KR20190032908A - 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 - Google Patents
제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 Download PDFInfo
- Publication number
- KR20190032908A KR20190032908A KR1020170121326A KR20170121326A KR20190032908A KR 20190032908 A KR20190032908 A KR 20190032908A KR 1020170121326 A KR1020170121326 A KR 1020170121326A KR 20170121326 A KR20170121326 A KR 20170121326A KR 20190032908 A KR20190032908 A KR 20190032908A
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- information
- program
- learning
- parameter
- Prior art date
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 131
- 239000010959 steel Substances 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000007547 defect Effects 0.000 claims abstract description 239
- 238000011112 process operation Methods 0.000 claims abstract description 43
- 230000005856 abnormality Effects 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims description 37
- 238000003908 quality control method Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 12
- 238000009628 steelmaking Methods 0.000 claims description 12
- 230000002950 deficient Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005554 pickling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 238000005097 cold rolling Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 206010039509 Scab Diseases 0.000 claims description 4
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005246 galvanizing Methods 0.000 claims description 4
- 238000005098 hot rolling Methods 0.000 claims description 4
- 239000002893 slag Substances 0.000 claims description 4
- 239000011701 zinc Substances 0.000 claims description 4
- 229910052725 zinc Inorganic materials 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 78
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 26
- 238000004891 communication Methods 0.000 description 21
- 229910052742 iron Inorganic materials 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 239000012467 final product Substances 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000007747 plating Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004148 unit process Methods 0.000 description 3
- 239000011787 zinc oxide Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910001335 Galvanized steel Inorganic materials 0.000 description 1
- 238000002872 Statistical quality control Methods 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- QNDQILQPPKQROV-UHFFFAOYSA-N dizinc Chemical group [Zn]=[Zn] QNDQILQPPKQROV-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000008397 galvanized steel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- 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]
- G05B19/4184—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 fault tolerance, reliability of production 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
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- General Factory Administration (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
본 발명은 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체에 관한 것으로서, 적어도 하나의 작업용 단말기 및 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 컴퓨터 시스템을 이용하여 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법에 있어서, 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 단계; 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 단계; 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 단계; 및 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 단계를 포함할 수 있다.
Description
본 발명은 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템에 관한 것으로서, 보다 상세하게는 인공지능형 알고리즘을 이용하여 철강 제품의 결함을 자동으로 분류하고 분석율을 높여서 공정 예측을 가능하게 하는 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템에 관한 것이다.
철강 산업 분야에서 철강 소재의 생산은 철광석이나 고철을 원료물질로 액체의 용철이 만들어지고, 냉각, 주조과정을 통해 고체 철로 변형시켜 슬라브가 만들어 진다. 이를 사용하여 만들어진 핫코일(Hot Coil)을 통해, 일반 냉연제품(CR), 도금제품(CG, EG), 냉연 Full Hard 제품(FH), 석도강판(TP), 칼라코팅강판(PCM), 스테인레스 제품 등 다양한 압연 판재를 제조하게 되는 바, 각 제품 제조 라인에서는 다양한 결함이 발생되어 제품품질을 결정하게 되며, 이를 제어하는 것은 매우 중요하다. 이러한 연속 열간 및 냉간 압연공정과정과 도금/도장 과정에서 나타나는 표면결함의 경우, 열간에서는 관찰할 수 없는 바 주로 상온으로 냉각 후 일정량의 시편을 샘플링한 후 검사자의 육안 관찰을 통해 제품품질을 판정하거나, 또는 철강 제조 공정에서와 같이 고속(150~1000m/min)으로 주행하는 코일 또는 강판의 표면 결함을 검출하기 위해서 조업자가 직접 주행하고 있는 강판(코일) 일부를 샘플링하여 표면을 관찰함으로써 표면 결함을 검출하는 방법 등이 있었다.
또한, 강판제조 공정은 제선, 제강공정부터 공급되는 강판 원료물질을 사용하여 최종제품으로 출하하기 위한 품질관리의 결정체를 최종 완성하는 곳으로서, 제품의 표면 품질에 대한 보증요구가 수요가로 부터 날로 높아져 왔는 바, 검사자의 육안판별에 의하여 결함정도를 판정하여 제품의 등급을 판정하기에는 길이가 2,000~5,000m정도가 되는 강판이 고속(200~1000mpm)으로 지나가는 대량생산 공정에서 최근 요구하는 제품수준인 50um정도 이하 결함까지 검출 및 판정하기란 거의 불가능했었던 문제점이 있었다.
또한, 통상 강판품질의 경우 1차 공정에서 검출한 결함종류 및 검출위치, 결함정도를 알 수 없기 때문에 정정공정(RCL: Recoiling line)에서 다시 한번 저속 또는 고속으로 재검 및 선별하여 제품의 등급을 결정하며, 수작업으로 선별작업을 행할 수밖에 없었다.
또한, 검사대상물이 판재(板材), 선재(線材)와 같은 철강제품인 경우, 표면의 밝기가 Bright한 바, 즉 고반사율을 가지는 경우, 미세한 조명조건의 차이에도 민감하게 반응하여 정확한 결함 검사가 어려운 문제점들이 있었다.
한편, 최근 정보 통신 시스템은 각종 통신망이나 인터넷 등을 이용하여 막대한 수의 컴퓨터들과 이들 컴퓨터들을 통신 링크들을 통하여 근거리는 물론이고, 세계적으로 상호 접속하는 컴퓨터 네트워크들로 구성될 수 있다.
각종 장비들과 연계되어 상호 접속된 컴퓨터들은 다양한 서비스, 예를 들면 전자 우편, 고퍼 그리고 월드 와이드 웹(WWW)을 이용하여 정보를 교환할 수 있다.
월드 와이드 웹은 서버 컴퓨터 시스템(예를 들면 웹서버 혹은 웹사이트)이 정보의 도해적인 웹페이지들을 원격 클라이언트 컴퓨터 시스템에 보내지는 것을 허용할 수 있다.
이러한 원격 클라이언트 컴퓨터 시스템은 서버 컴퓨터로부터 전송 받은 다양한 화면의 작업 화면이나 웹페이지의 형태로 디스플레이할 수 있다.
한편, 최근 2G, 3G, 4G, 5G, LTE 등 이동 통신망, WIFI 통신망, 블루투스 통신망, 셀룰러 통신망, CDMA 통신망, LTE 통신망, 이더넷 통신망, 와이맥스 통신망, 근거리 통신망(LAN), 광역 통신망(WAN), RF 통신망, 적외선 통신망, 광 통신망 등 무선 통신망이 비약적인 발전을 함에 따라 이러한 무선 통신망을 이용하여 다양한 운영 시스템들이 개발되고 있다.
종래의 제철소들은 각종 공정에서 발생되는 결함 정보들을 통합적으로 이용하지 못하여 결함 인식율이 떨어지고, 결함이 발생되지 않도록 조치하는 일련의 과정이 작업자들의 오랜 경험을 통해 수작업으로 이루어지며, 사고가 발생한 이후에야 사후적인 조치를 취할 수 있었기 때문에 생산 시간과 생산 비용이 증대되어 생산성이 크게 떨어지는 문제점들이 있었다.
본 발명의 사상은, 이러한 문제점들을 해결하기 위한 것으로서, 각 철강 제품 생산라인에서 발생하는 다양한 종류의 표면결함을 이미지 형상장치를 활용 검출, 분류하여 결함종류나 특성에 따라 발생요인 및 위치을 예측하여 단위 공정제어 조건을 제어함으로써, 강판의 불량률을 제거 또는 최소화시킬수 있고, 기계학습(ML)/인공지능(AI) 기법을 적용한 표면결함 분류 시스템과 이를 이용한 분류 내용과 공정조건 분석 내용을 결합하여 최적의 철강 제품공정 조건을 예측하여 제시할 수 있게 하는 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공함에 있다. 그러나 이러한 과제는 예시적인 것으로서, 이에 의해 본 발명의 범위가 한정되는 것을 아니다.
상기 과제를 해결하기 위한 본 발명의 사상에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법은, 적어도 하나의 작업용 단말기 및 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 컴퓨터 시스템을 이용하여 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법에 있어서, 상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 분류 프로그램, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 학습 프로그램, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 인공 지능 프로그램, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 예측 프로그램, 상기 결함 이미지 정보가 저장되는 결함 이미지 정보 데이터베이스, 상기 파라메타 정보가 저장되는 파라메타 정보 데이터베이스, 상기 공정 운영 정보가 저장되는 공정 운영 정보 데이터베이스를 포함하고, (a) 상기 분류 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 단계; (b) 상기 학습 프로그램에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 단계; (c) 상기 인공 지능 프로그램에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 단계; 및 (d) 상기 예측 프로그램에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 단계;를 포함할 수 있다.
