TW202035737A - 熱浸鍍鋅產品缺陷估測系統及其方法 - Google Patents
熱浸鍍鋅產品缺陷估測系統及其方法 Download PDFInfo
- Publication number
- TW202035737A TW202035737A TW108109615A TW108109615A TW202035737A TW 202035737 A TW202035737 A TW 202035737A TW 108109615 A TW108109615 A TW 108109615A TW 108109615 A TW108109615 A TW 108109615A TW 202035737 A TW202035737 A TW 202035737A
- Authority
- TW
- Taiwan
- Prior art keywords
- hot
- information
- value
- classification model
- production information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 120
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000005246 galvanizing Methods 0.000 title claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 83
- 238000013145 classification model Methods 0.000 claims abstract description 38
- 238000003491 array Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 4
- 238000007747 plating Methods 0.000 claims description 4
- 239000011701 zinc Substances 0.000 claims description 4
- 229910052725 zinc Inorganic materials 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 abstract 1
- 238000005097 cold rolling Methods 0.000 description 17
- 238000005098 hot rolling Methods 0.000 description 16
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000002436 steel type Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Landscapes
- Coating With Molten Metal (AREA)
Abstract
本發明提供了一種熱浸鍍鋅產品缺陷估測系統及一種熱浸鍍鋅產品缺陷估測方法,其中熱浸鍍鋅產品缺陷估測方法包含步驟:收集複數個鍍鋅前物件的一歷史生產資訊,其中各該歷史生產資訊記錄該鍍鋅前物件所經歷過的至少一製程,其中該製程具有複數個製程條件;處理該些製程及該些製程條件,以形成複數個自變數組;使用一基因演算法選取該些變數組中的至少一個作為一預建立分類模型;使用該預建立分類模型及該鍍鋅前物件的一歷史生產資訊,以產生一預測資訊;以及依據該預測資訊估測該缺陷是否產生並且產生一建議資訊。
Description
本發明係關於一種缺陷估測系統,特別是關於一種熱浸鍍鋅產品缺陷估測系統及其方法。
熱浸鍍鋅的產品中常在鍍鋅後產品表面產生缺陷,例如鼓起,而這樣的問題常發生在薄板或厚鍍鋅層的產品上。以現行業界技術在熱浸鍍鋅之前,各類產品可能會經歷,例如熱軋、酸洗、冷軋等製程。而目前在熱浸鍍鋅製程之前的評估或熱浸鍍鋅製程中製程條件的調配,多是以操作者本身的累積經驗來進行估測及調整,而每一個操作者估測的依據也不竟相同,無法系統性的累積相關經驗,進而導致不易建立系統化的估測模型。
故,必要提供一種熱浸鍍鋅產品缺陷估測系統及其方法,以解決習用技術所存在的問題。
本發明之主要目的在於提供一種熱浸鍍鋅產品缺陷估測系統及其方法,透過熱浸鍍鋅之前物件的歷史生產資訊來估測其是否是缺陷(鼓起)危險群。
本發明的另一目的在於針對所估測出缺陷(鼓起)危險群產品,對產線進行預警,以進行製程條件調整或是轉單,進而降低產品出現缺陷的機率,並且降低客訴率。
