TWI824834B - 連續輥軋製程檢測方法 - Google Patents
連續輥軋製程檢測方法 Download PDFInfo
- Publication number
- TWI824834B TWI824834B TW111144631A TW111144631A TWI824834B TW I824834 B TWI824834 B TW I824834B TW 111144631 A TW111144631 A TW 111144631A TW 111144631 A TW111144631 A TW 111144631A TW I824834 B TWI824834 B TW I824834B
- Authority
- TW
- Taiwan
- Prior art keywords
- roller
- abnormal
- data
- load
- forming
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008569 process Effects 0.000 title claims abstract description 60
- 238000007689 inspection Methods 0.000 title abstract 2
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000005096 rolling process Methods 0.000 claims description 43
- 238000001514 detection method Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 241000465010 Coracias benghalensis Species 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000003908 quality control method Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005242 forging Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003631 expected effect 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
- 238000012552 review Methods 0.000 description 1
- 238000007652 sheet-forming process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Reduction Rolling/Reduction Stand/Operation Of Reduction Machine (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本發明係有關於一種連續輥軋製程檢測方法,其主要係能在產線的運作中,進行製品量測及負荷監控,將所量測到的資料經由負荷預估演算法及AI訓練學習得到負荷及產品製程中異常狀態,透過資料庫與知識庫的判別,發現異常問題並提出解決方法(決策)進行調教,以提升產品良率,達到品質控管的成效,提升便利性及工作效率,而在其整體施行使用上更增實用功效特性者。
Description
本發明係有關於一種連續輥軋製程檢測方法,尤其是指一種能在產線的運作中,進行製品量測及負荷監控,將所量測到的資料經由負荷預估演算法及AI訓練學習得到負荷及產品製程中異常狀態,透過資料庫與知識庫的判別,發現異常問題並提出解決方法(決策)進行調教,以提升產品良率,達到品質控管的成效,提升便利性及工作效率,而在其整體施行使用上更增實用功效特性者。
按,連續輥軋係為一種生產長度較長、且大批量的等型零件之理想選擇,主要係為將長條金屬板〔如:捲鋼〕連續彎曲成所需橫截面的滾壓,其在操作上係令金屬板材通過安裝於機台上的多組輥輪,每組輥輪皆僅對金屬板材執行部分的彎曲增量,直到獲得所需的橫截面〔輪廓〕。
然而,上述連續輥軋製程雖可達到大批量生產長度較長的等型零件之預期功效,但也在其實際操作施行使用上發現,該製程在
對金屬板材成形過程中,操作人員並無法即時得知各組輥輪之間是否產生偏差值,往往需要等到所製作的零件成形後,方能得知該零件有變形情況發生,不僅極為耗費製程所需的時間,且於發現該零件有變形情況發生時,通常已經製作出一定數量的該零件,而會造成不必要的成本浪費,致令其在整體製程設計上仍存在有改進的空間。
