TW202212020A - 品質設計方法與電子裝置 - Google Patents
品質設計方法與電子裝置 Download PDFInfo
- Publication number
- TW202212020A TW202212020A TW109132458A TW109132458A TW202212020A TW 202212020 A TW202212020 A TW 202212020A TW 109132458 A TW109132458 A TW 109132458A TW 109132458 A TW109132458 A TW 109132458A TW 202212020 A TW202212020 A TW 202212020A
- Authority
- TW
- Taiwan
- Prior art keywords
- objective function
- historical
- function
- manufacturing parameters
- quality
- Prior art date
Links
Images
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本發明提出一種品質設計方法,包括:根據歷史製造參數與歷史品質數據訓練一機器學習模型;根據客戶要求建立目標函數;以及根據目標函數執行最佳化演算法,藉此嘗試多組製造參數,將每組製造參數輸入至機器學習模型以取得預測品質數據,並且尋找最佳化目標函數的預測品質數據。
Description
本揭露是關於自動化的品質設計方法。
現階段的品質參數設計大多仰賴人為知識與經驗,當客戶提出品質的要求時,需要靠人為經驗衡量用那些製造參數可以製造出符合客戶要求的產品,進而判斷是否可以接單。然而,依靠人為知識與經驗參雜了許多主觀的判斷,如何提出一種客觀的品質設計方法,為此領域技術人員所關心的議題。
本發明的實施例提出一種品質設計方法,適用於一電腦裝置,包括:取得歷史製造參數與歷史品質數據,根據歷史製造參數與歷史品質數據訓練一機器學習模型;接收客戶要求,並根據客戶要求建立目標函數;以及根據目標函數執行最佳化演算法,藉此嘗試多組製造參數,將每組製造參數輸入至機器學習模型以取得預測品質數據,並且尋找最佳化目標函數的預測品質數據。
在一些實施例中,上述的品質設計方法適用於軋延系統。歷史製造參數包括合金成份、熱軋溫度、冷軋溫度、速度、張力以及調質率。歷史品質參數包括抗拉強度、降伏強度與伸長率。
在一些實施例中,根據目標函數執行最佳化演算法的步驟還包括:設定限制條件,使得每組製造參數中的合金成份必須在一既有範圍內。
在一些實施例中,若客戶要求屬於雙邊要求,設定目標函數為凹函數或凸函數。
在一些實施例中,若客戶要求屬於單邊要求,設定目標函數為單調遞增函數或單調遞減函數。
以另一個角度來說,本發明的實施例提出一種電子裝置,包括記憶體與處理器。記憶體儲存有多個指令,處理器用以執行這些指令以完成多個步驟:取得歷史製造參數與歷史品質數據,根據歷史製造參數與歷史品質數據訓練一機器學習模型;接收客戶要求,並根據客戶要求建立目標函數;以及根據目標函數執行最佳化演算法,藉此嘗試多組製造參數,將每組製造參數輸入至機器學習模型以取得預測品質數據,並且尋找最佳化目標函數的預測品質數據。
在上述的品質設計方法中,可以自動化地計算出生產成本較低且讓品質達標的製造參數,可加速後續的試製與回覆能否接單的整體效率。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
關於本文中所使用之「第一」、「第二」等,並非特別指次序或順位的意思,其僅為了區別以相同技術用語描述的元件或操作。
圖1是繪示軋延系統的示意圖。請參照圖1,軋延系統110包括了多個生產階段,例如為煉鋼階段111、熱軋階段112與冷軋階段113,每個生產階段都需要對應的設備與製程,本領域具有通常知識者當可理解這些生產階段,在此並不再贅述。此外,這些生產階段的相關參數會傳送至電子裝置120,電子裝置120包括了處理器121與記憶體122。電子裝置120可以是各種形式的控制電腦,處理器121可以是中央處理器、微處理器、微控制器、數位信號處理器、特殊應用積體電路等,記憶體122可為揮發性記憶體或非揮發性記憶體,其中儲存有多個指令,處理器121會執行這些指令來完成一個品質設計方法,以下將詳細說明此方法。
首先取得關於軋延系統110的歷史製造參數與歷史品質數據,歷史製造參數是關於製造的製程與成份,歷史品質數據則是關於產品品質。舉例來說,在此所生產的產品為鋼捲,歷史製造參數包括鋼捲的合金成份、熱軋溫度、冷軋溫度、速度、張力以及調質率。另一方面,歷史品質數據包括了抗拉強度(tensile strength)、降伏強度(yield stress)與伸長率(elongation)。然而,本發明並不在此限,在其他實施例中歷史製造參數與歷史品質數據也可以是關於鋼捲以外的產品。在一些實施例中,還可以對這些歷史製造參數與歷史品質數據執行一些前處理,這些前處理包括離群值濾除以及正規化,但本發明並不限制這些前處理的內容。
