TWI725861B - 鋼帶中心位置虛擬量測器及其量測方法 - Google Patents
鋼帶中心位置虛擬量測器及其量測方法 Download PDFInfo
- Publication number
- TWI725861B TWI725861B TW109118143A TW109118143A TWI725861B TW I725861 B TWI725861 B TW I725861B TW 109118143 A TW109118143 A TW 109118143A TW 109118143 A TW109118143 A TW 109118143A TW I725861 B TWI725861 B TW I725861B
- Authority
- TW
- Taiwan
- Prior art keywords
- steel strip
- center position
- steel
- measuring device
- air knife
- Prior art date
Links
Images
Landscapes
- Coating With Molten Metal (AREA)
Abstract
一種鋼帶中心位置虛擬量測器及其量測方法,設置於一鍍鋅鋼板的製程,鍍鋅鋼板的製程至少包括一鋅液槽及一氣刀設備,其中一鋼帶是通過鋅液槽以達到熱浸鍍鋅,並透過氣刀設備以氣體刮除鋼帶上表面多餘的鋅液後。在鋼帶通過氣刀設備前,鋼帶之相關製程參數傳送至該鋼帶中心位置虛擬量測裝置,其中:該鋼帶中心位置虛擬量測裝置依據鋼帶之相關製程參數,計算該鋼帶之中心位置,並以鋼帶前後表面膜厚相等之條件,計算該鋼帶之最佳中心位置,當該鋼帶之中心位置與該鋼帶之最佳中心位置偏離時,即通過鋅液槽中之一校正輥調整該鋼帶之中心位置。
Description
本發明是有關於一種量測鋼帶中心的虛擬量測器及其量測方法,且特別是有關於一種利用過往鋼帶製程參數與前後表面鋅層厚度數據以比對的鋼帶中心位置虛擬量測器及其量測方法。
在習知技術中,當鋼板完成熱浸鍍鋅後,經過一段距離等待鋅液凝固,鋅層厚度量測裝置再以X射線(X-ray)量測鋅層厚度,再依據前後表面鋅層厚度差異調整鋼帶中心線位置,直到前後表面鋅層厚度差異最小,這樣的中心線調整方式,具有如下之缺點:
1.無法即時調整鋼帶中心位置;
2.前後鋅層厚度差異無法有效轉化成鋼帶中心位置數據。
在先前技術中,如中國專利CN103727876A中所提之基於平行激光線的帶材寬度及中心測量系統及方法中所提到的作法是以平行雷射光量測鋼帶邊緣位置,再由邊緣位置計算鋼帶中心位置,然而這樣的量測方式,必須架設雷射量測與電荷耦合元件(Charge Coupled Device,CCD)進行影像的擷取與分析後,再計算出中心線的位置。
在另一先前技術中國專利CN2821519Y所揭露的感應式鋼帶中心位置檢測裝置中,是在鋼帶兩側的線圈建立磁場,再由感應磁場的電動勢變化量測鋼帶中心位置,這種量測方法會
產生的缺點在於,兩側的量測距離近,需靠近鋼帶兩側架設線圈建立磁場;如使用在鋅槽等高溫環境中的時候,必須有保護裝置。
承上所述,如何快速又有效的量測出製程中的鋼帶中心,是一項亟待解決的課題。
本發明提供一種利用過往鋼帶製程參數與前後表面鋅層厚度數據以比對的鋼帶中心位置虛擬量測器及其量測方法,利用原有之設備建置簡單的模型以量測鋼帶中心,以達到快速獲知鋼帶中心位置之目的。
本發明提出一種鋼帶中心位置虛擬量測器,設置於一鍍鋅鋼板的製程,該鍍鋅鋼板的製程至少包括一鋅液槽及一氣刀設備,其中一鋼帶是通過該鋅液槽以達到熱浸鍍鋅,並透過該氣刀設備以氣體刮除該鋼帶上表面多餘的鋅液後。在鋼帶通過氣刀設備前,鋼帶之相關製程參數傳送至該鋼帶中心位置虛擬量測裝置,其中:該鋼帶中心位置虛擬量測裝置依據鋼帶之相關製程參數,使用鋼帶中心位置預測模型,計算該鋼帶之中心位置,並以鋼帶前後表面膜厚相等之條件,計算該鋼帶之最佳中心位置,當該鋼帶之中心位置與該鋼帶之最佳中心位置偏離時,即通過鋅液槽中之一校正輥調整該鋼帶之中心位置。
