CN117561346A - 钢板的漏镀缺陷预测方法、钢板的缺陷减少方法、热浸镀锌钢板的制造方法以及钢板的漏镀缺陷预测模型的生成方法 - Google Patents

Abstract

本发明涉及的钢板的漏镀缺陷预测方法是热浸镀锌钢板的制造设备的钢板的漏镀缺陷预测方法，所述制造设备具备退火炉和配置在退火炉的下游侧的镀覆装置，所述漏镀缺陷预测方法包括使用漏镀缺陷预测模型来预测制造设备的出口侧的钢板的漏镀缺陷信息的步骤，所述漏镀缺陷预测模型是将包含选自装入制造设备的钢板的属性信息中的1个或2个以上的参数、选自退火炉的操作参数中的1个或2个以上的操作参数、以及选自镀覆装置的操作参数中的1个或2个以上的操作参数作为输入数据，将制造设备的出口侧的钢板的漏镀缺陷信息作为输出数据，且经机器学习而学得的。

Description

钢板的漏镀缺陷预测方法、钢板的缺陷减少方法、热浸镀锌钢 板的制造方法以及钢板的漏镀缺陷预测模型的生成方法

技术领域

本发明涉及钢板的漏镀缺陷预测方法、钢板的缺陷减少方法、热浸镀锌钢板的制造方法以及钢板的漏镀缺陷预测模型的生成方法。

背景技术

近年来，在汽车、家电、建材等领域中，有助于结构物的轻型化等的高张力钢板(高强度钢板)的需求不断高涨。作为高张力钢板，已知例如通过使钢中含有Si能够制造扩孔性良好的钢板，通过含有Si、Al能够制造易于形成残余γ的延展性良好的钢板。然而，在将含有大量Si(特别是0.2质量％以上)的高张力钢板作为母材来制造热浸镀锌钢板时存在如下的问题。

即，热浸镀锌钢板是通过在还原气氛或非氧化性气氛中以600～900℃左右的温度将母材的钢板加热退火，然后对钢板表面实施热浸镀锌处理来制造的。应予说明，也可以将形成在钢板表面的镀锌层进行加热合金化来制造合金化热浸镀锌钢板。这里，钢中的Si为易氧化性元素，即使在通常使用的还原性气氛、非氧化性气氛中也会被选择性氧化，在钢板的表面富集而形成氧化物。该氧化物使热浸镀锌处理时的钢板与热浸镀锌层的润湿性降低，产生漏镀缺陷。

根据这样的背景，提出了抑制漏镀缺陷的产生的技术。具体而言，专利文献1中记载了通过向退火炉内投入加湿气体，使加热炉内的露点升高，并通过使Si内部氧化来抑制Si的表面富集的方法。另外，专利文献2中记载了对镀浴浸渍前的特定位置处的钢板的目标温度进行设定，通过控制退火炉的冷却段来控制侵入镀浴的钢板的温度，由此控制镀浴的温度的方法。另外，专利文献3中记载了通过控制炉鼻内的露点来抑制热浸镀锌层的汽化和镀浴表面氧化膜的生成，由此减少漏镀缺陷的产生频率的方法。

现有技术文献

专利文献

专利文献1：日本专利第6607339号公报

专利文献2：日本专利第4507681号公报

专利文献3：日本专利第5834775号公报

发明内容

然而，即使在专利文献1～3所记载的方法中也可能产生漏镀缺陷，特别是在钢板的表面侧和背面侧，经常会出现差异。如果钢板的表面侧和背面侧的差异消失，则有助于成品率提高，但有时因生产线、时期、时机而多发漏镀缺陷的一侧会发生变化，其原因尚未明确。

本发明是鉴于上述课题而完成的，其目的在于提供一种可以高精度预测钢板的漏镀缺陷的产生的钢板的漏镀缺陷预测方法。另外，本发明的另一个目的在于提供一种可以使钢板的漏镀缺陷的产生频率减少的钢板的缺陷减少方法。另外，本发明的再一个目的在于提供一种能够提高热浸镀锌钢板的制造成品率的热浸镀锌钢板的制造方法。进而，本发明的再一个目的在于提供一种钢板的漏镀缺陷的预测模型的生成方法，其能够生成高精度预测钢板的漏镀缺陷的产生的漏镀缺陷预测模型。

本发明涉及的钢板的漏镀缺陷预测方法是具备退火炉和配置在上述退火炉的下游侧的镀覆装置的热浸镀锌钢板的制造设备中的钢板的漏镀缺陷预测方法，包括以下步骤：将包含选自装入上述制造设备的钢板的属性信息中的1个或2个以上的参数、选自上述退火炉的操作参数中的1个或2个以上的操作参数、以及选自上述镀覆装置的操作参数中的1个或2个以上的操作参数作为输入数据，将上述制造设备的出口侧的钢板的漏镀缺陷信息作为输出数据，使用经机器学习而学得的漏镀缺陷预测模型来预测上述制造设备的出口侧的钢板的漏镀缺陷信息。

上述退火炉是从上游侧起依次配置有加热段、均热段和冷却段的立式退火炉，作为构成上述输入数据的上述退火炉的操作参数，可以包含上述加热段和上述均热段的露点信息。

上述镀覆装置是从上游侧起依次配置有炉鼻、镀浴和擦拭装置的镀覆装置，作为构成上述输入数据的上述镀覆装置的操作参数，可以包含上述镀浴的温度和侵入该镀浴的钢板的温度。

作为构成上述输入数据的上述镀覆装置的操作参数，可以包含选自上述擦拭装置的操作参数中的1个或2个以上的操作参数。

本发明涉及的钢板的缺陷减少方法包括以下步骤：使用本发明的钢板的漏镀缺陷预测方法，在钢板的前端部装入上述镀覆装置前，使用上述钢板的属性信息、上述退火炉的操作参数的真实值以及上述镀覆装置的操作参数的设定值来预测钢板的漏镀缺陷信息，以使基于预测的钢板的漏镀缺陷信息的漏镀缺陷产生率落入预先设定的允许范围的方式，再次设定上述镀覆装置的操作参数。

