TWI646202B - 鐵損動態調整方法與軋延系統 - Google Patents

Abstract

本發明提出一種鐵損動態調整方法，包括：在對軋延材料進行熱軋程序以後，根據關於軋延材料的參數預測關於軋延材料的鐵損值；判斷所預測的鐵損值是否大於一臨界值；以及若所預測的鐵損值大於臨界值，調整冷軋參數，並且根據冷軋參數對軋延材料進行冷軋程序。

Description

鐵損動態調整方法與軋延系統

本發明是有關於一種鐵損動態調整方法，且特別是有關於一種在生產過程中預測鐵損值的鐵損動態調整方法與系統。

電磁鋼片運用於馬達、變壓器或發電機等場合，而電磁鋼片的電磁特性會因為時間而逐漸劣化(簡稱磁時效現象)。磁時效現象會使得產品的鐵損值增加，使得不符合一些產品的要求。因此，如何改進電磁鋼片的生產過程，使得鐵損值可以符合要求，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鐵損動態調整方法，包括：在對軋延材料進行熱軋程序以後，根據關於軋延材料的多個第一參數預測關於軋延材料的鐵損值；判斷所預測的鐵損值是否大於一臨界值；以及若所預測的鐵損值大於臨界值，調整冷軋參數，並且根據冷軋參數對軋延材料進行冷軋 程序。

在一些實施例中，鐵損動態調整方法更包括：根據基因演算法從關於軋延材料的多個第二參數中挑選第一參數，其中基因演算法的目標函數為迴歸可解釋變異量比或均方根誤差。

在一些實施例中，鐵損動態調整方法更包括：建立預測模型，如以下方程式(1)、(2)

其中x _i 為第一參數，y _i 為鐵損值，C與ε為模型參數。上述根據第一參數預測鐵損值的步驟是根據以下方程式(3)來執行。

y_i=w．x+b...(3)

在一些實施例中，鐵損動態調整方法更包括：套用核心函數於預測模型中，核心函數表示為以下方程式(4)。

K(x_i,x_j)=exp(-γ∥x _i -x _j ∥²),γ>0...(4)

此外，根據基因演算法決定模型參數C、ε，以及核心函數中的參數γ。

在一些實施例中，第一參數包括品質類別、鋼種成分與盤捲溫度。冷軋參數包括退火溫度。

以另外一個角度來說，本發明實施例提出一種軋延系統，包括熱軋系統、電腦系統與冷軋系統。熱軋系統 用以對軋延材料進行熱軋程序。在熱軋程序之後，電腦系統根據關於軋延材料的多個第一參數預測關於軋延材料的鐵損值，判斷所預測的鐵損值是否大於一臨界值，若所預測的鐵損值大於臨界值，調整冷軋參數。冷軋系統根據冷軋參數對軋延材料進行冷軋程序。

在上述提出的方法與系統中，可以在冷軋程序之前預測鐵損值是否大於臨界值，藉此動態地調整冷軋程序的參數，使得產品的良率提升。

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。

100‧‧‧軋延系統

110‧‧‧電腦系統

120‧‧‧熱軋系統

130‧‧‧冷軋系統

201~206‧‧‧步驟

[圖1]是根據一實施例繪示軋延系統的示意圖。

[圖2]是根據一實施例繪示鐵損動態調整方法的流程圖。

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是根據一實施例繪示軋延系統的示意圖。請參照圖1，軋延系統100包括電腦系統110、熱軋系統120與冷軋系統130。熱軋系統120與冷軋系統130中可包括一或 多個軋機或冷卻區，本發明並不限制熱軋系統120與冷軋系統130中的設備。

圖2是根據一實施例繪示鐵損動態調整方法的流程圖。請參照圖1與圖2，在步驟201中，熱軋系統120對軋延材料進行一熱軋程序，此軋延材料例如為鋼種。

在步驟202中，電腦系統110根據關於軋延材料的多個第一參數預測關於軋延材料的鐵損值。具體來說，電腦系統110可先蒐集鋼種上下游的歷史數據，這些歷史數據包括鋼種在上下游的生產歷程參數(例如退火溫度、退火時間等)，或關於鋼種特性的參數(例如厚度、鋼種、寬度等)，歷史數據中的參數亦被稱為第二參數。這些第二參數可用來預測鐵損值，但必須先對這些第二參數做一些前處理。