또한, 본 발명에 따르면, 상기 (a) 단계에서, 분류되는 결함 종류는, 제강 공정의 경우, 적어도 점상개재물(spot inclusion), 블로홀(Blow Hole), 혼입슬래그 중 어느 하나 이상을 포함하고, 열연 공정의 경우, 적어도 선상스캡(Linear Scab), 롤마크(Roll Mark) 중 어느 하나 이상을 포함하고, 냉연 공정의 경우, 적어도 PL/TCM (Pickling Line & Tandom Cold Mill)에서의 미산세 & 과산세 얼룩, 스크러치(Scratch) 중 어느 하나 이상을 포함하고, 용융 아연 연속 도금라인(CGL: Continuous Galvanizing Line)인 경우, 적어도 아연부유물 마크(Dross mark)나 찍힘(Dent), 채터 마크(Chatter Mark), 오일 얼룩(Oil Stain), 홈마크(Groove Mark), 산화아연 부착물(Ash) 중 어느 하나 이상을 포함할 수 있다.
또한, 본 발명에 따르면, 상기 서버 컴퓨터는, 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하는 표준 결함 이미지 정보 취득 프로그램, 상기 표준 결함 이미지 정보가 저장되는 표준 결함 이미지 정보 데이터베이스를 포함하고, 상기 (a) 단계 이전에, (e) 상기 표준 결함 이미지 정보 취득 프로그램에 의해서, 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하는 단계;를 포함하고, 상기 (a) 단계에서, 상기 표준 결함 이미지 정보로부터 추출된 결함의 특징을 나타내는 파라메타에 따라 결함을 종류별로 분류할 수 있다.
또한, 본 발명에 따르면, 상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map 정보를 생성하는 전처리 프로그램, 상기 Map 정보가 저장되는 맵 정보 데이터베이스를 포함하고, 상기 (a) 단계 이전에, (f) 상기 전처리 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map을 작성하는 단계;를 더 포함할 수 있다.
또한, 본 발명에 따르면, 상기 (a) 단계에서, 상기 분류 프로그램은, 적어도 학습 데이터에 가장 근사한 속성을 가진 범주로 분류하는 KNN(k-Nearest Neighbors) 알고리즘, 일명 최대 마진 분류기로서 분류 평면(초평면) 중 데이터들과 거리가 가장 먼 분류 평면을 선택하여 분류하는 SVM(Support Vector Machine) 알고리즘, 인공신경망(ANN) 기법을 여러 층을 쌓아 연결하여 최적화된 모델을 학습하는 MLP(Multi Layer Perceptron) 알고리즘, 인공신경망에서 발전하여 이미지 분류에 사용되는 딥러닝의 방법으로 Convolution 층과 Pooling 층이 선두에서 최적화된 특징 추출 방법인 CNN(Convolution Neural Network) 알고리즘 및 이들의 조합 중 어느 하나 이상을 포함할 수 있다.
또한, 본 발명에 따르면, 상기 학습 프로그램은, 오프라인 샘플링 시료를 이용하여 결함별로 결함 분석 정보를 구축하는 결함 분석 정보 구축 프로그램, 복수개의 시편을 대상으로 학습을 통해 검출율 또는 분류율을 향상시키는 분석율 향상 프로그램, 분석율 향상을 위해서 상기 파라메타를 조정하는 파라메타 조정 프로그램을 포함하고, 상기 (b) 단계에서, 상기 결함 분석 정보 구축 프로그램에 의해서, 오프라인 샘플링 시료를 이용하여 결함별로 결함 분석 정보를 구축하고, 상기 분석율 향상 프로그램에 의해서, 복수개의 시편을 대상으로 학습을 통해 검출율 또는 분류율을 향상시키고, 상기 파라메타 조정 프로그램에 의해서, 분석율 향상을 위해서 상기 파라메타를 조정할 수 있다.
또한, 본 발명에 따르면, 상기 (c) 단계에서, 상기 결함별 조업 적용 데이터와 비교하여 결함 발생 위치와 종류를 판별하고, 이를 제품 생산량 또는 생산 속도와의 연관 분석으로 현장 공정 조업 조건과 연계하여 학습을 반복하고, 학습을 통해 설비를 제어할 수 있도록 공정 운영 정보를 생성할 수 있다.
또한, 본 발명에 따르면, 상기 (d) 단계에서, 상기 예측 프로그램은, 적어도 최소제곱법을 사용한 행렬연산으로 에러값을 최소화하는 회귀계수 추정하는 MLR(Multiple Linear Regression) 알고리즘, 주어진 독립변수에 대해 주성분분석(PCA)후 MLR 을 수행하는 PCR(Principal Component Regression) 알고리즘, X와 Y의 상관관계를 동시에 고려하여 수행하는 PLS(Partial Least Square) 알고리즘, 최종 출력을 Identity function으로 변경하여 회귀 문제를 수행하는 MLP(Multi Layer Perceptron) 알고리즘 및 이들의 조합 중 어느 하나 이상을 포함하여 주어진 독립 변수(X)들의 변화로부터 종속 변수(Y)들의 변화를 예측할 수 있다.
한편, 상기 과제를 해결하기 위한 본 발명의 사상에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템은, 적어도 하나의 작업용 단말기 및 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 컴퓨터 시스템을 이용하여 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템에 있어서, 상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 분류 프로그램, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 학습 프로그램, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 인공 지능 프로그램, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 예측 프로그램, 상기 결함 이미지 정보가 저장되는 결함 이미지 정보 데이터베이스, 상기 파라메타 정보가 저장되는 파라메타 정보 데이터베이스, 상기 공정 운영 정보가 저장되는 공정 운영 정보 데이터베이스를 포함하고, 상기 분류 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하고, 상기 학습 프로그램에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하고, 상기 인공 지능 프로그램에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하고, 상기 예측 프로그램에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있도록 프로그램된 제어부를 포함할 수 있다.
한편, 상기 과제를 해결하기 위한 본 발명의 사상에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체는, 적어도 하나의 작업용 단말기 및 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 컴퓨터 시스템을 이용하여 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체에 있어서, 상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 분류 프로그램, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 학습 프로그램, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 인공 지능 프로그램, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 예측 프로그램, 상기 결함 이미지 정보가 저장되는 결함 이미지 정보 데이터베이스, 상기 파라메타 정보가 저장되는 파라메타 정보 데이터베이스, 상기 공정 운영 정보가 저장되는 공정 운영 정보 데이터베이스를 포함하고, (a) 상기 분류 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 단계; (b) 상기 학습 프로그램에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 단계; (c) 상기 인공 지능 프로그램에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 단계; 및 (d) 상기 예측 프로그램에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 단계;를 포함할 수 있다.
상기한 바와 같이 이루어진 본 발명의 일부 실시예들에 따르면, 각 철강 제품 생산라인에서 발생하는 다양한 종류의 표면결함을 이미지 형상장치를 활용 검출, 분류하여 결함종류나 특성에 따라 발생요인 및 위치을 예측하여 단위 공정제어 조건을 제어함으로써, 강판의 불량률을 제거 또는 최소화시킬수 있고, 기계학습(ML)/인공지능(AI) 기법을 적용한 표면결함 분류 시스템과 이를 이용한 분류 내용과 공정조건 분석 내용을 결합하여 최적의 철강 제품공정 조건을 예측하여 제시할 수 있는 효과를 갖는 것이다. 물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
도 1은 본 발명의 일부 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템을 나타내는 개념도이다.
도 2는 도 1의 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템의 학습 프로그램을 나타내는 블록도이다.
도 3은 본 발명의 철강 품질을 관리하는 운영자와, 작업자(제철소) 간의 교류관계를 나타내는 개념도이다.
도 4는 본 발명의 일부 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 나타내는 순서도이다.
도 5는 본 발명의 일부 다른 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 나타내는 순서도이다.
도 6 내지 도 14는 본 발명의 여러 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템을 개념적으로 나타내는 도면들이다.
도 2는 도 1의 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템의 학습 프로그램을 나타내는 블록도이다.
도 3은 본 발명의 철강 품질을 관리하는 운영자와, 작업자(제철소) 간의 교류관계를 나타내는 개념도이다.
도 4는 본 발명의 일부 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 나타내는 순서도이다.
