توصيفگر ها :
نورد سرد , چتر , سرعت بحراني , پيش‌بيني , يادگيري ماشين
چكيده فارسي :
پديده چتر در نورد سرد ورق‌هاي فولادي با مقاومت بالا، نازك و با سرعت‌هاي بالا رخ مي‌دهد. چتر باعث ايجاد عيوب مختلف بر روي محصول نهايي و آسيب به دستگاه نورد مي‌شود. معمولا كنترل چتر از طريق كاهش دادن سرعت نورد است كه باعث كاهش بهره‌وري كارخانه مي‌شود. هدف اين پژوهش شناسايي چتر و پيش‌بيني سرعت وقوع چتر با استفاده از پارامترهاي فرايند نورد و مدل‌هاي يادگيري ماشين است. اين پژوهش بر روي يك دستگاه نورد سرد دو قفسه‌اي شركت فولاد مباركه انجام شده است. در اين پژوهش از يك مدل شبيه‌ساز چتر كه براي اين دستگاه نورد در پژوهش‌هاي قبلي ايجاد شده است، استفاده مي‌شود. در بخش اول داده‌هاي مدل‌سازي بر اساس مقدار سرعت‌شان برچسب‌گذاري مي‌شوند و سپس مدل‌هاي طبقه‌بند k نزديك‌ترين همسايگي، درخت تصميم، جنگل تصادفي، تقويت سازگار و تقويت شيب آموزش داده مي‌شوند. نتايج نشان مي‌دهند مدل تقويت سازگار با دقت 99/5 درصد بهترين عملكرد را در بين مدل‌ها دارد. در بخش دوم از داده‌هاي واقعي فرايند نورد به منظور پيش‌بيني سرعت وقوع چتر استفاده مي‌شود. در اين بخش به علت كم بودن داده‌هاي واقعي از يادگيري انتقالي استفاده مي‌شود. بدين صورت كه ابتدا يك مدل شبكه عصبي بر روي داده‌هاي مدل‌سازي آموزش داده مي‌شود و سپس انتقال يادگيري با استفاده از داده‌هاي واقعي فرايند نورد انجام مي‌شود. در دستگاه نورد مورد بررسي از سيستم شناسايي چتر براي تشخيص چتر استفاده مي‌شود و اين سيستم ممكن است در حين نورد يك كلاف چندين بار چتر را تشخيص دهد. به همين دليل از داده‌هاي واقعي، دو مجموعه داده بر اساس سرعت‌هاي وقوع چتر استخراج شده است. مجموعه داده اول يك مجموعه محتاطانه است و سرعت‌هاي پايين‌تري را به عنوان چتر در نظر مي‌گيرد. نتايج نشان مي‌دهند بهترين مدل آموزش داده شده بر روي داده‌هاي آزمون مجموعه داده اول داراي ضريب تعيين 0/811 است. در مجموعه داده دوم كه سرعت‌هاي بالا‌تري به عنوان چتر در نظر گرفته مي‌شود، نتايج نشان مي‌دهند بهترين مدل آموزش داده شده داراي ضريب تعيين 0/797 است.
چكيده انگليسي :
The chatter phenomenon occurs during the cold rolling of high-strength steel sheets, particularly when they are thin and rolled at high speeds. The chatter effect causes various defects in the final product and can damage the rolling mill. Typically, controlling the chatter effect is achieved by reducing the rolling speed, which in turn decreases the factory's productivity. The aim of this research is to identify the chatter phenomenon and predict the speed at which it occurs using rolling process parameters and machine learning models. This research has been conducted on a two-stand cold rolling mill at Mobarakeh Steel Company. In this research, an chatter simulation model, developed for this rolling mill in previous research, is used. In the first part, the modeling data is labeled based on their speed values, and then classification models such as k-nearest neighbors, decision tree, random forest, adaptive boosting, and gradient boosting are trained. The results show that the adaptive boosting model, with an accuracy of 99.5%, performs the best among the models. In the second part, real rolling process data is used to predict the speed at which the chatter phenomenon occurs. Due to the limited amount of real data in this section, transfer learning is employed. In this approach, a neural network model is first trained on the simulated data, and then transfer learning is applied using the real rolling process data. In the examined rolling mill, an chatter detection system is used to identify the chatter phenomenon, and this system may detect the chatter effect multiple times during the rolling of a single coil. As a result, two datasets based on the speeds at which the chatter effect occurs were extracted from the real data. The first dataset is a conservative set that considers lower speeds as indicative of the chatter effect. The results show that the best-trained model on the test data of the first dataset has a coefficient of determination (R2) of 0.811. In the second dataset, which considers higher speeds as indicative of the chatter effect, the results show that the best-trained model has a coefficient of determination (R2) of 0.797.
