TWI808540B - 品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置 - Google Patents
品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置 Download PDFInfo
- Publication number
- TWI808540B TWI808540B TW110143174A TW110143174A TWI808540B TW I808540 B TWI808540 B TW I808540B TW 110143174 A TW110143174 A TW 110143174A TW 110143174 A TW110143174 A TW 110143174A TW I808540 B TWI808540 B TW I808540B
- Authority
- TW
- Taiwan
- Prior art keywords
- quality
- aforementioned
- manufacturing
- quality prediction
- manufacturing conditions
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 238
- 230000005856 abnormality Effects 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 239000007769 metal material Substances 0.000 title claims description 137
- 238000013441 quality evaluation Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 221
- 230000008569 process Effects 0.000 claims description 146
- 239000000047 product Substances 0.000 claims description 60
- 239000012467 final product Substances 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012628 principal component regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims 1
- 238000005520 cutting process Methods 0.000 description 31
- 239000000463 material Substances 0.000 description 31
- 238000000137 annealing Methods 0.000 description 10
- 239000010960 cold rolled steel Substances 0.000 description 10
- 238000005097 cold rolling Methods 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 9
- 238000001816 cooling Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- 238000005098 hot rolling Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000009628 steelmaking Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910001335 Galvanized steel Inorganic materials 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000008397 galvanized steel Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000005499 meniscus Effects 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 238000005275 alloying Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- -1 slabs Substances 0.000 description 1
- 238000004154 testing of material Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Factory Administration (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
品質異常解析方法係包含品質預測步驟、品質評價步驟、品質預測誤差算出步驟、品質貢獻度算出步驟、以及品質異常原因提示步驟,品質預測步驟,係對於品質預測模型將製造條件輸入,藉此預測製品的品質;品質評價步驟,係算出藉由製造程序所製造之實際的製品之品質評價值;品質預測誤差算出步驟,係算出作為品質預測步驟的輸出所獲得之品質預測值和品質評價值的差來作為品質預測誤差;品質貢獻度算出步驟,係算出在使用品質預測模型來預測製品的品質時所輸入之各製造條件的品質貢獻度;品質異常原因提示步驟,係根據品質預測誤差及品質貢獻度來提示成為製品之品質異常的原因之製造條件。
Description
本發明係關於品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置。
作為預測針對任意的要求條件之品質的方法,例如在專利文獻1~8揭示以下般的方法。在該方法,例如算出儲存於實績資料庫之過去複數個觀測條件和所期望的要求條件之距離,根據所算出的距離算出觀測資料(實績資料)的權重,根據所算出的權重作成擬合要求條件的附近之函數。而且,使用所作成的函數來預測針對要求條件的品質。
[先前技術文獻]
[專利文獻]
專利文獻1:日本特開2004-355189號公報
專利文獻2:日本特開2006-309709號公報
專利文獻3:日本特開2008-112288號公報
專利文獻4:日本特開2009-230412號公報
專利文獻5:日本特開2014-013560號公報
專利文獻6:日本特開2014-071858號公報
專利文獻7:日本特開2014-071859號公報
專利文獻8:日本特開2017-120638號公報
[發明所欲解決之問題]
在專利文獻1~8所揭示的方法,是根據儲存於實績資料庫的資料來算出針對任意的要求條件之品質。在該實績資料庫儲存有:複數個製造條件之實績值、在這些製造條件下所製造之金屬材料的品質之實績值。又在專利文獻1~8揭示出,根據所儲存的複數個製造條件之實績資料來預測品質之預測模型的構建方法。然而,在專利文獻1~8,關於當發生製品之品質異常的情況推定異常原因為何的技術,完全沒有提及。
本發明是有鑑於上述情事而開發完成者,其目的是為了提供一種品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置,是以預測針對任意的製造條件之品質的品質預測模型作為基礎,可在發生品質異常時提示其原因的候補。
[解決問題之技術手段]