另,有業者研發出公告於2017年12月21日之第I608879號「鍛造成型機、其調機管控模組、鍛造調機方法、內儲程式之電腦程式產品及電腦可讀取記錄媒體」,該鍛造成型機包含一模具,係於一時期經由一壓力傳遞途徑接受一壓力源,使一胚料鍛造成型;一壓感器,設置於該壓力傳遞途徑,用以感測該壓力傳遞途徑於該時期的壓力變化幅值,該壓力變化幅值隨時間形成具有n個峰值的一曲線,n≧1;及一控制器,電連接該壓感器,該控制器讀取一時變幅限區間作為該模具於該時期的壓力限值,依據該n個峰值之發生時間劃分(n+1)個時段,判斷該等時段內的壓力變化幅值是否介於該時變幅限區間,若判斷為是,輸出一正常代碼,若判斷為否,依據該壓力變化幅值非介於該時變幅限區間的時段組成之型態輸出一調機代碼。
又,請再參閱公告於2020年8月1日之第I700566號「扣件成型機之模具異常診斷方法及其電腦程式產品」,其中模具異常診斷方法是以正常樣本壓力感測資料與異常樣本壓力感測資料為
基礎,並使用生成對抗網路模型來生成對應正常模具至異常模具之漸變資料的仿製壓力感測資料。然後再透過這些資料來建立模具異常診斷模型,藉以達到預測標的模具的異常狀態的目的。
然,上述專利案雖皆可利用壓力感測方式得知模具是否異常,但其皆不具有AI自動訓練學習之功效,造成其使用功效上較為有所限制,致令其在整體製程設計上同樣存在有改進的空間。
緣是,發明人有鑑於此,秉持多年該相關行業之豐富設計開發及實際製作經驗,針對現有之缺失予以研究改良,提供一種連續輥軋製程檢測方法,以期達到更佳實用價值性之目的者。
本發明之主要目的在於提供一種連續輥軋製程檢測方法,其主要係能在產線的運作中,進行製品量測及負荷監控,將所量測到的資料經由負荷預估演算法及AI訓練學習得到負荷及產品製程中異常狀態,透過資料庫與知識庫的判別,發現異常問題並提出解決方法(決策)進行調教,以提升產品良率,達到品質控管的成效,提升便利性及工作效率,而在其整體施行使用上更增實用功效特性者。
第一圖:本發明之檢測流程示意圖
第二圖:本發明之負荷-位移圖
為令本發明所運用之技術內容、發明目的及其達成之功效有更完整且清楚的揭露,茲於下詳細說明之,並請一併參閱所揭之圖式及圖號:首先,請參閱第一圖本發明之檢測流程示意圖所示,本發明主要係包括下列步驟:
Ⅰ.安裝壓力感測模組至輥軋成形機上:
於該輥軋成形機之各組輥輪皆安裝有該壓力感測模組,該壓力感測模組包括至少一個壓力感測元件、至少一個固定裝置、資料截取器、資料處理器、資料輸出器,該壓力感測元件供感測輥輪之壓力值,該固定裝置供將該壓力感測元件固定於該輥輪上,該資料截取器供來接收該壓力感測元件所感測之數據,該資料處理器供解析及處理經由該資料截取器所截取該壓力感測元件之感測數據,判斷製程及該輥輪之異常狀態,包括狀態曲綫之特徵及範圍、將類比數據轉換為數位資料、轉換電壓負荷數據等,以作壓力監測,且可將資料更新儲存至資料庫,並能建立模型、重新訓練模型,而再做新的預測,該資料輸出器則供用來顯示壓力監測、製程及該輥輪之正常與異常狀態等資訊。
Ⅱ.建立連續輥軋製程及輥輪之正常與異常狀態資料庫(data base):
所建立的資料庫中包含:
i.連續輥軋製程特徵資料庫:截取連續輥軋製程成形資料並依該壓力感測模組預先建立連續輥軋製程特徵資料庫,以識別產品製程成形特徵,產品特徵包括開放輪廓(如:各式滑軌、導軌等)、封閉輪廓(如:各式圓管、方管、異型管等)及多個封閉輪廓(如:汽車保險桿內樑等)等特徵。
連續輥軋產品包括圓管、方管、異形管、汽車保險桿、滑軌、導軌等常見產品,利用成形過程中的負荷在時間序列中變化的過程,建立連續輥軋製程特徵資料庫,其成形特徵為:(1)圓管、方管:連續且穩定之負荷;(2)異形管:連續且穩定之負荷;(3)汽車保險桿:上升負荷至某一定值後,在固定的區間振盪,並在極短的時間內消退;(4)滑軌、導軌:負荷成階梯式上升至某一定值後,再以斜率上升,並在極短的時間內消退。
請再一併參閱第二圖本發明之負荷-位移圖所示,該第二圖中分別具有001、002、003三線段,其分別代表:001:為上界限,若超出此範圍即為異常狀態;002:為標準線;
003:為下界限,若低於此範圍即為異常狀態。
A.定義各成形站的成形特徵並預設上下限:各組輥輪的分佈情形,如該第二圖中之BD、Cage、FP、SQ,量測各組輥輪實際成形力,獲取壓力感測資料,透過負荷預估演算法,將獲取到的電壓值轉換為負荷,並繪製負荷-位移圖建立成形特徵曲線,再將特徵曲線上下偏移(3~5%)作為正常狀態的範圍值。
B.定義判別成形特徵方法(特徵點):根據特徵曲線上的切線斜率變化,建立特徵點及數量,利用線段串連的方式建立成形特徵曲線,藉由各特徵點的負荷-位移關係判別成形站數量。
C.測試、處理訊號、判別各組輥輪的特徵點、建立製程成形特徵模型:將獲取的壓力感測資料藉由負荷預估演算法形成負荷-位移圖,判別各組輥輪的特徵點,建立製程成形特徵模型。
D.開始輥軋、記錄訊號、校正穩定生產中製程成形特徵:開始紀錄穩定生產中的訊號(如2倍產線的長度),根據負荷-位移圖中震盪的幅度更新原始成形特徵的上下限。
E.即時判斷製程是否發生異常。
ii.產品製程下各組輥輪狀態特徵:以該第二圖中的特徵點定義各組輥輪狀態特徵,以多個特徵點的xy相對位置關係繪製曲線,定義標準值及偏差值,若製程下各組輥輪狀態特徵超出可容許誤差區間將判別為異常狀態,反之,若製程下各組輥輪狀態特徵落
在可容許誤差區間將判別為正常狀態。
(1)正常產品製程下各組輥輪狀態特徵:
A.圓管、方管:讀取最大負荷及負荷發生時間點,比對標準製程參數建立校正參數及模具標準狀態。
