CN113474098A - 轧制载荷预测方法、轧制载荷预测装置及轧制控制方法 - Google Patents
轧制载荷预测方法、轧制载荷预测装置及轧制控制方法 Download PDFInfo
- Publication number
- CN113474098A CN113474098A CN202080014930.6A CN202080014930A CN113474098A CN 113474098 A CN113474098 A CN 113474098A CN 202080014930 A CN202080014930 A CN 202080014930A CN 113474098 A CN113474098 A CN 113474098A
- Authority
- CN
- China
- Prior art keywords
- rolling
- rolling load
- steel material
- load prediction
- temperature
- 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.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims description 27
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 58
- 239000010959 steel Substances 0.000 claims abstract description 58
- 239000000463 material Substances 0.000 claims abstract description 52
- 230000002596 correlated effect Effects 0.000 claims abstract description 5
- 238000010438 heat treatment Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000470 constituent Substances 0.000 description 5
- 238000012821 model calculation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 229910052748 manganese Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 229910052796 boron Inorganic materials 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 229910052758 niobium Inorganic materials 0.000 description 2
- 239000002436 steel type Substances 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
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
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
- B21B38/006—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
- B21C51/005—Marking devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2265/00—Forming parameters
- B21B2265/12—Rolling load or rolling pressure; roll force
-
- 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
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
- B21B38/04—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring thickness, width, diameter or other transverse dimensions of the product
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明的轧制载荷预测装置是预测对钢材进行轧制的辊压机的轧制载荷的轧制载荷预测装置,具备如下的单元:通过对轧制载荷预测模型输入预测对象的作业条件来预测以预测对象的作业条件对钢材进行轧制时的辊压机的轧制载荷,该轧制载荷预测模型通过使至少包含与钢材的温度相关联的因子的作业实际数据为输入变量并使辊压机的轧制载荷的实际值为输出变量进行学习而得到。
