CN111587156A - 轧制工艺的学习控制装置 - Google Patents

轧制工艺的学习控制装置 Download PDF

Info

Publication number
CN111587156A
CN111587156A CN201880011597.6A CN201880011597A CN111587156A CN 111587156 A CN111587156 A CN 111587156A CN 201880011597 A CN201880011597 A CN 201880011597A CN 111587156 A CN111587156 A CN 111587156A
Authority
CN
China
Prior art keywords
learning
learning coefficient
value
hierarchical
coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880011597.6A
Other languages
English (en)
Other versions
CN111587156B (zh
Inventor
山崎之博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Mitsubishi Electric Industrial Systems Corp
Original Assignee
Toshiba Mitsubishi Electric Industrial Systems Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Mitsubishi Electric Industrial Systems Corp filed Critical Toshiba Mitsubishi Electric Industrial Systems Corp
Publication of CN111587156A publication Critical patent/CN111587156A/zh
Application granted granted Critical
Publication of CN111587156B publication Critical patent/CN111587156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor

Abstract

目的是提供一种能够避免基于异常的实际值进行学习系数的更新的轧制工艺的学习控制装置。轧制工艺的学习控制装置基于轧制工艺的此次的实际值和现时点的预测模型计算分层学习系数此次值，基于分层学习系数此次值和在学习表中存储在与该分层学习系数此次值相同的分层中的分层学习系数前次值计算分层学习系数更新值，基于分层学习系数此次值和在学习表中存储在与该分层学习系数此次值相同的分层中的分层学习系数前次值的比较结果，判定预测模型的学习中的异常，在判定为有预测模型的学习中的异常的情况下不将分层学习系数前次值更新。