為了解決上述問題而達成目的,本發明的品質異常解析方法,係藉由製造程序所製造的製品之品質異常解析方法,係包含品質預測步驟、品質評價步驟、品質預測誤差算出步驟、品質貢獻度算出步驟、以及品質異常原因提示步驟,前述品質預測步驟,係對於以前述製造程序之複數個製造條件作為輸入變數並以前述製品的品質作為輸出變數所生成之品質預測模型,將前述製造條件輸入,藉此預測前述製品的品質;前述品質評價步驟,係算出藉由前述製造程序所製造之實際的製品之品質評價值;前述品質預測誤差算出步驟,係算出作為前述品質預測步驟的輸出所獲得之品質預測值和前述品質評價值的差來作為品質預測誤差;前述品質貢獻度算出步驟,係算出在使用前述品質預測模型來預測前述製品的品質時所輸入之各製造條件的品質貢獻度;前述品質異常原因提示步驟,係根據前述品質預測誤差及前述品質貢獻度來提示成為前述製品之品質異常的原因之製造條件。
又本發明的品質異常解析方法,係在上述發明中,前述品質貢獻度算出步驟,係根據前述品質預測模型之各偏迴歸係數和各變數的值來算出前述品質貢獻度。
又本發明的品質異常解析方法,係在上述發明中,前述品質異常原因提示步驟,係將前述品質預測誤差及前述各製造條件的品質貢獻度之時間積分值按照時間序列提示,且將前述品質預測誤差和成為前述品質異常的原因之製造條件的候補之隨著時間的推移可視化而進行提示。
又本發明的品質異常解析方法,係在上述發明中,前述品質異常原因提示步驟,當前述品質預測誤差超過既定值的情況,著眼於前述品質貢獻度大的製造條件,作為成為前述品質異常的原因之製造條件的候補,從前述品質貢獻度之時間積分值大的製造條件起按照順序進行提示。
又本發明的品質異常解析方法,係在上述發明中,前述品質預測模型係使用包含線性迴歸、局部迴歸、主成分迴歸、PLS(偏最小平方)迴歸、神經網路、迴歸樹、隨機森林、XGBoost(極限梯度提升)之機器學習所生成。
又本發明的品質異常解析方法,係在上述發明中,前述品質預測模型係經由一或複數個工序所製造之金屬材料的品質預測模型,且係經由第一收集步驟、第二收集步驟、保存步驟及品質預測模型生成步驟所生成,前述第一收集步驟,係在事先決定的前述金屬材料之每個既定範圍收集各工序的製造條件;前述第二收集步驟,係將經由前述各工序所製造之前述金屬材料的品質在每個前述既定範圍進行評價並收集;前述保存步驟,係將前述各工序的製造條件和在該製造條件下所製造之前述金屬材料的品質在每個前述既定範圍建立關聯並保存;前述品質預測模型生成步驟係生成前述品質預測模型,該品質預測模型用於根據所保存之前述各工序中之每個前述既定範圍的製造條件,來預測前述金屬材料之每個前述既定範圍的品質。
為了解決上述問題而達成目的,本發明的金屬材料之製造方法,係經由複數個製造工序所製造的金屬材料之製造方法,在實施最終製造工序前之任意的製造工序結束的階段,利用藉由上述品質異常解析方法所生成的品質預測模型來預測最終製品的品質,根據其預測結果,在之後的製造工序之製造條件中,選擇品質貢獻度高且可變更的製造條件,以使最終製品的品質遍及全長保持在事先設定之品質管理範圍內的方式決定前述被選擇的製造條件並進行作業。
為了解決上述問題而達成目的,本發明的品質異常解析裝置,係藉由製造程序所製造之製品的品質異常解析裝置,其係具備:品質預測手段、品質評價手段、品質預測誤差算出手段、品質貢獻度算出手段、及品質異常原因提示手段,前述品質預測手段,係對於以前述製造程序之複數個製造條件作為輸入變數且以前述製品的品質作為輸出變數所生成的品質預測模型,將前述製造條件輸入,藉此預測前述製品的品質;前述品質評價手段,係算出藉由前述製造程序所製造之實際的製品之品質評價值;前述品質預測誤差算出手段,係算出作為前述品質預測手段的輸出所獲得之品質預測值和前述品質評價值的差來作為品質預測誤差;前述品質貢獻度算出手段,係在使用前述品質預測模型來預測前述製品的品質時,算出所輸入之各製造條件的品質貢獻度;前述品質異常原因提示手段,係根據前述品質預測誤差及前述品質貢獻度來提示成為前述製品之品質異常的原因之製造條件。
[發明之效果]
依據本發明,係利用各工序的製造條件和預測在該製造條件下所製造之製品的品質之品質預測模型來求出品質預測誤差和各製造條件的品質貢獻度,藉此能將品質異常的原因之候補進行提示。又依據本發明,能夠製造遍及製品的全長製品品質良好的金屬材料。
針對本發明的實施形態之品質預測模型生成方法、品質預測模型、品質預測方法、金屬材料之製造方法、品質預測模型生成裝置、品質預測裝置、品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置,參照圖式做說明。
(品質預測裝置/品質預測模型生成裝置)
針對本實施形態的品質預測裝置及品質預測模型生成裝置之構成,參照圖1做說明。品質預測裝置係用於預測經由一或複數個工序(程序)所製造之金屬材料的品質之裝置。又作為本實施形態的金屬材料是例如鋼製品,可列舉扁胚(slab)等的半成品、將該扁胚輥軋而製造出之鋼板等的製品。
品質預測裝置1具體而言是藉由個人電腦、工作站等之通用的資訊處理裝置來實現。品質預測裝置1之主要構成零件係包含:例如CPU(Central Processing Unit)等所構成的處理器、RAM(Random Access Memory)及ROM(Read Only Memory)等所構成的記憶體(主記憶部)等。
如圖1所示般,品質預測裝置1係具備:製造實績收集部11、製造實績編輯部12、頭尾端對調實績收集部13、表背面對調實績收集部14、切斷實績收集部15。此外,品質預測裝置1還具備:一貫工序實績編輯部16、實績資料庫17、模型生成部18、品質預測部19。又本實施形態的品質預測模型生成裝置,係由品質預測裝置1中之除了品質預測部19以外的要素所構成。以下,在品質預測裝置1的說明中,也對品質預測模型生成裝置做說明。
在製造實績收集部11連接著未圖示的感測器。製造實績收集部11,係按照該感測器的計測週期收集各工序的製造實績,並往一貫工序實績編輯部16輸出。作為前述「製造實績」係包含:各工序的製造條件、經由各工序所製造之金屬材料的品質。又作為前述「製造條件」係包含:各工序之金屬材料的成分、溫度、壓力、板厚、通板速度等。又作為前述「金屬材料的品質」係包含:抗拉強度、缺陷混入率(每單位長度所產生之缺陷數)等。
又由製造實績收集部11所收集之各工序的製造條件,不僅是藉由感測器所計測之製造條件的實測值,還包含事先設定之製造條件的設定值。亦即,因為依工序的不同,也會有未設置感測器的情況,在這樣的情況,是取代實績值而收集設定值來作為製造實績。
製造實績收集部11,是在事先決定之金屬材料的每個既定範圍收集各工序的製造條件。又製造實績收集部11,係將經由各工序所製造之金屬材料的品質在每個前述既定範圍進行評價並收集。又前述「既定範圍」,例如當金屬材料為扁胚或鋼板的情況,是表示在金屬材料的長邊方向上之一定的範圍。該既定範圍,是根據各工序之搬運方向上之金屬材料的移動距離(通板速度)來決定。關於基於製造實績收集部11之具體的處理內容,隨後說明(參照圖2)。
在此,在圖1所示的構成,是設想製造實績收集部11僅設有一個,藉由這一個製造實績收集部11來收集各工序之製造實績的資料(以下稱為「實績資料」)。但例如製造實績收集部11是對應於各工序的數量而設置複數個,將各工序的實績資料分別藉由各自的製造實績收集部11來收集亦可。
製造實績編輯部12,是將從製造實績收集部11輸入之各工序的實績資料進行編輯。亦即,製造實績編輯部12,是將藉由製造實績收集部11按照時間單位進行收集的實績資料,編輯成金屬材料之長度單位的實績資料,並往一貫工序實績編輯部16輸出。關於基於製造實績編輯部12之具體的處理內容,隨後說明(參照圖2)。