本发明的热浸镀锌钢板的制造方法包括使用本发明的钢板的缺陷减少方法来制造热浸镀锌钢板的步骤。

本发明的钢板的漏镀缺陷预测模型的生成方法是具备退火炉和配置在上述退火炉的下游侧的镀覆装置的热浸镀锌钢板的制造设备中的钢板的漏镀缺陷预测模型的生成方法，包括以下步骤：至少将选自装入上述制造设备的钢板的属性信息中的1个或2个以上的真实数据、选自上述退火炉的操作参数中的1个或2个以上的操作真实数据、以及选自上述镀覆装置的操作参数中的1个或2个以上的操作真实数据作为输入真实数据，获取将使用了上述输入真实数据的上述制造设备的出口侧的钢板的漏镀缺陷信息作为输出真实数据的多个学习用数据，通过使用获取的多个学习用数据的机器学习来生成预测上述制造设备的出口侧的钢板的漏镀缺陷信息的漏镀缺陷预测模型。

作为上述机器学习，可以使用选自神经网络、决策树学习、随机森林以及支持向量回归的机器学习。

本发明涉及的钢板的漏镀缺陷预测方法能够高精度预测钢板的漏镀缺陷的产生。另外，根据本发明涉及的钢板的缺陷减少方法，能够使钢板的漏镀缺陷的产生频率减少。另外，根据本发明涉及的热浸镀锌钢板的制造方法，能够使热浸镀锌钢板的制造成品率提高。进而，根据本发明涉及的钢板的漏镀缺陷预测模型的生成方法，能够生成高精度预测钢板的漏镀缺陷的产生的漏镀缺陷预测模型。

附图说明

图1是表示本发明的一个实施方式的热浸镀锌钢板的制造设备的构成的示意图。

图2是表示图1所示的退火炉的构成的示意图。

图3是表示图1所示的镀覆装置的构成的示意图。

图4是表示本发明的一个实施方式的钢板的漏镀缺陷预测模型生成装置的构成的框图。

图5是表示侵入热浸镀锌浴的钢板的温度与热浸镀锌浴的温度之差(侵入板温－浴温)和退火炉内露点对镀覆性的影响的图。

图6是表示炉鼻内露点对镀覆性的影响的图。

图7是表示侵入热浸镀锌浴的钢板的温度与热浸镀锌浴的温度之差(侵入板温－浴温)和擦拭气体压力对镀覆性的影响的图。

图8是表示漏镀缺陷的图像的一个例子的图。

图9是表示本发明的一个实施方式的钢板的漏镀缺陷预测装置的构成的框图。

具体实施方式

以下，参照附图对本发明的一个实施方式进行说明。

〔热浸镀锌钢板的制造设备的构成〕

首先，参照图1～图3对本发明的一个实施方式的热浸镀锌钢板的制造设备的构成进行说明。

图1是表示本发明的一个实施方式的热浸镀锌钢板的制造设备的构成的示意图。图2是表示图1所示的退火炉2的构成的示意图。图3是表示图1所示的镀覆装置3的构成的示意图。

如图1所示，本发明的一个实施方式的热浸镀锌钢板的制造设备1具备立式退火炉2和配置在退火炉2的下游侧的镀覆装置3。

退火炉2具备加热段21、均热段22和冷却段23。加热段21和均热段22通过将钢板S加热到规定的退火温度来对钢板S进行退火。冷却段23将退火处理后的钢板S冷却后，输送钢板S至镀覆装置3。另外，在该退火炉2中，向退火炉2内适量投入加湿气体和干燥气体(投入气体)以使退火炉2内的露点在目标露点下变得均匀。应予说明，如图2所示，在本实施方式中，加湿气体和干燥气体的投入位置分别有12处和10处，但只要退火炉2内的露点在目标露点下变得均匀，则加湿气体和干燥气体的投入位置的数量没有特别限定。

另外，在投入气体的投入位置的入口侧设置有用于测定投入气体的流量、温度和露点的测量装置24a、24b。虽然优选能够在每个投入位置测定投入气体的流量，但也可以测定退火炉2整体的投入气体总量。应予说明，在本实施方式中，在加热段21中设置4处露点仪并在均热段22中设置2处露点仪来测定退火炉2内的露点，但设置多个露点仪更易于管理露点，因此可以设置更多的露点仪。另外，在加热段21和均热段22中，将钢板S从300℃左右加热到700～900℃左右，因此至少在加热段21的入口侧和出口侧、以及均热段22的出口侧的3处设置有测定钢板S的温度的板温计。与露点仪同样，设置多个板温计更易于管理，因此也可以设置更多。

回到图1，镀覆装置3具备炉鼻31、锅体32和擦拭喷嘴33。炉鼻31是将钢板S通过的空间进行划分的、垂直于钢板S的行进方向的剖面形状为矩形的部件，其前端部分浸渍在锅体32内的热浸镀锌浴(以下简称镀浴)P中。在本实施方式中，经退火炉2中退火的钢板S通过炉鼻31内而连续地浸渍在锅体32内的镀浴P中。向锅体32内投入热浸镀锌浴成分的铸锭I(参照图3)，由此补充被消耗的热浸镀锌层。然后，经由镀浴P中的沉没辊和支承辊，钢板S被拉起至镀浴P的上方。