為了達成上述之目的,本發明提供一種熱浸鍍鋅產品缺陷估測系統,用以預測一鍍鋅前物件經一熱浸鍍鋅製程後是否產生一缺陷,其包含:一歷史生產數據資料庫,用以儲存複數個生產資訊;一預測模組,
其建立一預建立分類模型並使用來自該歷史生產數據資料庫的該鍍鋅前物件的一歷史生產資訊,以產生一預測資訊,其中該歷史生產資訊記錄該鍍鋅前物件所經歷過的至少一製程,其中該製程具有複數個製程條件,其中形成該預建立分類模型包含步驟:收集複數個該鍍鋅前物件的該歷史生產資訊;處理該些製程及該些製程條件,以形成複數個自變數組;及利用一基因演算法選取該些自變數組中的至少一個作為該預建立分類模型;一評估模組,連接該預測模組,該評估模組依據該預測資訊估測該缺陷是否產生並且產生一建議資訊;以及一生產模組,連接該評估模組,並且依據該建議資訊處理該鍍鋅前物件,並且產生一鍍鋅生產資訊,其中該鍍鋅生產資訊儲存於該歷史生產數據資料庫。
在本發明之一實施例中,該預測模組使用該基因演算法選取該些自變數組中的C個作為該預建立分類模型,其中C值由該基因演算法決定且C值大於1。
在本發明之一實施例中,該預測模組使用一少數樣本合成技術來增加一取樣數量,其中該取樣數量為一原始採樣數量的(1+N/100)倍,其中N值的範圍在0至17之間,並且使用該基因演算法選取N值。
在本發明之一實施例中,該預測模組將該些製程及該些製程條件轉換成複數個數值、正規化該些數值,並且排除該些數值的一平均值加減n倍標準差範圍之外的該些數值,其中n的範圍在2至6之間。
本發明還提供一種熱浸鍍鋅產品缺陷估測方法,用以預測一鍍鋅前物件經一熱浸鍍鋅製程後是否產生一缺陷,其包含步驟:收集複數個鍍鋅前物件的一歷史生產資訊,其中各該歷史生產資訊記錄該鍍鋅前物件所經歷過的至少一製程,其中該製程具有複數個製程條件;處理該些製程及該些製程條件,以形成複數個自變數組;使用一基因演算法選取該些自變數組中的至少一個作為一預建立分類模型;使用該預建立分類模型及該鍍鋅前物件的一歷史生產資訊,以產生一預測資訊;以及依據該預測資訊估測該缺陷是否產生並且產生一建議資訊。
在本發明之一實施例中,處理該些製程及該些製程條件,更包含:將該些製程及該些製程條件轉換成一參數條件對照表,該參數條
件對照表具有複數個欄位及對應該些欄位的複數個數值;將該些數值正規化在0至1之間;以及排除各欄位的該些數值的一平均值加減n倍標準差範圍之外的該些數值,其中n的範圍在2至6之間。
在本發明之一實施例中,該熱浸鍍鋅產品缺陷估測方法,更包含:使用該基因演算法選取該些自變數組中的C個作為該預建立分類模型,其中C值由該基因演算法決定且C值大於1。
在本發明之一實施例中,更包含:使用一合成少數類過採樣技術(Synthetic Minority Over-sampling Technique,SMOTE)來增加一取樣數量,其中該取樣數量為一原始採樣數量的(1+N/100)倍,其中N值的範圍在0至17之間。
在本發明之一實施例中,該熱浸鍍鋅產品缺陷估測方法,更包含:使用該基因演算法選取N值。
在本發明之一實施例中,該熱浸鍍鋅產品缺陷估測方法,更包含:依據該建議資訊處理該鍍鋅前物件,並且產生一鍍鋅生產資訊。
如上所述,本發明透過串接鍍鋅前物件的歷史生產資訊,搭配例如基因演算法之類的機器學習演算法來建立估測分類模型,而利用自動化運算所建立出的估測分類模型,可以省時且系統化的估測產品在熱浸鍍鋅後是否會產生缺陷。此外,本發明更可以對可能產生缺陷的危險群進行預警,例如調整熱浸鍍鋅的製程條件,以降低產品出現缺陷的機率、或例如停止對危險群作業或轉單,以避免無謂的產能消耗。
100‧‧‧熱浸鍍鋅產品缺陷估測系統
110‧‧‧歷史生產數據資料庫
112‧‧‧生產資訊
120‧‧‧預測模組
122‧‧‧預建立分類模型
124‧‧‧預測資訊
130‧‧‧評估模組
132‧‧‧建議資訊
140‧‧‧生產模組
142‧‧‧鍍鋅生產資訊
310‧‧‧熱軋製程
311‧‧‧鋼種
312‧‧‧熱軋壓力
313‧‧‧熱軋溫度
320‧‧‧冷軋製程
321‧‧‧鋼種
322‧‧‧冷軋壓力
323‧‧‧冷軋溫度
400‧‧‧參數條件對照表
411‧‧‧列
412‧‧‧列
413‧‧‧列
421‧‧‧行
422‧‧‧行
423‧‧‧行
424‧‧‧行
425‧‧‧行
S110~S150‧‧‧步驟
第1圖是本發明一種熱浸鍍鋅產品缺陷估測系統的示意圖。
第2圖是本發明一種熱浸鍍鋅產品缺陷估測方法的一實施例的步驟流程圖。
第3A至3C圖是本發明中轉換製程及製程條件成一參數條件對照表一實施例。
為了讓本發明之上述及其他目的、特徵、優點能更明顯易
懂,下文將特舉本發明較佳實施例,並配合所附圖式,作詳細說明如下。再者,本發明所提到的方向用語,例如上、下、頂、底、前、後、左、右、內、外、側面、周圍、中央、水平、橫向、垂直、縱向、軸向、徑向、最上層或最下層等,僅是參考附加圖式的方向。因此,使用的方向用語是用以說明及理解本發明,而非用以限制本發明。
