بررسی پارامترهای تأثیرگذار در ایجاد عیب چسبندگی ورق‌های فولادی تحت نورد سرد با کشف دانش از داده‌های فرآیندی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی صنایع، دانشکده مهندسی دانشگاه کاشان، کاشان، ایران

2 استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران

3 استاد دانشکده مهندسی صنایع، دانشگاه صنعتی اصفهان، اصفهان، ایران

4 کارشناس شرکت فولاد مبارکه، اصفهان، ایران

چکیده

بهبود کیفیت تولید با بهینه‌سازی شرایط تولید، یک هدف مستمر برای همه شرکت‌های صنعتی-تولیدی است. کاهش ضایعات و محصولات معیوبی که در اثر عوامل کنترلی در فرآیندهای تولید ایجاد می‌شوند، همواره از اهداف مدیران شرکت است. فرآیندهای تولید شرکت‌های فولادسازی نیز از این موضوع مستثنا نیستند. یکی از عیوب سطحی ورق‌های فولادی، عیب چسبندگی است که نوعی جوش‌خوردگی لایه‌ها بوده که در خط تولید در حین باز شدن کلاف آنیل شده و درصورتی‌که نیروی موردنیاز جهت باز کردن کلاف بیش از استحکام تسلیم باشد، اتفاق می‌افتد. در صورت بروز این عیب در ورق‌های فولادی، هزینه‌های سنگینی به شرکت‌های فولادسازی وارد می‌شود. در راستای کاهش عیب چسبندگی می‌توان داده‌های عملیاتی فرآیندی را تجزیه‌وتحلیل و پردازش کرد؛ به‌گونه‌ای که انعکاس‌دهنده مشخصه‌های تأثیرگذار بر عیب باشد. برای هدایت این کار می‌توان تکنیک‌های داده‌کاوی را مورد بهره‌برداری قرار داد؛ چراکه این تکنیک‌ها قادرند دانش را بازیابی کرده و به استخراج قواعد عملیاتی از یک مجموعه داده بپردازند. داده‌های عملیاتی از مجموعه داده‌های غیرمتمرکز یک شرکت فولادی گرفته شد و بر اساس متدولوژی استاندارد CRISP-DM مورد تجزیه‌وتحلیل قرار گرفت. مجموعه داده تحت بررسی یک مجموعه داده نامتوازن بوده که با استفاده از ابزارهای شبکه عصبی، رگرسیون لجستیک، ماشین‌های بردار پشتیبان و درخت تصمیم C5.0 مورد تجزیه‌وتحلیل قرار گرفت که بالاترین دقت، مربوط به درخت تصمیم C5.0 بوده است. بر این اساس، از درخت تصمیم، قوانینی استخراج شد که با تجارب کارشناسان خبره نیز چک و کنترل گردید. نتایج به‌دست‌آمده نشان داد که بهره‌گیری از داده‌کاوی برای تجزیه‌وتحلیل پارامترهای مؤثر بر عیوب می‌تواند منجر به بهبود کیفیت گردد؛ زیرا از این رویکرد می‌توان برای تنظیم پارامترهای عملیاتی فرآیندهای تولیدی استفاده نمود.  

کلیدواژه‌ها


عنوان مقاله [English]

Investigation of the effective parameters causing stickers in cold rolling mill steel by knowledge discovery from process data

نویسندگان [English]

  • Mohammad Taghi Rezvan 1
  • Mostafa Abouei 2
  • Ali Hamedani 3
  • Ali Akbar Bateni 4
1 .
2 .
چکیده [English]

Improving the quality of products by optimizing production procedures is a continuous goal for all industrial-manufacturing companies. Reducing waste and defective products through controlling factors in production processes is always a goal of managers’ steel companies. One of the surface defects appears in steel coils is sticker issue, which is a kind of layers welding that occurs in the production line during the opening of the annealed coil when the force required to open the coil is greater than the Surrender Strength. To reduce the stickers’ issue, operational data of the production process of cold rolling analyzed and presented in a fashion that reflects the effective features create this defect. For this purpose, data mining techniques can be exploited, because these techniques can retrieve knowledge and extract operational rules from a dataset. The dataset under examine was analyzed using neural network, logistic regression, support vector machines, and decision trees. Experimental results reveal the highest accuracy is related to decision tree C5.0. Accordingly, from this decision tree, rules were extracted which were checked and controlled by the experts. The results showed that the use of data mining to analyze the parameters affecting sticker defects can lead to improved quality, because this approach can be used to adjust the operational parameters of the manufacturing processes.

کلیدواژه‌ها [English]

  • Data mining Sticking defect
  • decision tree
  • Knowledge discovery
  • logistic regression
  • Neural Network
  • Support Vector Machine

Agarwal, K., and·Shivpuri, R. 2013. “On line prediction of surface defects in hot bar rolling based on Bayesian hierarchical modeling”. Journal of Intelligent Manufacturing 26(4): 785-800.

Chen, W. C., Tseng, S. S., and Wang, C. Y. 2005. “A Novel manufacturing defect detection method using association rule mining techniques”. Expert System with Applications 29: 807-815.

Choudhary, A. K., Tiwari, M. K., and Harding, J. A. 2009. “Data Mining in Manufacturing: A Review Based on the Kind of Knowledge”. Journal of Intelligent Manufacturing 20(5): 501-521.

Deng, Z. H., Zhang, X. H., Liu, W., and Cao, H. 2009. “A hybrid model using genetic algorithm and neural network for process parameters optimization in NC camshaft grinding”. International Journal of Advanced Manufacturing Technology 45(9-10): 859–866.

Kusiak, A. and Kurasek, C., 2001.” Data Mining of Printed Circuit Board defects”. IEEE Transactions on Robotics and Automation 17(2):191-196.

Olsen, D.L.and Delen, D., 2008. “Advanced data mining techniques”, Springer.  

Paralikas, J., Salonitis, K., and Chryssolouris, G. 2009. “Optimization of the roll forming process parameters—a semi empirical approach”. International Journal of Advanced Manufacturing Technology 47(9–12): 1041–1052.

Pérez, D., García-Fernández, F.J., Díaz, I., Cuadrado A.A., Ordonez, D.G., Díez, A.B., and Domínguez, M. 2013. “Visual analysis of a cold rolling process using a dimensionality reduction approach”. Engineering Applications of Artificial Intelligence 26: 1865–1871.

Sedighi, M., & Afshari, D. 2010. “Creep feed grinding optimization by an integrated GA-NN system”. Journal of Intelligent Manufacturing 21(6): 657–663.

Tsai, C. Y., Chiu, C. C., and Chen, J. S. 2006. “A Case based reasoning system for PCB defect prediction”. Expert Systems with Applications 28: 813-822.

Tseng, T. L., Jothishanker, M. C., and Wu, T. 2004. Quality Control Problem in Printed Circuit Board Manufacturing–An Extended Rough Set Theory Approach”, Journal of Manufacturing System 23(1): 56-72.

Valavanis, I., and Kosmopoulos, D., 2010. “Multiclass defect detection and classification in weld radiographic images using geometric and texture features”. Expert Systems with Applications 37(12): 7606-7614.

Wang, C. H., Kuo, W., and Bensmail, H., 2006. “Detection and classification of defects patterns on semiconductor wafers”. IIE Transactions 38: 1059-1068.

Wendt, P., Frech, W., and Leifgen, U. 2007. “Cold rolling defect, “stickers” and countermeasures”. Heat processing 5(2): 127-135.

Yang, S. Y., Tansel, I. N., and Kropas-Hughes, C. V. 2003. “Selection of optimal material and operating conditions in composite manufacturing. Part I: Computational tool”. International Journal of Machine Tools & Manufacture 43(2): 169–173.

Yazdchi, M. R., Golibagh Mahyari, A., and Nazeri, A. 2008. “Detection and Classification of Surface Defects of Cold Rolling Mill Steel Using Morphology and Neural Network”. International Conference on Computational Intelligence for Modelling Control & Automation, IEEE.

Za´rate, L.E., and Dias, S.M. 2009. “Qualitative behavior rules for the cold rolling process extracted from trained ANN via the FCANN method”. Engineering Applications of Artificial Intelligence 22: 718–731.

Zhang, X.H., Deng, Z.H., Liu, W., and Cao, H. 2013. “Combining rough set and case based reasoning for process conditions selection in camshaft grinding”. Journal of Intelligent Manufacturing 24: 211–224.