Description

轧制工艺的学习控制装置
技术领域
本发明涉及轧制工艺的学习控制装置。
背景技术
专利文献1公开了一种轧制工艺的学习控制装置。根据该学习控制装置，即使在分层学习系数超过了限制值的情况下，也将分层学习系数修正，在限制值内对分层学习系数进行控制。因此，能够将预测模型的误差效率良好地修正。
现有技术文献
专利文献
专利文献1：日本特许第5759206号公报
发明内容
发明要解决的课题
但是，在专利文献1所记载的学习控制装置中，即使在实际值是异常的情况下，也只要学习系数不超过限制值，学习系数就被更新。在此情况下，分层学习系数不稳定。如果分层学习系数不稳定，则设定计算也不稳定。如果设定计算不稳定，则轧制状态变得不稳定。
本发明是为了解决上述课题而做出的。本发明的目的是提供一种能够避免基于异常的实际值进行的学习系数的更新的轧制工艺的学习控制装置。
用来解决课题的手段
有关本发明的轧制工艺的学习控制装置具备：分层学习系数此次值计算部，对于将修正轧制工艺的实际值与由预测模型得到的模型预测值之间的误差的学习系数分层地作为分层学习系数管理的学习表，基于上述轧制工艺的此次的实际值和现时点的预测模型，计算分层学习系数此次值；分层学习系数更新值计算部，基于由上述分层学习系数此次值计算部计算出的分层学习系数此次值和在上述学习表中存储在与该分层学习系数此次值相同的分层中的分层学习系数前次值，计算分层学习系数更新值；异常判定部，基于由上述分层学习系数此次值计算部计算出的分层学习系数此次值与在上述学习表中存储在与该分层学习系数此次值相同的分层中的分层学习系数前次值的比较结果，判定预测模型的学习中的异常；以及分层学习系数更新部，在由上述异常判定部判定为有预测模型的学习中的异常的情况下不将分层学习系数前次值更新。
发明效果
根据该发明，在判定为有预测模型的学习中的异常的情况下，不将分层学习系数更新。因此，能够避免基于异常的实际值的学习系数的更新。
附图说明
图1是应用了实施方式1的轧制工艺的学习控制装置的轧制工艺的结构图。
图2是用来说明实施方式1的轧制工艺的学习控制装置的动作的概要的流程图。
图3是实施方式1的轧制工艺的学习控制装置的硬件结构图。
图4是应用了实施方式2的轧制工艺的学习控制装置的轧制工艺的结构图。
图5是用来说明实施方式2的轧制工艺的学习控制装置的第1动作的概要的流程图。
图6是用来说明由实施方式2的轧制工艺的学习控制装置进行的分层学习系数的更新次数的信息的更新的流程图。
图7是用来说明实施方式2的轧制工艺的学习控制装置的第2动作的概要的流程图。
图8是应用了实施方式3的轧制工艺的学习控制装置的轧制工艺的结构图。
图9是用来说明实施方式3的轧制工艺的学习控制装置的动作的概要的流程图。
具体实施方式
按照附图对该具体实施方式进行说明。另外，在各图中，对相同或相当的部分赋予相同的标号。该部分的重复说明适当地简略化或省略。
实施方式1.
图1是应用了实施方式1的轧制工艺的学习控制装置的轧制工艺的结构图。
在图1中，轧制工艺是将轧材轧制的工艺。详细的说明被省略，但例如轧制工艺具备加热炉、粗轧机、精轧机、卷取机等。
如图1所示，学习控制装置1具备学习表存储部2、分层学习系数此次值计算部3、分层学习系数更新值计算部4、分层学习系数差判定部5和分层学习系数更新部6。
学习表存储部2存储学习表的信息。学习表被轧制工艺的多个条件分层化。学习表将修正实际值与模型再计算预测值之间的误差的学习系数分层地作为分层学习系数管理，该实际值是由设置在轧制工艺中的未图示的计测器得到的，该模型再计算预测值是基于该实际值通过与设定计算相同的预测模型得到的。例如，轧制载荷的学习表由钢种、板厚的2个分层构成。另外，轧制载荷的学习表的分层数根据学习系数而适当设定。例如，轧制的学习表的分层数也有设定为更多、如3个或4个等的情况。
分层学习系数此次值计算部3使用由设置在轧制工艺中的未图示的计测器得到的实际值和基于该实际值由与设定计算相同的预测模型得到的模型再计算预测值，计算分层学习系数此次值。具体而言，分层学习系数此次值计算部3使用以下的(1)式及(2)计算分层学习系数此次值。
[数式1]
