CN112839746B - 折叠产生预测系统 - Google Patents
折叠产生预测系统 Download PDFInfo
- Publication number
- CN112839746B CN112839746B CN201980065244.9A CN201980065244A CN112839746B CN 112839746 B CN112839746 B CN 112839746B CN 201980065244 A CN201980065244 A CN 201980065244A CN 112839746 B CN112839746 B CN 112839746B
- Authority
- CN
- China
- Prior art keywords
- fold
- data
- occurrence
- rolling
- prediction
- 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.)
- Active
Links
Images
Classifications
-
- 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
- B21B37/58—Roll-force control; Roll-gap control
-
- 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
- B21B37/68—Camber or steering control for strip, sheets or plates, e.g. preventing meandering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
- B21B1/26—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process by hot-rolling, e.g. Steckel hot mill
-
- 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
-
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
Abstract
折叠产生预测系统采集并保存表示对象轧制道次中的折叠的产生的有无及产生部位的第一数据、以及包含轧制材料被比对象轧制道次在轧制顺序上在先的在先轧制道次轧制时的与在先轧制道次相关的信息和与该轧制材料相关的属性的第二数据作为自适应模型构建用数据。折叠产生预测系统使用所保存的自适应模型构建数据构建自适应模型,并保存已完成构建的自适应完成模型。折叠产生预测系统采集包含预测对象的轧制材料被比对象轧制道次在轧制顺序上在先的在先轧制道次轧制时的与该在先轧制道次相关的信息和与该轧制材料相关的属性的预测用数据。折叠产生预测系统将预测用数据输入至自适应完成模型,从而在预测对象的轧制材料到达对象轧制道次之前,预测对象轧制道次中的折叠的产生的有无及产生部位的全部或一部分。
Description
技术领域
本发明涉及在将板状的金属材料加热至高温并通过多个轧制道次进行轧制的热轧中,事先预测在轧制材料产生折叠(日文:絞り)的系统。
背景技术
轧制机通过轧制钢铁材料、铝、铜等非铁材料的块而使其变薄,从而容易将它们加工成汽车、电机产品。在轧制机中有轧制板材的热薄板轧制机、厚板轧制机、冷轧机、轧制棒线材的轧制机等各种类型。其中,容易产生折叠的是将轧制材料一根根地分批高速轧制的热薄板轧制机。
图12是表示以往的热薄板轧制工艺中的轧制机的构成的一个例子的图。图12所示的轧制机20由加热炉21、粗轧机22、棒材加热器24、精轧机25、输出辊道26、卷取机27等各种装置构成。由加热炉21加热后的轧制材料100通过粗轧机22进行轧制。由粗轧机22轧制后的轧制材料100经由棒材加热器24向精轧机25输送。由精轧机25轧制后的轧制材料100在输出辊道26冷却之后,由卷取机27卷取成卷状。将轧制材料100较薄地轧制而成的卷状的薄板是最终的产品。
图12所示的粗轧机22具有:轧制机架R1,分别具有各一个上下工作辊;以及轧制机架R2,具有上下工作辊和直径比上下工作辊的直径大的上下支承辊共4根辊。图12所示的精轧机25具有串联排列的7台轧制机架F1~F7。在图12所示的例子中,精轧机25的各轧制机架F1~F7由上下4根辊构成,但也有由包含进入工作辊与支承辊之间的中间辊在内的上下6根辊构成的情况。另外,虽然用于驱动上下的轧制辊的大容量电动机、将辊与电动机连结的轴等的细微规格不同,但装置的构成大多相似。
在粗轧机22与精轧机25的各轧制机架的入口侧设有未图示的侧导板。在粗轧机22中,大多在进行材料的轧制前使轧制材料停止,缩窄侧导板的开度来夹住轧制材料,在定心之后进行轧制。在精轧机25中,由于轧制材料以高速进入轧制机架的情况较多,因此大多预先以轧制材料的宽度加上余量后的宽度来设定侧导板的开度。
轧制材料的折叠是轧制材料在轧制机架正下方蛇行,即由于在辊宽度方向上移动、或者在宽度方向上弯折而在轧制材料的前端或尾端产生的现象。折叠有在轧制材料的前端产生的前端折叠、以及在轧制材料的尾端产生的尾端折叠。前端折叠是由于轧制材料的蛇行、轧制材料的前端的弯曲而使轧制材料在进入轧制机架之前其前端撞上入口侧侧导板,一边使前端弯折一边进入轧制机架而产生的。尾端折叠是由于轧制材料的尾端在脱离轧制机架之前进行蛇行而使尾端与入口侧侧导板碰撞、或者尾端被弯折为2张的同时被轧制,从而载荷集中在该弯折的部分,该部分被撕裂等而产生的。
若产生折叠,则会对辊表面造成损伤。为了防止该损伤转印到下一个轧制材料的表面,有时会暂时停止作业,抽出辊进行检查。另外,有时断裂后的材料的断裂端残留在轧制机内。由于该断裂端有时会阻碍接下来轧制的材料的通板性,因此在这样的情况下也需要检查。这些作业会降低生产率,甚至降低辊单位消耗(日文:ロール原単位)。
另外,在粗轧机22中,进行重复正向、反向的轧制即所谓的可逆轧制进行有5、6道次,在精轧机25中,由6、7台轧制机架F1~F7一气贯通地轧制。将轧制材料在轧制机架下通过1次称作1道次。在粗轧机22中,由1台轧制机架进行多道次的轧制,在精轧机25中,由1台轧制机架进行仅1道次的轧制。以下,对折叠的产生频度特别高的精轧机25中的尾端折叠进行说明。这里,1道次的轧制与1台机架中的轧制是相同的意思。
在以往的热薄板轧制工艺中,针对折叠一般采取以下那样的对策。
对策A:对于容易产生折叠的轧制材料,操作人员事先处理。
对策B:对产生折叠的情况进行反应,操作人员立即应对。
对策C:应用抑制尾端的蛇行的自动蛇行控制。
在容易产生折叠的轧制材料中,有产品厚度薄的轧制材料、板凸度小的轧制材料、特定的钢种等。特别是在板厚薄且轧制速度加快的精轧机的后段,容易产生折叠。根据对策A,针对这样的轧制材料以及状况,操作人员一边观察上游侧的轧制材料的蛇行的情形一边进行处理。但是,操作人员必须应对压下、速度等各种状况,此外,由于每个操作人员的熟练程度不同,因此未必能够准确地应对。在对策B中,若开始蛇行则操作人员对其进行矫正。但是,由于蛇行是急剧地进行的现象,因此操作人员未必能够准确地应对。
