TWI767380B - 軋延系統 - Google Patents

軋延系統 Download PDF

Info

Publication number
TWI767380B
TWI767380B TW109137503A TW109137503A TWI767380B TW I767380 B TWI767380 B TW I767380B TW 109137503 A TW109137503 A TW 109137503A TW 109137503 A TW109137503 A TW 109137503A TW I767380 B TWI767380 B TW I767380B
Authority
TW
Taiwan
Prior art keywords
rolling
regression
predicted
rolling force
parameters
Prior art date
Application number
TW109137503A
Other languages
English (en)
Other versions
TW202217631A (zh
Inventor
邱鴻文
Original Assignee
中國鋼鐵股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 中國鋼鐵股份有限公司 filed Critical 中國鋼鐵股份有限公司
Priority to TW109137503A priority Critical patent/TWI767380B/zh
Publication of TW202217631A publication Critical patent/TW202217631A/zh
Application granted granted Critical
Publication of TWI767380B publication Critical patent/TWI767380B/zh

Links

Images

Landscapes

  • Control Of Metal Rolling (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本發明提出一種軋延系統，包括軋機以及計算模組。計算模組用以通訊連接至軋機並取得關於鋼帶的多個軋延參數。計算模組用以將軋延參數輸入至一機器學習模型以產生預測軋延力並控制軋機根據預測軋延力對鋼帶進行軋延。