在頭尾端對調實績收集部13,連接著用於將金屬材料裝入各工序之未圖示的材料裝入機。頭尾端對調實績收集部13是對每個金屬材料收集以下資料,亦即,在通過該材料裝入機而從前工序往後工序將金屬材料裝入時,該金屬材料的頭尾端是否對調(是否反轉)的實績資料。而且,頭尾端對調實績收集部13,是將關於金屬材料之頭尾端是否對調的實績資料往一貫工序實績編輯部16輸出。
在表背面對調實績收集部14,連接著前述材料裝入機。表背面對調實績收集部14是對每個金屬材料收集以下資料,亦即,在通過該材料裝入機而從前工序往後工序將金屬材料裝入時,該金屬材料的表背面是否對調(是否反轉)的實績資料。而且,表背面對調實績收集部14,是將關於金屬材料之表背面是否對調的實績資料往一貫工序實績編輯部16輸出。
在切斷實績收集部15,連接著用於將金屬材料的頭端部及尾端部切斷之未圖示的切斷機。切斷實績收集部15是對每個金屬材料收集以下資料,亦即,通過該切斷機之金屬材料的切斷位置(切斷時之從金屬材料的頭端起算之距離)及切斷次數(以下稱為「切斷位置等」)等的實績資料。而且,切斷實績收集部15將關於金屬材料的切斷位置等之實績資料往一貫工序實績編輯部16輸出。
又頭尾端對調實績收集部13、表背面對調實績收集部14及切斷實績收集部15,是與前述製造實績收集部11相同,可僅設置一個,或是對應於各工序的數量而設置複數個。
一貫工序實績編輯部16,是將從製造實績編輯部12、頭尾端對調實績收集部13、表背面對調實績收集部14及切斷實績收集部15輸入的實績資料進行編輯。一貫工序實績編輯部16,係將各工序的製造條件和在該製造條件下所製造之金屬材料的品質在每個既定範圍建立關聯並保存於實績資料庫17。
又一貫工序實績編輯部16,是考慮各工序之金屬材料的頭尾端是否對調、表背面是否對調及切斷位置來界定既定範圍。而且,一貫工序實績編輯部16,是以可區別各工序之金屬材料的頭尾端是否對調、表背面是否對調及切斷位置的方式,將各工序的製造條件和在該製造條件下所製造之金屬材料的品質保存於實績資料庫17。又一貫工序實績編輯部16,是將各工序的製造條件和在該製造條件下所製造之金屬材料的品質在每個既定範圍建立關聯並保存於實績資料庫17。
再者,一貫工序實績編輯部16,例如各工序為輥軋工序,且經由各工序而使金屬材料的形狀變形的情況,是將從金屬材料的頭端起算的體積進行評價並界定既定範圍。而且,將各工序的製造條件和在製造條件下所製造之金屬材料的品質在每個既定範圍建立關聯並保存於實績資料庫17。在該實績資料庫17蓄積藉由一貫工序實績編輯部16所編輯的實績資料。
模型生成部18係生成品質預測模型,該品質預測模型用於根據在實績資料庫17所保存之各工序中之每個既定範圍的製造條件來預測金屬材料之每個既定範圍的品質。模型生成部18,作為機器學習的手法是採用例如XGBoost。又作為機器學習的其他手法,也能採用線性迴歸、局部迴歸、主成分迴歸、PLS迴歸、神經網路、迴歸樹、隨機森林等之各式各樣的手法。
品質預測部19,是使用在模型生成部18所生成的品質預測模型,將在任意的製造條件下所製造之金屬材料的品質在每個既定範圍進行預測。例如作為預測對象的金屬材料是扁胚的情況,以往的方法是預測扁胚全體的品質,在本實施形態則能夠預測扁胚的長度方向之既定範圍的品質。
(品質預測方法/品質預測模型生成方法)
針對本實施形態的品質預測方法以及品質預測模型生成方法,參照圖2~圖7做說明。本實施形態的品質預測方法是進行圖2所示之步驟S1~步驟S6的處理。又本實施形態的品質預測模型生成方法,是進行圖2所示之除了步驟S6以外之步驟S1~步驟S5的處理。
首先,製造實績收集部11是收集關於各工序的製造條件及品質之實績資料(步驟S1)。製造實績收集部11是將各工序的製造條件及品質之實績資料按金屬材料且按工序進行收集。
藉由製造實績收集部11所收集的實績資料,例如圖3的表所示般,是按照時間列出複數個製造條件的實績值(或設定值)的資料。圖中所示的實績資料包含:由時間t
1,t
2…、在該時間之金屬材料的速度(通板速度)v
1,v
2…、在該時間藉由感測器所計測之複數個製造條件x
1 1,x
1 2…,x
2 1,x
2 2…所構成的項目。又在複數個工序中之最終工序所收集的實績資料,除了圖中所示的項目,還包含關於金屬材料的品質的項目。
接下來,頭尾端對調實績收集部13、表背面對調實績收集部14及切斷實績收集部15是收集實績資料(步驟S2)。該實績資料,是關於各工序之金屬材料的頭尾端是否對調、各工序之金屬材料的表背面是否對調及各工序之金屬材料的切斷位置等之實績資料。
接下來,製造實績編輯部12將藉由製造實績收集部11所收集的實績資料轉換成金屬材料的長度單位(步驟S3)。亦即,製造實績編輯部12是將如圖3所示般之按照時間單位所收集的實績資料轉換成如圖4所示般之金屬材料的長度單位之實績資料。以下,針對將圖3的實績資料轉換成圖4的實績資料之方法做說明。
首先,製造實績編輯部12,是利用時間乘以速度(通板速度)等於距離的性質,算出圖3的各時間之金屬材料的位置。接著,製造實績編輯部12利用以下性質,亦即,在金屬材料通過設置於各工序的感測器時列入實績資料,在金屬材料未通過時列入遺漏值,藉此偵測金屬材料的頭尾端。接著,製造實績編輯部12作成:將金屬材料未通過感測器的情況排除在外之對應於從金屬材料的頭端到尾端的位置之實績資料。
而且,如此般是成為金屬材料之長度單位的資料,但並非固定週期的資料,藉由進行例如線性內插等,轉換成金屬材料的長度單位且是固定週期的實績資料。亦即,在各工序中,當金屬材料的通板速度較慢的情況,可收集的實績資料變精細;當金屬材料的通板速度較快的情況,可收集的實績資料變粗略。因此,以使實績資料的精細度一致的方式進行上述般的內插。製造實績編輯部12,藉由進行以上般的處理,作成如圖4所示般之金屬材料之長度單位的實績資料。
接下來,一貫工序實績編輯部16,將所有工序的實績資料按金屬材料的長度單位統一並合併(步驟S4)。一貫工序實績編輯部16,是根據金屬材料之長度單位的實績資料、以及關於金屬材料的頭尾端是否對調、金屬材料的表背面是否對調及金屬材料的切斷位置等之實績資料,來進行實績資料的合併。亦即,一貫工序實績編輯部16,是根據上述實績資料,將所有工序的金屬材料之複數個製造條件及品質的實績資料統一成在最終工序的出側之金屬材料的長度單位並合併。又金屬材料之長度單位的實績資料,是由製造實績編輯部12作成。又關於金屬材料的頭尾端是否對調的實績資料,是由頭尾端對調實績收集部13收集。又關於金屬材料的表背面是否對調的實績資料,是由表背面對調實績收集部14收集。又關於金屬材料的切斷位置等之實績資料,是由切斷實績收集部15收集。
如此般,一貫工序實績編輯部16是將各工序的製造條件和在該製造條件下所製造之金屬材料的品質在金屬材料的長度方向上之每個既定範圍建立關聯,並保存於實績資料庫17。以下,針對基於一貫工序實績編輯部16的處理之一例做說明。
例如圖5所示般,考慮經由工序1、工序2及工序3來製造金屬材料(材料)的情況。工序1~工序3是例如輥軋工序,每經由一工序,材料之長邊方向的長度就變大。又如圖5所示般,工序1往工序2移動時,材料A被分割成材料A1及材料A2;從工序2往工序3移動時,材料A1被分割成材料A11及材料A12。
圖6是顯示各工序的材料之示意圖,是著眼於圖5的B部。例如工序1的材料A,是藉由製造實績收集部11,在從頭端到尾端之長度5300mm的範圍內,收集每隔50mm之例如X
1 1~X
1 M1共M1個項目的實績資料。又材料A,是藉由切斷實績收集部15收集以下般的實績資料。亦即,0mm(頭端)~250mm的頭端部被切除,擷取250mm~ 3300mm作為材料A1,擷取3300mm~4950mm作為材料A2,4950mm~5300mm(尾端)的尾端部被切除,而收集如此般的實績資料。
接下來,工序2的材料A1,是藉由頭尾端對調實績收集部13來收集「頭尾端被對調」的實績資料。又材料A1,是藉由製造實績收集部11,在從頭端到尾端之長度68000mm的範圍內,收集每隔100mm之例如X
