V diplomskem delu smo prikazali moˇznost optimizacije procesa hladnega valja-nja na podlagi analize arhivskih procesnih podatkov. Predlagali in identificirali smo tri tipe modelov procesa hladnega valjanja, ki se po uporabnosti razlikujejo glede na nabor informacij, ki so na voljo v doloˇcenem trenutku. Identificirani mo-deli omogoˇcajo napovedovanje izhodne kakovosti pred priˇcetkom valjanja, pred naslednjim prevlekom ali med trenutnim prevlekom.
Za namene demonstracije uporabe razvitih modelov smo razvili tudi upo-rabniˇsko orodje, ki bi operaterjem lahko sluˇzilo kot simulacijsko okolje za pre-verjanje razliˇcnih nastavitev receptov in kot namenski optimizacijski program za nastavljanje parametrov recepta glede na znaˇcilnosti posameznega obdelovanca – kolobarja.
V obliki ˇce-potem (ang. if-then) pravil smo formalizirali tudi logiko odloˇcanja operaterjev za korekcijo parametrov recepta, tj. korekcija sile nategov navijalni-kov, na podlagi katerih je moˇzen enostavnejˇsi prenos znanj na nove operaterje, saj dobljena pravila formalizirajo sploˇsno prakso, ki jo operaterji uporabljajo pri odloˇcanju za spremembo recepta.
Razvita operaterska orodja ter predlagani modeli niso vezani na specifiˇcne lastnosti obravnavane valjavske naprave, temveˇc temeljijo zgolj na meritvah, ki jih je moˇzno izvajati na podobnih napravah. S tem je – z modifikacijami – omogoˇcena prenosljivost na podobne valjavske naprave.
Rezultati modelov procesa, ki so predstavljeni v 4. poglavju so vzpodbudni za testno implementacijo razvitih operaterskih orodij v proizvodni proces. Naj-obetavnejˇse orodje je Optimizator, ki predlaga optimalne nastavitve recepta na 91
podlagi napovedi modela iz skupineModel 1 in ponuja tako “offline” uporabo za kasnejˇso vrednotenje in preizkuˇsanje uporabljenih nastavitev recepta kot “online”
uporabo za optimizacijo nastavitev recepta ˇse pred priˇcetkom valjanja.
Uspeˇsnost modelov zaˇcne naraˇsˇcati z zaporednimi prevleki, kar si razlagamo z vse veˇcjim vplivom trenutnih pogojev obdelave kolobarja. Moˇznost za izboljˇsavo mere uspeˇsnosti modelov pri niˇzjih prevlekih je v upoˇstevanju tudi preˇcnega pro-fila kolobarja, ki ga v tem delu nismo upoˇstevali.
Priloˇznost za nadaljnje delo je v integraciji orodij v sam proces ter razvoju funkcionalnosti za sprotno evaluacijo ter avtomatsko posodabljanje modelov. Z uporabo modelov ter sprotne evaluacije bi bila moˇzna tudi analiza opreme valja-vskega ogrodja in implementacije storitev prediktivnega vzdrˇzevanja.
Moˇznost nadaljnjega dela pri identifikaciji le najboljˇsih operaterskih praks je v analizi smiselnosti izvedenih korekcij receptov, s katero bi prepreˇcili uˇcenje modela na vzorcih, ki niso del dobrih praks operaterjev.
[1] “Optimization and performance improving in metal industry by digital tech-nologies – INEVITABLE.” Dosegljivo: http://inevitable-project.eu/.
[Dostopano: 16. 5. 2021].
[2] G. MAY in D. Kiritsis, “Zero Defect Manufacturing Strategies and Plat-form for Smart Factories of Industry 4.0,” v Lecture Notes in Mechanical Engineering, str. 142–152, maj 2019.
[3] S. Garc´ıa, J. Luengo in F. Herrera, Data Preprocessing in Data Mining, vol. 72 of Intelligent Systems Reference Library. Springer International Pu-blishing, 2015.
[4] J. Han in M. Kamber, Data Mining : Concepts and Techniques. San Fran-cisco [u.a.]: Kaufmann, 2005.
[5] C. S. Thirumalai, V. Manickam in R. Balaji, “Data analysis using Box and Whisker Plot for Lung Cancer,” v2017 Innovations in Power and Advanced Computing Technologies (i-PACT), vol. 8, str. 1–6, apr 2017.
[6] J. Brownlee, “How to Choose a Feature Selection Method For Machine Learning.” Dosegljivo: https://machinelearningmastery.com/
feature-selection-with-real-and-categorical-data/, 2019. [Dosto-pano: 27. 4. 2021].
