CN115917288A - 热处理轨道的硬度预测方法、热处理方法、硬度预测装置、热处理装置、制造方法、制造设备、以及硬度预测模型的生成方法 - Google Patents

热处理轨道的硬度预测方法、热处理方法、硬度预测装置、热处理装置、制造方法、制造设备、以及硬度预测模型的生成方法 Download PDF

Info

Publication number
CN115917288A
CN115917288A CN202180041784.0A CN202180041784A CN115917288A CN 115917288 A CN115917288 A CN 115917288A CN 202180041784 A CN202180041784 A CN 202180041784A CN 115917288 A CN115917288 A CN 115917288A
Authority
CN
China
Prior art keywords
hardness
cooling
rail
heat treatment
heat
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
Application number
CN202180041784.0A
Other languages
English (en)
Inventor
大须贺显一
福田启之
上冈悟史
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.)
JFE Steel Corp
Original Assignee
JFE Steel 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 JFE Steel Corp filed Critical JFE Steel Corp
Publication of CN115917288A publication Critical patent/CN115917288A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G01N3/54—Performing tests at high or low temperatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/18—Hardening; Quenching with or without subsequent tempering
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/62—Quenching devices
    • C21D1/667—Quenching devices for spray quenching
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D11/00—Process control or regulation for heat treatments
    • C21D11/005—Process control or regulation for heat treatments for cooling
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
    • C21D9/04—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor for rails
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/18—Investigating or analyzing materials by the use of thermal means by investigating thermal conductivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
    • C21D1/00—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering
    • C21D1/56—General methods or devices for heat treatment, e.g. annealing, hardening, quenching or tempering characterised by the quenching agents
    • C21D1/613—Gases; Liquefied or solidified normally gaseous material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0076—Hardness, compressibility or resistance to crushing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0098—Tests specified by its name, e.g. Charpy, Brinnel, Mullen
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0212—Theories, calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0212—Theories, calculations
    • G01N2203/0216—Finite elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/022—Environment of the test
    • G01N2203/0222—Temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G01N3/42—Investigating hardness or rebound hardness by performing impressions under a steady load by indentors, e.g. sphere, pyramid
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/09—Supervised learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Heat Treatment Of Articles (AREA)
  • Control Of Heat Treatment Processes (AREA)
  • Heat Treatments In General, Especially Conveying And Cooling (AREA)
  • Metal Rolling (AREA)
  • General Factory Administration (AREA)

Abstract

本发明能够进行具有稳定的硬度分布的轨道的热处理。对利用冷却设备(7)将奥氏体范围温度以上的轨道进行强制冷却后的轨道的硬度进行预测。使用模型取得多组学习用数据，上述模型是以至少具有冷却开始前的轨道的表面温度和冷却设备(7)的操作条件的冷却条件数据集作为输入数据、并以强制冷却后的轨道的内部的硬度作为输出数据进行运算的模型。通过使用了所取得的多组学习用数据的机器学习，预先生成至少以冷却条件数据集作为输入数据、并以与强制冷却后的轨道内部的硬度相关的信息作为输出数据的硬度预测模型。使用硬度预测模型，基于针对作为强制冷却的冷却条件而设定的一组冷却条件数据集的轨道内部的硬度，对轨道的硬度进行预测。

Description

热处理轨道的硬度预测方法、热处理方法、硬度预测装置、热处理装置、制造方法、制造设备、以及硬度预测模型的生成方法
技术领域
本发明涉及与具有对奥氏体范围温度以上的高温的轨道实施强制冷却的热处理工序的热处理轨道的制造相关的技术。本发明是特别适于将加热至奥氏体范围温度以上的轨道强制冷却而制成至少轨道头部的硬度的均匀性优异的轨道的运输用铁路用的热处理轨道的制造的技术。
背景技术
出于提高硬度、韧性等品质的目的，有时在热处理轨道的制造中对通过热轧制造的轨道实施强制冷却(热处理工序)。该强制冷却(热处理工序)对于如下轨道实施，例如：刚刚以奥氏体范围温度以上结束了轧制后的轨道、或在轧制/自然冷却后进行再加热而达到奥氏体范围温度以上的温度的轨道执行。即，强制冷却对达到奥氏体范围温度以上的轨道实施。在本说明书中，也将经过热处理工序制造的轨道记载为热处理轨道。
特别是与普通的客运铁路相比，自然资源开采现场所使用的运输用铁路的货车的装载量更大。因此，对于运输用铁路而言，轨道的磨损严重，需要频繁地更换轨道。然而，轨道的更换不仅会增加操作成本、更换品的成本，而且也会导致路线的利用率的降低。因此，存在想要抑制更换轨道的频率的要求。也就是说，对于运输用铁路而言，要求使用耐磨损性更高的轨道。
为了得到高耐磨损性的轨道，要求从轨道表面至给定深度的截面内部的区域(以下也简单记载为“内部”)的硬度分布高于给定的硬度值。另外，优选该区域的结晶组织为珠光体组织。其原因在于，对于贝氏体组织而言，即使是与珠光体组织相同的硬度，耐磨损性也低，另外，对于马氏体组织而言，韧性降低。
为了将珠光体组织高硬度化，使构成组织的铁素体与渗碳体的层(lamellar)的间隔变得微细是有效的。而且，为了得到微细的层，必须使奥氏体范围温度以上的轨道在以高的冷却速度(cold rate)冷却至充分低于平衡相变温度的温度的过冷却状态下进行相变。然而，在冷却速度过大的情况下，存在相变为贝氏体组织、马氏体组织而特性变差的隐患。另外，一般而言，以品质上最重要的轨道头部表面作为中心而对轨道实施冷却处理。此时，轨道头部是质量最集中的部分，因此，在轨道头部，存在冷却中在表面与内部产生很大的温度差的倾向。因此，在轨道头部，相变开始时刻也会在表面与内部产生差异，因此，需要通过与该时间差相应的冷却能力的控制来进行轨道内部的组织控制。
作为用于热处理轨道的冷却控制的技术，例如有专利文献1中记载的技术。专利文献1中公开了如下方法：进行以4～15℃/秒的冷却速度从750℃以上的温度范围强制冷却至600～450℃的第1强制冷却，然后暂时停止强制冷却，使珠光体相变结束后，再次进行强制冷却。
另外，专利文献2中公开了如下方法：一边从开始冷却起基于轨道表面的温度测定结果判定相变放热的开始时刻、结束时刻，一边变更强制冷却的条件。
此外，在专利文献3中公开了如下方法：使用预先设定的轨道内部的代表点的硬度与碳当量、冷却介质的喷射流量、喷射压力及喷射距离的关系式，基于成为轨道原材料的钢片的碳当量对冷却喷嘴与轨道头部间的喷射距离进行设定，并且根据在冷却设备进入侧测得的轨道头顶部的表面温度(冷却开始前的表面温度)而设定冷却时间。
另一方面，在专利文献4中公开了如下方法：作为控制装置内的工艺模型，具有数值、机械、冶金的嵌入型模型，对轨道内部的温度过程和微观组织变化、及机械性质进行预测，基于该预测结果来设定各冷却区域的冷却条件。
现有技术文献
专利文献
专利文献1：日本专利第4938158号公报
专利文献2：日本专利第5686231号公报
专利文献3：日本特开昭61-149436号公报
专利文献4：日本专利第6261570号公报
非专利文献
非专利文献1：传热工学资料[修订第5版]日本机械学会(2009)
发明内容
发明所要解决的问题
专利文献1中记载的方法限定第1强制冷却的开始和结束、以及第2强制冷却的开始和结束的各条件作为经加热的轨道的强制冷却条件。然而，在通过如专利文献1中所记载的方法预先设定冷却条件的情况下，存在如果轨道原材料的钢片的成分偏差、或冷却开始温度等产生偏差时，则热处理后的轨道的内部硬度会产生偏差的问题。
另一方面，对于专利文献2中记载的方法而言，从基于强制冷却中的轨道表面的温度测定结果来变更冷却条件的方面考虑，是能够考虑到原材料的偏差、冷却开始温度等主要变动因素的影响的方法。然而，在专利文献2所记载的方法中，冷却条件的变更仅仅基于轨道头部的表面温度进行，存在未必反映了轨道内部的温度变化、组织变化的冷却条件的变更的问题。例如，在轨道内部，由热传导引起的温度变化和由相变引起的温度变化同时，随着时间的经过，各位置的温度、发生相变的位置也发生变化。因此，仅根据表面温度的测定结果难以推定出内部的组织分布。
另外，专利文献3中记载的方法通过基于物理模型的简易式预测从轨道头部的表面进入10mm内部的位置的硬度，因此，能够将轨道内部的硬度与冷却条件相关联。然而，轨道内部的组织形成受到由冷却介质引起的轨道头部表面的热传导行为、轨道内部的热传导行为、由相变引起的组织变化、相变放热的复杂影响。因此，难以通过简易式而正确地进行轨道内部的硬度预测。另外，轨道内部的硬度根据截面而不同，因此，从仅通过控制特定位置的硬度来确保品质的观点考虑也是不足的。
专利文献4的技术记载了将轨道钢的化学组成、轧制条件、冷却前的奥氏体粒径、预想相变行为、轨道截面的几何形状、温度分布、及目标机械特性作为输入，以在线方式进行包含相变预测的热传导分析，预想最终的机械特性，并根据需要进行冷却条件的重新评估。
然而，由于轨道的截面形状复杂，因此，使用了物理模型的热传导分析、成为边界条件的导热系数的确定需要二维或三维的热传导分析、冷却介质的流动分析。因此，对于在线方式而言，计算负担非常大。此外，包含相变的热传导分析是非线性的现象。因此，如果不使用于分析的空间及时间刻度非常小，则无法得到稳定的解。因此，对于目前的计算机的能力而言，在在从热轧结束至搬入冷却设备的期间完成热传导分析的计算，确定适当的冷却条件，进而在冷却过程中也与温度过程相应地进行再计算，并且适当地修正冷却条件是困难的。
如上所述，在现有技术中存在如下问题：控制轨道内部的硬度分布时，在现实中难以实现与轨道原材料的钢片的成分偏差、冷却开始温度等主要变动因素相应的精度良好的控制。
特别是冷却设备的进入侧的原材料的条件根据各钢片而变动。因此，对于使用了在线方式的热传导分析(基于物理模型的数值计算)的处理而言，难以从表面至内部稳定地控制进行快且放热大的珠光体相变。
本发明是鉴于上述的问题点而完成的，其目的在于提供用于能够实现从轨道表面至内部控制为期望的组织而具有稳定的硬度分布的轨道的热处理的技术。
解决问题的方法
为了解决问题，本发明的一个方式的主旨为一种轨道的硬度预测方法，其是对于利用冷却设备将达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序后的上述轨道的硬度进行预测的轨道的硬度预测方法，该方法包括：使用内部硬度运算模型，预先取得多组学习用数据，上述内部硬度运算模型是用于以至少具有冷却开始前的轨道的表面温度和用于强制冷却的上述冷却设备的操作条件的冷却条件数据集作为输入数据、并以上述强制冷却后的轨道的至少轨道头部的内部的硬度作为输出数据进行运算的物理模型，上述学习用数据包含上述冷却条件数据集和上述硬度的输出数据，通过使用了所取得的多组学习用数据的机器学习，预先生成至少以上述冷却条件数据集作为输入数据、并以与上述强制冷却后的轨道内部的硬度相关的信息作为输出数据的硬度预测模型，基于使用上述硬度预测模型求出的信息对上述热处理工序后的轨道的硬度进行预测，上述信息为针对作为上述热处理工序的冷却条件而设定的一组冷却条件数据集的轨道内部的硬度的相关信息。
另外，本发明的一个方式的主旨为一种热处理轨道的热处理方法，其具有利用冷却设备对达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序，该方法包括：对冷却开始前的轨道的表面温度进行测定，在利用上述冷却设备的轨道的冷却开始前，使用所测定的轨道的表面温度，通过本发明的一个方式所述的热处理轨道的硬度预测方法对轨道内部的硬度进行预测，在所预测的轨道内部的硬度为目标硬度的范围以外的情况下，对上述冷却设备的操作条件进行再设定，使得所预测的轨道内部的硬度进入目标硬度的范围内。
另外，本发明的一个方式的主旨为一种硬度预测模型的生成方法，其用于根据冷却条件数据集求出利用冷却设备对达到奥氏体范围温度以上的温度的轨道进行强制冷却后的上述轨道的硬度，上述冷却条件数据集至少具有利用上述冷却设备的冷却开始前的轨道的表面温度和用于强制冷却的上述冷却设备的操作条件，该方法包括：使用内部硬度运算模型，取得多组学习用数据，上述内部硬度运算模型是用于以上述冷却条件数据集作为输入数据、并以上述强制冷却后的轨道的至少轨道头部的内部的硬度作为输出数据进行运算的物理模型，通过使用了所取得的多组学习用数据的机器学习，预先生成至少以上述冷却条件数据集作为输入数据、并以与上述强制冷却后的轨道内部的硬度相关的信息作为输出数据的硬度预测模型。
另外，本发明的一个方式为一种热处理轨道的制造方法，该方法具有本发明的一个方式的热处理轨道的热处理方法。
另外，本发明的一个方式的主旨为一种轨道的硬度预测装置，其对利用冷却设备将达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序后的上述轨道的硬度进行预测，上述硬度预测装置具备：数据库，其存储有多组使用内部硬度运算模型进行运算而得到的学习用数据，上述内部硬度运算模型是用于以至少具有冷却开始前的轨道的表面温度和用于强制冷却的上述冷却设备的操作条件的冷却条件数据集作为输入数据、并以上述强制冷却后的轨道的至少轨道头部的内部的硬度作为输出数据进行运算的物理模型，上述学习用数据包含上述冷却条件数据集和上述硬度的输出数据；硬度预测模型生成部，其通过使用了上述多组的学习用数据的机器学习，生成至少以上述冷却条件数据集作为输入数据、并以与上述强制冷却后的轨道内部的硬度相关的信息作为输出数据的硬度预测模型；温度计，其对冷却开始前的轨道的表面温度进行测定；以及硬度预测部，其使用上述温度计所测定的测定值和上述硬度预测模型，基于针对作为上述热处理工序的冷却条件而设定的一组冷却条件数据集的轨道内部的硬度的相关信息，对上述热处理工序后的轨道的硬度进行预测。
另外，本发明的一个方式的主旨为一种轨道的热处理装置，其是具有利用冷却设备对达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序的轨道的热处理装置，上述热处理装置具备：硬度预测部，其在利用上述冷却设备的轨道的冷却开始前，通过本发明的一个方式所述的热处理轨道的硬度预测装置，对轨道内部的硬度进行预测；和操作条件再设定部，在上述硬度预测部预测的轨道内部的硬度为目标硬度的范围以外的情况下，对上述冷却设备的操作条件进行再设定，使得所预测的轨道内部的硬度进入目标硬度的范围内。
另外，本发明的一个方式为一种热处理轨道的制造设备，其具备本发明的一个方式所述的热处理轨道的热处理装置。
这里，如上所述，在本说明书中，“轨道内部”是指从轨道表面至给定深度的截面内部的区域。
发明的效果
根据本发明的方式，能够以离线方式执行作为使用了热传导分析等的计算负担大的处理、即针对多个冷却条件的强制冷却后的轨道内部的硬度分布的数据(学习用数据)进行运算的处理，因此，能够以良好的精度执行。而且，根据本发明的方式，利用机器学习求出了用于通过该精度良好的学习用数据求得针对冷却条件的强制冷却后的轨道内部的硬度分布的数据的硬度预测模型。
因此，根据本发明的方式，例如，能够适宜地实施针对从热处理轨道的头部表面至内部的区域的组织控制，减小所制造的各轨道的硬度的偏差、轨道的长度方向的硬度偏差，能够实现品质偏差得到抑制的热处理轨道的制造。
附图说明
图1是示出基于本发明的实施方式的热处理轨道的制造设备的示意图。
图2是对用于通过基于本发明的实施方式的冷却设备进行冷却的头(header)等的配置进行说明的图。
图3是对轨道的强制冷却部位进行说明的图。
图4是示出热处理的控制方法的例子的图，(a)是对利用一步冷却法、(b)、(c)是对利用多阶段分步冷却法的冷却条件进行说明的图。
图5是对基于一步冷却法的表面温度与相变行为的关系进行说明的图。
图6是对基于本发明的实施方式的基于两阶段分步法的表面温度与相变行为的关系进行说明的图。
图7是示出硬度预测装置的构成例的图。
图8是示出内部硬度离线计算部的构成的图。
图9是示出进行硬度控制的控制装置的构成例的图。
图10是对作为本发明的实施方式的目标硬度的设定方法的例子进行说明的图。
图11是示出轨道的硬度为目标范围以外的情况的例子的图。
图12是对作为本发明的实施方式的目标硬度的设定方法的其它例进行说明的图。
符号说明
1  热处理轨道
2  制造设备
3  轧机
4  切割机
5  上位计算机
6  控制装置
7  冷却设备
8  温度计
10 冷床
11 加热炉
20 硬度预测装置
21 基础数据取得部
22 内部硬度离线计算部
22A 导热系数计算部
22B 热传导计算部
22C 组织计算部
22D 硬度计算部
23  数据库
24  硬度预测模型生成部
25  硬度预测模型
26  硬度预测部
61  操作条件初始设定部
62  操作条件判定部
63  操作条件再设定部
64  冷却控制部
71  头顶冷却头
72  头侧冷却头
73  底部下侧冷却头
74  头部温度计
75  底部温度计
具体实施方式
接下来，参照附图对本发明的实施方式进行说明。
(热处理轨道的制造设备2)
图1是示出制造热处理轨道1的热处理轨道的制造设备2的一例的示意图。图1所示的制造设备2具备加热炉11、轧机3、切割机4、冷却设备7、以及冷床10，这些设备沿着轨道材料的运送方向(轧制线)依次配置。
＜加热炉11＞
加热炉11对通过连续铸造设备等制作的钢片实施例如以使在冷却设备7的进入侧达到奥氏体范围温度以上的方式进行加热的处理。当然，在具有进行再加热的处理作为冷却设备7的前工序的情况下，并不受此限定。
＜轧机3＞
轧机3是通过多个轧制道次将在加热炉11中进行了加热后的钢片成形/拉伸成期望的轨道形状的热轧设备。轧机3通常由多个轧制机架构成。
＜切割机4＞
切割机4是用于将通过轧机3进行了拉伸后的长条的轨道1在长度方向上分割的设备，可根据作为产品的轨道长度和轧制材料的长度而适当使用。作为制造设备2，例如也存在直接以100m左右的轧制长度运送至冷却设备7而不进行分割的情况，还存在将每1根的长度切断(锯断)成例如25m左右的长度后运送的情况。
＜冷却设备7＞
冷却设备7是对奥氏体范围温度以上的高温的轨道1进行后述的强制冷却的设备。冷却设备7沿着制造线内的轨道1的轧制线(pass line)而设置。
但是，冷却设备7并不一定为设置在从轧机3的运送线上的构成。例如，也可以是将冷却设备7设置在与热轧设备不同的区域、且通过加热炉将经热轧的轨道1再加热至奥氏体范围温度以上后运送至冷却设备7的构成。
冷却设备7由沿着作为冷却对象的轨道1的长度方向配置的多个冷却区域构成，根据轨道1的长度而设定所使用的冷却区域。各冷却区域的冷却条件(操作条件)可以分别地进行设定。
关于冷却设备7的详细情况，在后面说明。
＜温度计＞
温度计8设置于冷却设备7的入口侧的位置(切割机4与冷却设备7之间的位置)，对冷却开始前的轨道温度进行检测。温度计8所测得的测定结果被送至控制冷却设备7的控制装置6。温度计8例如至少测定轨道1的头部的表面温度。
另外，也可以在冷却设备7的下游侧的位置(冷却设备7的出口侧)设置用于对强制冷却结束后的轨道1表面的温度进行检测的温度计9。在该情况下，通过对在控制装置6中预测的强制冷却结束后的温度与温度计9所测得的温度进行比较，能够判断控制装置6的预测结果的适当性。
＜冷床10＞
通过冷却设备7进行了强制冷却后的轨道1被运送至冷床10。
冷床10例如具有进行矫正以使轨道1不弯曲的作用、均匀地进行冷却的作用。另外，通过冷床10，也可适宜地实施所制造的轨道1的目测检查、重量测定等。
(冷却设备7)
对于本实施方式的冷却设备7而言，设为通过从冷却头喷射的冷却介质对运送至处理位置的轨道1的头部及底部进行强制冷却的构成。在各冷却区域设置冷却头。
图2是以从轨道截面观察到的示意图示出了冷却设备7所具有的冷却头的配置的图。即，如图2所示，本实施方式的冷却头具备用于对轨道1的头部101进行冷却的头顶冷却头71及头侧冷却头72、和用于对轨道1的底部103进行冷却的底部下侧(foot underside)冷却头73。需要说明的是，根据需要，可以进一步具备用于对轨道1的腹部102进行冷却的腹部冷却头。另外，将头顶冷却头71和头侧冷却头72统称为“头部冷却头”。
头顶冷却头71、头侧冷却头72及底部下侧冷却头73(以下，将它们总括地适当称为“冷却头71、72、73”)分别经由配管与冷却介质源连接，从未图示的多个喷嘴喷射冷却介质。另外，在配管设置有控制用的阀。
这里，将本实施方式的冷却设备7所采用的冷却方式设定为空气冲击冷却(airimpinging cooling)。空气冲击冷却能够实现适合本发明的冷却速度，是冷却能力相对于被冷却材料的表面温度的变动少、以压缩空气作为冷却介质进行喷射的方式。然而，本实施方式中的冷却方式并不限定于空气冲击冷却，也可以是包含喷雾冷却的水冷方式。
各冷却头的具体的喷嘴配置如下所述。即，冷却头71的喷嘴在轨道1的头部101上方，沿着轨道1的长度方向配置。冷却头71的喷嘴朝向图3所示的头部101的上表面(头顶面)1011喷射冷却介质(空气)。另外，冷却头72的喷嘴在处理位置的轨道1的头部101的两侧，沿着轨道1的长度方向配置。冷却头72的喷嘴朝向图3所示的头部101的侧面(头侧面)1012喷射冷却介质(空气)。另外，底部下侧冷却头73的喷嘴在处理位置的轨道1的底部103下方，沿着轨道1的长度方向配置。底部下侧冷却头73的喷嘴朝向图3所示的底部103的背面(底部下侧面)1031喷射冷却介质(空气)。
需要说明的是，对于喷嘴的形式而言，优选为由多个圆管喷嘴构成的喷流组、由具有矩形间隙的狭缝构成的狭缝喷嘴等。对于空气冲击冷却而言，冷却能力(导热系数)的控制可以通过喷射压力和喷射距离的调整来进行，这是公知的(例如非专利文献1)。因此，为了进行冷却介质(空气)的喷射控制，这些冷却头71、72、73分别设为能够进行压力控制的构成。此外，出于对应由轨道1的规格所带来的轨道1的截面形状的不同和控制冷却能力的目的，冷却设备7具备能够调整轨道1表面相对于各冷却头的距离的移动机构。作为上述各头的位置调整机构，有电动致动器、气缸、液压缸等。作为本实施方式的位置调整机构，从定位精度的观点考虑，优选为电动致动器。另外，具备有测定从轨道1表面至各冷却头的距离的未图示的测距仪(例如激光位移计)。而且，能够与设定值相应地控制冷却中的各冷却头的喷射距离。除此以外，还具备夹持轨道1的底部103等并约束上下左右方向的变形的约束装置(未图示)，以便防止轨道1因冷却时的热收缩而发生变形，与冷却头的距离发生变化。
另外，如图2所示，冷却设备7具备头部温度计74和底部温度计75。头部温度计74设置于轨道1的头部101上方，对头部101的表面温度(例如，头顶面1011内的1个部位)进行测定。底部温度计75设置于轨道1的底部103下方，对底部103的表面温度(例如，底部下侧面1031内的1个部位)进行测定。在冷却设备7内沿长度方向设置有多个上述两种温度计74、75，通过上述两种温度计74、75，能够对冷却中的各部位的温度过程进行监控。另外，有时在多个冷却头中设置将用于对喷射的空气(冷却介质)的温度进行监视的温度计(未图示)。其原因在于，喷射的温度也会对冷却能力造成影响。
这里，利用控制装置6控制通过冷却设备7向轨道1喷射的冷却介质的喷射压力、喷射距离、喷射位置及喷射时间等，可以调整冷却条件。
＜热处理方法＞
接下来，对利用冷却设备7的强制冷却的处理(热处理)的原理及其它进行说明。
这里，强制冷却前的轨道1设为加热至奥氏体范围温度以上的轨道。然后，在冷却设备7中，基于冷却条件对该高温的轨道1实施强制冷却。通过该强制冷却，进行轨道1的表面及内部的温度变化、相变，通过随时变更头部冷却头的冷却条件，可以控制热处理后的轨道1内部的组织。
作为热处理(强制冷却)的控制方法，例如有如图4所示的一步冷却法(图4(a))、两阶段分步法(图4(b))、三段分步法(图4(c))等多阶段分步法。一步冷却法是将冷却头的喷射流量、压力、喷射距离作为冷却条件，从冷却开始至冷却结束在恒定的条件下进行冷却的方法。多阶段分步法是将冷却条件从冷却开始起设定为两阶段(前阶段和后阶段)或三阶段以上、并随着时间经过而阶段性地变更冷却条件的方法。在本实施方式中，采用多阶段分步法。
在多阶段分步法的情况下，在各步骤中确定冷却头的喷射流量、压力、喷射距离，并且确定转移至下一步骤的时刻。其中，冷却条件的变更与时间经过相对应，并不需要一定采用多阶段分步法，可以将冷却条件设定为时间的函数，以便能够确定随着时间经过而发生变化的冷却条件。
冷却条件可以对在长度方向上分割的各冷却区域分别地设定。另外，对于头侧冷却头72而言，可以将左右的冷却头的冷却条件设定为不同的条件。另外，冷却头的喷射流量、压力、喷射距离可以单独设定或将两种以上的条件组合而以阶梯状进行变更。其中，在将两种以上的条件组合变更的情况下，与图4的时间步骤相应地将多个条件同时变更。
这里，对于作为轨道1的原材料而广泛使用的共析钢而言，从奥氏体向珠光体的相变在约550℃～730℃的温度范围发生。实际上，为了兼顾贝氏体的抑制和高硬度，优选在570～590℃的温度范围使其发生相变。
在使用两阶段分步法在这样的目标温度范围使其发生相变的情况下，前阶段步骤的冷却例如可以设为从开始冷却至表面开始进行相变之前的冷却，该前阶段步骤的冷却速度可以设定为4～6℃/秒的范围。在比该范围的冷却速度慢的情况下，在高温下发生相变，硬度降低。另外，在比该范围的冷却速度快的情况下，存在发生贝氏体相变的隐患。
图5示意性地示出了轨道1头部的表层的组织变化的例子。图5示出了在从强制冷却开始至结束的期间应用将冷却条件保持恒定的一步冷却法作为热处理的控制方法的例子。如图5所示，在一定的喷射压力下继续进行冷却时，如果发生珠光体相变，则由于相变放热而发生急剧的温度上升ΔT(80～120℃)。这样的温度上升会使表层的珠光体组织软化，因此无法确保给定的硬度。另外，由于该表层的相变放热的影响，在从表面进入5～10mm左右内部的位置，冷却速度降低，过冷度减小，由此，热处理后的轨道1内部的硬度也降低。即，在热处理的控制方法为一步冷却法时，存在无法使热处理后的轨道1内部的硬度达到目标硬度的隐患。
与此相对，在两阶段分步法中，如图6所示，在表面的相变放热开始之后的后阶段步骤，能够与相变放热相应地提高冷却能力。由此，通过与在表面开始发生相变的时刻相应地增强冷却，能够抑制由相变放热导致的温度上升，使表面的珠光体组织不易软化。而且，还能够抑制轨道1内部的冷却速度由于在表面发生的相变放热的影响而降低。然而，在后阶段步骤中的冷却速度过大时，在表面的珠光体相变未完成的状态下进行强冷却，有时会产生一部分贝氏体组织。因此，在后阶段步骤中，从在表面开始相变放热至冷却结束为止的平均的冷却速度优选为1～2℃/秒的范围。
在空气冲击冷却中通过压力控制来实施这样的两个阶段的冷却(两阶段分步法)时，在前阶段步骤的缓慢冷却中喷射低压空气，并且在由相变放热导致的温度上升变得明显的后阶段步骤的冷却中喷射高压空气即可。压力调整通常使用流量调整阀来进行。另外，在通过变更喷射距离而实施两个阶段的冷却时，在前阶段步骤的缓慢冷却中从远处喷射空气，并且在相变放热的影响大的后阶段步骤的冷却中使其接近而喷射空气，由此能够获得同样的效果。
另外，图5、图6所示的相变开始时间(冷却曲线与珠光体相变开始曲线P相交的时间)根据冷却开始温度而变化。另外，如果轨道1的形状改变，则头部的质量变化。因此，即使设定相同的冷却条件，所要求的冷却速度、冷却能力也会变化。因此，不仅需要通过控制装置6控制将冷却条件从缓慢冷却切换至强冷却的时刻，也需要控过各步骤的喷射压力、喷射距离来控制冷却能力。此外，图5、6所示的相变曲线根据轨道钢的化学组成、冷却前的奥氏体粒径而变化，因此，也有时根据轨道原材料的钢片的含有成分、对冷却前的奥氏体粒径造成影响的轧机3的轧制规程(pass schedule)而变更冷却条件。
(热处理轨道1的硬度预测方法(硬度预测装置20))
本实施方式具有硬度预测装置20。硬度预测装置20是用于实现热处理轨道1的硬度预测方法的装置，所述热处理轨道1的硬度预测方法对于利用冷却设备7将达到奥氏体范围温度以上的温度的轨道1实施强制冷却的热处理工序后的轨道1的硬度进行预测。
如图7所示，硬度预测装置20具备：基础数据取得部21、数据库23(存储部)、硬度预测模型生成部24、以及硬度预测部26。硬度预测部26以在线方式使用，并被导入至控制装置6。
这里，将至少具有利用冷却设备7的冷却开始前的轨道1的表面温度及冷却设备7的操作条件的冷却条件的数据组记载为冷却条件数据集。
在以离线方式使用的冷却条件数据集中，作为轨道1的冷却开始前的表面温度，包含与通过配置于冷却设备7进入侧的温度计8取得的温度信息相当的数值信息。另外，作为冷却设备7的操作条件，包含从冷却开始至冷却结束的各步骤中的各冷却头的喷射流量、喷射压力、喷射距离及冷却步骤的切换时刻(例如，从冷却开始至各步骤切换的时间)。
冷却条件数据集除了冷却开始前的轨道1的表面温度及冷却设备7的操作条件以外，还可以包含用于冷却的热处理的输入信息。
＜基础数据取得部21＞
基础数据取得部21具有内部硬度运算模型，上述内部硬度运算模型是用于以离线方式的冷却条件数据集作为输入数据、并且以强制冷却后的轨道1的至少轨道1头部的内部的硬度作为输出数据进行运算的物理模型。在本实施方式中，使用了内部硬度运算模型的数值计算的执行通过内部硬度离线计算部22进行。
而且，基础数据取得部21针对多个冷却条件数据集分别地执行利用内部硬度离线计算部22以离线方式进行的运算，取得多组包含作为输入数据的冷却条件数据集和作为输出数据的上述轨道1内部的硬度信息的学习用数据。基础数据取得部21将所取得的学习用数据存储于数据库23中。
在本实施方式中，内部硬度离线计算部22所运算的输出数据、即内部的硬度的数据至少以从轨道1表面至预先设定的深度的区域中该内部的硬度分布的方式表现。预先设定的深度例如为10mm以上且50mm以下。预先设定的深度例如设定为即使轨道1头部的表层磨损也可耐受实际使用的磨损深度的极限值以上。通常优选设为1英寸(25.4mm)。
即，本实施方式的基础数据取得部21具有以离线方式执行的执行数值计算的内部硬度离线计算部22，上述数值计算以至少包含冷却开始前的表面温度及冷却设备7的操作条件的一组冷却条件数据集作为输入数据、并将热处理工序后的轨道1内部的硬度分布作为输出数据，所述基础数据取得部21具备如下功能：对冷却条件数据集进行各种变更，计算出针对各冷却条件数据集的轨道1内部的硬度分布，将表示求得的冷却条件数据集与硬度分布的关系的学习用数据送至数据库23。
这里，多个冷却条件数据集或构成冷却条件数据集的冷却开始前的表面温度等数据等构成数据可以预先存储于数据库23。各冷却条件数据集例如基于过去的操作条件、将来制造的轨道1的条件等而设定温度条件的范围等，并根据所设定的范围内的值来确定。当然，使用的多个冷却条件数据集并不需要一定预先存储于数据库23，也可以以直接输入至内部硬度离线计算部22的方式构成。
＜内部硬度离线计算部22(内部硬度运算模型)＞
如图8所示，内部硬度离线计算部22具备：导热系数计算部22A、热传导计算部22B、组织计算部22C、硬度计算部22D。利用该内部硬度离线计算部22进行的基于物理模型的硬度计算按照导热系数计算、热传导计算、组织计算部22C的处理的顺序进行从冷却开始至冷却结束的计算，可以通过根据最终的组织计算结果进行硬度计算而求出。
其中，如后所述，在进行耦合分析的情况下，进行从冷却开始至冷却结束的计算时，例如在各个0.1～10μs的时间步长中，在导热系数计算、热传导计算、组织计算部22C的处理之间进行耦合计算。在这些计算结束后，对下一个时间步长执行计算。采取重复进行以上的处理直至冷却结束的方法。需要说明的是，由于硬度计算不导入至耦合分析中，因此，只要基于冷却结束后的组织计算结果进行计算即可。
对于运算的轨道1的部位而言，并不必须对轨道1的表面整体执行。本实施方式的内部硬度离线计算部22设定为至少对最要求均匀的硬度的轨道1头部的硬度进行运算。
另外，根据冷却条件数据集求出硬度分布的内部硬度离线计算部22的计算式可以采用公知的模型式。
＜导热系数计算部22A＞
导热系数计算部22A对热处理中的轨道1表面的导热系数进行计算。本实施方式的导热系数计算部22A对轨道1头部表面的多个部位的导热系数进行运算。
本实施方式的导热系数计算部22A将冷却设备7的操作参数及轨道形状作为输入，通过有限体积法等数值流体力学方法计算出轨道1表面的导热系数。有限体积法是将成为分析对象的区域分割成有限个的控制体积、并对各体积应用积分型物理量的守恒方程的方法。其中，可以利用与通过冷却实验求出努赛尔数、雷诺数等无量纲量的关系的强制对流相关的实验式，计算出导热系数。
此时，在导热系数计算部22A，根据从冷却开始至冷却结束的各步骤中的各冷却头的喷射流量、喷射压力、喷射距离及冷却步骤的切换时刻，求出轨道1头部表面的各位置处的时间序列的导热系数(与时间一起变化的导热系数的分布)。另外，变量可以包含喷射的制冷剂的温度。
＜热传导计算部22B＞
热传导计算部22B将通过导热系数计算部22A计算出的导热系数作为边界条件，进行基于热处理的上述轨道1内部的热传导计算、例如轨道1的2维截面内的热传导计算。作为热传导计算，例如求出截面内的温度分布。
本实施方式的热传导计算部22B将由导热系数计算部22A输出的轨道1头部表面的各位置的导热系数作为边界条件，利用有限元法等数值热传导分析方法，计算出从冷却开始至冷却结束的轨道1内部的温度过程(热传导计算)。另外，作为热传导计算所需的物性值的导热率、比热、密度等的值根据作为对象的轨道1的成分组成而适当变更。
需要说明的是，上述的两个计算部22A、22B使用基于计算流动场的导热系数计算部22A的计算结果，即使是进行计算温度场的热传导计算部22B的计算的方法，也可获得足够的计算精度。但是，在想要进一步提高计算精度的情况下，可以进行考虑了流动场与温度场的相互作用的耦合分析。在耦合分析中，虽然计算精度提高，但是计算负荷增大，因此，在实际使用中难以应用于在线分析，但在本发明中，由于以离线方式实施这些分析，因此允许负荷增大。
＜组织计算部22C＞
组织计算部22C根据基于热传导计算部22B所计算出的温度过程计算的轨道1内部的温度分布，进行考虑了相变的上述轨道1的截面内的组织预测。截面内的组织预测例如为截面内的组织分布。
本实施方式的组织计算部22C根据通过热传导计算部22B得到的轨道1内部的温度过程，考虑相变而进行轨道1截面内的各位置处的组织预测。相变的行为根据进行热处理的钢的成分组成、冷却开始前的奥氏体粒径而发生变化，因此，对于与作为对象的轨道1的规格相对应的各成分组成进行计算。另外，奥氏体粒径根据轧机3的轧制规程、从轧制结束后至强制冷却开始所需的时间而发生变化。因此，可以对这些各个操作条件进行组织计算，也可以进一步添加对强制冷却开始前的奥氏体粒径进行预测的组织预测模型。需要说明的是，在离线方式的计算中，即使在轨道原材料的钢的成分组成、奥氏体粒径不同的情况下，也可以预先对多个条件进行计算。因此，可以添加这些参数作为后述的硬度预测模型25的输入数据。
另外，在本实施方式的组织计算部22C中，进行导入了与冷却速度相应的相变开始温度的变化、相变的进行速度的变化等动态相变特性的相变计算。
这里，温度过程不仅会对相变造成影响，而且温度过程也因相变放热而受到影响，因此，优选组织计算部22C和上述的热传导计算部22B进行耦合分析。在组织计算部22C中的相变行为的计算中，例如可以使用伊藤等的方法(铁与钢，64(11)，S806，1978年；或铁与钢，65(8)，A185-A188，1979年)等中记载的公知的计算式。
＜硬度计算部22D＞
硬度计算部22D根据基于组织计算部22C所计算出的各截面的组织预测的组织分布，对轨道1的截面内的硬度分布进行计算。
在本实施方式的硬度计算部22D中，使用以化学组成、过冷度作为输入的各组织与硬度的关系式，计算出预测硬度。例如，珠光体组织是板状的软质的铁素体和硬质的渗碳体形成层状的层状结构，已知层间隔与硬度之前存在很强的相关性，例如可以使用A.R.Marder等的方法(The Effect of Morphology on the Strength of Pearlite:Met.Trans.A,7A(1976),365-372)。另外，化学组成、过冷度与各组织的硬度的关系式可以使用事先通过实验等求出的实验式。
＜数据库23＞
使用内部硬度离线计算部22，生成对于轨道1的冷却开始前的表面温度、以及作为冷却设备7的操作条件的从冷却开始至冷却结束的各冷却头的喷射流量、喷射压力、喷射距离及冷却步骤的切换时刻进行各种变更而得到的数据集作为冷却条件数据集。另外，将对与各数据集对应的轨道1内部的硬度分布进行计算而得到的结果作为学习用数据而储存在数据库23中。
这里，作为计算结果的轨道1内部的硬度分布以在轨道1头部101的截面内的各位置(截面内的坐标)对应的硬度数据的形式表现。其中，硬度分布的硬度数据不是连续的值，而是与热传导计算部22B、组织计算部22C的计算中使用的单元分割相应的离散的值。
另外，由于进行至截面内的微细的硬度分布在实际使用中的必要性低，因此，作为硬度分布，只要使用以1～5mm左右的间距作为截面内的坐标而提取的硬度数据就是足够的。需要说明的是，硬度数据可以对各间距进行计算结果的平均化。此外，并不需要截面内的全部硬度信息，例如，可以将从头顶面1011在垂直方向的位置和硬度的数据作为轨道1内部的硬度分布。此外，除了该数据以外，还可以如JIS E 1120-2007中规定的那样，使用从头角部(1011与1012的边界部)向倾斜方向前进的位置和硬度的数据。此时，作为从表面向内部方向的代表位置，可以使用深度2、5、10、15、20、25mm等多个代表点，将与其对应的硬度数据作为轨道1内部的硬度分布。
另一方面，可以将用等高线表示轨道1截面内的硬度分布的图、用颜色进行了区分的图像数据(将硬度分布表现为图像的数据)定义为轨道1内部的硬度分布。这是由于，在深度学习等机器学习方法中，能够生成以图像作为输出数据的硬度预测模型25。
作为构建数据库23时的输入数据的冷却条件数据集可以参照过去的操作实绩而使冷却条件在该范围内变化。另外，在冷却设备7的各冷却头的设备规格的范围内，适当变更计算的输入条件，利用内部硬度离线计算部22进行计算。
如上所述，制作多组的输入数据(冷却条件数据集)和输出数据(硬度计算结果)的组合，预先存储于数据库23。
作为待存储的学习用数据，只要是有500个以上的输入数据(冷却条件数据集)和输出数据(硬度计算结果)的组即可。优选生成2000个以上的学习用数据。
＜硬度预测模型生成部24＞
在硬度预测模型生成部24中，通过使用了保存在数据库23中的多组学习用数据的机器学习，生成至少以上述冷却条件数据集作为输入数据、并以上述强制冷却后的轨道1内部的硬度的相关信息作为输出数据的硬度预测模型25。硬度预测模型25的生成以离线方式执行。
使用的机器学习模型只要能够以实际使用上需要的精度进行硬度预测即可，可以为任意模型。作为机器学习模型。例如，可以利用通常使用的神经网络(包含深度学习)、决策树学习、随机森林、支持向量回归等。另外，可以使用将多个模型组合而成的集成模型。
此外，作为硬度预测模型25，可以使用如下机器学习模型，该机器学习模型并不以轨道1的硬度值作为输出数据，而是判定轨道1的硬度值是否在预先确定的硬度分布的允许范围，并将其结果二值化为合格/不合格，将由此得到的数据作为输出数据。此时，优选使用k近邻法、逻辑回归这样的分类模型。
＜控制装置6＞
如图1所示，本实施方式的轨道1的制造设备2具备用于控制轨道1的冷却条件的控制装置6。
控制装置6从上位计算机5取得轨道1的形状、化学组成、目标硬度(内部的分布)、基准冷却条件，计算出用于实现其的操作条件，向冷却控制装置发出指令，确定冷却设备7的操作参数。
将本实施方式中的控制装置6的构成示于图9。
如图9所示，控制装置6具备：冷却设备7的操作条件初始设定部61、硬度预测部26、操作条件判定部62、操作条件再设定部63。
＜操作条件初始设定部61＞
操作条件初始设定部61预先设定冷却头的喷射压力、喷射距离、喷射位置及它们的切换时刻，以便满足目标硬度分布，并且不会产生贝氏体组织、马氏体组织这样的异常组织。这些冷却条件可以通过基于过去的操作结果的经验法则、专利文献1～3所示的方法等以离线方式预先确定。另外，可以使用基础数据取得部21，针对轨道1的轨道种类、规格、尺寸、化学组成的代表值，预先确定用于得到目标硬度的适当的冷却条件，将这些条件设定于冷却设备7的操作条件初始设定部61。
＜硬度预测部26＞
硬度预测部26基于使用硬度预测模型25求出的针对作为上述热处理工序的冷却条件而设定的一组冷却条件数据集的轨道1内部的硬度，对上述热处理工序后的轨道1的硬度进行预测。
本实施方式的硬度预测部26使用通过冷却设备7进入侧的温度计8所测量的轨道1头部的表面温度、和通过操作条件初始设定部61设定的冷却头的冷却条件，构成冷却条件数据集。硬度预测部26将以在线方式生成的冷却条件数据集作为输入数据，使用以离线方式生成的硬度预测模型25，对热处理结束后的轨道1内部的硬度分布进行预测。
另外，在通过操作条件再设定部63执行操作条件的再设定的情况下，硬度预测部26基于其再设定后的信息对操作条件的初始设定进行更新，再次对热处理结束后的轨道1内部的硬度分布进行预测。
＜操作条件判定部62＞
操作条件判定部62将硬度预测部26所求出的轨道1内部的硬度分布与从上位计算机5获取的轨道1内部的硬度分布的目标范围进行比较。
这里，对于轨道1内部的目标硬度而言，例如如图10所示，可以以满足JISE1120(2007)所规定的硬度范围的方式设定。这里，JISE1120规定了轨道1头部的表面硬度的上下限值及内部硬度的上限值和给定的深度位置(基准点)处的下限值。
这里，基准点的位置是位于距离表面11mm的距离的位置。
图11是示出超出目标硬度范围的情况的例子的图。
这里，轨道1头部的内部硬度的一般特征为越从表面向内部远离越降低。因此，如图12所示，可以设定从轨道1的表层至一定深度的硬度分布的目标曲线，以使与该硬度之差进入一定范围的方式进行设定。此时，在硬度分布的目标曲线的允许范围内，满足上述JISE1120的标准。
此外，可以将与轨道1内部的硬度预测位置(将距表面的深度设为di，i表示评价点(1～n))对应的目标硬度设为Bi，使用预测的各位置的硬度BPi，根据预先设定的硬度误差的允许值α，判定是否满足以下的式(1)。
Σn i＝1(Bi-BPi)2＜α···(1)
操作条件判定部62在预测的轨道1内部硬度没有进入预先设定的目标硬度范围的情况下，转移至操作条件再设定部63。
＜操作条件再设定部63＞
操作条件再设定部63对冷却条件进行再设定。
具体而言，冷却条件的再设定对于从冷却开始至冷却结束的各步骤中的各冷却头的喷射流量、喷射压力、喷射距离、冷却步骤的切换时刻中的任意操作参数、或多个操作参数进行再设定。
再设定的操作参数在硬度预测部26中使用。
由此，执行操作参数的修正，使得预测的轨道1内部的硬度分布进入目标硬度范围内。
这里，冷却条件的再设定需要几次～十几次的硬度分布预测。然而，由于预先以离线方式生成经过学习的模型，并使用该生成的经过学习的模型进行硬度预测，因此，能够在短时间内执行对于一个冷却条件数据集的硬度预测结果的输出。即，即使进行几次～十几次的再计算，也能够在短时间内整体进行再设定。
＜冷却控制部64＞
冷却控制部64在硬度预测部26所求出的轨道1内部的硬度分布被判定为目标范围的操作条件下执行利用冷却设备7的强制冷却处理。
即，冷却控制部64进行如下控制：以预测为达到目标范围内的硬度的各冷却头的喷射流量、喷射压力、喷射距离及冷却步骤的切换时刻执行强制冷却。
这里，冷却设备7的阀的开闭有时需要数秒钟左右的时间，由于在变更喷射距离的情况下会发生数秒钟的延迟，因此，可以考虑到各冷却头的冷却条件的变更所需的响应时间而调整冷却条件的变更指令。
另外，关于上述的冷却设备7的操作条件的设定，可以对在轨道1的长度方向上分割的各冷却头实施。特别是轨道1的头尾端在轧制时通过轧机的速度并不恒定，因此，与辊的接触、由辊冷却水、除垢水所引起的冷却量变大，与长度中央的稳定部相比，温度容易降低。因此，通过冷却设备7进入侧的温度计8对轨道1的长度方向的温度分布进行测定，在长度方向上分割的各冷却头的位置应用上述方法，分别地控制在长度方向的各位置的冷却条件。由此，即使冷却开始温度在长度方向上分布，也能够在冷却结束后制造在长度方向上具有均匀的硬度的轨道1。
(动作及其它)
预先通过基于物理模型的计算式进行运算的内部硬度离线计算部22的执行以离线方式进行。由此，在本实施方式中，能够以良好的精度执行对多个冷却条件下的强制冷却后的轨道1内部的硬度分布的数据(学习用数据)进行运算的处理，该处理为利用了热传导分析等的计算负荷大的处理。
此外，在本实施方式中，通过机器学习求得硬度预测模型25，该硬度预测模型25用于基于该精度良好的多个学习用数据而求出冷却条件下的强制冷却后的轨道1内部的硬度分布的数据。
然后，通过在线方式利用硬度预测模型25执行硬度的预测，由此能够以非常高的速度输出由进行复杂计算的内部硬度离线计算部22得到的硬度预测结果。
需要说明的是，上述数据库23内的学习用数据的制作可以与冷却设备7的在线方式的操作分别地制作。因此，能够随时将数据集储存在数据库23中，定期(例如1个月1次)更新硬度预测模型25。由此，成为硬度预测模型25的基础的数据集数量增加，经过学习的模型的输出结果的精度提高。特别是，与通过实际操作而储存的数据不同，可以有意地设定冷却条件数据集的值，因此，冷却条件数据集不易产生统计上的偏差，成为适于进行机器学习的数据。因此，具有数据集数量越增加、精度越提高的特征。
在本实施方式中，如上所述，能够在短时间内以在线方式执行高精度的硬度预测，因此，可在将轨道1内部的硬度设为目标硬度范围的操作条件下执行强制冷却(热处理)。其结果是，在本实施方式中，例如，能够适当地实施从热处理轨道1的头部表面至内部的组织控制。其结果是，能够减小所制造的各轨道1的硬度的偏差、轨道1的长度方向的硬度偏差，制造品质偏差得到抑制的热处理轨道1。
(效果)
(1)本实施方式为轨道1的硬度预测方法，其是对于利用冷却设备7将达到奥氏体范围温度以上的温度的轨道1进行强制冷却的热处理工序后的上述轨道1的硬度进行预测的轨道1的硬度预测方法，该方法包括：使用内部硬度运算模型，预先取得多组学习用数据，上述内部硬度运算模型是用于以至少具有冷却开始前的轨道1的表面温度和用于强制冷却的上述冷却设备7的操作条件的冷却条件数据集作为输入数据、并以上述强制冷却后的轨道1的至少轨道1头部的内部的硬度作为输出数据进行运算的物理模型，上述学习用数据包含上述冷却条件数据集和上述硬度的输出数据，通过使用了所取得的多组学习用数据的机器学习，预先生成至少以上述冷却条件数据集作为至少输入数据、并以上述强制冷却后的轨道1内部的硬度作为输出数据的硬度预测模型25，基于使用上述硬度预测模型25求出的针对作为上述热处理工序的冷却条件而设定的一组冷却条件数据集的轨道1内部的硬度，对上述热处理工序后的轨道1的硬度进行预测。
例如，使用热处理轨道1的硬度预测装置20，其对利用冷却设备7将达到奥氏体范围温度以上的温度的轨道1进行强制冷却的热处理工序后的上述轨道1的硬度进行预测，上述热处理轨道1的硬度预测装置20具备：数据库23，其存储有多组使用内部硬度运算模型进行运算而得到的学习用数据，上述内部硬度运算模型是用于以至少具有冷却开始前的轨道1的表面温度和用于强制冷却的上述冷却设备7的操作条件的冷却条件数据集作为输入数据、并以上述强制冷却后的轨道1的至少轨道1头部的内部的硬度作为输出数据进行运算的物理模型，上述学习用数据包含上述冷却条件数据集和上述硬度的输出数据；硬度预测模型生成部24，其通过使用了上述多组的学习用数据的机器学习，生成至少以上述冷却条件数据集作为输入数据、并以上述强制冷却后的轨道1内部的硬度作为输出数据的硬度预测模型25；以及硬度预测部26，其使用上述硬度预测模型25，基于针对作为上述热处理工序的冷却条件而设定的一组冷却条件数据集的轨道1内部的硬度，对上述热处理工序后的轨道1的硬度进行预测。
根据该构成，能够在短时间以在线方式执行高精度的硬度预测，因此，能够在将轨道1内部的硬度设为目标硬度范围的操作条件下执行强制冷却(热处理)。其结果是，在本实施方式中，例如，能够适当地实施从热处理轨道1的头部表面至内部的组织控制，可以减小所制造的各轨道1的硬度的偏差、轨道1的长度方向的硬度偏差，能够制造品质偏差得到抑制的热处理轨道1。
(2)在本实施方式中，使用上述内部硬度运算模型运算的输出数据至少是从轨道1表面至预先设定的深度的区域中的硬度分布。
根据该构成，能够更可靠地进行用于热处理的硬度预测。
(3)在本实施方式中，上述内部硬度运算模型具备：导热系数计算部22A，其计算使用了上述冷却设备7的热处理时的轨道1表面的导热系数；热传导计算部22B，其以上述导热系数计算部22A所计算出的导热系数作为边界条件，进行基于上述热处理的上述轨道1内部的温度过程计算；组织计算部22C，其根据基于上述热传导计算部22B所计算出的温度过程计算的轨道1内部的温度分布，进行考虑了相变的轨道1内部的组织预测；以及硬度计算部22D，其根据基于上述组织计算部22C所计算出的轨道1内部的组织预测的轨道1内部的组织分布，对轨道1内部的硬度进行计算。
根据该构成，能够更可靠地进行用于热处理的硬度预测。
(4)本实施方式为热处理轨道1的热处理方法，其具有利用冷却设备7对达到奥氏体范围温度以上的温度的轨道1进行强制冷却的热处理工序，该方法包括：在利用上述冷却设备7的轨道1的冷却开始前，通过本实施方式的热处理轨道1的硬度预测方法对轨道1内部的硬度进行预测，在所预测的轨道1内部的硬度为目标硬度的范围以外的情况下，对上述冷却设备7的操作条件进行再测定，使得所预测的轨道1内部的硬度进入目标硬度的范围内。
例如，使用热处理轨道1的热处理装置，其是具有利用冷却设备7对达到奥氏体范围温度以上的温度的轨道1进行强制冷却的热处理工序的轨道1的热处理装置，上述热处理装置具备：硬度预测部26，其在利用上述冷却设备7的轨道1的冷却开始前，通过权利要求11～13中任一项所述的热处理轨道1的硬度预测装置20，对轨道1内部的硬度进行预测；和操作条件再设定部63，在所预测的轨道1内部的硬度为目标硬度的范围以外的情况下，对上述冷却设备7的操作条件进行再设定，使得所预测的轨道1内部的硬度进入目标硬度的范围内。
根据该构成，能够在将轨道1内部的硬度设为目标硬度范围的操作条件下实施强制冷却(热处理)。其结果是，在本实施方式中，例如，能够适当地实施从热处理轨道1的头部表面至内部的组织控制，可以减小所制造的各轨道1的硬度的偏差、轨道1的长度方向的硬度偏差，能够制造品质偏差得到抑制的热处理轨道1。
(5)在本实施方式中，进行上述再设定的冷却设备7的操作条件包含用上述冷却设备7向轨道1喷射的冷却介质的喷射压力、喷射距离、喷射位置及喷射时间中的至少一个操作条件。
根据该构成，能够更可靠地设定将轨道1内部的硬度设为目标硬度范围的操作条件。
(6)在本实施方式中，上述冷却设备7具有沿着冷却对象的轨道1的长度方向配置的多个冷却区域，上述冷却设备7的操作条件的再设定对上述各冷却区域分别执行操作条件的再设定。
根据该构成，能够更精细地设定将轨道1内部的硬度设为目标硬度范围的操作条件。
(7)本实施方式为硬度预测模型25的生成方法，其用于根据冷却条件数据集求出利用冷却设备7对达到奥氏体范围温度以上的温度的轨道1进行强制冷却后的上述轨道1的硬度，上述却条件数据集至少具有利用上述冷却设备7的冷却开始前的轨道1的表面温度和用于强制冷却的上述冷却设备7的操作条件，该方法包括：使用内部硬度运算模型，取得多组学习用数据，上述内部硬度运算模型是用于以上述冷却条件数据集作为输入数据、并以上述强制冷却后的轨道1的至少轨道1头部的内部的硬度作为输出数据进行运算的物理模型，上述学习用数据包含上述冷却条件数据集和上述硬度的输出数据，通过使用了所取得的多组学习用数据的机器学习，预先生成至少以上述冷却条件数据集作为输入数据、并以上述强制冷却后的轨道1内部的硬度作为输出数据的硬度预测模型25。
根据该构成，能够生成可在短时间内以在线方式执行高精度的硬度预测的硬度预测模型25。
上述硬度预测模型25例如可以设定为通过神经网络模型(包含深度学习的模型)、随机森林、或SVM回归进行学习而得到的模型。
(8)在本实施方式中，使用上述内部硬度运算模型运算的输出数据至少是从轨道1表面至预先设定的深度的区域中的硬度分布，上述硬度预测模型25的输出数据也至少是从轨道1表面至预先设定的深度的区域中的硬度分布的数据。
根据该构成，能够以高精度得到用于制造至少轨道头部的表层的硬度的均匀性优异的轨道的信息。
(9)在本实施方式中，提供热处理轨道1的制造方法，其具有实施方式的热处理轨道1的热处理方法。例如，提供热处理轨道1的制造设备，其具有实施方式的热处理轨道1的热处理装置。
根据该构成，能够制造至少轨道头部的表层的硬度的均匀性优异的轨道。
实施例
接下来，基于本实施方式对实施例进行说明。
使用轨道1的制造设备2(参照图1)进行了热处理轨道1的制造。
在本实施例中，进行多个轨道种类、规格的轨道1的强制冷却，空气冷却至室温后，对头部的组织及截面内的硬度分布进行了评价。需要说明的是，在各实施例、各比较例中，分别各制造20根热处理轨道1，对各自的偏差进行了评价。
作为对象的轨道1设为轨道2个种类(JIS60kg轨道和50kgN轨道)和2种规格(高硬度轨道H和通常硬度轨道L)的合计4种。然后，以约900℃结束了热轧后，在保持轧制长度的状态下(不切断)，通过在线设置的冷却设备7进行了强制冷却。需要说明的是，本实施例中使用的钢种类的奥氏体温度为760℃，平衡相变温度为720℃。
基于冷却设备7的进入侧温度计8的进入侧温度的目标值设定为750℃，将预先通过离线计算设定的冷却条件作为操作条件初始设定部61的指示值，以便对于上述4种类的轨道1得到目标硬度分布。
作为冷却条件，设定为基于两步法的冷却，对于前阶段步骤和后阶段步骤中的喷射压的设定值及从前阶段步骤向后阶段步骤的切换时间，分别根据进行热处理的轨道1的种类而设定(表中，将作为基准的条件表示为“固定”)。
对于使用的硬度预测模型25而言，在本实施例中与上述实施例1～4的四种轨道1对应，分别生成了对应的硬度预测模型25。对于硬度预测模型25的生成所使用的数据库23而言，使用实验室水平的冷却实验装置，通过对冷却喷嘴的喷射流量、压力进行各种变更的基于一步冷却法的实验，利用回归式建立了组织与硬度的关系。需要说明的是，用于硬度预测模型25的生成的数据数量为500个。
此时，在实际的操作中，在由进入侧温度计8得到的温度测定值与上述目标温度之间，将20根轨道1中的各轨道的偏差、和由1根轨道内的位置导致的温度偏差相结合，产生了-30～+10℃的偏差。
在比较例中，即使存在这些偏差，冷却条件也使用通过操作条件初始设定部61设定的固定模式。另一方面，在本实施例中，将由进入侧温度计得到的实测值、和预先设定并通过操作条件初始设定部61设定的冷却条件作为冷却条件数据集，对轨道1内部的硬度分布进行预测，判断了是否进入目标硬度范围内。这里，对于目标硬度而言，作为图10所示的目标硬度，在表1中规定了表面的硬度的“下限”和“上限”，并且通过“基准点”处的“下限”和内部“整体”的“上限”来规定。
在本实施例中，在通过硬度预测部26预测的轨道1内部的硬度分布进入目标硬度范围内的情况下，直接在初始设定的冷却条件下进行强制冷却，在超出目标范围的情况下，变更前阶段步骤中的喷射压力、后阶段步骤中的喷射压力(在表中的“喷射压调整量”的范围内进行调整)、以及从前阶段步骤向后阶段步骤移动的时刻(表中的“喷射时间调整量”进行了修正后的范围)。需要说明的是，在本实施例中，无论为何种轨道种类，实施例、比较例中的喷射距离在冷却中均设为恒定(15mm)。
冷却结束后，将轨道1从约束装置取下，运送至冷床10，空气冷却至常温。然后，将空气冷却至常温后的轨道1切断，进行了头部的组织观察及硬度试验。在头部的硬度测定及组织观察中，将全长100m的轨道1分割成5份，在各位置采集了样品(各条件下20根轨道1×5个样品＝100)。通过SEM(扫描电子显微镜)观察样品的切断面而对头部组织进行了评价。另外，对于硬度而言，在从头顶面至0～20mm的各深度位置通过布氏硬度试验进行了评价。关于硬度的测定结果，对100个数据中的最大值和最小值进行了评价。
表1中的“基准点”的“最大”“最小”、表面的“最大”“最小”与此对应。将这些值为目标硬度的上下限值的范围内、且在内部整体处于“上限”的范围内的情况作为“○”。此外，组织观察的结果是，在全部例子中未产生贝氏体组织、马氏体组织等异常组织，将得到了珠光体组织的情况评价为“○”。
在表1中示出实验条件及评价结果。
Figure BDA0003990434090000281
根据表1可知，在实施例1～4中，轨道1的硬度偏差减小，在全部例子中未产生贝氏体组织、马氏体组织等异常组织，能够稳定地制造均匀的轨道1。
另一方面，在比较例中，在冷却设备7的进入侧温度接近目标温度的条件下，适当地进行热处理，得到了与目标一致的硬度和组织，但在超出目标温度时，硬度的偏差大，存在观察到生成异常组织的情况。
在此，本申请主张优先权的日本专利申请2020-100895(2020年06月10日申请)的全部内容通过参照构成本发明的一部分。这里，参照有限数量的实施方式进行了说明，但权利范围并不限定于此，基于上述的公开的各实施方式的改变对于本领域技术人员而言是显而易见的。

Claims (16)

1.一种热处理轨道的硬度预测方法，其是对于利用冷却设备将达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序后的上述轨道的硬度进行预测的轨道的硬度预测方法，该方法包括：
使用内部硬度运算模型，预先取得多组学习用数据，所述内部硬度运算模型是用于以至少具有冷却开始前的轨道的表面温度和用于强制冷却的所述冷却设备的操作条件的冷却条件数据集作为输入数据、并以所述强制冷却后的轨道的至少轨道头部的内部的硬度作为输出数据进行运算的物理模型，所述学习用数据包含所述冷却条件数据集和所述硬度的输出数据，
通过使用了所取得的多组学习用数据的机器学习，预先生成至少以所述冷却条件数据集作为输入数据、并以与所述强制冷却后的轨道内部的硬度相关的信息作为输出数据的硬度预测模型，
基于使用所述硬度预测模型求出的信息对所述热处理工序后的轨道的硬度进行预测，所述信息为针对作为所述热处理工序的冷却条件而设定的一组冷却条件数据集的轨道内部的硬度的相关信息。
2.根据权利要求1所述的热处理轨道的硬度预测方法，其中，
使用所述内部硬度运算模型运算的输出数据至少是从轨道表面至预先设定的深度的区域中的硬度分布。
3.根据权利要求1或2所述的热处理轨道的硬度预测方法，其中，
所述内部硬度运算模型具备：
导热系数计算部，其计算使用了所述冷却设备的热处理时的轨道表面的导热系数；
热传导计算部，其以所述导热系数计算部所计算出的导热系数作为边界条件，进行基于所述热处理的所述轨道内部的温度过程计算；
组织计算部，其根据基于所述热传导计算部所计算出的温度过程计算的轨道内部的温度分布，进行考虑了相变的轨道内部的组织预测；以及
硬度计算部，其根据基于所述组织计算部所计算出的轨道内部的组织预测的轨道内部的组织分布，对轨道内部的硬度进行计算。
4.一种热处理轨道的热处理方法，其具有利用冷却设备对达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序，该方法包括：
对冷却开始前的轨道的表面温度进行测定，
在利用所述冷却设备的轨道的冷却开始前，使用所测定的轨道的表面温度，通过权利要求1～3中任一项所述的热处理轨道的硬度预测方法对轨道内部的硬度进行预测，
在所预测的轨道内部的硬度为目标硬度的范围以外的情况下，对所述冷却设备的操作条件进行再设定，使得所预测的轨道内部的硬度进入目标硬度的范围内。
5.根据权利要求4所述的热处理轨道的热处理方法，其中，
进行所述再设定的冷却设备的操作条件包含用所述冷却设备向轨道喷射的冷却介质的喷射压力、喷射距离、喷射位置、及喷射时间中的至少一个操作条件。
6.根据权利要求4或5所述的热处理轨道的热处理方法，其中，
所述冷却设备具有沿着冷却对象的轨道的长度方向配置的多个冷却区域，
所述冷却设备的操作条件的再设定在该各冷却区域分别地执行操作条件的再设定。
7.一种硬度预测模型的生成方法，其用于根据冷却条件数据集求出利用冷却设备对达到奥氏体范围温度以上的温度的轨道进行强制冷却后的所述轨道的硬度，所述冷却条件数据集至少具有利用冷却设备的冷却开始前的轨道的表面温度和用于强制冷却的所述冷却设备的操作条件，该方法包括：
使用内部硬度运算模型，取得多组学习用数据，所述内部硬度运算模型是用于以所述冷却条件数据集作为输入数据、并以所述强制冷却后的轨道的至少轨道头部的内部的硬度作为输出数据进行运算的物理模型，所述学习用数据包含所述冷却条件数据集和所述硬度的输出数据，
通过使用了所取得的多组学习用数据的机器学习，预先生成至少以所述冷却条件数据集作为输入数据、并以与所述强制冷却后的轨道内部的硬度相关的信息作为输出数据的硬度预测模型。
8.根据权利要求7所述的硬度预测模型的生成方法，其中，
使用所述内部硬度运算模型运算的输出数据至少是从轨道表面至预先设定的深度的区域中的硬度分布。
9.根据权利要求7或8所述的硬度预测模型的生成方法，其中，
所述硬度预测模型是通过神经网络模型、随机森林、或SVM回归进行学习而得到的模型。
10.一种热处理轨道的制造方法，该方法具有权利要求4～6中任一项所述的热处理轨道的热处理方法。
11.一种热处理轨道的硬度预测装置，其对利用冷却设备将达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序后的所述轨道的硬度进行预测，所述硬度预测装置具备：
数据库，其存储有多组使用内部硬度运算模型运算而得到的学习用数据，所述内部硬度运算模型是用于以至少具有冷却开始前的轨道的表面温度和用于强制冷却的所述冷却设备的操作条件的冷却条件数据集作为输入数据、并以所述强制冷却后的轨道的至少轨道头部的内部的硬度作为输出数据进行运算的物理模型，所述学习用数据包含所述冷却条件数据集和所述硬度的输出数据；
硬度预测模型生成部，其通过使用了上述多组的学习用数据的机器学习，生成至少以所述冷却条件数据集作为输入数据、并以与所述强制冷却后的轨道内部的硬度相关的信息作为输出数据的硬度预测模型；
温度计，其对冷却开始前的轨道的表面温度进行测定；以及
硬度预测部，其使用所述温度计所测定的测定值和所述硬度预测模型，基于针对作为所述热处理工序的冷却条件而设定的一组冷却条件数据集的轨道内部的硬度的相关信息，对所述热处理工序后的轨道的硬度进行预测。
12.根据权利要求11所述的热处理轨道的硬度预测装置，其中，
使用所述内部硬度运算模型运算的输出数据至少是从轨道表面至预先设定的深度的区域中的硬度分布。
13.根据权利要求11或12所述的热处理轨道的硬度预测装置，其中，
所述内部硬度运算模型具备：
导热系数计算部，其计算使用了所述冷却设备的热处理时的轨道表面的导热系数；
热传导计算部，其以所述导热系数计算部所计算出的导热系数作为边界条件，进行基于所述热处理的所述轨道内部的温度过程计算；
组织计算部，其根据基于所述热传导计算部所计算出的温度过程计算的轨道内部的温度分布，进行考虑了相变的轨道内部的组织预测；以及
硬度计算部，其根据基于所述组织计算部所计算出的轨道内部的组织预测的轨道内部的组织分布，对轨道内部的硬度进行计算。
14.一种热处理轨道的热处理装置，其是具有利用冷却设备对达到奥氏体范围温度以上的温度的轨道进行强制冷却的热处理工序的轨道的热处理装置，所述热处理装置具备：
硬度预测部，其在利用所述冷却设备的轨道的冷却开始前，通过权利要求11～13中任一项所述的热处理轨道的硬度预测装置，对轨道内部的硬度进行预测；和
操作条件再设定部，在所述硬度预测部预测的轨道内部的硬度为目标硬度的范围以外的情况下，对所述冷却设备的操作条件进行再设定，使得所预测的轨道内部的硬度进入目标硬度的范围内。
15.根据权利要求14所述的热处理轨道的热处理装置，其中，
进行所述再设定的冷却设备的操作条件包含用所述冷却设备向轨道喷射的冷却介质的喷射压力、喷射距离、喷射位置、及喷射时间中的至少一个操作条件。
16.一种热处理轨道的制造设备，其具备权利要求14或15所述的热处理轨道的热处理装置。
CN202180041784.0A 2020-06-10 2021-03-08 热处理轨道的硬度预测方法、热处理方法、硬度预测装置、热处理装置、制造方法、制造设备、以及硬度预测模型的生成方法 Pending CN115917288A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-100895 2020-06-10
JP2020100895A JP7294243B2 (ja) 2020-06-10 2020-06-10 熱処理レールの硬度予測方法、熱処理方法、硬度予測装置、熱処理装置、製造方法、製造設備、並びに、硬度予測モデルの生成方法
PCT/JP2021/009060 WO2021250957A1 (ja) 2020-06-10 2021-03-08 熱処理レールの硬度予測方法、熱処理方法、硬度予測装置、熱処理装置、製造方法、製造設備、並びに、硬度予測モデルの生成方法

Publications (1)

Publication Number Publication Date
CN115917288A true CN115917288A (zh) 2023-04-04

Family

ID=78845487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180041784.0A Pending CN115917288A (zh) 2020-06-10 2021-03-08 热处理轨道的硬度预测方法、热处理方法、硬度预测装置、热处理装置、制造方法、制造设备、以及硬度预测模型的生成方法

Country Status (9)

Country Link
US (1) US20230221231A1 (zh)
EP (1) EP4166682A4 (zh)
JP (1) JP7294243B2 (zh)
KR (1) KR20230005985A (zh)
CN (1) CN115917288A (zh)
AU (1) AU2021288876B2 (zh)
BR (1) BR112022025159A2 (zh)
CA (1) CA3186874A1 (zh)
WO (1) WO2021250957A1 (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE1492461A1 (de) 1964-11-30 1970-02-12 American Sterilizer Co Sterilisierverfahren
JPS58140029A (ja) 1982-02-15 1983-08-19 Toyo Soda Mfg Co Ltd エチレンのオキシ塩素化法
JPS61149436A (ja) 1984-12-24 1986-07-08 Nippon Steel Corp レ−ルの熱処理方法
JP3945545B2 (ja) * 1996-02-27 2007-07-18 Ｊｆｅスチール株式会社 レールの熱処理方法
JP2005315703A (ja) * 2004-04-28 2005-11-10 Nippon Steel Corp 鋼材の材質予測方法
EP2674504A1 (en) * 2012-06-11 2013-12-18 Siemens S.p.A. Method and system for thermal treatments of rails
DE102012020844A1 (de) * 2012-10-24 2014-04-24 Thyssenkrupp Gft Gleistechnik Gmbh Verfahren zur thermomechanischen Behandlung von warmgewalzten Profilen
AU2014245505B2 (en) 2013-03-28 2016-09-15 Jfe Steel Corporation Rail manufacturing method and manufacturing equipment
JP7344550B2 (ja) 2018-12-19 2023-09-14 ユニチカ株式会社 鉄ニッケルナノワイヤーの製造方法

Also Published As

Publication number Publication date
EP4166682A1 (en) 2023-04-19
JP7294243B2 (ja) 2023-06-20
EP4166682A4 (en) 2023-11-29
WO2021250957A1 (ja) 2021-12-16
JP2021195577A (ja) 2021-12-27
KR20230005985A (ko) 2023-01-10
CA3186874A1 (en) 2021-12-16
AU2021288876B2 (en) 2024-01-04
BR112022025159A2 (pt) 2022-12-27
AU2021288876A1 (en) 2023-01-19
US20230221231A1 (en) 2023-07-13

Similar Documents

Publication Publication Date Title
RU2637197C2 (ru) Способ и система для термической обработки рельсов
KR101376565B1 (ko) 연속 소둔라인 급냉대의 스트립 온도제어 방법 및 장치
KR101516476B1 (ko) 설정치 계산 장치, 설정치 계산 방법, 및 설정치 계산 프로그램이 기억된 기억 매체
JP6327208B2 (ja) 鋼片の加熱炉抽出温度予測方法及び加熱炉抽出温度予測装置
JP5565200B2 (ja) 熱間圧延における仕上温度制御装置
JPH0741303B2 (ja) 熱間圧延鋼板の冷却制御装置
CN113423517B (zh) 厚钢板的冷却控制方法、冷却控制装置以及厚钢板的制造方法
CN115917288A (zh) 热处理轨道的硬度预测方法、热处理方法、硬度预测装置、热处理装置、制造方法、制造设备、以及硬度预测模型的生成方法
JP4598580B2 (ja) 冷却制御方法、装置、及びコンピュータプログラム
JP5482365B2 (ja) 鋼板の冷却方法、製造方法および製造設備
WO2021229949A1 (ja) 厚鋼板の温度偏差予測方法、厚鋼板の温度偏差制御方法、厚鋼板の温度偏差予測モデルの生成方法、厚鋼板の製造方法、及び厚鋼板の製造設備
JP4349177B2 (ja) 連続式加熱炉の鋼材抽出温度予測方法
JP6515362B1 (ja) 鋼材の冷却装置および冷却方法
JP2012171001A (ja) 鋼帯冷却制御方法、鋼帯冷却制御装置、及び鋼帯制御冷却プログラム
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
JP7148024B1 (ja) 鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備
JP7452696B2 (ja) 厚鋼板の製造方法および製造設備
EP4275806A1 (en) Method for predicting shape of steel sheet, shape control method, manufacturing method, method for generating shape prediction model, and manufacturing equipment
WO2024062766A1 (ja) 金属帯の反り形状予測方法、金属帯の反り形状制御方法、金属帯の製造方法、反り形状予測モデルの生成方法及び金属帯の反り形状制御装置
JPH0773736B2 (ja) 熱間圧延鋼板の冷却制御装置
JP2010247234A (ja) 冷却制御方法、装置、及びコンピュータプログラム
JP2005264184A (ja) 高炭素鋼又は高炭素合金鋼からなる熱延鋼板の製造方法

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