接下來,根據上述的歷史製造參數與歷史品質數據訓練一機器學習模型,目的是根據製造參數來預測品質數據,換言之在訓練階段中歷史製造參數是做為機器學習模型的輸入,而歷史品質數據是做為機器學習模型的輸出。此機器學習模型可以是隨機森林演算法、支持向量機、神經網路等等,本發明並不在此限。在一些實施例中,在訓練階段所採用的損失函數(loss function)為預測值與實際值(ground truth)之間的平方差(mean square error),但本發明並不在此限。在測試階段時是輸入製造參數至訓練完的機器學習模型,而機器學習模型的輸出為預測品質數據,此計算可以表示為
,其中
表示訓練好的機器學習模型,
表示第i組製造參數,
表示第i組製造參數所對應的預測品質數據,i為正整數。值得注意的是在此用粗體來表示向量,非粗體則是純量。
接下來接收客戶要求,此客戶要求可以是關於一或多個品質數據,且可以是單邊要求或是雙邊要求。具體來說,單邊要求是指一或多個品質數據必須大於一預設值;或者單邊要求也可以指一或多個品質數據必須小於一預設值。另一方面,雙邊要求是指一或多個品質數據必須要在一預設範圍內,例如介於10-20之間,不能小於10也不能大於20。
根據客戶要求可以建立一個目標函數。當客戶要求屬於雙邊要求時,設定目標函數為凹(concave)函數或凸(convex)函數。舉例來說,如果客戶要求的預設範圍為[a,b],其中a、b為實數,代表某一品質數據必須在此範圍內,則目標函數可設定為圖2A的凸函數210,此凸函數210在實數a到實數b的範圍內為正,在其他範圍則為0,在後續的演算法中要搜尋此凸函數210的最大值。或者,也可以將凸函數210乘上-1(形成凹函數),在後續的演算法則可以搜尋此目標函數的最小值。換言之,要選擇凹函數或凸函數取決於要搜尋目標函數的最大值或最小值。
當客戶要求屬於單邊要求時,可設定目標函數為單調遞增(monotonic increasing)函數或單調遞減(monotonic decreasing)函數。舉例來說,如果客戶要求某一個品質數據必須大於一預設值,則可以採用如圖2B的單調遞增函數220,當此單調遞增函數220的輸入小於等於c時輸出為0,當單調遞增函數220的輸入大於c時輸出為正,其中c為實數,在後續的演算法中要搜尋此單調遞增函數220的最大值。在一些實施例中,上述的實數c可以設定為客戶要求的預設值,也可以是預設值加上n倍的標準差(根據歷史品質數據來計算),n為正整數,此正整數n例如為3或其他合適的數值。以另一個角度來說,此目標函數可以表示為以下數學式(1),其中y表示品質數據。
為一正實數,可經由實驗來決定。
[數學式1]
另一方面,如果客戶要求某一個品質數據必須小於一預設值,則可以採用如圖2C的單調遞減函數230,當此單調遞減函數230的輸入小於d時輸出為正,當單調遞減函數230的輸入大於等於d時輸出為0,其中d為實數,在後續的演算法中要搜尋此單調遞增函數220的最大值。在一些實施例中,上述的實數d可以設定為客戶要求的預設值,也可以是預設值減去n倍的標準差(根據歷史品質數據來計算),此正整數n例如為3或其他合適的數值。以另一個角度來說,此目標函數可以表示為以下數學式(2),其中
為一正實數,可經由實驗來決定。
[數學式2]
在圖2B與圖2C的實施例中是要搜尋目標函數的最大值,若要搜尋最小值則可以在圖2B的實施例採用一個單調遞減函數,而在圖2C的實施例中採用一個單調遞增函數。換言之,要選擇單調遞增函數或是單調遞減函數取決於要搜尋目標函數的最大值或最小值,也取決於客戶要求屬於哪一種單邊要求。
圖2A至圖2C中的凸函數210、單調遞增函數220與單調遞減函數230僅是範例,本領域具有通常知識者當可根據上述揭示內容設計出其他的函數。
在決定目標函數以後,可根據此目標函數執行最佳化演算法,藉此嘗試多組製造參數,將每一組製造參數輸入至上述的機器學習模型以取得預測品質數據,並且尋找能夠最佳化目標函數的預測品質數據。在一些實施例中,執行最佳化演算法時也可以設定限制條件,使得每一組製造參數中的合金成份必須在既有範圍內。具體來說,此最佳化演算法可以表示為以下數學式(3)。
[數學式3]
其中
表示第i組製造參數
中的合金成份。
為一集合,表示上述的既有範圍,此集合
包括所有曾經生產過的合金成份。
是上述的目標函數。值得注意的是,當預測品質數據
為向量(長度大於1)時,可以將每一個預測品質數據都輸入對應的目標函數,然後將結果加總起來。舉例來說,如果客戶要求第一品質數據必須在[a,b]的範圍內,第二品質數據必須大於c,第三品質數據必須小於d時,則所預測出的第一至第三品質數據可以分別輸入至凸函數210、單調遞增函數220與單調遞減函數230,然後再將這些函數的輸出加總起來做為數學式(3)中的
。
在一些實施例中可以採用生物啟發式演算法,例如基因演算法或粒子群最佳化(Particle Swarm Optimization,PSO)來搜尋製造參數
,藉此找到最佳的一組製造參數
,使得對應的預測品質數據
能讓目標函數輸出最大的數值,本領域具有通常知識者當可理解在給定目標函數下如何使用生物啟發式演算法,在此並不詳細贅述。在此最佳化演算法中限制合金成份必須在既有範圍內是為了減緩剛種增加、提升連鑄率與降低成本,如此一來可以搜尋出生產成本較低又讓品質達標的製造參數。
