TWI708128B - 製程參數的調控方法與電子裝置 - Google Patents

Abstract

一種製程參數的調控方法包括：根據歷史資料建立一機器學習模型；取得一線上資料，線上資料包括已完成生產階段的生產參數；將尚未完成生產階段的預設生產參數與線上資料合併以產生一測試資料，將測試資料輸入至機器學習模型以預測目前產品的機械性質；以及若所預測的機械性質不符合規範，執行搜尋演算法以取得調控後參數，並根據調控後參數來實施尚未完成生產階段。

Description

製程參數的調控方法與電子裝置

本發明是有關於一種製程參數的調控方法，當執行完一部份的生產階段以後，可以即時地計算下一個生產階段的製程參數。

一般的鋼捲產品需要經過許多生產階段，例如煉鋼、熱軋與冷軋。為了讓產品的機械性質符合預定的規範，在習知技術中是在產品生產完以後量測機械性質，若不符合規範則調整至少一個生產階段的製程參數，此調整的步驟多數依賴人為經驗。然而，人為經驗難以即時反應生產線狀況，因此如何即時反應生產線的狀況且自動調整製程參數，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製程參數的調控方法，適用於一軋延系統，此軋延系統包括多個生產階段。此調控方法包括：取得多筆歷史資料，其中每一筆歷史資料包括生產階段的生產參數與產品的機械性質；根據歷史資料建 立一機器學習模型；取得一線上資料，此線上資料是對應至一目前產品，目前產品已經經過生產階段中的至少一個已完成生產階段，線上資料包括已完成生產階段的生產參數；將尚未完成生產階段的預設生產參數與線上資料合併以產生一測試資料；將測試資料輸入至機器學習模型以預測目前產品的機械性質；以及若所預測的機械性質不符合一規範，執行搜尋演算法以取得調控後參數，並根據調控後參數來實施尚未完成生產階段。

在一些實施例中，上述的生產階段包括煉鋼階段、熱軋階段與冷軋階段。上述的機械性質包括拉伸強度、降伏強度與伸長率。上述的調控後參數包括尚未完成生產階段的張力、溫度與速度。

在一些實施例中，上述的機器學習模型為卷積神經網路。

在一些實施例中，上述執行搜尋演算法以取得調控後參數的步驟包括：設定一利益函數；將尚未完成生產階段的可調控參數與線上資料合併後輸入至機器學習模型以取得預測機械性質，並根據利益函數計算出預測機械性質的誤差值；以及取得最小誤差值所對應的可調控參數以作為調控後參數。

在一些實施例中，上述的利益函數表示為以下方程式(1)。

其中n表示機械性質的個數，

為在歷史資料 中第i個機械性質的標準差，

為在歷史資料中第i個機械性質的平均值，

為第i個預測機械性質。

以另外一個角度來說，本發明的實施例提出一種電子裝置，適用於上述的軋延系統。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：取得多筆歷史資料，其中每一筆歷史資料包括生產階段的生產參數與產品的機械性質；根據歷史資料建立一機器學習模型；取得一線上資料，此線上資料是對應至一目前產品，目前產品已經經過生產階段中的至少一個已完成生產階段，線上資料包括已完成生產階段的生產參數；將尚未完成生產階段的預設生產參數與線上資料合併以產生一測試資料；將測試資料輸入至機器學習模型以預測目前產品的機械性質；以及若所預測的機械性質不符合一規範，執行搜尋演算法以取得調控後參數，並根據調控後參數來實施尚未完成生產階段。

在上述的調控方法中，可以即時的計算出下一個生產階段的生產參數，藉此可以提高產品品質，降低人為經驗的依賴。

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。

110‧‧‧軋延系統

111~113‧‧‧生產階段

120‧‧‧電子裝置

121‧‧‧處理器

122‧‧‧記憶體

210‧‧‧資料庫

221‧‧‧機器學習模型

220、230、240、250、260‧‧‧步驟

301~307‧‧‧步驟

[圖1]是繪示軋延系統的系統示意圖。

[圖2]是根據一實施例繪示軋延系統的運作流程示意圖。

[圖3]是根據一實施例繪示製程參數的調控方法。

圖1是繪示軋延系統的系統示意圖。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製程參數的調控方法，以下將詳細說明此調控方法。