도 5는 본 발명의 일부 다른 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 나타내는 순서도이다.
도 6 내지 도 14는 본 발명의 여러 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템을 개념적으로 나타내는 도면들이다.
이하, 첨부된 도면을 참조하여 본 발명의 여러 실시예들을 상세히 설명하기로 한다.
본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다. 또한, 도면에서 각 층의 두께나 크기는 설명의 편의 및 명확성을 위하여 과장된 것이다.
본 명세서에서 사용된 용어는 특정 실시예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및/또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다.
이하, 본 발명의 일부 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 일부 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템을 나타내는 개념도이다.
먼저, 도 1에 도시된 바와 같이, 본 발명의 일부 실시예들에 따른 철강 제품 제조용 제철소 운영 시스템은, 크게 작업용 단말기(10)와, 운영자 단말기(100) 및 네트워크(50)를 통하여 연결된 서버 컴퓨터(60)를 포함하여 이루어질 수 있다.
여기서, 상기 서버 컴퓨터(60)는, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하고, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하고, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하고, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있도록 프로그램된 것으로서, 상기 네트워크(50)를 통해 철강 제품 제조용 제철소를 운영할 수 있는 기업이나, 공장이나, 사업체나, 중앙 관재소나, 본사나, 지사나, 영업소에 구비된 컴퓨터일 수 있다.
또한, 예컨대, 상기 작업용 단말기(10)는, 본 발명의 시스템을 통해 철강 제품 제조 공정의 작업 명령을 지시하여 제철소를 운영할 수 있기를 원하는 작업자 또는 제철소 운영자의 단말기일 수 있다.
여기서, 이러한 상기 작업용 단말기(10)는 반드시 컴퓨터에만 국한되지 않고, 각종 정보를 처리할 수 있는 모든 정보 단말 장치들이 적용될 수 있다. 예컨대, 각종 스마트폰은 물론이고, 제어반, 개인용 컴퓨터, 모바일 단말기, PDA, 스마트 패드, 노트북, 스마트 카메라, 스마트 캠코더, 전자책, 스마트 스캐너 등이 모두 적용될 수 있다.
또한, 예컨대, 상기 운영자 단말기(100)는, 상기 서버 컴퓨터(60)를 관리하고 운영하는 개인이나 기업이나, 공장이나, 사업체나, 중앙 관재소나, 본사나, 지사나, 영업소의 단말기로서, 반드시 컴퓨터나 스마트 폰에 국한되지 않는 것으로 각종 문자 정보나, 숫자 정보나 이미지 정보를 제공받을 수 있고, 다양한 명령을 선택할 수 있는 각종 정보 단말기, PDA, 스마트폰, 스마트 패드, 카메라, 캠코더, 노트북, 전자책, 개인용 컴퓨터, 각종 다른 서버 컴퓨터 등이 모두 적용될 수 있다.
한편, 도 1에 도시된 바와 같이, 상기 작업용 단말기(10)와 상기 운영자 단말기(100)가 각각 별도로 운영되는 것을 예시하였다. 즉, 예컨대, 하나의 상기 서버 컴퓨터(60)를 관리하는 운영자는 원거리에 위치하는 서로 다른 복수개의 제철소들을 운영할 수 있다. 그러나, 이에 반드시 국한되지 않고, 예컨대, 상술된 상기 운영자 단말기(100)는 상기 작업용 단말기(10)를 겸할 수 있다. 즉, 상기 운영자가 상기 작업자 또는 제철소 담당자를 겸임하는 것도 가능하다. 이외에도, 상기 운영자는 기업의 전산 담당자일 수도 있다.
또한, 상기 작업용 단말기(10)는 각종 제철 공정들을 수행하는 제철소(1)의 각종 공정 장비들과 연계되어 각종 철강 제품(3)의 정지 화상이나 동영상을 촬영할 수 있는 영상 카메라 등의 영상 취득기(2)와 상기 네크워크(50)를 이용하여 연결될 수 있다.
예컨대, 도 1의 상기 영상 취득기(2), 상기 작업용 단말기(10), 상기 운영자 단말기(100) 및 서버 컴퓨터(60)는 각종 어플리케이션, 앱, 하이브리드 앱, 프로그램 등이 설치되어, 상기 네트워크(50)를 통해 서로 연결되고, 이러한 상기 네트워크(50)에 의해 연결된 단말기들은, 기존의 2G, 3G, 4G, LTE 등 이동 통신망, WIFI 통신망, 블루투스 통신망, 셀룰러 통신망, CDMA 통신망, LTE 통신망, 이더넷 통신망, 와이맥스 통신망, 근거리 통신망(LAN), 광역 통신망(WAN), RF 통신망, 적외선 통신망, 광 통신망 등의 통신망을 이용할 수 있는 것은 물론이고, HTML, XML, HTML5 등의 형태로 웹 내용을 디스플레이할 수 있는 인터넷 브라우저(Netscape, Internet Explorer 등)나 사내 또는 사외 또는 근거리/원거리 유무선 네트워크 접속용 프로토콜 장치 등을 가질 수 있다.
한편, 상기 서버 컴퓨터(60)는, 도 1에 도시된 바와 같이, 프로그램을 제어하는 프로그램 제어부(PG)와 각종 정보들을 저장하는 데이터베이스(DB)를 구비한다.
특히, 상기 프로그램 제어부(PG)는, 도 1에 도시된 바와 같이, 전체 프로그램을 운영하는 메인 프로그램(61), 상기 작업용 단말기(10)로부터 고유 정보를 입력받아 작업 등록 정보를 저장하는 작업 등록 프로그램(62), 상기 작업용 단말기(10)로부터 로그인 정보를 입력받는 로그인 프로그램(63), 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 분류 프로그램(64), 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 학습 프로그램(65), 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 인공 지능 프로그램(66), 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 예측 프로그램(67), 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하는 표준 결함 이미지 정보 취득 프로그램(68), 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map 정보를 생성하는 전처리 프로그램(69), 기타 단계별 화면이나 입출력 장치의 제어 기능을 수행하는 기타 프로그램(70) 등을 포함할 수 있다.
여기서, 예컨대, 상기 메인 프로그램(61)은 전체 프로그램을 운영하는 것으로서, 온라인 상에서 홈페이지나 어플리케이션이나 프로그램의 메인 화면 형태로 표현되는 것이 가능하고, 상기 작업용 단말기(10) 및 상기 운영자 단말기(100)로부터 각종 명령신호를 전송받아 상기 모든 프로그램들을 제어할 수 있는 프로그램일 수 있다.
또한, 예컨대, 상기 작업 등록 프로그램(62)은, 상기 작업용 단말기(10)로부터 고유 정보를 입력받아 작업 등록 정보를 저장하는 프로그램으로서, 상기 작업용 단말기(10)로부터 고유 정보를 입력받아 작업 등록 정보를 저장할 수 있도록 단말기를 인증할 수 있는 프로그램일 수 있다. 이외에도, 상기 작업용 단말기(10)로부터 고유 정보를 입력받아 표준 약관이나 정보 수집 및 이용에 대한 약관 등에 동의하게 할 수 있고, 실명 확인이나 공공 아이핀이나 아이디나 패스워드나 이메일이나 휴대전화나 주소나 개인 정보, 부서명, 직책명, 사원 번호 정보, 주민 번호 정보, 고유 번호 등으로 등록할 수 있는 프로그램일 수 있다.
또한, 예컨대, 상기 로그인 프로그램(63)은, 상기 작업자가 상기 서버 컴퓨터(60)에 접속한 후, 아이디나 패스워드를 입력하여 로그인할 수 있도록 상기 작업용 단말기(10)로부터 로그인 정보를 입력받을 수 있는 프로그램일 수 있다.
또한, 예컨대, 상기 분류 프로그램(64)은, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 프로그램으로서, 예를 들면, 분류되는 결함 종류는, 제강 공정의 경우, 적어도 점상개재물(spot inclusion), 블로홀(Blow Hole), 혼입슬래그 중 어느 하나 이상을 포함하고, 열연 공정의 경우, 적어도 선상스캡(Linear Scab), 롤마크(Roll Mark) 중 어느 하나 이상을 포함하고, 냉연 공정의 경우, 적어도 PL/TCM (Pickling Line & Tandom Cold Mill)에서의 미산세 & 과산세 얼룩, 스크러치(Scratch) 중 어느 하나 이상을 포함하고, 용융 아연 연속 도금라인(CGL: Continuous Galvanizing Line)인 경우, 적어도 아연부유물 마크(Dross mark)나 찍힘(Dent), 채터 마크(Chatter Mark), 오일 얼룩(Oil Stain), 홈마크(Groove Mark), 산화아연 부착물(Ash) 중 어느 하나 이상을 포함할 수 있다.