[7] “Regression Analysis: An Intuitive Guide.”
Do-segljivo: https://statisticsbyjim.com/regression/
regression-analysis-intuitive-guide/. [Dostopano: 27.4.2021].
[8] W. N. Wieringen, “Lecture notes on ridge regression,” arXiv: Methodology, sep 2015.
93
[9] A. Juriˇsi´c, “Statistiˇcno sklepanje.” Dosegljivo: http://lkrv.fri.uni-lj.
si/~ajurisic/stat10/folije/z3.pdf, 2010. [Dostopano: 29.4.2021].
[10] T. Robiˇc in B. Filipiˇc, “Veˇckriterijsko optimiranje z genetskimi algoritmi in diferencialno evolucijo,” IJS-DP 9065, Jozef Stefan Institute, 2005.
[11] M. Dudjak in G. Martinovic, “In-Depth Performance Analysis of SMOTE-Based Oversampling Algorithms in Binary Classification,”International jo-urnal of electrical and computer engineering systems, vol. 11, str. 13–23, apr.
2020.
[12] M. Sokolova in G. Lapalme, “A systematic analysis of performance measu-res for classification tasks,” Information Processing & Management, vol. 45, str. 427–437, julij 2009.
[13] S. Ray,Principles and Applications of Metal Rolling. Cambridge: Cambridge University Press, 2016.
[14] A. Bhaduri, Mechanical Properties and Working of Metals and Alloys, vol. 264. Springer Singapore, 2018.
[15] M. Karim, M. Khadir in Tarek, “Predictive Functionnal Control of a Sen-dzimir cold rolling mill,” jan. 2007.
[16] J. Ringwood, “Shape control systems for Sendzimir steel mills,” Control Systems Technology, IEEE Transactions on, vol. 8, str. 70–86, feb. 2000.
[17] “Automatic Gauge Control (AGC).” Dosegljivo: https://www.koteko.
se/vara-tjanster/automatic-gauge-control-agc/. [Dostopano: 29. 4.
2021].
[18] F. Miheliˇc, Signali. Ljubljana: UL Fakulteta za elektrotehniko, 2014. Do-segljivo: http://luks.fe.uni-lj.si/nluks/wp-content/uploads/2014/
11/Signali.pdf. [Dostopano: 1.6.2021].
[19] D. Zwillinger in S. Kokoska, CRC standard probability and statistics tables and formulae. Boca Raton: Chapman & Hall/CRC, 2000.
[20] “Basics - SALib.” Dosegljivo: https://salib.readthedocs.io/en/
latest/basics.html. [Dostopano: 3. 5. 2021].
[21] X.-Y. Zhang, M. Trame, L. Lesko in S. Schmidt, “Sobol Sensitivity Analysis:
A Tool to Guide the Development and Evaluation of Systems Pharmacology Models,” CPT: Pharmacometrics & Systems Pharmacology, vol. 4, str. 69–
79, feb. 2015.
[22] G. E. A. P. A. Batista, A. C. P. L. F. Carvalho in M. C. Monard, “Applying one-sided selection to unbalanced datasets,” v MICAI 2000: Advances in artificial intelligence (O. Cair´o, L. E. Sucar in F. J. Cantu, ur.), (Berlin, Heidelberg), str. 315–325, Springer Berlin Heidelberg, 2000.
97
Tabela A.1: Rezultati obˇcutljivostne analize modela model 1.
znaˇcilka S1 S1α ST STα
velocity mdr 0,114685 0,069886 0,226848 0,047941 tension en 0,133189 0,062850 0,288664 0,068821 tension ex 0,011097 0,017610 0,020515 0,004275 h exit ref 0,052159 0,026481 0,054176 0,012778 h entry ref 0,009473 0,015269 0,013551 0,002786 h reduced -0,003902 0,010000 0,005090 0,001070 pass nr 0,189654 0,067289 0,229300 0,046130 dh entry 0,012712 0,025428 0,058950 0,016766 CU 0,001659 0,024870 0,028488 0,007005 dm bur 0,000179 0,007033 0,005117 0,001291 dh entry std 0,008746 0,035487 0,111445 0,033230 SN 0,127036 0,076445 0,241434 0,052476 NB -0,001515 0,012783 0,010696 0,002640 PB 0,000315 0,011623 0,014103 0,003310 W 0,003369 0,020166 0,022056 0,006041 TA 0,001662 0,009705 0,004735 0,001319 tr en diam 0,017202 0,026933 0,071349 0,014921 CE 0,000461 0,011749 0,005388 0,001566 tr ex diam 0,009430 0,023184 0,037920 0,010903 GRADE 0,000142 0,004304 0,001109 0,000250
Kratica S1 v tabeli A.1 predstavlja indeks prvega reda, ST pa skupni indeks obˇcutljivostne analize. Kratici S1α in STα pa predstavljata stopnji tveganja v 99
rezultatih analize.