在本發明之一實施例中,上述之鋼帶中心位置虛擬量測裝置是透過數據收集、數據分析及模型訓練以作為形成該鋼帶中心位置預測模型的標準依據。
在本發明之一實施例中,上述之數據收集是依據現場設備的實施狀態,以取得對應的一製程參數。
在本發明之一實施例中,上述之數據收集更包括該鋼帶的材料相關參數。
在本發明之一實施例中,上述之數據分析是將產線速度對時間作積分運算以產生一運算公式。
在本發明之一實施例中,上述之模型訓練係透過分
類、分群和回歸之機器學習與深度學習的人工智慧學習方式以建立該鋼帶中心位置預測模型。
在本發明之一實施例中,上述之氣刀設備之一氣刀設備參數值包括一氣刀壓力、一與鋼帶間的距離值及一與鋼帶中心的距離值。
在本發明之一實施例中,上述之氣刀設備包括一第一氣刀及一第二氣刀,該第一氣刀及該第二氣刀分別設置於該鋼帶之相異兩側。
在本發明之一實施例中,上述之鋅液槽內包括一鋅槽輥及一穩定輥。
在本發明之一實施例中,上述之鋼帶中心位置偏移的因素更包括該鋅槽輥之棍徑、該校正輥位置及該鋼帶運輸之速度及張力。
本發明更提供一種鋼帶中心位置虛擬量測方法,包括下列步驟:將一鋼帶通過一鋅液槽以達到熱浸鍍鋅;透過一氣刀設備以氣體刮除該鋼帶上表面多餘的鋅液;鋼帶通過氣刀設備前,鋼帶之相關製程參數傳送至該鋼帶中心位置虛擬量測裝置;該鋼帶中心位置虛擬量測裝置依據鋼帶之相關製程參數,使用鋼帶中心位置預測模型,計算該鋼帶之中心位置,並以鋼帶前後表面膜厚相等之條件,計算該鋼帶之最佳中心位置,當該鋼帶之中心位置與該鋼帶之最佳中心位置偏離時,即通過鋅液槽中之一校正輥調整該鋼帶之中心位置。
100:鋼帶
100’:偏移鋼帶
110:氣刀設備
120:鋅液槽
121:鋅槽輥
122:校正輥
123:穩定輥
200:鋅層厚度量測裝置
210:鋼帶中心位置虛擬量測裝置
圖1是鍍鋅設備相對位置的配置圖。
圖2是鍍鋅設備另一視角的相對位置配置圖。
圖3是鋼帶中心位置與鋼帶前後表面鋅層膜厚差異的對照示意圖。
圖4是本發明鍍鋅設備的結構示意圖。
為讓本發明之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。
請同時參閱圖1、圖2、圖3及圖4,其中,圖1是鍍鋅設備相對位置的配置圖,圖2是鍍鋅設備另一視角的相對位置配置圖,圖3是鋼帶中心位置與鋼帶前後表面鋅層膜厚差異的對照示意圖及圖4是本發明鍍鋅設備的結構示意圖。
在本發明各實施例中,主要是說明鍍鋅設備各種元件的配置圖。熱浸鍍鋅鋼板是目前使用最廣泛也是最有效的鋼鐵防蝕方法,而鍍鋅鋼板的耐蝕程度主要是取決於鍍鋅層的厚度。一般而言,鍍鋅鋼板的製作過程是由鋼帶穿過熔融鋅的鋅液槽,此時,鋼帶表面會附著有熔融後的鋅液,當鋼帶穿出鋅液槽後,即透過一組氣刀設備吹出氣體,由氣體來刮除鋼帶上多餘的鋅液,使鋼帶上所附著的鋅液鍍層厚度達到預設的厚度,之後再由鋅層厚度量測器量測鍍鋅後的鋼帶鋅層厚度。
在本發明中,鋼帶中心位置虛擬量測器設置於一鍍鋅鋼板的製程,該鍍鋅鋼板的製程至少包括一氣刀設備110及一鋅液槽120,其中一鋼帶100是通過該鋅液槽120以達到熱浸鍍鋅,並透過該氣刀設備110以氣體刮除該鋼帶100上表面多餘的鋅液後,再由該鋅層厚度量測裝置200量測該鋼帶100之鋅層厚度,在該鋼帶100通過該氣刀設備110前,該鋼帶100之相關製程參數傳送至該鋼帶中心位置虛擬量測裝置210,其中:該鋼帶中心位置虛擬量測裝置210依據該鋼帶100之相關製程參數,使用鋼帶中心位置預測模型,計算該鋼帶100之中心位置,並以鋼帶前後表面膜厚相等之條件,計算該鋼帶100之最佳中心位置,當該鋼帶100之中心位置與該鋼帶100之最佳中心位置偏離時,即通過該鋅液槽120中之一校正輥122調整該鋼帶100之位置。
亦即,本發明的鋼帶中心位置虛擬量測器用以量測