請參照第1圖,第1圖是本發明一種熱浸鍍鋅產品缺陷估測系統的示意圖。本發明提供一種熱浸鍍鋅產品缺陷估測系統100,用以預測一鍍鋅前物件經一熱浸鍍鋅製程後是否產生一缺陷,其包含:一歷史生產數據資料庫110、一預測模組120、一評估模組130及一生產模組140。其中該缺陷例如為熱浸鍍鋅後產品表面的鼓起或是凹陷。
該歷史生產數據資料庫110用以儲存複數個生產資訊112。該些生產資訊112可以是各類產品在熱浸鍍鋅前/熱浸鍍鋅後的各種生產資訊,例如鍍鋅前的歷史生產資訊或是鍍鋅生產資訊。各類產品可以是鋼捲、鋼條或是其它需要熱浸鍍鋅的產品,而各類產品在熱浸鍍鋅的製程前至少經歷過一種製程。
該預測模組120建立一預建立分類模型122,並且使用來自該歷史生產數據資料庫110的該鍍鋅前物件的一歷史生產資訊112,以產生一預測資訊124,其中該歷史生產資訊112記錄該鍍鋅前物件所經歷過的至少一製程,其中該製程具有複數個製程條件。其中該預測模組120形成該預建立分類模型122包含步驟:收集複數個該鍍鋅前物件的該歷史生產資訊122。
處理該些製程及該些製程條件,以形成複數個自變數組。
用一基因演算法選取該些自變數組中的至少一個作為該預建立分類模型122。
該預測模組120將該些製程及該些製程條件轉換成複數個數值、正規化該些數值,並且排除該些數值的一平均值加減n倍標準差範圍之外的該些數值,其中n的範圍在2至6之間。藉此過濾一些離群值/偏差值,避免離群值/偏差值影響該預建立分類模型122。
該預測模組120使用該基因演算法選取該些自變數組中的
C個自變數組作為該預建立分類模型122,其中C值由該基因演算法決定且C值大於1。意即,該預測模組120可以透過該基因演算法來決定1個、5個甚至更多的自變數組來作為該預建立分類模型122。
然而,當歷史生產數據資料庫110中的生產資訊數量太少(樣本太少)時。該預測模組120可以使用一少數樣本合成技術來增加一取樣數量,其中該取樣數量為一原始採樣數量的(1+N/100)倍,其中N值的範圍在0至17之間,並且使用該基因演算法選取/決定N值。藉此,避免因為生產資訊數量太少(樣本太少)而影響該預建立分類模型122的準確性。
而該預測模組120產生的該預測資訊124指示出該熱浸鍍鋅前物件是否是缺陷(鼓起)危險群。
該評估模組130連接該預測模組120,該評估模組130依據該預測資訊124估測該缺陷是否產生並且產生一建議資訊132。該建議資訊132可以包含熱浸鍍鋅製程中製程條件的調配/微調、不進行熱浸鍍鋅製程(也就是轉單)等建議。
該生產模組140連接該評估模組130,並且依據該建議資訊132處理該鍍鋅前物件,並且產生一鍍鋅生產資訊142,其中該鍍鋅生產資訊142儲存於該歷史生產數據資料庫110。意即,該生產模組140接收轉單建議進兒避免產能耗費在必然會產生缺陷(鼓起)的物件上。或者,該生產模組140可以透過熱浸鍍鋅製程中製程條件的調配/微調來降低熱浸鍍鋅出現缺陷(鼓起)的機率。微調後的製程條件包含在該鍍鋅生產資訊142,並且儲存在該歷史生產數據資料庫110中,可作為未來處理類似物件的依據。
請參照第2圖及第3A至3C圖,第2圖是本發明一種熱浸鍍鋅產品缺陷估測方法的一實施例的步驟流程圖。第3A至3C圖是本發明中轉換製程及製程條件成一參數條件對照表一實施例。本發明還提供一種熱浸鍍鋅產品缺陷估測方法,用以預測一鍍鋅前物件經一熱浸鍍鋅製程後是否產生一缺陷,包含:
步驟S110,收集複數個鍍鋅前物件的一歷史生產資訊,其
中各該歷史生產資訊記錄該鍍鋅前物件所經歷過的至少一製程,而該製程各自具有複數個製程條件。
步驟S120,處理該些製程及該些製程條件,以形成複數個自變數組。而該些自變數組的組合可以形成一預建立分類模型。而步驟S120還可以包含步驟S122、步驟S124及步驟S126。
步驟S122,將該些製程及該些製程條件轉換成一參數條件對照表400,該參數條件對照表400可以具有複數個欄位及對應該些欄位的複數個數值。步驟S122用來將該些生產資訊轉換成複數個數值。
步驟S124,將該些數值正規化在0至1之間。也就是將該些數值正規化,藉此避免數值較大的生產資訊影響模型的呈現。
步驟S126,排除各欄位的該些數值的一平均值加減n倍標準差範圍之外的該些數值,其中n的範圍在2至6之間,用以濾除離群值。以n為3為例說明,就是將該欄位數據平均值正負3被標準差的範圍之外的數值排除。而這些偏離過大的數值可能是擷取時的誤差或是其它因素所產生,可以避該預建立分類模型失真。而步驟S126正規化的計算式如下:
以第3A至3C圖所示的實施例來說明,如第3A圖所示,鍍鋅前物件的歷史生產資訊記錄可能包含,例如熱軋製程310、冷軋製程320,而熱軋製程310含有鋼種311、熱軋壓力312、熱軋溫度313等製程條件,而冷軋製程320含有鋼種321、冷軋壓力322、冷軋溫度323等製程條件。如第3B圖所示,將熱軋製程310及冷軋製程320的製程條件轉換成參數條件對照表400,也就是將鍍鋅前物件可能經歷的多個製程條件串接起來。例如參數條件對照表400中的列411中填入生產資訊1,而生產資訊1記錄了物件1的歷史生產資訊如鋼種為1、熱軋壓力為10Gpa、熱軋溫度為1100℃,物件1沒有經過冷軋製程所以冷軋壓力及冷軋溫度各自為0,並且分別填入對應行421、行422、行423、行424及行425的欄位中。同理,列412記錄了中填入生產資訊2,而生產資訊2記錄了物件2的歷史生產資訊例如鋼種為2、熱軋壓力為10Gpa、熱軋溫度為1100℃、冷軋壓力為5Gpa
及冷軋溫度30℃,並且分別填入對應行421、行422、行423、行424及行425的欄位中。同理,列413中填入生產資訊3,而生產資訊3記錄了物件3的歷史生產資訊例如鋼種為3、熱軋壓力為12Gpa、熱軋溫度為800℃、冷軋壓力為10Gpa及冷軋溫度80℃,並且分別填入對應行421、行422、行423、行424及行425的欄位中。
由於熱軋溫度為及冷軋溫度的數值分別為1100與30,數值差異大在模型中(例如圖形化後)無法清楚呈現各自的影響。為了避免這樣的問題,如第3C圖所示,對各欄位(各製程條件)數值進行正規化,使各欄位數值位於0至1之間,使得各製程條件的影響可以清楚的呈現,以利於後續的判讀。而該些欄位即該些自變數組。
步驟S130,使用一基因演算法選取該些自變數組中的至少一個作為一預建立分類模型。步驟S130更包含:步驟S132、步驟S134及步驟S136。
步驟S132,使用該基因演算法選取該些自變數組中的C個自變數組作為該預建立分類模型,其中C值由該基因演算法決定且C值大於1。以第3C圖為例中的5個自變數組(製程參數)為例,可以在5個中任選1個、任選2個、任選3個、任選4個或任選5個的組合來作為預建立分類模型。也就是依照C值,預建立分類模型至少有一種以上的自變數組組合。例如5個自變數組而且C值為5就是一種自變數組組合,若5個自變數組而且C值為4就有5種的自變數組的組合。因此,該自變數組的組合的數量可以透過下列計算式獲得:
步驟S134,使用一少數樣本合成技術來增加一取樣數量,其中該取樣數量為一原始採樣數量的(1+N/100)倍,其中N值的範圍在0至17之間。此外,步驟S134也可以使用該基因演算法選取N值。如此一來,可以解決資料建立初期,缺陷(鼓起)的數據量與正常的數據量不平衡的問題。
步驟S136,選取預建立分類模型。以步驟S132選定C值為
4來說明,會有5種的自變數組組合。步驟S136即在5種自變數組組合選取一個作為該預建立分類模型。
步驟S140,使用該預建立分類模型及該鍍鋅前物件的一歷史生產資訊,以產生一預測資訊。該預測資訊至少指示出該熱浸鍍鋅前物件是否是缺陷(鼓起)危險群。
步驟S150,依據該預測資訊估測該缺陷是否產生並且產生一建議資訊。該建議資訊可以包含熱浸鍍鋅製程中製程條件的調配/微調、不進行熱浸鍍鋅製程(也就是轉單)等建議。
如上所述,本發明透過串接鍍鋅前物件的歷史生產資訊,搭配例如基因演算法之類的機器學習演算法來建立估測分類模型,而利用自動化運算所建立出的估測分類模型,可以省時且系統化的估測產品在熱浸鍍鋅後是否會產生缺陷。此外,本發明更可以對可能產生缺陷的危險群進行預警,例如調整熱浸鍍鋅的製程條件,以降低產品出現缺陷的機率、或例如停止對缺陷危險群作業或轉單,以避免無謂的產能消耗。
雖然本發明已以較佳實施例揭露,然其並非用以限制本發明,任何熟習此項技藝之人士,在不脫離本發明之精神和範圍內,當可作各種更動與修飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧熱浸鍍鋅產品缺陷估測系統
110‧‧‧歷史生產數據資料庫
112‧‧‧生產資訊
120‧‧‧預測模組
122‧‧‧預建立分類模型
124‧‧‧預測資訊
130‧‧‧評估模組
132‧‧‧建議資訊
140‧‧‧生產模組
142‧‧‧鍍鋅生產資訊
Claims (10)
- 一種熱浸鍍鋅產品缺陷估測系統,用以預測一鍍鋅前物件經一熱浸鍍鋅製程後是否產生一缺陷,其包含:一歷史生產數據資料庫,用以儲存複數個生產資訊;一預測模組,其建立一預建立分類模型並使用來自該歷史生產數據資料庫的該鍍鋅前物件的一歷史生產資訊,以產生一預測資訊,其中該歷史生產資訊記錄該鍍鋅前物件所經歷過的至少一製程,其中該製程具有複數個製程條件,其中形成該預建立分類模型包含步驟:收集複數個該鍍鋅前物件的該歷史生產資訊;處理該些製程及該些製程條件,以形成複數個自變數組;及利用一基因演算法選取該些自變數組中的至少一個作為該預建立分類模型;一評估模組,連接該預測模組,該評估模組依據該預測資訊估測該缺陷是否產生並且產生一建議資訊;以及一生產模組,連接該評估模組,並且依據該建議資訊處理該鍍鋅前物件,並且產生一鍍鋅生產資訊,其中該鍍鋅生產資訊儲存於該歷史生產數據資料庫。