Tabela B.1: Izbrane znaˇcilke – model 1.
model1 velocity mdr tension en tension ex h exit ref h entry ref h reduced pass nr dh entry CU
dm bur dh entry std SN
NB PB W TA
tr en diam CE
tr ex diam GRADE
Znaˇcilkidh entryindh entry std sta izraˇcunani na podlagi arhivskih podatkov vhodne meritve merilnika debeline, ki je enakovredna izhodni meritvi merilnika debeline na predhodni liniji obdelave obravnavanega kolobarja. Torej sta znaˇcilki 101
znani pred priˇcetkom prvega prevleka na valjavski napravi Sendzimir.
Tabela B.2: Izbrane znaˇcilke – model 2.
model2 2 model2 3 model2 4 model2 5
velocity mdr velocity mdr velocity mdr velocity mdr
tension en tension en tension en tension en
tension ex tension ex tension ex tension ex
dh entry std dh entry std dh entry std dh entry std
dh exit abs dh exit abs dh exit abs dh exit abs
dh entry max dh entry max dh entry max dh entry max dh entry min dh entry min dh entry min dh entry min
dm bur ex dm bur ex dm bur ex dm bur ex
rgc act std ex rgc act std ex rgc act std ex rgc act std ex rgc pos act std ex rgc pos act std ex rgc pos act std ex rgc pos act std ex tr en diam ex tr ex diam ex tr ex diam ex tr ex diam ex velocity mdr std ex velocity mdr std ex tr en diam ex rgc act min ex
Tabela B.3: Izbrane znaˇcilke – model 3.
model3 1 model3 2 model3 3 model3 4 model3 5
velocity mdr velocity mdr velocity mdr velocity mdr velocity mdr tension en tension en tension en tension en tension en tension ex tension ex tension ex tension ex tension ex rgc pos act std rgc pos act std rgc pos act std rgc pos act std rgc pos act std dh entry std dh entry std dh entry std dh entry std dh entry std rgc act std rgc act std rgc act std rgc act std rgc act std por diam dh entry max dh entry max dh entry max dh entry max dh entry min dh entry min dh entry min dh entry min dh entry min fwd slip std velocity mdr min fwd slip std fwd slip std fwd slip std AgcCg std velocity mdr max AgcCg std AgcCg std AgcCg std rgc act min velocity mdr med tr en diam tr ex diam rgc act min AgcCm std rgc pos act min AgcCm std AgcCm std AgcCm std
Tabela B.4: Izbrane znaˇcilke – identifikacija operaterske prakse.
ANOVA Kendall-ov rang
dh en max abs a 100 fwd slip min b 100 fwd slip std b 100 fwd slip min b 50 dh en max abs a 50 fwd slip std b 100 fwd slip std b 20 fwd slip std b 50 fwd slip std b 50 fwd slip std b 10 fwd slip std b 10 fwd slip std b 20 fwd slip min b 100 fwd slip min b 20 dh en std a 50 dh en mean abs a 200 dh en std a 100 fwd slip min b 10 dh en max abs a 20 dh en mean abs a 100 dh en max abs b 100 dh en mean abs a 50 fwd slip min b 50 dh en mean abs b 200 dh en max abs b 50 dh ex mean abs b 100 dh en max abs a 10 dh ex mean abs b 50 dh en max abs b 20 dh en mean abs a 20 dh en max abs b 10 dh en mean abs b 10 dh en std a 20 dh en mean abs b 50 dh en std a 10 dh ex mean abs b 20 fwd slip min b 20 dh ex mean abs b 10 dh en mean abs b 10 dh en mean abs b 20
Slike prikazujejo uspeˇsnost modelov na testnih mnoˇzicah podatkov, ki niso bile uporabljene v fazi identifikacije modelov.
0 10 20 35 40 50
vzorec [/]
0 5 10
dh[µm]
R
2mera uspeˇsnosti: 0.8686
prava napovedana
0 5 10
prava dh [µm]
0 5 10
napoveddh[µm]