圖3是根據一實施例繪示品質設計方法的流程圖。請參照圖3,在步驟301,取得歷史製造參數與歷史品質數據,根據歷史製造參數與歷史品質數據訓練一機器學習模型。在步驟302,接收客戶要求,並根據客戶要求建立目標函數。在步驟303,根據目標函數執行最佳化演算法,藉此嘗試多組製造參數,將每組製造參數輸入至機器學習模型以取得預測品質數據,並且尋找最佳化目標函數的預測品質數據。然而,圖3中各步驟已詳細說明如上,在此便不再贅述。值得注意的是,圖3中各步驟可以實作為多個程式碼或是電路,本發明並不在此限。此外,圖3的方法可以搭配以上實施例使用,也可以單獨使用。換言之,圖3的各步驟之間也可以加入其他的步驟。
在上述的品質設計方法中,可以自動化地計算出生產成本較低且讓品質達標的製造參數,可提供產品工程師進行品質設計的決策輔助,加速後續的試製以及回覆能否接單的整體效率。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
110:軋延系統
111:煉鋼階段
112:熱軋階段
113:冷軋階段
120:電子裝置
121:處理器
122:記憶體
210:凸函數
220:單調遞增函數
230:單調遞減函數
301~303:步驟
[圖1]是繪示軋延系統的示意圖。
[圖2A]至[圖2C]是根據一實施例繪示目標函數的示意圖。
[圖3]是根據一實施例繪示品質設計方法的流程圖。
301~303:步驟
Claims (10)
- 一種品質設計方法,適用於一電子裝置,包括: 取得歷史製造參數與歷史品質數據,根據該歷史製造參數與該歷史品質數據訓練一機器學習模型; 接收一客戶要求,並根據該客戶要求建立一目標函數;以及 根據該目標函數執行一最佳化演算法,藉此嘗試多組製造參數,將每一該組製造參數輸入至該機器學習模型以取得預測品質數據,並且尋找最佳化該目標函數的該預測品質數據。
- 如請求項1所述之品質設計方法,其中該品質設計方法適用於一軋延系統,該歷史製造參數包括合金成份、熱軋溫度、冷軋溫度、速度、張力以及調質率,該歷史品質參數包括抗拉強度、降伏強度與伸長率。
- 如請求項2所述之品質設計方法,其中根據該目標函數執行該最佳化演算法的步驟還包括: 設定一限制條件,使得每一該組製造參數中的合金成份必須在一既有範圍內。
- 如請求項3所述之品質設計方法,更包括: 若該客戶要求屬於一雙邊要求,設定該目標函數為一凹函數或一凸函數。
- 如請求項3所述之品質設計方法,更包括: 若該客戶要求屬於一單邊要求,設定該目標函數為一單調遞增函數或一單調遞減函數。
- 一種電子裝置,包括: 一記憶體,儲存有多個指令;以及 一處理器,用以執行該些指令以完成多個步驟: 取得歷史製造參數與歷史品質數據,根據該歷史製造參數與該歷史品質數據訓練一機器學習模型; 接收一客戶要求,並根據該客戶要求建立一目標函數;以及 根據該目標函數執行一最佳化演算法,藉此嘗試多組製造參數,將每一該組製造參數輸入至該機器學習模型以取得預測品質數據,並且尋找最佳化該目標函數的該預測品質數據。
- 如請求項6所述之電子裝置,其中該品質設計方法適用於一軋延系統,該歷史製造參數包括合金成份、熱軋溫度、冷軋溫度、速度、張力以及調質率,該歷史品質參數包括抗拉強度、降伏強度與伸長率。
- 如請求項7所述之電子裝置,其中根據該目標函數執行該最佳化演算法的步驟還包括: 設定一限制條件,使得每一該組製造參數中的合金成份必須在一既有範圍內。
- 如請求項8所述之電子裝置,其中該些步驟更包括: 若該客戶要求屬於一雙邊要求,設定該目標函數為一凹函數或一凸函數。
- 如請求項8所述之電子裝置,其中該些步驟更包括: 若該客戶要求屬於一單邊要求,設定該目標函數為一單調遞增函數或一單調遞減函數。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109132458A TWI737497B (zh) | 2020-09-18 | 2020-09-18 | 品質設計方法與電子裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109132458A TWI737497B (zh) | 2020-09-18 | 2020-09-18 | 品質設計方法與電子裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI737497B TWI737497B (zh) | 2021-08-21 |
TW202212020A true TW202212020A (zh) | 2022-04-01 |
Family
ID=78283475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109132458A TWI737497B (zh) | 2020-09-18 | 2020-09-18 | 品質設計方法與電子裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI737497B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI819578B (zh) * | 2022-04-20 | 2023-10-21 | 國立中央大學 | 多目標參數最佳化系統、方法及電腦程式產品 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI785945B (zh) * | 2021-12-23 | 2022-12-01 | 中國鋼鐵股份有限公司 | 熱軋鋼材的板形預測系統 |