2 1~X
2 M2共M2個項目的實績資料。又材料A1是藉由切斷實績收集部15來收集以下般的實績資料。亦即,0mm(頭端)~500mm的頭端部被切除,擷取500mm~34500mm作為材料A11,擷取34500mm~66800mm作為材料A12,66800mm~68000mm(尾端)的尾端部被切除,而收集如此般的實績資料。
接下來,工序3的材料A11,是藉由頭尾端對調實績收集部13來收集「頭尾端未對調」的實績資料。又材料A11,是藉由製造實績收集部11,在從頭端到尾端之長度65000mm的範圍內,收集每隔500mm之例如X
3 1~X
3 M3共M3個項目的實績資料。又材料A11,是藉由切斷實績收集部15來收集以下的實績資料:0mm(頭端)~2500mm的頭端部被切除,擷取2500mm~59700mm作為材料A11,59700mm~65000mm(尾端)的尾端部被切除。
一貫工序實績編輯部16,是一邊考慮各工序之金屬材料的頭尾端是否對調、表背面是否對調及切斷位置等的實績資料,一邊進行藉由未圖示的感測器在長邊方向上精細地收集之所有工序的實績資料之處理。
亦即,為了將所有工序的實績資料按最終工序之金屬材料的長度單位進行合併,如圖6所示般,是對應於作為最終工序之工序3的材料長度,將工序2及工序1的材料長度進行縮放(scaling)(參照圖中的虛線)。
而且,一貫工序實績編輯部16,是一邊考慮在各工序被切除的頭端部及尾端部,一邊界定擷取各金屬材料的位置。而且,在最終工序之金屬材料的各既定範圍內,將既定範圍的品質和在該既定範圍之所有工序的製造條件建立關聯,並保存於實績資料庫17。例如在圖6,將在作為最終工序之工序3擷取材料A11的網點部分溯及工序2的材料A1、工序1的材料A進行界定。對於所有的金屬材料反覆進行這樣的處理,如圖7所示般,作成將所有工序的金屬材料之複數個製造條件(及品質)的實績資料按金屬材料的長度單位統一並合併後的實績資料。以下,返回圖2繼續說明。
模型生成部18是生成品質預測模型(步驟S4),品質預測模型是用於根據各工序的製造條件來預測金屬材料的品質。接下來,品質預測部19,是使用在模型生成部18所生成的品質預測模型,將在任意的製造條件下所製造之金屬材料的品質在每個既定範圍進行預測(步驟S5)。
依據以上所說明之本實施形態的品質預測模型生成方法、品質預測模型、品質預測方法、品質預測模型生成裝置及品質預測裝置,可發揮以下的效果。亦即,將各工序的製造條件和在該製造條件下所製造之金屬材料的品質在每個既定範圍建立關聯而生成品質預測模型,藉由能夠比以往更高精度地預測針對任意的製造條件之金屬材料的品質。
又依據本實施形態的品質預測模型生成方法、品質預測模型、品質預測方法、品質預測模型生成裝置及品質預測裝置,可發揮以下的效果。亦即,考慮各工序之頭尾端的對調、表背面的對調及切斷位置等,將所有工序之複數個製造條件(及品質)的實績資料統一成在最終工序的出側之金屬材料的長度單位並合併。因此,可將藉由感測器在金屬材料的長邊方向上精細地收集之製造條件的實績資料有效地活用而進行品質的預測,因此能夠比以往更高精度地預測品質。
又當將本實施形態的品質預測方法運用於金屬材料之製造方法的情況,例如進行以下般的處理。首先,將在金屬材料的製造途中所確定之製造條件予以固定後,藉由本實施形態的品質預測方法,將在固定的製造條件下所製造之金屬材料的品質在每個既定範圍進行預測。而且,根據其預測結果,將之後的工序之製造條件變更。又製造條件的變更,是以遍及所製造之金屬材料的全長使所有的每個既定範圍的品質保持在事先決定之管理範圍內的方式進行變更。如此般將本實施形態的品質預測方法運用於金屬材料之製造方法,在製造途中的階段可預測最終金屬材料的品質,可對應於此而將製造條件變更,因此能使所製造之金屬材料的品質提高。
(品質異常解析裝置)
針對本實施形態的品質異常解析裝置之構成,參照圖8做說明。品質異常解析裝置,是用於解析藉由製造程序所製造之製品之品質異常的原因之裝置。又作為本實施形態的製品,是例如鋼製品,可列舉扁胚等的半成品、將該扁胚輥軋而製造出之鋼板等的製品。
品質異常解析裝置2,具體而言是藉由個人電腦、工作站等之通用的資訊處理裝置來實現,其主要構成零件係包含:例如CPU等所構成的處理器、RAM及ROM等所構成的記憶體(主記憶部)等。
品質異常解析裝置2,如圖8所示般係具備:品質預測部21、品質評價部22、品質預測誤差算出部23、品質貢獻度算出部24、品質異常原因提示部25。
品質預測部21是對事先生成的品質預測模型將任意的製造條件輸入,藉此預測製品的品質,該品質預測模型是以從實際工廠3收集的製造程序之複數個製造條件作為輸入變數,並以製品的品質作為輸出變數。品質預測部21是輸出品質預測值來作為品質預測的結果。
在品質預測部21所使用的品質預測模型,係使用包含例如線性迴歸、局部迴歸、主成分迴歸、PLS迴歸、神經網路、迴歸樹、隨機森林、XGBoost之機器學習所生成。又該品質預測模型,可以是藉由前述實施形態的品質預測模型生成方法(參照圖2)所生成的模型。
在此情況,品質預測模型是經由一或複數個工序所製造之金屬材料的品質預測模型,且是經由第一收集步驟、第二收集步驟、保存步驟及品質預測模型生成步驟所生成。
在第一收集步驟,製造實績收集部11(參照圖1)是在事先決定之金屬材料的每個既定範圍收集各工序的製造條件。又在第二收集步驟,製造實績收集部11(參照圖1),是將經由各工序所製造之金屬材料的品質在每個既定範圍進行評價並收集。又在保存步驟,一貫工序實績編輯部16(參照圖1)是將各工序的製造條件和在該製造條件下所製造之金屬材料的品質在每個既定範圍建立關聯並保存。又在品質預測模型生成步驟,模型生成部18(參照圖1)生成品質預測模型,該品質預測模型是用於根據所保存之各工序中的製造條件來預測金屬材料的品質。
品質評價部22算出藉由製造程序所製造之實際製品的品質評價值。作為品質評價值,可舉例如冷軋薄鋼板的強度等。品質評價部22,具體而言是由計測機器、材料試驗裝置等所構成。
品質預測誤差算出部23,是算出作為品質預測部21的輸出所獲得之品質預測值和作為品質評價部22的輸出所獲得之品質評價值的差來作為品質預測誤差。品質預測誤差算出部23,每當在品質預測部21進行使用品質預測模型的品質預測時,是將在品質評價部22所算出之實際的品質評價值和品質預測值之誤差逐次進行評價。
品質貢獻度算出部24是算出在使用品質預測模型來預測製品的品質時所輸入之各製造條件的品質貢獻度。品質異常原因提示部25,是根據品質預測誤差及品質貢獻度而將成為製品之品質異常的原因之製造條件在顯示部4進行提示。該顯示部4是藉由品質異常解析裝置2所處理的資料之輸出手段,是由例如LCD(液晶顯示器)、OLED (有機EL顯示器)等所構成。
在此,品質異常原因提示部25,是根據品質預測模型的各偏迴歸係數和各變數的值來算出品質貢獻度。
又品質異常原因提示部25,是將品質預測誤差及各製造條件的品質貢獻度之時間積分值按照時間序列進行提示,且將品質預測誤差和成為品質異常的原因之製造條件的候補隨著時間的推移可視化,並在顯示部4進行提示。如此般,藉由將品質預測誤差及成為品質異常的原因之製造條件的候補隨著時間的推移進行提示,可輕易地掌握被推定為品質異常的原因之製造條件。
又品質異常原因提示部25,當品質預測誤差超過既定值的情況,著眼於品質貢獻度大的製造條件,作為成為品質異常的原因之製造條件的候補,從品質貢獻度之時間積分值大的製造條件起按照順序在顯示部4進行提示。如此般,將品質貢獻度之時間積分值大的製造條件列出並進行提示,可輕易地掌握被推定為品質異常的原因之製造條件。
又品質評價部22、品質預測誤差算出部23、品質貢獻度算出部24及品質異常原因提示部25之具體的處理內容,是在後述的實施例進行說明。
(品質異常解析方法)