擦拭喷嘴33隔着钢板S与锅体32的上方对置而配置。擦拭喷嘴33从在钢板S的宽度方向上延伸的开口部(狭缝)向从镀浴P中拉起的钢板S吹送擦拭气体。通过吹送擦拭气体，将存在于钢板S的两面的多余的热浸镀锌层挤出，调整钢板S的两面的热浸镀锌层附着量，并且使其在钢板S的宽度方向和长边方向上均匀化。

另外，在该镀覆装置3中，向炉鼻31内适量投入加湿气体和干燥气体(投入气体)以使炉鼻31内的露点在目标露点下变得均匀。如图3所示，在本实施方式中，加湿气体和干燥气体的投入位置共有2处，但只要炉鼻31内的露点在目标露点下变得均匀，加湿气体和干燥气体的投入位置的数量没有特别限定。另外，加湿气体的喷嘴配管设置成能够分别向钢板S的表面侧和背面侧供给加湿气体。另外，由于加湿气体的投入以抑制镀浴表面上的氧化膜的形成和锌的汽化为目的，因此优选加湿气体的投入位置靠近镀浴表面。

另外，在炉鼻31内设置有对炉鼻31内的露点进行测量的露点仪。与加湿气体的喷嘴配管的设置位置一样，露点仪的设置位置也优选在镀浴表面的附近。另外，在本实施方式中，将露点的测定点设在钢板S的背面侧1处，但也可以在钢板S的表面侧设置露点的测定点。另外，为了抑制由熔融锌蒸汽凝固而产生的锌氧化物的生成和锌氧化物向钢板S的附着，在炉鼻31上设置利用通电来加热炉鼻31的壁面的炉鼻加热器34。另外，炉鼻31的壁面温度由温度计35测定。应予说明，在本实施方式中，温度计35设置在炉鼻加热器34的上游侧，但也可以设置在炉鼻加热器34的下游侧。

另外，锅体32具备用于持续监测镀浴P的Al浓度等组成的在线镀浴分析仪36、利用通电来加热镀浴P的感应线圈37、以及测定镀浴P的温度的温度计38。进而，在擦拭喷嘴33上连接有测量擦拭气体的流量、温度和压力的测量装置39。在擦拭气体的吹送口之前测定擦拭气体的流量、温度和压力。另外，用于补充被消耗的热浸镀锌层的铸锭I的成分使用经过预先配制的状态的铸锭。另外，镀浴P的镀浴成分的浓度可以使用能够在线测定的浓度测定器来管理，也可以定期从镀浴P中采集样本，通过ICP(Inductivity Coupled Plasma)分析法等进行分析来管理。

〔钢板的漏镀缺陷预测模型生成装置的构成〕

接着，参照图4～图8，对本发明的一个实施方式的钢板的漏镀缺陷预测模型生成装置的构成进行说明。

图4是表示本发明的一个实施方式的钢板的漏镀缺陷预测模型生成装置的构成的框图。如图4所示，本发明的一个实施方式的钢板的漏镀缺陷预测模型生成装置100由工作站等信息处理装置构成，且具备数据库101和机器学习部102。

数据库101由非易失性的存储装置构成，储存退火炉2的操作参数的真实数据、镀覆装置3的操作参数的真实数据、钢板S的属性参数的真实数据以及钢板S的漏镀缺陷信息的真实数据。

作为退火炉2的操作参数，可例示钢板S的通板速度、投入气体信息(投入气体的温度、流量、成分、露点等)、退火炉2内的露点信息、钢板S的温度信息等。这是由于钢板S的通板速度影响钢板S在退火炉内停留的时间，其结果对Si、Mn的表面富集量造成影响。特别是当通板速度较慢(大概60mpm以下)时，由于退火时间变长，即使退火炉内的露点一定，也容易形成Si、Mn的表面富集层，不利于镀覆性。这是因为投入气体信息、退火炉2内的露点信息和钢板S的温度信息对Si、Mn的表面富集、材质造成影响。在含有Si、Mn的钢种中，当退火炉2内的露点在－40～－30℃的范围内时，最能促进Si、Mn的表面富集，而在－30～0℃的范围内，越提高露点，Si、Mn的表面富集越受到抑制，存在促进Si、Mn的内部氧化的趋势。另外，即使将露点设为－45℃以下，也存在Si、Mn的表面富集受到抑制的趋势。另外，退火温度在750℃以上时，存在促进Si、Mn的表面富集的趋势。

钢中的Si、Mn是易氧化性元素，即使在通常使用的还原气氛或非氧化性气氛中也被选择性氧化，在钢板S的表面上富集而形成氧化物。在钢板S的表面形成的Si、Mn的氧化物在钢板S浸渍在镀浴中时，容易使熔融锌的润湿性降低。即，镀覆性降低。本实施方式中的钢板的漏镀是指，由于熔融锌对钢板S的润湿性的降低，在钢板S的表面局部产生没有附着锌的区域。因此，可将钢板的漏镀缺陷理解为在钢板S的表面母材局部露出的凹状的缺陷。

作为可用作退火炉2的操作参数的钢板S的温度信息，可以使用通过从设置于退火炉2的板温计中选出的至少一个板温计测定的板温数据。另外，作为退火炉2内的露点信息，可以使用通过从设置于退火炉2的露点仪中选出的至少任意一个露点仪测定的露点数据。进而，作为投入气体信息(投入气体的温度、流量、成分、露点等)，可以使用用于测定投入退火炉2的炉内的投入气体的流量、温度、露点的测量装置24a、24b的测量数据。这是因为这些信息影响在钢板S的表面可形成的Si、Mn的氧化物的量。

