의 교체의 유무, 표리면의 교체의 유무 및 절단 위치 등의 실적 데이터를 고려하면서, 도시되지 않은 센서에 의해 길이 방향으로 상세하게 수집되고 있는 전체 공정의 실적 데이터를 최종 공정에 있어서의 금속 재료의 길이 단위에 결합시키기 위해서, 도 5 에 나타내는 바와 같이, 최종 공정인 공정 3 의 재료 길이에 맞추어, 공정 2 및 공정 1 의 재료 길이를 스케일링한다 (동 도면의 파선 참조).
그리고, 일관 공정 실적 편집부 (16) 는, 각 공정에서 잘라 버린 선단부 및 미단부를 고려하면서, 각 금속 재료를 취한 위치를 특정하고, 최종 공정의 금속 재료의 각 소정 범위에 있어서, 소정 범위의 품질과, 당해 소정 범위에 있어서의 전체 공정의 제조 조건을 관련지어, 실적 데이터베이스 (17) 에 보존한다. 예를 들어 도 6 에서는, 최종 공정인 공정 3 에서 재료 A11 을 취한 망점 부분을, 공정 2 의 재료 A1, 공정 1 의 재료 A 에 소급하여 특정한다. 이와 같은 처리를 모든 금속 재료에 대해 반복하여 실시함으로써, 도 7 에 나타내는 바와 같이, 전체 공정에 있어서의 금속 재료의 복수의 제조 조건 (및 품질) 의 실적 데이터를, 금속 재료의 길이 단위에 일치시켜 결합시킨 실적 데이터를 작성한다. 이하, 도 2 로 돌아가 설명을 계속한다.
모델 생성부 (18) 는, 각 공정에 있어서의 소정 범위마다의 제조 조건으로부터, 금속 재료의 소정 범위마다의 품질을 예측하는 품질 예측 모델을 생성한다 (스텝 S4). 계속해서, 예측부 (19) 는, 모델 생성부 (18) 에서 생성된 품질 예측 모델을 사용하여, 임의의 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측한다 (스텝 S5).
이상 설명한 바와 같은 본 실시형태에 관련된 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치에 의하면, 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 금속 재료의 품질을, 소정 범위마다 관련지은 품질 예측 모델을 생성함으로써, 임의의 제조 조건에 대한 금속 재료의 품질을, 종래보다 고정밀도로 예측할 수 있다.
즉, 본 실시형태에 관련된 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치에서는, 전체 공정의 복수의 제조 조건 (및 품질) 의 실적 데이터를, 각 공정에 있어서의 선미단의 교체, 표리면의 교체 및 절단 위치 등을 고려하여, 최종 공정의 출구 측에 있어서의 금속 재료의 길이 단위에 일치시켜 결합시킨다. 그 때문에, 센서에 의해 금속 재료의 길이 방향으로 상세하게 수집되고 있는 제조 조건의 실적 데이터를 유효하게 활용하여 품질의 예측을 실시하기 때문에, 종래보다 고정밀도로 품질을 예측할 수 있다.
또한, 본 실시형태에 관련된 품질 예측 방법을 금속 재료의 제조 방법에 적용한 경우, 예를 들어 이하와 같은 처리를 실시한다. 먼저 금속 재료의 제조 도중에 확정한 제조 조건을 고정한 후, 본 실시형태에 관련된 품질 예측 방법에 의해, 고정한 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측한다. 그리고, 그 예측 결과에 기초하여, 그 후의 공정의 제조 조건을 변경한다. 또, 제조 조건의 변경은, 제조되는 금속 재료의 전체 길이에 걸쳐 포함되는 모든 소정 범위마다의 품질이, 미리 정해진 관리 범위 내에 들어가도록 변경된다. 이와 같이 본 실시형태에 관련된 품질 예측 방법을 금속 재료의 제조 방법에 적용함으로써, 제조 도중의 단계에서 최종적인 금속 재료의 품질을 예측할 수 있고, 그것에 따라 제조 조건을 변경할 수 있으므로, 제조하는 금속 재료의 품질이 향상된다.
실시예