針對本實施形態的品質異常解析方法,參照圖9做說明。本實施形態的品質異常解析方法,係進行圖9所示之步驟S11~步驟S15的處理。
首先,品質預測部21,是對事先生成的品質預測模型將製造條件輸入,藉此預測製品的品質(步驟S11)。接著,品質評價部22算出藉由製造程序所製造之實際製品的品質評價值(步驟S12)。接著,品質預測誤差算出部23算出在步驟S11所獲得的品質預測值和在步驟S12所獲得的品質評價值之差來作為品質預測誤差(步驟S13)。
接著,品質貢獻度算出部24算出在預測品質時對品質預測模型輸入之各製造條件的品質貢獻度(步驟S14)。接著,品質異常原因提示部25,是根據品質預測誤差及品質貢獻度來將成為製品之品質異常的原因之製造條件在顯示部3進行提示(步驟S15)。
依據以上所說明之本實施形態的品質異常解析裝置以及品質異常解析方法,可發揮以下的效果。亦即,利用各工序的製造條件、和用於預測在該製造條件下所製造之製品的品質之品質預測模型,來求出品質預測誤差和各製造條件的品質貢獻度,藉此可將品質異常的原因之候補進行提示。
[實施例]
(實施例1)
針對本實施形態的品質預測方法之實施例做說明。在本實施例,是將本實施形態的品質預測方法運用在屬於冷軋薄鋼板的一種之高加工性高強度冷軋鋼板之抗拉強度的預測。
本實施例的品質預測之目的變數(品質)是製品(高加工性高強度冷軋鋼板)的抗拉強度。又說明變數(製造條件)包含:熔煉工序之金屬材料的化學成分、鑄造工序之金屬材料的溫度、加熱工序之金屬材料的溫度、熱軋工序之金屬材料的溫度、冷卻工序之金屬材料的溫度。再者,說明變數(製造條件)包含:冷軋工序之金屬材料的溫度、退火工序之金屬材料的溫度等。
在本實施例,關於各製造條件及品質,是對一個製品,根據儲存有各自一個平均值等的代表值之以往的實績資料庫(參照圖10(a))進行預測。又在本實施例,關於各製造條件及品質,是對一個製品,利用根據本實施形態的品質預測方法之實績資料庫(參照圖10(b))所生成之品質預測模型進行預測。而且,在本實施例,將這二種預測結果做比較。實績資料庫的樣本數為40000,說明變數的數量為45,預測手法採用局部迴歸。預測的結果可確認,基於本實施形態的品質預測方法之預測誤差(參照圖11(b)),比起基於以往的品質預測方法的預測誤差(參照圖11(a))可將均方根誤差(RMSE: Root Mean Square Error)減少23%。
又將本實施形態的品質預測方法運用於厚鋼板之表背面硬度的預測。目的變數是製品之表背面硬度,說明變數包含:熔煉工序的化學成分、鑄造工序的表背面溫度、加熱工序的表背面溫度、輥軋工序的表背面溫度、冷卻工序的表背面溫度等。
關於各製造條件及品質,是對一個製品,根據儲存有各自一個平均值等的代表值之以往的實績資料庫(參照圖10(a))進行預測。又關於各製造條件及品質,是對一個製品,利用根據本實施形態的品質預測方法之實績資料庫(參照圖10(b))所生成之品質預測模型進行預測。而且,將這二種預測結果做比較。實績資料庫的樣本數為10000,說明變數的數量為30,預測手法採用線性迴歸。預測的結果可確認,如圖12所示般,基於本實施形態的品質預測方法之預測誤差(參照圖12(b)),比起基於以往的品質預測方法之預測誤差(參照圖12(a)),可將均方根誤差(RMSE)減少26%。
又將本實施形態的品質預測方法運用在屬於冷軋薄鋼板的一種之熔融鍍鋅鋼板的表背面缺陷之預測。目的變數是製品之表背面是否有缺陷。又說明變數包含:熔煉工序的化學成分、鑄造工序的表背面溫度、彎月面(meniscus)流速、鑄模液面高度、加熱工序的表背面溫度、熱軋工序的表背面溫度、冷卻工序的表背面溫度、酸洗工序的酸濃度、酸溫度、冷壓工序的表背面溫度。再者,說明變數包含:退火工序的表背面溫度、電鍍工序的電鍍附著量、合金化度等。
關於各製造條件及品質,是對一個製品,根據儲存有各自一個平均值等的代表值之以往的實績資料庫(參照圖10(a))進行預測。又關於各製造條件及品質,是對一個製品,利用根據本實施形態的品質預測方法之實績資料庫(參照圖10(b))所生成之品質預測模型進行預測。而且,將這二種預測結果做比較。實績資料庫的樣本數為4000,說明變數的數量為250,預測手法採用決策樹。預測的結果可確認,如圖13所示般,基於本實施形態的品質預測方法之錯誤率(參照圖13(b)),比起基於以往的品質預測方法之錯誤率(參照圖13(a)參照),可減少14%。
又將本實施形態的品質預測方法運用在屬於冷軋薄鋼板的一種之高強度冷軋鋼板之抗拉強度的預測,根據其預測結果,進行了之後的工序之製造條件的變更。在此所說明的例子,是在可獲得迄煉鋼工序、熱軋工序及冷軋工序的最終階段前為止之製造條件的實績值之製造途中的階段,將冷軋工序的最終階段之製造條件、即退火後冷卻溫度改變。
根據迄煉鋼工序、熱軋工序及冷軋工序的最終階段前為止之製造條件的實績值、以及冷軋工序的最終階段之製造條件、即退火後冷卻溫度的基準值,使用本實施形態的品質預測方法所預測之製品全長之各位置的抗拉強度預測值是如以下所示。
又當退火溫度後的冷卻溫度從基準值改變了Δu時,使用本實施形態的品質預測方法所預測之製品全長之各位置之抗拉強度的變化量是如以下所示。
基於以上內容,求解用下式(1)表現的最佳化問題。
在此,上述式(1)中,y
LL及y
UL分別是抗拉強度的管理下限及管理上限,Δu*是該最佳化問題的最佳解。該最佳化問題,可利用分支定界法等的數學規劃法求解。藉由將退火溫度後的冷卻溫度改變Δu*,可獲得全長的抗拉強度不致超出管理範圍、亦即遍及全長沒有發生品質不良的冷軋鋼板。
如此般,本實施形態的品質預測方法之實績資料庫所儲存的實績資料,可發揮以下的作用。亦即,可在最終工序之金屬材料的各既定範圍內,一邊考慮頭尾端是否對調、表背面是否對調及切斷位置等的實績資料,一邊溯及硬度或是否有缺陷、所有工序的製造條件之精密的實績資料而進行合併。而且,根據從如此般構建的實績資料庫所生成之品質預測模型來算出任意的製造條件下之預測值,因此可高精度地預測金屬材料的品質。
又將本實施形態的品質預測方法運用在屬於冷軋薄鋼板的一品種之強度預測,根據其預測結果,進行了之後的工序之製造條件的變更。在此所說明的例子,是在可獲得迄煉鋼工序、熱軋工序為止之製造條件的實績值之製造途中的階段,將冷軋工序的退火溫度改變。
根據迄煉鋼工序、熱軋工序為止之製造條件的實績值、以及冷軋工序的退火溫度之基準值,使用本實施形態的品質預測方法所預測之製品全長的各位置之強度預測值是如下所示。
又在使退火溫度從基準值改變了Δu時,使用本實施形態的品質預測方法所預測之製品全長的各位置之強度變化量是如下所示。
基於以上內容,求解用下式(1)表現的最佳化問題。
在此,上述式(1)中,y
LL及y
UL分別是強度的管理下限及管理上限,Δu*是該最佳化問題的最佳解。該最佳化問題,可利用分支定界法等的數學規劃法求解。藉由將退火溫度改變Δu*,可獲得全長的強度不致超出管理範圍、亦即遍及全長沒有發生品質不良的冷軋鋼板。
圖14(a)係顯示根據基於以往的品質預測方法的預測結果將之後的工序之製造條件改變的情況之強度分布。又圖14(b)係顯示根據基於本實施形態的品質預測方法之預測結果將之後的工序之製造條件改變的情況之強度分布。如圖14(a),(b)所示般,藉由採用本實施形態的品質預測方法,可降低強度的偏差。
如此般,本實施形態的品質預測方法之實績資料庫所儲存的實績資料,可發揮以下的作用。亦即,可在最終工序之金屬材料的各既定範圍內,一邊考慮頭尾端是否對調、表背面是否對調及切斷位置等的實績資料,一邊溯及硬度或是否有缺陷、所有工序的製造條件之精密的實績資料而進行合併。而且,根據從如此般構建的實績資料庫所生成之品質預測模型來算出任意的製造條件下之預測值,因此可高精度地預測金屬材料的品質。
(實施例2)
針對本實施形態的品質異常解析方法之實施例做說明。在本實施例,是將本實施形態的品質異常解析方法運用在屬於冷軋薄鋼板的一品種之強度預測,根據品質的預測結果進行了品質異常的解析。
圖15係顯示本實施形態的品質異常解析方法之概要。在圖15中,y表示強度的實績值,y^表示強度預測值,x
1…x
M表示迄煉鋼工序、熱軋工序及冷軋工序為止的製造條件之實績值。在品質異常診斷方法,是使用品質預測模型,算出對於預測誤差y-y^之各說明變數x
1…x
M的品質貢獻度Cx
1…Cx
M並進行提示。
在此,算出品質預測誤差的理由如下。品質預測誤差變大的原因,應是在以往的製造程序中之製造條件和品質的關係變化成不同的關係。因此,當品質預測誤差變大的情況,會在工廠發生異常,或是以偏離以往的範圍之製造條件製造製品而導致製品品質也發生異常。
輸入品質預測模型的各製造條件之品質貢獻度,可藉由例如下式(2)算出。在下式(2)中,Cx
k表示品質貢獻度,a
k表示標準偏迴歸係數,畫上線的x
k表示說明變數x
k的平均值。
藉由上述式(2)所算出之品質貢獻度最大的說明變數(製造條件)應是製品之品質異常的原因。又在本實施例,作為品質預測模型是使用PLS迴歸模型,作為品質貢獻度是使用標準偏迴歸係數的絕對值。又說明變數x
k的平均值,是根據在作成PLS迴歸模型時所使用之正常資料所計算出之各說明變數的平均。
圖16(a)顯示,在本實施形態的品質異常解析方法之實施例,目的變數(強度)的實績值及預測值的推移。又圖16(b)顯示目的變數(強度)的品質預測誤差(實績值-預測值)之推移。在圖16(a),(b)中,網點所示的區間(參照A部、B部),強度的實績值比其他部分更大而發生了品質不良。在本實施例,眼著於此網點的區間進行了品質異常的原因之解析。
圖17係將各說明變數(各製造條件)的品質貢獻在圖16的網點區間(參照A部、B部)之時間積分值,僅按照降序排列之前20個用直方圖表示。如圖17所示般,當品質預測誤差超過既定值的情況,從品質貢獻度之時間積分值大起按照順序將說明變數(製造條件)列出,即可明白被推測為造成品質異常的說明變數。在本實施例,如圖17所示般,製造條件H(例如冷軋工序的冷卻條件)之品質貢獻度比其他條件大非常多,因此著眼於該製造條件H。
圖18係顯示製造條件H(例如冷軋工序的冷卻條件)的推移。如圖18所示般,在網點所示的區間(參照C部)、亦即強度連續變得非常大的區間,製造條件H的值變得非常大。藉此,只要著眼於製造條件H來解析異常的原因即可,且可知製造條件H是與品質異常相關。如此般,藉由採用本實施形態的品質異常解析方法,可從例如約1000種類的製造條件中查明製品之品質異常的原因。
又依據本實施形態的品質異常解析方法,如圖17所示般,造成品質異常的製造條件變明確。因此,可發揮以下的作用。首先,在製造途中的階段,亦即在實施最終製造工序前之任意的製造工序結束的階段,藉由品質預測模型來預測最終製品的品質。而且,可根據其預測結果,在之後的製造工序的製造條件中,選擇品質貢獻度高且可變更的製造條件並進行變更。
又還能根據上述式(1)所示的最佳化問題,針對所選擇之可變更的製造條件,以遍及製品全長保持在事先設定之管理範圍內的方式決定最終製品的品質。藉此,在經由複數個製造工序所製造之金屬材料的製造方法,可遍及製品全長而製造出製品品質良好的金屬材料。
以上,是針對本發明的品質預測模型生成方法、品質預測模型、品質預測方法、金屬材料之製造方法、品質預測模型生成裝置、品質預測裝置、品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置,利用用於實施發明之形態及實施例做具體地說明。但本發明的趣旨並不限定於前述記載,必須根據申請專利範圍的記載做廣義解釋。又根據前述記載所進行之各種變更、改變等,當然也包含於本發明的趣旨。
例如前述一貫工序實績編輯部16,是考慮各工序之金屬材料的頭尾端是否對調、表背面是否對調及切斷位置來界定既定範圍。然而,也會有不一定包含金屬材料的頭尾端對調、金屬材料的表背面對調、金屬材料的切斷之各處理的情況。因此,一貫工序實績編輯部16只要考慮金屬材料的頭尾端是否對調、金屬材料的表背面是否對調及金屬材料的切斷位置之實績資料當中之至少一種以上來界定既定範圍即可。
1:品質預測裝置
2:品質異常解析裝置
3:實際工廠
4:顯示部
11:製造實績收集部
12:製造實績編輯部
13:頭尾端對調實績收集部
14:表背面對調實績收集部
15:切斷實績收集部
16:一貫工序實績編輯部
17:實績資料庫
18:模型生成部
19:品質預測部
21:品質預測部
22:品質評價部
23:品質預測誤差算出部
24:品質貢獻度算出部
25:品質異常原因提示部
[圖1]係顯示本發明的實施形態之品質預測模型生成裝置及品質預測裝置的構成之方塊圖。
[圖2]係顯示本發明的實施形態之品質預測模型生成方法以及品質預測方法的流程之流程圖。
[圖3]係顯示,在本發明的實施形態之品質預測模型生成方法中,藉由製造實績收集部11所收集的實績資料之一例。
[圖4]係顯示,在本發明的實施形態之品質預測模型生成方法中,藉由製造實績編輯部12所編輯的實績資料之一例。
[圖5]係顯示,在本發明的實施形態之品質預測模型生成方法中,經由複數個工序來製造金屬材料的情況之一例。
[圖6]係顯示,在本發明的實施形態之品質預測模型生成方法中,各工序之金屬材料的一例。
[圖7]係顯示,在本發明的實施形態之品質預測模型生成方法中,藉由一貫工序實績編輯部所編輯之實績資料的一例。
[圖8]係顯示本發明的實施形態之品質異常解析裝置的構成之方塊圖。
[圖9]係顯示本發明的實施形態之品質異常解析方法的流程之流程圖。
[圖10(a),(b)]係顯示以往及本發明的實績資料庫的構成之概略圖。
[圖11(a),(b)]係顯示,在高加工性高強度冷軋鋼板之抗拉強度的預測中,以往手法及本發明手法的預測誤差。
[圖12(a),(b)]係顯示,在厚鋼板的表背面硬度的預測中,以往手法及本發明手法的預測誤差。
[圖13(a),(b)]係顯示,在熔融鍍鋅鋼板的表背面缺陷的預測中,以往手法及本發明手法的錯誤率。
[圖14(a),(b)]係顯示,根據以往手法及本發明手法的品質預測結果,將之後的工序之製造條件變更的情況之強度分布。
[圖15]係顯示本發明的實施形態之品質異常解析方法的概要。
[圖16(a),(b)]係本發明的實施形態之品質異常解析方法的實施例,其係顯示目的變數(強度)的實績值、預測值及品質預測誤差(實績值-預測值)的推移。
[圖17]係本發明的實施形態之品質異常解析方法的實施例,關於各說明變數(各製造條件)的品質貢獻度在網點區間之時間積分值,僅按照降序排列之前20個用直方圖(histogram)表示。
[圖18]係顯示圖17的製造條件H之推移。
Claims (7)
- 一種品質異常解析方法,係藉由製造程序所製造的製品之品質異常解析方法,係包含品質預測步驟、品質評價步驟、品質預測誤差算出步驟、品質貢獻度算出步驟、以及品質異常原因提示步驟,前述品質預測步驟,係對於以前述製造程序之複數個製造條件作為輸入變數並以前述製品的品質作為輸出變數所生成之品質預測模型,將前述製造條件輸入,藉此預測前述製品的品質;前述品質評價步驟,係算出藉由前述製造程序所製造之實際的製品之品質評價值;前述品質預測誤差算出步驟,係算出作為前述品質預測步驟的輸出所獲得之品質預測值和前述品質評價值的差來作為品質預測誤差;前述品質貢獻度算出步驟,係算出在使用前述品質預測模型來預測前述製品的品質時所輸入之各製造條件的品質貢獻度;前述品質異常原因提示步驟,係根據前述品質預測誤差及前述品質貢獻度來提示成為前述製品之品質異常的原因之製造條件,前述品質異常原因提示步驟,係將前述品質預測誤差及前述各製造條件的品質貢獻度之時間積分值按照時間序列提示,且將前述品質預測誤差和成為前述品質異常的原因之製造條件的候補之隨著時間的推移可視化而進行提 示。