Description
技术领域
本发明涉及轧制载荷预测方法、轧制载荷预测装置及轧制控制方法。
背景技术
以往,为了提高轧制品质、轧制效率,使用作业实际数据进行将用于辊压机的设定值的计算的物理模型,特别是预测轧制载荷的轧制载荷预测模型最优化。具体而言,专利文献1记载了利用神经网络来学习使用作业实际数据将辊压机的特性进行数式化后的数学模型的技术。
现有技术文献
专利文献
专利文献1:日本特开平11-707号公报
发明内容
发明要解决的课题
然而,由于在轧制过程中难以测定钢材的温度,因此无法使用与钢材的温度相关联的作业实际数据将轧制载荷预测模型最优化。另外,由于作为神经网络的学习数据项目而能够使用的作业实际数据的数目有限,因此在专利文献1记载的技术中,与钢材的温度相关联的作业实际数据未用作学习数据项目。结果是,难以“通过使用轧制载荷预测模型来高精度地预测轧制载荷,从而高精度地决定辊压机的设定值,并使钢材的轧制品质、轧制效率提高”。
本发明鉴于上述课题作出,其目的在于提供一种能够高精度地预测辊压机的轧制载荷的轧制载荷预测方法及轧制载荷预测装置。而且,本发明的另一目的在于提供一种能够提高钢材的轧制品质、轧制效率的轧制控制方法。
用于解决课题的方案
本发明的发明者们在使用了神经网络的情况下,着眼于不考虑多重共线性的问题而能够自由地选择输入变量,研讨了各种输入变量。其结果是,发现了如果将现有的方法中难以选择的滑轨等的温度加入到输入变量中,则轧制载荷的预测精度提高。并且,本发明的发明者们进一步反复研讨,在预测轧制载荷方面,查明了通过不仅加入直接的轧制时的钢材的温度,还加入各种包括加热炉抽出时的板坯的温度、滑轨温度等的间接的温度在内的与温度相关联的因子,轧制载荷的预测精度显著提高,想到了将其与输入变量的选择没有限制的神经网络相结合的方案。这样,得到了如下见解:将与钢材的温度相关联的因子包含于轧制载荷预测模型的输入变量而使用机器学习方法来使轧制载荷预测模型进行学习,并使用学习后的轧制载荷预测模型对辊压机的轧制载荷进行预测,由此能够高精度地预测辊压机的轧制载荷。本发明是基于上述见解而想到的发明。
本发明的轧制载荷预测方法预测对钢材进行轧制的辊压机的轧制载荷,其中,所述轧制载荷预测方法包括如下步骤:通过对轧制载荷预测模型输入预测对象的作业条件来预测以预测对象的作业条件对钢材进行轧制时的辊压机的轧制载荷,该轧制载荷预测模型通过使至少包含与所述钢材的温度相关联的因子的作业实际数据为输入变量并使辊压机的轧制载荷的实际值为输出变量进行学习而得到。
可以是,与所述钢材的温度相关联的因子包含在加热炉内支承所述钢材的滑轨的温度。
可以是,所述轧制载荷预测模型是使用深度学习进行学习而得到的学习模型。
本发明的轧制载荷预测装置预测对钢材进行轧制的辊压机的轧制载荷,其中,所述轧制载荷预测装置具备如下的单元:通过对轧制载荷预测模型输入预测对象的作业条件来预测以预测对象的作业条件对钢材进行轧制时的辊压机的轧制载荷,该轧制载荷预测模型通过使至少包含与所述钢材的温度相关联的因子的作业实际数据为输入变量并使辊压机的轧制载荷的实际值为输出变量进行学习而得到。
可以是,与所述钢材的温度相关联的因子包含在加热炉内支承所述钢材的滑轨的温度。
可以是,所述轧制载荷预测模型是使用深度学习进行学习而得到的学习模型。
本发明的轧制控制方法包括如下的步骤:使用利用本发明的轧制载荷预测方法预测出的辊压机的轧制载荷来算出辊压机的设定值,并按照算出的设定值来控制辊压机。
发明效果
根据本发明的轧制载荷预测方法及轧制载荷预测装置,能够高精度地预测辊压机的轧制载荷。而且,根据本发明的轧制控制方法,能够提高钢材的轧制品质、轧制效率。
附图说明
图1是表示本发明的一实施方式的轧制控制装置的结构的框图。
图2是表示图1所示的轧制载荷预测模型的结构的示意图。
图3是表示图1所示的作业实际DB的结构的示意图。
图4是表示实施例1、2及现有例中的预测载荷与实际载荷的关系的分散图。
具体实施方式
以下,参照附图,说明本发明的一实施方式的轧制控制装置。
图1是表示本发明的一实施方式的轧制控制装置的结构的框图。图2是表示图1所示的轧制载荷预测模型11的结构的示意图。图3是表示图1所示的作业实绩DB4的结构的示意图。
如图1所示,本发明的一实施方式的轧制控制装置1由周知的信息处理装置构成,通过控制用于厚板钢板制造的可逆式辊压机等辊压机2来控制在辊压机2中被轧制的钢材的轧制品质、轧制效率。
轧制控制装置1具备轧制载荷预测模型11、模型计算部12及设定值计算部13。