Figure BDA0002164624070000031
[数式2]
Figure BDA0002164624070000032
其中，在(1)式及(2)式中，
Figure BDA0002164624070000033
表示轧制载荷的分层学习系数此次值。PACT表示轧制载荷实际值。PACAL表示轧制载荷模型再计算预测值。fP表示轧制载荷预测模型。HACT表示入侧板厚实际值。hACT表示出侧板厚实际值。BACT表示板宽实际值。RACT表示轧机的轧辊半径实际值。
Figure BDA0002164624070000043
表示轧材的前方张力实际值。
Figure BDA0002164624070000044
表示轧材的后方张力实际值。
分层学习系数更新值计算部4在轧制工艺中，当现时点的钢种的分层是m、板厚的分层是n时，基于在学习表存储部2中存储在相同的分层(m，n)中的分层学习系数前次值和在(1)式中计算出的分层学习系数此次值，计算分层学习系数更新值。具体而言，分层学习系数更新值计算部4使用以下的(3)式，计算分层学习系数更新值。
[数式3]
Figure BDA0002164624070000041
其中，在(3)式中，βLP表示分层学习系数更新增益。
Figure BDA0002164624070000045
表示分层学习系数更新值。
Figure BDA0002164624070000046
表示分层学习系数前次值。另外，在未学习时，分层学习系数前次值为预先设定的初始值。
分层学习系数差判定部5作为异常判定部，基于分层学习系数前次值与分层学习系数此次值的比较结果，判定预测模型的学习中的异常。具体而言，分层学习系数差判定部5使用以下的(4)式，判定学习系数差绝对值是否是阈值以内。
[数式4]
Figure BDA0002164624070000042
其中，在(4)式中，ε表示阈值。
分层学习系数更新部6在(4)式中左边的学习系数差绝对值是阈值以内的情况下，将存储在学习表存储部2中的分层学习前次值更新为在(3)式中计算出的分层学习系数更新值。分层学习系数更新部6在(4)式中左边的学习系数差绝对值超过了阈值的情况下，不将存储在学习表存储部2中的分层学习系数更新。
接着，使用图2，说明学习控制装置1的动作的概要。
图2是用来说明实施方式1的轧制工艺的学习控制装置的动作的概要的流程图。
在步骤S1中，学习控制装置1计算分层学习系数此次值。然后，学习控制装置进行步骤S2的动作。在步骤S2中，学习控制装置1计算分层学习系数更新值。
然后，学习控制装置1进行步骤S3的动作。在步骤S3中，学习控制装置1进行分层学习系数的判定。具体而言，学习控制装置1判定分层学习系数此次值与分层学习系数前次值的差的绝对值是否是阈值以内。例如，阈值被设定为0.2。
在步骤S3中分层学习系数此次值与分层学习系数前次值的差的绝对值是阈值以内的情况下，学习控制装置1进行步骤S4的动作。在步骤S4中，学习控制装置1将分层学习系数更新。然后，学习控制装置1结束动作。
在步骤S3中分层学习系数此次值与分层学习系数前次值的差的绝对值不是阈值以内的情况下，学习控制装置1不将分层学习系数更新而结束动作。
根据以上说明的实施方式1，分层学习系数差判定部5使用(4)式判定预测模型中的异常。因此，在轧制状态下发生某种异常、分层学习系数的变化较大的情况下，不将分层学习系数更新。结果，能够防止分层学习系数变得不稳定。因此，使用通过异常的轧制状态更新的分层学习系数的情况变少。结果，能够维持由稳定的设定计算得到的稳定的轧制状态，能够提高制品的品质。
另外，也可以基于学习系数前次值与学习系数此次值的比，判定是否发生了预测模型中的异常。在此情况下，也能够维持由稳定的设定计算得到的稳定的轧制状态，提高制品的品质。
接着，使用图3说明学习控制装置1的例子。
图3是实施方式1的轧制工艺的学习控制装置的硬件结构图。
学习控制装置的各功能可以由处理电路实现。例如，处理电路具备至少1个处理器100a和至少1个存储器100b。例如，处理电路具备至少1个专用的硬件200。
在处理电路具备至少1个处理器100a和至少1个存储器100b的情况下，学习控制装置的各功能通过软件、固件、或软件与固件的组合实现。软件及固件的至少一方被作为程序记述。软件及固件的至少一方被存储在至少1个存储器100b中。至少1个处理器100a通过将存储在至少1个存储器100b中的程序读出并执行，实现学习控制装置的各功能。至少1个处理器100a也称作中央处理装置、处理装置、运算装置、微处理器、微型计算机、DSP。例如，至少1个存储器100b是RAM、ROM、闪存存储器、EPROM、EEPROM等的非易失性或易失性的半导体存储器、磁盘、软盘、光盘、CD、MD、DVD等。
在处理电路具备至少1个专用的硬件200的情况下，处理电路例如通过单一电路、复合电路、程序化的处理器、并行程序化的处理器、ASIC、FPGA或它们的组合实现。例如，学习控制装置的各功能分别由处理电路实现。例如，学习控制装置的各功能一起由处理电路实现。
关于学习控制装置的各功能，也可以将一部分用专用的硬件200实现，将其他部分用软件或固件实现。例如也可以是，关于分层学习系数更新部6的功能，由作为专用的硬件200的处理电路实现，关于分层学习系数更新部6的功能以外的功能，通过至少1个处理器100a将存储在至少1个存储器100b中的程序读出并执行来实现。
这样，处理电路通过硬件200、软件、固件或它们的组合实现学习控制装置的各功能。
实施方式2.
图4是应用实施方式2的轧制工艺的学习控制装置的轧制工艺的结构图。另外，对于与实施方式1的部分相同或相当的部分赋予相同的标号。省略该部分的说明。
在分层学习系数的更新的次数较少时，根据分层学习系数更新增益，存储在学习表存储部2中的分层学习系数前次值不会从初始值较大地变化。另一方面，在预测模型的参数的调整等不充分而预测模型的误差较大的情况下，学习系数此次值变大或变小，如果在分层学习系数差判定部5中判定为学习系数差绝对值比阈值大，则分层学习系数的更新不进展。
此外，轧制工艺的轧辊的刚更换后的轧制状态与从轧辊的更换起轧制的根数增加后的轧制状态不同。在此情况下，也有在相同的阈值下分层学习更新不进展的情况。
所以，实施方式2的学习控制装置1基于分层学习系数的更新的次数或从轧机的轧辊的更换起的轧制的根数来切换阈值。具体而言，实施方式2的学习控制装置1具备分层学习系数更新次数存储部7、轧制根数存储部8和判定阈值切换部9。
分层学习系数更新次数存储部7存储分层学习系数的更新的次数的信息。轧制根数存储部8基于轧制工艺的作业数据，存储从轧机的轧辊的更换后起的轧制的根数的信息。判定阈值切换部9使用以下的(5)式，基于分层学习系数的更新的次数或从轧机的轧辊的更换后起的轧制的根数来切换阈值。
[数式5]
Figure BDA0002164624070000071
其中，在(5)式中，εUP表示与分层学习系数的更新的次数对应的阈值。εRC是与轧机的轧辊的更换对应的阈值。εNORMAL表示其以外的值。CNTUP表示分层学习系数的更新的次数。CNTRC表示从轧机的轧辊的更换后起的轧制的根数。i表示分层学习系数的更新的次数本身的阈值。j表示从轧机的轧辊的更换后起的轧制的根数本身的阈值。
判定阈值切换部9具有在未学习的分层部分且轧机的轧辊的刚更换后的情况下选择某一方的阈值的标志。例如，标志基于从外部的操作而输入。
接着，使用图5，说明学习控制装置1的第1动作的概要。
图5是用来说明实施方式2的轧制工艺的学习控制装置的第1动作的概要的流程图。
在步骤S11中，存储分层学习系数的更新次数的信息。另外，在未学习的分层部分中，分层学习系数的更新次数是0。然后，学习控制装置1进行步骤S12的动作。在步骤S12中，学习控制装置1进行分层学习系数的更新次数的判定。具体而言，学习控制装置1判定分层学习系数的更新次数是否比预先设定的次数多。例如，学习控制装置1判定分层学习系数的更新次数是否比5次多。
在步骤S12中更新次数不比预先设定的次数多的情况下，学习控制装置1进行步骤S13的动作。在步骤S13中，学习控制装置1将阈值的值设为0.3。
在步骤S12中更新次数比预先设定的次数多的情况下，学习控制装置1进行步骤S14的动作。在步骤S14中，学习控制装置1将阈值的值设为0.2。
在步骤S13或步骤S14后，学习控制装置1进行步骤S15的动作。在步骤S15中，学习控制装置1计算分层学习系数此次值。然后，学习控制装置1进行步骤S16的动作。在步骤S16中，学习控制装置1计算分层学习系数更新值。
然后，学习控制装置进行步骤S17的动作。在步骤S17中，学习控制装置1进行分层学习系数的判定。具体而言，学习控制装置1判定分层学习系数此次值与分层学习系数前次值的差的绝对值是否是阈值以内。
在步骤S17中分层学习系数此次值与分层学习系数前次值的差的绝对值是阈值以内的情况下，学习控制装置1进行步骤S18的动作。在步骤S18中，学习控制装置1将分层学习系数更新。然后，学习控制装置1结束动作。
在步骤S17中分层学习系数此次值与分层学习系数前次值的差的绝对值不是阈值以内的情况下，学习控制装置不将分层学习系数更新而结束动作。
接着，使用图6，说明由学习控制装置1进行的分层学习系数的更新次数的信息的更新。
图6是用来说明由实施方式2的轧制工艺的学习控制装置进行的分层学习系数的更新次数的信息的更新的流程图。
在步骤S19中，学习控制装置1判定在图5的流程中分层学习系数是否被更新。
在步骤S19中分层学习系数没有被更新的情况下，学习控制装置1不将分层学习系数的更新次数的信息更新而结束动作。
在步骤S19中分层学习系数被更新的情况下，学习控制装置1进行步骤S20的动作。在步骤S20中，学习控制装置1将分层学习系数的更新次数的信息更新。然后，学习控制装置1结束动作。
在图6的流程中得到的分层学习系数的更新次数的信息被用于下次学习。
接着，使用图7，说明学习控制装置的第2动作的概要。
图7是用来说明实施方式2的轧制工艺的学习控制装置的第2动作的概要的流程图。
在步骤S21中，学习控制装置1存储轧辊的更换后的轧制的根数的信息。然后，学习控制装置1进行步骤S22的动作。在步骤S22中，学习控制装置1判定是否轧辊的更换后的轧制的根数比预先设定的根数多。例如，学习控制装置1判定轧辊的更换后的轧制的根数是否比10根多。
在步骤S22中轧辊的更换后的轧制的根数不比预先设定的根数多的情况下，学习控制装置1进行步骤S23的动作。在步骤S23中，学习控制装置1将阈值设为0.25。
在步骤S22中轧辊的更换后的轧制的根数比预先设定的根数多的情况下，学习控制装置1进行步骤S24的动作。在步骤S24中，学习控制装置1将阈值设为0.2。
在步骤S23或步骤S24后，学习控制装置1进行步骤S25的动作。在步骤S25中，学习控制装置1计算分层学习系数此次值。然后，学习控制装置1进行步骤S26的动作。在步骤S26中，学习控制装置1计算分层学习系数更新值。
然后，学习控制装置进行步骤S27的动作。在步骤S27中，学习控制装置1进行分层学习系数的判定。具体而言，学习控制装置1判定分层学习系数此次值与分层学习系数前次值的差的绝对值是否是阈值以内。
在步骤S27中分层学习系数此次值与分层学习系数前次值的差的绝对值是阈值以内的情况下，学习控制装置1进行步骤S28的动作。在步骤S28中，学习控制装置1将分层学习系数更新。然后，学习控制装置1结束动作。
在步骤S27中分层学习系数此次值与分层学习系数前次值的差的绝对值不是阈值以内的情况下，学习控制装置不将分层学习系数更新而结束动作。
根据以上说明的实施方式2，判定阈值切换部9基于由分层学习系数更新次数存储部7存储的信息，将在预测模型中的异常的判定中使用的阈值切换。因此，能够避免在分层学习系数的更新的次数较少的情况下分层学习系数的更新不进展。
此外，判定阈值切换部9基于由轧制根数存储部8记录的信息，将在预测模型中的异常的判定中使用的阈值切换。因此，能够避免由于轧机的轧辊的更换轧制状态出现变化而分层学习系数的更新不进展。
实施方式3.
图8是应用发明的实施方式3的轧制工艺的学习控制装置的轧制工艺的结构图。另外，对于与实施方式1的部分相同或相当的部分赋予相同的标号。将该部分的说明省略。
材料间学习系数与分层学习系数不同，是与材料之间的变化对应的学习系数。将材料间学习系数应用于下次的轧材。
所以，实施方式3的学习控制装置1在分层学习系数不被更新的情况下也将材料间学习系数更新。具体而言，实施方式3的学习控制装置1具备材料间学习系数此次值计算部10、材料间学习系数更新增益切换部11、材料间学习系数更新值计算部12、材料间学习系数更新部13和材料间学习系数存储部14。
材料间学习系数此次值计算部10使用以下的(6)式，计算材料间学习系数。
[数式6]
Figure BDA0002164624070000101
其中，在(6)式中，
Figure BDA0002164624070000104
表示轧制载荷的材料间学习系数此次值。
材料间学习系数更新增益切换部11在分层学习系数差判定部5中学习系数差绝对值超过阈值的情况下，使用以下的(7)式，将学习系数更新增益切换。
[数式7]
Figure BDA0002164624070000102
其中，在(7)式中，βBP表示学习系数更新增益。
Figure BDA0002164624070000105
表示学习系数差绝对值为阈值内时的增益。
Figure BDA0002164624070000106
表示学习系数差绝对值超过了阈值时的增益。在此情况下，以下的(8)式成立。
[数式8]
Figure BDA0002164624070000103
即，材料间学习系数更新增益切换部11在学习系数差绝对值超过了阈值的情况下将学习系数更新增益增大。
使用由材料间学习系数更新增益切换部11决定的学习系数更新增益，材料间学习系数更新值计算部12使用以下的(9)式，计算材料间学习系数更新值。
[数式9]
Figure BDA0002164624070000111
材料间学习系数更新部13将材料间学习系数前次值更新为在(9)式中计算出的材料间学习系数更新值。
材料间学习系数存储部14将材料间学习前次值的信息消除并存储材料间学习系数更新值的信息。将更新后的材料间学习系数用于材料间的设定计算。
接着，使用图9说明学习控制装置的动作的概要。
图9是用来说明实施方式3的轧制工艺的学习控制装置的动作的概要的流程图。
在步骤S31中，学习控制装置1计算分层学习系数此次值。然后，学习控制装置进行步骤S32的动作。在步骤S32中，学习控制装置1计算分层学习系数更新值。
然后，学习控制装置进行步骤S33的动作。在步骤S33中，学习控制装置1计算材料间学习系数此次值。然后，学习控制装置1进行步骤S34的动作。在步骤S34中，学习控制装置1进行分层学习系数的判定。具体而言，学习控制装置1判定分层学习系数此次值与分层学习系数前次值的差的绝对值是否是阈值以内。
在步骤S34中分层学习系数此次值与分层学习系数前次值的差的绝对值是阈值以内的情况下，学习控制装置1进行步骤S35的动作。在步骤S35中，学习控制装置1将分层学习系数更新。然后，学习控制装置1进行步骤S36的动作。在步骤S36中，学习控制装置1通过比较小的学习系数更新增益计算材料间学习系数更新值。然后，学习控制装置1结束动作。
在步骤S34中分层学习系数此次值与分层学习系数前次值的差的绝对值不是阈值以内的情况下，学习控制装置1进行步骤S37的动作。在步骤S37中，学习控制装置1以比较大的学习系数更新增益计算材料间学习系数更新值。然后，学习控制装置1结束动作。
根据以上说明的实施方式3，基于预测模型中的异常的判定结果，将材料间学习系数的更新增益切换。例如，在分层学习系数更新部6不将分层学习系数更新的情况下，将材料间学习系数用比较大的学习系数更新增益更新。因此，能够相对于连续发生的异常的实际值，使预测模型的误差变小。结果，能够使轧制状态变得稳定。
另外，在轧制工艺中，也可以将实施方式1至实施方式3的学习控制装置1对轧制载荷以外的预测模型应用。
产业上的可利用性
如以上这样，有关本发明的轧制工艺的学习控制装置能够在轧制工艺的预测模型的学习中利用。
标号说明
1学习控制装置；2学习表存储部；3分层学习系数此次值计算部；4分层学习系数更新值计算部；5分层学习系数差判定部；6分层学习系数更新部；7分层学习系数更新次数存储部；8轧制根数存储部；9判定阈值切换部；10材料间学习系数此次值计算部；11材料间学习系数更新增益切换部；12材料间学习系数更新值计算部；13材料间学习系数更新部；14材料间学习系数存储部；100a处理器；100b存储器；200硬件。