B.異形管:讀取最大負荷及負荷發生時間點,比對標準製程參數建立校正參數及模具標準狀態。
C.汽車保險桿:讀取最大負荷及負荷發生時間點,比對標準製程參數建立校正參數及模具標準狀態。
D.滑軌、導軌:讀取最大負荷及負荷發生時間點,比對標準製程參數建立校正參數及模具標狀態。
(2)異常產品製程下各組輥輪狀態特徵:
A.圓管:
(a)輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例(3%~5%)。
(b)輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例(3%~5%)。
(c)輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零。
(d)料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩
定負荷。
B.方管:
(a)輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例(3%~5%)。
(b)輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例(3%~5%)。
(c)輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零。
(d)料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩定負荷。
C.異形管:
(a)輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例(3%~5%)。
(b)輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例(3%~5%)。
(c)輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零。
(d)料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩定負荷。
D.汽車保險桿:
(a)輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例(3%~5%)。
(b)輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例(3%~5%)。
(c)輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零。
(d)料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩定負荷。
E.滑軌、導軌:
(a)輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例(3%~5%)。
(b)輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例(3%~5%)。
(c)輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零。
(d)料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩定負荷。
將製程及各組輥輪異常狀態之標準特徵進行編碼。
Ⅲ.建立連續輥軋製程知識庫(knowledge base):
將連續輥軋製程中可能會遇到的製程問題與解決方法,儲存於知識庫,經由AI機器學習將在製程中所得到異常狀態成形資料特徵模型與知識庫進行AI機器訓練,得到連續輥軋製程中異常狀態的解決方案,並更新知識庫,依照不同產線的要求,應用在不同的產業,得到不同的工程意義。其中:
建立製程問題:
i.輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例(3%~5%)。
ii.輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例(3%~5%)。
iii.輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零。
iv.料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩定負荷。
解決方法:
i.輥輪磨耗:更換輥輪、調整輥輪間隙、修整輥輪。
ii.輥輪間隙異常:調整輥輪間隙、修整輥輪。
iii.輥輪或軸承破損:立即停機,更換輥輪或軸承。
iv.料條厚度異常:檢查板料整平機是否出現異常。
Ⅳ.量測各組輥軋實際成形力,獲取壓力感測資料並建立成形資料特徵模型及其編碼:
經由各該壓力感測模組量測各組輥軋實際成形力,將獲取的壓力感測資料經由負荷預估演算法以圖表型式(負荷-位移圖)建立成形資料特徵模型,並自動生成編碼。
Ⅴ.與內建標準連續輥軋製程及各組輥軋狀態資料庫進行分析比對並更新資料庫資料:
將成形資料特徵模型與內建標準連續輥軋製程及各組輥軋狀態資料庫進行分析比對(機械學習),判斷屬於連續輥軋中的何種產品製程,接著判斷是否為正常狀態或異常狀態,並更新資料庫資料。
Ⅵ.異常狀態回饋修正並更新知識庫:
如判斷為異常狀態,將與內建連續輥軋製程知識庫進行分析比對判斷屬於何種異常問題並更新知識庫。
Ⅶ.輸出解決方法(決策),進行調教,持續檢測:
經由與知識庫的判別,發現異常問題並輸出解決方法(決策)進行各組輥軋或機台調教並持續檢測,應用在不同的產業,得到不同的工程意義,以提升產品良率,達到品質控管的成效,提升便利性及工作效率。
如此一來,使得本發明即可透過AI演算法、該壓力感測模組,建立模組化資訊平臺,以提供一種量測與智慧監控方法,在產線的運作中,進行製品量測及負荷監控,將所量測到的資料經由負荷預估演算法及AI訓練學習得到負荷及產品製程中異常狀態,透過資料庫與知識庫的判別,發現異常問題並提出解決方法(決策)進行調教,應用在不同的產業,得到不同的工程意義,以提升產品良率,達到品質控管的成效,提升便利性及工作效率。
藉由以上所述,本發明結構之組成與使用實施說明可知,本發明與現有結構相較之下,本發明主要係能在產線的運作中,進行製品量測及負荷監控,將所量測到的資料經由負荷預估演算法及AI訓練學習得到負荷及產品製程中異常狀態,透過資料庫與知識庫的判別,發現異常問題並提出解決方法(決策)進行調教,以提升產品良率,達到品質控管的成效,提升便利性及工作效率,而在其整體施行使用上更增實用功效特性者。
然而前述之實施例或圖式並非限定本發明之產品結構或使用方式,任何所屬技術領域中具有通常知識者之適當變化或修飾,皆應視為不脫離本發明之專利範疇。
綜上所述,本發明實施例確能達到所預期之使用功效,又其所揭露之具體構造,不僅未曾見諸於同類產品中,亦未曾公開於申請前,誠已完全符合專利法之規定與要求,爰依法提出發明專利之申請,懇請惠予審查,並賜准專利,則實感德便。
Claims (7)
- 一種連續輥軋製程檢測方法,其主要係包括下列步驟:Ⅰ.安裝壓力感測模組至輥軋成形機上:於該輥軋成形機之各組輥輪皆安裝有該壓力感測模組,以供感測輥輪之壓力值,且經由解析及處理所感測之數據,判斷製程及該輥輪之異常狀態,以作壓力監測;Ⅱ.建立連續輥軋製程及輥輪之正常與異常狀態資料庫(data base):所建立的資料庫中包含:i.連續輥軋製程特徵資料庫:截取連續輥軋製程成形資料並依該壓力感測模組預先建立連續輥軋製程特徵資料庫,以識別產品製程成形特徵;A.定義各成形站的成形特徵並預設上下限:量測各組輥輪實際成形力,獲取壓力感測資料,透過負荷預估演算法,將獲取到的電壓值轉換為負荷,並繪製負荷-位移圖建立成形特徵曲線,再將特徵曲線上下偏移一定值作為正常狀態的範圍值;B.定義判別成形特徵方法(特徵點):根據特徵曲線上的切線斜率變化,建立特徵點及數量,利用線段串連的方式建立成形特徵曲線,藉由各特徵點的負荷-位移關係判別成形站數量; C.測試、處理訊號、判別各組輥輪的特徵點、建立製程成形特徵模型:將獲取的壓力感測資料藉由負荷預估演算法形成負荷-位移圖,判別各組輥輪的特徵點,建立製程成形特徵模型;D.開始輥軋、記錄訊號、校正穩定生產中製程成形特徵:開始紀錄穩定生產中的訊號,根據負荷-位移圖中震盪的幅度更新原始成形特徵的上下限;E.即時判斷製程是否發生異常;ii.產品製程下各組輥輪狀態特徵:以特徵點定義各組輥輪狀態特徵,以多個特徵點的xy相對位置關係繪製曲線,定義標準值及偏差值,若製程下各組輥輪狀態特徵超出可容許誤差區間將判別為異常狀態,反之,若製程下各組輥輪狀態特徵落在可容許誤差區間將判別為正常狀態;將製程及各組輥輪異常狀態之標準特徵進行編碼;Ⅲ.建立連續輥軋製程知識庫(knowledge base):將連續輥軋製程中可能會遇到的製程問題與解決方法,儲存於知識庫,經由AI機器學習將在製程中所得到異常狀態成形資料特徵模型與知識庫進行AI機器訓練,得到連續輥軋製程中異常狀態的解決方案,並更新知識庫,依照不同產線的要求,應用在不同的產業,得到不同的工程意義; Ⅳ.量測各組輥軋實際成形力,獲取壓力感測資料並建立成形資料特徵模型及其編碼:經由各該壓力感測模組量測各組輥軋實際成形力,將獲取的壓力感測資料經由負荷預估演算法以圖表型式建立成形資料特徵模型,並自動生成編碼;Ⅴ.與內建標準連續輥軋製程及各組輥軋狀態資料庫進行分析比對並更新資料庫資料:將成形資料特徵模型與內建標準連續輥軋製程及各組輥軋狀態資料庫進行分析比對,判斷屬於連續輥軋中的何種產品製程,接著判斷是否為正常狀態或異常狀態,並更新資料庫資料;Ⅵ.異常狀態回饋修正並更新知識庫:如判斷為異常狀態,將與內建連續輥軋製程知識庫進行分析比對判斷屬於何種異常問題並更新知識庫;Ⅶ.輸出解決方法(決策),進行調教,持續檢測:經由與知識庫的判別,發現異常問題並輸出解決方法(決策)進行各組輥軋或機台調教並持續檢測。
- 如請求項1所述連續輥軋製程檢測方法,其中,該壓力感測模組包括至少一個壓力感測元件、至少一個固定裝置、資料截取器、資料處理器、資料輸出器,該壓力感測元件供感測輥輪之壓力值,該固定裝置供將該壓力感測元件固定於該輥輪上,該資料截取器供來接收該壓力感測元件所感測之數據, 該資料處理器供解析及處理經由該資料截取器所截取該壓力感測元件之感測數據,判斷製程及該輥輪之異常狀態,以作壓力監測,且可將資料更新儲存至資料庫,並能建立模型、重新訓練模型,而再做新的預測,該資料輸出器則供用來顯示壓力監測、製程及該輥輪之正常與異常狀態等資訊。
- 如請求項1所述連續輥軋製程檢測方法,其中,該特徵曲線上下偏移值為3~5%,以作為正常狀態的範圍值。
- 如請求項1所述連續輥軋製程檢測方法,其中,該產品特徵包括有開放輪廓、封閉輪廓、多個封閉輪廓任一種。
- 如請求項1所述連續輥軋製程檢測方法,其中,於ii.產品製程下各組輥輪狀態特徵步驟中,正常產品製程下各組輥輪狀態特徵係為讀取最大負荷及負荷發生時間點,比對標準製程參數建立校正參數及模具標準狀態。
- 如請求項1所述連續輥軋製程檢測方法,其中,於ii.產品製程下各組輥輪狀態特徵步驟中,異常產品製程下各組輥輪狀態特徵係為:(a)輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例;(b)輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例;(c)輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零; (d)料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩定負荷。
- 如請求項1所述連續輥軋製程檢測方法,其中,於Ⅲ.建立連續輥軋製程知識庫(knowledge base)步驟中,建立製程問題為:i.輥輪磨耗:輥輪最大負荷逐漸降低達標準值某一比例;ii.輥輪間隙異常:輥輪最大負荷急遽升降達標準值某一比例;iii.輥輪或軸承破損:輥輪最大負荷瞬間異常急遽升降並歸零;iv.料條厚度異常:輥輪最大負荷穩定升降至一定值並維持穩定負荷;而解決方法則為:i.輥輪磨耗:更換輥輪、調整輥輪間隙、修整輥輪;ii.輥輪間隙異常:調整輥輪間隙、修整輥輪;iii.輥輪或軸承破損:立即停機,更換輥輪或軸承;iv.料條厚度異常:檢查板料整平機是否出現異常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111144631A TWI824834B (zh) | 2022-11-22 | 2022-11-22 | 連續輥軋製程檢測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111144631A TWI824834B (zh) | 2022-11-22 | 2022-11-22 | 連續輥軋製程檢測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI824834B true TWI824834B (zh) | 2023-12-01 |
TW202421295A TW202421295A (zh) | 2024-06-01 |
Family
ID=90053075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111144631A TWI824834B (zh) | 2022-11-22 | 2022-11-22 | 連續輥軋製程檢測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI824834B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW266168B (zh) * | 1994-03-11 | 1995-12-21 | Kawasaki Seitestu Kk | |
CN103357669A (zh) * | 2012-03-27 | 2013-10-23 | 上海梅山钢铁股份有限公司 | 一种板形模型预测控制方法 |
WO2020213542A1 (ja) * | 2019-04-19 | 2020-10-22 | 日本製鉄株式会社 | 被圧延材の蛇行制御方法 |
CN113474098A (zh) * | 2019-02-21 | 2021-10-01 | 杰富意钢铁株式会社 | 轧制载荷预测方法、轧制载荷预测装置及轧制控制方法 |
US11294338B2 (en) * | 2016-09-13 | 2022-04-05 | Primetals Technologies Germany Gmbh | Use of comprehensive artificial intelligence in primary industry plants |
CN115169453A (zh) * | 2022-06-30 | 2022-10-11 | 东北大学 | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 |
-
2022
- 2022-11-22 TW TW111144631A patent/TWI824834B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW266168B (zh) * | 1994-03-11 | 1995-12-21 | Kawasaki Seitestu Kk | |
CN103357669A (zh) * | 2012-03-27 | 2013-10-23 | 上海梅山钢铁股份有限公司 | 一种板形模型预测控制方法 |
US11294338B2 (en) * | 2016-09-13 | 2022-04-05 | Primetals Technologies Germany Gmbh | Use of comprehensive artificial intelligence in primary industry plants |
CN113474098A (zh) * | 2019-02-21 | 2021-10-01 | 杰富意钢铁株式会社 | 轧制载荷预测方法、轧制载荷预测装置及轧制控制方法 |
WO2020213542A1 (ja) * | 2019-04-19 | 2020-10-22 | 日本製鉄株式会社 | 被圧延材の蛇行制御方法 |
CN115169453A (zh) * | 2022-06-30 | 2022-10-11 | 东北大学 | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108817103B (zh) | 一种轧钢模型钢族层别分类优化方法 | |
US20240184956A1 (en) | Prediction method of crown of steel plates and strips based on data driving and mechanism model fusion | |
CN102107224B (zh) | 热轧生产中判断测厚仪和热轧板厚度异常的方法 | |
CN100357953C (zh) | 金属板带自动矫直工艺参数的优化方法 | |
AU2020103881A4 (en) | A Diagnosis Method of Train Body Assembly Deviation in the Manufacturing Process of High-Speed Train | |
DE102012103652A1 (de) | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit | |
CN116651971B (zh) | 一种汽车冲压模具在线检测方法及*** | |
CN113102516B (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
CN113843288B (zh) | 一种棒线轧制过程负公差预测方法及*** | |
CN117086117B (zh) | 一种钛带热轧过程温度控制方法及*** | |
CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
CN101417292A (zh) | 依托常规轧制模型控制中低牌号电工钢轧制的方法 | |
Tatipala et al. | Data-driven modelling in the era of Industry 4.0: A case study of friction modelling in sheet metal forming simulations | |
TWI824834B (zh) | 連續輥軋製程檢測方法 | |
Nastran et al. | Stabilisation of mechanical properties of the wire by roller straightening | |
Agarwal et al. | On line prediction of surface defects in hot bar rolling based on Bayesian hierarchical modeling | |
CN117724433A (zh) | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 | |
KR100660231B1 (ko) | 연속압연공정의 강판의 최적 목표형상 설정방법 | |
TW202421295A (zh) | 連續輥軋製程檢測方法 | |
CN115106384B (zh) | 一种基于随机森林的厚板轧制辊缝校正方法 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
CN116037705A (zh) | 冷冲压模具工作状态实时监控*** | |
KR100467231B1 (ko) | 냉간 조질압연에서의 압연하중 예측방법 | |
CN117505551B (zh) | 用于异型钢连轧工艺的工件质量控制方法及*** | |
CN114996859B (zh) | 用于车轮钢圈智能制造的智能设备控制*** |