鋼帶中心的鋼帶中心位置虛擬量測方法,包括下列步驟:先將鋼帶100通過鋅液槽120以達到熱浸鍍鋅,再透過一氣刀設備110以氣體刮除該鋼帶100上表面多餘的鋅液;在該鋼帶100通過該氣刀設備110前,該鋼帶100之相關製程參數傳送至該鋼帶中心位置虛擬量測裝置210,其中:該鋼帶中心位置虛擬量測裝置210依據該鋼帶100之相關製程參數,使用鋼帶中心位置預測模型,計算該鋼帶100之中心位置,並以鋼帶前後表面膜厚相等之條件,計算該鋼帶100之最佳中心位置,當該鋼帶100之中心位置與該鋼帶100之最佳中心位置偏離時,即通過該鋅液槽120中之一校正輥122調整該鋼帶100之位置。
於本實施例中,鋼帶中心位置虛擬量測裝置是透過數據收集、數據分析及模型訓練以作為形成該鋼帶中心位置預測模型的標準依據。其中,數據收集可以依據現場設備情況抓取與產線相關的製程參數,此外,還可以參考鋼帶的相關參數,例如:訂單編號(用以判別鋼帶的使用對象,使用對象不同製程中也需要做調整)、母材料的母鋼捲編號(串連資料用以判斷鋼捲的來源),以及上游相關製程參數(如退火溫度或退火時間)等等都有可能會影響到鋅層厚度的相關參數及材料資訊都可以抓取,以及最後鋅層厚度量測裝置所量測之鋼帶前後表面鋅層厚度,其中最主要鋼帶中心位置預測模型的建立還是要依據實務上的需求,例如:要要求鋼帶表面的品質,就必須參考相關的軋延條件(例如:壓力、軋輥輥徑等),將這些相關數據放入建立鋼帶中心位置預測模型的參數,之後再透過相對應的鋼帶表面鋅層厚度的量測,以作為鋼帶中心位置預測模型訓練的相對依據。
關於數據分析方面,必須將上列的收集好的各項參數數據經過數據處理後才可以進行模型訓練,由於鋼帶100表面層的厚度資料通常會與製程參數有距離延遲的問題,因此必需要根據資料延遲部分做修正,資料主要是時間序列,但產線的速度隨時都可能有變化產生,無法準確估算出所需的時間,因此,主
是以鋼帶位置作為一具,將產線速度對時間作積分,計算目前鋼帶長度方向距離,主要公式如下:
Local=ʃ(V 鋼帶 ×△t)
除了校正鋅層厚度量測延遲以外,篩選影響參數較少的數據也是提高鋼帶中心位置預測模型準確度的方法之一,例如:可依據鋅層寬度變一輛進行數據篩選,寬度、方向、鋅層厚度的變異量較小,表示鋼帶100本身的形變越少,比較平整,平整的鋼帶隊於判斷中心線位置較容易,如果鋼帶本身不平整,比較難去定義鋼帶100的中心位置。
最後再進行鋼帶中心位置預測模型訓練,經過資料的收集整理過後,就可以利用迴歸模型進行鋼帶中心位置預測模型訓練。鋼帶中心位置虛擬量測裝置210的鋼帶中心位置預測模型是預測一特定數值,屬於迴歸方式。在本發明中,透過SVM(support vector machine)的監督式學習方法,用以預估一個分類的超平面。而SVR(support vector regression)是SVM的變形,假設資料表示為(x 1 ,y 1),...,(x i ,y i ) R d ×R,其中x表示輸入的製程參數,y表示所對應的迴歸值,鋅層厚度令f(x)=w.x+b,w R d ,b R,如果f(x) x,則我們知道這樣的f(x)能夠從x,準確地預測y,這個w即是SVR要找的平面,計算上可由所收集的製程參數和相對應的鋼帶100鋅層厚度,加上一定的誤差範圍找出w,即可訓練出製程參數和鋅層厚度相對應的關係式,再由中心線位置與鋼帶前後鋅層厚度差異訓練鋼帶中心位置預測模型。
而另一種訓練方式是GBR(gradient boosting regression),其主要方式是透過許多的弱分類器分類,最後將所有的弱分類器分類結果及合成答案,弱分類是一種簡單的分類器,依不同的條件區分答案,最後集合所有弱分類器,投票選出最佳之答案,而GBR的預測模型中,假設資料為(x 1 ,y 1),...,(x i ,y i ) R d ×R,先以一簡單的公式(可以是線性函數或多項式)計算出Y pred1,目標是Y pred1-Y n =0,若不為0,就繼續將Y pred1-Y n 帶入第