对策C对抑制蛇行是有效的,但在蛇行开始后进行控制,而不是事先预测蛇行的产生。另外,例如,如专利文献1、专利文献2所公开的那样,从以前就开始实施蛇行控制。关于专利文献1、2所公开的现有技术,虽然其具体的方法不同,但通过计算轧制材料的蛇行量并使用其进行控制来抑制蛇行量,防止折叠。但是,蛇行控制的对象是不稳定的系统,难以控制、且没有有效的控制手段也是事实。
现有技术文献
专利文献
专利文献1:日本特开2018-43255号公报
专利文献2:日本特开平4-118108号公报
发明内容
发明要解决的课题
关于在操作人员的眼前轧制的轧制材料中是否产生折叠、以及在何处产生折叠,依靠于操作人员的经验与直觉的比例较大,难以准确地对其进行预测。虽然也进行了用物理模型构建作为折叠的原因的板的蛇行的尝试,但在现实中还难以构建具有足够精度的模型。另外,使用了模型的蛇行控制也很难说得到了充分的性能。
本发明鉴于这样的课题而完成,目的在于提供一种能够预测折叠产生的有无与产生部位的折叠产生预测系统。
用来解决课题的手段
本发明的折叠产生预测系统在将板状的金属材料加热至高温并通过多个轧制道次进行轧制的热轧中,预测折叠的产生,该折叠为由于轧制材料蛇行或者在宽度方向上弯折而在轧制材料的前端或尾端产生的现象,其中,该系统具备一个或多个计算机。一个或多个计算机被编程为执行如下处理:采集并保存自适应模型的构建中所使用的自适应模型构建用数据的处理,所述自适应模型用于预测折叠的产生;使用自适应模型构建用数据来构建自适应模型的处理;保存已完成构建的自适应模型即自适应完成模型的处理;采集折叠的产生的预测中所使用的预测用数据的处理;以及通过将预测用数据输入至自适应完成模型来预测折叠的产生的处理。
详细地说,折叠产生预测系统所具备的一个或多个计算机在采集并保存自适应模型构建用数据的处理中,采集多组第一数据和第二数据作为自适应模型构建用数据,所述第一数据表示成为折叠产生预测的对象的对象轧制道次中的折叠的产生的有无及产生部位,所述第二数据包含与第一数据相关联的轧制材料被在先轧制道次轧制时的与该在先轧制道次相关的信息和与该轧制材料相关的属性,所述在先轧制道次在轧制顺序上比对象轧制道次在先。在采集预测用数据的处理中,采集包含预测对象的轧制材料被在轧制顺序上比所述对象轧制道次在先的在先轧制道次轧制时的与该在先轧制道次相关的信息和与该轧制材料相关的属性的数据作为预测用数据。在预测折叠的产生的处理中,在预测对象的轧制材料到达对象轧制道次之前,预测对象轧制道次中的折叠的产生的有无及产生部位的全部或一部分。
折叠产生预测系统所具备的一个或多个计算机也可以被编程为,执行将折叠的产生的预测结果显示于显示装置的处理。
折叠产生预测系统所具备的一个或多个计算机也可以被编程为,在预测为在对象轧制道次中产生折叠的情况下,执行操作对象轧制道次的入口侧侧导板的处理。在操作入口侧侧导板的处理中,也可以确定在预测对象的轧制材料的前端与尾端的哪个端部产生折叠,配合产生折叠的一方的端部的通过而打开入口侧侧导板。另外,也可以确定在对象轧制道次的运转室侧与电动机侧的哪一侧产生折叠,打开产生折叠的一侧的入口侧侧导板。在无法确定在对象轧制道次的运转室侧与电动机侧的哪一侧产生折叠的情况下,也可以打开运转室侧与电动机侧这两侧的入口侧侧导板。
在构建自适应模型的处理中,也可以通过纳入人工智能的范畴的机器学习或统计方法来构建自适应模型,每当新得到一定数量的自适应模型构建用数据时更新自适应模型。
在采集并保存自适应模型构建用数据的处理中,也可以利用通过了对象轧制道次的轧制材料的图像数据的分析来判定对象轧制道次中的折叠的产生的有无及产生部位。或者,也可以基于施加于对象轧制道次的入口侧侧导板的载荷来判定所述对象轧制道次中的折叠的产生的有无及产生部位。而且,也可以受理由操作人员经由HMI输入的对象轧制道次中的折叠的产生的有无及产生部位。
发明效果
根据本发明的折叠产生预测系统,采集包含轧制材料的折叠产生预测的有无的信息的数据,利用机器学习、统计方法构成自适应模型,将比预测对象的轧制道次靠上游侧的数据输入至自适应完成模型,从而可事先预测接下来轧制的材料中的折叠的产生的有无及产生部位。由此,能够具有在轧制材料通过对象轧制道次之前进行防止或减小作为折叠的原因的板的蛇行等准备的时间余量,因此能够实现折叠产生的减少以及由此带来的稳定作业,进而能够带来辊单位消耗的提高。此外,由于基于实机数据进行预测,因此具有追随实机的状况的变化的优点。
附图说明
图1是表示本发明的第一实施方式的折叠产生预测系统的构成的框图。
图2是表示操作人员用于输入折叠产生的有无及产生部位的HMI的一个例子的图。
图3是概念性地示出由本发明的第一实施方式的折叠产生预测系统的自适应模型构建部进行的处理的图。
图4是概念性地示出由本发明的第一实施方式的折叠产生预测系统的预测部进行的处理的图。
图5是详细表示基于本实施方式的折叠产生预测系统的处理流程的流程图。
图6是对SOM的构成例与使用了该SOM的构成例的预测方法的概要进行说明的图。
图7是对ACC的动作概要进行具体说明的图。
图8是对ACC的动作概要进行具体说明的图。
图9是对ACC的动作概要进行具体说明的图。
图10是表示基于本实施方式的折叠产生预测系统的处理流程的变形例的流程图。
图11是表示利用了本发明的第二实施方式的折叠产生预测系统的折叠预测结果的入口侧侧导板的控制的例子的图。
图12是表示以往的热薄板轧制工艺中的轧制机的构成的一个例子的图。
具体实施方式
参照附图,对本发明的实施方式进行说明。但是,以下所示的实施方式例示了用于将本发明的技术思想具体化的装置、方法,除了特别明示的情况以外,并不意图将构成部件的结构、配置、处理的顺序等限定于下述内容。本发明并不限定于以下所示的实施方式,在不脱离本发明的主旨的范围内能够进行内各种变形而实施。
<第一实施方式>
1.折叠产生预测系统的构成
图1是表示本发明的第一实施方式的折叠产生预测系统的构成的框图。本实施方式的折叠产生预测系统应用于具有图12所示的构成的热薄板轧制工艺。折叠产生预测系统具备进行预测的数据的采集及保存、使用了该数据的运算的预测装置10。预测装置10可以由单一的计算机构成,也可以由与网络连接的多个计算机构成。
预测装置10具备自适应模型构建数据采集保存部1、自适应模型构建部2、预测用数据采集部3、预测部4、以及结果显示部5。在这些要素中,自适应模型构建数据采集保存部1、自适应模型构建部2、预测用数据采集部3、以及预测部4通过由处理器执行从计算机的存储器读取的程序,由处理器以软件的方式实现。在存储器中存储有折叠产生预测中所使用的各种程序、各种数据。另外,这里所说的存储器中包含主存储装置与辅助存储装置这两方。结果显示部5是与计算机结合的显示装置。
自适应模型构建数据采集保存部1采集并保存用于构建后述的自适应模型的自适应模型构建用数据。在自适应模型构建用数据中包含第一数据与第二数据。第一数据是表示成为对折叠的产生进行预测的对象的轧制机架(轧制道次)中的折叠的产生的有无及产生部位的数据。折叠的产生部位在轧制材料的流动方向(长度方向)上分类为前端与尾端,在轧制材料的宽度方向上分类为运转室侧(Work Side:以下,记作WS)与电动机侧(DriveSide:以下,记作DS)。在第一数据中,由对象轧制机架轧制的轧制材料的识别编号(ID)与板厚或板宽等产品信息建立关联,并与第一数据一起保存。