본 실시형태에 관련된 품질 예측 방법의 실시예에 대해 설명한다. 본 실시예에서는, 본 실시형태에 관련된 품질 예측 방법을, 냉연박 강판의 일종인 고가공성 고강도 냉연 강판의 인장 강도의 예측에 대해 적용했다.
본 실시예에 있어서의 품질 예측의 목적 변수 (품질) 는, 제품 (고가공성 고강도 냉연 강판) 의 인장 강도이며, 설명 변수 (제조 조건) 는, 제련 공정에 있어서의 금속 재료의 화학 성분, 주조 공정에 있어서의 금속 재료의 온도, 가열 공정에 있어서의 금속 재료의 온도, 열간 압연 공정에 있어서의 금속 재료의 온도, 냉각 공정에 있어서의 금속 재료의 온도, 냉간 압연 공정에 있어서의 금속 재료의 온도, 어닐링 공정에 있어서의 금속 재료의 온도 등이다.
본 실시예에서는, 각 제조 조건 및 품질에 대해, 하나의 제품에 대해, 각각 하나의 평균값 등의 대표값이 격납되어 있는 종래의 실적 데이터베이스 (도 8(a) 참조) 로부터 예측하는 경우와, 본 실시형태에 관련된 품질 예측 방법의 실적 데이터베이스 (도 8(b) 참조) 로부터 생성한 품질 예측 모델로부터 예측하는 경우로 예측 결과를 비교했다. 실적 데이터베이스의 샘플수는 40000, 설명 변수의 수는 45, 예측 수법은 국소 회귀를 사용했다. 예측의 결과, 도 9 에 나타내는 바와 같이, 본 실시형태에 관련된 품질 예측 방법에 의한 예측 오차 (도 9(b) 참조) 는, 종래의 품질 예측 방법에 의한 예측 오차 (도 9(a) 참조) 와 비교해, 근평균 제곱 오차 (RMSE : Root Mean Square Error) 를 23 % 저감할 수 있는 것이 확인되었다.
또, 본 실시형태에 관련된 품질 예측 방법을, 후강판의 표리면 경도의 예측에 대해 적용했다. 목적 변수는, 제품의 표리면의 경도이며, 설명 변수는, 제련 공정의 화학 성분, 주조 공정의 표리면 온도, 가열 공정의 표리면 온도, 압연 공정의 표리면 온도, 냉각 공정의 표리면 온도 등이다.
각 제조 조건 및 품질에 대해, 하나의 제품에 대해, 각각 하나의 평균값 등의 대표값이 격납되어 있는 종래의 실적 데이터베이스 (도 8(a) 참조) 로부터 예측하는 경우와, 본 실시형태에 관련된 품질 예측 방법의 실적 데이터베이스 (도 8(b) 참조) 로부터 생성한 품질 예측 모델로부터 예측하는 경우로 예측 결과를 비교했다. 실적 데이터베이스의 샘플수는 10000, 설명 변수의 수는 30, 예측 수법은 선형 회귀를 사용했다. 예측의 결과, 도 10 에 나타내는 바와 같이, 본 실시형태에 관련된 품질 예측 방법에 의한 예측 오차 (도 10(b) 참조) 는, 종래의 품질 예측 방법에 의한 예측 오차 (도 10(a) 참조) 와 비교해, 근평균 제곱 오차 (RMSE) 를 26 % 저감할 수 있는 것이 확인되었다.
또, 본 실시형태에 관련된 품질 예측 방법을, 냉연 박강판의 일종인 용융 아연 도금 강판의 표리면 결함의 예측에 대해 적용했다. 목적 변수는, 제품의 표리면의 결함 유무이며, 설명 변수는, 제련 공정의 화학 성분, 주조 공정의 표리면 온도, 메니스커스 유속, 몰드 탕면 레벨, 가열 공정의 표리면 온도, 열간 압연 공정의 표리면 온도, 냉각 공정의 표리면 온도, 산세 공정의 산 농도, 산 온도, 냉압 공정의 표리면 온도, 어닐링 공정의 표리면 온도, 도금 공정의 도금 부착량, 합금화도 등이다.
각 제조 조건 및 품질에 대해, 하나의 제품에 대해, 각각 하나의 평균값 등의 대표값이 격납되어 있는 종래의 실적 데이터베이스 (도 8(a) 참조) 로부터 예측하는 경우와, 본 실시형태에 관련된 품질 예측 방법의 실적 데이터베이스 (도 8(b) 참조) 로부터 생성한 품질 예측 모델로부터 예측하는 경우로 예측 결과를 비교했다. 실적 데이터베이스의 샘플수는 4000, 설명 변수의 수는 250, 예측 수법은 결정목을 사용했다. 예측의 결과, 도 11 에 나타내는 바와 같이, 본 실시형태에 관련된 품질 예측 방법에 의한 오답률 (도 11(b) 참조) 은, 종래의 품질 예측 방법에 의한 오답률 (도 11(a) 참조) 과 비교해, 14 % 저감할 수 있는 것이 확인되었다.