- 如請求項1所述之品質異常解析方法,其中,前述品質貢獻度算出步驟,係根據前述品質預測模型的各偏迴歸係數和各變數之值來算出前述品質貢獻度。
- 如請求項1或2所述之品質異常解析方法,其中,前述品質異常原因提示步驟,當前述品質預測誤差超過既定值的情況,著眼於前述品質貢獻度大的製造條件,作為成為前述品質異常的原因之製造條件的候補,從前述品質貢獻度之時間積分值大的製造條件起按照順序進行提示。
- 如請求項1或2所述之品質異常解析方法,其中,前述品質預測模型,係使用包含線性迴歸、局部迴歸、主成分迴歸、PLS迴歸、神經網路、迴歸樹、隨機森林、XGBoost(極限梯度提升)之機器學習所生成。
- 如請求項1或2所述之品質異常解析方法,其中,前述品質預測模型係經由一或複數個工序所製造之金屬材料的品質預測模型,且係經由第一收集步驟、第二收集步驟、保存步驟及品質預測模型生成步驟所生成,前述第一收集步驟,係在事先決定的前述金屬材料之每個既定範圍收集各工序的製造條件; 前述第二收集步驟,係將經由前述各工序所製造之前述金屬材料的品質在每個前述既定範圍進行評價並收集;前述保存步驟,係將前述各工序的製造條件和在該製造條件下所製造之前述金屬材料的品質在每個前述既定範圍建立關聯並保存;前述品質預測模型生成步驟係生成前述品質預測模型,該品質預測模型用於根據所保存之前述各工序中之每個前述既定範圍的製造條件,來預測前述金屬材料之每個前述既定範圍的品質。
- 一種金屬材料之製造方法,係經由複數個製造工序所製造的金屬材料之製造方法,在實施最終製造工序前之任意的製造工序結束的階段,利用藉由如請求項5所述之品質異常解析方法所生成的品質預測模型來預測最終製品的品質,根據其預測結果,在之後的製造工序之製造條件中,選擇品質貢獻度高且可變更的製造條件,以使最終製品的品質遍及全長保持在事先設定之品質管理範圍內的方式決定前述被選擇的製造條件並進行作業。
- 一種品質異常解析裝置,係藉由製造程序所製造之製品的品質異常解析裝置,其係具備:品質預測手段、品質評價手段、品質預測誤差算出手段、品質貢獻度算出手段、及品質異常原因提示手段,前述品質預測手段,係對於以前述製造程序之複數個製造條件作為輸入變數且以前述製品的品質作為輸出變數 所生成的品質預測模型,將前述製造條件輸入,藉此預測前述製品的品質;前述品質評價手段,係算出藉由前述製造程序所製造之實際的製品之品質評價值;前述品質預測誤差算出手段,係算出作為前述品質預測手段的輸出所獲得之品質預測值和前述品質評價值的差來作為品質預測誤差;前述品質貢獻度算出手段,係在使用前述品質預測模型來預測前述製品的品質時,算出所輸入之各製造條件的品質貢獻度;前述品質異常原因提示手段,係根據前述品質預測誤差及前述品質貢獻度來提示成為前述製品之品質異常的原因之製造條件,前述品質異常原因提示手段,係將前述品質預測誤差及前述各製造條件的品質貢獻度之時間積分值按照時間序列提示,且將前述品質預測誤差和成為前述品質異常的原因之製造條件的候補之隨著時間的推移可視化而進行提示。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021000695 | 2021-01-06 | ||
JP2021-000695 | 2021-01-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202244646A TW202244646A (zh) | 2022-11-16 |
TWI808540B true TWI808540B (zh) | 2023-07-11 |
Family
ID=82357412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110143174A TWI808540B (zh) | 2021-01-06 | 2021-11-19 | 品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置 |
Country Status (7)
Country | Link |
---|---|
EP (1) | EP4258069A4 (zh) |
JP (1) | JP7251687B2 (zh) |
KR (1) | KR20230116870A (zh) |
CN (1) | CN116724328A (zh) |
MX (1) | MX2023008069A (zh) |
TW (1) | TWI808540B (zh) |
WO (1) | WO2022149344A1 (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200629117A (en) * | 2005-02-04 | 2006-08-16 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes with generic embedded devices |
JP2006309709A (ja) * | 2005-03-30 | 2006-11-09 | Jfe Steel Kk | 結果予測装置、制御装置及び品質設計装置 |
JP2008112288A (ja) * | 2006-10-30 | 2008-05-15 | Jfe Steel Kk | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 |
JP2009230412A (ja) * | 2008-03-21 | 2009-10-08 | Jfe Steel Corp | 結果予測装置、及び、これを用いた製品品質予測方法 |
JP2014013560A (ja) * | 2012-06-04 | 2014-01-23 | Jfe Steel Corp | 結果予測装置および結果予測方法 |
JP2014071858A (ja) * | 2012-10-02 | 2014-04-21 | Jfe Steel Corp | 結果予測方法及び結果予測装置 |
TW201820064A (zh) * | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
JP2018113027A (ja) * | 2017-01-10 | 2018-07-19 | Jfeスチール株式会社 | プロセスの異常状態診断方法および異常状態診断装置 |
CN111506030A (zh) * | 2020-04-16 | 2020-08-07 | 福州泰全工业有限公司 | 汽车生产线品质管理系统及方法 |
JP2020128975A (ja) * | 2019-02-07 | 2020-08-27 | Jfeスチール株式会社 | 予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4474847B2 (ja) | 2003-05-28 | 2010-06-09 | Jfeスチール株式会社 | 結果予測装置 |
CN102033523B (zh) * | 2009-09-25 | 2014-01-01 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
JP2014071859A (ja) | 2012-10-02 | 2014-04-21 | Jfe Steel Corp | 結果予測方法及び結果予測装置 |
JP6508185B2 (ja) | 2015-12-24 | 2019-05-08 | Jfeスチール株式会社 | 結果予測装置及び結果予測方法 |
-
2021
- 2021-11-08 WO PCT/JP2021/040936 patent/WO2022149344A1/ja active Application Filing