第二数据是包含轧制材料被在先轧制机架轧制时的与该在先轧制机架相关的信息、和与该轧制材料相关的属性的工艺数据,所述在先轧制机架在轧制顺序上比对象轧制机架在先。与在先轧制机架相关的信息中例如包含关于辊间隙、辊移位量、轧制载荷、厚度计厚度等数据项目的信息,它们能够通过传感器取得。在具有共n台机架的轧制机架的精轧机中,预测折叠的产生的对象轧制道次即对象轧制机架例如能够是从第m机架到最终第n机架(m≤n)的机架。但是,在预测阶段,由于不清楚哪个轧制机架被指定为对象轧制机架,因此采集并保存精轧机的全部机架的数据。另外,与轧制材料相关的属性是指被在先轧制机架轧制的轧制材料的属性,是指该轧制材料的识别编号、钢种、目标板厚、目标板宽、目标板凸度、目标平坦度、目标温度等。第一数据与第二数据经由轧制材料的识别编号而建立关联。
自适应模型构建数据采集保存部1与未图示的HMI(Human-Machine Interface,人机界面)相结合。在自适应模型构建用数据的第一数据中包含折叠产生的有无及产生部位。这些能够由操作人员经由HMI输入。折叠的产生部位一般为前端或尾端中的WS或DS。但是,对操作人员而言,用目测判断是WS还是DS未必容易。因此,为了吸收目测的不确定性,除了WS与DS之外,也可以还设置板宽中央附近(Center of width:以下,记作CW)这一产生部位。另外,为了细致地分类并确定产生部位,需要向自适应模型输入非常多的数据,此时自适应模型的构建要花费大量的时间。因此,例如,仅进行前端与尾端的分类等,允许大致划分产生部位。
图2是表示操作人员用于输入折叠产生的有无及产生部位的HMI的一个例子的图。图所示的WS及DS为按钮,针对7个轧制机架F1-F7的每一个、以及前端侧(Head)与尾端侧(Tail)的每一个而设置。例如,在目视观察到在第三轧制机架F3的尾端的WS产生了折叠的情况下,操作人员按下F3列Tail行的WS按钮。另外,在图2所示的HMI中,也可以追加用于吸收目测的不确定性的CW按钮。或者,也可以代替追加CW按钮,在存在折叠但不确定是WS与DS的哪一个的情况下,按下WS按钮与DS按钮这两方,从而进行与按下CW按钮相同的判断。
作为采集自适应模型构建用的第一数据的方法,除了由操作人员输入折叠产生的有无与产生部位以外,还能够使用通过图像数据进行判定的方法。一般在轧制机中设有多台电视摄像机。通过利用设置于精轧机的轧制机架间的电视摄像机对通过了轧制机架的轧制材料进行拍摄,并分析所得的图像数据,能够容易地判定是否在轧制材料的前端或尾端产生了折叠。若产生了折叠,则轧制材料被撕裂,材料内部的高温的部分看起来为条纹状。由于轧制材料的表面温度比内部低、发黑,因此断裂的部分的内部的高温部分作为橙色而明显可见。另外,根据图像数据,也容易进行与侧导板碰撞的部位是WS还是DS的判定。
作为采集自适应模型构建用的第一数据的另一方法,也能够使用通过施加于轧制机架的侧导板的载荷来进行判定的方法。侧导板能够进行位置控制或者力控制,能够通过传感器检测施加于侧导板的力。折叠多因轧制材料的蛇行而产生,若施加于侧导板的力为某一阈值以上,则能够判定为产生了折叠。另外,由于能够在左右独立地检测施加于侧导板的力,因此也能够判定折叠是在WS与DS的哪个产生。
再次返回到图1,继续对折叠产生预测系统的构成进行说明。当由自适应模型构建数据采集保存部1采集到一定数量的数据时,自适应模型构建数据采集保存部1将采集并保存的数据输入至自适应模型构建部2。自适应模型构建部2使用所输入的数据来构建自适应模型2a。自适应模型是指,当输入数据时,内部的构成要素间的关系度变化且输出变化的模型。
作为适合于折叠产生的预测的自适应模型的例子,能够列举纳入机器学习的范畴的神经网络(Neural Network:以下,记作NN)或自组织化映射(Self Organizing Map:以下,记作SOM)等、以及使用统计方法的自适应管理图(Adaptive Control Charts:以下,记作ACC)等。在被分类为机器学习的手法的学习方法中存在有教师学习与无教师学习这两种。一般来说,NN进行有教师学习,SOM进行无教师学习。它们也能够应用于分类为折叠的有无这样的两个值的问题。NN、SOM、ACC这样的方法是广为人知的方法。关于这些方法的概要之后进行说明。
图3是概念性地示出由自适应模型构建部2进行的处理的图。自适应模型构建部2将自适应模型构建用的第二数据301输入至自适应模型302(图1所示的自适应模型2a)。由此,内部的构成要素间的关系度变化而进行自适应模型302的构建。另外,自适应模型构建部2将自适应模型构建用的第一数据303输入至自适应模型302而作为教师数据或者验证用数据。在将第一数据303用作教师数据的情况下,将从第二数据得到的自适应模型302的输出与第一数据303的差作为反向传播(Backpropagation)而返回到自适应模型302。
再次返回到图1,继续对折叠产生预测系统的构成进行说明。自适应模型构建部2在自适应模型2a的构建完成后,将已完成构建的自适应模型2a作为自适应完成模型4a与自适应模型2a分开保存。所保存的自适应完成模型4a在预测部4中用于折叠的产生的预测。将自适应完成模型4a与自适应模型2a分开保存的原因在于,在预测折叠的产生的期间自适应完成模型的内部状态不能变化。
在利用了自适应完成模型4a的折叠的产生的预测中使用由预测用数据采集部3采集到的预测用数据。预测用数据采集部3采集与自适应模型构建用的第二数据相同种类的数据作为预测用数据。即,预测用数据采集部3在将预测对象的轧制机架从第m机架向最终第n机架依次变更的同时,采集包含预测对象的轧制材料被在先轧制机架轧制时的与该在先轧制机架相关的信息、和与预测对象的轧制材料相关的属性的数据,所述在先轧制机架在轧制顺序上比预测对象的轧制机架在先。预测用数据采集部3将所采集的预测用数据输入至自适应完成模型4a。
图4是概念性地示出由预测部4进行的处理的图。预测部4将预测用数据311输入至自适应完成模型312(图1所示的自适应完成模型4a),将折叠的有无的预测结果作为自适应完成模型4a的输出313而得到。另外,在存在折叠的情况下,该产生部位的预测结果也作为自适应完成模型4a的输出313而得到。作为预测结果而得的折叠的产生部位未必是所有产生部位,也可以是一部分的产生部位。另外,使用了自适应完成模型312的预测以在预测对象的轧制材料到达对象轧制机架之前得到预测结果的方式进行。
再次返回到图1,继续对折叠产生预测系统的构成进行说明。预测部4将由自适应完成模型312得到的预测结果输出至结果显示部5。结果显示部5将预测结果容易理解地显示给操作人员。操作人员通过参照显示于结果显示部5的预测结果,能够对预测对象的轧制机架实施用于抑制折叠的产生的介入操作。
2.折叠产生预测的处理流程
图5是详细表示基于本实施方式的折叠产生预测系统的处理流程的流程图。在图5中,左右排列的两个流程图中的左侧的流程图表示自适应模型的构建阶段的处理流程,右侧的流程图表示预测阶段的处理流程。