또, 본 실시형태에 관련된 품질 예측 방법을, 냉연 박강판의 일종인 고강도 냉연 강판의 인장 강도 예측에 대해 적용하고, 그 예측 결과에 기초하여, 그 후의 공정의 제조 조건의 변경을 실시했다. 여기서는, 제강 공정, 열연 공정 및 연 공정의 최종 단계 전까지의 제조 조건의 실적값까지가 얻어져 있는 제조 도중의 단계에서, 냉연 공정의 최종 단계의 제조 조건인 어닐링 후 냉각 온도를 변경하는 예에 대해 서술한다.
제강 공정, 열연 공정 및 냉연 공정의 최종 단계 전까지의 제조 조건의 실적값, 그리고 냉연 공정의 최종 단계의 제조 조건인 어닐링 후 냉각 온도의 기준값을 기초로, 본 실시형태에 관련된 품질 예측 방법을 사용하여 예측한 제품의 전체 길이의 각 위치의 인장 강도 예측값을 이하와 같이 나타낸다.
Figure pct00001
또, 어닐링 온도 후의 냉각 온도가 기준값으로부터 Δμ 만큼 변화했을 때, 본 실시형태에 관련된 품질 예측 방법을 사용하여 예측한 제품의 전체 길이의 각 위치의 인장 강도의 변화량을 이하와 같이 나타낸다.
Figure pct00002
이상을 근거로 하여, 하기 식 (1) 로 표현되는 최적화 문제를 푼다.
Figure pct00003
여기서, 상기 식 (1) 에 있어서, yLL 및 yUL 는, 각각 인장 강도의 관리 하한 및 관리 상한이며, Δμ* 는, 이 최적화 문제의 최적해이다. 이 최적화 문제는, 분지 한정법 등의 수리 계획법에 의해 풀 수 있다. 어닐링 온도 후의 냉각 온도를 Δμ* 만큼 변경함으로써, 전체 길이의 인장 강도가 관리 범위를 벗어나지 않는, 즉 전체 길이에 걸쳐 품질 불량이 없는 냉연 강판을 얻을 수 있다.
이와 같이, 본 실시형태에 관련된 품질 예측 방법의 실적 데이터베이스에 격납되어 있는 실적 데이터는, 최종 공정의 금속 재료의 각 소정 범위에 있어서, 선미단의 교체의 유무, 표리면의 교체의 유무 및 절단 위치 등의 실적 데이터를 고려하면서, 경도 또는 결함 유무와 전체 공정의 제조 조건의 정밀한 실적 데이터를 소급하여 결합시킬 수 있도록 된다. 그리고, 그와 같이 구축한 실적 데이터베이스로부터 생성한 품질 예측 모델을 기초로, 임의의 제조 조건에 있어서의 예측값을 산출하기 때문에, 금속 재료의 품질을 고정밀도로 예측하는 것이 가능해진다.
이상, 본 발명에 관련된 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치에 대해, 발명을 실시하기 위한 형태 및 실시예에 의해 구체적으로 설명했지만, 본 발명의 취지는 이들 기재에 한정되는 것이 아니고, 청구 범위의 기재에 기초하여 넓게 해석해야 한다. 또, 이들 기재에 기초하여 여러 가지 변경, 개변 등 한 것도 본 발명의 취지에 포함되는 것은 말할 필요도 없다.
예를 들어 상기한 실시형태에 있어서, 일관 공정 실적 편집부 (16) 는, 각 공정에 있어서의 금속 재료의 선미단의 교체의 유무, 표리면의 교체의 유무 및 절단 위치를 고려하여 소정 범위를 특정하고 있었지만, 금속 재료의 선미단의 교체, 금속 재료의 표리면의 교체, 금속 재료의 절단의 각 처리는, 반드시 모두를 포함하지 않는 케이스도 있다. 그 때문에, 일관 공정 실적 편집부 (16) 는, 금속 재료의 선미단의 교체의 유무, 금속 재료의 표리면의 교체의 유무 및 금속 재료의 절단 위치의 실적 데이터 중, 적어도 하나 이상을 고려하여 소정 범위를 특정하는 것으로 해도 된다.
1 : 품질 예측 장치
11 : 제조 실적 수집부
12 : 제조 실적 편집부
13 : 선미단 교체 실적 수집부
14 : 표리면 교체 실적 수집부
15 : 절단 실적 수집부
16 : 일관 공정 실적 편집부
17 : 실적 데이터베이스
18 : 모델 생성부
19 : 예측부

