CN116157214A - 轧机的振动预测方法、轧机的异常振动判定方法、金属带的轧制方法及轧机的振动预测模型的生成方法 - Google Patents

Abstract

本发明的轧机的振动预测方法是预测在利用轧机使用轧辊轧制金属带的轧制工序中的轧机的振动的轧机的振动预测方法，所述轧辊为利用辊磨削机磨削后的轧辊，所述振动预测方法包含使用通过机器学习而学习到的轧机的振动预测模型预测轧机的振动的步骤，所述轧机的振动预测模型包含选自辊磨削机的磨削操作参数的一个或两个以上参数和选自轧机的轧制操作参数的一个或两个以上参数作为输入数据，并将轧制工序中的轧机的振动信息作为输出数据。

Description

轧机的振动预测方法、轧机的异常振动判定方法、金属带的轧 制方法及轧机的振动预测模型的生成方法

技术领域

本发明涉及轧机的振动预测方法、轧机的异常振动判定方法、金属带的轧制方法及轧机的振动预测模型的生成方法。

背景技术

汽车、饮料罐等所使用的钢板等金属带在施加连续铸造工序、热轧工序及冷轧工序后，经由退火工序、镀覆工序而成为制品。其中，冷轧工序是决定作为制品的金属带的厚度的最终工序。近年来，有时使镀覆厚度比以往更薄，镀覆工序前的金属带的表面性状容易给镀覆工序后的制品的表面性状带来影响，因此防止表面缺陷的产生的必要性增加。

作为在冷轧工序中产生的一种表面缺陷，可列举颤痕(chatter mark)。这是在金属带的宽度方向上出现的线状痕迹，这种线状痕迹是在金属带的长度方向上周期性地出现的表面缺陷。一般认为颤痕由于轧机的振动(以后称为颤振)而产生。非常轻度的颤痕有时无法通过冷轧工序后的目视检查或板厚测定等判明，在镀覆工序后才判明。因此，在该期间也未察觉到产生大量的表面缺陷，结果使制品的成品率下降，成为较大地妨碍生产率的因素。另外，也已知如下情况：在罐用钢板、电磁钢板等薄物材料中，由于由颤振导致的金属带的厚度、张力的急剧变动，有时会发生金属带断裂等不良情况，并妨碍生产率。

由于这样的背景，提出了抑制颤振的发生的方法。例如，在专利文献1中记载了如下方法：通过在轧机中安装振动检测器，在轧制期间收集振动信息，并且取得轧制载荷、机架间张力等轧制操作参数，并进行它们的频率分析，从而判定颤振的发生。另外，在专利文献1中记载了如下方法：通过预先辨识轧机的自然振动频率、由轴承不良、辊缺陷导致的固有的振动频率，并在轧制期间与振动信息进行比较，从而确定颤痕的产生原因。

另外，在专利文献2、3中记载了如下方法：不是在轧机本体，而是在配置于机架间及串联轧机的出入口侧并以一定的角度以上卷绕有金属带的辊(小径辊)上设置振动检测器。另外，在专利文献2、3中记载了如下方法：进行由振动检测器得到的振动信息的频率解析，在与金属带的弦振动频率一致的频率下，将其振动强度超过规定阈值的情况判定为颤振。并且，在专利文献2、3中记载了如下方法：通过控制机架间的张力，从而以弦振动频率与轧机的基本频率不一致的方式进行控制。

现有技术文献

专利文献

专利文献1：日本专利第2964887号公报

专利文献2：日本专利第6296046号公报

专利文献3：日本专利第6102835号公报

发明内容

发明要解决的课题

然而，根据专利文献1记载的方法，如果不是发生了一定大小的异常振动后，不能识别颤振的发生。因此，在专利文献1记载的方法中，在检测出颤振的时刻，已经在金属带的一部分上产生颤痕，作为结果，制品的成品率下降。另外，在专利文献2、3中记载的方法也同样地，在识别出发生了颤振的时刻，已经在金属带上产生颤痕，因此制品的成品率下降。

在冷轧工序中，通常通过焊接将先行的金属带的尾端部与后续的金属带的前端部接合并连续地进行轧制。此时，在轧制金属带的焊接部时降低轧制速度，在焊接部通过轧机后提高轧制速度，在金属带的稳定部高速地进行轧制。然而，已知颤振容易在轧制速度较高的情况下发生，当在金属带的稳定部产生颤痕时，必须进行在长度方向上将金属带分割并除去缺陷部等操作，对制品的成品率的降低的影响较大。

本发明鉴于上述课题而作出，其目的在于提供能够在轧制金属带前预测轧机的振动的轧机的振动预测方法。另外，本发明的另一目的在于提供能够在轧制金属带前预测轧机的异常振动的轧机的异常振动判定方法。另外，本发明的另一目的在于提供能够抑制颤痕的产生并使金属带的制造成品率提高的金属带的轧制方法。另外，本发明的另一目的在于提供能够在轧制金属带前生成预测轧机的振动的轧机振动预测模型的轧机的振动预测模型的生成方法。

用于解决课题的手段

本发明的轧机的振动预测方法预测在利用轧机使用轧辊轧制金属带的轧制工序中的所述轧机的振动，所述轧辊为利用辊磨削机磨削后的轧辊，其中，所述振动预测方法包含使用通过机器学习而学习到的轧机的振动预测模型预测所述轧机的振动的步骤，所述轧机的振动预测模型包含选自所述辊磨削机的磨削操作参数的一个或两个以上参数和选自所述轧机的轧制操作参数的一个或两个以上参数作为输入数据，并将轧制工序中的所述轧机的振动信息作为输出数据。

也可以是，所述磨削操作参数包含在利用所述辊磨削机磨削所述轧辊时取得的辊磨削机的振动信息。

也可以是，所述磨削操作参数包含磨削砂轮负荷参数和磨削砂轮使用历史参数，所述磨削砂轮负荷参数是与利用所述辊磨削机磨削所述轧辊时的向磨削砂轮的负荷信息相关的参数，所述磨削砂轮使用历史参数是与所述磨削砂轮的使用历史信息相关的参数。

本发明的轧机的异常振动判定方法包含：第一步骤，使用本发明的轧机的振动预测方法，在将利用所述辊磨削机磨削后的轧辊组装到所述轧机后且开始金属带的轧制前，使用所述辊磨削机的磨削操作参数的实际值和所述轧机的轧制操作参数的设定值，预测轧制所述金属带时的轧机的振动；和第二步骤，基于所述第一步骤的振动的预测结果与预先设定的轧机的振动的上限值的比较，判定有无发生所述轧机的异常振动。

本发明的金属带的轧制方法包含如下步骤：在使用本发明的轧机的异常振动判定方法判定为产生轧机的异常振动的情况下，对所述轧机的轧制操作条件进行再设定。

本发明的轧机的振动预测模型的生成方法生成轧机的振动预测模型，所述轧机的振动预测模型预测在利用轧机使用轧辊轧制金属带的轧制工序中的所述轧机的振动，所述轧辊为利用辊磨削机磨削后的轧辊，其中，振动预测模型的生成方法包含取得多个学习用数据并通过使用所取得的多个学习用数据的机器学习生成所述轧机的振动预测模型的学习步骤，所述多个学习用数据将选自所述辊磨削机的磨削操作参数的实际数据和选自所述轧机的轧制操作参数的实际数据作为输入实际数据，并将使用了该输入实际数据的金属带的轧制中的所述轧机的振动信息作为输出实际数据。

也可以是，作为所述机器学习，使用选自神经网络、决策树学习、随机森林及支持向量回归的机器学习。

发明的效果

根据本发明，能够提供能在轧制金属带前预测轧机的振动的轧机的振动预测方法。另外，根据本发明，能够提供能在轧制金属带前预测轧机的异常振动的轧机的异常振动判定方法。另外，根据本发明，能够提供能抑制颤痕的产生并使金属带的制造成品率提高的金属带的轧制方法。另外，根据本发明，能够提供能在轧制金属带前生成预测轧机的振动的轧机振动预测模型的轧机的振动预测模型的生成方法。

附图说明

图1是示出本发明的一实施方式的轧机的结构的图。

图2是示出本发明的一实施方式的辊磨削机的结构的图。

图3是示出辊磨削机的振动信号处理部中的处理流程的图。

图4是示出轧机的振动信号处理部中的处理流程的图。

图5是用于说明作为轧机的振动信息关注的频带的图。

图6是示出振动预测模型生成部的结构的图。

图7是示出振动预测模型生成部中的处理流程的图。

图8是示出轧机振动预测部中的处理流程的图。

图9是用于说明辊磨削机的振动信息的取得方法的图。

具体实施方式

以下，参照附图说明本发明的一实施方式。

将金属带的冷轧工序中的轧机的异常振动称为颤振，将由于颤振而在金属带的表面上形成的周期性的花纹称为颤痕。在本实施方式中，将在金属带的表面上形成有0.5～10μm左右的振幅的凹凸的颤痕作为处理对象。其多是由于金属带的厚度变动而产生。形成这种表面的微小凹凸的颤痕较多情况下难以用设置于冷轧机的出口侧的板厚计检测出。另外，通过目视观察冷轧后的金属带的表面也难以判定。这种轻度的颤痕在进行镀覆处理等表面处理后被检测出或在金属带的冲压成形后才被检测出的情况也较多。

以前，一般认为成为颤痕的产生原因的颤振由构成轧机的轴承、齿轮的啮合、联轴器等的晃动引起的情况较多。在该情况下，对从设置于轧机的振动计取得的振动数据进行解析，在特定频带中的振动的大小超过预先设定的阈值的情况下能够检测出颤振。然而，本申请发明人们发现：在颤痕的产生原因之中，有些由轧辊的磨削引起。另外，还发现：根据将轧辊组装到轧机前的辊磨削机对轧辊的磨削状态，在轧辊的表面上产生微小的凹凸，当使用这种轧辊进行冷轧工序时，通过与特定的轧制条件的组合，轧机的振动变大。本发明基于这样的见解而作出。

〔轧机〕

在本实施方式中使用的轧机是连续式冷轧机，主要将4～6机架的串联轧机作为对象。但是，本发明也能够应用于单机架的可逆式轧机，串联轧机的机架数也不限定于此。图1是示出本发明的一实施方式的轧机的结构的图。如图1所示，本发明的一实施方式的轧机从通板方向的入口侧起按顺序具备第一～第四(#1～#4)机架。需要说明的是，轧机附带的其他装置(例如入口侧的卷回机、焊接机及套口机以及出口侧的切断机及卷取机等装置)省略图示。构成图1所示的轧机的各机架为四辊轧机，具备上下的工作辊及上下的支承辊。

图中，符号S表示钢板，符号1表示工作辊，符号2表示支承辊，符号3a表示张力计辊，符号3b表示偏导辊，符号4表示包含电动机的驱动装置，符号5表示壳体，符号6表示振动计。需要说明的是，作为振动计6，压电元件型振动传感器是适当的，但也可以使用其他方式的振动计。另外，振动计6优选设置于壳体5。由于特别是壳体5上部的振动的位移比较大，所以优选在壳体5的上部设置振动计6。

在各机架的上侧的支承辊的上部设置有由负荷传感器7构成的轧制载荷检测器。另外，在各机架上，分别设置有辊速度控制机、变更辊间隙的辊间隙控制机，所述辊速度控制机是变更工作辊的辊圆周速度的电动机。并且，在各机架间的张力计辊3a上设置有检测钢板S的张力的张力计。另外，在第一机架及第四机架的出口侧设置有检测钢板S的板厚的板厚计8。

需要说明的是，在轧机中具备辊更换装置。在辊更换装置中具备能够在轧辊的轴向上在轨道上行驶的台车，辊更换装置在拔出使用后的轧辊后，装入磨削后的轧辊。使用后的轧辊在安装有轴承箱的状态下使用起重机或搬运台车搬送到辊车间。

在此，为了进行将多个设备作为对象的生产管理，用于进行钢铁制品的制造的系统由大规模的阶层系统构成。具体而言，阶层系统在最上层由作为Level3的商用计算机构成，在连续式冷轧机这样的生产线单位中由作为Level2的控制用计算机(处理计算机)构成，在构成各线的设备单位中由作为Level1的轧制控制控制器(PLC)这样的阶层构成。

控制用计算机位于上位的商用计算机与下位的PLC之间，接收用商用计算机计划的制造计划，向生产线进行钢板的制造指示。另外，控制用计算机的主要作用是从包含PLC的下位设备收集各种实际信息，将它们显示在运转监视画面，或进行基于理论模型的运算并将控制所需的信息发送给PLC。另一方面，PLC的主要作用是在准确的定时对构成制造设备的驱动器或阀、传感器等发出指示、以设备彼此不干涉的方式进行工作的调整、将传感器保持的计数值与物理信息绑定并使之工作等。

在本实施方式中，如图1所示，用于进行钢铁制品的制造的系统具备串联轧机、控制该串联轧机的轧制控制控制器(PLC)11、管理包含PLC11的轧机的控制用计算机(处理计算机)12、对生产线提供制造指示的商用计算机13。控制用计算机12在钢板S的焊接点通过前决定接着的钢板S的轧制操作条件。具体而言，按照从商用计算机13提供的母材尺寸(母材板厚和板宽)、制品目标板厚等信息设定轧制表(pass schedule)，控制用计算机12决定各机架的轧制载荷和前滑率的预测值及辊间隙、辊速度的设定值。此时，为了设定轧制载荷、辊速度，作为与在轧机中使用的轧辊相关的信息，包含磨削后(装入机架前)的辊径等的实测值在内的轧辊的各种信息(辊径、辊身长度、辊编号、辊材质、表面粗糙度的规格划分等)发送给控制用计算机12。

PLC11基于从控制用计算机12取得的辊间隙、辊速度的设定值(指令值)，执行用于控制各机架的辊速度控制机及各机架的辊间隙控制机的处理。另外，PLC11连续地收集用负荷传感器7检测出的轧制载荷、张力计的张力测定值等轧制数据，按预先设定的周期输出给控制用计算机12。

在本实施方式中，在控制用计算机12中设定或收集的轧机的操作条件发送给轧机操作数据输出部14，成为后述的振动预测模型生成部51的输入。但是，也可以是，根据需要从由PLC11收集的轧制数据选择的数据直接发送给轧机操作数据输出部14。另外，在本实施方式中，利用振动计6收集到的轧机的振动数据发送给将其转换为轧机的冷轧时的振动信息的轧机的振动信号处理部15。

〔辊磨削机〕

图2是示出本发明的一实施方式的辊磨削机的结构的图。如图2所示，在本实施方式中使用的辊磨削机由使用圆筒型磨削砂轮的辊磨削机构成。成为辊磨削机的磨削对象的轧辊在轧机中使用后用起重机等搬运到辊车间。其后，从轴承箱拔出轧辊，通过自然放冷冷却到常温后，逐根设置于辊磨削机。

辊磨削机具备支承磨削砂轮21的磨削头22、在轧辊9的轴向及接近方向上移动驱动磨削头22的二轴工作台23及一边支承轧辊9一边使之旋转的辊支承装置(辊夹具24、辊旋转电动机25、尾座26、支座27)。

辊支承装置具备从轴向的一端侧支承轧辊9的辊夹具24、以规定的转速旋转驱动轧辊9的辊旋转电动机25、从轴向的另一端侧支承轧辊9的尾座26及在颈部支承轧辊9的支座27。尾座26具有使轧辊9的轴心与辊旋转电动机25的旋转轴的轴心对准的作用。尾座26的与轧辊9的接触部呈圆锥状的形状，是将圆锥的前端推入到开设于轧辊9的轴端部的中心的锪孔或固定夹具的锪孔，对台的位置进行微调整并进行对准的构造。磨削时的轧辊9的转速由辊磨削机的控制用控制器42控制。

二轴工作台23成为在引导件28a及引导件28b上移动的构造，并成为如下构造：除了沿着与轧辊9的轴向平行配置的引导件28a横行，还沿着引导件28b在与轧辊9的轴心垂直的方向上移动磨削砂轮21。沿着引导件28a及引导件28b的二轴工作台23的移动通过使用伺服电动机的位置控制来进行，由此，控制磨削砂轮21的磨削位置和切入量。在磨削时，从轧辊9的轴向上的一方的端部逐渐磨削到另一方的端部，接着从另一方的端部到一方的端部进行磨削。将按这种方式磨削砂轮21往复一次的单位称为横移(traverse)。通常的磨削过程分为将磨削量设定为较大的粗磨削、和用于对轧辊9的表面进行精加工的精磨削的工序。一般而言，粗磨削的横移数为80～150次左右，精磨削的横移数为5～15次左右。

磨削头22支承磨削砂轮21、砂轮旋转用电动机29、传递磨削动力的皮带轮30和皮带31。但是，也有不是利用皮带轮30和皮带31的动力传递方式，而是利用砂轮旋转用电动机29直接旋转驱动磨削砂轮21的情况。砂轮切入量是指以在各横移前轧辊9与磨削砂轮21接触的状态为基准，在磨削期间轧辊9的表面与磨削砂轮21的轴心部的接近量。但是，也有难以利用传感器等检测出磨削砂轮21与轧辊9的接触的情况。因此，有时也在进行粗磨削工序或精磨削工序的最初的磨削(第1横移)时，操作者确认磨削砂轮21与轧辊9的接触状态，在以后的横移中，以砂轮旋转用电动机29的消耗电流值与第一横移中的消耗电流值相同的方式设定磨削条件。或者，也有通过直接使用砂轮旋转用电动机29的消耗电流值作为设定值而不是砂轮切入量从而实施磨削的情况。

砂轮切入量的控制通过利用NC装置进行的磨削砂轮21的位置控制来进行，所述NC装置使用伺服电动机。通常，砂轮切入量越大，每一次横移的磨削量越增加，因此能够缩短辊磨削所需的时间。另一方面，在砂轮切入量较大的情况下，有时砂轮旋转用电动机29的负荷变得过大，会在轧辊9的表面上产生花纹状的缺陷。并且，在磨削头22上，有时附设有磨削砂轮21的修整装置。该装置是使金刚石等与构成磨削砂轮21的表面的磨粒接触，并使砂轮的锋利恢复的装置。

在此，在图2所示的辊磨削机上，设置有辊磨削机的磨削操作条件设定计算机(控制用计算机)41。辊磨削机的控制用计算机41从作为上位计算机的商用计算机13取得成为磨削对象的轧辊9的尺寸信息、磨削量及表面精加工粗糙度的目标值等，设定辊磨削机中的磨削条件，并发送给辊磨削机的控制用控制器42。

辊磨削机中的磨削条件至少包含磨削时的辊转速、磨削砂轮转速及砂轮切入量(或砂轮旋转用电动机29的设定电流值)这三个设定条件，按粗磨削到精磨削的每次横移进行设定。但是，有时操作者一边确认轧辊9的磨削状态，一边适当修正这些辊磨削机中的磨削条件。在该情况下，修正后的辊磨削机中的磨削条件发送给辊磨削机的控制用计算机41。另外，在设定上述操作条件作为辊磨削机中的磨削条件时，也有具备设定表格的情况，所述设定表格考虑了成为磨削对象的轧辊的直径、表面的硬度、磨削前的表面粗糙度等因素。另一方面，作为磨削砂轮21的条件，考虑磨削砂轮21的粒度、砂轮直径(初始砂轮直径、当前砂轮直径)、磨削砂轮21的累积磨削时间、利用修整装置修整后的总磨削量等因素。

在此，初始砂轮直径是指制造磨削砂轮21后在辊磨削中最初使用前的砂轮直径，当前砂轮直径是指开始作为磨削对象的轧辊9的磨削前测定的砂轮直径。在磨削砂轮21的外周部选定多个位置，利用千分尺测定砂轮直径。另外，也可以预先在磨削砂轮21的侧面上沿半径方向赋予1～5mm间距的标记，通过根据这种标记读取砂轮直径从而确定。磨削砂轮21的初始砂轮直径为850～950mm，在外径成为450～600mm左右的情况下报废。

辊磨削机的控制用控制器42以如下方式控制各设备：对于利用辊磨削机的控制用计算机41设定的辊磨削机的操作条件的控制目标值，相对于从磨削开始到磨削结束的各横移的磨削时的辊转速、磨削砂轮转速及砂轮切入量(或砂轮旋转用电动机的电流值)成为其控制目标值。另外，辊磨削机的控制用控制器42取得驱动磨削时的磨削砂轮21的电动机电流值的实际值。需要说明的是，在能够测量磨削期间的辊转速、磨削砂轮转速及砂轮切入量的实际值的情况下，辊磨削机的控制用控制器42取得它们的实际值。并且，在辊磨削机的磨削头22上设置振动计(例如加速度计)6的情况下，辊磨削机的控制用控制器42取得该振动测量数据(加速度数据)。这样取得的数据作为用于解析辊磨削的操作状态的数据发送给辊磨削机的控制用计算机41。需要说明的是，图2的辊磨削机的控制用计算机41和辊磨削机的控制用控制器42可以用单一的控制用计算机构成。

在此，作为轧辊9的磨削时的代表性的磨削操作条件，作为磨削砂轮转速，磨削砂轮21的圆周速度为20～30米/秒，磨削时的轧辊9的转速以圆周速度计为0.5～1.5米/秒，每一次横移的砂轮切入量为1～50μm。需要说明的是，作为代表值，砂轮旋转用电动机29的电流值为120～160A左右。

在以上的磨削工序中，精磨削结束后的轧辊9适当通过目视等检查精加工面后，移到磨削完毕辊保管区域，当轮到时，返回到辊更换装置并组装到轧机。此时，在全部轧辊9上带有辊编号，能够利用该辊编号将辊磨削中的操作条件与组装到轧机的方式(装入的机架、机架内的配置)绑定。

此时，包含轧辊9的辊编号在内的各种信息发送给作为上位计算机的商用计算机13。商用计算机13是辊磨削机和轧机的共同的计算机，能够经由商用计算机13从辊磨削机和轧机双方参照轧辊9的各种信息。另外，也可以是，利用辊磨削机的控制用计算机41识别的磨削操作数据经由商用计算机13发送给轧机。另外，也可以设置能够在辊磨削机与轧机之间交接信息的专用服务器。但是，由于磨削轧辊9的定时与它们组装到轧机的定时存在时间偏移，所以需要预先确保足够的存储容量。并且，关于在辊磨削机上设置振动计6的情况下的利用振动计6收集到的辊磨削机的振动数据，发送给辊磨削机的振动信号处理部43，并转换为辊磨削机中的振动信息。辊磨削机中的振动信息也与上述同样地，经由商用计算机13或经由专用服务器发送到轧机侧。

〔辊磨削机的磨削操作参数〕

作为在本实施方式中使用的磨削操作参数，能够使用确定上述辊磨削机的操作状态的任意的操作条件。例如，作为辊磨削机的磨削条件，对于粗磨削到精磨削的各横移中设定的磨削时的辊转速、磨削砂轮转速及砂轮切入量，可以使用从全部横移之中任意选择的横移中的它们的值。另外，也可以使用任意的横移中的旋转驱动磨削砂轮21的电动机电流、在该驱动轴上负荷的转矩。在该情况下，如使用横移期间的电动机电流或转矩的平均值等，能够使用该横移中的驱动装置的输出的代表值。并且，也可以从成为磨削对象的轧辊9的直径、表面的硬度、表面粗糙度等轧辊9的各种信息之中选择磨削操作参数。另一方面，作为磨削砂轮21的操作条件，可以使用磨削砂轮21的粒度、砂轮直径(初始砂轮直径、当前砂轮直径)、利用修整装置修整后的总磨削量(距离)作为磨削操作参数。

此时，作为代表利用辊磨削机磨削轧辊9的、向磨削砂轮的负荷状态的信息，优选使用任意的横移中的驱动磨削砂轮21的电动机电流值或砂轮切入量(磨削砂轮负荷参数)。驱动磨削砂轮21的电动机电流值与利用磨削时的磨削砂轮21向轧辊9提供的磨削功存在相关，砂轮切入量与作用于磨削砂轮21的载荷存在相关，因此根据它们，会给磨削时的轧辊9的凹凸形成带来影响。

另外，优选使用表示磨削砂轮21的使用历史信息的、磨削砂轮21的初始砂轮直径与磨削作为磨削对象的轧辊9前的状态的砂轮直径(当前砂轮直径)之差、从购入磨削砂轮21时的状态到当前砂轮直径的总磨削时间、修整后的总磨削量(总磨削距离)(磨削砂轮使用历史参数)。它们作为代表磨削砂轮21具有的磨粒的状态、磨削砂轮21的半径方向上的磨粒的粒度分布状态或者磨削砂轮21的劣化·磨损状态的参数，给磨削后的轧辊9的表面精加工状态带来影响。磨削砂轮21由砂轮厂家在大致圆形的状态下交货，根据磨削机的刚性及磨削砂轮21的磨损的容易度，实际使用于磨削时，有时逐渐成为背离圆形的形状。这样，在辊磨削时容易发生砂轮转速的整数倍的振动。在该情况下，在磨削的轧辊9上产生不能通过目视确认的程度的周期性花纹或轧辊9的周向上的轮廓变化。由此，给在轧机中使用轧辊9时的振动举动带来影响。

另一方面，在本实施方式中，优选将上述磨削砂轮负荷参数与选自磨削砂轮使用历史参数中的各个参数的磨削操作参数组合并使用。这是由于，根据向磨削砂轮21的负荷状态和磨削砂轮21的劣化·磨损状态两者，在轧辊9的表面上形成微小凹凸的形成容易度会发生变化。

〔辊磨削机的振动信号处理部〕

在辊磨削机具备振动计6的情况下，能够在磨削操作参数中包含通过对用振动计6检测出的信号进行处理而得到的辊磨削机的振动信息。辊磨削机的振动信息从图2所示的辊磨削机的振动信号处理部43进行的处理得到。在辊磨削机具备振动计6的情况下，振动计6能够设置在能测定磨削时的振动的任意位置。但是，优选设置于磨削头22及辊支承装置中的任一个。更优选的是辊磨削机的磨削头22的比较接近磨削砂轮21的位置。

振动计6检测的信号是振动位移、振动速度或振动加速度。因此，振动计6的输出可以是任意的信号，作为辊磨削机的振动信息，可以使用振动位移、振动速度及振动加速度中的任意的指标。即使检测任意的信号，也能够得到磨削头22的振动位移的数据。在此，辊磨削机的振动信号处理部43利用个人计算机或工作站等的运算处理装置实现，例如将CPU、ROM、RAM等作为主要构成部件。

图3示出辊磨削机的振动信号处理部中的处理流程。在此，作为振动计6检测的信号，示出能够得到磨削头22的振动加速度的情况且根据振动速度得到辊磨削机的振动信息的例子。此时利用振动计6收集的数据是时序的加速度数据。利用振动计6检测出的数据的采样频率为100Hz以上，优选400Hz以上。更优选1000Hz以上。利用振动计6按采样周期输出的加速度数据发送给辊磨削机的振动加速度数据收集部43a。为了除去振动计6的噪声，辊磨削机的振动加速度数据收集部43a按规定的数据确定时间(例如1.0秒)进行振动加速度的平均化处理，并输出到辊磨削机的振动速度计算部43b。磨削机的振动速度计算部43b通过对按规定的数据确定时间输入的振动加速度进行时间积分，从而算出振动速度。

辊磨削机的频率解析部43c对这样得到的辊磨削机的振动速度进行高速傅里叶变换方式的频率解析，得到振动信号包含的频率成分及其频谱值。在本实施方式中，将这样得到的频率成分与频谱值的关系作为辊磨削机振动信息使用。具体而言，能够根据频率成分与频谱值的关系，选择任意的频带中的频谱值，将该值作为辊磨削机振动信息使用。此时，可以设定2个以上频带作为选择的频带，将与它们对应的频谱值作为辊磨削机振动信息使用。另外，也可以使用全部频带的频谱中的最大值。并且，在利用辊磨削机的振动计6取得时序的加速度数据的同时，取得从磨削砂轮21的旋转速度计得到的砂轮旋转频率的时序数据。然后，可以用取得的砂轮转速频率进行上述频带的除法运算而得到无量纲频率，将该无量纲频率的值的整数值(例如1～10)中的频谱值作为辊磨削机振动信息。

需要说明的是，也可以基于振动位移代替基于振动速度的辊磨削机振动信息，用同样的方法进行处理。振动位移能够通过对振动速度进行时间积分而算出，能够对算出的振动位移通过傅里叶变换得到频率成分及其频谱值，从而与上述同样地作为辊磨削机振动信息。另外，也能够直接使用通过测量得到的振动加速度。在该情况下，能够使用对于用辊磨削机的振动加速度数据收集部43a收集到的加速度数据通过傅里叶变换得到的频率成分及其频谱值的结果。另一方面，在预先知晓辊磨削机的自然振动频率的情况下，也能够将自然振动频率的1/2到2倍的频带中的频谱值的最大值作为辊磨削机振动信息使用。

在本实施方式中，关于如以上得到的辊磨削机振动信息，特别优选算出粗磨削工序结束前的5～10次横移的辊磨削机振动信息，并且使用它们的平均值。这是由于，精磨削是最终调整轧辊的表面粗糙度的工序，形成在轧辊9的表面上的微小凹凸经常大致在粗磨削工序结束的时刻已经形成。需要说明的是，作为辊磨削机振动信息，可以使用驱动辊磨削时的磨削砂轮21的电动机电流值的时序数据，代替利用振动计6得到的时序数据。在该情况下，能够对于电动机电流值的时序数据通过傅里叶变换得到频率成分及其频谱值，从而与上述同样地得到辊磨削机振动信息。在驱动磨削砂轮21的电动机电流值的随时间的变动中，包含与辊磨削机的振动状态相关的信息，在以下方面是有利的：即使不设置振动计6，也能够取得代表辊磨削机的振动状态的操作参数。

如以上，利用辊磨削机的振动信号处理部43取得的辊磨削机振动信息发送给后述的振动预测模型生成部51及轧机振动预测部61。

〔轧机的轧制操作参数〕

在本实施方式中，作为轧机的轧制操作参数，能够使用用于确定对钢板S的轧制状态的任意的轧制操作参数。在图1所示的控制用计算机12中，为了在钢板S的轧制之前决定钢板S的轧制条件，按机架设定入口侧板厚、出口侧板厚、入口侧张力、出口侧张力、工作辊直径、工作辊转速、变形阻力及摩擦系数。它们能够作为轧机的轧制操作参数。

另外，进行钢板S的轧制后的轧制载荷、张力、板厚、前滑率、工作辊转速、辊间隙等的每个机架的实际值利用设置于轧机的各种检测器检测出，用PLC11收集后，根据它们的时序数据算出每个规定周期的平均值等操作之后，发送给控制用计算机12。它们均成为轧机的轧制操作参数。需要说明的是，也可以将在控制用计算机12的设定计算中算出的每个机架的轧制载荷、轧制转矩、前滑率等的设定计算值作为轧机的轧制操作参数。并且，作为钢板S的制造工序，利用上游侧的制造工序收集并通过商用计算机13发送给控制用计算机12的母材的板厚、板宽的实际值、成为母材的钢板S的变形阻力也能够作为轧机的轧制操作参数。

优选从这些轧机的轧制操作参数选择每个机架的板厚、压下率、轧制速度。这是由于它们是对颤振的发生影响较大的操作参数。但是，它们也可以是以作为轧机的振动容易变大的机架例如连续式冷轧机的最终机架和上游的一个机架为对象取得的轧制操作参数。

〔轧机的振动信息〕

利用本实施方式的轧机进行冷轧时的振动信息能够使用构成轧机的任意的机架的振动信息。作为机架的振动信息，不仅可以是设置在机架的壳体5上的振动计6的输出，也可以是利用设置在机架间的辅助辊(张力计辊3a、偏导辊3b)上的振动计等能够检测轧制期间的轧机的振动状态的检测器得到的信息。另外，对于连续式冷轧机，可以限定为特别容易发生颤振的机架并采集振动信息。在此，说明利用设置在机架的壳体5上部的振动计6得到的冷轧时的振动信息。

设置于机架的振动计6检测的信号是振动位移、振动速度或振动加速度。由于振动位移能够通过对振动速度进行时间积分而算出，振动速度能够通过对振动加速度进行时间积分而算出，所以即使检测任意的信号，也能够得到机架的振动位移的数据。在此，图1所示的轧机的振动信号处理部15利用个人计算机或工作站等的运算处理装置实现，例如将CPU、ROM、RAM等作为主要构成部件。

图4是示出用于得到冷轧时的轧机的振动信息的处理例的图。在此，作为振动计6检测的信号，示出在能够得到机架的振动加速度的情况下基于振动速度得到轧机振动信息的例子。利用振动计6收集的数据是时序的加速度数据。在得到轧机的振动信息的情况下，利用振动计6检测出的数据的采样频率优选在2000～10000Hz的范围内设定的频率。更优选3000～7000Hz。选择比会发生颤振的频率更大的频率。

此时，利用设置于机架的振动计6按采样周期输出的加速度数据发送给轧机的振动信号处理部15具备的轧机的振动加速度数据收集部15a。为了除去振动计6的噪声，轧机的振动加速度数据收集部15a按规定的数据确定时间(例如0.2秒)进行振动加速度的平均化处理，并输出到轧机的振动信号处理部15具备的轧机的振动速度计算部15b。轧机的振动速度计算部15b通过对按规定的数据确定时间输入的振动加速度进行时间积分，从而算出振动速度。

轧机的振动信号处理部15具备的轧机的频率解析部15c对这样得到的轧机的振动速度进行高速傅里叶变换方式的频率解析，得到振动信号包含的频率成分及其频谱值。在本实施方式中，将这样得到的频率成分与频谱值的关系作为轧机的振动信息使用。具体而言，能够根据频率成分与频谱值的关系，取得任意的频带中的频谱值，将该值作为轧机的振动信息使用。此时，作为选择的频带，关注于容易产生颤痕的振动频率，设定包含该频率的频带，能够将设定的频带中的频谱值作为轧机的振动信息使用。另外，轧机的振动信息优选轧机的振动信号处理部15取得振动计6的数据时的轧制速度所关联的信息。在该情况下，按轧制速度取得设定的频带中的频谱值。为了将从振动计6取得的信号与轧制速度关联，轧机的振动信号处理部15除了取得来自设置于机架的振动计6的信号之外，还取得工作辊圆周速度数据即可。但是，也可以限定于容易产生颤痕的轧制速度来取得轧机的振动信息。例如在轧制速度为800米/分的条件下容易产生颤痕的情况下，可以设定一定的速度带，在轧制速度成为700～900米/分的条件下取得轧机的振动信息。

例如，如图5所示，作为频率成分及其频谱值(振动强度)的关系，对产生颤痕的情况下(有异常振动)的轧机的振动信息与没有产生颤痕的情况下(无异常振动)的轧机的振动信息进行对比。然后，能够设定产生颤痕的情况下的轧机的振动强度的频谱较大的振动频带(关注的振动频带)，将该设定的振动频带中的振动强度的频谱作为轧机的振动信息。例如，可以设定关注的振动频带，将在该频带中最大的频谱值作为轧机的振动信息。

〔振动预测模型的生成〕

本实施方式的轧机的振动预测模型的生成方法包含如下学习步骤：在使用利用辊磨削机磨削而成的轧辊9，利用轧机进行钢板S的冷轧的轧制工序中，取得多个学习用数据，通过使用了取得的多个学习用数据的机器学习来生成轧机的振动预测模型，所述多个学习用数据将选自辊磨削机的磨削操作参数的实际数据和选自轧机的轧制操作参数的实际数据作为输入实际数据，并将使用了该输入实际数据的冷轧时的轧机的振动信息作为输出实际数据。

从磨削操作数据输出部44向图6所示的振动预测模型生成部51发送实际数据作为辊磨削机的磨削操作参数，根据需要发送辊磨削机振动信息。另外，轧机的轧制操作参数通过控制用计算机12利用轧机操作数据输出部14发送实际数据。另外，参照轧辊9的辊编号，从商用计算机13经由控制用计算机12向振动预测模型生成部51发送组装到轧机的轧辊9的各种信息。另一方面，利用轧机的振动信号处理部15对在这些操作条件之下进行轧制时的轧机的振动信息进行处理而成的轧机的振动信息发送给振动预测模型生成部51。

在振动预测模型生成部51中，如图7所示，选自辊磨削机的实际数据的磨削操作参数的实际数据、选自轧机的操作条件的实际数据的轧制操作参数的实际数据及轧机的振动信息存储于数据库51a。此时，由于这些实际数据在轧机的控制用计算机12中被识别组装到轧机的轧辊9的辊编号，所以基于辊编号进行数据的绑定，构筑数据集并存储于数据库51a。

如以上，振动预测模型生成部51采集多个收集到的输入数据和输出数据的数据集并保存于数据库51a。作为数据库51a的数据数，至少存储100个以上，优选500个以上，更优选1000个以上的数据。其后，在振动预测模型生成部51中，机器学习部51b使用存储的数据集，生成基于机器学习的轧机的振动预测模型M，所述机器学习至少将选自辊磨削机的磨削操作参数的实际数据和选自轧机中的钢板S的轧制操作参数的实际数据作为输入实际数据，并将使用了该输入实际数据而成的轧机的振动信息作为输出实际数据。

机器学习的方法应用公知的学习方法即可。机器学习例如使用神经网络(深度学习、卷积神经网络等)等公知的机器学习方法即可。作为其他方法，能够例示决策树学习、随机森林、支持向量回归、高斯过程等。另外，也可以使用将多个模型组合而成的集成模型。并且，轧机的振动预测模型M使用最新的学习数据适当更新即可。

需要说明的是，作为成为对本实施方式的轧机的振动预测模型M的输入的辊磨削机的磨削操作参数，可以选择对上下的工作辊或上下的支承辊中的任意的轧辊的磨削操作参数。在该情况下，优选使用对上支承辊或下支承辊的磨削操作参数。这是因为，支承辊有如下特性：由于质量比工作辊大，所以产生的振动能量较大，当产生颤痕时，容易使振动持续。另外，作为轧机的振动预测模型M的输入，优选将上支承辊的磨削操作参数和下支承辊的磨削操作参数组合来使用。这是因为，在上下任意的支承辊上包含颤振的原因的情况下，容易产生颤痕。

需要说明的是，在上述方案中，在具备能够收集多个磨削操作参数、轧制操作参数及轧机的振动信息的计算机能力或存储介质的情况下，可以不预先决定应选择的参数，而是在振动预测模型生成部51的数据库51a中预先存储实际数据，在利用机器学习部51b生成振动预测模型M时适当选择。

在此，本实施方式的振动预测模型M的输入数据包含选自辊磨削机的磨削操作参数的实际数据、选自轧机的轧制操作参数的实际数据两者。本申请发明人们得到了如下见解：由轧辊9的磨削引起产生的表面的微小凹凸所引起的钢板S的冷轧时的轧机振动是颤痕的产生原因之一。在该情况下，并不仅由于轧机的操作条件而产生颤痕。另一方面，得到了如下见解：即使在轧辊9的表面上存在微小凹凸，也不一定是轧机的周期性变动产生的，而是由于与特定的轧制操作条件的组合而产生。因此，在本实施方式的振动预测模型M中，输入辊磨削机的磨削操作参数和轧机的轧制操作参数两者。

〔振动预测方法〕

在本实施方式的振动预测方法中，进行使用了如以上生成的轧机的振动预测模型M的轧机的振动预测。进行振动预测的定时优选作为预测对象的钢板(在连续式冷轧机的入口侧接合而成的钢板)S的前端部装入轧机的第一机架前，且在利用控制用计算机12进行的作为轧制对象的钢板S的设定计算完成后。这是由于，能够将利用控制用计算机12计算的轧制载荷等轧制操作参数确定为轧机的振动预测模型M的输入值。另外，这是由于，如果是开始钢板S的轧制前，则能够进行适当修正对象材料的轧制表等操作而防止颤振的发生于未然。

具体而言，如图8所示，从磨削操作数据输出部44对轧机振动预测部61发送实际数据作为辊磨削机的磨削操作参数，根据需要发送辊磨削机振动信息。另外，从轧机操作数据输出部14发送轧机操作参数的设定值作为轧机的轧制操作参数。轧机振动预测部61将它们作为输入数据，使用轧机的振动预测模型M，求出钢板S的冷轧中的轧机的振动信息的预测值(第一步骤)。

另一方面，在轧机的控制用计算机12中，预先设定轧机振动的上限值作为不会产生颤痕的轧机的振动水平，将该上限值发送给异常振动判定部61a。例如如图5所示，在容易产生颤痕的频带中，基于过去的数据等设定轧机振动上限值。具体而言，能够从过去的数据算出不会产生颤痕或产生的概率较低的频谱值，并将其设定为上限值(轧机振动上限值)。

异常振动判定部61a将使用轧机的振动预测模型M预测的振动的预测结果相对于如以上预先设定的轧机振动上限值进行比较。然后，如果振动的预测结果为轧机振动上限值以下，则异常振动判定部61a在初始设定下设定钢板的冷轧的操作条件，确定向PLC11的操作条件的指示。另一方面，在振动的预测结果超过轧机振动上限值的情况下，异常振动判定部61a判定为在钢板S的冷轧中产生异常振动(第二步骤)。在该情况下，异常振动判定部61a在钢板S的冷轧的开始前或钢板S的冷轧的开始后，在加速到对钢板S设定的最高速度前的阶段中，再设定冷轧的操作条件(再设定步骤)。具体而言，能够再设定轧制的轧制表。也可以再设定机架间张力的控制目标值。另外，能够通过再设定对钢板S预先设定的最高速度并决定设为不会产生颤振的速度区域(降低最高速度的设定值)的轧制操作条件等能够抑制颤振发生的已知手段来避免颤振。由此，能够制造成品率良好的钢板S，并且能够使轧机的生产率提高。

实施例

〔实施例1〕

在本实施例中，生成了图1所示的4机架的连续式冷轧机中的轧机的振动预测模型。在本实施例中，关注于第三机架的下支承辊，采集该支承辊的辊磨削机中的磨削操作参数的实际数据。设为对象的轧辊的辊身长度为1750mm，全长为2300mm，辊径为1451mm。在辊磨削机中，使用氧化铝类砂轮作为磨削砂轮。砂轮直径在交货时为φ910mm，在磨削时为650mm，砂轮转速设为620rpm，以使砂轮旋转的电动机的设定电流值在粗磨削时成为120A并在精磨削时成为50A的方式设定砂轮切入量。此时，作为辊磨削机的操作参数，使用初始砂轮直径、使用前砂轮直径、砂轮旋转电动机负荷电流及辊旋转电动机负荷电流。

另外，在辊磨削机中设置加速度计作为图2所示的振动计6，并取得辊磨削机振动信息。关于利用加速度计进行的加速度数据的收集，采样频率设为1000Hz，为了除去加速度计的噪声，按规定的数据确定时间(1.0秒)进行振动加速度的平均化处理，并输出到辊磨削机的振动速度计算部。在辊磨削机的振动速度计算部中，对按数据确定时间输入的振动加速度进行时间积分从而算出振动速度。并且，在辊磨削机的频率解析部中，进行高速傅里叶变换方式的频率解析，得到振动信号包含的频率成分及其频谱值。

在本实施例中，预先知晓辊磨削机的自然振动频率为42Hz，如图9所示，关注于接近该自然振动频率的22～62Hz的频率(固有频率±20Hz)的成分中的、成为砂轮转速10.3Hz的整数倍的频带(但是设定了±2Hz的带宽)的振动。这样，将22～62Hz的频率范围内且成为砂轮转速的整数倍的频率带中的频谱值(在图9所示的例子中用圆圈包围的4个)设为辊磨削机的振动信息。需要说明的是，基于对锤的外力的脉冲响应的特性确定辊磨削机的自然振动频率。另外，在本实施例中使用的辊磨削机的振动信息使用上述支承辊的到粗磨削结束为止的10次横移的平均值作为上述频带中的四个频谱值。另外，将这样磨削后的第三机架的下支承辊组装到上述连续式冷轧机，作为实施钢板的冷轧时的轧机操作数据，取得轧制速度、压下率、前滑率、钢板的变形阻力及轧制载荷的轧制实际数据，将它们设为轧制操作参数。

另一方面，轧机的振动信息使用基于加速度数据的信息，所述加速度数据利用在图1所示的轧机中设置在第三机架的壳体上部的振动计取得。振动计的采样频率设为2000Hz，按规定的数据确定时间(1.0秒)进行振动加速度的平均化处理和时间积分，并取得振动速度的时序数据。对于这样得到的轧机的振动速度，进行高速傅里叶变换方式的频率解析，得到振动信号包含的频率成分及其频谱值作为实际数据。在本实施例中，作为与容易产生颤痕的轧制速度400～1300mpm对应的频带，关注于350～900Hz，将该频带的频谱值的最大值设为轧机中的振动信息的实际数据。

这样取得的实际数据存储于图7所示的数据库51a。然后，从存储的数据库51a使用500个数据，生成基于机器学习的轧机的振动预测模型。具体而言，将上述支承辊的辊磨削机的磨削操作参数、辊磨削机的振动信息、把该支承辊使用于第三机架的下支承辊并轧制钢板时的轧制操作参数作为输入实际数据，将作为轧机的振动信息的频带350～900Hz之中的频谱值的最大值作为输出实际数据。在机器学习方法中使用神经网络，将中间层设为3层，节点数设为各五个。激活函数使用Sigmoid函数。使用这样生成的轧机的振动预测模型实施轧机的异常振动判定后，与应用本预测模型前相比，颤痕产生率降低80％。

〔实施例2〕

在本实施例中，生成了5机架的连续式冷轧机中的轧机的振动预测模型。轧机的结构与图1所示的4机架的连续式冷轧机相同。但是，本实施例的轧机是用于制造板宽比上述实施例1的轧机大的金属带的连续式冷轧机，工作辊的主体长比上述实施例1的工作辊长。在本实施例中，关注于5机架的连续式冷轧机中的第四机架的支承辊。即，在本实施例中，对于第四机架的上侧及下侧的支承辊，将利用辊磨削机磨削它们时的磨削操作参数的实际值、将它们组装到上述轧机进行轧制时的轧制操作参数的实际值及利用设置在第四机架的壳体上部的振动计取得的轧机的振动信息的实际值存储于振动预测模型生成部51的数据库51a。

设为对象的支承辊的辊身长度为1981mm，全长为2300mm，直径为1260～1480mm。在磨削这种支承辊的辊磨削机中使用的磨削砂轮是白色氧化铝类砂轮，选定购入时的砂轮直径(初始砂轮直径)为φ850～910mm的砂轮。在此，在磨削支承辊前测定的使用前砂轮直径位于φ490～910mm的范围内。另外，磨削时的砂轮转速设为360rpm～900rpm，使砂轮旋转的电动机的设定电流值在粗磨削工序中设定为100～140A的范围内，在精磨削工序中设定为50～80A的范围内，以成为这样的范围的电流值的方式设定砂轮切入量。另外，在辊磨削机的磨削头上设置加速度计作为振动计，并取得磨削支承辊时的辊磨削机的磨削信息。作为辊磨削机的磨削信息，使用了从粗磨削工序转移至精磨削工序时的、在精磨削工序的磨削道次开始前的10次横移的粗磨削工序中从加速度计取得的信息。

设置于辊磨削机的加速度计以采样频率1000Hz取得加速度数据，为了除去加速度数据的噪声，按规定的数据确定时间(1.0秒)进行振动加速度的平均化处理，并输出到辊磨削机的振动速度计算部43b。在辊磨削机的振动速度计算部43b中，通过对按数据确定时间输入的振动加速度进行时间积分从而算出振动速度。并且，在辊磨削机的频率解析部43c中，进行高速傅里叶变换方式的频率解析，得到振动信号包含的频率成分及其频谱值。另一方面，关注于相对于砂轮转速的频率成为3倍、4倍、5倍及6倍这四个整数倍的频带(其中，设定了±2Hz的带宽)的振动，选择其中成为最大的频谱值。并且，将这样选择的频谱值的粗磨削工序的最终10次横移期间的平均值作为辊磨削机的振动信息。另外，在本实施例中，作为辊磨削机的磨削操作参数，除了上述辊磨削机的振动信息之外，关于磨削砂轮，选择初始砂轮直径、使用前砂轮直径，作为磨削条件，选择砂轮转速、砂轮切入量、砂轮旋转电动机负荷电流。并且，作为辊磨削机的磨削操作参数，选择上述支承辊的直径、磨削时的辊转速、辊旋转用的电动机负荷电流，并将它们的实际值存储于数据库51a。

如以上，利用辊磨削机磨削后的支承辊作为连续式冷轧机的第四机架的上支承辊及下支承辊使用，取得这时的轧制操作参数的实际值。在收集到数据库51a的轧机的轧制操作参数中，选择轧制的钢板的第四机架的入口侧板厚和出口侧板厚、前方张力、后方张力、前滑率、变形阻力、轧制载荷及上下工作辊的平均直径。另外，加上取得它们的实际数据时的轧制速度(最终机架的工作辊圆周速度)，取得全部9种轧制实际数据。这些实际数据通过对采样数据按1秒进行平均化处理，从而使之成为轧机的轧制操作参数的实际值。并且，一边取得轧机的轧制操作参数，一边取得轧机的振动信息的实测值。根据利用设置在第四机架的壳体上部的振动计取得的加速度数据算出轧机的振动信息。以采样频率2000Hz的条件从设置于轧机的加速度传感器取得加速度数据。通过对取得的加速度数据按规定的数据确定时间(1.0秒)进行振动加速度的平均化处理和时间积分，从而使之成为振动速度的时序数据。对于这样得到的轧机的振动速度，进行高速傅里叶变换方式的频率解析，得到振动信号包含的频率成分及其频谱值作为实际数据。在本实施例中，作为与容易产生颤痕的轧制速度400～1300mpm对应的频带，关注于350～900Hz，将该频带的频谱值的最大值设为轧机的振动信息的实际数据，并存储于数据库51a。用于轧制的钢板包含软钢到抗拉强度为1.5GPa的高张力钢板，所述软钢包含极低碳素钢，板厚在轧机入口侧为2～6mm，在最终机架出口侧为0.6mm～2.8mm，板宽为750mm～1880mm，第四机架中的压下率为5％～40％。

如以上在数据库中存储了500个数据的阶段生成轧机的振动预测模型。生成的轧机的振动预测模型设为以下4种。

(1)从辊磨削机的磨削操作参数和轧机的轧制操作参数双方选择输入数据的本发明例1

作为辊磨削机的磨削操作参数，选择上支承辊的磨削时的初始砂轮直径、使用前砂轮直径、砂轮转速、砂轮旋转电动机负荷电流这4个以及下支承辊的磨削时的初始砂轮直径、使用前砂轮直径、砂轮转速、砂轮旋转电动机负荷电流这4个。另外，从轧机的轧制操作参数选择压下率、轧制载荷、轧制速度这三个。

(2)从辊磨削机的磨削操作参数和轧机的轧制操作参数双方选择输入数据的本发明例2

作为辊磨削机的磨削操作参数，选择上支承辊的磨削时的辊磨削机的振动信息、砂轮转速、砂轮旋转电动机负荷电流这3个以及下支承辊的磨削时的辊磨削机的振动信息、砂轮转速、砂轮旋转电动机负荷电流这3个。另外，从轧机的轧制操作参数选择压下率、变形阻力、轧制速度这三个。

(3)从轧机的轧制操作参数选择输入数据而成的比较例1

作为轧机的轧制操作参数，选择第四机架的入口侧板厚和出口侧板厚、前方张力、后方张力、前滑率、变形阻力、轧制载荷、上下工作辊的平均直径及轧制速度这9个。

(4)从辊磨削机的磨削操作参数选择输入数据而成的比较例2

作为辊磨削机的磨削操作参数，选定上支承辊的磨削时的辊磨削机的振动信息、初始砂轮直径、使用前砂轮直径、砂轮转速、砂轮切入量、砂轮旋转电动机负荷电流、上支承辊的直径、磨削时的辊转速、辊旋转用的电动机负荷电流这9个以及下支承辊的磨削时的辊磨削机的振动信息、初始砂轮直径、使用前砂轮直径、砂轮转速、砂轮切入量、砂轮旋转电动机负荷电流、下支承辊的直径、磨削时的辊转速、辊旋转用的电动机负荷电流这9个。

对于以上的本发明例1、2及比较例1、2的输入数据，通过将输出数据设为轧机的振动信息的机器学习，分别生成轧机的振动预测模型。在机器学习方法中使用神经网络，将中间层设为3层，节点数设为各五个。激活函数使用ReLU函数。然后，使用本发明例1、2及比较例1、2的轧机的振动预测模型，作为测试数据，对于轧制了2500卷而得到的实际数据进行轧机的振动预测。根据设置于第四机架的壳体的振动计的输出，判定轧机的振动。关于轧机的异常振动，将350～900Hz的频带中的最大的频谱值0.03mm/秒作为阈值，将轧机的振动比该值大的状态判定为异常振动。另一方面，将作为上述轧机的振动预测模型的输出的、轧机的振动信息超过0.03毫米/秒的情况预测为异常振动。然后，对于作为测试数据的2500卷，在利用上述轧机的振动预测模型预测为有异常振动的情况下，将利用轧机的振动计判定为有异常振动的卷数设为I1。另一方面，在利用上述轧机的振动预测模型预测为无异常振动的情况下，将利用轧机的振动计判定为无异常振动的卷数设为I2。将这些I1与I2之和相对于整体的卷数2500卷的比率称为一致率。

结果，比较例1的一致率为38％。这可认为是由于，虽然能够部分正确地计算仅由轧制条件决定的轧机振动，但是对于在支承辊上有根本原因的轧机振动，预测精度较低。另一方面，比较例2的一致率成为48％。这可认为是由于，某种程度反映了由于支承辊的凹凸而产生的轧机振动，另一方面，即使有由轧制条件引起的轧机振动或支承辊的凹凸，根据轧制条件的不同，在没有成为异常振动的情况下，不能进行充分的预测。另一方面，本发明例1的一致率为85％。这可认为是由于，通过将由支承辊的凹凸状态引起的振动和由轧制状态引起的振动两者组合来对应容易发生轧机的异常振动的情况，预测精度提高。并且，本发明例2的一致率为93％。这可认为是由于，通过在输入中加入辊磨削机的振动信息，从而轧机的异常振动的预测精度提高。

以上，对应用了本发明人们所完成的发明的实施方式进行了说明，但本发明并不限定于构成基于本实施方式的本发明内容的一部分的描述和附图。即，基于本实施方式由本领域技术人员等做出的其他实施方式、实施例及运用技术等全部包含在本发明的范围内。

产业上的可利用性

根据本发明，能够提供能在轧制金属带前预测轧机的振动的轧机的振动预测方法。另外，根据本发明，能够提供能在轧制金属带前预测轧机的异常振动的轧机的异常振动判定方法。另外，根据本发明，能够提供能抑制颤痕的产生并使金属带的制造成品率提高的金属带的轧制方法。另外，根据本发明，能够提供能在轧制金属带前生成预测轧机的振动的轧机振动预测模型的轧机的振动预测模型的生成方法。

附图标记的说明

1 工作辊

2 支承辊

3a 张力计辊

3b 偏导辊

4 驱动装置

5 壳体

6 振动计

7 负荷传感器

8 板厚计

9 轧辊

11轧制控制控制器(PLC)

12控制用计算机(处理计算机)

13 商用计算机

14 轧机操作数据输出部

15 轧机的振动信号处理部

15a轧机的振动加速度数据收集部

15b 轧机的振动速度计算部

15c 轧机的频率解析部

21 磨削砂轮

22 磨削头

23 二轴工作台

24 辊夹具

25 辊旋转电动机

26 尾座

27 支座

28a、28b引导件

29 砂轮旋转用电动机

30 皮带轮

31皮带

41辊计算机的磨削操作条件设定计算机(控制用计算机)

42辊磨削机的控制用控制器

43辊磨削机的振动信号处理部

43a辊磨削机的振动加速数据收集部

43b辊磨削机的振动速度计算部

43c 辊计算机的频率解析部

44 磨削操作数据输出部

51 振动预测模型生成部

51a 数据库

51b 机器学习部

61 轧机振动预测部

61a 异常振动判定部

M 轧机的振动预测模型

S 钢板。

Claims (7)

1.轧机的振动预测方法，其预测在利用轧机使用轧辊轧制金属带的轧制工序中的所述轧机的振动，所述轧辊为由辊磨削机磨削后的轧辊，其中，

所述振动预测方法包含使用通过机器学习而学习到的轧机的振动预测模型预测所述轧机的振动的步骤，所述轧机的振动预测模型包含选自所述辊磨削机的磨削操作参数的一个或两个以上参数和选自所述轧机的轧制操作参数的一个或两个以上参数作为输入数据，并将轧制工序中的所述轧机的振动信息作为输出数据。

2.根据权利要求1所述的轧机的振动预测方法，其中，

所述磨削操作参数包含在利用所述辊磨削机磨削所述轧辊时取得的辊磨削机的振动信息。

3.根据权利要求1或2所述的轧机的振动预测方法，其中，

所述磨削操作参数包含磨削砂轮负荷参数和磨削砂轮使用历史参数，所述磨削砂轮负荷参数是与利用所述辊磨削机磨削所述轧辊时的向磨削砂轮的负荷信息相关的参数，所述磨削砂轮使用历史参数是与所述磨削砂轮的使用历史信息相关的参数。

4.轧机的异常振动判定方法，其包含：

第一步骤，使用权利要求1～3中任一项所述的轧机的振动预测方法，在将利用所述辊磨削机磨削后的轧辊组装到所述轧机后且开始金属带的轧制前，使用所述辊磨削机的磨削操作参数的实际值和所述轧机的轧制操作参数的设定值，预测轧制所述金属带时的轧机的振动；和

第二步骤，基于所述第一步骤的振动的预测结果与预先设定的轧机的振动的上限值的比较，判定有无发生所述轧机的异常振动。

5.金属带的轧制方法，其包含如下步骤：在使用权利要求4所述的轧机的异常振动判定方法判定为产生轧机的异常振动的情况下，对所述轧机的轧制操作条件进行再设定。

6.轧机的振动预测模型的生成方法，其生成轧机的振动预测模型，所述轧机的振动预测模型预测在利用轧机使用轧辊轧制金属带的轧制工序中的所述轧机的振动，所述轧辊为利用辊磨削机磨削后的轧辊，其中，

所述生成方法包含取得多个学习用数据并通过使用了所取得的多个学习用数据的机器学习生成所述轧机的振动预测模型的学习步骤，所述多个学习用数据将选自所述辊磨削机的磨削操作参数的实际数据和选自所述轧机的轧制操作参数的实际数据作为输入实际数据，并将使用了该输入实际数据的金属带的轧制中的所述轧机的振动信息作为输出实际数据。

7.根据权利要求6所述的轧机的振动预测模型的生成方法，其中，

作为所述机器学习，使用选自神经网络、决策树学习、随机森林及支持向量回归的机器学习。

Images