Description

軋延系統
本揭露是關於以機器學習方法來預測軋延力的軋延系統。
在目前的軋延系統中，通常是透過一些物理模型來預測鋼帶的軋延力，但如果預測的軋延力與實際的軋延力偏差過大時，則會使得鋼帶產生厚度不均(off gauge)的情形。因此，如何更加準確的預測軋延力，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軋延系統，包括軋機以及計算模組。計算模組用以通訊連接至軋機並取得關於鋼帶的多個軋延參數。計算模組用以將軋延參數輸入至一機器學習模型以產生預測軋延力並控制軋機根據預測軋延力對鋼帶進行軋延。
在一些實施例中，上述的軋延參數包括產出寬度、入口厚度、出口厚度、預設軋延力、入口速度、出口速度、輥子速度、入口總張力、出口總張力、輥徑、加工硬化係數、軋機的力矩與馬力、以及裁減率。
在一些實施例中，計算模組包括程控電腦系統與軋延力預測系統，程控電腦系統通訊連接至軋延力預測系統。
在一些實施例中，上述的機器學習模型為迴歸森林，此迴歸森林包括多棵迴歸樹。上述的軋延參數組成多個特徵向量。計算模組更用以在訓練階段求解以下數學式1所表示的目標函數。 [數學式1]
Figure 02_image001
其中
Figure 02_image003
表示根據第i個特徵向量所產生的預測軋延力
Figure 02_image005
與真實數據
Figure 02_image007
之間的誤差，
Figure 02_image009
表示第k顆迴歸樹的複雜度，K為迴歸樹的個數，n為特徵向量的個數。
在一些實施例中，計算模組更用以根據以下數學式2求解第t棵迴歸樹中第j個葉節點的權重
Figure 02_image011
。 [數學式2]
Figure 02_image013
Figure 02_image015
Figure 02_image017
Figure 02_image019
Figure 02_image021
其中
Figure 02_image023
表示前t-1棵迴歸樹所預測的數值，
Figure 02_image025
是尋訪第t顆迴歸樹以後走到第j個葉節點的特徵向量所形成的集合，
Figure 02_image027
為實數。
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包括計算模組110、軋機120與裁邊機130。在此為了簡化起見，並沒有繪示軋延系統100中的所有設備，例如軋延系統100還可包括冷卻區等。在此實施例中，軋延系統100是用以對鋼帶140進行冷軋。計算模組110用以根據一機器學習模型來預測軋延力，並且控制軋機120根據預測的軋延力來對鋼帶140進行軋延。
在一些實施例中，計算模組110包括了程控電腦系統111與軋延力預測系統112，兩此彼此通訊連接。程控電腦系統111可包括一或多個控制器、驅動器、感測器或合適的電路，用以控制或監視軋延系統100中的各個設備並取得各個設備的各種參數。軋延力預測系統112是一個獨立的電腦，例如為個人電腦或是伺服器。程控電腦系統111所取得的參數會傳送至軋延力預測系統112以預測軋延力，所預測的軋延力會回傳至程控電腦系統111。
圖2是根據一實施例繪示程控電腦系統與軋延力預測系統的通訊示意圖。請參照圖1與圖2，程控電腦系統111包括了追蹤模組210、發送模組220、接收模組280與記憶體290。軋延力預測系統112包括了接收模組230、佇列(queue)240、預測模組250、佇列260與發送模組270。上述的模組是由程式碼組成。
首先，追蹤模組210用以判斷是否滿足一觸發條件，此觸發條件例如為鋼帶140到達裁邊機140時。當滿足觸發條件以後，追蹤模組210會將傳送一訊息(亦稱第一訊息)給發送模組220，此訊息包括關於鋼帶140的軋延參數，例如包括產出寬度、入口厚度、出口厚度、預設軋延力、入口速度、出口速度、輥子速度、入口總張力、出口總張力、輥徑、加工硬化係數、軋機的力矩與馬力、以及裁減率等。然而，本發明並不在此限，在其他實施例也可以採用其他的軋延參數。
在接收到上述的訊息以後，發送模組220可透過一通訊協定將訊息傳送給接收模組230。舉例來說，上述的通訊協定為TCP/IP，發送模組220可以將所接收到的訊息組成TCP/IP插槽(socket)所使用的通訊格式，形成封包並傳送出去。接收模組230接收到這些封包並解開以後，可以得到上述的訊息，並將此訊息暫存在佇列240當中。
預測模組250可從佇列240當中取得訊息並取得上述的軋延參數。預測模組250會將這些軋延參數輸入至一機器學習模型以產生預測軋延力，此機器學習模型例如為決策樹、隨機森林、多層次神經網路、卷積神經網路、支持向量機等等，本發明並不在此限。預測模組250還會發送一訊息(亦稱第二訊息)給佇列260暫存，此第二訊息包括上述預測的軋延力。在一些實施例中，每一站軋機都有對應的軋延力，在圖1的實施例中共有4站軋機，因此共有4個軋延力。此外，第二訊息也可包括鋼帶140的鋼種等資訊。
發送模組270從佇列260取得第二訊息，將此第二訊息透過通訊協定傳送給接收模組280。例如，發送模組270可以將所取得到的第二訊息組成TCP/IP插槽(socket)所使用的通訊格式，形成封包並傳送給接收模組280。
