CN115836140A - 渣滓缺陷预测方法、渣滓缺陷减少方法、热浸镀锌钢板的制造方法、合金化热浸镀锌钢板的制造方法、渣滓缺陷预测模型的生成方法、渣滓缺陷预测装置以及渣滓缺陷预测终端系统 - Google Patents

Abstract

本申请提供一种更有效地减少渣滓缺陷的方法。渣滓缺陷预测方法包括：受理包括与镀锌槽有关的第1运行条件和与炉鼻有关的第2运行条件在内的运行条件相对于渣滓缺陷预测模型的输入的步骤，上述渣滓缺陷预测模型是基于将包括与镀锌槽有关的第1参数和与炉鼻有关的第2参数在内的运行数据作为输入变量、且将钢带的渣滓缺陷信息作为输出变量来执行的机器学习的模型；和基于已输入的运行条件并通过渣滓缺陷预测模型来计算钢带的渣滓缺陷信息的预测值的步骤。

Description

渣滓缺陷预测方法、渣滓缺陷减少方法、热浸镀锌钢板的制造 方法、合金化热浸镀锌钢板的制造方法、渣滓缺陷预测模型的 生成方法、渣滓缺陷预测装置以及渣滓缺陷预测终端系统

技术领域

本公开涉及渣滓缺陷预测方法、渣滓缺陷减少方法、热浸镀锌钢板的制造方法、合金化热浸镀锌钢板的制造方法、渣滓缺陷预测模型的生成方法、渣滓缺陷预测装置以及渣滓缺陷预测终端系统。

背景技术

作为热浸镀金属钢板的一种的热浸镀锌钢板在建材、汽车、家电等领域广泛使用。而且，在这些用途中，要求热浸镀锌钢板在外观上优异。特别是涂装后的外观强烈受到镀敷厚度不均、瑕疵、异物附着等表面缺陷的影响，因此减少热浸镀锌钢板的表面缺陷较为重要。

作为热浸镀锌钢板的表面缺陷，将源自在镀锌浴中附着于钢板表面的渣滓的缺陷(以下，也称为渣滓缺陷)识别为应防止的表面缺陷之一。附着于钢板表面的渣滓例如在冲压成型等二次加工时引发压伤。另外，若在钢板表面附着有渣滓，则在平整轧制(temperrolling)时，渣滓被轧制辊压入至钢板，在钢板表面形成褶皱状的花纹。

提出用于减少这样的渣滓缺陷的产生的现有技术。在专利文献1中公开了如下方法，即、因镀浴的温度变动而在镀液中溶出的Fe析出，该溶出Fe与Al或者Zn化合而生成渣滓，因此为了控制镀浴的温度来减少镀液中的温度差而控制电感器的输出。在专利文献2中公开了基于在镀浴内的深度方向上不同的多个位置测定浴温度而得的结果来推断底部渣滓的堆积高度的方法。在专利文献3中公开有对在镀锌槽的送入侧浸渍于镀浴而连接的炉鼻(snout)设备的壁面进行加热保温的方法。

专利文献1：日本特开2001-107208号公报

专利文献2：日本专利第6137211号公报

专利文献3：日本特开2002-275606号公报

专利文献1基于镀浴中的温度差与底部渣滓的堆积量存在相关性这一发现。根据专利文献1所记载的技术，能够减少渣滓缺陷。然而，底部渣滓的堆积量也受到镀浴中的温度差以外的参数的影响，因此渣滓缺陷的减少存在改善的余地。

在专利文献2中，仅根据镀浴中的温度信息来预测底部渣滓的堆积量。根据专利文献2所记载的技术，能够减少渣滓缺陷。但是，底部渣滓的堆积量也受到镀浴中的温度信息以外的参数的影响，因此渣滓缺陷的减少存在改善的余地。

专利文献3是着眼于炉鼻设备的壁面的温度与存在于炉鼻内的渣滓的相关关系的方法，但如上述那样，渣滓不仅存在浮游于浴表面的顶部渣滓，还存在沉淀在镀液底部并堆积的底部渣滓。因此，存在仅通过减少浮游于炉鼻内的浴表面的渣滓无法防止渣滓缺陷这一问题点。

发明内容

本公开是鉴于上述的状况而完成的，其目的在于提供一种更有效地减少渣滓缺陷的方法。

为了实现上述的课题，本发明人们反复进行了深入研究的结果是发现以下事项而完成了本公开，即、考虑对镀锌浴中的渣滓的产生行为造成影响的多个运行因素来高精度地预测渣滓缺陷的产生并能够基于该预测结果来进行适当且迅速的运行条件的重新设定，由此能够更有效地减少渣滓缺陷。

本公开是基于上述发现而完成的。即，本公开的主旨结构如以下那样。

[1]一种渣滓缺陷预测方法，是包括退火炉、镀锌槽以及炉鼻的连续式热浸镀锌设备中的在上述镀锌槽的下游侧被检测的钢带的渣滓缺陷预测方法，上述镀锌槽形成有镀锌浴，上述炉鼻设置于该退火炉的送出侧并配置为前端部浸渍于该镀锌浴，其中，

上述渣滓缺陷预测方法包括：

受理包括与上述镀锌槽有关的第1运行条件和与上述炉鼻有关的第2运行条件在内的运行条件相对于渣滓缺陷预测模型的输入的步骤，上述渣滓缺陷预测模型是基于将包括与上述镀锌槽有关的第1参数和与上述炉鼻有关的第2参数在内的运行数据作为输入变量、且将上述钢带的渣滓缺陷信息作为输出变量来执行的机器学习的模型；和

基于已输入的上述运行条件并通过上述渣滓缺陷预测模型来计算上述钢带的渣滓缺陷信息的预测值的步骤。

[2]根据上述[1]所述的渣滓缺陷预测方法，其中，

上述连续式热浸镀锌设备在上述镀锌槽的送出侧具有气体吹扫设备，

上述渣滓缺陷预测模型是基于还将与上述气体吹扫设备有关的第3参数作为上述输入变量来执行的上述机器学习的模型，上述运行条件还包括与上述气体吹扫设备有关的第3运行条件。

[3]根据上述[1]或[2]所述的钢带的渣滓缺陷预测方法，其中，

上述第1参数包括从上述镀锌浴的温度以及上述镀锌浴中的Al浓度中选择的1个或者2个参数。

[4]根据上述[1]～[3]中任一项所述的渣滓缺陷预测方法，其中，

上述第2参数包括从上述炉鼻内的露点、上述炉鼻内的氢浓度、上述炉鼻内的氧浓度、上述炉鼻内的上述钢带的温度以及上述炉鼻内的气氛温度中选择的1个或者2个以上的参数。

[5]根据上述[1]～[4]中任一项所述的渣滓缺陷预测方法，其中，

上述第1运行条件包括从上述镀锌槽的浴温控制输出、上述钢带的通板速度、以及上述镀锌槽中的支承辊相对于上述钢带的压入量中选择的1个或者2个以上。

[6]根据上述[1]～[5]中任一项所述的渣滓缺陷预测方法，其中，

上述第2运行条件包括向上述炉鼻供给的混合气体的流量比。

[7]一种钢带的渣滓缺陷减少方法，其中，

上述钢带的渣滓缺陷减少方法包括：

使用上述[1]～[6]中任一项所述的渣滓缺陷预测方法来计算上述镀锌槽的下游侧的上述钢带的上述渣滓缺陷信息的预测值的步骤；和

基于上述渣滓缺陷信息的预测值来重新设定上述运行条件的步骤。

[8]一种热浸镀锌钢板的制造方法，其中，

使用基于上述[7]所述的渣滓缺陷减少方法控制了上述运行条件的上述连续式热浸镀锌设备来在上述钢带的表面形成镀锌层而形成为热浸镀锌钢板。

[9]一种合金化热浸镀锌钢板的制造方法，使用基于上述[7]所述的渣滓缺陷减少方法控制了上述运行条件的上述连续式热浸镀锌设备，其中，

上述连续式热浸镀锌设备在上述镀锌槽的下游侧且比上述缺陷检测装置靠上游侧的位置还具备再加热设备，

在上述镀锌槽中，在上述钢带的表面形成镀锌层而形成为热浸镀锌钢板，

还通过上述再加热设备对上述热浸镀锌钢板实施合金化处理而形成为合金化热浸镀锌钢板。

[10]一种渣滓缺陷预测模型的生成方法，是对包括退火炉、镀锌槽以及炉鼻的连续式热浸镀锌设备中的在上述镀锌槽的下游侧被检测的钢带的渣滓缺陷的渣滓缺陷预测模型的生成方法，上述退火炉对钢带进行退火，上述镀锌槽形成有镀锌浴，上述炉鼻设置于该退火炉的送出侧并配置为端部浸渍于镀锌浴，其中，

上述渣滓缺陷预测模型的生成方法包括：

获取包括与上述镀锌槽有关的第1参数和与上述炉鼻有关的第2参数在内的运行数据的步骤；和

将获取到的上述运行数据作为输入变量、且将在上述镀锌槽的下游侧检测出的钢带的渣滓缺陷信息作为输出变量来执行机器学习的步骤。

[11]根据上述[10]所述的渣滓缺陷预测模型的生成方法，其中，

在执行上述机器学习的步骤中，使用从神经网络、决策树学习、随机森林、支持向量回归、高斯过程以及k近邻法中选择的1个或者2个以上的机器学习算法。

[12]一种渣滓缺陷预测装置，是对包括退火炉、镀锌槽以及炉鼻的连续式热浸镀锌设备中的在上述镀锌槽的下游侧被检测的钢带的渣滓缺陷进行预测的渣滓缺陷预测装置，上述镀锌槽形成有镀锌浴，上述炉鼻设置于该退火炉的送出侧并配置为前端部浸渍于镀锌浴，其中，

上述渣滓缺陷预测装置包括：

获取部，获取包括与上述镀锌槽有关的第1运行条件和与上述炉鼻有关的第2运行条件在内的运行条件；以及

控制部，相对于渣滓缺陷预测模型输入上述运行条件来计算上述钢带的渣滓缺陷信息的预测值，上述渣滓缺陷预测模型是基于将包括与上述镀锌槽有关的第1参数和与上述炉鼻有关的第2参数在内的运行数据作为输入变量、且将上述钢带的渣滓缺陷信息作为输出变量来执行的机器学习的模型。

[13]一种渣滓缺陷预测终端系统，其中，具备：

上述[12]所述的渣滓缺陷预测装置；和

终端装置，受理与上述运行条件的变更有关的用户输入，并将基于该用户输入的用户输入信息向上述渣滓缺陷预测装置发送，

上述渣滓缺陷预测装置包括控制部，该控制部基于上述用户输入信息来变更上述运行条件的至少一部分而作为变更运行条件，基于该变更运行条件并通过上述渣滓缺陷预测模型来计算上述钢带的渣滓缺陷信息的预测值。

根据本公开，能够更有效地减少渣滓缺陷。

附图说明

图1是表示连续热浸镀金属设备的热浸镀锌浴周边设备的详细的图。

图2的(a)是渣滓缺陷的示意图，图2的(b)是渣滓缺陷的基于光学显微镜的观察像，图2的(c)是渣滓缺陷的图像处理后的图像，图2的(d)是A-A'剖面中的渣滓缺陷X的基于光学显微镜的观察像。

图3是表示连续热浸镀金属设备的概要的图。

图4是用于对向均热带的气体供给方法进行说明的图。

图5是表示向炉鼻的气体供给方法的图。

图6的(a)是表示镀锌槽的概要的俯视图，图6(b)是表示镀锌槽的概要的主视图。

图7是表示气体吹扫设备的概要的图。

图8是表示缺陷检测装置的概要的图。

图9是表示炉鼻内的露点与每单位长度的渣滓产生个数的关系的坐标图。

图10是表示渣滓缺陷预测模型生成装置的结构的功能框图。

图11是表示渣滓缺陷减少方法的概要的图。

图12是表示渣滓缺陷预测装置的结构的功能框图。

图13是表示渣滓缺陷预测模型生成装置的动作的一个例子的流程图。

图14是表示渣滓缺陷预测模型的结构的示意图。

图15是表示渣滓缺陷预测装置的动作的一个例子的流程图。

图16是表示渣滓缺陷预测系统的结构的功能框图。

具体实施方式

在一个例子中，使用构成为能够连续地进行包括加热、冷却、热浸镀锌以及热浸镀锌的合金化处理在内的一系列的处理的连续式热浸镀锌设备来制造热浸镀锌钢板。从连续式热浸镀锌设备的送入侧供给的钢板边通过连续退火炉内边退火。将从连续退火炉的送出侧经由炉鼻而被引导至镀锌槽的钢带被导入至在镀锌槽内形成的镀锌浴中，由此在表面形成热浸镀锌层。而且，将形成有热浸镀锌层的钢带从镀锌浴中拉起，并从配置于钢带的两侧的气体吹扫喷嘴吹送吹扫气体，由此刮取附着于钢带的表面的多余的熔融锌，成为调节了热浸镀锌层的附着量(以下也称为单位面积重量。)的热浸镀锌钢板。

在这样的热浸镀锌钢板的制造中，在镀锌浴中产生的渣滓附着于钢带表面，从而产生渣滓缺陷。此外，在本说明书中，“渣滓”是指在镀锌浴中从钢带溶出的Fe与浴成分(Al、Zn)发生反应而生成的金属间化合物。渣滓根据与Fe反应的浴成分的种类而大致划分为Fe-Al系渣滓和Fe-Zn系渣滓。相对于熔融锌的密度，Fe-Al系渣滓的密度较小，被称为顶部渣滓。如图1所示，顶部渣滓5在镀锌浴的镀液表面漂浮。与此相对，Fe-Zn系渣滓的密度大于熔融锌，被称为底部渣滓。如图1所示，底部渣滓6沉降在镀锌浴的镀液底部。沉降至镀液底部的底部渣滓因镀液中的流动而上浮，因此在将钢带从浴表面拉起时，任何渣滓都在浴内或者浴表面附着于钢带表面。此时，源于附着于钢带表面的渣滓中的一定以上的大小的渣滓而产生渣滓缺陷。由此，在本实施方式中，使用附着于钢板表面的一定以上的大小的渣滓作为检测渣滓缺陷时的指标。

图2是表示渣滓缺陷的示意图和观察像的图。图2的(a)是热浸镀锌钢板G的表面的渣滓缺陷X的示意图。图2的(b)是渣滓缺陷X的基于光学显微镜的观察像。图2的(c)是对图2(b)的观察像实施了图像处理而获得的图像。图2的(d)是图2(a)的A-A’剖面中的渣滓缺陷X的基于光学显微镜的观察像。从热浸镀锌钢板G的表面观察，如图2的(a)所示，将在热浸镀锌钢板G表面生成的渣滓缺陷X识别为100μm左右的大小的点状的缺陷。图2(a)的用虚线包围的部分的光学显微镜像如图2的(b)所示。对图2(b)进行图像处理并强调了明部和暗部的图像是图2的(c)。通过对从这样热浸镀锌钢板的表面拍摄到的图像实施图像处理，从而能够将渣滓缺陷X识别为点状的缺陷。在本实施方式中，使用基于这样的原理的缺陷检测装置来进行渣滓缺陷X的检测。另外，图2的(d)是在A-A’剖面剖切热浸镀锌钢板G并通过光学显微镜对剖面进行观察而得的观察像。可知：通过平整轧制时的轧制辊的挤压来将在镀锌浴附着于钢板表面的渣滓压入至钢板，由此产生了渣滓缺陷X。

在本公开中，为了制造以上那样的减少了渣滓缺陷的热浸镀锌钢板，提供一种渣滓缺陷的预测方法。以下，参照附图来主要对本公开的一个实施方式进行说明。以下所示的实施方式例示用于将本公开的技术思想具体化的装置和方法，但本公开并不限定于以下的实施方式。另外，在本说明书中，使用“～”来表示的数值范围是指包括在“～”的前后记载的数值作为下限值和上限值的范围。

＜＜渣滓缺陷预测系统＞＞

在图16中，对本实施方式所涉及的渣滓缺陷预测系统的结构进行示出。例如由图12所示的渣滓缺陷预测系统执行本实施方式所涉及的渣滓缺陷的预测方法。如图16所示，渣滓缺陷预测系统包括渣滓缺陷预测装置84、渣滓缺陷预测模型生成装置83以及运行实绩数据库(DB)85。渣滓缺陷预测系统预测连续式热浸镀锌设备100中的在镀锌槽的下游侧被检测的钢带的渣滓缺陷。渣滓缺陷的预测可以是对钢带的表背两面的预测，也可以是对表面与背面的任意一方的预测。

＜连续式热浸镀锌设备＞

首先，参照图3来对本公开的一个实施方式所涉及的连续式热浸镀锌设备100的结构进行说明。在一个例子中，连续式热浸镀锌设备100具有将加热带20、均热带21以及冷却带22、23依次并排设置的纵式的连续退火炉30和位于冷却带23的钢板通过方向下游的作为热浸镀锌设备的镀锌槽1。在本实施方式中，冷却带22、23包括第1冷却带22(快冷带)和第2冷却带23(慢冷带)。与第2冷却带23的送出侧连结的炉鼻2的前端浸渍于镀锌槽1，连续退火炉30和镀锌槽1经由炉鼻2连接。连续退火炉30内的气体从炉的下游向上游流动，并被从加热带20的下部的钢板导入口排出。从连续式热浸镀锌设备的送入侧供给的钢带S在连续退火炉30中按照加热带20、均热带21、冷却带22、23、炉鼻2的顺序通过来被退火。接着从连续退火炉的送出侧经由炉鼻而被引导至镀锌槽的钢带S浸涂于在镀锌槽1中形成的热浸镀锌浴中，由此在钢带S的表面形成热浸镀锌层而成为热浸镀锌钢板G。

在连续式热浸镀锌设备100的比镀锌槽1靠下游侧的位置，根据需要而设置有未图示的再加热设备、平整轧制设备以及化学转化被膜涂覆装置。从镀锌浴拉起的热浸镀锌钢板在通过气体吹扫设备70之后，根据需要通过再加热设备、平整轧制设备以及化学转化被膜涂覆装置。然后，通过设置于下游的缺陷检测装置80来检查热浸镀锌钢板G的表面缺陷。缺陷检测装置80是检查钢板表背面的缺陷的设备，能够识别各种表面缺陷。关于各种表面缺陷中的渣滓缺陷X的检测，如使用图2说明过那样，能够采用通过组合钢板表面的图像拍摄和图像处理来辨别的方法。通过该缺陷检测装置80，将附着于钢板表面的具有一定以上的大小的渣滓定义为渣滓缺陷X。

在加热带20，能够使用辐射管(RT)或者电加热器等加热带加热装置来间接加热钢带S。能够与来自均热带21、第1冷却带22、第2冷却带23以及炉鼻2的气体流入至加热带20同时地另外向加热带20供给还原性气体或者非氧化性气体。作为还原性气体，通常使用H₂-N₂混合气体。作为这样的H₂-N₂混合气体，例如能够举出具有1～20体积％为H₂、剩余部分由N₂和不可避免的杂质构成的组成的气体(露点：-60℃左右)。另外，作为非氧化性气体，使用具有由N₂和不可避免的杂质构成的组成的气体(露点：-60℃左右)。向加热带20的气体供给的方法不特别地限定，但优选从高度方向上的两处以上、长度方向上的一处以上的投入口供给气体，以便向加热带20内均匀地投入气体。

在均热带21，能够使用辐射管(未图示)作为加热单元来间接加热钢带S。优选均热带21的内部的平均温度为700～900℃。向均热带12供给还原性气体或者非氧化性气体。作为还原性气体，通常使用H₂-N₂混合气体，例如能够举出具有1～20体积％为H₂、剩余部分由N₂和不可避免的杂质构成的组成的气体(露点：-60℃左右)。另外，作为非氧化性气体，能够举出具有由N₂和不可避免的杂质构成的组成的气体(露点：-60℃左右)。

图4是表示加湿气体或者干燥气体向均热带21的气体供给系统的示意图。在图4中，上述气体通过气体用配管40，经由设置于均热带21上部的气体供给口41A、41B、41C和设置于均热带21下部的气体供给口42A、42B、42C向均热带21内供给。通过使用加湿气体或者干燥气体作为由气体供给系统供给的气体，从而能够控制均热带21的内部的露点。炉内的露点影响到钢带S的表面的氧化物的生成，从而影响到镀锌槽1内的渣滓的产生，因此成为应作为连续退火炉30的运行参数来控制的对象。

冷却带22、23具备冷却装置，在冷却带22、23中的通板过程中将钢带S冷却。能够与均热带同样，向冷却带22、23也供给上述气体。优选从冷却带22、23的高度方向上的两处以上、长边方向上的两处以上的投入口供给气体，以便向冷却带22、23内均匀地投入气体。

＜镀锌槽＞

在图1中详细地示出本实施方式中的镀锌槽1的周边设备。在镀锌槽1连接炉鼻2，镀锌槽1具备导辊(sink roll)3、支承辊4、坯料(ingot)投入装置7以及加热装置11。镀锌槽1是任意的，能够具备浴温计9与浴分析装置10的至少一方。

在钢带S从连续退火炉30出来之后到进入至热浸镀锌浴为止的期间，为了将钢带S与大气隔断而使钢带S能够在还原气氛中通过，炉鼻2划分出钢带S通过的空间。炉鼻2是与钢带S的行进方向垂直的剖面为矩形状的部件，如上述那样，其上端与连续退火炉的出口侧连接，下端(前端部)浸渍于存积在镀锌槽1内的热浸镀锌浴内。

在本实施方式中，在还原气氛的连续退火炉30中被退火了的钢带S通过炉鼻2内而被连续地导入至在镀锌槽1中形成的镀锌浴中。然后，经由导辊3和支承辊4将钢带S(热浸镀锌钢板G)向镀锌浴的上方拉起。

坯料投入装置7是用于将进行了成分调整的坯料8投入至镀锌槽1的装置。坯料投入装置7补给通过向钢带S的镀敷从镀锌浴带出而消耗的成分(Zn、Al等)，通过未图示的浴液位计来监视镀敷槽的浴液位(从镀锌槽1的底部到液面的高度)，并根据其值来调整坯料8的投入量。由此，能够保持镀锌槽1的浴液位恒定。另外，为了抑制钢带S附近的镀锌浴的急剧的成分变动，如图1所示，通常将坯料投入装置7设置于炉鼻2的背面侧(背侧)。

浴温计9是能够测定镀锌槽1的特定位置处的温度的装置。由于浴温度是460℃左右，因此作为浴温计9，一般使用K型热电偶。

浴分析装置10是能够测定镀锌槽1中的成分(Al等)的装置，能够始终监控浴成分。浴分析装置10例如能够通过利用了激光诱导击穿光谱法(laser-induced breakdownspectroscopy)的光学测定法来进行浴成分的常时测定。对于浴成分的分析而言，能够以1秒左右的取样周期来测定，能够进行浴成分的连续的分析。

镀锌槽1中的浴分析装置10的设置位置并不特别限定。对于镀液分析而言，关键是测定钢带S附近的浴成分，因此优选在尽可能接近钢带S的位置设置浴分析装置10。

也能够不将浴分析装置10设置于镀锌槽1而从镀锌浴中采集样本，并通过感应耦合等离子体(Inductivity coupled plasma：ICP)分析等算法来分析样本，由此进行浴分析。

在图6中的(a)表示镀锌槽1的概要的俯视图，图6中的(b)表示镀锌槽1的概要的主视图。根据数值解析推断为镀锌浴内的熔融锌如图6的(a)所示的虚线那样流动。钢带S附近的熔融锌以1分钟左右的时间移动至炉鼻2的侧壁部，因此通过将浴分析装置10设置于炉鼻2的侧壁侧，从而能够实际上没有较大的延迟时间地分析钢带S附近的浴成分。但是，若浴分析装置10过度接近镀锌槽1的侧壁，则受到侧壁的影响而测定滞流的浴成分，因此，优选浴分析装置10设置为从侧壁分离距离d₁：200mm以上。此外，在图6的(a)的例子中，将浴分析装置10设置于从镀锌槽1的侧壁分离了250mm的位置。

镀锌槽1中的浴温计9的设置位置并不特别限定，但由于浴温度与浴成分相互密切关联，因此优选为浴分析装置10与浴温计9接近的位置。具体而言，优选在图6的(a)的镀锌槽1的俯视图中、在镀锌槽1中距浴分析装置10的距离d₂为500mm以内的位置设置浴温计9。此外，在图6的(a)的例子中，在镀锌槽1中在从浴分析装置10分离了100mm的位置设置浴温计9。

浴分析装置10和浴温计9的在镀浴内的设置高度并不特别限定，但若从浴表面过度靠下方，则测定滞流的浴成分和浴温度，因此优选以前端部位于距浴表面的距离d₃为1000mm以内的范围的方式进行测定。此外，在图6的(b)的例子中，浴分析装置10和浴温计9都设置为前端部位于距浴表面250mm的位置。

加热装置11是能够将镀浴的温度加热至规定的温度的装置。一般地，通过加热装置11将浴温度调整为460℃左右。

＜炉鼻＞

图5是用于对向炉鼻2的气体供给方法进行说明的图。参照图5的(a)，对向炉鼻2的气体供给部和露点测定部进行说明。此外，在图5的(a)中，关于钢带S正通过中的炉鼻2，示出了沿着钢带S的宽度方向以及长边方向上的对称轴剖切的图。如图5的(a)所示，炉鼻2具有气体供给部50。气体供给部50包括：第1配管51A，供氢气通过；第2配管51B，供氮气通过；第3配管51C，供作为氧化性气体的水蒸气通过；流量调整用的阀52，安装于这些配管；第4配管51D，供从这些配管供给的气体混合而成的混合气体通过；以及第5配管51E，与该第4配管51D连结，前端位于炉鼻2的内部。第1配管51A以及第3配管51C与第2配管51B连结，能够通过调整阀52来将氢、氮以及水蒸气以任意的流量比混合。能够在供混合气体通过的第4配管51D设置用于测定向炉鼻2投入的气体的露点的露点测定孔，能够通过与该露点测定孔连接的未图示的露点计来测定气体的露点。这里，在本实施方式中，向炉鼻2供给的混合气体的流量比是指调整阀52而得的氢、氮以及水蒸气的流量比。

炉鼻2内部的气氛的露点能够通过与露点测定孔53B连接的未图示的露点计来测定。能够通过调整向炉鼻2投入的气体来将炉鼻2内的气氛的露点变更为任意的值。另外，也可以将露点测定孔53B还与氧浓度计和氢浓度计的至少一方连接。若将露点测定孔53B还与氧浓度计和氢浓度计的至少一方连接，则能够测定炉鼻2内的气氛的氧浓度与氢浓度的至少一方。

炉鼻2内的钢带S的温度能够通过辐射温度计54来测定。优选辐射温度计54设置于浴表面正上方的位置，以便能够测定钢带S浸入至镀锌浴时的温度(浸入板温度)。然而，在炉鼻2内的气氛的露点较低而产生了锌蒸气的情况下，辐射温度计54被锌蒸气污染，因此存在无法在炉鼻2下部设置辐射温度计54的情况。在这样的情况下，也可以根据通过后述的安装于炉鼻2内的热电偶57来测定的炉鼻内的气氛温度，通过考虑了辐射导热以及炉鼻2内的对流热传递的数值解析来随时计算钢带S浸入至锌浴时的温度，由此推断浸入板温度。

如图5的(a)所示，优选氧化性气体从钢带S的宽度方向上的炉鼻2的两端部向炉鼻2内供给。将在前端部具有气体投入口的第5配管51E设置于炉鼻2的侧面是因为：由于存在炉鼻2内的侧面附近的温度变低的趋势，因此通常在侧面附近产生下降流，使氧化性气体高效地到达浴表面附近。气体投入口距浴表面的高度能够为100mm以上且3000mm以下。通过使气体投入口距浴表面的高度为100mm以上，从而能够防止气体直接到达浴表面，防止氧化性气体在浴表面附近富集。另外，通过使气体投入口距浴表面的高度为3000mm以下，从而能够防止到达浴表面的气体浓度的降低，节约气体。在图5的例子中，气体投入口的高度h₁为距浴表面向上方500mm。

炉鼻2的气氛的露点影响到后述的浴表面的氧化，因此优选露点计的位置为浴表面正上方。然而，在炉鼻2的露点较低而产生了锌蒸气的情况下，担心露点计被锌蒸气污染，因此存在无法在浴表面正上方设置露点计的情况。在这样的情况下，例如能够使用流动解析，根据距浴表面一定的高度处的气氛的露点来推断炉鼻2浴表面正上方的气氛的露点。具体而言，通过流动解析来预先求出浴表面正上方的露点与距浴表面向上方x(mm)的位置处的露点的关系。例如，在设置于距浴表面向上方500mm的位置的露点计的输出值为-35℃的情况下，若根据上述关系认为露点计的设置位置(x＝500mm)处的露点比浴表面高5℃，则能够将浴表面正上方的露点推断为-30℃，并将其作为炉鼻2的气氛的露点来使用。

接下来，参照图5的(b)来对控制炉鼻2的内部的气氛的气氛控制部进行说明。图5的(b)是在钢带S的板宽方向中央部剖切钢带S通过中的炉鼻2板宽的剖视图。在炉鼻2的壁面的铁皮外表面侧，划区设置有多个加热器55。加热器55例如能够是电热加热器。加热器55控制炉鼻2内部的气氛温度。在炉鼻2内部配置多个热电偶57，通过温度控制部58以被测定的炉鼻内的气氛温度为规定的范围的方式控制加热器55的输出。这里，作为由炉鼻2内部的多个热电偶57测定的温度，能够将它们的平均值或者预先设定的代表位置处的测定温度作为炉鼻2内的气氛温度，设为炉鼻2的运行参数。

另一方面，在炉鼻2内，为了抑制因锌蒸发和凝固而产生的烟雾，控制炉鼻2内的气氛温度，并且通过调整炉鼻扩散管59的阀60的开度来调整从炉鼻2内部的烟雾排出量，由此能够调整炉鼻2内的气氛。

＜气体吹扫设备＞

气体吹扫设备70的结构如图7所示。气体吹扫设备70从配置于被拉起至镀锌浴的上方的热浸镀锌钢板G的表背两面侧的吹扫喷嘴71对热浸镀锌钢板G吹送吹扫气体。通过吹送来刮取附着于热浸镀锌钢板G的表面的多余的熔融锌，调节熔融锌的单位面积重量。

气体吹扫设备70由吹扫喷嘴71、集管(header)72、压力计73、温度计74、挠性软管75、气体加热装置76、空气压缩机77以及未图示的喷嘴高度调整部、喷嘴－钢带距离调整部、喷嘴角度调整部构成。吹扫喷嘴71安装于集管72，在集管72安装挠性软管75，在该配管系统的上游侧，根据需要设置气体加热装置76，并在其上游侧配置空气压缩机77。

经由挠性软管75将被空气压缩机77压缩后的空气送入至集管72，接着在吹扫喷嘴71中进行整流和缩流，并在喷嘴出口以几十m/s～几百m/s的速度将气体排出。在集管72安装压力计73，并根据需要安装温度计74，能够监视气体的压力和温度。

将空气压缩机77的输出调整为由压力计73测定出的压力变为2kPa以上且70kPa以下。通过未图示的喷嘴高度调整部，能够将喷嘴高度H(从吹扫喷嘴的狭缝中心到锌浴表面的距离)调整为50～700mm。另外，能够在0～5mm内调整喷嘴偏移O(两喷嘴的喷嘴高度之差)。通过未图示的喷嘴－钢板距离调整部，将喷嘴前端与钢板的距离D调整为5～30mm。通过未图示的喷嘴角度调整部，能够在0～75°的范围内调整喷嘴角度θ(和浴表面平行的面与喷嘴前端所成的角)。

此外，根据镀敷种类等，可以根据需要来配置对从喷嘴喷出的吹扫气体进行加热的气体加热装置76。气体加热装置的输出能够被调整，以便用温度计在喷嘴集管测量的吹扫气体的温度成为500～700℃。在设置气体加热装置76的情况下，优选一并设置上述温度计74。

＜缺陷检测装置＞

缺陷检测装置80的概略如图8所示。缺陷检测装置80包括投光器81和照相机82。投光器81是相对于热浸镀锌钢板G的行进方向以恒定的角度向钢板表面照射白色光或者单色光的装置。优选投光器81对钢板表面射入平行光。优选照相机82在热浸镀锌钢板G的宽度方向上配置多台(例如20台左右)，相对于热浸镀锌钢板G的行进方向从规定的角度获取图像。当在钢板表面没有缺陷的情况下，从投光器81照射出的光在钢板表面发生镜面反射。另一方面，在存在缺陷的情况下，照射出的光在钢板表面发生漫反射。用照相机82接受该漫反射光，从而能够检测渣滓缺陷X。在图8的例子中，沿着热浸镀锌钢板G的宽度方向排列的照相机82在检查线L上检测渣滓缺陷X。优选使用作为渣滓缺陷X的大小而能够检测100～200μm左右的大小的照相机。

在通过后述的机器学习部来使渣滓缺陷预测模型学习时作为输出变量的钢带S的渣滓缺陷信息是通过缺陷检测装置80获得的信息。作为渣滓缺陷信息，能够使用在热浸镀锌钢板G的表面或者背面检测到的一定以上的大小的渣滓缺陷X的数量、密度、每单位长度的渣滓缺陷X中最大的渣滓缺陷的大小等、与可能成为热浸镀锌钢板G的品质上问题的渣滓缺陷X有关的任意的信息。

以下，对缺陷检测装置80中的处理的一个例子进行说明。在缺陷检测装置80，通过照相机按照0.1秒间距(pitch)获取图像，通过图像处理除去每个图像的重复部，并转换为预先设定的基准长度(例如1m)的连续的图像。从这样获得的基准长度的图像中分离热浸镀锌钢板G和背景，并提取仅热浸镀锌钢板G的图像。并且，渣滓缺陷X在外观上开起来呈黑色。例如，若提取到的图像是彩色图像，则能够在转换为灰度图像后，进行二值化来获取黑白图像。然后，对与渣滓缺陷X对应的黑色点聚集的位置的像素数进行计数，并根据该像素数来换算为渣滓缺陷X的面积。作为渣滓缺陷X的大小，例如能够将使测定出的渣滓缺陷X的面积近似为面积相等的圆形状的情况下的直径作为渣滓缺陷X的大小。对获取到的基准长度的连续的图像的存在于热浸镀锌钢板G表面的黑色点进行这样的处理，计算比规定的大小大的渣滓缺陷X的个数。计数为渣滓缺陷X的渣滓缺陷X的大小并不特别限定，但例如能够为100μm以上。对获取的每个基准长度的图像实施这样的处理。

图3所示的连续式热浸镀金属设备100可以在镀锌槽的下游侧(在上述的连续式热浸镀金属设备100具有气体吹扫设备70的情况下，进一步在气体吹扫设备70的下游侧)且比缺陷检测装置80靠上游侧的位置还具备再加热设备。再加热设备具有合金化带、保温带以及最终冷却带，能够在合金化带配置感应加热装置。通过再加热设备对镀敷处理后的热浸镀锌钢板实施合金化处理来在钢带S的表面形成具有Zn-Fe合金化反应而成的合金层的合金化镀锌层，从而能够形成为合金化热浸镀锌钢板。合金化处理后的合金化热浸镀锌钢板与不实施合金化处理而获得热浸镀锌钢板的情况同样，被位于连续式热浸镀金属设备100的下游的缺陷检测装置80获取渣滓缺陷信息。在通过后述的机器学习部来使渣滓缺陷预测模型学习时使用该渣滓缺陷信息作为输出变量，实施本公开所涉及的渣滓缺陷预测方法，若使用基于该渣滓缺陷减少方法而被控制了上述运行条件的连续式热浸镀锌设备，则能够制造减少了渣滓缺陷的合金化热浸镀锌钢板。合金化处理的条件能够依照常规方法。

如上述那样，即使是对钢带实施合金化处理的情况，也与不对钢带实施合金化处理的情况同样，缺陷检测装置80能够获取渣滓缺陷信息。但是，对钢带实施了合金化处理的情况下的钢带表面(合金化热浸镀锌钢板的表面)的表面的微观凹凸(表面粗糙度)大于未实施合金化处理的钢带表面(热浸镀锌钢板的表面)的表面的微观凹凸(表面粗糙度)。因此，在进行拍摄到的图像的二值化处理来获取黑白图像时，在对钢带实施合金化处理的情况和不实施合金化处理的情况下，可以使二值化的阈值为不同的值。

＜与镀锌槽有关的第1参数＞

在本实施方式中，作为渣滓缺陷预测模型的输入数据，使用与镀锌槽1有关的第1参数。基于镀锌槽1的结构来选择第1参数即可。第1参数能够使用从与钢带S有关的运行参数、镀锌浴的镀锌槽1内的浴温度、与镀锌槽1内的温度分布有关的信息、镀锌浴的Al浓度、浴表面液位、以及使钢带S通过的累积时间中选择的1个或者2个以上，上述与钢带S有关的运行参数包括钢带S的板宽、板厚、钢带S通过镀锌槽1时的通板速度(生产线速度)、以及向镀锌浴浸入时的钢带S的温度。另外，能够使用从基于加热装置11的浴温控制输出、支承辊4的压入量、向镀锌槽的坯料投入量、坯料组成等与控制系统有关的参数中选择的1个或者2个以上。这里，钢带S通过的累积时间例如能够以镀锌槽1内的镀锌浴建浴的时间点为基准。或者，钢带S通过的累积时间可以将更换镀锌槽1内的一部分的器件的时间点作为基准，也可以将暂时停止运行并重新开始的时间点等运行循环的开端作为起点。并且，在镀锌浴含有Mg、Ni、Ti以及Si等添加元素的情况下，可以包括这些添加元素的镀锌浴中的浓度作为第1参数。

镀锌槽1中的渣滓因从钢带S溶出至镀锌槽1中的Fe与镀锌槽中的Al及Zn化合生成反应物而产生。因此，对Fe溶出量造成影响的镀锌浴的温度和Al浓度是影响到渣滓生成的因素。若镀锌槽中的渣滓变多，则与熔融锌一同附着于钢板的渣滓也变多。因此，优选第1参数包括从上述镀锌浴的温度和上述镀锌浴中的Al浓度中选择的1个或者2个参数。此时，优选使用从浴温计9获得的浴内的温度信息与从浴分析装置10获得的镀液中Al浓度的任一方或者两方作为第1参数。也能够从镀锌浴中采集样本并对样本进行ICP分析来获得镀液中Al浓度。

另外，支承辊4的相对于钢带S(或者热浸镀锌钢板G)的压入量也对渣滓缺陷X的产生造成影响，因此能够包括在第1参数中。这是因为：通过将支承辊4向钢带S侧压入，从而钢带S向支承辊4的卷绕角变大，因此抑制熔融锌穿过支承辊4与钢带S之间，结果是抑制渣滓穿过支承辊4与钢带S之间，减少渣滓相对于钢带S表面的附着量。

＜与炉鼻有关的第2参数＞

在本实施方式中，使用与炉鼻2有关的第2参数作为渣滓缺陷预测模型的输入数据。能够基于图5所示的炉鼻2的结构来选择与炉鼻2有关的第2参数。作为第2参数，能够为从炉鼻2内的温度、气氛的露点、气体流速、气体组成等表示炉鼻2内的运行状态的任意的参数中选择的1个或者2个以上。

作为第2参数，优选使用从炉鼻2内的露点、炉鼻2内的氢浓度、炉鼻2内的氧浓度、炉鼻2内的钢带S的温度以及炉鼻2内的气氛温度中选择的1个或者2个以上的参数。这是因为：这些参数与钢带S的氧化行为关联，因此给Fe向镀锌浴中的溶出量带来影响，与渣滓的产生行为相关联。

这里，在本实施方式中，作为渣滓缺陷预测模型的输入数据，使用与镀锌槽1有关的第1参数和与炉鼻2有关的第2参数两方。以下对其理由进行说明。

图9是表示渣滓缺陷X与炉鼻2内的露点的关系的坐标图。图9是使用图5所示的向炉鼻2供给气体的气体供给部50来将炉鼻2内的气氛的露点(镀浴上的推断露点)调整为-45℃～-20℃的范围内并使用缺陷检测装置80通过上述的方法对炉鼻内露点和钢带的每单位长度的渣滓缺陷X的个数进行测定的结果。此外，设为以下的条件：浴温度为452～458℃，炉鼻2内的气氛的氧浓度为10～50ppm，炉鼻2内的气氛的氢浓度为1～5％。这里，对于浴成分而言，条件A：Al浓度为4.3～4.9％、Mg浓度为0.5～0.7％、剩余部分为Zn和Fe，条件B：Al浓度为0.135～0.139％、剩余部分为Zn和Fe。根据图9可知，作为第2参数的炉鼻2内的露点与渣滓缺陷X的产生个数存在一定的相关性。另外，渣滓缺陷X的产生个数在浴成分A与B不同，因此可认为在作为第1参数的浴成分与渣滓缺陷X的产生个数之间也存在一定的相关性。

若炉鼻2内的露点较高，则炉鼻2内变为氧势较高的气氛，在通过炉鼻2时促进钢带S的氧化，在钢带S表面形成铁氧化膜。这里，铁氧化膜阻碍铁从基体铁向镀锌浴中的扩散，因此产生抑制铁溶出至镀锌浴中的效果。渣滓是从钢带S溶出的铁与镀浴中的Al、Zn的化合物，因此在溶出的铁的量较少的高露点条件下，渣滓缺陷X减少。另一方面，在低露点条件下，钢带S表面的氧化被抑制，因此铁从钢带S表面向镀锌浴的溶出量增加，使渣滓缺陷X的生成量增加。可以认为以上是在炉鼻2内的气氛的露点与渣滓缺陷X的产生行为之间存在相关性的理由。

另一方面，可认为相对于炉鼻2内的气氛的露点的渣滓缺陷X的产生趋势根据浴成分而不同是基于以下的理由。相对于熔融锌溶出的Fe和Al的量根据镀锌浴的温度而存在饱和的极限量。因此，处于若Fe与Al中的一方的溶出量变多则另一方的溶出量变少这一关系。即，若镀锌浴中的Al浓度变高，则Fe浓度降低，因此在上述条件A下，溶出至镀锌浴中的Fe的量相对变少。由此，镀锌浴中的渣滓变少，可抑制渣滓缺陷X的产生。

另外，在图9中，在将制品合格的判定基准选定为每单位长度的渣滓产生个数为5个时，炉鼻2内的气氛的露点优选在条件A下为-40℃以上、在条件B下为-35℃以上，适宜的炉鼻2内的气氛的露点的范围根据浴成分而不同。即，在镀浴中的Al浓度较高的条件A下，为了抑制渣滓缺陷的产生，作为炉鼻的运行参数，使炉鼻内露点低于条件B。

并且，图9的炉鼻2内的气氛的露点与渣滓缺陷X的产生行为的关系还根据镀浴的温度而变化。这是因为：相对于熔融锌溶出的Fe和Al等的成分的量根据镀浴的温度而变化。

根据以上，使用与镀锌槽1有关的第1参数和与炉鼻2有关的第2参数这两方作为渣滓缺陷预测模型的输入数据较为重要。这样，通过组合多个运行参数，能够首次设定用于充分地减少渣滓缺陷X的恰当的运行条件。

上述的连续式热浸镀锌设备100的各种运行条件由包括过程控制计算机在内的上位计算机设定，上位计算机能够获取这些运行数据。

以上，对连续式热浸镀锌设备100进行了说明，而以下对构成渣滓缺陷预测系统的渣滓缺陷预测装置、渣滓缺陷预测模型生成装置以及运行实绩数据库(DB)进行说明。

＜渣滓缺陷预测模型生成装置＞

在本实施方式中，渣滓缺陷预测模型生成装置参照与镀锌槽有关的运行数据、与炉鼻2有关的运行数据以及渣滓缺陷信息的实绩数据，通过机器学习来生成渣滓缺陷预测模型。图10是表示渣滓缺陷预测装置的一个例子的结构的功能框图。如图10所示，渣滓缺陷预测模型生成装置83具有获取部831、存储部832、输出部833以及机器学习部834。

获取部831获取与镀锌槽1有关的第1参数和与炉鼻有关的第2参数，并向机器学习部834输送。获取部831可以包括能够从运行实绩DB85获取运行数据的任意的接口。例如，获取部831也可以包括用于从运行实绩DB85获取运行数据的通信接口。在该情况下，获取部831可以按照规定的通信协议来从运行实绩DB85接收运行数据。

存储部832包括至少一个半导体存储器、至少一个磁存储器、至少一个光存储器或者这些存储器中的至少两种的组合。半导体存储器例如是RAM(random access memory：随机存储器)或者ROM(read only memory：只读存储器)。RAM例如是SRAM(static randomaccess memory：静态随机存储器)或者DRAM(dynamic random access memory：动态随机存储器)。ROM例如是EEPROM(electrically erasable programmable read only memory：电可擦可编程序只读存储器)。存储部832例如作为主存储装置、辅助存储装置、或者高速缓存存储器发挥功能。存储部832存储在渣滓缺陷预测模型生成装置的动作中使用的任意的信息。存储部832例如存储由获取部从运行实绩DB85获取到的运行数据和由机器学习部生成的渣滓缺陷预测模型。例如，存储部832也可以存储系统程序和应用程序等。

机器学习部834将从获取部831供给的运行数据作为输入变量，并且将在镀锌槽1的下游侧观测到的钢带S的渣滓缺陷信息作为输出变量来执行机器学习。例如，机器学习部834执行机器学习。机器学习部834通过执行机器学习来生成渣滓缺陷预测模型。渣滓缺陷预测模型是用于根据由后述的渣滓缺陷预测装置84的获取部841获取到的运行条件来计算钢带S的渣滓缺陷信息的预测值的机器学习模型。机器学习部834将生成的渣滓缺陷预测模型向输出部833供给。

机器学习部834包括一个以上的处理器。在一个实施方式中，“处理器”是通用的处理器、或者为特定的处理定制的专用的处理器，但并不限定于这些。

机器学习部834例如可以是PC(Personal Computer：个人电脑)或者智能手机等任意的通用的电子器件。机器学习部834并不限定于这些，可以是一个或者相互可通信的多个服务器装置，也可以是渣滓缺陷预测系统专用的其他电子器件。

作为机器学习的方法，能够应用公知的机器学习算法。机器学习部834例如能够执行从神经网络(包括深度学习、卷积神经网络以及循环神经网络等)、决策树学习、随机森林、支持向量回归、高斯过程以及k近邻法中选择的机器学习来生成渣滓缺陷预测模型。机器学习部834能够单独使用这些机器学习算法、或者使用组合这些机器学习算法而得的集成模型(ensemble model)。另外，机器学习部834能够使用最新的学习数据来适当地更新渣滓缺陷预测模型。

输出部833将从机器学习部834供给的渣滓缺陷预测模型向渣滓缺陷预测装置84供给。输出部833可以包括能够对渣滓缺陷预测装置84供给渣滓缺陷预测模型的任意的接口。例如，输出部833可以包括用于对渣滓缺陷预测装置84供给渣滓缺陷预测模型的通信接口。在该情况下，输出部833可以按照规定的通信协议来相对于渣滓缺陷预测装置84发送渣滓缺陷预测模型。

图13是表示渣滓缺陷预测模型生成装置83的动作的一个例子的流程图。参照图13来对基于渣滓缺陷预测模型生成装置83的渣滓缺陷预测模型的生成方法进行说明。

在步骤S101中，渣滓缺陷预测模型生成装置83的机器学习部834经由获取部831从运行实绩DB85获取包括第1参数和第2参数在内的运行数据。

在步骤S102中，渣滓缺陷预测模型生成装置83的机器学习部834将在步骤S101中获取到的运行数据作为输入变量、且将渣滓缺陷信息作为输出变量来执行机器学习。由此，机器学习部834生成渣滓缺陷预测模型。

在运行数据还包括第3参数时，将在上述镀锌槽1的下游侧检测出的钢带的渣滓缺陷信息作为输出变量，在步骤S102中，机器学习部834可以将还包括第3参数在内的运行数据作为输入变量来执行机器学习。

＜运行实绩数据库＞

运行实绩DB85包括与镀锌槽1有关的第1参数、与炉鼻2有关的第2参数、以及与在镀锌槽1的下游侧被检测的钢带S的渣滓缺陷有关的渣滓缺陷信息。运行实绩DB85能够任意地包括与气体吹扫设备70有关的第3参数。此外，运行实绩DB85可以与渣滓缺陷预测模型生成装置83分体设置，也可以与渣滓缺陷预测模型生成装置83一同构成单个装置。

包括过程控制计算机在内的上位计算机能够从为了设定并控制镀锌槽1的运行参数而使用的各种信息选择第1参数并向运行实绩DB85供给。上位计算机例如设定钢带S的板宽、板厚、通板速度、向镀锌浴浸入时的钢带S的温度等用于控制连续式热浸镀锌设备100的运行参数，上位计算机能够获取这些运行数据。另外，上位计算机还能够收集从浴温计9获得的浴温度、从浴分析装置10获得的浴中Al浓度的运行数据等。但是，优选上位计算机在将从配置于镀锌槽1的各种测量器获得的连续的运行数据适当地进行加工后向运行实绩DB85输送。例如上位计算机能够在每隔钢带S的一定长度(例如钢带S的长度10m)或者每隔一定时间(例如2秒)对运行数据实施平均化处理后将平均化处理后的运行数据向运行实绩DB85输送。

包括过程控制计算机在内的上位计算机能够从为了设定并控制炉鼻2的运行参数而使用的各种信息中选择第2参数并向运行实绩DB85供给。作为第2参数，例如能够举出炉鼻2内的露点、炉鼻2内的氢浓度、炉鼻2内的氧浓度、炉鼻2内的钢带S的温度、炉鼻内的气氛温度、气体流速、气体组成等。优选上位计算机在对从配置于炉鼻2的各种测量器获得的连续的运行数据适当地进行加工后向运行实绩DB85输送。与上述同样，例如上位计算机能够在每隔钢带S的一定长度(例如钢带S的长度10m)或者每隔一定时间(例如2秒)对运行数据实施平均化处理后将平均化处理后的运行数据向运行实绩DB85输送。

另外，包括过程控制计算机在内的上位计算机能够基于从缺陷检测装置80获取到的图像数据并通过上述的方法来获取渣滓缺陷信息并向运行实绩DB85输送。

优选上位计算机将渣滓缺陷信息与热浸镀锌钢板G的长边方向上的位置信息建立关联来向运行实绩DB85输送。在一个例子中，上位计算机根据距钢带S的前端部(与在前部件的焊接部)的距离来确定钢带S内的位置，从连续式热浸镀锌设备100的送入侧起追踪焊接部的位置，并且在钢带S通过炉鼻2的阶段，将与炉鼻2有关的第2参数与一条钢带S的长边方向上的位置信息建立关联。另外，上位计算机在钢带S通过镀锌槽1的阶段将与镀锌槽1有关的第2参数与该一条钢带S的长边方向上的位置信息建立关联。并且，上位计算机在钢带S通过缺陷检测装置80的阶段将渣滓缺陷信息与一条钢带S的长边方向上的位置信息建立关联。这样一来，根据通过钢带S内的位置信息建立了关联的与炉鼻2有关的第2参数、与镀锌槽1有关的第1参数、以及渣滓缺陷信息，上位计算机每隔钢带S的一定长度(例如每隔10m)例如通过平均化处理计算钢板S的长边方向的该位置处的运行数据的代表值。而且，按钢板S的长边方向的每个位置汇总计算出的代表值，作为一组运行数据蓄积于运行实绩DB85。此时，作为钢带S的长度，例如能够使用在1.0～100m的范围内任意决定的长度。此外，能够判断为在钢带S的特定的部分通过炉鼻2后到通过镀锌槽1为止的时间差足够小，因此上位计算机也可以将在钢带S通过镀锌槽1时在炉鼻2与镀锌槽1同时刻获取到的信息作为一组实绩数据。

运行实绩DB85保存多个将如以上那样收集到的输入变量与输出变量建立关联而得的数据集。另外，优选运行实绩DB85包含与作为制造对象的钢种以及尺寸(钢带S的板厚和板宽)有关的信息。另外，各数据集也可以包含钢带S的长边方向上的位置信息。作为运行实绩DB85中的数据数，优选每一条钢带S为750个以上。另外，在运行实绩DB85中，蓄积有关于至少5卷以上的钢带S的数据，优选蓄积有关于20卷以上的钢带S的数据，更优选蓄积有关于100卷以上的钢带S的数据。

机器学习部834使用这样创建的数据库，将至少从与镀锌槽有关的第1参数和与炉鼻2有关的第2参数中分别选择的1个或者2个以上的运行数据作为输入变量，并将与该输入变量对应的在镀锌槽的下游侧被观测的钢带S的渣滓缺陷信息作为输出变量，通过机器学习来生成渣滓缺陷预测模型。

图14是表示渣滓缺陷预测模型的结构的示意图。参照图14来对由机器学习部生成的渣滓缺陷预测模型的结构进行说明。

在由机器学习部834生成的渣滓缺陷预测模型的输入项,例如经由渣滓缺陷预测装置84的获取部841输入成为渣滓缺陷信息的预测对象的、包括与镀锌槽1有关的第1运行条件和与炉鼻2有关的第2运行条件在内的运行条件。基于已输入至输入项的运行条件来预测渣滓缺陷信息，在输出项输出渣滓缺陷信息。

＜渣滓缺陷预测装置＞

图12是表示渣滓缺陷预测装置的结构的功能框图。参照图12来对渣滓缺陷预测系统所包括的渣滓缺陷预测装置的一个例子进行说明。

如图12所示，渣滓缺陷预测装置84具有获取部841、输出部842、存储部843以及控制部844。

获取部841例如包括能够从渣滓缺陷预测模型生成装置83获取由机器学习部834生成的渣滓缺陷预测模型的任意的接口。例如，获取部841可以包括用于从渣滓缺陷预测模型生成装置83获取渣滓缺陷预测模型的通信接口。在该情况下，获取部841可以按照规定的通信协议来从机器学习部834接收渣滓缺陷预测模型。

另外，获取部841例如从控制连续式热浸镀锌设备100的上位计算机获取运行条件。例如，获取部841可以包括用于从上位计算机获取运行条件的通信接口。在该情况下，获取部841可以按照规定的通信协议来从上位计算机接收运行条件。

获取部841也可以获取基于用户的操作的输入信息。在该情况下，渣滓缺陷预测装置84还具有输入部，该输入部包括检测用户输入并获取基于用户的操作的输入信息的一个以上的输入接口。例如，输入部是物理键、静电电容键、与输出部的显示器一体设置的触摸屏、或者受理声音输入的话筒等，但并不限定于这些。例如，输入部受理运行条件相对于由获取部841从渣滓缺陷预测模型生成装置83获取到的渣滓缺陷预测模型的输入。

存储部843包括至少一个半导体存储器、至少一个磁存储器、至少一个光存储器或者这些中的至少两种的组合。半导体存储器例如是RAM(random access memory)或者ROM(read only memory：只读存储器)。RAM例如是SRAM(static random access memory)或者DRAM(dynamic random access memory)。ROM例如是EEPROM(electrically erasableprogrammable read only memory)。存储部843例如作为主存储装置、辅助存储装置或者高速缓存存储器发挥功能。存储部843存储在渣滓缺陷预测装置的动作中使用的任意的信息。存储部843例如存储由获取部841从渣滓缺陷预测模型生成装置83获取到的渣滓缺陷预测模型、由获取部841从上位计算机获取到的运行条件、以及由控制部844预测出的渣滓缺陷信息。例如，存储部843也可以存储系统程序和应用程序等。

控制部844包括一个以上的处理器。在一个实施方式中，“处理器”是通用的处理器、或者为特定的处理定制的专用的处理器，但并不限定于这些。控制部844与构成渣滓缺陷预测装置的各结构部以可通信的方式连接，并控制渣滓缺陷预测装置84整体的动作。

控制部844例如可以是PC(Personal Computer)或者智能手机等任意的通用的电子器件。控制部844并不限定于这些，可以是一个或者相互可通信的多个服务器装置，也可以是渣滓缺陷预测系统专用的其他电子器件。

控制部844基于经由获取部841获取到的运行条件，通过从渣滓缺陷预测模型生成装置83获取到的渣滓缺陷预测模型来计算渣滓缺陷信息的预测。

输出部842将由控制部844计算出的渣滓缺陷信息的预测值向后述的运行条件设定装置90供给。输出部842可包括能够相对于运行条件设定装置90供给渣滓缺陷信息的预测值的任意的接口。例如，输出部842可以包括用于相对于运行条件设定装置90供给渣滓缺陷信息的预测值的通信接口。在该情况下，输出部842可以按照规定的通信协议来相对于运行条件设定装置90发送渣滓缺陷信息的预测值。

另外，输出部842也可以包括输出信息来通知给用户的一个以上的输出接口。输出用接口例如是显示器。显示器例如是LCD(liquid crystal display：液晶显示器)或者有机EL(electro luminescence：电致发光)显示器。输出部842输出通过渣滓缺陷预测装置的动作获得的数据。输出部842可以作为外部的输出器件与渣滓缺陷预测装置84连接来代替装备于渣滓缺陷预测装置84。作为连接方式，例如能够使用USB、HDMI(注册商标)、或者Bluetooth(注册商标)等任意的方式。例如，输出部842是以影像输出信息的显示器、或者以声音输出信息的扬声器等，但并不限定于这些。例如，输出部842相对于用户提示由控制部844预测出的渣滓缺陷信息的预测值。用户能够基于由输出部842提示的渣滓缺陷信息的预测值来适当地设定连续式热浸镀锌设备100的运行条件。

图15是表示由图12的渣滓缺陷预测装置84进行的动作的一个例子的流程图。参照图15来主要对计算渣滓缺陷信息的预测值的渣滓缺陷预测方法进行说明。

在步骤S201中，渣滓缺陷预测装置84的控制部844经由获取部841从渣滓缺陷预测模型生成装置83获取渣滓缺陷预测模型，该渣滓缺陷预测模型是基于将包括与镀锌槽1有关的第1参数和与炉鼻2有关的第2参数在内的运行数据作为输入变量、且将钢带S的渣滓缺陷信息作为输出变量来执行的机器学习的模型。

在步骤S202中，渣滓缺陷预测装置84的控制部844经由获取部841受理运行条件相对于在步骤S201中获取到的渣滓缺陷预测模型的输入。

在步骤S203中，渣滓缺陷预测装置84的控制部844基于在步骤S202中输入的运行条件并通过在步骤S201中获取到的渣滓缺陷预测模型来计算渣滓缺陷信息的预测值。

在步骤S204中，渣滓缺陷预测装置84的控制部844根据需要来通过输出部842输出在步骤S203中计算出的渣滓缺陷信息的预测值。

在上述中，对渣滓缺陷预测装置84具备获取运行条件的获取部841和输出渣滓缺陷信息的预测值的输出部842的方式进行了说明，但除了渣滓缺陷预测装置84具备的获取部841和输出部842之外，还可以在与渣滓缺陷预测装置84分开的装置上另外设置进行运行条件的获取和渣滓缺陷信息的预测值的输出的输入部、输出部。一个实施方式所涉及的渣滓缺陷预测终端系统具备：上述的渣滓缺陷预测装置84；和终端装置，受理与上述运行条件的变更有关的用户输入，并将基于该用户输入的用户输入信息向上述渣滓缺陷预测装置84发送，上述渣滓缺陷预测装置84可以包括控制部844，该控制部844基于上述用户输入信息来变更上述运行条件的至少一部分而作为变更运行条件，基于该变更运行条件并通过上述渣滓缺陷预测模型来计算上述钢带S的渣滓缺陷信息的预测值。

根据该渣滓缺陷预测终端系统，通过终端装置来受理用户输入，并基于根据用户输入信息变更过的运行条件来计算渣滓缺陷信息的预测值，由此用户能够预测伴随着运行条件的变更的渣滓缺陷信息的变化，能够向适当的运行条件迅速地变更连续式热浸镀锌设备100。

终端装置是信息处理终端，在一个例子中，具有输入输出部、通信部、存储部以及控制部。

输入输出部具有输入接口，该输入接口检测与连续式热浸镀锌设备100的运行条件的变更有关的用户输入，并将用户输入信息向控制部输送。该输入接口例如可以是包括物理键、静电电容键、与面板显示器一体设置的触摸屏、各种点击设备、受理声音输入的话筒、取得拍摄图像或者图像代码的照相机等在内的任意的输入接口。另外，输入输出部也可以具有将从渣滓缺陷预测装置获取到的渣滓缺陷预测信息对用户输出的输出接口。该输出接口例如可以是包括将信息作为图像、影像来输出的外置或者内置的显示器、将信息作为声音来输出的扬声器、或者与外部的输出器件的连接接口在内的任意的输出接口。

存储部包括至少一个半导体存储器、至少一个磁存储器、至少一个光存储器或者这些中的至少两种的组合。半导体存储器例如是RAM(random access memory)或者ROM(read only memory)。RAM例如是SRAM(static random access memory)或者DRAM(dynamicrandom access memory)。ROM例如是EEPROM(electrically erasable programmable readonly memory)。存储部例如作为主存储装置、辅助存储装置或者高速缓存存储器发挥功能。存储部存储在终端装置的动作中使用的任意的信息。存储部例如存储用户输入信息和从渣滓缺陷预测装置84获取到的渣滓缺陷预测信息。例如，存储部也可以存储系统程序和应用程序等。

控制部包括一个以上的处理器。在一个实施方式中，“处理器”是通用的处理器、或者为特定的处理定制的专用的处理器，但并不限定于这些。控制部与构成终端装置的各结构部以可通信的方式连接，并控制终端装置整体的动作。

通信部将基于用户输入的用户输入信息向上述的渣滓缺陷预测装置84供给。通信部可包括能够相对于渣滓缺陷预测装置84供给用户输入信息的任意的接口。例如，通信部可以包括用于对渣滓缺陷预测装置84供给用户输入信息的通信接口。在该情况下，通信部可以按照规定的通信协议来相对于渣滓缺陷预测装置84发送用户输入信息。

作为终端装置，能够举出触摸面板式的平板终端、智能手机、以及个人计算机等。通过终端装置来受理用户输入，由此无论场所如何，用户均能够获得虚拟地变更了连续式热浸镀锌设备100的运行条件的情况下的渣滓缺陷信息的预测值。用户例如能够在具备连续式热浸镀锌设备100的工厂的事务所内操作终端装置来计算渣滓缺陷信息的预测值，有助于连续式热浸镀锌设备100的运行条件的决定。

对渣滓缺陷预测终端系统的动作的一个例子进行说明。首先，终端装置的输入输出部受理与运行条件的变更有关的用户输入，并向发送部供给。与运行条件的变更有关的用户输入包括用于变更运行条件的至少一部分的信息。作为用户输入，例如可举出与镀锌槽1有关的第1运行条件的变更值、与炉鼻2有关的第2运行条件的变更值、或者与气体吹扫设备70有关的第3运行条件的变更值。接着，发送部将基于该用户输入的用户输入信息向渣滓缺陷预测装置84发送。

接着，渣滓缺陷预测装置84的获取部841从上述的终端装置获取用户输入信息。获取部841将获取到的用户输入信息向控制部844供给。控制部844基于用户输入信息来变更运行条件的至少一部分而作为变更运行条件。例如，在用户输入信息包括与镀锌槽1有关的第1运行条件的变更值的情况下，控制部844能够基于用户输入信息来变更第1运行条件。

接着，控制部844将该变更运行条件作为输入变量并通过渣滓缺陷预测模型来计算钢带S的渣滓缺陷信息的预测值。渣滓缺陷预测装置84的控制部844通过输出部842将计算出的渣滓缺陷信息的预测值向终端装置的通信部发送。终端装置的通信部将获取到的渣滓缺陷信息的预测值向终端装置的输入输出部供给。终端装置的输入输出部相对于用户输出渣滓缺陷信息的预测值。

＜渣滓缺陷减少方法＞

在本实施方式所涉及的渣滓缺陷减少方法中，包括使用上述的渣滓缺陷预测方法来计算镀锌槽1的下游侧中的钢带S的渣滓缺陷信息的预测值的步骤、和基于上述渣滓缺陷信息的预测值来重新设定上述运行条件的步骤。本实施方式所涉及的渣滓缺陷减少方法例如能够使用在包括上述的渣滓缺陷预测装置84的渣滓缺陷预测系统还组合了运行条件设定装置而得的渣滓缺陷减少系统来实施。

在图11中示出渣滓缺陷减少方法的概要。如图11所示，渣滓缺陷预测装置84从包括过程控制计算机在内的上位计算机95获取运行条件。此外，渣滓缺陷预测装置84也可以从连续式热浸镀锌设备100所包括的各种测定装置直接获取运行条件。

渣滓缺陷预测装置84能够在钢带S的长边方向上的规定的位置通过镀锌槽1后、且在该部分到达缺陷检测装置80前计算渣滓缺陷信息的预测值。或者，渣滓缺陷预测系统也可以在钢带S的长边方向上的规定的位置通过气体吹扫设备后、且在该部分到达缺陷检测装置80前进行渣滓缺陷信息的预测。优选渣滓缺陷预测装置84在钢带S通过镀锌槽1的紧后、或者在钢带S通过气体吹扫设备70的紧后进行预测值的计算。渣滓缺陷预测装置84在缺陷检测装置80检测渣滓缺陷信息之前预测在钢带S产生的渣滓缺陷信息的预测值，从而能够迅速地变更运行条件来将产生渣滓缺陷X的长度抑制为最小限度。

这里，优选渣滓缺陷预测装置84在钢带S的长边方向上连续地进行渣滓缺陷信息的预测值的计算。在一个例子中，渣滓缺陷预测装置84在钢带S的行进方向上按照在1.0～100m的范围内任意设定的间距(pitch)预测渣滓缺陷信息，并将预测结果向输出部供给。这样，若渣滓缺陷预测装置84在钢带S的行进方向上空开在1.0～100m的范围内任意设定的间隔来计算渣滓缺陷信息的预测值，则在使1卷钢带S通过连续式热浸镀锌设备100进行处理的期间，即使在与镀锌槽1有关的第1运行条件和与炉鼻2有关的第2运行条件发生变化的情况下，也能够高精度地预测渣滓缺陷X。

运行条件设定装置90基于渣滓缺陷预测装置84如上述那样计算出的渣滓缺陷信息的预测值来重新设定连续式热浸镀锌设备100的运行条件。如图11所示，运行条件设定装置90从渣滓缺陷预测装置84获取渣滓缺陷信息的预测值。另外，在一个例子中，运行条件设定装置90的判定部901从上位计算机获取预先设定的渣滓缺陷上限值。判定部901将渣滓缺陷信息的预测值与渣滓缺陷上限值进行比较，在渣滓缺陷信息的预测值超过渣滓缺陷上限值的情况下，判断为判定结果是NG。在渣滓缺陷信息的预测值为渣滓缺陷上限值以下的情况下，判定部901判断为判定结果是OK。在判定结果是NG的情况下，判定部901向运行条件重新设定部902通知运行条件的变更，运行条件重新设定部902修改连续式热浸镀锌设备100的运行条件。在判定结果是OK的情况下，判定部901不向运行条件重新设定部902通知运行条件的变更。在判定结果是OK的情况下，判定部901将维持该时间点的运行条件的控制指令向连续式热浸镀锌设备100所包括的各装置的运行条件控制部输送。被通知了运行条件的变更的运行条件重新设定部902例如能够重新设定炉鼻2、镀锌槽1以及气体吹扫设备70的运行条件。

具体而言，被通知了运行条件的变更的运行条件重新设定部902优先变更响应性高的运行条件即可。作为响应性高的运行条件，可举出通板速度、支承辊4相对于钢带S的压入量、以及气体吹扫设备70的气体压力。另外，在仅通过这些运行条件的变更无法充分地减少渣滓缺陷X的情况下，运行条件重新设定部902能够追加进行例如镀锌槽1的浴温控制输出的设定值和向炉鼻2供给的混合气体的流量比的至少一方的重新设定。此外，也可以将这样被重新设定了的运行条件作为渣滓缺陷预测模型的输入参数来再度进行渣滓缺陷信息的预测，并在确认了渣滓缺陷信息的预测值是否小于渣滓缺陷上限值之后，决定运行条件的设定值。

此外，优选运行条件重新设定部902在运行条件的重新设定时对各种运行条件设定上限值和下限值，并在该设定范围内重新设定运行条件。运行条件重新设定部902对各种运行条件设定上限值和下限值，并在该设定范围内重新设定运行条件，从而能够适宜地防止产生渣滓缺陷X以外的缺陷。

上位计算机95能够预先设定渣滓缺陷上限值。作为渣滓缺陷上限值，例如，可举出钢带S的长边方向上的每单位长度的渣滓缺陷X的个数。上位计算机95例如能够将钢带S的长边方向上的长度1km的渣滓缺陷X为一个以下设定为渣滓缺陷上限值。

作为运行条件重新设定部902重新设定的运行条件，能够包括与镀锌槽1有关的第1运行条件和与炉鼻2有关的第2运行条件。作为与镀锌槽1有关的第1运行条件，例如能够包括从钢带S通过镀锌槽1时的通板速度、镀锌槽1中的支承辊4相对于钢带S的压入量、镀锌槽1的浴温控制输出的设定值、坯料8向镀锌槽1的投入量中选出的1个或者2个以上。

作为与炉鼻2有关的第2运行条件，例如能够包括从向炉鼻2供给的混合气体的流量比、炉鼻扩散管59的阀60的开度以及炉鼻2内的加热器55的设定值中选出的1个或者2个以上。

运行条件重新设定部902也可以基于渣滓缺陷信息来变更气体吹扫设备70的气体压力的设定条件。并且，运行条件重新设定部902可以重新设定连续退火炉30的运行条件。作为运行条件重新设定部902能够重新设定的连续退火炉30的运行条件，可举出加热带20为直火炉的情况下的加热带20内的气氛的空气比、从均热带21的气体供给系统供给的气体种类、来自均热带21的气体供给系统的气体供给量、作为冷却带23的运行条件的冷却气体的流量、气体种类以及气体浓度等。

在这些运行条件中，也特别优选运行条件重新设定部902重新设定钢带S通过镀锌槽1时的通板速度、镀锌槽1中的支承辊4相对于钢带S的压入量。运行条件重新设定部902重新设定钢带S通过镀锌槽1时的通板速度、镀锌槽1中的支承辊4相对于钢带S的压入量，从而能够通过运行条件的重新设定来立即减少渣滓缺陷X。运行条件重新设定部902能够参照各种控制器件的机械响应时间来重新设定钢带S通过镀锌槽1时的通板速度、镀锌槽1中的支承辊4相对于钢带S的压入量。另外，为了减少渣滓缺陷X，运行条件重新设定部902还能够重新设定气体吹扫设备70的气体压力。

另一方面，运行条件重新设定部902重新设定向炉鼻2供给的混合气体的流量比，从而能够变更炉鼻2内的露点、炉鼻2内的氢浓度以及炉鼻2内的氧浓度的至少一个。运行条件重新设定部902重新设定向炉鼻2供给的混合气体的流量比，从而能够在3分钟左右的短时间内变更炉鼻2内的气氛。炉鼻2内的气氛通过形成于钢带S表面的铁氧化膜的状态变化来抑制铁相对于镀锌浴的溶出，由此抑制渣滓缺陷X。运行条件重新设定部902重新设定向炉鼻2供给的混合气体的流量比，从而能够以较高的效果减少渣滓缺陷X的产生。优选运行条件重新设定部902参照渣滓缺陷信息来重新设定、钢带S通过镀锌槽1时的通板速度、镀锌槽1中的支承辊4相对于钢带S的压入量、以及向炉鼻2供给的混合气体的流量比。

并且，运行条件重新设定部902也可以重新设定镀锌槽1的浴温控制输出的设定值。通过运行条件重新设定部902基于渣滓缺陷信息来重新设定镀锌槽1的浴温控制输出的设定值，从而能够适宜地减少渣滓缺陷X。这是因为：浴温度对从钢带S向镀锌浴的Fe溶出量有较大的影响。从提高响应性的观点出发，优选在运行条件重新设定部902作为运行条件而重新设定镀锌槽1的浴温控制输出的设定值的情况下，与其他运行条件的重新设定并用。特别地，用于减少渣滓缺陷X的向炉鼻2供给的混合气体的流量比以及从炉鼻2向炉外部扩散的气体的恰当值根据镀锌槽1的浴温度而变化，因此优选运行条件重新设定部902组合与炉鼻2有关的第2运行条件和与镀锌槽1有关的第1运行条件来进行重新设定。

浸入至镀锌槽1的钢板S的温度是影响到向镀锌槽1溶出的Fe的量的因素。因此，运行条件重新设定部902也可以通过变更为了加热炉鼻2而设置的炉鼻2内的电热加热器的控制输出设定值以及作为炉鼻2的前工序的连续退火炉30内的冷却带23的运行条件来进一步减少渣滓缺陷X。

镀锌浴的成分是决定Fe从钢带S相对于镀锌浴的溶出量的一个因素。因此，也可以通过运行条件重新设定部902重新设定相对于镀锌浴投入坯料8的时机并在管理范围内变更浴成分来进一步减少渣滓缺陷X。

钢带S的表面的性状是决定从钢带S向镀锌浴的Fe溶出量的因素。作为决定Fe溶出量的钢带S的表面的性状，包括钢带S的表面的氧化的程度和钢带S表面中的Si、Mn等强化元素的富集量。因而，也可以通过运行条件重新设定部902重新设定向均热带21供给并用于调整炉内的露点的气体的流量、或者加热带20为直火炉的情况的加热带20的空气比来进一步减少渣滓缺陷X。

由此，根据本渣滓缺陷减少方法，在连续式热浸镀锌设备100中，能够在钢带S的卷内和卷间维持用于减少渣滓缺陷X的适当的运行条件，因此能够制造品质高且成品率良好的热浸镀锌钢板G。即，本公开还涉及使用基于上述的渣滓缺陷减少方法控制上述运行条件的上述连续式热浸镀锌设备来在上述钢带的表面形成镀锌层而形成为热浸镀锌钢板的热浸镀锌钢板的制造方法。

＜其他＞

渣滓缺陷预测模型生成装置83也可以还将与连续退火炉30有关的第4参数包括在输入变量中来创建渣滓缺陷预测模型。在该情况下，运行条件重新设定部902能够重新设定与连续退火炉30有关的第4运行条件。作为与连续退火炉30有关的第4参数，能够使用在图3中的加热带20、均热带21以及冷却带22、23(第1冷却带22、第2冷却带23)由以用于控制连续退火炉30的过程控制计算机为代表的上位计算机作为退火的运行参数获取的1个或者2个以上的信息。

作为第4参数中的与加热带20有关的参数，能够使用从钢带S为通过加热带20的从钢带入口至钢带出口为止所需的时间、加热带20中的钢带S的温度上升量、以及加热带20中的钢带S的平均升温速度中选出的至少一个。作为与均热带21有关的运行参数，能够使用均热带21内的钢带S的平均温度亦即均热温度以及钢带S为通过均热带21内所需的时间亦即均热时间的至少一方。作为第1冷却带22的运行参数，能够使用从钢带S通过第1冷却带22所需的时间、第1冷却带22内的钢带S的温度降低量、以及第1冷却带22内的钢带S的平均冷却速度中选出的至少一个。同样，作为与第2冷却带有关的运行参数，能够使用钢带S为通过第2冷却带23所需的时间、第2冷却带23内的钢带S的温度降低量、以及第2冷却带23内的钢带S的平均冷却速度。另外，渣滓缺陷预测装置84还能够使用与露点有关的信息作为第4参数。例如，优选渣滓缺陷预测装置84使用均热时间和均热带21中的露点作为第4参数。

第4参数并不限定于上述的参数，渣滓缺陷预测模型生成装置83也可以使用加热带20中的加热带加热装置的控制输出值、冷却带22、23中的冷却装置的控制输出值等用于控制连续退火炉30的运行条件的控制系统的输出值作为第4参数。

与以上的连续退火炉30有关的第4参数给钢带S被装入至炉鼻2时的钢带S表面的氧化物的状态带来影响。由此，第4参数给钢带S装入至镀锌槽1后的Fe从钢带S向镀锌浴的溶出量带来影响，进而与渣滓缺陷X的产生行为关联。

实施例＜实施例1＞

以下基于实施例对本公开更具体地进行说明。在以下的实施例1中，将本实施方式所涉及的渣滓缺陷减少方法应用于在用连续式热浸镀锌设备在薄钢板的表面形成镀锌层而形成为热浸镀锌钢板后对该热浸镀锌钢板进一步实施合金化处理而形成为合金化热浸镀锌钢板的情况。在本实施例中，在图3所示的连续式热浸镀金属设备中，使用了在配置于镀锌槽的送出侧的气体吹扫设备70的下游侧且比缺陷检测装置80靠上游侧的位置具备再加热设备的连续式热浸镀金属设备。再加热设备具有合金化带、保温带、最终冷却带，在合金化带配置有感应加热装置。合金化带是用于在薄钢板的表面形成具有由Zn-Fe合金化反应形成的合金层的镀锌皮膜来制造合金化热浸镀锌钢板的设备。镀锌浴为含有Al的Zn浴。作为钢带，使用了板厚为0.6～1.4mm、宽度为690～1550mm、重量为12～16吨的冷轧后的原料卷材。准备20个原料卷材，通过连续式热浸镀锌设备使其中10个原料卷材变为合金化热浸镀锌钢板，并获取运行实绩。将该运行实绩向渣滓缺陷预测模型生成装置供给而生成了渣滓缺陷预测模型。对于剩余10个原料卷材，通过连续式热浸镀锌设备实施退火、镀敷处理以及合金化处理，并进行了渣滓缺陷的预测。原料卷材的成分组成(规格)是SGH440，相对于原料卷材的镀锌层的每个单面的单位面积重量的目标值是40g/m²。

利用具有图8所示的结构的缺陷检测装置将具有100μm以上的大小的缺陷作为渣滓缺陷，使用钢带的长边方向上的每50m长度的渣滓缺陷数作为成为输出变量的渣滓缺陷信息。另外，能够允许的渣滓缺陷上限值设定为钢带的长边方向上的每50m长度有0.5个。此外，渣滓缺陷预测模型的输出基于统计信息，因此输出换算为上述长度的实际数作为渣滓缺陷数，渣滓缺陷数的上限值也由实际数确定。

作为渣滓缺陷预测模型的输入变量，除了使用钢带的板厚、板宽、通板速度之外，还使用作为与炉鼻有关的第2运行条件的炉鼻内的露点和炉鼻内的氧浓度。另外，作为与镀锌槽有关的第1运行条件，使用锌浴温度和镀锌浴的Al浓度。此外，第2参数亦即炉鼻内的露点以及炉鼻内的氧浓度的初始设定值分别是-30℃以及10ppm，第1参数亦即锌浴温度以及镀锌浴的Al浓度的初始设定值分别是460℃以及0.130％。

与炉鼻有关的第2参数和与镀锌槽有关的第1参数随时间推移而变化。在生成渣滓缺陷预测模型时，实施有意地变更与炉鼻有关的第2参数亦即炉鼻内的露点和氧浓度、以及与镀锌槽有关的第1参数亦即锌浴温度和Al浓度那样的操作，在钢带的长边方向上每隔50m收集运行数据，将与10卷的渣滓缺陷信息建立了关联的运行数据蓄积于运行实绩数据库。然后，作为机器学习算法，使用神经网络，使中间层为2层。使用sigmoid函数作为激活函数，生成了渣滓缺陷预测模型。

对剩余10个卷材应用这样生成的渣滓缺陷预测模型，按各卷材的长边方向上每50m来比较渣滓缺陷信息的预测值与基于缺陷检测装置的渣滓缺陷信息。其结果是，对于200个渣滓缺陷信息，能够准确地预测渣滓缺陷的产生有无的比例(正确率)良好到94.9％。

＜实施例2＞

在以下的实施例中，将本实施方式所涉及的渣滓缺陷减少方法应用于制造其他热浸镀锌钢板的情况。在本实施例中使用的连续式热浸镀锌设备与上述实施例1所示的连续式热浸镀金属设备相同。然而，与实施例1不同，在本实施例中，不使用再加热设备，在镀敷处理后不对热浸镀锌钢板实施合金化处理来制造了热浸镀锌钢板。作为成为镀敷处理的原料的钢带，使用了板厚为0.6～1.4mm、宽度为690～1550mm、重量为12～16吨的冷轧后的原料卷材。准备20个原料卷材，通过连续式热浸镀锌设备使其中10个原料卷材成为热浸镀锌钢板，并获取运行实绩。将该运行实绩向渣滓缺陷预测模型生成装置供给而生成了渣滓缺陷预测模型。对于剩余10个原料卷材，通过连续式热浸镀锌设备实施退火和镀敷处理，并进行了渣滓缺陷的预测。原料卷材的成分组成(规格)是SGH440，相对于原料卷材的镀锌层的每个单面的单位面积重量的目标值是50g/m²。

与实施例1相同，利用缺陷检测装置将具有100μm以上的大小的缺陷作为渣滓缺陷，使用钢带的长边方向上的每50m长度的渣滓缺陷数作为成为输出变量的渣滓缺陷信息。另外，能够允许的渣滓缺陷上限值设定为钢带的长边方向上的每50m长度有0.5个。

作为渣滓缺陷预测模型的输入变量，除了使用钢带的板厚、板宽、通板速度之外，还使用作为与炉鼻有关的第2运行条件的炉鼻内的露点和炉鼻内的氧浓度。另外，作为与镀锌槽有关的第1运行条件，使用锌浴温度和镀锌浴的Al浓度。此外，第2参数亦即炉鼻内的露点以及炉鼻内的氧浓度的初始设定值分别是-25℃以及15ppm，第1参数亦即锌浴温度以及镀锌浴的Al浓度的初始设定值分别是450℃以及0.220％。

在生成渣滓缺陷预测模型时，实施有意地变更与炉鼻有关的第2参数亦即炉鼻内的露点和氧浓度、以及与镀锌槽有关的第1参数亦即锌浴温度和Al浓度那样的操作，在钢带的长边方向上每隔50m收集运行数据，并将与10卷的渣滓缺陷信息建立了关联的运行数据蓄积于运行实绩数据库。然后，作为机器学习算法，使用神经网络，并使中间层为2层。使用sigmoid函数作为激活函数，生成了渣滓缺陷预测模型。

对剩余10个卷材应用这样生成的渣滓缺陷预测模型，按各卷材的长边方向上每50m来比较渣滓缺陷信息的预测值与基于缺陷检测装置的渣滓缺陷信息。其结果是，对于200个渣滓缺陷信息，能够准确地预测渣滓缺陷的产生有无的比例(正确率)良好到92.9％。

基于各附图和实施方式对本公开进行了说明，但请注意只要是本领域技术人员，则容易基于本发明进行各种变形和修改。因此，请留意这些变形和修改包含在本发明的范围内。例如，各结构或者各步骤等所包含的功能等能够以在逻辑上不矛盾的方式进行重新配置，能够将多个结构或者步骤等组合成一个、或者进行分割。另外，虽然在本说明书中用自然言语对出现的数据进行了说明，但更具体而言，可以用计算机能够识别的模拟语言、指令、参数、机器语言等来指定。

例如，本公开还能够作为记述有实现上述的渣滓缺陷预测装置以及渣滓缺陷预测模型生成装置的各功能的处理内容的程序或者记录有程序的存储介质来实现。请理解这些也包含在本公开的范围内。

在本公开中，程序能够预先记录于可由计算机读取的记录介质。可由计算机读取的记录介质包括非暂时性的计算机可读取的介质，例如是磁记录装置、光盘、光磁记录介质或者半导体存储器。程序的流通例如通过销售、转让或者出借记录有程序的DVD(digitalversatile disc：数字多功能光盘)或者CD-ROM(compact disc read only memory：只读光盘存储器)等可移动式记录介质来进行。另外，程序的流通也可以通过将程序预先储存于服务器的储存器并通过服务器向其他的计算机发送程序来进行。另外，也可以将程序作为程序产品来提供。

例如，在渣滓缺陷预测装置84执行的至少一部分的处理动作可以由机器学习装置执行。相反地，在渣滓缺陷预测模型生成装置83执行的至少一部分的处理动作也可以由渣滓缺陷预测装置84执行。

在上述实施方式中，假设渣滓缺陷预测装置84和渣滓缺陷预测模型生成装置83是独立的装置进行了说明，但并不限定于此。与基于渣滓缺陷预测装置84的渣滓缺陷预测方法以及基于渣滓缺陷预测模型生成装置83的渣滓缺陷预测模型的生成方法关联的处理也可以由单个装置执行。此时，该单个装置也可以同样地执行连续式热浸镀锌设备100的运行条件的设定。

附图标记说明

S…钢带；G…热浸镀锌钢板；X…渣滓缺陷；L…检查线；100…连续式热浸镀锌设备；1…镀锌槽；2…炉鼻；3…导辊；4…支承辊；5…顶部渣滓；6…底部渣滓；7…坯料投入装置；8…坯料；9…浴温计；10…浴分析装置；11…加热装置；20…加热带；21…均热带；22…第1冷却带(快冷带)；23…第2冷却带(慢冷带)；30…连续退火炉；40…气体用配管；41A、41B、41C、42A、42B、42C…气体供给口；50…气体供给部；51A、51B、51C、51D、51E…配管；52…阀；53A、53B…露点测定孔；54…辐射温度计；55…加热器；56…隔热材；57…热电偶；58…温度控制部；59…扩散管；60…阀；70…气体吹扫设备；71…吹扫喷嘴；72…集管；73…压力计；74…温度计；75…挠性软管；76…气体加热装置；77…空气压缩机；80…缺陷检测装置；81…投光器；82…高性能照相机；83…渣滓缺陷预测模型生成装置；831…获取部；832…存储部；833…输出部；834…机器学习部；84…渣滓缺陷预测装置；841…获取部；842…输出部；843…存储部；844…控制部；85…运行实绩数据库；90…运行条件设定装置；95…上位计算机；901…判定部；902…运行条件重新设定部；200…渣滓缺陷预测系统。

Claims (13)

1.一种渣滓缺陷预测方法，是包括退火炉、镀锌槽以及炉鼻的连续式热浸镀锌设备中的在所述镀锌槽的下游侧被检测的钢带的渣滓缺陷预测方法，所述镀锌槽形成有镀锌浴，所述炉鼻设置于该退火炉的送出侧并配置为前端部浸渍于该镀锌浴，

所述渣滓缺陷预测方法的特征在于，包括：

受理包括与所述镀锌槽有关的第1运行条件和与所述炉鼻有关的第2运行条件在内的运行条件相对于渣滓缺陷预测模型的输入的步骤，所述渣滓缺陷预测模型是基于将包括与所述镀锌槽有关的第1参数和与所述炉鼻有关的第2参数在内的运行数据作为输入变量、且将所述钢带的渣滓缺陷信息作为输出变量来执行的机器学习的模型；和

基于已输入的所述运行条件并通过所述渣滓缺陷预测模型来计算所述钢带的渣滓缺陷信息的预测值的步骤。

2.根据权利要求1所述的渣滓缺陷预测方法，其特征在于，

所述连续式热浸镀锌设备在所述镀锌槽的送出侧具有气体吹扫设备，

所述渣滓缺陷预测模型是基于还将与所述气体吹扫设备有关的第3参数作为所述输入变量来执行的所述机器学习的模型，所述运行条件还包括与所述气体吹扫设备有关的第3运行条件。

3.根据权利要求1或2所述的钢带的渣滓缺陷预测方法，其特征在于，

所述第1参数包括从所述镀锌浴的温度以及所述镀锌浴中的Al浓度中选择的1个或者2个参数。

4.根据权利要求1～3中任一项所述的渣滓缺陷预测方法，其特征在于，

所述第2参数包括从所述炉鼻内的露点、所述炉鼻内的氢浓度、所述炉鼻内的氧浓度、所述炉鼻内的所述钢带的温度以及所述炉鼻内的气氛温度中选择的1个或者2个以上的参数。

5.根据权利要求1～4中任一项所述的渣滓缺陷预测方法，其特征在于，

所述第1运行条件包括从所述镀锌槽的浴温控制输出、所述钢带的通板速度、以及所述镀锌槽中的支承辊相对于所述钢带的压入量中选择的1个或者2个以上。

6.根据权利要求1～5中任一项所述的渣滓缺陷预测方法，其中，

所述第2运行条件包括向所述炉鼻供给的混合气体的流量比。

7.一种钢带的渣滓缺陷减少方法，其特征在于，包括：

使用权利要求1～6中任一项所述的渣滓缺陷预测方法来计算所述镀锌槽的下游侧的所述钢带的所述渣滓缺陷信息的预测值的步骤；和

基于所述渣滓缺陷信息的预测值来重新设定所述运行条件的步骤。

8.一种热浸镀锌钢板的制造方法，其中，

使用基于权利要求7所述的渣滓缺陷减少方法控制了所述运行条件的所述连续式热浸镀锌设备来在所述钢带的表面形成镀锌层而形成为热浸镀锌钢板。

9.一种合金化热浸镀锌钢板的制造方法，使用基于权利要求7所述的渣滓缺陷减少方法控制了所述运行条件的所述连续式热浸镀锌设备，其特征在于，

所述连续式热浸镀锌设备在所述镀锌槽的下游侧且比所述缺陷检测装置靠上游侧的位置还具备再加热设备，

在所述镀锌槽中，在所述钢带的表面形成镀锌层而形成为热浸镀锌钢板，

还通过所述再加热设备对所述热浸镀锌钢板实施合金化处理而形成为合金化热浸镀锌钢板。

10.一种渣滓缺陷预测模型的生成方法，是对包括退火炉、镀锌槽以及炉鼻的连续式热浸镀锌设备中的在所述镀锌槽的下游侧被检测的钢带的渣滓缺陷进行预测的渣滓缺陷预测模型的生成方法，所述退火炉对钢带进行退火，所述镀锌槽形成有镀锌浴，所述炉鼻设置于该退火炉的送出侧并配置为端部浸渍于镀锌浴，

所述渣滓缺陷预测模型的生成方法的特征在于，包括：

获取包括与所述镀锌槽有关的第1参数和与所述炉鼻有关的第2参数在内的运行数据的步骤；和

将获取到的所述运行数据作为输入变量、且将在所述镀锌槽的下游侧检测出的钢带的渣滓缺陷信息作为输出变量来执行机器学习的步骤。

11.根据权利要求10所述的渣滓缺陷预测模型的生成方法，其中，

在执行所述机器学习的步骤中，使用从神经网络、决策树学习、随机森林、支持向量回归、高斯过程以及k近邻法中选择的1个或者2个以上的机器学习算法。

12.一种渣滓缺陷预测装置，是对包括退火炉、镀锌槽以及炉鼻的连续式热浸镀锌设备中的在所述镀锌槽的下游侧被检测的钢带的渣滓缺陷进行预测的渣滓缺陷预测装置，所述镀锌槽形成有镀锌浴，所述炉鼻设置于该退火炉的送出侧并配置为前端部浸渍于镀锌浴，

所述渣滓缺陷预测装置的特征在于，包括：

获取部，获取包括与所述镀锌槽有关的第1运行条件和与所述炉鼻有关的第2运行条件在内的运行条件；和

控制部，相对于渣滓缺陷预测模型输入所述运行条件来计算所述钢带的渣滓缺陷信息的预测值，所述渣滓缺陷预测模型是基于将包括与所述镀锌槽有关的第1参数和与所述炉鼻有关的第2参数在内的运行数据作为输入变量、且将所述钢带的渣滓缺陷信息作为输出变量来执行的机器学习的模型。

13.一种渣滓缺陷预测终端系统，其特征在于，具备：

权利要求12所述的渣滓缺陷预测装置；和

终端装置，受理与所述运行条件的变更有关的用户输入，并将基于该用户输入的用户输入信息向所述渣滓缺陷预测装置发送，

所述渣滓缺陷预测装置包括控制部，该控制部基于所述用户输入信息来变更所述运行条件的至少一部分而作为变更运行条件，基于该变更运行条件并通过所述渣滓缺陷预测模型来计算所述钢带的渣滓缺陷信息的预测值。

Images