- 如申請專利範圍第1項所述之熱浸鍍鋅產品缺陷估測系統,其中該預測模組使用該基因演算法選取該些自變數組中的C個作為該預建立分類模型,其中C值由該基因演算法決定且C值大於1。
- 如申請專利範圍第1項所述之熱浸鍍鋅產品缺陷估測系 統,其中該預測模組使用一少數樣本合成技術來增加一取樣數量,其中該取樣數量為一原始採樣數量的(1+N/100)倍,其中N值的範圍在0至17之間,並且使用該基因演算法選取N值。
- 如申請專利範圍第1項所述之熱浸鍍鋅產品缺陷估測系統,其中該預測模組將該些製程及該些製程條件轉換成複數個數值、正規化該些數值,並且排除該些數值的一平均值加減n倍標準差範圍之外的該些數值,其中n的範圍在2至6之間。
- 一種熱浸鍍鋅產品缺陷估測方法,用以預測一鍍鋅前物件經一熱浸鍍鋅製程後是否產生一缺陷,其包含步驟:收集複數個鍍鋅前物件的一歷史生產資訊,其中各該歷史生產資訊記錄該鍍鋅前物件所經歷過的至少一製程,其中該製程具有複數個製程條件;處理該些製程及該些製程條件,以形成複數個自變數組;使用一基因演算法選取該些自變數組中的至少一個作為一預建立分類模型;使用該預建立分類模型及該鍍鋅前物件的一歷史生產資訊,以產生一預測資訊;以及依據該預測資訊估測該缺陷是否產生並且產生一建議資訊。
- 如申請專利範圍第5項所述之熱浸鍍鋅產品缺陷估測方法,其中處理該些製程及該些製程條件,更包含:將該些製程及該些製程條件轉換成一參數條件對照表,該 參數條件對照表具有複數個欄位及對應該些欄位的複數個數值;將該些數值正規化在0至1之間;以及排除各欄位的該些數值的一平均值加減n倍標準差範圍之外的該些數值,其中n的範圍在2至6之間。
- 如申請專利範圍第6項所述之熱浸鍍鋅產品缺陷估測方法,更包含:使用該基因演算法選取該些自變數組中的C個作為該預建立分類模型,其中C值由該基因演算法決定且C值大於1。
- 如申請專利範圍第6項所述之熱浸鍍鋅產品缺陷估測方法,更包含:使用一少數樣本合成技術來增加一取樣數量,其中該取樣數量為一原始採樣數量的(1+N/100)倍,其中N值的範圍在0至17之間。
- 申請專利範圍第8項所述之熱浸鍍鋅產品缺陷估測方法,其中更包含:使用該基因演算法選取N值。
- 如申請專利範圍第5項所述之熱浸鍍鋅產品缺陷估測方法,更包含:依據該建議資訊處理該鍍鋅前物件,並且產生一鍍鋅生產資訊。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108109615A TWI697585B (zh) | 2019-03-20 | 2019-03-20 | 熱浸鍍鋅產品缺陷估測系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108109615A TWI697585B (zh) | 2019-03-20 | 2019-03-20 | 熱浸鍍鋅產品缺陷估測系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI697585B TWI697585B (zh) | 2020-07-01 |
TW202035737A true TW202035737A (zh) | 2020-10-01 |
Family
ID=72601963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108109615A TWI697585B (zh) | 2019-03-20 | 2019-03-20 | 熱浸鍍鋅產品缺陷估測系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI697585B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787069B (zh) * | 2022-01-24 | 2022-12-11 | 中國鋼鐵股份有限公司 | 用於生產線上的長形產品表面缺陷檢測暨預警方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI737497B (zh) * | 2020-09-18 | 2021-08-21 | 中國鋼鐵股份有限公司 | 品質設計方法與電子裝置 |