接收模組280在取得這些封包並解開以後可以得到預測軋延力，並將此預測軋延力儲存在記憶體290當中。在一些實施例中，程控電腦系統111也可以提供一個人機介面以顯示預測軋延力，操作人員可以根據這些資訊進行任意的操作與判斷，本發明並不限制此人機介面的內容。在一些實施例中，程控電腦系統111會控制軋機120根據預測的軋延力對鋼帶140進行軋延。
在一些實施例中，上述實施例所採用的機器學習模型是將多顆迴歸樹加總起來(稱為迴歸森林)，不同之處在於加入一逞罰項至目標函數中，使得回歸森林的複雜度降低，這樣可以有更好的推論結果。具體來說，假設有K棵樹，其中K為正整數，這K顆樹可以依照以下數學式1加總起來。 [數學式1]
Figure 02_image029
其中
Figure 02_image031
表示第i筆特徵向量，特徵向量可由上述的軋延參數所組成。
Figure 02_image005
是根據第i筆特徵向量所預測的軋延力。
Figure 02_image033
是第k顆迴歸樹。一顆迴歸樹具有一或多個中間節點，每個中間節點具有一個判斷式，用以判斷特徵向量中的某一個元素是否大於一特定數值，藉此繼續走向左子樹或是右子樹。迴歸樹的子節點則有一權重，即代表此迴歸樹的輸出。本領具有通常知識者當可理解迴歸樹，在此並不詳細贅述。
在訓練階段時，軋延力的真實數據(ground truth)是透過電氣設備所回饋量測到的實際軋延力，表示為
Figure 02_image007
，在此實施例中目標函數表示為以下數學式2。 [數學式2]
Figure 02_image001
其中n為所有特徵向量的個數。
Figure 02_image003
表示預測的軋延力
Figure 02_image005
與真實數據
Figure 02_image007
之間的誤差，可採用平方差、絕對值差或其他合適的誤差，本發明並不在此限。
Figure 02_image009
表示第k顆迴歸樹的複雜度，例如為葉節點的數目，樹的深度等等。為了求解上述的目標函數，在此是一次求解一顆迴歸樹，進行多次循環以後得到迴歸森林，此循環可以表示為以下數學式3。 [數學式3]
Figure 02_image035
Figure 02_image037
Figure 02_image039
...
Figure 02_image041
其中
Figure 02_image043
表示第t棵迴歸樹所預測的數值。換言之，t次循環所預測的數值
Figure 02_image043
等於前t-1次循環所預測的數值
Figure 02_image045
再加上第t次循環所得到的迴歸樹
Figure 02_image047
所預測的數值。把數學式3代入至數學式2的目標函數，再透過泰勒展開式來近似函數
Figure 02_image043
以後可以得到在求解第t顆迴歸樹時的目標函數，如以下數學式4所示。 [數學式4]
Figure 02_image049
Figure 02_image019
Figure 02_image021
在上述數學式4中的泰勒展開式採用了兩個級數的近似值。在求解第t顆迴歸樹時，前t-1顆迴歸樹已經決定，因此數學式4的最後兩項為常數項，不影響目標函數的大小，可忽略不計。
在一些實施例中，迴歸樹的複雜度可由以下數學式5來計算。 [數學式5]
Figure 02_image051
其中
Figure 02_image053
為迴歸樹中葉節點的數目，
Figure 02_image055
是第j個葉節點的權重。
Figure 02_image057
與
Figure 02_image027
為使用者可自行定義的實數。把數學式5代入數學式4，再刪除常數項以後可得到以下數學式6。 [數學式6]
Figure 02_image059
其中
Figure 02_image025
表示在尋訪第t顆迴歸樹以後走到第j個葉節點的所有特徵向量所形成的集合。當求解第t顆迴歸樹時，權重
Figure 02_image061
是所要求解的變數，數學式6可視為權重
Figure 02_image061
的二次方程式，透過二次方程式的公式解可以求得最佳的權重
Figure 02_image011
與目標函數的值如以下數學式7所示。 [數學式7]
Figure 02_image013
Figure 02_image063
Figure 02_image015
Figure 02_image017
接下來說明如何決定迴歸樹的結構，從深度0開始，每次必須決定一個節點，也就是從特徵向量中找到一個元素以進行分割，分割後會產生左葉節點與右葉節點，訓練的目標在於分割後能夠使目標函數最小。在分割前與分割後的目標函數的值如以下數學式8所示。在此是尋找最佳的分割，使得數學式9中的增益Gain為最大。 [數學式8]
Figure 02_image065
Figure 02_image067
[數學式9]
Figure 02_image069
Figure 02_image071
其中
Figure 02_image073
表示在分割後的目標函數的值，
Figure 02_image075
為分割後所有葉節點的個數。
Figure 02_image077
是分割前的目標函數的值，
Figure 02_image079
是分割前所有葉節點的個數。搜尋最適當分割的演算法可參照以下表1所示的虛擬碼。 [表1]
Gain
Figure 02_image081
 0
Figure 02_image083
,
Figure 02_image085
for k=1 to m do
   