退火炉2的操作参数不限于上述，可以包括设置于退火炉2的辐射管燃烧器的燃烧率、投入燃料量(燃料气体量)等的燃烧装置的输出相关的信息。这是因为其影响退火炉2内的钢板S的温度历程，并影响钢板S的表面上的Si、Mn的富集行为。进而，测定退火炉2内的氢浓度、一氧化碳浓度，并将它们作为退火炉2内的气氛信息包含在退火炉2的操作参数中。这是因为根据退火炉内的氢浓度，即使是露点相同的气氛，炉内的氧势也会变化，由此Si、Mn的表面富集行为受到影响。例如，如果退火炉内的氢浓度高，则即使是露点相同的气氛，炉内的氧势也会降低，因此可以看出Si、Mn的表面富集受到抑制的趋势。另外，这是因为如果退火炉2内的一氧化碳浓度高，则由于退火炉2内的微量水分的影响，在钢板S的表面可能产生脱碳，由此影响熔融锌的润湿性。

这里，调查了侵入镀浴P的钢板S的温度与镀浴P的温度之差(侵入板温－浴温)和退火炉内露点对镀覆性的影响，将其结果示于图5。如图5所示可知，根据侵入镀浴P的钢板S的温度与镀浴P的温度之差和退火炉内露点，可以整理出镀覆性的优劣区域。由于退火炉内露点与Si、Mn的表面富集量有关，侵入镀浴P的钢板S的温度与镀浴P的温度之差与镀覆性有关，因此启示这两者的组合是重要的。由此可以推断，为了高精度预测漏镀缺陷，重要的是使用Si、Mn的表面富集量相关的参数和镀覆性相关的参数这两者的数据分析。

镀覆装置3的操作参数包括炉鼻条件相关的信息、锅体条件相关的信息和擦拭条件相关的信息。作为炉鼻条件相关的信息，可例示炉鼻加热器34的信息(炉鼻加热器34的输入功率等)、炉鼻31内的钢板S的温度信息、炉鼻31内的投入气体信息(温度、流量、成分)、炉鼻31内的露点信息、炉鼻31的壁面的温度信息等。作为锅体条件相关的信息，可例示感应线圈37相关的信息(感应线圈37的输入功率等)，铸锭I相关的信息(铸锭I的成分等)、侵入镀浴P的钢板S的温度信息、以及镀浴P的温度信息等。作为擦拭条件相关的信息，可例示擦拭气体相关的信息(温度、流量)、擦拭气体压力设定值、喷嘴高度、喷嘴喷射角度、喷嘴与钢板之间的距离、单位面积设定值等。

炉鼻加热器34的信息、炉鼻31内的钢板S的温度信息、炉鼻31的壁面的温度信息对侵入镀浴P的钢板S的温度、镀浴P的温度造成影响。详细而言，如果侵入镀浴P的钢板S的温度下降，则钢板S与镀浴P的反应性降低，镀层密合性降低，因此容易产生漏镀缺陷。另一方面，如果侵入镀浴P的钢板S的温度过高，则镀浴P的温度升高，因此难以稳定地维持镀浴P的温度、或者来自钢板S的铁成分溶出量增加而所谓熔渣的Fe－Zn－Al金属间化合物增大并附着在钢板S上，由此熔渣性表面缺陷增大。另外，如果镀浴P的温度升高，则钢板S的温度与镀浴P的温度之差(侵入板温－浴温)变小，镀覆性降低。

炉鼻31内的投入气体信息、炉鼻31内的露点信息对镀浴表面的氧化膜造成影响。在位于炉鼻31内的镀浴表面上生成的氧化膜，在钢板S浸渍在镀浴P中时，随之而附着在钢板S的表面，使镀覆性降低。详细而言，如图6所示，在炉鼻内露点为－33℃以下的范围时，锌烟的产生变得显著，锌烟在炉鼻31的内壁附着·固化·沉积，随机落下并附着在钢板S而成为灰烬缺陷。另一方面，在炉鼻内露点为－27℃以上的范围时，在炉鼻31内的镀浴表面形成氧化膜，随着钢板S而镀覆密合性受到阻碍。因此，可以将炉鼻内露点控制在－33～－27℃的范围内。但是，优选的露点范围根据侵入镀浴P的钢板S的温度、钢板S的输送速度和钢板S的钢种而不同。

在作为镀覆装置3的操作参数的锅体条件相关的信息中可以使用感应线圈37相关的信息、侵入镀浴P的钢板S的温度信息和镀浴P的温度信息。侵入镀浴P的钢板S的温度信息、镀浴P的温度信息对镀浴P的温度管理、镀覆性造成影响，铸锭I相关的信息对镀浴P的温度和镀浴成分的浓度造成影响。镀浴P的温度在450～460℃的范围内设定目标值，可以调整感应线圈37的输出以使其恒定。然而，镀浴P的温度会根据铸锭I的投入所引起的镀浴P的温度降低、侵入镀浴P的钢板S的温度变化所引起的镀浴P的温度变化、擦拭气体所引起的镀浴P的温度降低等重要因素而不断变化。因此，镀浴P的温度特别是可以通过兼顾与侵入镀浴P的钢板S的温度来进行控制。通过将影响镀浴P的温度变化的因素作为操作参数来进行控制，能够调整熔融锌对钢板S的镀覆性。另外，由于镀浴P的Al浓度影响钢板S与锌的密合性、锌镀膜的合金化反应、镀浴表面的氧化物形成，因此可以使用以下范围中的优选值进行控制：如果是合金化热浸镀锌钢板(GA)，则在0.125～0.14％范围，如果是热浸镀锌钢板(GI)，则在0.19～0.23％的范围。因此，可以将镀浴P的Al浓度包含在作为镀覆装置3的操作参数的锅体条件中。

擦拭气体相关的信息、擦拭气体压力设定值、喷嘴高度、喷嘴喷射角度、喷嘴与钢板之间的距离和单位面积设定值对镀浴表面温度、炉鼻31的壁面温度造成影响。详细而言，为了控制锌镀覆附着量而调整擦拭气体压力，且通板速度越快，压力越高，目标镀覆附着量越低，压力越高。擦拭气体从擦拭喷嘴以温度30～150℃、风速100～300m/s的高速喷射，与钢板S碰撞，沿着钢板S流动，并绕到镀浴表面上。因此，通过擦拭气体，镀浴表面、炉鼻31的壁面得到冷却，浴表面附近的热浸镀锌浴的温度也降低。由于该热浸镀锌浴的温度降低，镀浴P与钢板S的反应性变化，因此可以考虑擦拭气体压力(YP气体压力)作为镀覆装置3的操作参数，(参照图7)。

作为钢板S的属性参数，可例示钢板S的成分组成相关的信息、钢板S的尺寸信息(厚度、宽度)。钢板S的成分组成相关的信息可以根据钢板S所含的成分元素的含量确定。例如，钢板S的C含量、Si含量、Mn含量等。在钢板S的成分组成相关的信息中，除了C、Si、Mn的含量之外，还可以包括Cr、Mo、Nb、Ni、Al、Ti、Cu、Ni、B的含量。钢板S的成分组成相关的信息优选包括钢板S的Si含量和Mn含量。这是因为根据钢板S的Si含量和Mn含量，在退火炉2中钢板S表面的富集行为发生变化，影响镀覆性。但是，钢板S表面的Si、Mn的富集行为不仅受Si含量、Mn含量的影响，还受与其他元素组合的影响，因此除了Si含量和Mn含量外，还可以增加上述成分组成相关的信息。另外，作为钢板S的成分组成相关的信息，优选使用C含量。这是因为在退火炉2中，若退火炉2内的水分与钢板S中的C结合，产生C从钢板S的表面的脱离现象，则根据C含量而退火炉2内的水分量消耗发生变化，从而影响炉内的露点。另一方面，钢板S的厚度和宽度对各种温度参数造成影响。

本实施方式中的钢板S的漏镀缺陷信息是指在热浸镀锌钢板的制造设备1的出口侧观察到的钢板S的漏镀缺陷的产生状态相关的信息。如果在钢板S的表面产生漏镀，由于其局部没有锌附着，发挥不了作为热浸镀锌钢板所要求的防锈效果。因此，将钢板S的表面产生的漏镀判定为钢板S的漏镀缺陷。在钢板S的漏镀缺陷信息中，可以使用钢板S的漏镀缺陷的有无、漏镀缺陷的个数、面积率等代表钢板S的漏镀缺陷的产生状态的任意的指标。另外，也可以将钢板S沿长边方向划分，判断划分的范围内的漏镀缺陷的有无、个数、面积率等。

钢板S的漏镀缺陷信息可以由设置在热浸镀锌钢板的制造设备1的出口侧的照相机等拍摄的钢板S的图像、视频中获取。具体而言，可以通过使用表面检查装置、微小缺陷计等的基于图像处理的镀层外观评价或者基于操作人员目视的镀层外观评价来获取。作为评价方法，有利用表面花纹的偏振光反射特性差异来识别漏镀缺陷的方法等。将实际的漏镀外观照片示于图8(a)、(b)。对于如图8(a)、(b)所示的钢板S的图像，通过图像处理判定镀覆性的优劣，并进行数据化后作为镀覆外观评价相关的信息。通过对图8(a)、(b)示出的钢板S的图像实施图像处理，将强调了明部和暗部的图像示于图8(c)、(d)。这样，通过对钢板S的图像实施图像处理，由此，能够将漏镀缺陷部分识别为点状或者条纹状的缺陷。作为判定基准，例如在拍摄宽度1000mm的钢板S的通板过程的宽度方向1000mm×长边方向3000mm的图像时，当存在如图8(c)、(d)所示的漏镀缺陷部分时，判定为“有漏镀缺陷”。拍摄的图像可以是视频，也可以是静止画面。当静止画面时，优选拍摄次数为高频率，可以至少拍摄线圈的前端部、稳定部和尾端部3处的图像。

另外，在通过使用表面检查装置的图像处理来检测漏镀缺陷的情况下，判定缺陷部的亮度、缺陷部分的大小、缺陷形态(点群状、条纹状、不规则形状等)，计算钢板S的单位面积的个数、面积率。应予说明，在热浸镀锌钢板的制造设备1的出口侧检测的钢板S的表面缺陷中，除了漏镀缺陷的外，还有熔渣缺陷。此时，漏镀缺陷在钢板S的表面被观察为凹状的缺陷，与其相对，熔渣缺陷在钢板S的表面被观察为附着有粒状的金属间化合物的凸状的缺陷。因此，在表面检查装置中，可以利用照射到钢板S的表面的光的反射图像的亮度、阴影来识别两者。

机器学习部102中，将储存在数据库101中的退火炉2的操作参数的真实数据、镀覆装置3的操作参数的真实数据以及钢板S的属性参数的真实数据作为输入真实数据，将输入真实数据所对应的钢板S的漏镀缺陷信息的真实数据作为输出真实数据，通过使用多个学习用数据(训练数据)的机器学习，生成预测热浸镀锌钢板的制造设备1的出口侧的钢板S的漏镀缺陷的产生的漏镀缺陷预测模型M。漏镀缺陷预测模型M是将退火炉2的操作参数、镀覆装置3的操作参数和钢板S的属性参数作为输入数据，将热浸镀锌钢板的制造设备1的出口侧的钢板S的漏镀缺陷信息作为输出数据的计算机程序。

用于生成漏镀缺陷预测模型M的机器学习模型，只要能得到实用上足够的预测精度，则可以是任意的机器学习模型。例如可以使用常用的神经网络(包括深度学习、卷积神经网络等)、决策树学习、随机森林、支持向量回归等。另外，也可以使用将多个模型组合的集成模型。另外，还可以使用k―近邻算法、逻辑(logistic)回归等分类模型。

〔钢板的漏镀缺陷预测装置的构成〕

接着，参照图9，对本发明的一个实施方式的钢板的漏镀缺陷预测装置的构成进行说明。

图9是表示本发明的一个实施方式的钢板的漏镀缺陷预测装置的构成的框图。如图9所示，本发明的一个实施方式的钢板的漏镀缺陷预测装置110是由个人计算机等信息处理装置构成的。钢板的漏镀缺陷预测装置110在钢板S的前端部装入镀覆装置3之前，将退火炉2的操作参数的真实值、镀覆装置3的操作参数的设定值和钢板S的属性参数输入漏镀缺陷预测模型M，由此预测热浸镀锌钢板的制造设备1的出口侧钢板S有无漏镀缺陷的产生。并且，钢板的漏镀缺陷预测装置110将预测结果相关的信息输出到制造设备操作条件设定装置120中。

制造设备操作条件设定装置120通过将从主计算机130中获取的漏镀缺陷产生率的目标范围与从钢板的漏镀缺陷预测装置110中输出的多个预测结果进行比较，判定钢板S的漏镀缺陷的优劣。即使操作参数为相同条件，也会有产生漏镀缺陷的情况和不产生漏镀缺陷的情况，因此优选在指标中使用产生漏镀缺陷的概率。因此，在本实施方式中，制造设备操作条件设定装置120根据漏镀缺陷产生率来判定钢板S的漏镀缺陷的优劣。漏镀缺陷产生率可以使用例如对操作参数为相同条件的钢板S拍摄的图像，通过以下所示的公式(1)来计算。另外，对于预测的产生漏镀缺陷的概率也可以使用同样的定义。此时，可以将“漏镀缺陷的产生次数或者产生时间”替换为“预测为产生漏镀缺陷的次数或者时间”。

漏镀缺陷产生率＝(漏镀缺陷的产生次数或者产生时间)/(操作参数为相同条件的钢板的拍摄次数或者拍摄时间)…(1)

并且，当判定为无漏镀缺陷的问题(漏镀缺陷的预测结果为良好)时，制造设备操作条件设定装置120继续进行热浸镀锌钢板的制造设备1的操作。另一方面，当判定为有漏镀缺陷的问题(漏镀缺陷的预测结果为不良)时，制造设备操作条件设定装置120的操作条件再设定部121在钢板S的前端部装入镀覆装置3之前，再次设定热浸镀锌钢板的制造设备1的操作条件。由此，减少漏镀缺陷的产生频率，能够制造提高了热浸镀锌钢板的制造成品率的热浸镀锌钢板。

在以往方法中，由于没有同时考虑钢板侧(退火露点、退火温度等)与镀浴侧的影响因素(炉鼻露点、浴温、Al浓度、与周围镀浴的相对流速等)，因此无法高精度预测漏镀缺陷的产生。另外，作为镀浴侧的影响因素，虽然考虑了镀浴本身的状态与侵入镀浴的钢板的温度，但未考虑擦拭条件。擦拭条件原本是用于控制的镀覆附着量的项目，但由于擦拭气体的温度大多为常温～100℃左右，因此在刮掉多余的锌镀层时，冷却镀浴，也冷却炉鼻壁面等。在本实施方式中，作为用于使锅体内的镀浴条件最优化的条件，还加入擦拭条件与炉鼻壁面温度作为参数。因此，在本实施方式中，通过同时考虑包括擦拭条件和炉鼻条件的镀浴侧的数据和钢板侧的数据，与以往方法相比，能够更高精度预测漏镀缺陷的产生。

如上所述，本实施方式的漏镀缺陷预测模型M使用装入热浸镀锌钢板的制造设备1的钢板S的属性信息作为输入数据。由此，能够生成反映出对退火炉2中生成的钢板S表面的Si、Mn的氧化物的影响、对退火炉2内的露点的影响，对钢板S浸渍于镀浴时的钢板S的温度的影响等的漏镀缺陷预测模型M。另外，本实施方式的漏镀缺陷预测模型M使用退火炉2的操作参数作为输入数据。由此，能够生成反映出钢板S浸渍于镀浴时的钢板S的表面上的Si、Mn的氧化物的生成状态、钢板S浸渍于镀浴时的钢板S的温度对熔融锌的润湿性的影响等的漏镀缺陷预测模型M。进而，本实施方式的漏镀缺陷预测模型M使用镀覆装置3的操作参数作为输入数据。由此，能够生成反映出钢板S浸渍于镀浴的时的钢板S的温度、在钢板S的表面或镀浴表面生成的氧化物的状态、对镀浴的温度和钢板S与熔融锌的反应性的影响等的漏镀缺陷预测模型M。特别地，即使与钢板S的表面生成的Si、Mn的氧化物的生成状态相同，根据钢板S浸渍于镀浴的温度(侵入板温)、镀浴的温度(浴温)等条件，钢板S的漏镀的产生状态也会变化，因此通过将这些参数组合用于输入数据，从而能够高精度预测钢板S的漏镀缺陷。

实施例

以下，对将本实施方式所涉及的钢板的漏镀缺陷预测方法应用在如下情况的结果进行说明：在连续式热浸镀锌层设备中，在薄钢板的表面形成镀锌层，得到热浸镀锌钢板，然后对该热浸镀锌钢板进一步实施合金化处理，得到合金化热浸镀锌钢板。

在本实施例中，在图1所示的热浸镀锌钢板的制造设备1中，使用在配置于锅体32的出口侧的擦拭喷嘴33下游侧具备用于进行合金化处理的再加热设备的热浸镀锌钢板的制造设备1。再加热设备具有合金化段、保温段、最终冷却段，在合金化段配置了感应加热装置。合金化段在薄钢板的表面形成具有通过Zn－Fe合金化反应的合金层的锌镀膜，并且是用于制造合金化热浸镀锌钢板的设备。热浸镀锌浴P是含有Al的Zn浴。另外，在再加热设备的下游侧、且热浸镀锌钢板的制造设备1的产品卷绕装置的上游侧，配置了表面检查装置。表面检查装置是具备检测经过合金化处理的钢板S的漏镀缺陷的功能的装置。表面检查装置按照钢板S的长边方向上预先规定的长度，判定各钢板S的表面是否产生了漏镀缺陷。

使用热浸镀锌钢板的制造设备1制造的合金化热浸镀锌钢板是使用板厚1.0～2.3mm、宽度690～1550mm的冷轧后的钢卷制造出的钢板。作为坯材的钢卷，针对10类钢种，准备钢卷的板厚和板宽不同的钢卷，使用共计100个钢卷制造合金化热浸镀锌钢板。在制造这些钢板时，作为热浸镀锌钢板的制造设备1的制造条件，分别在钢板S的长边方向上改变退火炉2的操作参数与镀覆装置3的操作参数。然后，通过表面检查装置获取设定的退火炉2的操作参数与镀覆装置3的操作参数所对应的钢板S的漏镀缺陷信息的真实数据。

应予说明，在表面检查装置中，将钢板S的长边方向以100m为单位进行划分，输出在划分的范围内有无漏镀缺陷的产生。然后，在钢板S的长边方向上以划分的范围为单位，从热浸镀锌钢板的制造设备1的控制用计算机中获取退火炉2的操作参数与镀覆装置3的操作参数的真实数据，并存储在钢板的漏镀缺陷预测模型生成装置100的数据库101中。此时，从控制用计算机中还获取钢板的属性参数的真实数据，并与退火炉2的操作参数和镀覆装置3的操作参数的真实数据对应地存储在数据库101中。

如上所述，在数据库101中存储了20000个数据集时，从数据库101提取1600个学习用数据，将剩余的400个作为测试用数据。提取的学习用数据用于通过机器学习部102来生成漏镀缺陷预测模型M。此时，在机器学习部102中，对漏镀缺陷预测模型M使用的输入变量进行各种变更并选择，生成多个漏镀缺陷预测模型M。然后，使用测试用数据，根据生成的多个漏镀缺陷预测模型M来评价钢板S的漏镀缺陷的预测精度(正确率)。使用神经网络作为机器学习的方法，将中间层设为3层，对于各中间层，节点数设为5个。使用S型函数作为激活函数。

漏镀缺陷预测模型M的正确率通过以下比例来评价：在钢板S的长边方向的每个划分中，当通过表面检查装置检测出漏镀缺陷时利用漏镀缺陷预测模型M预测为有漏镀缺陷的情况(真阳性)、与当通过表面检查装置未检测出漏镀缺陷时利用上缺陷预测模型M预测为无漏镀缺陷的情况(真阴性)的总数相对于所有测试数据的比例。

将基于漏镀缺陷预测模型M的正确率的评价结果示于下表1。在表1中记载了选出的作为漏镀缺陷预测模型M的输入变量的参数。作为钢板的属性参数，使用选自钢板S的成分组成和钢板S的尺寸信息的参数。作为退火炉2的操作参数，使用均热段的露点、加热段的露点、氢浓度、一氧化碳浓度作为炉内气氛的信息。均热段和加热段的露点采用各区域内的露点的平均值。氢浓度和一氧化碳浓度采用设置在均热段的出口的氢浓度计和一氧化碳浓度计的测定值。通板速度的信息采用作为钢板S的评价对象的长边方向的区域通过退火炉2的平均速度。

作为投入气体的信息的加湿气体流量和干燥气体流量采用投入均热段的气体的平均值，燃料气体量采用投入在加热段配置的辐射管的燃料气体的总流量。作为退火炉的操作参数使用的钢板温度的信息，采用配置在退火炉2的出口位置的板温计的测定值。另一方面，作为镀覆装置3的操作参数，使用炉鼻内的露点、炉鼻内的钢板温度、炉鼻内的氢浓度、炉鼻的壁面温度、供给炉鼻内的加湿气体流量以及干燥气体流量作为炉鼻条件的信息。

应予说明，炉鼻内的钢板温度视为与侵入镀浴P的钢板的温度相同。关于锅体条件的信息，使用镀浴的浴温、镀浴的Al浓度、输入感应线圈的功率、铸锭I的投入量。擦拭条件的信息使用钢板S的目标镀覆附着量、擦拭喷嘴的喷射气体压力(气压)、擦拭喷嘴与钢板S之间的距离(喷嘴－钢板距离)、距擦拭喷嘴的浴表面的高度(喷嘴高度)、擦拭气体相对于钢板S的表面的喷射角度。并且，将选自这些中的操作参数作为输入变量来生成漏镀缺陷预测模型M，求出相对于测试用数据的正确率。

其结果，在包括选自装入热浸镀锌钢板的制造设备1的钢板S的属性参数中的1个或2个以上的参数、选自退火炉2的操作参数中的1个或2个以上的操作参数、以及选自镀覆装置3的操作参数中的1个或2个以上的操作参数作为输入数据的漏镀缺陷预测模型M中，确认了能够高精度预测热浸镀锌钢板的制造设备1的出口侧的钢板S的漏镀缺陷信息。与此相对，在不包括钢板S的属性信息、退火炉2的操作参数以及镀覆装置3的操作参数的任一项的参数作为输入变量的情况下，确认了钢板S的漏镀缺陷的正确率降低。

以上，对应用了由本发明人等完成的发明的实施方式进行了说明，但本发明不受构成基于本实施方式的本发明的公开的一部分的描述和附图限制。即，根据本实施方式由本领域技术人员等进行的其他的实施方式、实施例及运用技术等全部包含在本发明的范畴内。

产业上的可利用性

根据本发明，可以提供一种能够高精度预测钢板的漏镀缺陷的产生的钢板的漏镀缺陷预测方法。另外，根据本发明，可以提供一种能够使钢板的漏镀缺陷的产生频率减少的钢板的缺陷减少方法。另外，根据本发明，可以提供一种能够提高热浸镀锌钢板的制造成品率的热浸镀锌钢板的制造方法。进而，根据本发明，可以提供一种能够生成高精度预测钢板的漏镀缺陷的产生的漏镀缺陷预测模型的钢板的漏镀缺陷预测模型的生成方法。

符号说明

1 热浸镀锌钢板的制造设备

2 退火炉

3 镀覆装置

21 加热段

22 均热段

23 冷却段

24a、24b、39 测量装置

31 炉鼻

32 锅体

33 擦拭喷嘴

34 炉鼻加热器

35、38 温度计

36 在线镀浴分析仪

37 感应线圈

100 钢板的漏镀缺陷预测模型生成装置

101 数据库

102 机器学习部

110 钢板的漏镀缺陷预测装置

120 制造设备操作条件设定装置

121 操作条件再设定部

I 铸锭

P 热浸镀锌浴

S 钢板

Claims (8)

1.一种钢板的漏镀缺陷预测方法，是热浸镀锌钢板的制造设备的钢板的漏镀缺陷预测方法，所述制造设备具备退火炉和配置在所述退火炉的下游侧的镀覆装置，

所述漏镀缺陷预测方法包括使用漏镀缺陷预测模型来预测所述制造设备的出口侧的钢板的漏镀缺陷信息，所述漏镀缺陷预测模型是将包含选自装入所述制造设备的钢板的属性信息中的1个或2个以上的参数、选自所述退火炉的操作参数中的1个或2个以上的操作参数、以及选自所述镀覆装置的操作参数中的1个或2个以上的操作参数作为输入数据，将所述制造设备的出口侧的钢板的漏镀缺陷信息作为输出数据，且经机器学习而学得的。

2.根据权利要求1所述的钢板的漏镀缺陷预测方法，其中，所述退火炉是从上游侧起依次配置有加热段、均热段和冷却段的立式退火炉，作为构成所述输入数据的所述退火炉的操作参数，包含所述加热段和所述均热段的露点信息。

3.根据权利要求1或2所述的钢板的漏镀缺陷预测方法，其中，所述镀覆装置是从上游侧起依次配置有炉鼻、镀浴和擦拭装置的镀覆装置，作为构成所述输入数据的所述镀覆装置的操作参数，包含所述镀浴的温度和侵入该镀浴的钢板的温度。

4.根据权利要求3所述的钢板的漏镀缺陷预测方法，其中，作为构成所述输入数据的所述镀覆装置的操作参数，包含选自所述擦拭装置的操作参数中的1个或2个以上的操作参数。

5.一种钢板的缺陷减少方法，包括以下步骤：使用权利要求1～4中任一项所述的钢板的漏镀缺陷预测方法，在钢板的前端部装入所述镀覆装置前，使用所述钢板的属性信息、所述退火炉的操作参数的真实值以及所述镀覆装置的操作参数的设定值来预测钢板的漏镀缺陷信息，以使基于预测的钢板的漏镀缺陷信息的漏镀缺陷产生率落入预先设定的允许范围的方式，再次设定所述镀覆装置的操作参数。

6.一种热浸镀锌钢板的制造方法，包括使用权利要求5所述的钢板的缺陷减少方法来制造热浸镀锌钢板的步骤。

7.一种钢板的漏镀缺陷预测模型的生成方法，是热浸镀锌钢板的制造设备的钢板的漏镀缺陷预测模型的生成方法，所述制造设备具备退火炉和配置在所述退火炉的下游侧的镀覆装置，

所述生成方法包括通过使用了多个学习用数据的机器学习来生成预测所述制造设备的出口侧的钢板的漏镀缺陷信息的漏镀缺陷预测模型，所述多个学习用数据是至少将选自装入所述制造设备的钢板的属性信息中的1个或2个以上的真实数据、选自所述退火炉的操作参数中的1个或2个以上的操作真实数据、以及选自所述镀覆装置的操作参数中的1个或2个以上的操作真实数据作为输入真实数据，且将使用了所述输入真实数据的所述制造设备的出口侧的钢板的漏镀缺陷信息作为输出真实数据而获取的。

8.根据权利要求7所述的钢板的漏镀缺陷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、随机森林以及支持向量回归中的机器学习。