CN115046508B (zh) * | 2022-08-17 | 2022-11-01 | 山东恩光新材料有限公司 | 一种镀锌卷加工用半成品锌层测厚辅助设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396443B2 (en) * | 2013-12-05 | 2016-07-19 | Tokyo Electron Limited | System and method for learning and/or optimizing manufacturing processes |
-
2019
- 2019-03-20 TW TW108109615A patent/TWI697585B/zh not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787069B (zh) * | 2022-01-24 | 2022-12-11 | 中國鋼鐵股份有限公司 | 用於生產線上的長形產品表面缺陷檢測暨預警方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI697585B (zh) | 2020-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI697585B (zh) | 熱浸鍍鋅產品缺陷估測系統及其方法 | |
US20200024712A1 (en) | Device for predicting aluminum product properties, method for predicting aluminum product properties, control program, and storage medium | |
US20110161030A1 (en) | Method And Device For Monitoring Measurement Data In Semiconductor Process | |
CN109365769B (zh) | 一种基于混合模型判断的结晶器漏钢预报方法 | |
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
CN103679280B (zh) | 一种性能缓变退化的设备最优维护方法 | |
JP5604945B2 (ja) | 品質予測装置、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録媒体 | |
US20170008054A1 (en) | Rolling process learning control device | |
CN102201037A (zh) | 农业灾害预测方法 | |
CN108038599B (zh) | 一种基于检测间隔的预防性维护周期多目标控制方法 | |
CN104794535B (zh) | 一种基于主导行业的电力需求预测及预警的方法 | |
TWI759770B (zh) | 品質預測模型生成方法、品質預測模型、品質預測方法、金屬材料的製造方法、品質預測模型生成裝置以及品質預測裝置 | |
CN116073436A (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
JP5441824B2 (ja) | 金属帯材料の製造条件決定システム | |
JP5003362B2 (ja) | 製品品質の制御方法及び制御装置 | |
CN105665449B (zh) | 连轧机的控制装置和连轧机的控制方法 | |
EP3838432B1 (en) | System for predicting contraction | |
CN116408501A (zh) | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 | |
CN117724433B (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
CN101477369A (zh) | 一种用于化工流程系统变负荷下的数据校正方法 | |
CN117036797A (zh) | 基于特征提取与随机森林分类的连铸坯纵裂纹预测方法 | |
CN113632025A (zh) | 用于评估工业环境中的能量消耗的方法、系统和计算机程序产品 | |
CN111814861B (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
KR102127518B1 (ko) | 판형 유리 이송장치의 이상 진단방법 | |
TWI806709B (zh) | 鋼帶寬度的參數調控系統以及參數調控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |