TWI785945B - 熱軋鋼材的板形預測系統 - Google Patents

熱軋鋼材的板形預測系統 Download PDF

Info

Publication number
TWI785945B
TWI785945B TW110148543A TW110148543A TWI785945B TW I785945 B TWI785945 B TW I785945B TW 110148543 A TW110148543 A TW 110148543A TW 110148543 A TW110148543 A TW 110148543A TW I785945 B TWI785945 B TW I785945B
Authority
TW
Taiwan
Prior art keywords
module
machine learning
prediction
training
hot
Prior art date
Application number
TW110148543A
Other languages
English (en)
Other versions
TW202325432A (zh
Inventor
戴偉倫
程紹桓
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 TW110148543A priority Critical patent/TWI785945B/zh
Application granted granted Critical
Publication of TWI785945B publication Critical patent/TWI785945B/zh
Publication of TW202325432A publication Critical patent/TW202325432A/zh

Links

Images

Landscapes

  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Feedback Control In General (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本發明提供了一種熱軋鋼材的板形預測系統，其包含：程控模組，用以發出計算需求及訓練需求；資料庫，提供該計算需求及該訓練需求所需的複數個條件；訓練模組，連接該資料庫，並且依據該訓練需求所需的該些條件產生機器學習模型；以及預測模組，其包含：機器學習預測模組，依據該計算需求所需的該些條件及該機器學習模型來產生機器學習估值；物理預測模組，依據該計算需求所需的該些條件來產生物理估值；以及調和模組，對乘以第一權重值的該機器學習估值與乘以第二權重值的該物理估值進行加總，以獲得板形預測值。

Description

熱軋鋼材的板形預測系統
本發明係關於板形預測領域，特別是一種熱軋鋼材的板形預測系統。
在目前煉鋼產業中，熱軋鋼材多是通過現場調整或是依賴前後鋼捲製程中所收集的資料來進行鋼捲對鋼捲(Bar to Bar, BTB)學習或是批次對批次(Lot to Lot, LTL)學習以進行預測。
然而，不論是BTB學習或是LTL學習，在前後鋼捲/批次的鋼材、種類或是所要生產的規格不相同的話情況下，所產生的預測值會有大量的偏移。舉例來說，若在熱軋產線中，需要進行四種不同規格鋼材批次的熱軋，而每一批次中會處理三個鋼捲，在第一批次與第二批次交接時，前後鋼捲的的規格不同，這時利用現行鋼捲對鋼捲學習來進行預測就會產生大量的偏移。即便，第二批次中的後兩個鋼捲的預測值的偏移會降低，但是隨後又接著不同規格的第三批次，預測值又會有大量的偏移。此外，除了鋼捲的的規格不同會使預測值產生大量的偏移之外，生產條件的改變也會有相同的問題。也就是說，在少量多樣的生產模式下，BTB學習或是LTL學習在鋼捲/批次的鋼材、種類、規格改變及生產條件的情況下其預測值都會產生相當程度的偏移。
目前也有人工智慧學習的相關研究，但是人工智慧學習需要收集大量的資料才能建立適合的預測模型，而在少量多樣的生產模式下(前後鋼捲及前後批次參數機都不同)，所收集的數據勢必會交互影響讓預測模型失真。
故，有必要提供一種熱軋鋼材的板形預測系統，以解决習用技術所存在的問題。
本發明的目的在於提供一種熱軋鋼材的板形預測系統，其適用少量多樣的生產模式中，可以降低在鋼材、種類、規格改變及生產條件改變時預測值的偏移。
為了達成上述目的，本發明提供了一種熱軋鋼材的板形預測系統，其包含：一程控模組，用以發出一計算需求及一訓練需求；一資料庫，提供該計算需求及該訓練需求所需的複數個條件；一訓練模組，連接該資料庫，並且依據該訓練需求所需的該些條件產生一機器學習模型；以及一預測模組，連接該資料庫與該訓練模組，該預測模組包含：一機器學習預測模組，依據該計算需求所需的該些條件及該機器學習模型來產生一機器學習估值；一物理預測模組，依據該計算需求所需的該些條件來產生一物理估值；以及一調和模組，對乘以一第一權重值的該機器學習估值與乘以一第二權重值的該物理估值進行加總，以獲得一板形預測值。
在本發明的一實施例中，該第一權重值大於0，並且該第一權重值與該第二權重值的總和為1。
在本發明的一實施例中，該第一權重值在0.3至0.7之間。
在本發明的一實施例中，該些條件包含一鋼材條件及一製程條件。
在本發明的一實施例中，該鋼材條件包含一鋼材鋼種、一鋼材寬度及一鋼材厚度。
在本發明的一實施例中，該製程條件包含一熱軋溫度及一熱軋壓力。
本發明還提供了一種熱軋鋼材的板形預測系統，其包含：一程控模組，用以發出一計算需求；一資料庫，提供該計算需求所需的複數個條件；一預測模組，連接該程控模組及該資料庫，該預測模組包含：一板形管理模組，接收該計算需求並且發出一機器學習預測指示及一物理預測指示；一機器學習預測模組，接收該機器學習預測指示並且依據該些條件來產生一機器學習估值；一物理預測模組，接收該物理預測指示並且依據該些條件來產生一物理估值；以及一調和模組，連接該機器學習預測模組及該物理預測模組，該調和模組用以加總乘以一第一權重值的該機器學習估值與乘以一第二權重值的該物理估值，以獲得一板形預測值。
在本發明的一實施例中，該熱軋鋼材的板形預測系統，還包括：一訓練模組，連接該程控模組及該資料庫，該訓練模組接收來自該程控模組的一訓練需求，以產生一機器學習模型，其中該機器學習預測模組利用該機器學習模型來產生該機器學習估值。
在本發明的一實施例中，該訓練模組連接該資料庫以獲得該訓練需求中所需要的複數個條件。
在本發明的一實施例中，該第一權重值大於0，並且該第一權重值與該第二權重值的總和為1。
如上所述，本發明所提供的熱軋鋼材的板形預測系統通過訓練模組建立出一機器學習模型，而機器學習預測模組所產生機器學習估值與物理預測模組所產生物理估值會在調和模組的處理後產生板形預測值，藉此降低預測值的偏移。
爲了讓本發明之上述及其他目的、特徵、優點能更明顯易懂，下文將特舉本發明較佳實施例，並配合所附圖式，作詳細說明如下。再者，本發明所提到的方向用語，例如上、下、頂、底、前、後、左、右、內、外、側面、周圍、中央、水平、橫向、垂直、縱向、軸向、徑向、最上層或最下層等，僅是參考附加圖式的方向。因此，使用的方向用語是用以說明及理解本發明，而非用以限制本發明。
請參照第1圖，第1圖是本發明實施例的一種熱軋鋼材的板形預測系統的結構示意圖。本發明提供了一種熱軋鋼材的板形預測系統100，其包含：一程控模組110、一資料庫120、一訓練模組130及一預測模組140。
該程控模組110用以發出一計算需求112及一訓練需求114，其中該計算需求112發送至該預測模組140，該訓練需求114發送至該訓練模組130。
該資料庫120提供該計算需求112及該訓練需求114所需的複數個條件。亦即，該訓練模組130可以依據該訓練需求114從該資料庫120獲得多個條件以進行訓練，而該預測模組140可以依據該計算需求112從該資料庫120獲得多個條件以進行預測。該些條件可以包含一鋼材條件及一製程條件。該鋼材條件可以包含一鋼材鋼種、一鋼材寬度及一鋼材厚度。該製程條件可以包含一熱軋溫度及一熱軋壓力。
該訓練模組130連接該資料庫120，並且依據該訓練需求114所需的該些條件產生一機器學習模型135。該訓練模組130根據不同訓練需求所產生的該機器學習模型135可以儲存在該資料庫120，這樣縮短在相同條件下的學習時間。此外，該機器學習模型135也可以應映該訓練需求114而即時地更新。
該預測模組140連接該資料庫120與該訓練模組130，該預測模組140包含：一機器學習預測模組142、一物理預測模組144及一調和模組146。該機器學習預測模組142依據該計算需求112所需的該些條件及該機器學習模型135來產生一機器學習估值(未繪示)，並且該機器學習估值會傳送至該調和模組146。該物理預測模組144依據該計算需求112所需的該些條件來產生一物理估值(未繪示)，並且該物理估值會傳送至該調和模組146。應當理解的是，該物理預測模組144是利用現有的理論公式或由理論公式所衍生出的計算模型(例如，鋼捲對鋼捲(Bar to Bar, BTB)學習)來估算出該物理估值。該調和模組146對乘以一第一權重值的該機器學習估值與乘以一第二權重值的該物理估值進行加總，以獲得一板形預測值。
其中，該第一權重值大於0，並且該第一權重值與該第二權重值的總和為1。舉例來說，當該第一權重值可以是0.6時，而該第二權重值為0.4。此外，該第一權重值的範圍可以例如在0.35到0.65間，而對應地該第二權重值的範圍可以例如在0.65(對應第一權重值為0.35)至0.35(對應第一權重值為0.65)之間。應當理解的是，使用者可以依據預測的類型來調整該第一權重值與該第二權重值。
如此一來，該訓練模組130可以通過該資料庫120中的巨量資料來學習產生完整的機器學習模型135。並且經由該機器學習預測模組142的使用產生貼近狀況的該機器學習估值。而該物理預測模組144利用現有的理論公式或由理論公式所衍生出的計算模型(例如，BTB學習)來估算出該物理估值可以保有現有技術(例如，BTB學習)的快速適應的優點。
請參照第2圖，第2圖是本發明另一實施例的一種熱軋鋼材的板形預測系統的結構示意圖。本發明還提供了一種熱軋鋼材的板形預測系統200，其包含：一程控模組210、一資料庫220、一訓練模組230及一預測模組240。
該程控模組210用以發出一計算需求212及一訓練需求214，其中該計算需求212發送至該預測模組240，該訓練需求214發送至該訓練模組230。
該資料庫220提供該計算需求212及該訓練需求214所需的複數個條件。亦即，該訓練模組230可以依據該訓練需求214從該資料庫220獲得多個條件以進行訓練，而該預測模組240可以依據該計算需求212從該資料庫220獲得多個條件以進行預測。儲存在該資料庫220中的該些條件可以包含一鋼材條件及一製程條件。該鋼材條件可以包含一鋼材鋼種、一鋼材寬度及一鋼材厚度。該製程條件可以包含一熱軋溫度及一熱軋壓力。
該訓練模組230連接該程控模組210及該資料庫220，該訓練模組230接收來自該程控模組210的該訓練需求214，以產生一機器學習模型235。該訓練模組230連接該資料庫220以獲得該訓練需求214中所需要的複數個條件。該訓練模組230根據不同訓練需求所產生的該機器學習模型235可以儲存在該資料庫220，這樣縮短在相同條件下的學習時間。此外，該機器學習模型235也可以應映該訓練需求214而即時地更新。
該預測模組240連接該程控模組210及該資料庫220，該預測模組240可以包含：一板形管理模組241、一機器學習預測模組242、一物理預測模組244及一調和模組246。該板形管理模組241接收該計算需求212並且發出一機器學習預測指示及一物理預測指示，其中該機器學習預測指示傳送至該機器學習預測模組242，而該物理預測指示傳送至該物理預測模組244。該機器學習預測模組242接收該機器學習預測指示並且依據該些條件來產生一機器學習估值，具體來說該機器學習預測模組242依據該些條件利用該機器學習模型235來產生該機器學習估值。該物理預測模組244接收該物理預測指示並且依據該些條件來產生一物理估值。該調和模組246連接該機器學習預測模組242及該物理預測模組244，該機器學習估值及該物理估值都會傳送至該調和模組246。該調和模組246用以加總乘以一第一權重值的該機器學習估值與乘以一第二權重值的該物理估值，以獲得一板形預測值。其中，該第一權重值大於0，並且該第一權重值與該第二權重值的總和為1，而使用者可以依據預測的類型來調整該第一權重值與該第二權重值。此外，該板形預測值可以通過該板形管理模組241傳送至該程控模組210，讓使用者即時瞭解在所處的該計算需求212下，熱軋鋼材的該板形預測值，以便於確認是否合乎實際需求。
請參照第3A圖及第3B圖，第3A圖是採用先前技術的預測系統的預測值與實際量測值的關係圖，第3B圖是本發明中熱軋鋼材的板形預測系統的預測值與實際量測值的關係圖。第3A圖及第3B圖是在同樣的鋼材在同樣的生產條件下，對於熱軋鋼材的冠高的預測值及實際量測的示例。可以發現先前技術的預測值(點)分布廣泛，預測冠高與量測冠高的誤差在-3.4±9.26µm，如第3A圖所示，而本發明中熱軋鋼材的板形預測系統的預測值(點)較為集中，預測冠高與量測冠高的誤差更是降低至-0.7±7.03µm。本發明中熱軋鋼材的板形預測系統除了可以克服現有技術預測值震盪的現象之外，更可以顯著地降低預測值的偏移，以提供更精準的預測。
如上所述，本發明所提供的熱軋鋼材的板形預測系統通過訓練模組建立出一機器學習模型，而機器學習預測模組所產生機器學習估值與物理預測模組所產生物理估值會在調和模組的處理後產生板形預測值，藉此降低預測值的偏移。
雖然本發明已以較佳實施例揭露，然其並非用以限制本發明，任何熟習此項技藝之人士，在不脫離本發明之精神和範圍內，當可作各種更動與修飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者爲準。
100:熱軋鋼材的板形預測系統 110:程控模組 112:計算需求 114:訓練需求 120:資料庫 130:訓練模組 135:機器學習模型 140:預測模組 142:機器學習預測模組 144:物理預測模組 146:調和模組 200:熱軋鋼材的板形預測系統 210:程控模組 212:計算需求 214:訓練需求 220:資料庫 230:訓練模組 235:機器學習模型 240:預測模組 241:板形管理模組 242:機器學習預測模組 244:物理預測模組 246:調和模組
第1圖是本發明實施例的一種熱軋鋼材的板形預測系統的結構示意圖。 第2圖是本發明另一實施例的一種熱軋鋼材的板形預測系統的結構示意圖。 第3A圖是採用先前技術的預測系統的預測值與實際量測值的關係圖。 第3B圖是本發明中熱軋鋼材的板形預測系統的預測值與實際量測值的關係圖。
100:熱軋鋼材的板形預測系統
110:程控模組
112:計算需求
114:訓練需求
120:資料庫
130:訓練模組
135:機器學習模型
140:預測模組
142:機器學習預測模組
144:物理預測模組
146:調和模組

Claims (10)

  1. 一種熱軋鋼材的板形預測系統，其包含：一程控模組，用以發出一計算需求及一訓練需求；一資料庫，提供該計算需求及該訓練需求所需的複數個條件；一訓練模組，連接該資料庫，並且依據該訓練需求所需的該些條件產生一機器學習模型；以及一預測模組，連接該資料庫與該訓練模組，該預測模組包含：一機器學習預測模組，依據該計算需求所需的該些條件及該機器學習模型來產生一機器學習估值；一物理預測模組，依據該計算需求所需的該些條件來產生一物理估值；以及一調和模組，對乘以一第一權重值的該機器學習估值與乘以一第二權重值的該物理估值進行加總，以獲得一板形預測值。
  2. 如請求項1所述之熱軋鋼材的板形預測系統，其中該第一權重值大於0，並且該第一權重值與該第二權重值的總和為1。
  3. 如請求項2所述之熱軋鋼材的板形預測系統，其中該第一權重值在0.3至0.7之間。
  4. 如請求項1所述之熱軋鋼材的板形預測系統，其中該些條件包含一鋼材條件及一製程條件。
  5. 如請求項3所述之熱軋鋼材的板形預測系統，其中該鋼材條件包含一鋼材鋼種、一鋼材寬度及一鋼材厚度。
  6. 如請求項4所述之熱軋鋼材的板形預測系統，其中該製程條件包含一熱軋溫度及一熱軋壓力。
  7. 一種熱軋鋼材的板形預測系統，其包含：一程控模組，用以發出一計算需求；一資料庫，提供該計算需求所需的複數個條件；一預測模組，連接該程控模組及該資料庫，該預測模組包含：一板形管理模組，接收該計算需求並且發出一機器學習預測指示及一物理預測指示；一機器學習預測模組，接收該機器學習預測指示並且依據該些條件來產生一機器學習估值；一物理預測模組，接收該物理預測指示並且依據該些條件來產生一物理估值；以及一調和模組，連接該機器學習預測模組及該物理預測模組，該調和模組用以加總乘以一第一權重值的該機器學習估值與乘以一第二權重值的該物理估值，以獲得一板形預測值。
  8. 如請求項7所述之熱軋鋼材的板形預測系統，還包括：一訓練模組，連接該程控模組及該資料庫，該訓練模組接收來自該程控模組的一訓練需求，以產生一機器學習模型，其中該機器學習預測模組利用該機器學習模型來產生該機器學習估值。
  9. 如請求項8所述之熱軋鋼材的板形預測系統，其中該訓練模組連接該資料庫以獲得該訓練需求中所需要的複數個條件。
  10. 如請求項7所述之熱軋鋼材的板形預測系統，其中該第一權重值大於0，並且該第一權重值與該第二權重值的總和為1。
TW110148543A 2021-12-23 2021-12-23 熱軋鋼材的板形預測系統 TWI785945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW110148543A TWI785945B (zh) 2021-12-23 2021-12-23 熱軋鋼材的板形預測系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110148543A TWI785945B (zh) 2021-12-23 2021-12-23 熱軋鋼材的板形預測系統

Publications (2)

Publication Number Publication Date
TWI785945B true TWI785945B (zh) 2022-12-01
TW202325432A TW202325432A (zh) 2023-07-01

Family

ID=85794836

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110148543A TWI785945B (zh) 2021-12-23 2021-12-23 熱軋鋼材的板形預測系統

Country Status (1)

Country Link
TW (1) TWI785945B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586221A (en) * 1994-07-01 1996-12-17 Syracuse University Predictive control of rolling mills using neural network gauge estimation
CN110472349A (zh) * 2019-08-20 2019-11-19 武汉科技大学 一种基于eemd和深度卷积网络的热轧钢性能预测方法
WO2020106725A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning
CN112170501A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种轧辊磨损凸度和热凸度的预测方法
TW202111453A (zh) * 2019-09-04 2021-03-16 中國鋼鐵股份有限公司 製程參數的調控方法與電子裝置
TWI737497B (zh) * 2020-09-18 2021-08-21 中國鋼鐵股份有限公司 品質設計方法與電子裝置
EP3926425A1 (en) * 2019-02-12 2021-12-22 JFE Steel Corporation Method for determining setting conditions of manufacturing facility, method for determining mill setup setting value of rolling mill, device for determining mill setup setting value of rolling mill, method for manufacturing manufactured object, and method for manufacturing rolled stock

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5586221A (en) * 1994-07-01 1996-12-17 Syracuse University Predictive control of rolling mills using neural network gauge estimation
WO2020106725A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning
EP3926425A1 (en) * 2019-02-12 2021-12-22 JFE Steel Corporation Method for determining setting conditions of manufacturing facility, method for determining mill setup setting value of rolling mill, device for determining mill setup setting value of rolling mill, method for manufacturing manufactured object, and method for manufacturing rolled stock
CN110472349A (zh) * 2019-08-20 2019-11-19 武汉科技大学 一种基于eemd和深度卷积网络的热轧钢性能预测方法
TW202111453A (zh) * 2019-09-04 2021-03-16 中國鋼鐵股份有限公司 製程參數的調控方法與電子裝置
CN112170501A (zh) * 2020-09-16 2021-01-05 太原理工大学 一种轧辊磨损凸度和热凸度的预测方法
TWI737497B (zh) * 2020-09-18 2021-08-21 中國鋼鐵股份有限公司 品質設計方法與電子裝置

Also Published As

Publication number Publication date
TW202325432A (zh) 2023-07-01

Similar Documents

Publication Publication Date Title
WO2023130666A1 (zh) 一种基于数据驱动和机理模型融合的板带钢凸度预测方法
US7823428B1 (en) Analytical method for use in optimizing dimensional quality in hot and cold rolling mills
CN113373295B (zh) 基于多层感知器的退火炉数字孪生智慧报警系统及方法
JP2016215237A (ja) 熱間圧延仕上げミル出側温度制御装置およびその制御方法
CN106475421B (zh) 一种中间坯来料凸度的控制方法及装置
CN101920269A (zh) 冷轧机板形控制执行器调控功效系数优化方法
CN108480405A (zh) 一种基于数据驱动的冷轧板形调控功效系数获取方法
CN115121626B (zh) 一种基于误差补偿的热轧带钢瞬态热辊型预报方法
CN103586288B (zh) 热轧带钢板形的案例库建立方法
TWI785945B (zh) 熱軋鋼材的板形預測系統
CN102397886A (zh) 冷轧带钢横向温差引起板形检测误差的修正系统
JP4983589B2 (ja) 冷間連続圧延設備の制御装置
JP5682131B2 (ja) 鋼材の材質予測装置
CN109675931B (zh) 一种板形调控功效系数自学习方法及系统
CN109522677A (zh) 一种用于热轧带钢温度控制的带钢横断面分层计算的方法
JP2001252709A (ja) 熱間圧延の仕上圧延機出側温度予測方法
JP2017196662A (ja) 圧延制御方法、圧延制御装置及びプログラム
JP5757263B2 (ja) 熱間圧延における平坦形状制御方法及び製造装置
JP2554414B2 (ja) 熱間圧延における鋼板の圧延温度予測方法
JP4109527B2 (ja) 制御モデルの学習方法、制御モデルの学習装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体
CN112792140A (zh) 一种基于逆线性二次型的带钢厚度和板凸度控制方法
JP6772918B2 (ja) 圧延制御方法、圧延制御装置及びプログラム
JP2000135506A (ja) 可逆式圧延機の板材の圧延方法
JP3821665B2 (ja) 熱間圧延における板クラウン予測方法，熱間圧延方法
JPS6224809A (ja) 熱間圧延における板幅制御方法