Claims (11)

  1. 하나 또는 복수의 공정을 거쳐 제조되는 금속 재료의 품질 예측 모델 생성 방법으로서,
    각 공정의 제조 조건을, 미리 정한 상기 금속 재료의 소정 범위마다 수집하는 제 1 수집 스텝과,
    상기 각 공정을 거쳐 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 평가하여 수집하는 제 2 수집 스텝과,
    상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존하는 보존 스텝과,
    보존한 상기 각 공정에 있어서의 상기 소정 범위마다의 제조 조건으로부터, 상기 금속 재료의 상기 소정 범위마다의 품질을 예측하는 품질 예측 모델을 생성하는 모델 생성 스텝
    을 포함하는 품질 예측 모델 생성 방법.
  2. 제 1 항에 있어서,
    상기 소정 범위는, 상기 각 공정에 있어서의 반송 방향에 따른 상기 금속 재료의 이동 거리에 기초하여 결정되는 품질 예측 모델 생성 방법.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 보존 스텝 전에, 상기 각 공정에 있어서의 상기 금속 재료의 선미단의 교체의 유무와, 상기 각 공정에 있어서의 상기 금속 재료의 표리면의 교체의 유무와, 상기 각 공정에 있어서의 상기 금속 재료의 절단 위치 중 적어도 하나 이상을 수집하는 제 3 수집 스텝을 포함하고,
    상기 보존 스텝은, 상기 각 공정에 있어서의 상기 금속 재료의 선미단의 교체의 유무, 표리면의 교체의 유무 및 절단 위치 중 적어도 하나 이상을 고려하여 상기 소정 범위를 특정하고, 상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존하는 품질 예측 모델 생성 방법.
  4. 제 1 항 또는 제 2 항에 있어서,
    상기 각 공정을 거침으로써 상기 금속 재료의 형상이 변형되는 경우,
    상기 보존 스텝은, 상기 금속 재료의 선단으로부터의 체적을 평가하여 상기 소정 범위를 특정하고, 상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존하는 품질 예측 모델 생성 방법.
  5. 제 1 항 또는 제 2 항에 있어서,
    상기 모델 생성 스텝은, 선형 회귀, 국소 회귀, 주성분 회귀, PLS 회귀, 뉴럴 네트워크, 회귀목, 랜덤 포레스트, XGBoost 를 포함하는 기계 학습을 사용하여 상기 품질 예측 모델을 생성하는 품질 예측 모델 생성 방법.
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 기재된 품질 예측 모델 생성 방법에 의해 생성된 품질 예측 모델.
  7. 제 1 항 내지 제 5 항 중 어느 한 항에 기재된 품질 예측 모델 생성 방법에 의해 생성된 품질 예측 모델을 사용하여, 임의의 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측하는 품질 예측 방법.
  8. 제조 도중에 확정한 제조 조건을 고정하고, 제 7 항에 기재된 품질 예측 방법에 의해, 상기 고정한 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측하고, 그 예측 결과에 기초하여, 그 후의 공정의 제조 조건을 변경하는 금속 재료의 제조 방법.
  9. 제 8 항에 있어서,
    상기 제조 조건의 변경은, 제조되는 금속 재료의 전체 길이에 걸쳐 포함되는 모든 상기 소정 범위마다의 품질이, 미리 정해진 관리 범위 내에 들어가도록 변경되는 금속 재료의 제조 방법.
  10. 하나 또는 복수의 공정을 거쳐 제조되는 금속 재료의 품질 예측 모델 생성 장치로서,
    각 공정의 제조 조건을, 미리 정한 상기 금속 재료의 소정 범위마다 수집하는 수단과,
    상기 각 공정을 거쳐 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 평가하여 수집하는 수단과,
    상기 각 공정의 제조 조건과, 이 제조 조건하에서 제조되는 상기 금속 재료의 품질을, 상기 소정 범위마다 관련지어 보존하는 수단과,
    보존한 상기 각 공정에 있어서의 상기 소정 범위마다의 제조 조건으로부터, 상기 금속 재료의 상기 소정 범위마다의 품질을 예측하는 품질 예측 모델을 생성하는 수단
    을 구비하는 품질 예측 모델 생성 장치.
  11. 제 10 항에 기재된 품질 예측 모델 생성 장치에 의해 생성된 품질 예측 모델을 사용하여, 임의의 제조 조건하에서 제조되는 금속 재료의 품질을 소정 범위마다 예측하는 품질 예측 장치.
KR1020217040258A 2019-07-22 2020-06-09 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치 KR20220007653A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2019-134701 2019-07-22
JP2019134701 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
KR20220007653A true KR20220007653A (ko) 2022-01-18

Family

ID=74193371

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217040258A KR20220007653A (ko) 2019-07-22 2020-06-09 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치

Country Status (8)

Country Link
US (1) US20220261520A1 (ko)
EP (1) EP4006670A4 (ko)
JP (1) JP7207547B2 (ko)
KR (1) KR20220007653A (ko)
CN (1) CN114144738A (ko)
MX (1) MX2022000808A (ko)
TW (1) TWI759770B (ko)
WO (1) WO2021014804A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7484845B2 (ja) * 2021-08-19 2024-05-16 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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004355189A (ja) 2003-05-28 2004-12-16 Jfe Steel Kk 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
JP2009230412A (ja) 2008-03-21 2009-10-08 Jfe Steel Corp 結果予測装置、及び、これを用いた製品品質予測方法
JP2014013560A (ja) 2012-06-04 2014-01-23 Jfe Steel Corp 結果予測装置および結果予測方法
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
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
JP2017120638A (ja) 2015-12-24 2017-07-06 Ｊｆｅスチール株式会社 結果予測装置及び結果予測方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4477269B2 (ja) * 2001-12-28 2010-06-09 Ｊｆｅスチール株式会社 コイル材の先後端不良部除去方法およびそのシステム
JP4495960B2 (ja) * 2003-12-26 2010-07-07 キヤノンＩｔソリューションズ株式会社 プロセスと品質との関係についてのモデル作成装置
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
KR101889668B1 (ko) * 2014-09-10 2018-08-17 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 압연 시뮬레이션 장치
KR101897022B1 (ko) * 2014-10-10 2018-09-10 제이에프이 스틸 가부시키가이샤 재료 특성값 추정 방법, 재료 특성값 추정 장치 및 강대의 제조 방법
KR101895193B1 (ko) * 2016-03-28 2018-10-04 미쓰비시덴키 가부시키가이샤 품질 관리 장치, 품질 관리 방법 및 품질 관리 프로그램을 기록하는 기록 매체
TWI625615B (zh) * 2016-11-29 2018-06-01 財團法人工業技術研究院 預測模型建立方法及其相關預測方法與電腦程式產品
IL270977B2 (en) * 2017-05-31 2024-01-01 Asml Netherlands Bv Methods and device for predicting performance of measurement method, measurement method and device
JP6953990B2 (ja) * 2017-10-17 2021-10-27 日本製鉄株式会社 品質予測装置及び品質予測方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004355189A (ja) 2003-05-28 2004-12-16 Jfe Steel Kk 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
JP2009230412A (ja) 2008-03-21 2009-10-08 Jfe Steel Corp 結果予測装置、及び、これを用いた製品品質予測方法
JP2014013560A (ja) 2012-06-04 2014-01-23 Jfe Steel Corp 結果予測装置および結果予測方法
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
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
JP2017120638A (ja) 2015-12-24 2017-07-06 Ｊｆｅスチール株式会社 結果予測装置及び結果予測方法

Also Published As

Publication number Publication date
US20220261520A1 (en) 2022-08-18
EP4006670A4 (en) 2022-09-14
WO2021014804A1 (ja) 2021-01-28
TW202113521A (zh) 2021-04-01
JP7207547B2 (ja) 2023-01-18
MX2022000808A (es) 2022-02-16
JPWO2021014804A1 (ja) 2021-11-04
CN114144738A (zh) 2022-03-04
EP4006670A1 (en) 2022-06-01
TWI759770B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
KR20220007653A (ko) 품질 예측 모델 생성 방법, 품질 예측 모델, 품질 예측 방법, 금속 재료의 제조 방법, 품질 예측 모델 생성 장치 및 품질 예측 장치
JP4383493B2 (ja) ７８０ＭＰａ以上のＴＳを持つハイテン出荷鋼板の材質情報提供方法及び材質情報利用方法
JP2005315703A (ja) 鋼材の材質予測方法
CN107179749A (zh) 热镀锌产品全流程质量控制方法
KR102145465B1 (ko) 산업 공정의 제품 특성 및 제조 비용의 최적화를 위한 방법
CN110321658B (zh) 一种板材性能的预测方法及装置
Aksenov et al. Classification of geokhod units and systems based on product cost analysis and estimation for a prototype model production
JP3223856B2 (ja) 圧延機の制御方法及び圧延機の制御装置
CN103157772A (zh) 一种连铸坯内部质量的预报方法
JP5962290B2 (ja) 鋼材の熱伝達係数予測装置及び冷却制御方法
Nikolayevich et al. Structural-matrix models for long product rolling processes: modeling production traceability and forming consumer properties of products
Brlić et al. Mathematical modeling of the influence parameters during formation and propagation of the Lüders bands
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
JP7251687B2 (ja) 品質異常解析方法、金属材料の製造方法および品質異常解析装置
JP6958488B2 (ja) めっき付着量制御方法、溶融めっき鋼帯の製造方法、めっき付着量制御装置およびめっき付着量制御プログラム
JPH10207954A (ja) 標準製造原価情報の保持・算出方法及び装置
Theeb et al. Six Sigma framework methodology for deep drawing process improvement
Tschimpke et al. Statistical Methods for Predicting of the Quality of Aluminum Ingots
Rodziewicz et al. Application of time-series analysis for predicting defects in continuous steel casting process
Idzik et al. Decision Support for the Optimization of Continuous Processesusing Digital Shadows
Hofstetter Process improvement through designed experiments
JPH08112607A (ja) シーケンススケジューリング装置
Alexandru et al. Determination of Correlation Between Composition, Rolling Parameters and Mechanical Characteristics of the Hot Rolled Steels
Kulkarni et al. A system of process models for estimating parameters of continuous casting using near solidus properties of steel
Abdel-Razek et al. Developing and Implementing a Model to Evaluate the Effect of Technological Changes on Productivity.

Legal Events

Date Code Title Description
E902 Notification of reason for refusal