또한, 더욱 구체적으로 예를 들면, 상기 분류 프로그램(64)은, 적어도 학습 데이터에 가장 근사한 속성을 가진 범주로 분류하는 KNN(k-Nearest Neighbors) 알고리즘, 일명 최대 마진 분류기로서 분류 평면(초평면) 중 데이터들과 거리가 가장 먼 분류 평면을 선택하여 분류하는 SVM(Support Vector Machine) 알고리즘, 인공신경망(ANN) 기법을 여러 층을 쌓아 연결하여 최적화된 모델을 학습하는 MLP(Multi Layer Perceptron) 알고리즘, 인공신경망에서 발전하여 이미지 분류에 사용되는 딥러닝의 방법으로 Convolution 층과 Pooling 층이 선두에서 최적화된 특징 추출 방법인 CNN(Convolution Neural Network) 알고리즘 및 이들의 조합 중 어느 하나 이상의 알고리즘을 이용하여 결함을 분류할 수 있다.
또한, 예컨대, 상기 학습 프로그램(65)은, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 프로그램으로서, 더욱 구체적으로 예를 들면, 상기 학습 프로그램(65)은, 상기 결함 분석 정보 구축 프로그램에 의해서, 오프라인 샘플링 시료를 이용하여 결함별로 결함 분석 정보를 구축하고, 상기 분석율 향상 프로그램에 의해서, 복수개의 시편을 대상으로 학습을 통해 검출율 또는 분류율을 향상시키고, 상기 파라메타 조정 프로그램에 의해서, 분석율 향상을 위해서 상기 파라메타를 조정할 수 있다.
도 2는 도 1의 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템의 학습 프로그램(65)을 나타내는 블록도이다.
도 1 및 도 2에 도시된 바와 같이, 상기 학습 프로그램(65)은, 오프라인 샘플링 시료를 이용하여 결함별로 결함 분석 정보를 구축하는 결함 분석 정보 구축 프로그램(651), 복수개의 시편을 대상으로 학습을 통해 검출율 또는 분류율을 향상시키는 분석율 향상 프로그램(652), 분석율 향상을 위해서 상기 파라메타를 조정하는 파라메타 조정 프로그램(653)을 포함할 수 있다.
따라서, 이러한 상기 학습 프로그램(65)을 이용하면 작업자나 운영자가 개입하지 않더라도 스스로 파라메타를 조정함으로써 분석율을 향상시킬 수 있고, 이를 통해서 상기 제철소(1)에 맞는 최적의 파라메타를 자동으로 세팅할 수 있을 뿐만이 아니라 제철소의 노후도나 환경이나 조건 등에 맞추어 실시간으로 최적의 분석율을 구현할 수 있다.
한편, 도 1에 도시된 바와 같이, 상기 인공 지능 프로그램(66)은, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 프로그램으로서, 상기 결함별 조업 적용 데이터와 비교하여 결함 발생 위치와 종류를 판별하고, 이를 제품 생산량 또는 생산 속도와의 연관 분석으로 현장 공정 조업 조건과 연계하여 학습을 반복하고, 학습을 통해 설비를 제어할 수 있도록 공정 운영 정보를 생성할 수 있다.
따라서, 이러한 상기 인공 지능 프로그램(66)을 이용하여 분석율을 향상시키는 파라메타를 조정하는 상기 학습 프로그램(65) 유사하게 생산량 또는 생산 속도의 연관 분석을 통해 생산성을 향상시키는 방향으로 각 공정 운영 정보의 파라메타를 조정할 수 있는 것으로서, 이러한 파라메타의 학습 및 조정에 의해서 작업자나 운영자가 개입하지 않더라도 스스로 파라메타를 조정함으로써 생산성을 향상시킬 수 있고, 이를 통해서 상기 제철소(1)에 맞는 최적의 파라메타를 자동으로 세팅할 수 있을 뿐만이 아니라 장비나 제철소의 노후도나 환경이나 조건 등에 실시간으로 적용시킬 수 있어서 항상 최적의 상태로 생산성을 극대화하여 운영할 수 있다.
또한, 도 1에 도시된 바와 같이, 상기 예측 프로그램(67)은, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 프로그램으로서, 설비의 이상 유무에 대한 경향을 파악하여 사전에 미리 경고나 예측을 할 수 있다.
더욱 구체적으로 예를 들면, 상기 예측 프로그램(67)은, 적어도 최소제곱법을 사용한 행렬연산으로 에러값을 최소화하는 회귀계수 추정하는 MLR(Multiple Linear Regression) 알고리즘, 주어진 독립변수에 대해 주성분분석(PCA)후 MLR 을 수행하는 PCR(Principal Component Regression) 알고리즘, X와 Y의 상관관계를 동시에 고려하여 수행하는 PLS(Partial Least Square) 알고리즘, 최종 출력을 Identity function으로 변경하여 회귀 문제를 수행하는 MLP(Multi Layer Perceptron) 알고리즘 및 이들의 조합 중 어느 하나 이상을 포함하여 주어진 독립 변수(X)들의 변화로부터 종속 변수(Y)들의 변화를 예측하는 알고리즘을 이용할 수 있다.
한편, 도 1에 도시된 바와 같이, 상기 표준 결함 이미지 정보 취득 프로그램(68)은 일부러 재현되거나 또는 이미 분석된 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하는 프로그램으로서, 이를 통해서 분석률과 생산성을 높이는 방향으로 인공 지능을 학습시키는 데어 이용될 수 있다.
또한, 도 1에 도시된 바와 같이, 상기 전처리 프로그램(69)은, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map 정보를 생성하는 프로그램으로서, 이를 통해서 철강 공정에서 취득되는 대용량의 영상들을 분류하기 전에 이들을 취득한 장소 등의 고유 정보를 라벨링하여 일종의 맵을 형성할 수 있다.
여기서, 상술된 프로그램들은 상기 작업용 단말기(10)나, 상기 운영자 단말기(100)에 다운로드되거나 인스톨된 실행 프로그램이나, 화면 제어 프로그램이나 사용자 어플리케이션과 연동되는 형태로 운영될 수 있다.
그러나, 상술된 프로그램들은 반드시 실행 프로그램이나 스마트폰 어플리케이션과 연동되는 것에 국한되지 않고, 모든 다양한 형태의 단말기와 연동될 수 있다.
따라서, 각 철강 제품 생산라인에서 발생하는 다양한 종류의 표면결함을 이미지 형상장치를 활용 검출, 분류하여 결함종류나 특성에 따라 발생요인 및 위치을 예측하여 단위 공정제어 조건을 제어함으로써, 강판의 불량률을 제거 또는 최소화시킬수 있고, 기계학습(ML)/인공지능(AI) 기법을 적용한 표면결함 분류 시스템과 이를 이용한 분류 내용과 공정조건 분석 내용을 결합하여 최적의 철강 제품공정 조건을 예측하여 제시할 수 있다.
한편, 도 1에 도시된 바와 같이, 상기 데이터베이스(DB)는, 상기 작업 등록 정보가 저장되는 작업 등록 정보 데이터베이스(81), 상기 로그인 정보를 입력받는 로그인 정보 데이터베이스(82), 상기 결함 이미지 정보가 저장되는 결함 이미지 정보 데이터베이스(83), 상기 파라메타 정보가 저장되는 파라메타 정보 데이터베이스(84), 상기 공정 운영 정보가 저장되는 공정 운영 정보 데이터베이스(85), 상기 표준 결함 이미지 정보가 저장되는 표준 결함 이미지 정보 데이터베이스(86), 상기 Map 정보가 저장되는 맵 정보 데이터베이스(87), 기타 정보가 저장되는 기타 정보 데이터베이스(88) 등을 포함할 수 있다.
따라서, 상기 서버 컴퓨터(60)는 상기 표준 결함 이미지 정보 취득 프로그램(68)에 의해서, 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하고, 상기 전처리 프로그램(69)에 의해서, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map을 작성하고, 상기 분류 프로그램(64)에 의해서, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품(3)의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하고, 상기 학습 프로그램(65)에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하고, 상기 인공 지능 프로그램(66)에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하고, 상기 예측 프로그램(67)에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성하는 철강 제품 제조용 제철소를 운영할 수 있다.