二個弱分類器計算求得Y pred2,直到Y n -Σ Y pred 0,最後Y pred 總合,即為所需之模型,最後將預測模型加上參數輸入方式的程式即可建立鋼帶中心位置預測模型。
綜合上述的方法,只要有相關製程參數和相對應的鋼帶前後鋅層厚度資訊,可由不同方式訓練得到鋼帶中心位置預測模型,如圖3所示,依據鋼帶100與偏移鋼帶100’前後鋅層厚度的差異即可劃分出中心線分佈及誤差範圍,當鋼帶100前後表面鋅層厚度差異為0時,即可對應出目前鋼帶100中心線的位置。
於本實施例中,氣刀設備110之一氣刀設備參數值包括一氣刀壓力、一與鋼帶間的距離值及一與鋼帶中心的距離值,其中,氣刀設備包括一第一氣刀及一第二氣刀,該第一氣刀及該第二氣刀分別設置於該鋼帶之相異兩側。
在鋅液槽120更包括一鋅槽輥121、一校正輥122及一穩定輥123,當鋼帶100中心位置產生偏移時,透過校正輥122的移動以調整鋼帶100的位置。
綜上所述,本發明主要是提供一種透過機器學習與深度學習,配合產線的鋼帶鋅層厚度量測設備與產線製程條件,而建立的鋼帶中心位置預測模型,以虛擬鋼帶中心位置,並透過虛擬鋼帶中心的比對量測得到中心線參數,藉此可即時提供現場人員監控鋼帶製程,減少因鋼帶偏移造成鋼帶前後表面鍍鋅厚度不同的問題,並透過鋼帶中心位置虛擬量測裝置實現全自動化鋼帶中心位置調控之目的。
雖然本發明以前述實施例揭露如上,然其並非用以限定本發明,任何熟習相像技藝者,在不脫離本發明之精神和範圍內,所作更動與潤飾之等效替換,仍為本發明之專利保護範圍內。
100:鋼帶
110:氣刀設備
120:鋅液槽
121:鋅槽輥
122:校正輥
123:穩定輥
200:鋅層厚度量測裝置
210:鋼帶中心位置虛擬量測裝置
Claims (10)
- 一種鋼帶中心位置虛擬量測器,設置於一鍍鋅鋼板的製程,該鍍鋅鋼板的製程至少包括一鋅液槽及一氣刀設備,其中一鋼帶是通過該鋅液槽以達到熱浸鍍鋅,並透過該氣刀設備以氣體刮除該鋼帶上表面多餘的鋅液前,該鋼帶之製程參數傳送至該鋼帶中心位置虛擬量測器,其中:該鋼帶中心位置虛擬量測器依據該氣刀設備之製程參數,依據鋼帶中心位置預測模型預測並計算該鋼帶之中心位置,並以鋼帶前後表面膜厚相等之條件計算該鋼帶之最佳中心位置,當該鋼帶之中心位置與該鋼帶最佳中心位置偏離時,即通過該鋅液槽中之一校正輥調整該鋼帶之位置。
- 如申請專利範圍第1項所述之鋼帶中心位置虛擬量測器,其中該鋼帶中心位置預測模型是透過數據收集、數據分析及模型訓練以作為形成該鋼帶中心位置預測模型的標準依據。
- 如申請專利範圍第2項所述之鋼帶中心位置虛擬量測器,其中該數據收集是依據現場設備的實施狀態,以取得對應的一製程參數。
- 如申請專利範圍第2項所述之鋼帶中心位置虛擬量測器,其中該數據收集更包括該鋼帶的材料相關參數。
- 如申請專利範圍第2項所述之鋼帶中心位置虛擬量測器,其中該數據分析是將產線速度對時間作積分運算以產生一運算公式。
- 如申請專利範圍第2項所述之鋼帶中心位置虛擬量測器,其中該模型訓練係透過分類、分群和回歸之機器學習與深度學習的人工智慧學習方式以建立該鋼帶中心位置預測模型。
- 如申請專利範圍第1項所述之鋼帶中心位置虛擬量測器,其中該氣刀設備之一氣刀設備參數值包括一氣刀壓力、一與鋼帶間的距離值及一與鋼帶中心的距離值。
- 如申請專利範圍第1項所述之鋼帶中心位置虛擬量測器,其中該氣刀設備包括一第一氣刀及一第二氣刀,該第一氣刀及該第 二氣刀分別設置於該鋼帶之相異兩側。
- 如申請專利範圍第1項所述之鋼帶中心量測系統鋼帶中心位置虛擬量測器,其中該鋅液槽更包括一鋅槽輥及一穩定輥,該鋼帶中心位置偏移的因素更包括該鋅槽輥之棍徑、該校正輥位置及該鋼帶運輸之速度及張力。
- 一種鋼帶中心位置虛擬量測方法,包括下列步驟:將一鋼帶通過一鋅液槽以達到熱浸鍍鋅;透過一氣刀設備以氣體刮除該鋼帶上表面多餘的鋅液;以及將該鋼帶傳送至一鋅層厚度量測裝置;其中該鋅層厚度量測裝置依據該氣刀設備之製程參數,依據鋼帶中心位置預測模型預測並計算該鋼帶之中心位置,並與一鋼帶前後表面膜厚相等之條件所計算該鋼帶之最佳中心位置比對,當該鋼帶之預測中心位置與鋼帶最佳中心位置偏離時,即通過該鋅液槽中之一校正輥調整該鋼帶之位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109118143A TWI725861B (zh) | 2020-05-29 | 2020-05-29 | 鋼帶中心位置虛擬量測器及其量測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109118143A TWI725861B (zh) | 2020-05-29 | 2020-05-29 | 鋼帶中心位置虛擬量測器及其量測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI725861B true TWI725861B (zh) | 2021-04-21 |
TW202144735A TW202144735A (zh) | 2021-12-01 |
Family
ID=76605021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109118143A TWI725861B (zh) | 2020-05-29 | 2020-05-29 | 鋼帶中心位置虛擬量測器及其量測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI725861B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633420A (en) * | 1981-11-26 | 1986-12-30 | Tokyo Shibaura Denki Kabushiki Kaisha | Profile measurement apparatus using radiation |
US20040095584A1 (en) * | 2001-08-30 | 2004-05-20 | Marc Schyns | Process and device for measuring distances on strips of bright metal strip |
CN106257996A (zh) * | 2013-12-09 | 2016-12-28 | 赫氏公司 | 测量装置及其测量方法 |
CN109990711A (zh) * | 2019-04-25 | 2019-07-09 | 湘潭大学 | 一种冲孔镀镍钢带的外观质量检测方法 |
-
2020
- 2020-05-29 TW TW109118143A patent/TWI725861B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633420A (en) * | 1981-11-26 | 1986-12-30 | Tokyo Shibaura Denki Kabushiki Kaisha | Profile measurement apparatus using radiation |
US20040095584A1 (en) * | 2001-08-30 | 2004-05-20 | Marc Schyns | Process and device for measuring distances on strips of bright metal strip |
CN106257996A (zh) * | 2013-12-09 | 2016-12-28 | 赫氏公司 | 测量装置及其测量方法 |
CN109990711A (zh) * | 2019-04-25 | 2019-07-09 | 湘潭大学 | 一种冲孔镀镍钢带的外观质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202144735A (zh) | 2021-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106825069B (zh) | 一种冷轧带钢高精度板形表面粗糙度在线智能控制方法 | |
CN110866476A (zh) | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 | |
WO2020134210A1 (zh) | 一种冷轧带钢表面质量管理系统及方法 | |
CN104785535B (zh) | 一种基于模糊算法的冷轧平坦度质量判定方法 | |
CN114972203A (zh) | 基于分水岭分割的机械零件轧制异常检测方法 | |
JP2007069253A (ja) | 圧延制御装置および圧延制御方法 | |
Yang et al. | Automatic defect recognition of TFT array process using gray level co-occurrence matrix | |
CN105316613A (zh) | 一种基于变时滞偏差校正技术的锌层厚度控制方法和系统 | |
TWI725861B (zh) | 鋼帶中心位置虛擬量測器及其量測方法 | |
CN109226282A (zh) | 一种基于物联网的钢板在线固溶的轧后快速冷却方法 | |
Liu et al. | Data-based hybrid tension estimation and fault diagnosis of cold rolling continuous annealing processes | |
CN115601313A (zh) | 一种钢化玻璃生产工艺可视化监控管理系统 | |
CN103219229A (zh) | Ela不均匀性的量化判断方法及其反馈系统 | |
CN108682003A (zh) | 一种产品质量检测方法 | |
CN110567967A (zh) | 显示面板检测方法、系统、终端设备及计算机可读介质 | |
CN107541737B (zh) | 提高带钢表面酸洗质量的方法 | |
CN111194405B (zh) | 镀层密合性评价装置及评价方法、合金化热浸镀锌钢板制造设备及制造方法 | |
CN113267145A (zh) | 卷绕机极片入料控制方法、装置、电子设备及存储介质 | |
Sheng et al. | Online detection method of weld penetration based on molten pool morphology and metallic vapor radiation for fiber laser welding | |
KR100660231B1 (ko) | 연속압연공정의 강판의 최적 목표형상 설정방법 | |
CN110076215B (zh) | 开卷机及其纠偏控制系统和方法 | |
Chen et al. | Computer vision sensing and intelligent control of welding pool dynamics | |
TW202328468A (zh) | 鋼帶鍍鋅膜厚控制方法及其系統 | |
Cheri et al. | An online intelligent control method for surface roughness of cold-rolled strip steel | |
CN115700412A (zh) | 一种基于深度学习的热镀锌带钢镀层的控制方法 |