CN116580791A (zh) * | 2023-04-28 | 2023-08-11 | 贵研铂业股份有限公司 | 一种同时优化合金钎料润湿性和钎焊接头强度的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4280351B2 (ja) * | 1999-03-10 | 2009-06-17 | 東芝三菱電機産業システム株式会社 | 圧延制御モデル学習装置 |
TWI600987B (zh) * | 2016-11-15 | 2017-10-01 | Method of constructing processing expert system and electronic device using the method | |
TWI697585B (zh) * | 2019-03-20 | 2020-07-01 | 中國鋼鐵股份有限公司 | 熱浸鍍鋅產品缺陷估測系統及其方法 |
-
2020
- 2020-09-18 TW TW109132458A patent/TWI737497B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI819578B (zh) * | 2022-04-20 | 2023-10-21 | 國立中央大學 | 多目標參數最佳化系統、方法及電腦程式產品 |
Also Published As
Publication number | Publication date |
---|---|
TWI737497B (zh) | 2021-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202212020A (zh) | 品質設計方法與電子裝置 | |
CN111191822A (zh) | 钢材的参数预测方法及终端设备 | |
WO2021004198A1 (zh) | 一种板材性能的预测方法及装置 | |
JP2020077143A (ja) | 学習プログラム、学習方法、情報処理装置 | |
JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
WO2020152993A1 (ja) | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 | |
US10676802B2 (en) | Forging method | |
Zhao et al. | Prediction of mechanical properties of cold rolled strip based on improved extreme random tree | |
TWI708128B (zh) | 製程參數的調控方法與電子裝置 | |
Li et al. | Rolling force prediction in cold rolling process based on combined method of TS fuzzy neural network and analytical model | |
CN116305885A (zh) | 预测或控制硅钢铁损的方法、装置及存储介质 | |
CN114417739A (zh) | 一种异常工况的工艺参数推荐方法及装置 | |
Lee et al. | Lean manufacturing in temperature dependent processes with interruptions | |
Agarwal et al. | Knowledge discovery in steel bar rolling mills using scheduling data and automated inspection | |
JP7336712B2 (ja) | 演算装置、演算方法、及び、プログラム | |
Tsai | Dynamic grey platform for efficient forecasting management | |
Lee et al. | Multiresponse optimization of a multistage manufacturing process using a patient rule induction method | |
CN112418522A (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 | |
CN116579654A (zh) | 一种用于if钢的质量在线智能监测方法和系统 | |
CN116451415A (zh) | 一种性能预测方法、装置、设备及存储介质 | |
Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
TW202339867A (zh) | 鋼板軋延力預測方法與軋延系統 | |
JP2022079376A (ja) | 最適解探索装置及び最適解探索プログラム | |
JP2020135688A (ja) | 需要予測装置、需要予測方法及びプログラム |