도 3은 본 발명의 철강 품질을 관리하는 운영자와, 작업자 간의 교류관계를 나타내는 개념도이다.
그러므로, 도 3에 도시된 바와 같이, 상기 서버 컴퓨터(60)를 운영하는 운영자는 작업자나 영상 취득기로부터 실시간 결함 데이터 정보를 제공받을 수 있고, 작업자에게는 분석률 향상, 생산성 향상, 지능형 피드백, 지능형 결함관리, 업무 부하 감소의 기회와, 통계적인 품질 관리의 기회와, 결과 정밀도 향상 효과와, 이력 전상 조회 서비스 등을 제공할 수 있어서 모두에게 이익이 될 수 있는 유용한 전산 관리 모델 또는 비즈니스 모델을 제공할 수 있다.
도 4는 본 발명의 일부 실시예들에 따른 철강 제품 제조용 제철소 운영 방법을 나타내는 순서도이다.
한편, 도 1 내지 도 4에 도시된 바와 같이, 본 발명의 일부 실시예들에 따른 철강 제품 제조용 제철소 운영 방법을 순서적으로 나타내면, 본 발명의 일부 실시예들에 따른 철강 제품 제조용 제철소 운영 방법은, 철강 제품 제조용 제철소를 운영할 수 있는 서버 컴퓨터를 구성하고, (a) 상기 분류 프로그램(64)에 의해서, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품(3)의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 단계와, (b) 상기 학습 프로그램(65)에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 단계와, (c) 상기 인공 지능 프로그램(66)에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 단계 및 (d) 상기 예측 프로그램(67)에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성하는 단계를 수행할 수 있다.
여기서, 상기 (a) 단계에서, 상기 표준 결함 이미지 정보로부터 추출된 결함의 특징을 나타내는 파라메타에 따라 결함을 종류별로 분류할 수 있다.
도 6은 본 발명의 일부 다른 실시예들에 따른 철강 제품 제조용 제철소 운영 방법을 나타내는 순서도이다.
한편, 도 1 내지 도 6에 도시된 바와 같이, 본 발명의 일부 다른 실시예들에 따른 철강 제품 제조용 제철소 운영 방법을 순서적으로 나타내면, 본 발명의 일부 실시예들에 따른 철강 제품 제조용 제철소 운영 방법은, 철강 제품 제조용 제철소를 운영할 수 있는 서버 컴퓨터를 구성하고, (e) 상기 표준 결함 이미지 정보 취득 프로그램(68)은, 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하는 단계와, (f) 상기 전처리 프로그램(69)에 의해서, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품(3)의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map을 작성하는 단계와, (a) 상기 분류 프로그램(64)에 의해서, 상기 작업용 단말기(10) 또는 영상 취득기(2)로부터 취득된 철강 제품(3)의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 단계와, (b) 상기 학습 프로그램(65)에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 단계와, (c) 상기 인공 지능 프로그램(66)에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 단계와, (d) 상기 예측 프로그램(67)에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성하는 단계를 수행할 수 있다.
도 6 내지 도 14는 본 발명의 여러 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템을 개념적으로 나타내는 도면들이다.
따라서, 도 6 내지 도 14에 도시된 바와 같이, 본 발명은 각 철강제품 생산라인에서 발생하는 다양한 종류의 표면결함을 이미지 형상장치를 활용 검출, 분류하여 결함종류나 특성에 따라 발생요인 및 위치을 예측하여 단위 공정제어 조건을 제어하고, 강판의 불량률을 제거 또는 최소화시킬수 있는 것으로서, 기계학습(ML)/인공지능(AI) 기법을 적용한 표면결함 분류 시스템과 이를 이용한 분류 내용과 공정조건 분석 내용을 결합하여 최적의 철강 제품공정 조건을 예측하여 제시할 수 있다.
도 6에 도시된 바와 같이, 본 발명은, 철광석을 원료물질로 코크스를 사용하여 고로를 통해 용선을 생산하는 제선공정, 용선중 함유하는 탄소 및 불순물을 제거하는 제강공정, 액체상태의 철을 고체로 변형시키는 연주공정, 철을 강판이나 선재로 만드는 압연공정으로 이루어지는 일관제철소와 고철 또는 환원철을 원료로 사용하는 Mini-Mill과 같이 전기로를 이용하여 용융 후 연주 및 압연공정을 통해 생산되는 모든 철강 제품에 적용될 수 있다.
특히, 본 발명의 기술적 사상은 철강제조 공정중 최종 제품인 강판 제품의 경우 제선, 제강공정을 통해 적정 성분조성으로 만들어진 용철을 주조하여 슬래브(Slab)나 블룸(Bloom) 또는 빌릿(Billet) 등에 적용되고, 이를 압연, 열처리, 도장/도금 등에 적용될 수 있다. 이때 강판의 품질은 현재 제선, 제강공정의 경우 성분품질은 안정화되었다고 볼 수 있는 바, 최종 제품제조 단계인 압연 및 도장/도금 등을 거치는 과정에서 적용될 수 있다.
최종 제품 제조단계의 경우, 공정 조업조건에 따라 칫수나 형상(두께, 폭) 품질과 더불어 C-반곡 또는 L반곡형의 Wave 발생, 기계적 특성과 표면 품질에 따라 적용 범위가 달라질 수 있는데, 이 중 표면 품질의 경우 최종제품의 등급을 결정하는 주요 인자로 등급당 제품가격은 25~50% 정도 차이가 나는 바, 사전에 표면결함의 원인을 찾아 제거할 수 있다.
철강 제품의 최종품질을 결정하는 표면결함은 연속주조 공정에서 제조된 슬래브(Slab)나 블룸(Bloom) 또는 빌릿(Billet) 등의 소재를 가열한 후 압연하여 여러 두께의 판재 제품이 제조되는 과정 중 압연 및 열처리, 산세와 도금 및 도장단계를 거치는 조업과정중 발생되는 설비 이상이나 비정상적인 작업으로 인하여 발생되는 이상 상황에 대처할 수 있는 바, 최종 제품에서 나타나는 이러한 결함으로는 제강공정의 경우, 점상개재물(spot inclusion), 블로홀(Blow Hole), 혼입슬래그가 나타날 수 있으며, 열연공정 결함으로는 선상스캡(Linear Scab), 롤마크(Roll Mark) 형태가, 냉연공정 결함으로는 PL/TCM (Pickling Line & Tandom Cold Mill)에서의 미산세 & 과산세 얼룩, 스크러치(Scratch)가 발생될 수 있다. 그리고 용융아연 연속도금라인(CGL: Continuous Galvanizing Line)에서는 아연부유물 마크(Dross mark)나 찍힘(Dent), 그리고 산화아연 부착물(Ash) 등이 결함으로 발생될 수 있으며, 이들 결함들의 존재는 치명적인 제품 불량을 발생 시키기 때문에 본 발명은 이러한 결함들을 인공지능을 이용하여 분류하고 학습하여 후속 조치를 취할 수 있다.
한편, 본 발명은 도 7, 도 8 및 도 9에 도시된 바와 같이, 레이저 광원을 표면에 주사하고 레이저 수광부가 이를 받아들여 일정한 신호처리를 거쳐 표면결함을 검출하는 방법과, 그리고 가시광선 영역의 조명을 강판(코일) 표면에 주사하고 라인 스캔 카메라로 이미지 데이터를 받아들여 일정한 신호처리를 거쳐 표면 결함을 검출, 판정하는 방법 등이 있으며, 검출용 광센서 위치와 여러 위치에 설치되는 광원을 조사하여 투과하는 빛을 검출함으로써 결함유무를 판단하는 방법 등에 모두 적용될 수 있다.
특히, 도 8 및 도 9에 도시된 바와 같이, 본 발명은 카메라와 광원이 일체형으로 결합된 역반사경 타입의 슐리렌(schlieren) 방식을 이용하여 보다 미세하고 적확한 영상을 취득할 수 있다.
도 10에 도시된 바와 같이, 본 발명의 일부 실시예들에 따르면, 기본적으로 표면결함을 갖는 일정크기의 강판을 샘플링하고, 이것을 영상측정 카메라를 사용하여 촬영하여 이미지데이터로 만들 수 있다.
이어서, 이것을 데이터마이닝 소프트웨어가 장착된 데이터분석 전산시스템에 입력하면, 시스템 내에서 데이터 전처리과정을 통해 이미지 리사이즈 및 각종 필터링을 통해 이미지의 표준화처리를 수행하고 라벨링 작업을 진행한 후 특징을 추출 분류하며, 특징을 정리한 Map을 작성할 수 있다.