首先,按照左侧的流程图对自适应模型的构建阶段的处理流程进行说明。在自适应模型的构建阶段,首先执行步骤101。在步骤101中,采集并保存自适应模型构建用的第一数据及第二数据。
这里,对第二数据的采集方法进行详细说明。例如,若为了预测精轧机的第六机架F6中的折叠产生而收集数据,则针对比机架F6靠上游侧的机架F1、F2、F3的每一个采集尾端附近的数据。所采集的数据的数据项目为辊间隙、辊移位量、轧制载荷、厚度计厚度等。其中,关于辊间隙采集WS、DS以及中央部的数据,关于轧制载荷采集WS及DS的数据。
采集尾端附近的数据是指,进行预测处理并通知给操作人员之前能够取得足够的时间那样的时间、例如从轧制材料的最尾端向前端追溯30秒,从此处向上游采集10秒钟的数据。换言之,在接近尾端的40秒钟的数据中,采集最初的10秒钟的数据。在该情况下,使用所采集的10秒钟的数据构建自适应模型。30秒的时间是与用于预测处理和对操作人员的通知、操作人员避免折叠的准备的时间之和大致相等的时间的例示。通过确保这样的时间,在预测对象的轧制材料到达预测对象的轧制机架的之前,对预测对象的轧制机架中的折叠的产生的有无及产生部位的全部或一部分进行预测,并通知给操作人员,能够促使操作人员进行避免折叠的准备。
另外,根据后述的机器学习的方法、统计方法,在不使用采集到的第二数据的所有项目或采集到的所有时间的数据的情况下,有时可得到更好的精度。因此,本实施方式的折叠产生预测系统构成为,能够从作为第二数据而采集的数据之中适当地选择使用所需的数据的结构。
在步骤102中,判定是储存了第一规定数以上的数据、还是追加了第二规定数以上的数据。这里,第一规定数是足以应用于机器学习、统计方法的数据的绝对数。在机器学习的情况下,根据其方法也不同,但一般需要3000至10000个以上的数据。第二规定数随着轧制进行而数据增加,因此在用于根据新追加的数据来更新自适应模型的判断中是必要的。其能够任意地选择,但若数量设定得较少,则频繁更新,但计算负载也增加。若设定得较多,则更新频度变少,但存在无法追随轧制的新状况的隐患。
在步骤101中继续进行自适应模型构建用的第一数据及第二数据的采集与保存,直到满足步骤102的条件为止。然后,若满足步骤102的条件,则流程进入步骤103。步骤103是用于构建自适应模型的主处理。由NN、SOM、ACC这样的方法实现的自适应模型通过输入数据更新其内部状态,能够进行更准确的预测。
在步骤104中,已完成构建的自适应模型被保存为自适应完成模型。在存在使用旧的数据构建的现有的自适应完成模型的情况下,通过本次构建的自适应模型来更新现有的自适应完成模型,并保存更新后的自适应完成模型。
接下来,按照右侧的流程图对预测阶段的处理流程进行说明。在预测阶段,首先执行步骤201。在步骤201中,设置折叠预测对象机架的机架编号(k)。由于折叠容易在精轧机的后段的机架产生,因此机架编号(k)也可以仅设为4、5、6、7。在步骤202中,在每次执行时,机架编号(k)被一个个地更新并重新设置。
在步骤203中,用与步骤101中说明的自适应模型构建用的第二数据相同的采集方法来采集预测用数据。取得预测数据的在先轧制机架需要考虑预测处理所需的时间、经由显示装置的显示向操作人员通知所需的时间、操作人员进行避免折叠操作的准备的时间来决定。以下的表示出了预测对象的轧制机架(在表中记载为预测对象机架)与采集预测数据的在先轧制机架(在表中记载为预测数据采集机架)的对应关系的一个例子。
表1
预测对象机架 | 预测数据采集机架 |
F7 | F1,F2,F3或者F1,F2 |
F6 | F1,F2,F3或者F1,F2 |
F5 | F1,F2 |
F4 | F1,F2 |
在步骤204中,读入在步骤104中保存的自适应完成模型,并向自适应完成模型输入预测数据。针对各预测对象机架,从自适应完成模型输出折叠产生的有无的预测结果、以及在产生折叠的情况下其产生部位的预测结果。
在步骤205中,确认是否在所有预测对象机架实施了预测。反复进行从步骤202到步骤204的处理,直到所有预测对象机架中的预测完成为止。然后,在所有预测对象机架中的预测完成后,进入步骤206,进行预测结果向操作人员的通知。此时,处于运转室内的操作人员大多是在观看处于玻璃窗的对面的实际的轧制状态、或者在观察设置于运转室内的电视监视器中的某一方。因此,希望预测结果的通知也显示于这两处容易观察的地方。另外,这里虽然在预测了所有对象机架之后进行预测结果向操作人员的通知,但也可以每当预测到产生折叠时就进行向操作人员的通知。即,也可以在从第m机架开始预测时,若预测为在第m机架产生折叠,则立即通知该情况,接着对第m+1机架进行预测。
3.适合于折叠产生的预测的自适应模型
3-1.NN
NN在最简单的构成中,为输入层、中间层、输出层的3层结构,也能够增加中间层。在中间层由多层构成的情况下,也能够进行深层学习。各层由一个或多个神经元构成,各层的神经元用具有权重的线结合。一个神经元的输出状态根据输入值的层级(level)而改变。在有教师学习的情况下,一般采用将NN的输出与教师信号进行比较,在反向上更新结合线的权重的所谓反向传播的方法。
3-2.SOM
SOM不需要教师数据,仅使用正常数据、即未产生折叠时所采集的数据。若将SOM的划分定义为5×5、10×10、25×25等,则各划分成为一个神经元。在各神经元中准备所使用的变量的数量的平面。图6是对SOM的构成例与使用该SOM的构成例的预测方法的概要进行说明的图。在图6所示的SOM的构成例中,SOM由10×10的神经元构成。
在各神经元中准备变量个数的量的平面。这里,将第二数据所具有的辊间隙、轧制载荷等数据项目的数量设为20个。在各神经元中准备变量20个的量的平面,详细地说,准备具有变量的值的轴与时间的轴的平面。20个变量分别如图5所示的处理流程的步骤101中说明的那样,具有相当于轧制材料的尾端附近的10秒钟的量的数据。
在自适应模型的构建阶段、即学习阶段,随机地赋予各神经元内的初始平面上的10秒钟量的曲线。当然,给出各神经元不重复等限制。另外,将10秒钟、20个变量的正常数据作为1组来保存。数据被一组组地取出,判定作为该1组的数据整体最接近哪个神经元的曲线。然后,设为属于被判定为最接近的神经元。对所有正常数据的组进行相同的处理,最后由各神经元内的各变量决定成为重心的曲线。由此完成自适应模型的构建、即完成学习。
在预测阶段、即正常异常的判定阶段,将作为判定对象数据的预测用数据的各变量值与100个神经元内的各变量值的重心值进行比较。然后,计算判定对象数据作为整体接近哪个神经元,选择被判定为最接近的神经元。接下来,计算所选择的神经元内的各变量的重心的曲线与判定对象数据的各变量值的距离,若该距离为大大偏离其他距离的变量(在上例子中,为图6中的变量1),则认为包含该变量的数据为异常。即,判定为产生了折叠。
以下的表示出了通过SOM使用正常数据构建自适应模型,并使用自适应完成模型进行了异常数据的检测的情况下的学习效果的验证例。在该验证例中,在同一钢种的全部7650个数据之中包括136个具有尾端折叠的异常数据,但100%检测出了这些异常数据。若使用该自适应完成模型,则能够以接近100%的精度来预测折叠的产生的有无。
表2
3-3.ACC
ACC基本上是应用了公知的管理图(Control Charts)的方法。管理图固定上方管理极限(Upper Control Limit:以下,记作UCL)和下方管理极限(Lower Control Limit:以下,记作LCL),但ACC根据数据的推移而将它们变更。若假设存在某个时间序列数据,该期间表示10秒钟推移,则例如每0.1秒使瞄准错开,从此处起将1秒钟作为1个区间,根据各个区间的标准偏差决定各个区间中的UCL以及LCL。此时,若数据中存在失真度,则也进行基于此的UCL以及LCL的校正。关于该校正的方法,记载于“Betul Kan,and Berna Yazici”TheIndividuals Control Chart in Case of Non-Normality”,Journal of Modern AppliedStatistical Methods,Vol.5、Issues2、Article 28、Digital Commons@WayneState(2005)”中。
以下,使用图7至图9,针对ACC的动作概要,以尾端折叠的检测为例进行更具体地说明。在自适应模型的构建阶段,与SOM同样地,将所选择的变量20个的尾端附近的10秒钟的正常数据用作自适应模型构建用的数据。尾端附近的10秒钟是指,除了接近尾端的30秒钟以外,从此处起接近前端10秒钟的意思。换言之,意味着接近尾端的40秒钟中的最初的10秒钟。
如图7所示的表那样采集数据。表的列为卷编号,行为数据编号。卷的根数为P根。在1根卷的数据中,J为10秒钟的数据的开头的编号,J+I为10秒钟的数据的最后的编号。由此,10秒钟的数据包含I个数据。设每0.1秒记录数据,在该情况下为I=10÷0.1=100个。
在表中,在卷编号p的行描绘了多个框,各框表示计算标准偏差的窗口。将计算标准偏差的窗口设为1秒钟的区间,每0.1秒一边错开窗口一边计算数据的标准偏差。对P个正常卷的20个变量全部进行这样的计算。于是,0-1秒钟、0.1-1.1秒钟等各时间段的标准偏差可以为P个,可以形成标准偏差的分布。例如,时间段1中的标准偏差作为S[1、1]、S[2、1]、……、S[P,1]而得到。通过计算同一时间段i中的标准偏差S[1~P,i]的标准偏差σ[i],能够将UCL取至σ[i]的+侧的例如3倍或4倍,并能够将LCL取至σ[i]的-侧的例如3倍或4倍。由此,可得到图8所示那样的UCL以及LCL。但是,图8是变量一个量的UCL以及LCL,针对各变量计算UCL以及LCL。在ACC中,这样决定UCL以及LCL相当于自适应模型的构建。
如图9所示,在预测阶段,将由判定对象的数据与在自适应模型的构建阶段决定的UCL及LCL进行比较。然后,将超过UCL或LCL的数据的个数、距UCL或LCL的距离之和作为评价值,来评价判定对象的数据距UCL、LCL多远,判定是正常还是异常。
在NN中,输入有折叠产生的异常数据与没有折叠产生的正常数据这两方来进行基于NN的模型的构建。与此相对,在SOM以及ACC中,仅输入没有折叠产生的正常数据来构建模型,在大大偏离该模型的情况下,判断为有折叠的产生。一般来说,产生折叠的轧制材料的数量远少于未产生折叠的轧制材料的数量。此外,在设备的运行中,正常运行的时间也远长于异常状态的时间。因此,通常,表示异常的数据远少于表示正常的数据。在这样的状况下,大多是通过SOM、ACC用正常状态的数据来构建模型,将正常状态以外判定为异常的结构更有利。
3-4.各自适应模型的特征
自适应模型被定义为,当输入数据时,内部的构成要素间的关系度变化且输出变化。其例为通过NN、SOM以及ACC的各方法构建的自适应模型。更详细地说,适合于折叠产生的预测的适合模型中包含由以下的定义A、定义B、以及定义C定义的适合模型。
(A)当输入数据时,内部的构成要素间的关系度变化且输出变化,并且在通过多个输入以及输出的集合进行了学习之后,评价对象输入并输出评价值
(B)当输入数据时,内部的构成要素间的关系度变化且输出变化,并且在通过多个输入的集合进行了学习之后,评价对象输入并输出评价值
(C)当输入数据时,内部的构成要素间的关系度变化且输出变化,并且在通过多个输入的集合决定了统计指标之后,评价输入的集合并输出评价值
NN为由定义A定义的自适应模型的一个例子。SOM为由定义B定义的自适应模型的一个例子。ACC为由定义C定义的自适应模型的一个例子。在以下的表中,针对NN、SOM以及ACC的每一个,示出了与自适应模型的定义的关系。
表3
4.折叠产生预测的处理流程的变形例
图10是表示基于本实施方式的折叠产生预测系统的处理流程的变形例的流程图。图5所示的处理流程与图10所示的处理流程的不同之处在于自适应模型的构建阶段的处理流程。详细地说,图5所示的处理流程中的步骤104的处理在图10示处理流程中被置换为步骤104a的处理。虽然自适应模型在自适应模型构建阶段被更新,但步骤104a是用于确认是否能够确保基于更新后的结果的预测精度的步骤。若新构建的自适应模型的精度足够,则自适应完成模型被更新、保存,否则不保存。
用于验证所构建的自适应模型的方法在上述三个方法中略有不同。在NN中,将学习用数据与验证用数据分开。例如,假设存在10000个数据,从其中随机选择500个或1000个数据作为验证用数据,剩余为学习用数据。验证用数据被输入到学习了学习用数据后的基于NN的模型中,验证是否高精度地预测折叠的产生有无。在SOM或ACC中,由于用没有折叠产生的正常数据构建模型,因此为了验证的仅使用异常数据。在通过SOM或ACC构建的模型中输入异常数据,若判定为有折叠产生,则判断为是高精度的模型。
<第二实施方式>
接下来,对本发明的第二实施方式的折叠产生预测系统进行说明。在本实施方式中,在预测折叠的产生的有无之后,不仅向操作人员通知该预测结果,还在入口侧侧导板的控制中使用。本实施方式的折叠产生预测系统具备在由预测装置预测为在预测对象的轧制机架中产生折叠的情况下,操作预测对象的轧制机架的入口侧侧导板的控制装置。作为控制装置发挥功能的计算机也可以是与作为预测装置发挥功能的计算机不同的计算机。另外,也可以通过软件使一个计算机作为预测装置发挥功能,并且作为控制装置发挥功能。
图11是表示利用了折叠预测结果的入口侧侧导板31、32的控制的例子的图。这里,对在第k机架产生尾端折叠,预测该位置为DS的情况下的控制例进行说明。在图11的上段所示的状态下,轧制材料100由第k-1机架轧制。此时还未产生蛇行。然后,时间经过而成为下段所示的状态,设想在尾端脱离第k-1机架后轧制材料100蛇行。是预测为产生尾端折叠的一个例子为轧制材料100处于这样的状态时。此时,未图示的控制装置为了防止尾端碰到入口侧侧导板而断裂,配合尾端的通过而进行打开DS的入口侧侧导板31的操作。另外,在无法确定在WS与DS的哪一侧产生折叠时,未图示的控制装置进行配合尾端的通过而打开WS与DS这两侧的入口侧侧导板31、32的操作。
在图11所示的例子中,设想产生尾端折叠的情况,但即使是产生前端折叠的情况也能够进行相同的控制。即,未图示的控制装置在预测为产生前端折叠的情况下,配合前端的通过而进行打开入口侧侧导板的操作。进行开操作的入口侧侧导板是产生折叠的一侧的侧导板,但在无法确定折叠的产生部位是WS还是DS时,进行打开WS与DS这两侧的侧导板的操作。
通过对预测对象的轧制机架的入口侧侧导板进行以上那样的控制,能够辅助操作人员,实现稳定的作业。
<其他实施方式>
在上述的实施方式中,以精轧机为对象进行了说明,但本发明也能够应用于粗轧机。在粗轧机中,多次进行重复正向、反向的轧制即可逆轧制。在将本发明应用于粗轧机的情况下,轧制道次是指各次的轧制,在轧制顺序上在先的在先轧制道次是指在上次以前进行的轧制。
另外,在上述的实施方式中,以尾端折叠为中心进行了说明,但本发明不仅能够应用于尾端折叠,也能够应用于前端折叠。
另外,作为自适应模型构建的方法,以NN、SOM以及ACC为例进行了说明,但能够应用于本发明的自适应模型构建的方法并不限定于这些。例如,也能够应用运用了搜索树的想法的Random Forest(RF)、作为RF的发展形式的Extra Trees、xgboost等。
附图标记说明
1:自适应模型构建数据采集保存部
2:自适应模型构建部
2a、302:自适应模型
3:预测用数据采集部
4:预测部
4a、312:自适应完成模型
5:结果显示部
10:预测装置
31、32:入口侧侧导板
100:轧制材料
Claims (10)
1.一种折叠产生预测系统,在将板状的金属材料加热至高温并通过多个轧制道次轧制的热轧中预测折叠的产生,该折叠是由于轧制材料蛇行或者在宽度方向上弯折而在所述轧制材料的前端或尾端产生的现象,其特征在于,
所述系统具备一个或多个计算机,
所述一个或多个计算机执行如下处理:
采集并保存在自适应模型的构建中所使用的自适应模型构建用数据的处理,所述自适应模型用于预测折叠的产生;
使用所述自适应模型构建用数据来构建所述自适应模型的处理;
保存已完成构建的所述自适应模型即自适应完成模型的处理;
采集在折叠的产生的预测中所使用的预测用数据的处理;以及
通过将所述预测用数据输入至所述自适应完成模型来预测折叠的产生的处理,
在采集并保存所述自适应模型构建用数据的处理中,采集多组第一数据和第二数据作为所述自适应模型构建用数据,所述第一数据表示成为折叠产生预测的对象的对象轧制道次中的折叠的产生的有无及产生部位,所述第二数据包含与所述第一数据相关联的轧制材料被在先轧制道次轧制时的与该在先轧制道次相关的信息和与该轧制材料相关的属性,所述在先轧制道次在轧制顺序上比所述对象轧制道次在先,
在采集所述预测用数据的处理中,采集包含预测对象的轧制材料被轧制顺序上比所述对象轧制道次在先的在先轧制道次轧制时的与该在先轧制道次相关的信息和与该轧制材料相关的属性的数据作为所述预测用数据,
在预测所述折叠的产生的处理中,在所述预测对象的轧制材料到达所述对象轧制道次之前,预测所述对象轧制道次中的折叠的产生的有无及产生部位的全部或一部分。
2.如权利要求1所述的折叠产生预测系统,其特征在于,
所述系统具备显示装置,
所述一个或多个计算机,
执行将折叠的产生的预测结果显示于所述显示装置的处理。
3.如权利要求1所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在预测为所述对象轧制道次中产生折叠的情况下,执行操作所述对象轧制道次的入口侧侧导板的处理。
4.如权利要求3所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在操作所述入口侧侧导板的处理中,确定在所述预测对象的轧制材料的前端与尾端的哪个端部产生折叠,配合产生折叠的一方的端部的通过而打开所述入口侧侧导板。
5.如权利要求3所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在操作所述入口侧侧导板的处理中,确定在所述对象轧制道次的运转室侧与电动机侧的哪一侧产生折叠,打开产生折叠的一侧的所述入口侧侧导板。
6.如权利要求3所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在操作所述入口侧侧导板的处理中,在无法确定在所述对象轧制道次的运转室侧与电动机侧的哪一侧产生折叠的情况下,打开所述运转室侧与所述电动机侧这两侧的所述入口侧侧导板。
7.如权利要求1至6中任一项所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在构建所述自适应模型的处理中,通过纳入人工智能的范畴的机器学习或统计方法来构建所述自适应模型,每当新得到一定数量的所述自适应模型构建用数据时更新所述自适应模型。
8.如权利要求1至6中任一项所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在采集并保存所述自适应模型构建用数据的处理中,利用通过了所述对象轧制道次的轧制材料的图像数据的分析来判定所述对象轧制道次中的折叠的产生的有无及产生部位。
9.如权利要求1至6中任一项所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在采集并保存所述自适应模型构建用数据的处理中,基于施加于所述对象轧制道次的入口侧侧导板的载荷来判定所述对象轧制道次中的折叠的产生的有无及产生部位。
10.如权利要求1至6中任一项所述的折叠产生预测系统,其特征在于,
所述一个或多个计算机,
在采集并保存所述自适应模型构建用数据的处理中,受理由操作人员经由人机界面HMI输入的所述对象轧制道次中的折叠的产生的有无及产生部位。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/035971 WO2021048984A1 (ja) | 2019-09-12 | 2019-09-12 | 絞り発生予測システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112839746A CN112839746A (zh) | 2021-05-25 |
CN112839746B true CN112839746B (zh) | 2022-10-11 |
Family
ID=74866315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980065244.9A Active CN112839746B (zh) | 2019-09-12 | 2019-09-12 | 折叠产生预测系统 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220008976A1 (zh) |
EP (1) | EP3838432B1 (zh) |
JP (1) | JP7070796B2 (zh) |
KR (1) | KR102426172B1 (zh) |
CN (1) | CN112839746B (zh) |
TW (1) | TWI749735B (zh) |
WO (1) | WO2021048984A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640753B (zh) * | 2022-04-01 | 2023-10-27 | 北京市疾病预防控制中心 | 基于实验视频处理的线虫咽泵运动频率自动识别方法 |
CN114833202B (zh) * | 2022-04-07 | 2024-04-12 | 中冶赛迪信息技术(重庆)有限公司 | 提高直轧平均温度的剔坯方法、系统、介质及电子终端 |
CN114682634B (zh) * | 2022-04-21 | 2024-05-07 | 重庆钢铁股份有限公司 | 一种预防折叠带尾进入轧机的方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01205808A (ja) * | 1988-02-12 | 1989-08-18 | Nippon Steel Corp | 連続式圧延機の尻絞り防止方法 |
JPH04118108A (ja) * | 1990-09-04 | 1992-04-20 | Toshiba Corp | 圧延材の蛇行制御装置 |
CN1264628A (zh) * | 1999-02-24 | 2000-08-30 | 三菱重工业株式会社 | 在热轧中防止鳞疤的系统和方法 |
CN1430539A (zh) * | 2000-05-26 | 2003-07-16 | 卡斯特里普公司 | 热轧薄带钢 |
CN101678417A (zh) * | 2008-03-14 | 2010-03-24 | 新日本制铁株式会社 | 在热态下的板轧制中的轧制负荷预测的学习方法 |
CN102989839A (zh) * | 2011-09-16 | 2013-03-27 | 宝山钢铁股份有限公司 | 热连轧卷取机平行侧导板控制方法 |
CN103269810A (zh) * | 2010-12-24 | 2013-08-28 | 三菱日立制铁机械株式会社 | 热轧设备以及热轧方法 |
JP2014117743A (ja) * | 2012-12-19 | 2014-06-30 | Jfe Steel Corp | 圧延材の蛇行制御方法、圧延材の蛇行制御装置、圧延材の蛇行制御プログラム、及び圧延材の製造方法 |
CN105706010A (zh) * | 2013-11-08 | 2016-06-22 | 东芝三菱电机产业系统株式会社 | 生产线模拟装置 |
JP2017001057A (ja) * | 2015-06-09 | 2017-01-05 | Jfeスチール株式会社 | 鋼板切断位置設定装置及び鋼板製造方法 |
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 |
JP2018015766A (ja) * | 2016-07-25 | 2018-02-01 | Jfeスチール株式会社 | 熱間仕上圧延における鋼板尾端蛇行制御方法 |
JP2018043255A (ja) * | 2016-09-13 | 2018-03-22 | 株式会社神戸製鋼所 | 蛇行予測システム及び蛇行予測方法 |
CN107847993A (zh) * | 2015-07-29 | 2018-03-27 | 新日铁住金株式会社 | 热轧用钛坯料 |
CN108602100A (zh) * | 2016-02-04 | 2018-09-28 | 首要金属科技德国有限责任公司 | 模型预测带位置控制器 |
CN108655190A (zh) * | 2018-04-17 | 2018-10-16 | 北京首钢股份有限公司 | 一种侧导板的控制方法及系统 |
JP2019074969A (ja) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
CN109874338A (zh) * | 2016-09-13 | 2019-06-11 | 首要金属科技德国有限责任公司 | 在原材料工业的设备情况下使用综合人工智能 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0753359B1 (en) * | 1995-07-10 | 2001-06-06 | Kawasaki Steel Corporation | Method and apparatus for continuous finishing hot-rolling a steel strip |
KR100363432B1 (ko) * | 1998-12-15 | 2003-02-19 | 주식회사 포스코 | 사상압연시의 스트립꼬임을 방지하기 위한 방법 및 장치 |
KR100675061B1 (ko) * | 2005-08-10 | 2007-01-29 | 제이에프이 스틸 가부시키가이샤 | 강대 또는 표면 처리 강대의 제조 방법 |
KR100660216B1 (ko) * | 2005-12-23 | 2006-12-21 | 주식회사 포스코 | 판 꼬임 방지를 위한 열간 압연 제어 방법 |
TWI541081B (zh) * | 2013-09-14 | 2016-07-11 | 中國鋼鐵股份有限公司 | 鋼胚之熱軋方法 |
TWI625174B (zh) * | 2017-07-27 | 2018-06-01 | 中國鋼鐵股份有限公司 | 鋼帶尾端破損的偵測方法 |
-
2019
- 2019-09-12 EP EP19944643.6A patent/EP3838432B1/en active Active
- 2019-09-12 WO PCT/JP2019/035971 patent/WO2021048984A1/ja unknown
- 2019-09-12 US US17/275,205 patent/US20220008976A1/en active Pending
- 2019-09-12 KR KR1020217008497A patent/KR102426172B1/ko active IP Right Grant
- 2019-09-12 CN CN201980065244.9A patent/CN112839746B/zh active Active
- 2019-09-12 JP JP2021519916A patent/JP7070796B2/ja active Active
-
2020
- 2020-08-28 TW TW109129538A patent/TWI749735B/zh active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01205808A (ja) * | 1988-02-12 | 1989-08-18 | Nippon Steel Corp | 連続式圧延機の尻絞り防止方法 |
JPH04118108A (ja) * | 1990-09-04 | 1992-04-20 | Toshiba Corp | 圧延材の蛇行制御装置 |
CN1264628A (zh) * | 1999-02-24 | 2000-08-30 | 三菱重工业株式会社 | 在热轧中防止鳞疤的系统和方法 |
CN1430539A (zh) * | 2000-05-26 | 2003-07-16 | 卡斯特里普公司 | 热轧薄带钢 |
CN101678417A (zh) * | 2008-03-14 | 2010-03-24 | 新日本制铁株式会社 | 在热态下的板轧制中的轧制负荷预测的学习方法 |
CN103269810A (zh) * | 2010-12-24 | 2013-08-28 | 三菱日立制铁机械株式会社 | 热轧设备以及热轧方法 |
CN102989839A (zh) * | 2011-09-16 | 2013-03-27 | 宝山钢铁股份有限公司 | 热连轧卷取机平行侧导板控制方法 |
JP2014117743A (ja) * | 2012-12-19 | 2014-06-30 | Jfe Steel Corp | 圧延材の蛇行制御方法、圧延材の蛇行制御装置、圧延材の蛇行制御プログラム、及び圧延材の製造方法 |
CN105706010A (zh) * | 2013-11-08 | 2016-06-22 | 东芝三菱电机产业系统株式会社 | 生产线模拟装置 |
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 |
JP2017001057A (ja) * | 2015-06-09 | 2017-01-05 | Jfeスチール株式会社 | 鋼板切断位置設定装置及び鋼板製造方法 |
CN107847993A (zh) * | 2015-07-29 | 2018-03-27 | 新日铁住金株式会社 | 热轧用钛坯料 |
CN108602100A (zh) * | 2016-02-04 | 2018-09-28 | 首要金属科技德国有限责任公司 | 模型预测带位置控制器 |
JP2018015766A (ja) * | 2016-07-25 | 2018-02-01 | Jfeスチール株式会社 | 熱間仕上圧延における鋼板尾端蛇行制御方法 |
JP2018043255A (ja) * | 2016-09-13 | 2018-03-22 | 株式会社神戸製鋼所 | 蛇行予測システム及び蛇行予測方法 |
CN109874338A (zh) * | 2016-09-13 | 2019-06-11 | 首要金属科技德国有限责任公司 | 在原材料工业的设备情况下使用综合人工智能 |
JP2019074969A (ja) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
CN108655190A (zh) * | 2018-04-17 | 2018-10-16 | 北京首钢股份有限公司 | 一种侧导板的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021048984A1 (ja) | 2021-03-18 |
TWI749735B (zh) | 2021-12-11 |
KR20210046738A (ko) | 2021-04-28 |
EP3838432B1 (en) | 2023-01-04 |
KR102426172B1 (ko) | 2022-07-27 |
EP3838432A1 (en) | 2021-06-23 |
CN112839746A (zh) | 2021-05-25 |
EP3838432A4 (en) | 2021-10-06 |
TW202126401A (zh) | 2021-07-16 |
US20220008976A1 (en) | 2022-01-13 |
JPWO2021048984A1 (ja) | 2021-10-28 |
JP7070796B2 (ja) | 2022-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112839746B (zh) | 折叠产生预测系统 | |
JP6791261B2 (ja) | 圧延設備の異常診断の方法及び装置 | |
CN107949813B (zh) | 制造设备诊断辅助装置及制造设备诊断辅助方法 | |
JP7158569B2 (ja) | 金属製品の製造をモニタリングするための方法および電子デバイス、関連するコンピュータプログラムならびに設備 | |
JP5888175B2 (ja) | データ解析装置 | |
JP2020157327A (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
JP4696775B2 (ja) | 板幅制御方法および装置 | |
KR102338546B1 (ko) | 철강 플랜트의 메인터넌스 지원 장치 | |
JP6493315B2 (ja) | 圧下レベリング制御装置および圧下レベリング制御方法 | |
JP5903869B2 (ja) | 熱間圧延ラインにおけるミルペーシング制御方法 | |
JP2011221645A (ja) | 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 | |
Sikdar et al. | Neural network model of the profile of hot-rolled strip | |
JP2020003871A (ja) | 鉄鋼プラント用監視作業支援システム | |
KR102516612B1 (ko) | 금속 피가공재 제조 방법 | |
JP2022108117A (ja) | 予測装置、学習装置、予測プログラム、及び学習プログラム | |
JP6493270B2 (ja) | 圧下レベリング制御装置および圧下レベリング制御方法 | |
TWI814254B (zh) | 資料收集裝置 | |
WO2023218619A1 (ja) | 圧延生産性向上支援装置 | |
CN117000781B (zh) | 用于钛带加工设备的故障检测方法及系统 | |
JP5423524B2 (ja) | 熱延コイルの製造条件決定装置および方法ならびに熱延コイルの製造方法 | |
JP6822390B2 (ja) | 厚鋼板の粗圧延時間算出方法、厚鋼板の粗圧延時間算出装置、及び厚鋼板の製造方法 | |
JP7156318B2 (ja) | 圧延装置の制御方法、圧延装置の制御装置、および鋼板の製造方法 | |
JP2018094608A (ja) | 圧下レベリング制御装置および圧下レベリング制御方法 | |
JP2023086615A (ja) | 高温鋼材の割れ検出方法、高温鋼材の圧延方法及び高温鋼材の割れ検出モデルの生成方法 | |
JP2023070052A (ja) | 鋼板の板プロフィル判定方法、処置工程設定方法、製造方法、及び板プロフィル判定モデルの生成方法 |
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 |