第一，有些參數可為連續的數值，但有些參數可能為離散的類別，因此必須先將離散的類別轉換為數值。針對離散的類別，可先統計其類別數(例如為正整數N)，之後產生N個衍生欄位，每個衍生欄位的名稱便是個類別的名稱。舉例來說，以下表1中有兩個參數，參數1有三個類別“RE01”、“RE02”、“RE03”，而參數2有兩個類別“FG01”、“FG02”。表1中的第二列至第五列分別代表三筆歷史數據。

參數1可產生三個衍生欄位，而參數2可產生兩個衍生欄位。對於每個參數的類別，都可以在對應的衍生欄位中填入“1”，並在同一個參數的其他衍生欄位中填入“0”。表1中的三筆歷史數據可表示為以下表2。

第二，在將所有離散的類別都轉換為數值以後，必須正規化所有的數值。在此實施例中是將所有的數值都正規化至0~1之間，如以下方程式(1)所示。

其中x _normalized 表示正規化後的數值，x _original 為正規化前的數值，x _min 是該參數中的最小值，x _max 是該參數中的最大值。值得注意的是，若原本是類別的參數，則最大值為1，最小值為0，因此正規化前後的參數並不會改變。

第三，刪除離群值。在此假設參數值域為高斯分布(Gaussian Distribution)，因此可以將參數值落在mean±n×std(mean為平均值，std為標準差，n為適當的正整數，例如為2或3)以外的參數視為離群值而把這些參數濾除。

在做完上述的前處理以後，便可以利用第二參數來預測鐵損值。但在一些實施例中，由於第二參數的數量 太多，因此必須從中挑選上述的第一參數，換言之，第一參數是第二參數的子集合。例如，可透過基因演算法從第二參數中挑選第一參數，具體來說，每個基因包括了多個位元，例如“1110011...”，而基因中的每個位元代表一個第二參數，其中邏輯“1”表示有挑選對應的第二參數，邏輯“0”則表示沒有挑選，換言之，每個基因是用來決定第二參數的一個子集合。由於第二參數是用來預測鐵損值，因此可先選擇一個適當的迴歸模型，例如支持向量迴歸(support vector Regression)，簡單線性迴歸、對數線性迴歸等，本領域具有通常知識者當可選擇任意適當的迴歸模型，本發明並不在此限。接下來，可選擇基因演算法的目標函數，例如為可為迴歸可解釋變異量比(R²)或均方根誤差(Root Mean Square Error，RMSE)，本發明並不在此限。在此實施例中，是選擇支持向量迴歸搭配迴歸可解釋變異量比。在執行基因演算法以後，可以挑選出有最大迴歸可解釋變異量比的基因(最佳的基因)，從此最佳的基因中便可以挑選出第一參數。然而，本領域具有通常知識者當可理解基因演算法，在此不贅述。在一些實施例中，這些第一參數包括品質類別、鋼種成分與盤捲溫度等，本發明並不在此限。

根據第一參數預測鐵損值的步驟可根據以下方程式(2)來執行。

y=w．x+b...(2)

其中x為第一參數所形成的向量，y為鐵損值，w為一矩陣，b為變數(可經過正規化)。在預測模型中，便是 要找到適當的矩陣w，在此實施例中是根據以下方程式(3)、(4)所代表的最佳化演算法來找到矩陣w。

其中C與ε為模型參數，l表示歷史數據的個數。ξ _i 、表示誤差的容忍度。方程式(3)所指的是目標函數，而方程式(4)所指的是限制(constraint)。若套用拉格朗日乘數方法(Lagrange Multiplier Method)，則可以將方程式(3)、(4)轉換為以下的二次方程式(5)。

其中α _i 為拉格朗日乘數。據此，方程式(3)、(4)的問題便轉化為方程式(5)，這問題變成要找出可以使L最小的變數w,b,α。在對w與b偏微分以後可以找到極值的條件，將這些條件代回方程式(5)可得到以下的方程式(6)、(7)。

上述討論的是線性的情形，若要處理非線性的資料，則可用一個核心函數(kernel function)將參數x投影到更高的維度上。在此實施例中，此核心函數為徑向基函數(radial basis function)，表示為以下方程式(8)。

K(x_i,x_j)=exp(-γ∥x _i -x _j ∥²),γ>0...(8)

其中γ為參數。因此，將方程式(6)中的 x _j 替換 為方程式(8)的核心函數便可以處理非線性的問題。

在上述的問題中，模型參數C、ε，以及核心函數中的參數γ都是可由使用者設定的參數。在一些實施例中，可透過基因演算法來找到模型C、ε、γ，而目標函數同樣可設定為迴歸可解釋變異量比(R²)或均方根誤差。

請參照回圖2，在建立預測模型以後，在步驟203，判斷所預測的鐵損值是否大於一臨界值。在一些實施例中，此臨界值是根據一個訂單要求所制定。若步驟203的結果為是，進行步驟204，調整冷軋參數。舉例來說，此冷軋參數包括退火溫度，而透過控制退火溫度可以調整成品的鐵損值，當所預測的鐵損值大於臨界值時，可以升高退火溫度，藉此降低產品的鐵損值。若步驟203的結果為否，進行步驟205中，採用預設冷軋參數。最後，在步驟206中，冷軋系統130根據冷軋參數對軋延材料進行冷軋程序。

在上述提出的軋延系統與鐵損動態調整方法中，可以提早發現可能不符合訂單要求的產品，進而提早調整冷軋程序中的參數，增加產品的良率。

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。

Claims (6)

1. 一種鐵損動態調整方法，包括：在對一軋延材料進行一熱軋程序以後，根據關於該軋延材料的多個第一參數預測關於該軋延材料的一鐵損值，其中該些第一參數包括品質類別、鋼種成分與盤捲溫度；判斷所預測的該鐵損值是否大於一臨界值；若所預測的該鐵損值大於該臨界值，升高一退火溫度，並且根據該退火溫度對該軋延材料進行一冷軋程序；建立一預測模型，該預測模型表示如以下方程式(1)、(2)： 其中w為矩陣、b為變數、l表示歷史數據的個數、ξ _i 、表示誤差的容忍度、x _i 為關於該軋延材料的歷史第一參數，y _i 為歷史鐵損值，C與ε為模型參數；以及上述根據該些第一參數預測該鐵損值的步驟是根據以下方程式(3)來執行：y=w．x+b...(3)，其中x為關於該軋延材料的該些第一參數，y為所預測的該鐵損值。
2. 如申請專利範圍第1項所述之鐵損動態調 整方法，更包括：根據一基因演算法從關於該軋延材料的多個第二參數中挑選該些第一參數，其中該基因演算法的目標函數為一迴歸可解釋變異量比或均方根誤差，該基因演算法中每一多個基因包括了多個位元，每一該些位元代表該些第二參數的其中之一，每一該些位元用以表示是否挑選對應的該第二參數，該些第一參數是根據最佳基因所決定。
3. 如申請專利範圍第1項所述之鐵損動態調整方法，更包括：套用拉格朗日乘數方法至該方程式(1)、(2)，並對w與b偏微分以後將極值的條件代回後得到以下的方程式(4)、(5) 將該方程式(4)中的 x _j 替換為以下方程式(6)的核心函數：K(x_i,x_j)=exp(-γ∥x _i -x _j ∥²),γ>0...(6)其中γ為一參數。
4. 一種軋延系統，包括：一熱軋系統，用以對一軋延材料進行一熱軋程序；一電腦系統，在該熱軋程序之後，根據關於該軋延材料的多個第一參數預測關於該軋延材料的一鐵損值，判斷所預測的該鐵損值是否大於一臨界值，若所預測的該鐵損 值大於該臨界值，升高一退火溫度，其中該些第一參數包括品質類別、鋼種成分與盤捲溫度；以及一冷軋系統，根據該退火溫度對該軋延材料進行一冷軋程序，其中該電腦系統更用以建立一預測模型，該預測模型表示如以下方程式(1)、(2)： 其中w為矩陣、b為變數、l表示歷史數據的個數、ξ _i 、表示誤差的容忍度、x _i 為關於該軋延材料的歷史第一參數，y _i 為歷史鐵損值，C與ε為模型參數，其中該電腦系統根據以下方程式(3)來預測該鐵損值：y=w．x+b...(3)，其中x為關於該軋延材料的該些第一參數，y為所預測的該鐵損值。
5. 如申請專利範圍第4項所述之軋延系統，其中該電腦系統根據一基因演算法從關於該軋延材料的多個第二參數中挑選該些第一參數，其中該基因演算法的目標函數為一迴歸可解釋變異量比或均方根誤差，該基因演算法中每一多個基因包括了多個位元，每一該些位元代表該些第二參數的其中之一，每一該些位元用以表示是否挑選對應的該第二參數，該些第一參數是根據最佳基因所決 定。
6. 如申請專利範圍第4項所述之軋延系統，其中該電腦系統更套用拉格朗日乘數方法至該方程式(1)、(2)，並對w與b偏微分以後將極值的條件代回後得到以下的方程式(4)、(5)， 該電腦系統將該方程式(4)中的 x _j 替換為以下方程式(6)的核心函數：K(x_i,x_j)=exp(-γ∥x _i -x _j ∥²),γ>0...(6)，其中γ為一參數。