또한, 도 11 내지 도 13에 도시된 바와 같이, 이를 기반으로 시스템 내에 내장된 분류 알고리즘(KNN, MLP, SVM, CNN 등)을 사용하여 분류모델을 만들게 되며, 이를 인공지능 S/W에서는 공정데이터와 연동하여 제어모델을 구축할 수 있다.
또한, 일정량의 off-line 샘플링 시료를 사용하여 학습을 진행하므로써 얼룩, 블루홀, 스캡 등 표면결함 분석용 Database를 1차적으로 구축하고, 다양한 시편을 대상으로 학습을 통해 검출율, 분류율 을 높인다. 최종적으로 95% 이상의 적중율로 모델 시스템을 구축할 수 있다.
이렇게 구축한 강판 표면결함 Database를 기반으로 지능형 데이터마이닝시스템으로 통해 1차, 2차 전처리 여과 과정을 거치면 후보 결함으로 선택되면 Database상의 결함 모델과 비교하므로써 결함 발생 위치, 종류가 판별되고, 이를 제품 생산량과 생산속도 등과 연관 분석함으로 결함율, 결함종류 등 결과물로 얻을 수 있다. 그리고 인공지능 S/W를 통해 현장 공정 조업조건과 연계 학습하므로, 제어용 모델수식을 만들 수 있으며, 설비의 지능형 자동제어 운전 및 안정적인 조업관리, 조업결과 모니터링 및 설비의 이상 유무에 대한 경고 및 예측자료 또한 얻을 수 있으며, 설비를 안정적으로 운전할 수 있게 한다. 이러한 본 발명의 일부 실시예들에 따른 전체적인 시스템 구성도는 도 13에 도시된 바와 같다.
도 13 및 도 14는 본 발명의 일부 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템을 개념적으로 나타내는 전체 구조도이다.
도 13 및 도 14에 도시된 바와 같이, 본 발명은 강판 제조공정에서 강판의 냉간압연시 발생되는 표면결함을 실시간으로 역반사 고속카메라를 사용하여 이미지데이터로 측정한다. 그리고, 이를 데이터마이닝을 기반으로 한 스마트비젼 시스템으로 전송하므로 모델관리 모델을 통해 이미지 처리모듈에서 이미지데이터를 전처리하여 이상치나 결측치 데이터를 제거한 후, 수집된 데이터에 대한 특징 분석과 데이터에 라벨링 작업을 진행하고, 해당 분류 작업에 적합한 Feature Map을 도출한다. 이 후 분류알고리즘(KNN, MLP, SVM, CNN 등)을 사용하여 모델을 만들고 학습을 진행하게 되는데, 학습 단계는 대상 알고리즘 별 반복적인 작업으로 정확한 분류율에 도달할 때 까지 진행하며, 이 과정에서 적합한 알고리즘과 학습된 최종 분류모델을 완성할 수 있다.
도 14에 도시된 바와 같이, 본 발명의 일부 실시예들에 따른 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템을 이용하여 P사 No 4. 연속아연도금강판공장 CGL(GI) 설비에 적용한 결과, 표면결함 검출율 및 분류율을 조사한 결과 다음과 같은 결과를 얻을 수 있었다.
예컨대, 설비명은, CGL(GI) No. 4설비, 자동차강판 제조, 공정조건은, 강판Line속도 150 m/min (100~180 m/min), 제어 항목은, 아연부유마크(Zinc Dross Mark), Zinc Pot 온도는, 용융 아연 Pot내 성분조건은, Al농도 0.12%, Fe 0.02%, 강판 Line Speed는 일정할 때, 결과적으로, 표면결함은 아연도금 미산세(검정) 또는 과산세(백색) 얼룩 검출빈도 90% 감소하는 것을 확인할 수 있었다.
그러므로, 본 발명은 강판제조 과정상의 조업환경에서 발생되는 표면결함 개수와 종류를 모니터링함으로써 1차적으로 제품 품질에 대한 자동 등급부여가 가능할 뿐 만 아니라 등급을 부여 관리함으로써 강판의 불량율을 최소화 시킬 수 있고 미세결함까지도 분류하여 판별, 자동제어 관리하므로써 제품의 품질을 높일 수 있다.
한편, 본 발명은 또한 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다.
컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 상술된 서버 컴퓨터(60)는 물론이고, ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광자기 디스크, 광데이터 저장장치, 플래시 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들면 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
1: 제철소
2: 영상 취득기
3: 철강 제품
10: 작업용 단말기
50: 네트워크
60: 서버 컴퓨터
PG: 프로그램 제어부
DB: 데이터베이스
100: 운영자 단말기
2: 영상 취득기
3: 철강 제품
10: 작업용 단말기
50: 네트워크
60: 서버 컴퓨터
PG: 프로그램 제어부
DB: 데이터베이스
100: 운영자 단말기
Claims (10)
- 적어도 하나의 작업용 단말기 및 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 컴퓨터 시스템을 이용하여 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법에 있어서,
상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 분류 프로그램, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 학습 프로그램, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 인공 지능 프로그램, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 예측 프로그램, 상기 결함 이미지 정보가 저장되는 결함 이미지 정보 데이터베이스, 상기 파라메타 정보가 저장되는 파라메타 정보 데이터베이스, 상기 공정 운영 정보가 저장되는 공정 운영 정보 데이터베이스를 포함하고,
(a) 상기 분류 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 단계;
(b) 상기 학습 프로그램에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 단계;
(c) 상기 인공 지능 프로그램에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 단계; 및
(d) 상기 예측 프로그램에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 단계;
를 포함하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 제 1 항에 있어서,
상기 (a) 단계에서, 분류되는 결함 종류는,
제강 공정의 경우, 적어도 점상개재물(spot inclusion), 블로홀(Blow Hole), 혼입슬래그 중 어느 하나 이상을 포함하고, 열연 공정의 경우, 적어도 선상스캡(Linear Scab), 롤마크(Roll Mark) 중 어느 하나 이상을 포함하고, 냉연 공정의 경우, 적어도 PL/TCM (Pickling Line & Tandom Cold Mill)에서의 미산세 & 과산세 얼룩, 스크러치(Scratch) 중 어느 하나 이상을 포함하고, 용융 아연 연속 도금라인(CGL: Continuous Galvanizing Line)인 경우, 적어도 아연부유물 마크(Dross mark)나 찍힘(Dent), 채터 마크(Chatter Mark), 오일 얼룩(Oil Stain), 홈마크(Groove Mark), 산화아연 부착물(Ash) 중 어느 하나 이상을 포함하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 제 1 항에 있어서,
상기 서버 컴퓨터는, 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하는 표준 결함 이미지 정보 취득 프로그램, 상기 표준 결함 이미지 정보가 저장되는 표준 결함 이미지 정보 데이터베이스를 포함하고,
상기 (a) 단계 이전에,
(e) 상기 표준 결함 이미지 정보 취득 프로그램에 의해서, 표면 결함을 갖는 일정 크기의 샘플링 강판을 영상 측정 카메라로 촬영한 표준 결함 이미지 정보를 취득하는 단계;를 포함하고,
상기 (a) 단계에서, 상기 표준 결함 이미지 정보로부터 추출된 결함의 특징을 나타내는 파라메타에 따라 결함을 종류별로 분류하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 제 3 항에 있어서,
상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map 정보를 생성하는 전처리 프로그램, 상기 Map 정보가 저장되는 맵 정보 데이터베이스를 포함하고,
상기 (a) 단계 이전에,
(f) 상기 전처리 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 이미지 정보를 리사이즈하고, 필터링을 통해 표준화처리하고, 라벨링 작업을 진행하여 특징을 추출하고, 특징을 정리한 Map을 작성하는 단계;
를 더 포함하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 제 1 항에 있어서,
상기 (a) 단계에서, 상기 분류 프로그램은, 적어도 학습 데이터에 가장 근사한 속성을 가진 범주로 분류하는 KNN(k-Nearest Neighbors) 알고리즘, 일명 최대 마진 분류기로서 분류 평면(초평면) 중 데이터들과 거리가 가장 먼 분류 평면을 선택하여 분류하는 SVM(Support Vector Machine) 알고리즘, 인공신경망(ANN) 기법을 여러 층을 쌓아 연결하여 최적화된 모델을 학습하는 MLP(Multi Layer Perceptron) 알고리즘, 인공신경망에서 발전하여 이미지 분류에 사용되는 딥러닝의 방법으로 Convolution 층과 Pooling 층이 선두에서 최적화된 특징 추출 방법인 CNN(Convolution Neural Network) 알고리즘 및 이들의 조합 중 어느 하나 이상을 포함하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 제 1 항에 있어서,
상기 학습 프로그램은, 오프라인 샘플링 시료를 이용하여 결함별로 결함 분석 정보를 구축하는 결함 분석 정보 구축 프로그램, 복수개의 시편을 대상으로 학습을 통해 검출율 또는 분류율을 향상시키는 분석율 향상 프로그램, 분석율 향상을 위해서 상기 파라메타를 조정하는 파라메타 조정 프로그램을 포함하고,
상기 (b) 단계에서, 상기 결함 분석 정보 구축 프로그램에 의해서, 오프라인 샘플링 시료를 이용하여 결함별로 결함 분석 정보를 구축하고, 상기 분석율 향상 프로그램에 의해서, 복수개의 시편을 대상으로 학습을 통해 검출율 또는 분류율을 향상시키고, 상기 파라메타 조정 프로그램에 의해서, 분석율 향상을 위해서 상기 파라메타를 조정하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 제 1 항에 있어서,
상기 (c) 단계에서, 상기 결함별 조업 적용 데이터와 비교하여 결함 발생 위치와 종류를 판별하고, 이를 제품 생산량 또는 생산 속도와의 연관 분석으로 현장 공정 조업 조건과 연계하여 학습을 반복하고, 학습을 통해 설비를 제어할 수 있도록 공정 운영 정보를 생성하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 제 1 항에 있어서,
상기 (d) 단계에서, 상기 예측 프로그램은, 적어도 최소제곱법을 사용한 행렬연산으로 에러값을 최소화하는 회귀계수 추정하는 MLR(Multiple Linear Regression) 알고리즘, 주어진 독립변수에 대해 주성분분석(PCA)후 MLR 을 수행하는 PCR(Principal Component Regression) 알고리즘, X와 Y의 상관관계를 동시에 고려하여 수행하는 PLS(Partial Least Square) 알고리즘, 최종 출력을 Identity function으로 변경하여 회귀 문제를 수행하는 MLP(Multi Layer Perceptron) 알고리즘 및 이들의 조합 중 어느 하나 이상을 포함하여 주어진 독립 변수(X)들의 변화로부터 종속 변수(Y)들의 변화를 예측하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법. - 적어도 하나의 작업용 단말기 및 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 컴퓨터 시스템을 이용하여 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템에 있어서,
상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 분류 프로그램, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 학습 프로그램, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 인공 지능 프로그램, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 예측 프로그램, 상기 결함 이미지 정보가 저장되는 결함 이미지 정보 데이터베이스, 상기 파라메타 정보가 저장되는 파라메타 정보 데이터베이스, 상기 공정 운영 정보가 저장되는 공정 운영 정보 데이터베이스를 포함하고, 상기 분류 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하고, 상기 학습 프로그램에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하고, 상기 인공 지능 프로그램에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하고, 상기 예측 프로그램에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있도록 프로그램된 제어부를 포함하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 시스템. - 적어도 하나의 작업용 단말기 및 네트워크를 통하여 연결된 서버 컴퓨터를 구비한 컴퓨터 시스템을 이용하여 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체에 있어서,
상기 서버 컴퓨터는, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 분류 프로그램, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 학습 프로그램, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 인공 지능 프로그램, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 예측 프로그램, 상기 결함 이미지 정보가 저장되는 결함 이미지 정보 데이터베이스, 상기 파라메타 정보가 저장되는 파라메타 정보 데이터베이스, 상기 공정 운영 정보가 저장되는 공정 운영 정보 데이터베이스를 포함하고,
(a) 상기 분류 프로그램에 의해서, 상기 작업용 단말기 또는 영상 취득기로부터 취득된 철강 제품의 결함 이미지 정보를 파라메타에 따라 종류별로 분류하는 단계;
(b) 상기 학습 프로그램에 의해서, 분류된 상기 결함 정보에서 오분류율을 연산하여 오류를 줄이는 방향으로 학습을 반복하고 이를 통해서 결함 분류 또는 결함 판단에 적용되는 상기 파라메타를 조정하는 단계;
(c) 상기 인공 지능 프로그램에 의해서, 학습에 의해 수립된 상기 파라메타에 의해 판단된 결함별 조업 적용 데이터를 이용하여 설비를 제어할 수 있도록 공정 운영 정보를 생성하는 단계; 및
(d) 상기 예측 프로그램에 의해서, 상기 공정 운영 정보를 고려하여 설비의 이상 유무에 대한 경고 정보 또는 예측 정보를 생성할 수 있는 단계;
를 포함하는, 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170121326A KR102021944B1 (ko) | 2017-09-20 | 2017-09-20 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170121326A KR102021944B1 (ko) | 2017-09-20 | 2017-09-20 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190032908A true KR20190032908A (ko) | 2019-03-28 |
| KR102021944B1 KR102021944B1 (ko) | 2019-09-17 |
Family
ID=65908354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170121326A KR102021944B1 (ko) | 2017-09-20 | 2017-09-20 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102021944B1 (ko) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200144940A (ko) * | 2019-06-20 | 2020-12-30 | 현대제철 주식회사 | 슬라브 표면의 면세로 크랙 예측 장치 및 방법 |
| KR20210015299A (ko) * | 2019-08-01 | 2021-02-10 | 단국대학교 산학협력단 | 기기의 운전상태 분석 시스템 |
| CN112598642A (zh) * | 2020-12-22 | 2021-04-02 | 苏州睿信诺智能科技有限公司 | 一种高速高精度视觉检测方法 |
| CN113092495A (zh) * | 2021-03-19 | 2021-07-09 | 成都国铁电气设备有限公司 | 一种车地协同的地铁隧道缺陷智能巡检***及方法 |
| CN113095340A (zh) * | 2019-12-23 | 2021-07-09 | 神讯电脑(昆山)有限公司 | 生产机台的异常预警方法以及物件的量产方法 |
| CN113205133A (zh) * | 2021-04-30 | 2021-08-03 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
| CN113361958A (zh) * | 2021-06-30 | 2021-09-07 | 李炳集 | 一种缺陷预警方法及*** |
| CN113506082A (zh) * | 2021-06-17 | 2021-10-15 | 沈阳新松虚拟现实产业技术研究院有限公司 | 一种基于vr的数字化工厂生产线的监管方法及*** |
| CN113589776A (zh) * | 2021-08-06 | 2021-11-02 | 太原科技大学 | 一种基于大数据技术的特钢棒材质量监控与诊断方法 |
| EP3971556A1 (en) * | 2020-09-17 | 2022-03-23 | Evonik Operations GmbH | Qualitative or quantitative characterization of a coating surface |
| KR20220086911A (ko) * | 2020-12-17 | 2022-06-24 | 주식회사 포스코 | 용강량 예측 장치 및 방법 |
| KR102417702B1 (ko) * | 2021-01-06 | 2022-07-07 | (주)유엠로직스 | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 |
| KR20230003819A (ko) * | 2021-06-30 | 2023-01-06 | 주식회사 하이텍정보 | 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 |
| CN115983684A (zh) * | 2022-12-19 | 2023-04-18 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及*** |
| IT202100030503A1 (it) * | 2021-12-02 | 2023-06-02 | Danieli Off Mecc | Gruppo robotizzato e procedimento per il controllo di un prodotto metallico in movimento in un apparato e procedimento per la produzione di bobine metalliche |
| CN117055509A (zh) * | 2023-09-25 | 2023-11-14 | 四川德润钢铁集团航达钢铁有限责任公司 | 一种基于人工智能对短流程钢铁工艺参数预测的方法 |
| CN117273980A (zh) * | 2023-10-07 | 2023-12-22 | 广州恩锐施智能科技有限公司 | 基于数据分析的智慧工厂管理方法、***及存储介质 |
| CN117408575A (zh) * | 2023-12-13 | 2024-01-16 | 深圳市安科讯电子制造有限公司 | 一种能源产品生产智能管理方法及平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010047209A (ko) * | 1999-11-18 | 2001-06-15 | 이구택 | 미니밀 공정에서의 품질예지방법 |
| KR101008169B1 (ko) * | 2008-09-03 | 2011-01-13 | 주식회사 포스코 | 모니터링을 통한 아연 도금강판 제조방법 |
| JP5505818B2 (ja) * | 2010-06-14 | 2014-05-28 | 新日鐵住金株式会社 | 欠陥判別装置 |
| KR101561026B1 (ko) * | 2014-11-27 | 2015-10-16 | 주식회사 베가스 | 설비의 예측 정비 시스템 및 방법 |
| KR101696040B1 (ko) * | 2014-12-17 | 2017-01-13 | 주식회사 포스코 | 스카핑 불량 검출 장치 및 방법 |
-
2017
- 2017-09-20 KR KR1020170121326A patent/KR102021944B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010047209A (ko) * | 1999-11-18 | 2001-06-15 | 이구택 | 미니밀 공정에서의 품질예지방법 |