Figure 02_image087
,
Figure 02_image089
    for j in sorted(I, by
Figure 02_image091
) do        
Figure 02_image093
,
Figure 02_image095
       
Figure 02_image097
,
Figure 02_image099
       
Figure 02_image101
)     end end
Split with max score
表1的第5行是先把將所有的特徵向量中的第k個元素做排序，然後取排序後的第j個元素以測試分割後的結果。經過第5~8行的迴圈以後等於測試完特徵向量中的第k個元素，找到對於第k個元素來說最佳的分割點。經過第3~10的迴圈以後等於測試完特徵向量中所有的元素。在表1的第11行則以最大分數score所對應的分割點來對迴歸樹進行分割。在上述的迴歸森林模型中，透過加入逞罰項(迴歸樹的複雜度)可以增加推論的準確度。
上述的“通訊連接”可以透過任意的通訊手段來完成，例如互聯網、區域網路、廣域網路、蜂巢式網路(或稱行動網路)、近場通訊、紅外線通訊、藍芽、無線保真(WiFi)、或有線傳輸等。
在上述的軋延系統中，可用機器學習模型來預測軋延力，改善了原模型預測不準的缺陷，減少厚度不均的情形，可提高產率。
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。
100:軋延系統 110:計算模組 111:程控電腦系統 112:軋延力預測系統 120:軋機 130:裁邊機 140:鋼帶 210:追蹤模組 220:發送模組 230:接收模組 240:佇列 250:預測模組 260:佇列 270:發送模組 280:接收模組 290:記憶體
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。 [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程控電腦系統與軋延力預測系統的通訊示意圖。
111:程控電腦系統 112:軋延力預測系統 210:追蹤模組 220:發送模組 230:接收模組 240:佇列 250:預測模組 260:佇列 270:發送模組 280:接收模組 290:記憶體

Claims (4)

  1. 一種軋延系統，包括：至少一軋機；以及一計算模組，用以通訊連接至該至少一軋機並取得關於一鋼帶的多個軋延參數，其中該計算模組用以將該些軋延參數輸入至一機器學習模型以產生一預測軋延力並控制該至少一軋機根據該預測軋延力該對該鋼帶進行軋延，其中該機器學習模型為一迴歸森林，該迴歸森林包括多棵迴歸樹，該些軋延參數組成多個特徵向量，該計算模組更用以在訓練階段求解以下數學式1所表示的目標函數，
    Figure 109137503-A0305-02-0014-1
     其中
    Figure 109137503-A0305-02-0014-5
    表示根據第i個特徵向量所產生的預測軋延力
    Figure 109137503-A0305-02-0014-6
    與真實數據y i 之間的誤差，Ω(f k )表示第k顆迴歸樹的複雜度，K為該些迴歸樹的個數，n為該些特徵向量的個數。
  2. 如請求項1所述之軋延系統，其中該些軋延參數包括產出寬度、入口厚度、出口厚度、預設軋延力、入口速度、出口速度、輥子速度、入口總張力、出口總張力、輥徑、加工硬化係數、該至少一軋機的力矩與馬力、以及裁減率。
  3. 如請求項1所述之軋延系統，其中該計算模 組包括一程控電腦系統與一軋延力預測系統，該程控電腦系統通訊連接至該軋延力預測系統。
  4. 如請求項1所述之軋延系統，其中該計算模組更用以：根據以下數學式2求解第t棵迴歸樹中第j個葉節點的權重
    Figure 109137503-A0305-02-0015-3
    ，
    Figure 109137503-A0305-02-0015-2
     其中
    Figure 109137503-A0305-02-0015-4
    表示前t-1棵迴歸樹所預測的數值，I j 是尋訪該第t顆迴歸樹以後走到該第j個葉節點的該些特徵向量所形成的集合，λ為實數。
TW109137503A 2020-10-28 2020-10-28 軋延系統 TWI767380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109137503A TWI767380B (zh) 2020-10-28 2020-10-28 軋延系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109137503A TWI767380B (zh) 2020-10-28 2020-10-28 軋延系統

