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]
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]