圖2是根據一實施例繪示軋延系統的運作流程示意圖。請參照圖2，首先資料庫210中記錄多筆歷史資料，這些歷史資料包括每一個生產階段的生產參數與最終產品的機械性質。舉例來說，上述的產品為鋼捲，上述的生產參數包括了煉鋼階段的溫度、熱軋階段的張力、溫度與速度、以及冷軋階段的張力、溫度與速度，上述的機械性質包括了拉伸強度(tensile strength)、降伏強度(yield stress)與伸 長率(elongation)等等。然而，本發明並不限於上述例子，在其他實施例中也可採用其他的生產參數與機械性質。在一些實施例中，還可以對這些歷史資料執行一些前處理，這些前處理包括離群值濾除、正規化，但本發明並不限制這些前處理的內容。

在步驟220中，可根據這些歷史資料來建立一個機器學習模型221，此機器學習模型221是要根據生產參數來預測產品的機械性質，換言之在訓練階段中生產參數是作為機器學習模型221的輸入，機械性質則作為機器學習模型221的輸出。機器學習模型221可以是卷積神經網路、支持向量機、決策樹或任意合適的模型，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)為預測值與實際值之間的平方差(mean square error)，但本發明並不在此限。

在步驟230，對目前在線上的產品執行部分的生產階段，例如已經執行了煉鋼階段111與熱軋階段112(亦稱為已完成生產階段)，但還沒執行冷軋階段113(亦稱為尚未完成生產階段)。此外，還收集目前產品的線上資料，此線上資料包括了已完成生產階段的生產參數。在此實施例中是要根據線上資料來預測目前產品的機械性質，值得注意的是，線上資料並沒有包含冷軋階段113的生產參數，但機器學習模型221是根據所有生產階段的生產參數來訓練的。舉例來說，在此實施例中共有30個生產參數與3個機械性質，但線上資料只包括了25個生產參數，其餘5個生產參數是屬 於尚未實施的冷軋階段113。因此，在此實施例中會取得冷軋階段113的預設生產參數(例如預設的溫度、速度與張力)，並將此預設生產參數與上述的線上資料合併以產生一測試資料。預設生產參數的個數例如為5個，因此測試資料中共有30個生產參數。

接下來，在步驟240中，將測試資料輸入至機器學習模型221以預測目前產品的機械性質，並判斷所預測的機械性質是否符合一規範。例如，如果所預測的拉伸強度、降伏強度或伸長率超出了一預設範圍，則判斷預測的機械性質不符合該規範。如果步驟240的結果為是，則在步驟250中，依照預設生產參數進行下一個生產階段(即冷軋階段113)。如果步驟240的結果為否，則執行一搜尋演算法以取得最佳的生產參數，並據此實施下一個生產階段。具體來說，此搜尋演算法是一個生物啟發式演算法，例如為螢火蟲演算法、基因演算法或其他合適的演算法。搜尋演算法中是要搜尋出冷軋階段113合適的生產參數，在此假設冷軋階段113的生產參數有些可調控有些不可以調控，搜尋演算法是要搜尋可調控參數，而不可調控參數則採預設值。具體來說，搜尋演算法會隨機產生冷軋階段113的可調控參數，並將這些可調控參數、不可調控參數與上述的線上資料合併後輸入至機器學習模型221以取得預測機械性質。此外，在搜尋演算法中會設定一利益函數，如以下方程式(1)所示。

其中n表示機械性質的個數，在此實施例中為 3，即是拉伸強度、降伏強度與伸長率。

為歷史資料中第i個機械性質的標準差。

為歷史資料中第i個機械性質的平均值。

為上述預測機械性質中的第i個預測機械性質。將預測機械性質

帶入至方程式(1)中所得到的數值稱為誤差值，此誤差值越小越好，在生物啟發式演算法中會淘汰具有較大誤差值的可調控參數，並保留具有較小誤差值的可調控參數。隨機產生可調控參數的程序會執行數次，而其中最小誤差值所對應的可調控參數會被保留下來，在此稱調控後參數。然而，在不同的生物啟發式演算法中有不同的演算法來產生、更新這些可調控參數，在此並不再贅述。舉例來說，在基因演算法中冷軋階段113的可調控參數會被編碼為基因，而透過複製、突變、選擇等程序可以產生有較小誤差值的調控後參數。在取得上述的調控後參數以後，便可以根據這些調控後參數來執行冷軋階段113。在執行完所有的生產階段以後，目前產品的所有生產參數與機械性質會再儲存至資料庫210中。

圖3是根據一實施例繪示製程參數的調控方法。請參照圖3，在步驟301，取得多筆歷史資料，其中每一筆歷史資料包括生產階段的生產參數與產品的機械性質。在步驟302，根據歷史資料建立一機器學習模型。在步驟303，取得一線上資料，此線上資料包括已完成生產階段的生產參數。在步驟304，將尚未完成生產階段的預設生產參數與線上資料合併以產生一測試資料，將測試資料輸入至機器學習模型以預測目前產品的機械性質。在步驟305，判 斷所預測的機械性質是否符合規範。若步驟305的結果為是，在步驟306，根據預設生產參數實施尚未完成生產階段，否則在步驟307，執行搜尋演算法以取得調控後參數，並根據調控後參數來實施尚未完成生產階段。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。

