بررسي پارامترهاي تأثيرگذار در ايجاد عيب چسبندگي ورق‌هاي فولادي تحت نورد سرد با كشف دانش از داده‌هاي فرآيندي

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

بهبود كيفيت توليد با بهينه‌سازي شرايط توليد، يك هدف مستمر براي همه شركت‌هاي صنعتي-توليدي است. كاهش ضايعات و محصولات معيوبي كه در اثر عوامل كنترلي در فرآيندهاي توليد ايجاد مي‌شوند، همواره از اهداف مديران شركت است. فرآيندهاي توليد شركت‌هاي فولادسازي نيز از اين موضوع مستثنا نيستند. يكي از عيوب سطحي ورق‌هاي فولادي، عيب چسبندگي است كه نوعي جوش‌خوردگي لايه‌ها بوده كه در خط توليد در حين باز شدن كلاف آنيل شده و درصورتي‌كه نيروي موردنياز جهت باز كردن كلاف بيش از استحكام تسليم باشد، اتفاق مي‌افتد. در صورت بروز اين عيب در ورق‌هاي فولادي، هزينه‌هاي سنگيني به شركت‌هاي فولادسازي وارد مي‌شود. در راستاي كاهش عيب چسبندگي مي‌توان داده‌هاي عملياتي فرآيندي را تجزيه‌و تحليل و پردازش كرد؛ به‌گونه‌اي كه انعكاس‌دهنده مشخصه‌هاي تأثيرگذار بر عيب باشد. براي هدايت اين كار مي‌توان تكنيك‌هاي داده‌كاوي را مورد بهره‌برداري قرار داد؛ چراكه اين تكنيك‌ها قادرند دانش را بازيابي كرده و به استخراج قواعد عملياتي از يك مجموعه داده بپردازند. داده‌هاي عملياتي از مجموعه داده‌هاي غيرمتمركز يك شركت فولادي گرفته شد و بر اساس متدولوژي استاندارد CRISP-DM مورد تجزيه‌ و تحليل قرار گرفت. مجموعه داده تحت بررسي يك مجموعه داده نامتوازن بوده كه با استفاده از ابزارهاي شبكه عصبي، رگرسيون لجستيك، ماشين‌هاي بردار پشتيبان و درخت تصميم C5.0 مورد تجزيه‌وتحليل قرار گرفت كه بالاترين دقت، مربوط به درخت تصميم C5.0 بوده است. بر اين اساس، از درخت تصميم، قوانيني استخراج شد كه با تجارب كارشناسان خبره نيز چك و كنترل گرديد. نتايج به‌دست‌آمده نشان داد كه بهره‌گيري از داده‌كاوي براي تجزيه‌وتحليل پارامترهاي مؤثر بر عيوب مي‌تواند منجر به بهبود كيفيت گردد؛ زيرا از اين رويكرد مي‌توان براي تنظيم پارامترهاي عملياتي فرآيندهاي توليدي استفاده نمود.

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.