| KR101008169B1 (ko) * | 2008-09-03 | 2011-01-13 | 주식회사 포스코 | 모니터링을 통한 아연 도금강판 제조방법 |
| JP5505818B2 (ja) * | 2010-06-14 | 2014-05-28 | 新日鐵住金株式会社 | 欠陥判別装置 |
| KR101561026B1 (ko) * | 2014-11-27 | 2015-10-16 | 주식회사 베가스 | 설비의 예측 정비 시스템 및 방법 |
| KR101696040B1 (ko) * | 2014-12-17 | 2017-01-13 | 주식회사 포스코 | 스카핑 불량 검출 장치 및 방법 |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200144940A (ko) * | 2019-06-20 | 2020-12-30 | 현대제철 주식회사 | 슬라브 표면의 면세로 크랙 예측 장치 및 방법 |
| KR20210015299A (ko) * | 2019-08-01 | 2021-02-10 | 단국대학교 산학협력단 | 기기의 운전상태 분석 시스템 |
| CN113095340A (zh) * | 2019-12-23 | 2021-07-09 | 神讯电脑(昆山)有限公司 | 生产机台的异常预警方法以及物件的量产方法 |
| CN113095340B (zh) * | 2019-12-23 | 2024-04-16 | 神讯电脑(昆山)有限公司 | 生产机台的异常预警方法以及物件的量产方法 |
| EP3971556A1 (en) * | 2020-09-17 | 2022-03-23 | Evonik Operations GmbH | Qualitative or quantitative characterization of a coating surface |
| EP3971904A1 (en) * | 2020-09-17 | 2022-03-23 | Evonik Operations GmbH | Qualitative or quantitative characterization of a coating surface |
| KR20220086911A (ko) * | 2020-12-17 | 2022-06-24 | 주식회사 포스코 | 용강량 예측 장치 및 방법 |
| CN112598642A (zh) * | 2020-12-22 | 2021-04-02 | 苏州睿信诺智能科技有限公司 | 一种高速高精度视觉检测方法 |
| CN112598642B (zh) * | 2020-12-22 | 2024-05-10 | 苏州睿信诺智能科技有限公司 | 一种高速高精度视觉检测方法 |
| KR102417702B1 (ko) * | 2021-01-06 | 2022-07-07 | (주)유엠로직스 | 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법 |
| CN113092495A (zh) * | 2021-03-19 | 2021-07-09 | 成都国铁电气设备有限公司 | 一种车地协同的地铁隧道缺陷智能巡检***及方法 |
| CN113205133A (zh) * | 2021-04-30 | 2021-08-03 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
| CN113205133B (zh) * | 2021-04-30 | 2024-01-26 | 成都国铁电气设备有限公司 | 一种基于多任务学习的隧道水渍智能识别方法 |
| CN113506082A (zh) * | 2021-06-17 | 2021-10-15 | 沈阳新松虚拟现实产业技术研究院有限公司 | 一种基于vr的数字化工厂生产线的监管方法及*** |
| CN113506082B (zh) * | 2021-06-17 | 2024-03-08 | 沈阳新松虚拟现实产业技术研究院有限公司 | 一种基于vr的数字化工厂生产线的监管方法及*** |
| KR20230003819A (ko) * | 2021-06-30 | 2023-01-06 | 주식회사 하이텍정보 | 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 |
| CN113361958A (zh) * | 2021-06-30 | 2021-09-07 | 李炳集 | 一种缺陷预警方法及*** |
| CN113589776A (zh) * | 2021-08-06 | 2021-11-02 | 太原科技大学 | 一种基于大数据技术的特钢棒材质量监控与诊断方法 |
| CN113589776B (zh) * | 2021-08-06 | 2024-02-09 | 太原科技大学 | 一种基于大数据技术的特钢棒材质量监控与诊断方法 |
| IT202100030503A1 (it) * | 2021-12-02 | 2023-06-02 | Danieli Off Mecc | Gruppo robotizzato e procedimento per il controllo di un prodotto metallico in movimento in un apparato e procedimento per la produzione di bobine metalliche |
| WO2023100211A1 (en) * | 2021-12-02 | 2023-06-08 | Danieli & C. Officine Meccaniche S.P.A. | Robotized unit and method for controlling a metal product in movement in an apparatus, and method to produce metal reels |
| CN115983684A (zh) * | 2022-12-19 | 2023-04-18 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及*** |
| CN115983684B (zh) * | 2022-12-19 | 2024-01-26 | 常熟中佳新材料有限公司 | 一种制冷用铜管生产缺陷管理方法及*** |
| CN117055509B (zh) * | 2023-09-25 | 2024-03-08 | 四川德润钢铁集团航达钢铁有限责任公司 | 一种基于人工智能对短流程钢铁工艺参数预测的方法 |
| CN117055509A (zh) * | 2023-09-25 | 2023-11-14 | 四川德润钢铁集团航达钢铁有限责任公司 | 一种基于人工智能对短流程钢铁工艺参数预测的方法 |
| CN117273980A (zh) * | 2023-10-07 | 2023-12-22 | 广州恩锐施智能科技有限公司 | 基于数据分析的智慧工厂管理方法、***及存储介质 |
| CN117273980B (zh) * | 2023-10-07 | 2024-04-30 | 广州恩锐施智能科技有限公司 | 基于数据分析的智慧工厂管理方法、***及存储介质 |
| CN117408575A (zh) * | 2023-12-13 | 2024-01-16 | 深圳市安科讯电子制造有限公司 | 一种能源产品生产智能管理方法及平台 |
| CN117408575B (zh) * | 2023-12-13 | 2024-03-29 | 深圳市安科讯电子制造有限公司 | 一种能源产品生产智能管理方法及平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102021944B1 (ko) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102021944B1 (ko) | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 | |
| CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测***及其检测方法 | |
| Borselli et al. | A fuzzy inference system applied to defect detection in flat steel production | |
| CN114329940A (zh) | 一种基于极限学习机的连铸坯质量预测方法 | |
| CN111950577A (zh) | 一种点检方法及装置 | |
| CN108956613A (zh) | 玻璃锡缺陷视觉鉴别*** | |
| Wu et al. | Design of online surface inspection system of hot rolled strips | |
| CN116092014A (zh) | 一种基于物联网设备的智能巡检控制方法及*** | |
| Wang et al. | Design of machine vision applications in detection of defects in high-speed bar copper | |
| Mazur et al. | Quality control system for a hot-rolled metal surface. | |
| WO2019073615A1 (ja) | 工事現場画像判定装置及び工事現場画像判定プログラム | |
| Trofimov | Multi-structural instrument for identifying surface defects on rails | |
| CN114187282A (zh) | 一种基于图像分割的篦冷机料层厚度测量方法 | |
| Prasetio et al. | Design of Defect Classification on Clay Tiles using Support Vector Machine (SVM) | |
| Normanton et al. | Developments in online surface and internal quality forecasting of continuously cast semis | |
| Pellegrini et al. | Successful use case applications of artificial intelligence in the steel industry | |
| CN118195367A (zh) | 基于数字孪生的板坯生产过程监测*** | |
| CN117787480B (zh) | 基于Res-LSTM的焊缝成形质量实时预测方法 | |
| Muntin et al. | Digitalization as the most important tool for the improvement of metallurgical technologies | |
| CN111250545B (zh) | 一种降低摆荡钢卷超厚率的控制***和方法 | |
| Bouché et al. | AMELIOS Suite or the Fives Digital Package for Carbon 4.0 | |
| Aghapanah et al. | A Survey of Deep learning in Advancing Steel Industry Standards | |
| Lenders et al. | Improving cold rolling mill performance with advanced data analytics | |
| Patra et al. | In-process detection of miniature size holes in cold-rolled steel strips | |
| CN114202525A (zh) | 一种基于机器视觉的智能制造产品检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |