Wspomaganie decyzji w zakresie optymalizacji walcowania blach na gorąco z wykorzystaniem metod eksploracji danych

• Autorzy: Regulski K. , Szeliga D. , Rojek G. , Kusiak J.

Identyfikatory

DOI

10.15199/24.2015.4.2

Warianty tytułu

EN

Decision support in the optimization of strip hot rolling technology using data mining methods

• Języki publikacji: PL

Abstrakty

PL

Optymalizacja parametrów procesu produkcji innowacyjnych materiałów, np. stali dwufazowej, wymaga modelu procesu termomechanicznego i dużych zbiorów danych pokrywających możliwą przestrzeń wyników. Trudności w optymalizacji parametrów procesu wynikają z dużej liczby zmiennych sterujących, które należy uwzględnić w projektowaniu technologii. W pracy przedstawiono możliwości zastosowania drzew regresyjnych we wstępnych analizach pozwalających na odnalezienie zależności pomiędzy parametrami procesu walcowania na gorąco blachy ze stali dwufazowej, a tym samym na wskazanie najważniejszych zmiennych w procesie, oraz konstrukcję reguł optymalizacji tego procesu. Wykazano, że indukcja drzew regresyjnych nie wymaga dużych zbiorów danych, ani wiedzy a priori o procesach termomechanicznych.

EN

The optimization of parameters of innovative steels manufacturing, e.g. dual phase steel, requires model of thermomechanical processes and large datasets that covers whole surface of results. Difficulties in the optimization of process parameters correspond with large number of control variables, which should be considered in the technology design. Presented work concerns possibility of application of regression trees in preliminary analysis related to discovering the relationships among parameters of the hot rolling process of dual phase steel strips − indicating the most important variables and construction of rules that refer to the optimization of this process. The regression trees induction neither required large datasets, nor any a priori knowledge about thermomechanical processes, what will be proved.

Słowa kluczowe

PL

eksploracja danych; drzewo regresji; optymalizacja; walcowanie blach

EN

data mining; regression trees; optimization; strip rolling

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Hutnik, Wiadomości Hutnicze
• Rocznik: 2015
• Tom: Vol. 82, nr 4
• Strony: 248--255
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Regulski K.

• AGH Akademia Górniczo-Hutnicza, Wydział Inżynierii Metali i Informatyki Przemysłowej al. Mickiewicza 30, 30-059 Kraków

autor

Szeliga D.

• AGH Akademia Górniczo-Hutnicza, Wydział Inżynierii Metali i Informatyki Przemysłowej al. Mickiewicza 30, 30-059 Kraków

autor

Rojek G.

• AGH Akademia Górniczo-Hutnicza, Wydział Inżynierii Metali i Informatyki Przemysłowej al. Mickiewicza 30, 30-059 Kraków

autor

Kusiak J.

• AGH Akademia Górniczo-Hutnicza, Wydział Inżynierii Metali i Informatyki Przemysłowej al. Mickiewicza 30, 30-059 Kraków

Bibliografia

• 1. Szeliga D., Kusiak J., Rauch Ł.: Sensitivity analysis as Support for Design of Hot Rolling Technology of Dual Phase Steel Strips, Metal Forming 2012: proceedings of the 14th international conference on Metal Forming: September 16÷19, 2012, Kraków, Poland, eds. Jan Kusiak, Janusz Majta, Danuta Szeliga-Weinheim: Wiley-VCH Verlag GmbH & Co. KGaA, cop. 2012. (Steel Research International ; spec. ed.), pp. 1275÷1278
• 2. Myczkowska K., Szeliga D., Kusiak J.: Analiza wrażliwości cyklu chłodzenia dla stali dwufazowych, Rudy i Metale Nieżelazne, t. 56, 2011, nr 11, s. 692÷696
• 3. Sheet steel, SSAB Steel making process, http://www. ssab.com/en/Products--Services/About-SSAB/Steel-making-pro-cess/Processing/Sheet-steel/, dostęp: 22.01.2015
• 4. Breinman L., Friedman J.H., Olshen R.A., Stone C.J.: Classification and regression trees, Chapman and Hall, 1993
• 5. Quinlan J.R.: Induction on Decision Trees, Machine Learning, Kluwer Academic Publishers, Boston, 1986
• 6. Hill T., Lewicki P.: STATISTICS Methods and Applications. StatSoft, Tulsa, OK, 2007, WEB: http://www.statsoft.com/ textbook/stathome.html, dostęp: 25.03.2015
• 7. Kass G.V., An exploratory technique for investigatin large quantities of categorical data, Applied Statistics, vol. 29, 1980, pp. 119÷127
• 8. Regulski K., Rojek G., Skóra M., Kusiak J.: Data exploration approach in control of metal forming manufacturing chain : example of fasteners production, Metal Forming 2012 : proceedings of the 14th international conference on Metal Forming : September 16–19, 2012, Krakow, Poland, ed. Jan Kusiak, Janusz Majta, Danuta Szeliga, Steel Research International ; spec. ed., 2012, pp. 1319÷1322
• 9. Regulski K.: Kluska-Nawarecka S.: Knowledge integration computer tools and algorithms in the improvement of the production processes of cast-steel castings, Artificial Intelligence in the Knowledge and Information Systems, Instytut Odlewnictwa, Kraków, 2012
• 10. Regulski K.: Aspects of knowledge management in the production processes control in the context of the application of data mining, e-mentor, 2012, no. 5, pp. 63÷71
• 11. Kluska-Nawarecka S., Górny Z., Mrzygłód B., Wilk- Kołodziejczyk D., Regulski K.: Methods of development fuzzy logic driven decision-support models in copper alloys processing, Achieves of Foundry Engineering, Polish Academy of Sciences, vol. 10, 2010, pp. 23÷28
• 12. Regulski K., Rojek G., Kusiak J.: Process of Ontology Construction of Rolling Metal Sheets Industrial Process, Key Engineering Materials, vol. 622÷623, 2014, pp. 978÷985