Publications (2)

Publication Number Publication Date
TW202217631A TW202217631A (zh) 2022-05-01
TWI767380B true TWI767380B (zh) 2022-06-11

Family

ID=82558798

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109137503A TWI767380B (zh) 2020-10-28 2020-10-28 軋延系統

Country Status (1)

Country Link
TW (1) TWI767380B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201313351A (zh) * 2011-09-26 2013-04-01 Toshiba Mitsubishi Elec Inc 最佳化裝置、最佳化方法，及最佳化程式
TW201620632A (zh) * 2014-12-01 2016-06-16 中國鋼鐵股份有限公司 金屬板材頭端檢測方法與金屬板材軋延方法
CN111505966A (zh) * 2020-03-17 2020-08-07 洛阳和远控制系统有限公司 一种生产板带材的电气控制方法和装置
WO2020160898A1 (de) * 2019-02-07 2020-08-13 thyssenkrupp Hohenlimburg GmbH Verfahren zur produktion eines metallwerkstücks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201313351A (zh) * 2011-09-26 2013-04-01 Toshiba Mitsubishi Elec Inc 最佳化裝置、最佳化方法，及最佳化程式
TW201620632A (zh) * 2014-12-01 2016-06-16 中國鋼鐵股份有限公司 金屬板材頭端檢測方法與金屬板材軋延方法
WO2020160898A1 (de) * 2019-02-07 2020-08-13 thyssenkrupp Hohenlimburg GmbH Verfahren zur produktion eines metallwerkstücks
CN111505966A (zh) * 2020-03-17 2020-08-07 洛阳和远控制系统有限公司 一种生产板带材的电气控制方法和装置

Also Published As

Publication number Publication date
TW202217631A (zh) 2022-05-01

Similar Documents

Publication Publication Date Title
CN106874581B (zh) 一种基于bp神经网络模型的建筑空调能耗预测方法
Al Bataineh et al. A comparative study of different curve fitting algorithms in artificial neural network using housing dataset
Sakthivel et al. Multi-objective parameter estimation of induction motor using particle swarm optimization
CN108959728B (zh) 基于深度学习的射频器件参数优化方法
US11440183B2 (en) Hybrid machine learning-based systems and methods for training an object picking robot with real and simulated performance data
CN104217258B (zh) 一种电力负荷条件密度预测方法
CN104699894A (zh) 基于实时学习的高斯过程回归多模型融合建模方法
AU2021245165B2 (en) Method and device for processing quantum data
Wang et al. A restart univariate estimation of distribution algorithm: sampling under mixed Gaussian and Lévy probability distribution
CN113156263B (zh) 电缆状态监测方法及存储介质
CN107122526B (zh) 基于异态特征子集集成算法的试验段马赫数建模方法
US20230062408A1 (en) Adaptive path planning method based on neutral networks trained by the evolutional algorithms
CN112995343B (zh) 一种具有性能与需求匹配能力的边缘节点计算卸载方法
US20230367934A1 (en) Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information
CN102567781A (zh) 一种基于神经网络的网络行为预测方法
CN104639293B (zh) 网络化控制系统丢包补偿装置及方法
US20100179692A1 (en) System and method for motor parameter estimation
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
Chen et al. Using deep neural networks to evaluate the system reliability of manufacturing networks
TWI767380B (zh) 軋延系統
CN113541985A (zh) 物联网故障诊断方法、模型的训练方法及相关装置
Zhang et al. Regression prediction of material grinding particle size based on improved sparrow search algorithm to optimize BP neural network
CN109115446A (zh) 基于跨声速风洞风速精度控制方法及系统
Kim et al. Tree based trajectory optimization based on local linearity of continuous non-linear dynamics
Subbotin et al. Entropy based evolutionary search for feature selection