- 2021-11-08 CN CN202180089024.7A patent/CN116724328A/zh active Pending
- 2021-11-08 KR KR1020237022030A patent/KR20230116870A/ko unknown
- 2021-11-08 EP EP21917569.2A patent/EP4258069A4/en active Pending
- 2021-11-08 JP JP2022507731A patent/JP7251687B2/ja active Active
- 2021-11-08 MX MX2023008069A patent/MX2023008069A/es unknown
- 2021-11-19 TW TW110143174A patent/TWI808540B/zh active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200629117A (en) * | 2005-02-04 | 2006-08-16 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes with generic embedded devices |
JP2006309709A (ja) * | 2005-03-30 | 2006-11-09 | Jfe Steel Kk | 結果予測装置、制御装置及び品質設計装置 |
JP2008112288A (ja) * | 2006-10-30 | 2008-05-15 | Jfe Steel Kk | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 |
JP2009230412A (ja) * | 2008-03-21 | 2009-10-08 | Jfe Steel Corp | 結果予測装置、及び、これを用いた製品品質予測方法 |
JP2014013560A (ja) * | 2012-06-04 | 2014-01-23 | Jfe Steel Corp | 結果予測装置および結果予測方法 |
JP2014071858A (ja) * | 2012-10-02 | 2014-04-21 | Jfe Steel Corp | 結果予測方法及び結果予測装置 |
TW201820064A (zh) * | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
JP2018113027A (ja) * | 2017-01-10 | 2018-07-19 | Jfeスチール株式会社 | プロセスの異常状態診断方法および異常状態診断装置 |
JP2020128975A (ja) * | 2019-02-07 | 2020-08-27 | Jfeスチール株式会社 | 予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置 |
CN111506030A (zh) * | 2020-04-16 | 2020-08-07 | 福州泰全工业有限公司 | 汽车生产线品质管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4258069A1 (en) | 2023-10-11 |
KR20230116870A (ko) | 2023-08-04 |
JPWO2022149344A1 (zh) | 2022-07-14 |
CN116724328A (zh) | 2023-09-08 |
MX2023008069A (es) | 2023-07-17 |
WO2022149344A1 (ja) | 2022-07-14 |
TW202244646A (zh) | 2022-11-16 |
EP4258069A4 (en) | 2024-06-05 |
JP7251687B2 (ja) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021014804A1 (ja) | 品質予測モデル生成方法、品質予測モデル、品質予測方法、金属材料の製造方法、品質予測モデル生成装置および品質予測装置 | |
TWI404804B (zh) | 出貨鋼板之材質資訊提供方法及材質資訊利用方法 | |
JP5169096B2 (ja) | 品質予測装置、品質予測方法及び製品の製造方法 | |
CN107179749A (zh) | 热镀锌产品全流程质量控制方法 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断系统 | |
JP2021536063A (ja) | 金属製品の製造をモニタリングするための方法および電子デバイス、関連するコンピュータプログラムならびに設備 | |
JP5003362B2 (ja) | 製品品質の制御方法及び制御装置 | |
TWI808540B (zh) | 品質異常解析方法、金屬材料之製造方法以及品質異常解析裝置 | |
KR102589428B1 (ko) | 중간 금속 제품(들)의 그룹으로부터의 최종 금속 제품(들)의 그룹의 제조를 제어하기 위한 방법 및 전자 장치, 관련 컴퓨터 프로그램, 제조 방법 및 설비 | |
Gao et al. | Experimental methodology and predictive tools in austenitic stainless steel with different ferrite content welds | |
JP2008055443A (ja) | 金属材料の材質分析方法および材質安定化方法 | |
JP4926883B2 (ja) | 出荷鋼板の材質情報提供方法及び出荷鋼板の材質情報利用方法 | |
JP5577583B2 (ja) | 厚鋼板のオンライン材質保証システム | |
JP5577581B2 (ja) | 厚鋼板の温度履歴による材質保証システム | |
Shigemori | Mechanical property control system for cold rolled steel sheet through locally weighted regression model | |
WO2022085350A1 (ja) | 異常診断モデルの構築方法、異常診断方法、異常診断モデルの構築装置および異常診断装置 | |
JP5577580B2 (ja) | 厚鋼板の材質保証システム | |
Gruzman et al. | Prototype method for ranking input factors ‘correlation in freezing’(using the example of optimization of casting block composition) | |
NOTRANJIH | Determination of the cause of the formation of transverse internal cracks on a continuously cast slab | |
Zhang et al. | Research on Intelligent Control System of Plate Straightening Based on Knowledge Acquisition | |
CN117808499A (zh) | 一种基于大数据的工程造价管理方法及系统 |