Claims (5)

1.一种轧制工艺的学习控制装置，
具备：
分层学习系数此次值计算部，对于将修正轧制工艺的实际值与由预测模型得到的模型预测值之间的误差的学习系数分层地作为分层学习系数管理的学习表，基于上述轧制工艺的此次的实际值和现时点的预测模型，计算分层学习系数此次值；
分层学习系数更新值计算部，基于由上述分层学习系数此次值计算部计算出的分层学习系数此次值和在上述学习表中存储在与该分层学习系数此次值相同的分层中的分层学习系数前次值，计算分层学习系数更新值；
异常判定部，基于由上述分层学习系数此次值计算部计算出的分层学习系数此次值与在上述学习表中存储在与该分层学习系数此次值相同的分层中的分层学习系数前次值的比较结果，判定预测模型的学习中的异常；以及
分层学习系数更新部，在由上述异常判定部判定为有预测模型的学习中的异常的情况下不将分层学习系数前次值更新。
2.如权利要求1所述的轧制工艺的学习控制装置，
上述异常判定部在由上述分层学习系数此次值计算部计算出的分层学习系数此次值与在上述学习表中存储在与该分层学习系数此次值相同的分层中的分层学习系数前次值的差的绝对值超过了阈值的情况下，判定为有预测模型的学习中的异常。
3.如权利要求2所述的轧制工艺的学习控制装置，
具备：
分层学习系数更新次数存储部，存储根据上述分层学习系数更新部得到的上述学习表的分层学习系数的更新次数的信息；以及
判定阈值切换部，基于由上述分层学习系数更新次数存储部存储的信息，切换在上述异常判定部的判定中使用的阈值。
4.如权利要求2或3所述的轧制工艺的学习控制装置，
具备：
轧制根数存储部，存储在上述轧制工艺中从轧辊被更换起的轧材的轧制的根数的信息；以及
判定阈值切换部，基于由上述轧制根数存储部存储的信息，切换在上述异常判定部的判定中使用的阈值。
5.如权利要求2～4中任一项所述的轧制工艺的学习控制装置，
具备：
材料间学习系数此次值计算部，对于应用于下次的轧材的材料间学习系数，基于上述轧制工艺的实际值与模型预测值之间的误差来计算材料间学习系数此次值；
材料间学习系数更新增益切换部，基于上述异常判定部的判定结果，切换计算材料间学习系数更新值时的更新增益；
材料间学习系数更新值计算部，基于由上述材料间学习系数此次值计算部计算出的材料间学习系数此次值、材料间学习系数前次值和由上述材料间学习系数更新增益切换部切换后的更新增益，计算材料间学习系数更新值；以及
材料间学习系数更新部，将材料间学习系数前次值更新为由上述材料间学习系数更新值计算部计算出的材料间学习系数更新值。
CN201880011597.6A 2018-12-19 2018-12-19 轧制工艺的学习控制装置 Active CN111587156B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/046736 WO2020129173A1 (ja) 2018-12-19 2018-12-19 圧延プロセスの学習制御装置