轧制载荷预测模型11是用于根据作业条件来预测辊压机2的轧制载荷的机器学习模型,在本实施方式中,如图2所示,由具备输入层、多个中间层及输出层的深度学习模型构成。在此,成为轧制载荷的预测对象的作业条件向输入层输入。中间层的参数由机器学习装置3进行机器学习。输出层输出在向输入层输入的作业条件下对钢材进行轧制时的辊压机2的轧制载荷的预测值。
在本实施方式中,深度学习模型的输入变量(说明变量)包括与钢材的大小相关联的输入变量、与钢材的温度相关联的输入变量、与钢材的构成元素相关联的输入变量、与对钢材进行轧制的辊压机2相关联的输入变量。
作为与钢材的大小相关联的输入变量,可以例示钢板的制品尺寸(厚度、宽度、长度)、轧制时的辊压机2的送入侧及送出侧的板厚、从加热炉抽出的板坯的尺寸(厚度、宽度、长度)。
作为与钢材的温度相关联的输入变量,可以例示轧制时的钢材的温度(平均值、宽度方向中央部温度、宽度方向端部温度)、加热炉抽出时的板坯的温度(平均值、宽度方向中央部温度、宽度方向端部温度)、在加热炉内支承钢材的固定滑轨及移动滑轨的温度。
作为与钢材的构成元素相关联的输入变量,可以例示构成元素(C、Si、Mn、P、S、Cu、Ni、Cr、Mo、V、Nb、Al、Ti、B)及钢种判定标记。
作为与对钢材进行轧制的辊压机2相关联的输入变量,可以例示当前的轧制道次数、轧制间时间、工件辊的半径、工件辊的宽度方向中央部及宽度方向端部的磨损量、工件辊更换后的轧制根数。在本发明中,这些输入变量中的追加了板坯尺寸(厚、宽、长)、制品尺寸(厚、宽、长)、板坯抽出时的板坯表面温度、加热炉内固定滑轨温度、移动滑轨温度、成分信息(C、Si、Mn、P、S)、轧制辊改编后的轧制根数、轧制道次数等在以往的轧制载荷预测中未使用的输入变量。轧制载荷由将轧制对象的钢板的变形阻力和由于辊表面与钢板表面的接触线上的摩擦而产生的压力增量合在一起的量等构成。其中,变形阻力由于压下量、材料的成分组成而较大变化,并且较大地依赖于温度。以往,以辊压机的送入侧及送出侧的板厚、板宽、轧制时的钢板的平均温度(预测值)、辊径等作为主输入变量来计算轧制载荷。然而,在本发明中,新追加了上述的输入变量。
特别是关于变形阻力,由于钢板的材料组成(钢中成分)产生影响,因此加入考虑。而且,关于温度,认为若考虑厚度方向的温度不均等的影响则计算精度提高。此时,轧制前的板坯阶段的厚度方向的温度不均对之后的温度预测造成的影响大。因此,为了反映加热炉内的加热状况,考虑加热炉内的固定滑轨及移动滑轨的温度。加热炉内的滑轨是对炉内的板坯进行支撑的棒状的支撑物,内部始终被水冷,对板坯下部的温度造成影响,因此以滑轨的温度评价了上述的影响。而且,轧制辊改编后的轧制根数(实施了轧制的材料的数量)作为能够直接评价辊的磨损程度的值而反映到输入中。这考虑了关于由辊扁平引起的接触弧长,通过轧制来吸收由于辊的使用而产生的误差增大量。
机器学习装置3从保存辊压机2的作业实际数据的作业实绩数据库(作业实绩DB)4取得图3所示那样的输入变量(说明变量)与辊压机2的轧制载荷的实际值的对作为学习数据,使用取得的学习数据对轧制载荷预测模型11进行机器学习。需要说明的是,在本实施方式中,使用了深度学习作为机器学习方法,但是也可以使用逻辑回归分析、决定树、神经网络等机器学习方法。
模型计算部12通过将成为轧制载荷的预测对象的作业条件向轧制载荷预测模型11输入,来预测以预测对象的作业条件对钢材进行轧制时的辊压机2的轧制载荷。
设定值计算部13基于通过模型计算部12预测出的轧制载荷来计算辊压机2的设定值,并按照计算的设定值来控制(设置)辊压机2。
〔实施例〕
在本实施例中,使用公知的深度学习框架chainer进行了轧制载荷预测模型11的机器学习。中间层使用4层的结构(各层中的单元数从接近于输入的一方起设为60、120、60、30),学习数据使用了20万次的作业实际数据。在机器学习时使用批式标准化方法(但是,批式尺寸设为256),学习率的设定使用了Adam方法。输入变量使用了当前的道次数、钢板尺寸(厚、宽、长)、板坯尺寸(厚、宽、长)、构成元素(C、Si、Mn、P、S、Cu、Ni、Cr、Mo、V、Nb、Al、Ti、B)、钢种判定标记(422、434、433、333)、温度(轧制时的钢材的温度(平均值、中央部温度、端部温度)、加热炉抽出时的板坯的温度(平均值、中央部温度、端部温度)、加热炉内的固定滑轨及移动滑轨的温度)、轧制间时间、工件辊(工件辊的半径、工件辊的中央部及端部的磨损量、工件辊更换后的轧制根数)这总计35个。输出变量(目标变量)使用了轧制载荷的实际值。结果是,能够确认通过加入与温度、构成元素相关的作业实际数据来对轧制载荷预测模型11进行机器学习,使轧制载荷的精度提高。表1是对使用了深度学习的轧制载荷预测及变形阻力预测(实施例1、2)与基于以往的物理模型式的轧制载荷预测(现有例)的精度进行比较的表格。图4(a)~(c)是表示实施例1、2及现有例中的预测载荷与实际载荷的关系的分散图。实施例1的RMSE(均方根误差)为现有例的RMSE的一半,因此确认了通过使用深度学习而能得到大幅的精度提高。
[表1]
(表1)
平均 | 标准偏差 | RMSE | |
现有例 | 0.15% | 10.8% | 10.8% |
实施例1 | 0.41% | 5.38% | 5.40% |
实施例2 | 1.62% | 8.90% | 9.05% |
从以上的说明可知,本发明的一实施方式的轧制控制装置1通过对通过使至少包含与钢材的温度相关联的因子的作业实际数据为输入变量并使辊压机2的轧制载荷的实际值为输出变量进行学习而得到的轧制载荷预测模型11输入预测对象的作业条件,来预测以预测对象的作业条件对钢材进行轧制时的辊压机2的轧制载荷,能够高精度地预测辊压机2的轧制载荷。而且,由此,能够高精度地决定辊压机2的设定值,提高钢材的轧制品质、轧制效率。
以上,说明了应用由本发明者们作出的发明的实施方式,但是并非通过本实施方式的形成本发明的公开的一部分的记述及附图来限定本发明。即,基于本实施方式而由本领域技术人员等作出的其他的实施方式、实施例及运用技术等全部包含于本发明的范畴。
工业实用性
根据本发明,能够提供一种能够高精度地预测辊压机的轧制载荷的轧制载荷预测方法及轧制载荷预测装置。而且,根据本发明,能够提供一种能够提高钢材的轧制品质、轧制效率的轧制控制方法。
标号说明
1 轧制控制装置
2 辊压机
3 机器学习装置
4 作业实际数据库(作业实际DB)
11 轧制载荷预测模型
12 模型计算部
13 设定值计算部
Claims (7)
1.一种轧制载荷预测方法,预测对钢材进行轧制的辊压机的轧制载荷,其中,
所述轧制载荷预测方法包括如下步骤:通过对轧制载荷预测模型输入预测对象的作业条件来预测以预测对象的作业条件对钢材进行轧制时的辊压机的轧制载荷,该轧制载荷预测模型通过使至少包含与所述钢材的温度相关联的因子的作业实际数据为输入变量并使辊压机的轧制载荷的实际值为输出变量进行学习而得到。
2.根据权利要求1所述的轧制载荷预测方法,其中,
与所述钢材的温度相关联的因子包含在加热炉内支承所述钢材的滑轨的温度。
3.根据权利要求1或2所述的轧制载荷预测方法,其中,
所述轧制载荷预测模型是使用深度学习进行学习而得到的学习模型。
4.一种轧制载荷预测装置,预测对钢材进行轧制的辊压机的轧制载荷,其中,
所述轧制载荷预测装置具备如下单元:通过对轧制载荷预测模型输入预测对象的作业条件来预测以预测对象的作业条件对钢材进行轧制时的辊压机的轧制载荷,该轧制载荷预测模型通过使至少包含与所述钢材的温度相关联的因子的作业实际数据为输入变量并使辊压机的轧制载荷的实际值为输出变量进行学习而得到。
5.根据权利要求4所述的轧制载荷预测装置,其中,
与所述钢材的温度相关联的因子包含在加热炉内支承所述钢材的滑轨的温度。
6.根据权利要求4或5所述的轧制载荷预测装置,其中,
所述轧制载荷预测模型是使用深度学习进行学习而得到的学习模型。
7.一种轧制控制方法,其中,
包括如下步骤:使用利用权利要求1~3中任一项所述的轧制载荷预测方法预测出的辊压机的轧制载荷来算出辊压机的设定值,并按照算出的设定值来控制辊压机。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-029123 | 2019-02-21 | ||
JP2019029123A JP2020131248A (ja) | 2019-02-21 | 2019-02-21 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
PCT/JP2020/006387 WO2020171096A1 (ja) | 2019-02-21 | 2020-02-19 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113474098A true CN113474098A (zh) | 2021-10-01 |
Family
ID=72143977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080014930.6A Pending CN113474098A (zh) | 2019-02-21 | 2020-02-19 | 轧制载荷预测方法、轧制载荷预测装置及轧制控制方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220126342A1 (zh) |
EP (1) | EP3928885A4 (zh) |
JP (1) | JP2020131248A (zh) |
KR (1) | KR20210111296A (zh) |
CN (1) | CN113474098A (zh) |
BR (1) | BR112021016071A2 (zh) |
WO (1) | WO2020171096A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI824834B (zh) * | 2022-11-22 | 2023-12-01 | 國立高雄科技大學 | 連續輥軋製程檢測方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7449776B2 (ja) * | 2020-05-20 | 2024-03-14 | 株式会社日立製作所 | 熱間圧延ライン制御システムおよび熱間圧延ライン制御方法 |
JP7298577B2 (ja) * | 2020-10-01 | 2023-06-27 | Jfeスチール株式会社 | 板厚算出方法、板厚制御方法、板材の製造方法、板厚算出装置および板厚制御装置 |
JP7298578B2 (ja) * | 2020-10-01 | 2023-06-27 | Jfeスチール株式会社 | 板厚制御方法、板材の製造方法および板厚制御装置 |
JP7342891B2 (ja) * | 2021-01-19 | 2023-09-12 | Jfeスチール株式会社 | 鋼材の圧延時間算出方法、連続式加熱炉の自動燃焼制御方法および鋼材の製造方法 |
CN116917059A (zh) * | 2021-02-15 | 2023-10-20 | 杰富意钢铁株式会社 | 冷轧机的轧制条件计算方法、冷轧机的轧制条件计算装置、冷轧方法、冷轧机及钢板的制造方法 |
WO2022172524A1 (ja) * | 2021-02-15 | 2022-08-18 | Jfeスチール株式会社 | 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 |
JP7420157B2 (ja) * | 2021-03-23 | 2024-01-23 | Jfeスチール株式会社 | 圧延制御装置および圧延制御方法 |
JP7468466B2 (ja) * | 2021-06-21 | 2024-04-16 | Jfeスチール株式会社 | 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機 |
JP7480764B2 (ja) | 2021-09-06 | 2024-05-10 | Jfeスチール株式会社 | 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06269823A (ja) * | 1993-03-23 | 1994-09-27 | Nippon Steel Corp | 連続圧延における板クラウン制御方法 |
JPH07204718A (ja) * | 1994-01-11 | 1995-08-08 | Mitsubishi Electric Corp | 圧延装置 |
JPH08117827A (ja) * | 1994-10-24 | 1996-05-14 | Mitsubishi Electric Corp | 圧延装置 |
JPH08132114A (ja) * | 1994-11-11 | 1996-05-28 | Nippon Steel Corp | 圧延制御方法 |
JPH10118701A (ja) * | 1996-10-16 | 1998-05-12 | Nkk Corp | 熱延鋼帯の圧延方法 |
JP2005528531A (ja) * | 2002-07-25 | 2005-09-22 | ポスコ | 被加熱素材上の温度偏差を減少させる方法及びスキッド部材並びにこれを利用したスキッド装置 |
JP2007245204A (ja) * | 2006-03-16 | 2007-09-27 | Jfe Steel Kk | 圧延荷重モデルの学習方法及びその装置 |
CN201032387Y (zh) * | 2007-04-23 | 2008-03-05 | 北京浩日新特热能技术有限公司 | 一种加热炉用嵌入式全无水冷滑轨 |
KR20090130410A (ko) * | 2008-03-14 | 2009-12-23 | 신닛뽄세이테쯔 카부시키카이샤 | 열간에서의 판 압연에 있어서의 압연 부하 예측의 학습 방법 |
CN105478490A (zh) * | 2014-10-07 | 2016-04-13 | 株式会社日立制作所 | 串列式轧机的控制装置以及控制方法 |
CN106660090A (zh) * | 2014-09-10 | 2017-05-10 | 东芝三菱电机产业系统株式会社 | 轧制模拟装置 |
CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3223856B2 (ja) * | 1997-04-17 | 2001-10-29 | 日本鋼管株式会社 | 圧延機の制御方法及び圧延機の制御装置 |
DE19930124A1 (de) * | 1999-06-30 | 2001-01-04 | Siemens Ag | Verfahren und Einrichtung zur Bestimmung der Walzkraft in einem Walzgerüst |
WO2010103659A1 (ja) * | 2009-03-13 | 2010-09-16 | 東芝三菱電機産業システム株式会社 | 最適化装置 |
JP6020263B2 (ja) * | 2012-03-29 | 2016-11-02 | Jfeスチール株式会社 | 圧延荷重の学習制御装置および学習制御方法、並びにこれを用いた金属板製造方法 |
JP5979066B2 (ja) * | 2012-06-04 | 2016-08-24 | Jfeスチール株式会社 | 結果予測装置および結果予測方法 |
KR101585762B1 (ko) * | 2014-03-26 | 2016-01-15 | 주식회사 포스코 | 스키드레일 실험용 가열로 |
EP3293594A1 (de) * | 2016-09-13 | 2018-03-14 | Primetals Technologies Germany GmbH | Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie |
JP6548691B2 (ja) * | 2016-10-06 | 2019-07-24 | 株式会社アドバンスド・データ・コントロールズ | 画像生成システム、プログラム及び方法並びにシミュレーションシステム、プログラム及び方法 |
CN110520805B (zh) * | 2017-04-18 | 2022-12-06 | 首要金属科技德国有限责任公司 | 过程模型的建模优化 |
JP6491262B2 (ja) * | 2017-05-24 | 2019-03-27 | ヤフー株式会社 | モデル |
-
2019
- 2019-02-21 JP JP2019029123A patent/JP2020131248A/ja active Pending
-
2020
- 2020-02-19 EP EP20758445.9A patent/EP3928885A4/en active Pending
- 2020-02-19 BR BR112021016071-0A patent/BR112021016071A2/pt unknown
- 2020-02-19 KR KR1020217024913A patent/KR20210111296A/ko not_active Application Discontinuation
- 2020-02-19 CN CN202080014930.6A patent/CN113474098A/zh active Pending
- 2020-02-19 WO PCT/JP2020/006387 patent/WO2020171096A1/ja unknown
- 2020-02-19 US US17/428,801 patent/US20220126342A1/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06269823A (ja) * | 1993-03-23 | 1994-09-27 | Nippon Steel Corp | 連続圧延における板クラウン制御方法 |
JPH07204718A (ja) * | 1994-01-11 | 1995-08-08 | Mitsubishi Electric Corp | 圧延装置 |
JPH08117827A (ja) * | 1994-10-24 | 1996-05-14 | Mitsubishi Electric Corp | 圧延装置 |
JPH08132114A (ja) * | 1994-11-11 | 1996-05-28 | Nippon Steel Corp | 圧延制御方法 |
JPH10118701A (ja) * | 1996-10-16 | 1998-05-12 | Nkk Corp | 熱延鋼帯の圧延方法 |
JP2005528531A (ja) * | 2002-07-25 | 2005-09-22 | ポスコ | 被加熱素材上の温度偏差を減少させる方法及びスキッド部材並びにこれを利用したスキッド装置 |
JP2007245204A (ja) * | 2006-03-16 | 2007-09-27 | Jfe Steel Kk | 圧延荷重モデルの学習方法及びその装置 |
CN201032387Y (zh) * | 2007-04-23 | 2008-03-05 | 北京浩日新特热能技术有限公司 | 一种加热炉用嵌入式全无水冷滑轨 |
KR20090130410A (ko) * | 2008-03-14 | 2009-12-23 | 신닛뽄세이테쯔 카부시키카이샤 | 열간에서의 판 압연에 있어서의 압연 부하 예측의 학습 방법 |
CN106660090A (zh) * | 2014-09-10 | 2017-05-10 | 东芝三菱电机产业系统株式会社 | 轧制模拟装置 |
CN105478490A (zh) * | 2014-10-07 | 2016-04-13 | 株式会社日立制作所 | 串列式轧机的控制装置以及控制方法 |
CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI824834B (zh) * | 2022-11-22 | 2023-12-01 | 國立高雄科技大學 | 連續輥軋製程檢測方法 |
Also Published As
Publication number | Publication date |
---|---|
BR112021016071A2 (pt) | 2021-10-13 |
JP2020131248A (ja) | 2020-08-31 |
KR20210111296A (ko) | 2021-09-10 |
EP3928885A1 (en) | 2021-12-29 |
EP3928885A4 (en) | 2022-04-06 |
WO2020171096A1 (ja) | 2020-08-27 |
US20220126342A1 (en) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113474098A (zh) | 轧制载荷预测方法、轧制载荷预测装置及轧制控制方法 | |
Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
EP3560616B1 (en) | Method for cooling steel sheet and method for manufacturing steel sheet | |
WO2009025344A1 (ja) | 出荷鋼板の材質情報提供方法及び材質情報利用方法 | |
JP6136743B2 (ja) | 冷間タンデム圧延機における走間板厚変更方法 | |
CN103962391A (zh) | 一种热连轧机精轧机组的轧制负荷优化方法 | |
JP5811051B2 (ja) | 金属板の冷間圧延方法及び金属板の製造方法 | |
JP6382432B1 (ja) | 形状制御方法、演算装置、演算方法、情報処理プログラム、および記録媒体 | |
JP4709726B2 (ja) | 調質圧延鋼板の幅方向材質予測方法及びこれを用いた連続焼鈍ラインの操業方法 | |
JP4990747B2 (ja) | 調質圧延方法 | |
JP6777051B2 (ja) | 板クラウン制御方法、板クラウン制御装置、及び鋼板の製造方法 | |
JP7156317B2 (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 | |
CN114632823B (zh) | 一种提高宽厚板轧制力模型预报精度的方法 | |
JP7230880B2 (ja) | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 | |
JP5581784B2 (ja) | サイジングプレスの操業方法 | |
JP2023037941A (ja) | 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法 | |
JP2021194701A (ja) | 形鋼の断面寸法変化量予測モデルの生成方法、形鋼の断面寸法変化量予測モデルの生成装置、形鋼の断面寸法の予測方法、形鋼の断面寸法の制御方法、および形鋼の製造方法 | |
JP2013111649A (ja) | 金属帯の圧延方法 | |
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 | |
KR101198474B1 (ko) | 스테인리스강 냉간압연 하중예측 방법 | |
JP7513046B2 (ja) | 表層硬度予測モデル及びこれを用いた鋼板の表層硬度を予測制御する方法、制御指令装置、鋼板製造ライン、並びに鋼板製造方法 | |
JP2015199123A (ja) | 調質圧延設備の制御装置及び制御方法 | |
KR101629754B1 (ko) | 에저롤 영점 조절 방법 및 장치 | |
JP7420157B2 (ja) | 圧延制御装置および圧延制御方法 | |
JP2018130734A (ja) | 金属帯の圧延方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211001 |