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。

210‧‧‧資料庫

221‧‧‧機器學習模型

220、230、240、250、260‧‧‧步驟

Claims (10)

1. 一種製程參數的調控方法，適用於一軋延系統，該軋延系統包括多個生產階段，該調控方法包括：取得多筆歷史資料，其中每一該些歷史資料包括該些生產階段的生產參數與一產品的至少一機械性質；根據該些歷史資料建立一機器學習模型；取得一線上資料，其中該線上資料是對應至一目前產品，該目前產品已經經過該些生產階段中的至少一已完成生產階段，該線上資料包括該至少一已完成生產階段的生產參數；將該些生產階段中的至少一尚未完成生產階段的預設生產參數與該線上資料合併以產生一測試資料；將該測試資料輸入至該機器學習模型以預測該目前產品的該至少一機械性質；以及若所預測的該至少一機械性質不符合一規範，執行一搜尋演算法以取得至少一調控後參數，並根據該至少一調控後參數來實施該至少一尚未完成生產階段。
2. 如申請專利範圍第1項所述之調控方法，其中該些生產階段包括煉鋼階段、熱軋階段與冷軋階段，該至少一機械性質包括拉伸強度、降伏強度與伸長率，該至少一調控後參數包括該至少一尚未完成生產階段的張力、溫度與速度。
3. 如申請專利範圍第1項所述之調控方法，其中該機器學習模型為卷積神經網路。
4. 如申請專利範圍第1項所述之調控方法，其中執行該搜尋演算法以取得該至少一調控後參數的步驟包括：設定一利益函數；將該至少一尚未完成生產階段的至少一可調控參數與該線上資料合併後輸入至該機器學習模型以取得至少一預測機械性質，並根據該利益函數計算出該至少一預測機械性質的一誤差值；以及取得最小誤差值所對應的該至少一可調控參數以作為該至少一調控後參數。
5. 如申請專利範圍第4項所述之調控方法，其中該利益函數表示為以下方程式(1)：

   

   其中n表示該至少一機械性質的個數，

   

   為在該些歷史資料中第i個機械性質的標準差，

   

   為在該些歷史資料中第i個機械性質的平均值，

   

   為該至少一預測機械性質中的第i個預測機械性質。
6. 一種電子裝置，適用於一軋延系統，該軋 延系統包括多個生產階段，該電子裝置包括：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：取得多筆歷史資料，其中每一該些歷史資料包括該些生產階段的生產參數與一產品的至少一機械性質；根據該些歷史資料建立一機器學習模型；取得一線上資料，其中該線上資料是對應至一目前產品，該目前產品已經經過該些生產階段中的至少一已完成生產階段，該線上資料包括該至少一已完成生產階段的生產參數；將該些生產階段中的至少一尚未完成生產階段的預設生產參數與該線上資料合併以產生一測試資料；將該測試資料輸入至該機器學習模型以預測該目前產品的該至少一機械性質；以及若所預測的該至少一機械性質不符合一規範，執行一搜尋演算法以取得至少一調控後參數，並根據該至少一調控後參數來實施該至少一尚未完成生產階段。
7. 如申請專利範圍第6項所述之電子裝置，其中該些生產階段包括煉鋼階段、熱軋階段與冷軋階段，該至少一機械性質包括拉伸強度、降伏強度與伸長率，該 至少一調控後參數包括該至少一尚未完成生產階段的張力、溫度與速度。
8. 如申請專利範圍第6項所述之電子裝置，其中該機器學習模型為卷積神經網路。
9. 如申請專利範圍第6項所述之電子裝置，其中執行該搜尋演算法以取得該至少一調控後參數的步驟包括：設定一利益函數；將該至少一尚未完成生產階段的至少一可調控參數與該線上資料合併後輸入至該機器學習模型以取得至少一預測機械性質，並根據該利益函數計算出該至少一預測機械性質的一誤差值；以及取得最小誤差值所對應的該至少一可調控參數以作為該至少一調控後參數。
10. 如申請專利範圍第9項所述之電子裝置，其中該利益函數表示為以下方程式(1)：

    

    其中n表示該至少一機械性質的個數，

    

    為在該些歷史資料中第i個機械性質的標準差，

    

    為在該些歷史資料中第i個機械性質的平均值，

    

    為該至少一預測機械性質中的第i個預測機械性質。

Images