Publications (2)

Publication Number Publication Date
CN111587156A true CN111587156A (zh) 2020-08-25
CN111587156B CN111587156B (zh) 2022-04-22

Family

ID=71101147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880011597.6A Active CN111587156B (zh) 2018-12-19 2018-12-19 轧制工艺的学习控制装置

Country Status (4)

Country Link
JP (1) JP6819791B2 (zh)
KR (1) KR102232336B1 (zh)
CN (1) CN111587156B (zh)
WO (1) WO2020129173A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI776731B (zh) * 2021-02-15 2022-09-01 日商杰富意鋼鐵股份有限公司 冷軋機的軋製條件計算方法、冷軋機的軋製條件計算裝置、冷軋方法、冷軋機及鋼板的製造方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11919060B2 (en) * 2021-08-16 2024-03-05 The Bradbury Co., Inc. Methods and apparatus to control roll-forming processes

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04162905A (ja) * 1990-10-24 1992-06-08 Toshiba Corp 圧延機の制御方法
JPH06348677A (ja) * 1993-06-07 1994-12-22 Toshiba Corp 学習項算出装置
CN1519673A (zh) * 2003-01-21 2004-08-11 发那科株式会社 伺服控制装置
CN102451837A (zh) * 2010-10-27 2012-05-16 株式会社日立制作所 被轧材张力控制装置、被轧材张力控制方法及热连轧机
CN102654749A (zh) * 2011-03-01 2012-09-05 东芝三菱电机产业系统株式会社 学习系数控制装置
CN103990650A (zh) * 2013-02-19 2014-08-20 东芝三菱电机产业系统株式会社 轧制工艺的学习控制装置
CN106030424A (zh) * 2014-02-17 2016-10-12 东芝三菱电机产业系统株式会社 轧制工艺的学习控制装置
CN106457325A (zh) * 2014-09-25 2017-02-22 东芝三菱电机产业系统株式会社 平坦度控制装置
CN107107137A (zh) * 2015-02-02 2017-08-29 东芝三菱电机产业系统株式会社 轧制生产线的蛇行控制装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5335712A (en) 1976-09-15 1978-04-03 Uni Charm Corp Manufacture of active carbon sheets
JPH07200005A (ja) * 1993-12-28 1995-08-04 Mitsubishi Electric Corp 学習制御方法
JPH1031505A (ja) * 1996-07-16 1998-02-03 Mitsubishi Electric Corp プロセスラインの学習制御方法
KR20010064348A (ko) * 1999-12-29 2001-07-09 이구택 압연기에 있어 하중 예측의 퍼지 보상 제어 방법
JP5604945B2 (ja) * 2010-04-06 2014-10-15 新日鐵住金株式会社 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04162905A (ja) * 1990-10-24 1992-06-08 Toshiba Corp 圧延機の制御方法
JPH06348677A (ja) * 1993-06-07 1994-12-22 Toshiba Corp 学習項算出装置
CN1519673A (zh) * 2003-01-21 2004-08-11 发那科株式会社 伺服控制装置
CN102451837A (zh) * 2010-10-27 2012-05-16 株式会社日立制作所 被轧材张力控制装置、被轧材张力控制方法及热连轧机
CN102654749A (zh) * 2011-03-01 2012-09-05 东芝三菱电机产业系统株式会社 学习系数控制装置
CN103990650A (zh) * 2013-02-19 2014-08-20 东芝三菱电机产业系统株式会社 轧制工艺的学习控制装置
CN106030424A (zh) * 2014-02-17 2016-10-12 东芝三菱电机产业系统株式会社 轧制工艺的学习控制装置
CN106457325A (zh) * 2014-09-25 2017-02-22 东芝三菱电机产业系统株式会社 平坦度控制装置
CN107107137A (zh) * 2015-02-02 2017-08-29 东芝三菱电机产业系统株式会社 轧制生产线的蛇行控制装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI776731B (zh) * 2021-02-15 2022-09-01 日商杰富意鋼鐵股份有限公司 冷軋機的軋製條件計算方法、冷軋機的軋製條件計算裝置、冷軋方法、冷軋機及鋼板的製造方法

Also Published As

Publication number Publication date
KR102232336B1 (ko) 2021-03-25
JPWO2020129173A1 (ja) 2021-02-15
CN111587156B (zh) 2022-04-22
WO2020129173A1 (ja) 2020-06-25
KR20200078418A (ko) 2020-07-01
JP6819791B2 (ja) 2021-01-27

Similar Documents

Publication Publication Date Title
CN111587156B (zh) 轧制工艺的学习控制装置
WO2015122010A1 (ja) 圧延プロセスの学習制御装置
JP2009113101A (ja) 圧延荷重の学習制御方法および装置、ならびに鋼板の製造方法
KR101105989B1 (ko) 판 두께 제어 시스템, 판 두께 제어 장치 및 판 두께 제어 방법
JP4280351B2 (ja) 圧延制御モデル学習装置
JP2014159036A (ja) 圧延プロセスの学習制御装置
JP4003733B2 (ja) プラントシステム，制御装置及び制御方法
KR100690463B1 (ko) 압연 제어 방법 및 압연 제어 장치
JP5727865B2 (ja) 圧延モデル最適化装置
CN111299330B (zh) 轧制生产线的数学模型计算装置及控制装置
JP7252459B2 (ja) パススケジュール決定装置、パススケジュール決定方法、およびプログラム
JP4162622B2 (ja) 冷間圧延におけるエッジドロップ制御方法
JPH07185625A (ja) 帯状鋼板の最低板厚保障のための制御方法
WO2022097501A1 (ja) 圧延制御装置、圧延制御方法、およびプログラム
JP4227686B2 (ja) 冷間圧延時のエッジドロップ制御方法
JPH05237531A (ja) ワークロールシフトミルの圧下位置制御方法
JPH09192715A (ja) 多段式熱間圧延における自動荷重バランス調整方法
JPH04135007A (ja) 圧延機による圧延材の板形状調整方法
JPH08238509A (ja) 冷間圧延時のエッジドロップ制御方法
JP3539311B2 (ja) タンデム圧延機のスタンド間張力の制御方法及び装置
KR20240039161A (ko) 탠덤 압연기의 판두께 스케줄 계산 방법 및 압연 플랜트
JPH11221607A (ja) 圧延ラインの形状制御方法
TW202410983A (zh) 連續式壓延機之弧曲控制裝置
JPH11319927A (ja) 冷間圧延における鋼板形状制御方法
JP4233363B2 (ja) 板厚制御方法及び装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant