JP2014038595A - 鋼材の材質予測装置及び材質制御方法 - Google Patents
鋼材の材質予測装置及び材質制御方法 Download PDFInfo
- Publication number
- JP2014038595A JP2014038595A JP2013108758A JP2013108758A JP2014038595A JP 2014038595 A JP2014038595 A JP 2014038595A JP 2013108758 A JP2013108758 A JP 2013108758A JP 2013108758 A JP2013108758 A JP 2013108758A JP 2014038595 A JP2014038595 A JP 2014038595A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- similarity
- steel
- predicted
- steel material
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Control Of Metal Rolling (AREA)
- Heat Treatment Of Sheet Steel (AREA)
- Control Of Heat Treatment Processes (AREA)
- General Factory Administration (AREA)
Abstract
【課題】鋼材の材質を精度高く予測すること。
【解決手段】類似度算出部10aが、実績データベース4内に格納されている複数の製造条件xnについて、予測対象の製造条件xに対する類似度Wnを算出し、予測式作成部10bが、実績データベース4に格納されている製造条件xnのデータを用いて、製造条件xと鋼材の材質yとの関係を表す予測モデルを作成すると共に、類似度算出部10aによって算出された類似度Wnを重みとする評価関数を予測モデルの予測誤差を評価する評価関数として最適化問題を解くことによって、予測モデルのモデルパラメータを決定し、材質予測部10cが、予測式作成部10bによって作成された予測モデルに予測対象の製造条件xを入力することによって、予測対象の製造条件xで鋼材の製造を行った場合の鋼材の材質yを予測する。
【選択図】図1
【解決手段】類似度算出部10aが、実績データベース4内に格納されている複数の製造条件xnについて、予測対象の製造条件xに対する類似度Wnを算出し、予測式作成部10bが、実績データベース4に格納されている製造条件xnのデータを用いて、製造条件xと鋼材の材質yとの関係を表す予測モデルを作成すると共に、類似度算出部10aによって算出された類似度Wnを重みとする評価関数を予測モデルの予測誤差を評価する評価関数として最適化問題を解くことによって、予測モデルのモデルパラメータを決定し、材質予測部10cが、予測式作成部10bによって作成された予測モデルに予測対象の製造条件xを入力することによって、予測対象の製造条件xで鋼材の製造を行った場合の鋼材の材質yを予測する。
【選択図】図1
Description
本発明は、鋼材の材質を予測する鋼材の材質予測装置、及びこの材質予測装置によって予測された鋼材の材質に基づいて鋼材の製造条件を制御する鋼材の材質制御方法に関するものである。
一般に、鋼材の製品品質は、製鋼プロセスで化学成分が調整され、熱延プロセス及び冷延プロセスにおいて加熱工程、圧延工程、及び冷却工程が行われることにより作りこまれる。硬度等の材質特性値は、鋼材の製品品質の中で最も重要な品質指標である。鋼材の製品品質を一定にするためには、化学成分や熱延プロセス及び冷延プロセスにおける加熱条件、圧延条件、及び冷却条件を常に目標値通りに制御すればよい。しかしながら、これらの条件は外乱によって目標値通りにならないことが多い。このため、外乱によって乱された条件により作りこまれた鋼材の製品品質を予測することは品質管理及び品質制御上非常に重要である。
このような背景から、鋼材の材質を予測する方法が提案されている。具体的には、特許文献1には、製鋼プロセス、熱延プロセス、及び冷延プロセスを経たときの金属組織を予測計算することによって、鋼材の材質を予測する方法が記載されている。特許文献2には、調質圧延の伸び率、張力、及び圧延荷重の値と鋼板の板厚及び板幅とに基づいて、簡易な線形重回帰式によって鋼材の材質を予測する方法が記載されている。特許文献3には、製造プロセスの実績値を量子化してデータベースに蓄積し、量子化したデータベースから予測対象の類似事例を抽出することによって、鋼材の材質を予測する方法が記載されている。
しかしながら、特許文献1〜3記載の方法には、以下に示すような問題点がある。すなわち、特許文献1記載の方法では、各プロセスの金属組織を予測するサブモデルを構築する必要があるが、製造途中の金属組織を計測することは極めて困難であるために十分な数の実績データを得ることができない。このため、特許文献1記載の方法によれば、十分に高い精度の予測モデルを作ることができない。同様に、特許文献2記載の方法では、各製造条件と材質との関係が非常に複雑で非線形であるので、簡易な線形重回帰式では十分に高い精度の予測モデルを作ることができない。また、特許文献3記載の方法では、製造プロセスの実績値は、実数値であるが、量子化されているために、情報量が落ちてしまう。このため、特許文献3記載の方法も同様に、十分に高い精度の予測モデルを作ることができない。以上のことから、特許文献1〜3記載の方法によれば、鋼材の材質を精度高く予測することができず、結果として、十分な精度の材質制御ができない。
本発明は、上記課題に鑑みてなされたものであって、その目的は、鋼材の材質を精度高く予測可能な鋼材の材質予測装置を提供することにある。
また、本発明の他の目的は、鋼材の材質を適正に制御可能な鋼材の材質制御方法を提供することにある。
上記課題を解決し、目的を達成するために、本発明に係る鋼材の材質予測装置は、過去に製造された鋼材の製造条件と材質とを関連づけして格納する実績データベースと、前記実績データベース内に格納されている複数の製造条件について、予測対象の製造条件に対する類似度を算出する類似度算出部と、前記実績データベースに格納されている製造条件に関する情報を用いて、製造条件と材質との関係を表す予測モデルを作成すると共に、前記類似度算出部によって算出された類似度を重みとする評価関数を予測モデルの予測誤差を評価する評価関数として最適化問題を解くことによって、前記予測モデルのパラメータを決定する予測式作成部と、前記予測式作成部によって作成された予測式に前記予測対象の製造条件を入力することによって、予測対象の製造条件で鋼材を製造した場合における鋼材の材質を予測する材質予測部と、を備えることを特徴とする。
本発明に係る鋼材の材質予測装置は、上記発明において、前記予測式作成部は、予測対象の鋼材の物理的特性を制約条件として前記最適化問題を解くことを特徴とする。
本発明に係る鋼材の材質予測装置は、上記発明において、前記類似度算出部は、予測対象の製造条件に対する類似度と予測対象との時間的な類似度との積を類似度として算出することを特徴とする。
本発明に係る鋼材の材質予測装置は、上記発明において、前記実績データベース、前記類似度算出部、前記予測式作成部、及び前記材質予測部が処理に用いる製造条件は、主成分分析によって線形変換及び次元圧縮されたものであることを特徴とする。
上記課題を解決し、目的を達成するために、本発明に係る鋼材の材質制御方法は、本発明に係る鋼材の材質予測装置によって予測された鋼材の材質に基づいて鋼材の製造条件を制御するステップを含むことを特徴とする。
本発明に係る鋼材の材質予測装置によれば、鋼材の材質を精度高く予測することができる。
本発明に係る鋼材の材質制御方法によれば、鋼材の材質を適正に制御することができる。
以下、図面を参照して、本発明の一実施形態である材質制御システムの構成及びその動作について説明する。
〔材質制御システムの構成〕
始めに、図1,図2を参照して、本発明の一実施形態である材質制御システムの構成について説明する。図1は、本発明の一実施形態である材質制御システムの構成を示すブロック図である。図2は、図1に示す実績データベースに格納されている実績データの一例を示す図である。
始めに、図1,図2を参照して、本発明の一実施形態である材質制御システムの構成について説明する。図1は、本発明の一実施形態である材質制御システムの構成を示すブロック図である。図2は、図1に示す実績データベースに格納されている実績データの一例を示す図である。
図1に示すように、本発明の一実施形態である材質制御システム1は、入力装置2、出力装置3、実績データベース4、材質予測装置5、及び材質制御装置6を主な構成要素として備えている。入力装置2は、キーボード、マウスポインタ、テンキー等の情報入力装置によって構成され、オペレータが各種情報を材質予測装置5に入力する際に操作される。出力装置3は、表示装置や印刷装置等の情報出力装置によって構成され、材質予測装置5の各種処理情報を出力する。
図2に示すように、実績データベース4は、鋼材の製造プロセスが完了する度毎に、製造条件のデータと鋼材の材質特性値のデータとを関連付けして実績データとして格納する。具体的には、実績データベース4には、出力変数の実績値yn(但し、n=1,2,…,N)と入力変数の実績値xn(=[x1 n,x2 n,…,xM n]T)(但し、n=1,2,…,N、Mは入力変数の個数)とを関連付けして記憶する。なお、この場合、出力変数は材質特性値であり、入力変数は鋼材の材質と物理的な因果関係がある製鋼プロセスで調整された化学成分や熱延プロセス及び冷延プロセスの温度等である。また、実績データベース4は、最新の実績データに基づいて予測モデルを構築できるように、先入れ先出し法等の方法によって古い実績データが除去されるように構成されている。
図1に戻る。材質予測装置5は、ワークステーションやパーソナルコンピュータ等の情報処理装置によって構成され、CPU10、RAM11、及びROM12を主な構成要素として備えている。CPU10は、材質予測装置5全体の動作を制御する。CPU10は、ROM12内に予め格納されている材質予測プログラム12aを実行することによって、類似度算出部10a、予測式作成部10b、及び材質予測部10cとして機能する。これら各部の機能については後述する。材質制御装置6は、材質予測装置5によって予測された材質に基づいて製造条件を制御することによって鋼材の材質が適正になるように製造条件を操作する。
〔材質予測処理〕
このような構成を有する材質制御システムでは、材質予測装置5が以下に示す材質予測処理を実行することによって、鋼材の材質を予測する。以下、図3に示すフローチャートを参照して、材質予測処理を実行する際の材質予測装置5の動作について説明する。
このような構成を有する材質制御システムでは、材質予測装置5が以下に示す材質予測処理を実行することによって、鋼材の材質を予測する。以下、図3に示すフローチャートを参照して、材質予測処理を実行する際の材質予測装置5の動作について説明する。
図3は、本発明の一実施形態である材質予測処理の流れを示すフローチャートである。図3に示すフローチャートは、外部の計算機が入力装置2に対して次に製造される鋼材の製造条件を与えることによって製造条件のデータを入力したタイミングで開始となり、材質予測処理はステップS1の処理に進む。
ステップS1の処理では、類似度算出部10aが、入力装置2から入力された製造条件のデータと実績データベース4に格納されている製造条件のデータとの類似度を算出する。具体的には、始めに、類似度算出部10aは、入力装置2から入力された製造条件に対応する入力変数空間内の点を要求点x(≡[x1,x2,…,xM]T)として、実績データベース4に格納されている各入力変数の実績値xnについて、以下に示す数式(1)を用いて要求点xからの距離Lnを算出する。
なお、数式(1)中、パラメータλmは、化学成分と温度等のように異なる尺度で測定される入力変数をスケーリングするための重み係数である。そして、類似度算出部10aは、実績データベース4に格納されている各入力変数の実績値xnについて、以下に示す数式(2)を用いて要求点xから距離Lnにある点の類似度Wnを算出する。なお、数式(2)中、パラメータσLは実績データに対する数式(1)で表される距離Lnの標準偏差、パラメータpは調整パラメータである。
また、類似度算出部10aは、以下の数式(3)に示すように、予測対象の製造条件に対する類似度と予測対象との時間的な類似度との積を類似度Wnとして算出してもよい。なお、数式(3)中のパラメータλは、忘却要素であり、0より大きく1より小さい値を有している。この忘却要素を入れることにより、新しい実績値xnの類似度は大きくなり、古い実績値xnの類似度は小さくなる。時間的な類似度を考慮することによって、鋼材の材質をより精度高く予測できる。これにより、ステップS1の処理は完了し、材質予測処理はステップS2の処理に進む。
ステップS2の処理では、予測式作成部10bが、実績データベース4に格納されているN個の実績データ(入力変数の実績値xn)とその要求点xとの類似度Wnとを用いて、要求点xに類似する過去の実績データを重視した局所的な予測モデルを作成する。具体的には、予測式作成部10bは、以下に示す数式(4)によって表される予測モデルを作成する。数式(4)を構成する以下に示す数式(5)によって表されるモデルパラメータθは、以下に示す数式(6)〜(9)によって表される、類似度Wnを重みとする実測値と予測値との誤差の二乗和である評価関数Jの値を最も小さくする最適化問題を解くことによって算出できる。
ここで、数式(7)中、パラメータyn(但し、n=1,2,…,N)は、n番目の実績データに対応する出力変数の値であり、数式(8)中、パラメータdiag(s)は、sの要素を主対角要素とする対角行列を示す。材質の予測値と実測値との重み付き二乗和を最小化するモデルパラメータを計算することによって、類似度が高い、すなわち要求点xに近い実績データをより良くフィッティングする局所的な予測モデルを作成することができる。
なお、最適化問題を解く際、以下に示すような制約条件を与えて最適化問題を解いてもよい。具体的には、制約条件として、以下に示す数式(10)により表されるモデルパラメータ中の入力変数の偏回帰係数φの範囲に対して以下に示す数式(11)〜(13)により表される制限を設けるようにしてもよい。ここで、数式(12)及び数式(13)により表される下限値及び上限値には、入出力変数間の物理的先見情報を与えるものとする。
具体的には、鋼材の一種である缶用鋼板を対象に材質特性値の一つである硬度を例に説明する。一般に、入力変数として与えられる化学成分の一つの炭素濃度が上昇すれば硬度は上がる。従って、炭素濃度に対応するモデルパラメータについては、下限値及び上限値をそれぞれ0、∞にする。また、入力変数として与えられる冷延プロセスの焼鈍温度が上昇すれば硬度は下がる。従って、焼鈍温度に対応するモデルパラメータについては、下限値及び上限値をそれぞれ−∞、0とする。さらに、入力変数として与えられる冷延プロセスの調質圧延伸び率が上昇すれば硬度は上がる。従って、調質圧延伸び率に対応するモデルパラメータについては、下限値及び上限値をそれぞれ0、∞にする。物理モデルから得られる先見情報に関する制約条件を加えることによって、要求点に近い実績データをより良くフィッティングし、且つ、予測対象の物理特性に合った偏回帰係数を持ち合わせた局所的な予測モデルを作成することができる。これにより、ステップS2の処理は完了し、材質予測処理はステップS3の処理に進む。
ステップS3の処理では、材質予測部10cが、ステップS2の処理によって作成された予測モデルに要求点xの値を代入することによって鋼材の材質の予測値を算出する。これにより、ステップS3の処理は完了し、一連の材質予測処理は終了する。
なお、ステップS1〜S3の処理を行う前に、実績データベース4、類似度算出部10a、予測式作成部10b、及び変形抵抗予測部10cの処理に用いられる製造条件を主成分分析によって線形変換及び次元圧縮してもよい。線形変換及び次元圧縮された製造条件を用いることによって、材質をより精度高く予測できる。具体的には、入力変数である製造条件の実績値がxn(=[x1 n,x2 n,…,xL n]T)(但し、n=1,2,…,N、Lは入力変数の個数)である場合、始めに、以下に示す数式(14)を用いて平均が0、標準偏差が1になるように、各実績値xnを標準化する。なお、数式(14)中、xL,avは、実績値xnの平均値であり、分母の値は標準偏差を示している。標準化後の製造条件の実績値xnをzn(=[z1 n,z2 n,…,zL n]T)又は以下の数式(15)のように表記する。
次に、以下に示す数式(16)で定義される共分散行列Vを算出し、この共分散行列Vの固有値とそれに対応する固有ベクトルとを算出する。共分散行列Vには、非負の固有値が複数あり、それらに対応する固有ベクトルも複数ある。そこで、固有ベクトルを対応する固有値が大きい順に並べ替え、固有ベクトルを対応する固有値が大きいものから順にM個取り出したものを行列P(=[w1,w2,…,wM]T)と表す。但し、Mは入力変数の個数Lより小さい自然数であり、行列Pはローディング行列と呼ばれる。そして、ローディング行列Pを用いて製造条件の実績値zを以下に示す数式(17)のように線形変換したものを実績データベース4に格納する。
また、予測対象の圧延条件x(=[x1,x2,…,xL]T)の各要素についても同様に、始めに以下に示す数式(18)を用いて標準化し、標準化後の予測対象の製造条件z(=[z1,z2,…,zL]T)を算出する。そして、ローディング行列Pを用いて以下に示す数式(19)のように線形変換したものを要求点として用いる。
〔材質制御処理〕
材質制御装置6は、材質予測装置5によって予測された材質に基づいて、製造後の鋼材の材質が適正になるように製造条件を操作する。具体的には、予め定められている材質目標値をyo、材質を目標値通りに適正に制御するために操作する製造条件をx1、その製造条件の材質に対する偏回帰係数をa1とすると、材質を目標値通りに適正に制御するために操作する製造条件の値x1は、以下に示す数式(20)により求めることができる。従って、材質制御装置6は、数式(20)から求められた値を製造条件として設定することによって、鋼材の材質を適正に制御することができる。
材質制御装置6は、材質予測装置5によって予測された材質に基づいて、製造後の鋼材の材質が適正になるように製造条件を操作する。具体的には、予め定められている材質目標値をyo、材質を目標値通りに適正に制御するために操作する製造条件をx1、その製造条件の材質に対する偏回帰係数をa1とすると、材質を目標値通りに適正に制御するために操作する製造条件の値x1は、以下に示す数式(20)により求めることができる。従って、材質制御装置6は、数式(20)から求められた値を製造条件として設定することによって、鋼材の材質を適正に制御することができる。
〔実験例1〕
本願発明の材質予測方法と従来の材質予測方法とを用いて、鋼材の一種である缶用鋼板を対象に、材質特性値の一種である硬度を予測した実験結果について説明する。ここで、従来の材質予測方法とは、特開2008−13839号公報記載の方法等のように、簡易な線形重回帰式によって材質を予測する方法である。なお、本実験では、C、Si、Mn等の化学成分、熱延プロセス及び冷延プロセスの温度、及び調質圧延伸び率を入力変数とし、製造後の缶用鋼板の硬度を出力変数とした。ここで、硬度は、ロックウェルT強さ(HR30T)の値とする。
本願発明の材質予測方法と従来の材質予測方法とを用いて、鋼材の一種である缶用鋼板を対象に、材質特性値の一種である硬度を予測した実験結果について説明する。ここで、従来の材質予測方法とは、特開2008−13839号公報記載の方法等のように、簡易な線形重回帰式によって材質を予測する方法である。なお、本実験では、C、Si、Mn等の化学成分、熱延プロセス及び冷延プロセスの温度、及び調質圧延伸び率を入力変数とし、製造後の缶用鋼板の硬度を出力変数とした。ここで、硬度は、ロックウェルT強さ(HR30T)の値とする。
図4(a),(b)はそれぞれ、従来の材質予測方法及び本願発明の材質予測方法を用いて予測された硬度の予測誤差(予測値−実績値)を示すヒストグラムである。図4(c),(d)はそれぞれ、硬度の実績値と従来の材質予測方法及び本願発明の材質予測方法を用いて予測された硬度の予測値との関係を示す図である。なお、図4(a),(b)に示すヒストグラム図の横軸及び図4(c),(d)に示す図の縦軸及び横軸はそれぞれ、ロックウェルT強さの値[pt]を示している。
図4(a),(c)に示すように、従来の材質予測方法を用いて予測された硬度の予測誤差のRMSE(Root Mean Square Error:根平均二乗誤差)は1.342[pt]であった。これに対して、図4(b),(d)に示すように、本願発明の材質予測方法を用いて予測された硬度の予測誤差のRMSEは1.002[pt]であった。このことから、本願発明の材質予測方法によれば、硬度を精度高く予想できることが明らかになった。
図5(a),(b)はそれぞれ、本願発明の材質予測方法において、時間における類似度を考慮しない場合と時間における類似度を考慮した場合とにおける、硬度の予測誤差(予測値−実績値)のヒストグラムである。また、図5(c),(d)はそれぞれ、時間における類似度を考慮しない場合と時間における類似度を考慮した場合とにおける、硬度の実績値と予測値との散布図である。ここで、時間における類似度を計算するための忘却要素の値は0.997を選択している。なお、図5(a),(b)に示すグラフの横軸は、硬度の予測誤差[pt]である。また、図5(c),(d)に示すグラフの横軸及び縦軸はそれぞれ、硬度の実績値[pt]及び予測値[pt]を示す。図5(c)に示すように、時間における類似度を考慮しない場合における硬度の予測誤差のRMSEは1.149[pt]であった。これに対して、図5(d)に示すように、時間における類似度を考慮する場合における硬度の予測誤差は1.079[pt]であった。時間における類似度を考慮しない場合、図5(c)に示すように、誤差平均の絶対値が大きいことがわかる。これは、製造プロセスの特性の経年変化に対して十分に迅速に対応した学習が行われず、材質予測について定常的な偏差が残っているものと考えることができる。時間における類似度を考慮しない場合は、実績データベースに蓄積されている古いデータも新しいデータも同様に扱うことによって生じると考えられる。そこで、忘却要素を導入して時間における類似度を考慮するようにし、古いデータの類似度は小さく、新しいデータの類似度は大きくなるようにした。これにより、図5(d)に示すように、誤差平均の絶対値が大幅に小さくなっていることがわかる。このことから、時間的な類似度を考慮することによって、材質をより精度高く予測できることがわかった。
図6(a),(b)はそれぞれ、本願発明の材質予測方法において、そのままの製造条件を用いる場合と、主成分分析により線形変換された製造条件を用いる場合とにおける、硬度の予測誤差(予測値−実績値)のヒストグラムである。また、図6(c),(d)はそれぞれ、そのままの製造条件を用いる場合と、主成分分析により線形変換された製造条件を用いる場合とにおける、硬度の実績値と予測値の散布図である。なお、図6(a),(b)に示すグラフの横軸は、硬度の予測誤差[pt]である。また、図6(c),(d)に示すグラフの横軸及び縦軸はそれぞれ、硬度の実績値[pt]及び予測値[pt]を示す。図6(c)に示すように、そのまま製造条件を用いる場合における硬度の予測誤差のRMSEは1.217[pt]であった。これに対して、図6(d)に示すように、主成分分析により線形変換された製造条件を用いる場合における硬度の予測誤差のRMSEは1.016[pt]であった。そのままの製造条件を用いる場合、図6(c)に示すように、予測誤差のRMSEが大きいことがわかる。これは、製造条件の実績データの中に相関が非常に高いものが含まれる多重共線性といわれる状態にあるため、そのようなデータをもとに作ったモデルに予測対象の製造条件を入れて計算した硬度予測値は誤差が大きくなる傾向にある。そこで、主成分分析により次元圧縮することで、多重共線性の問題を回避するようにした。これにより、図6(d)に示すように、予測誤差のRMSEが大幅に小さくなっていることがわかる。このことから、主成分分析により線形変換された製造条件を用いることによって、硬度をより精度高く予測できることがわかった。
さらに、缶用鋼板のある品種の硬度について、従来の材質制御方法と本願発明の制御方法とで、制御誤差の比較を行った。従来の材質制御方法は、従来の材質予測方法を用いて予測された硬度を用いて制御する方法であり、本願発明の制御方法は、本願発明の材質予測方法を用いて予測された硬度を用いて制御する方法である。それぞれについて、硬度制御実績の制御誤差(実績値−目標値)のRMSEの比較を行った。従来の材質制御方法での制御誤差のRMSEは1.48[pt]であった。これに対して本願発明の材質制御方法での制御誤差のRMSEは1.22[pt]であり、従来の材質制御方法に比べて、制御誤差を大幅に低減することができた。このことから、本願発明の材質制御方法によれば、硬度を精度高く目標値に近づけることが明らかになった。
〔実験例2〕
本願発明の材質予測方法と従来の材質予測方法とを用いて、鋼材の一種である水焼入冷延薄板鋼板を対象に、材質特性値の一種である引張強度を予測した実験結果について説明する。ここで、従来の材質予測方法とは、上記実験例1と同様に、特開2008−13839号公報記載の方法等のように、簡易な線形重回帰式によって材質を予測する方法である。なお、本実験では、C、Si、Mnなどの化学成分、熱延プロセス及び冷延プロセスの温度、及び冷延プロセス通過速度を入力変数とし、製造後の水焼入冷延薄板鋼板の引張強度を出力変数とした。
本願発明の材質予測方法と従来の材質予測方法とを用いて、鋼材の一種である水焼入冷延薄板鋼板を対象に、材質特性値の一種である引張強度を予測した実験結果について説明する。ここで、従来の材質予測方法とは、上記実験例1と同様に、特開2008−13839号公報記載の方法等のように、簡易な線形重回帰式によって材質を予測する方法である。なお、本実験では、C、Si、Mnなどの化学成分、熱延プロセス及び冷延プロセスの温度、及び冷延プロセス通過速度を入力変数とし、製造後の水焼入冷延薄板鋼板の引張強度を出力変数とした。
図7(a)、(b)はそれぞれ、従来の材質予測方法及び本願発明の材質予測方法を用いて予測された引張強度の予測誤差(予測値−実績値)を示すヒストグラムである。図7(c)、(d)はそれぞれ、引張強度の実績値と従来の材質予測方法及び本願発明の材質予測方法を用いて予測された引張強度の予測値との関係を示す図である。なお、図7(c)、(d)に示すグラフの縦軸及び横軸はそれぞれ、引張強度の値[MPa]である。
図7(a)、(c)に示すように、従来の材質予測方法を用いて予測された引張強度の予測誤差のRMSEは29.1[MPa]であった。これに対して、図7(b)、(d)に示すように、本願発明の材質予測方法を用いて予測された引張強度の予測誤差のRMSEは17.6[MPa]であった。このことから、本願発明の材質予測方法によれば、引張強度を精度高く予想できることが明らかになった。
図8(a)、(b)はそれぞれ、本願発明の材質予測方法において、時間における類似度を考慮しない場合と時間における類似度を考慮した場合における、引張強度の予測誤差(予測値−実績値)のヒストグラムである。また、図8(c)、(d)はそれぞれ、時間における類似度を考慮しない場合と時間における類似度を考慮した場合における、引張強度の実績値と予測値の散布図である。ここで、時間における類似度を計算するための忘却要素の値は0.997を選択している。なお、図8(a)、(b)に示すグラフの横軸は、引張強度の予測誤差[MPa]である。また、図8(c)、(d)に示すグラフの横軸及び縦軸はそれぞれ、引張強度の実績値[MPa]及び予測値[MPa]を示す。図8(c)に示すように、時間における類似度を考慮しない場合における引張強度の予測誤差のRMSEは25.2[MPa]であった。これに対して、図8(d)に示すように、時間における類似度を考慮する場合における引張強度の予測誤差は15.3[MPa]であった。時間における類似度を考慮しない場合、図8(c)に示すように、誤差平均の絶対値が大きいことがわかる。これは、製造プロセスの特性の経年変化に対して十分に迅速に対応した学習が行われず、材質予測について定常的な偏差が残っているものと考えることができる。時間における類似度を考慮しない場合は、実績データベースに蓄積されている古いデータも新しいデータも同様に扱うことによって生じると考えられる。そこで、忘却要素を導入して時間における類似度を考慮するようにし、古いデータの類似度は小さく、新しいデータの類似度は大きくなるようにした。これにより、図8(d)に示すように、誤差平均の絶対値が大幅に小さくなっていることがわかる。このことから、時間における類似度を考慮することによって、材質をより精度高く予測できることがわかった。
図9(a)、(b)はそれぞれ、本願発明の材質予測方法において、そのままの製造条件を用いる場合と、主成分分析により線形変換された製造条件を用いる場合とにおける、引張強度の予測誤差(予測値−実績値)のヒストグラムである。また、図9(c)、(d)はそれぞれ、そのままの製造条件を用いる場合と、主成分分析により線形変換された製造条件を用いる場合とにおける、引張強度の実績値と予測値の散布図である。なお、図9(a)、(b)に示すグラフの横軸は、引張強度の予測誤差[MPa]である。また、図9(c)、(d)に示すグラフの横軸及び縦軸はそれぞれ、引張強度の実績値[MPa]及び予測値[MPa]を示す。図9(c)に示すように、そのまま製造条件を用いる場合における引張強度の予測誤差のRMSEは22.8[MPa]であった。これに対して、図9(d)に示すように、主成分分析により線形変換された製造条件を用いる場合における引張強度の予測誤差のRMSEは16.4[MPa]であった。そのままの製造条件を用いる場合、図9(c)に示すように、予測誤差のRMSEが大きいことがわかる。これは、製造条件の実績データの中に相関が非常に高いものが含まれる多重共線性といわれる状態にあるため、そのようなデータをもとに作ったモデルに予測対象の製造条件を入れて計算した引張強度予測値は誤差が大きくなる傾向にある。そこで、主成分分析により次元圧縮することで、多重共線性の問題を回避するようにした。これにより、図9(d)に示すように、予測誤差のRMSEが大幅に小さくなっていることがわかる。このことから、主成分分析により線形変換された製造条件を用いることによって、引張強度をより精度高く予測できることがわかった。
さらに、水焼入冷延薄板鋼板のある品種の引張強度について、従来の材質制御方法と本願発明の制御方法とで、制御誤差の比較を行った。従来の材質制御方法は、従来の材質予測方法を用いて予測された引張強度を用いて制御する方法であり、本願発明の制御方法は、本願発明の材質予測方法を用いて予測された引張強度を用いて制御する方法である。それぞれについて、引張強度制御実績の制御誤差(実績値−目標値)のRMSEの比較を行った。従来の材質制御方法での制御誤差のRMSEは33.9[MPa]であった。これに対して本願発明の材質制御方法での制御誤差のRMSEは23.0[MPa]であり、従来の材質制御方法に比べて、制御誤差を大幅に低減することができた。このことから、本願発明の材質制御方法によれば、引張強度を精度高く目標値に近づけることが明らかになった。
以上の説明から明らかなように、本発明の一実施形態である材質予測処理によれば、類似度算出部10aが、実績データベース4内に格納されている複数の製造条件xnについて、予測対象の製造条件xに対する類似度Wnを算出し、予測式作成部10bが、実績データベース4に格納されている製造条件xnのデータを用いて、製造条件xと鋼材の材質yとの関係を表す予測モデルを作成すると共に、類似度算出部10aによって算出された類似度Wnを重みとする評価関数を予測モデルの予測誤差を評価する評価関数として最適化問題を解くことによって、予測モデルのモデルパラメータを決定し、材質予測部10cが、予測式作成部10bによって作成された予測モデルに予測対象の製造条件xを入力することによって、予測対象の製造条件xで鋼材の製造を行った場合の鋼材の材質yを予測する。このような構成によれば、実績データベース4内に格納されている実績値に基づいて予測モデルの調整を自動的に行うことができるので、鋼材の材質を精度高く予測することができる。
また、本発明の一実施形態である材質予測処理によれば、予測式作成部10bは、予測対象の鋼材の物理的特性を制約条件として最適化問題を解くので、物理現象に反する予測モデルが作成されることを抑制し、鋼材の材質の予測精度をさらに向上させることができる。
さらに、本発明の一実施形態である材質制御処理によれば、本発明の一実施形態である材質予測処理により従来と比べて精度の高い材質予測値に基づいて鋼材の材質を制御するので、鋼材の材質の制御精度をさらに向上させることができる。ここでは、操作する製造条件として、冷延プロセスの焼鈍温度、調質圧延の伸び率又は冷延プロセスの通過速度を選択し、目標の硬度又は引張強度になるための適正な値を計算し、製造プロセスに設定するようにした。
以上、本発明者によってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例及び運用技術等は全て本発明の範疇に含まれる。
1 材質制御システム
2 入力装置
3 出力装置
4 実績データベース
5 材質予測装置
6 材質制御装置
10 CPU
10a 類似度算出部
10b 予測式作成部
10c 材質予測部
11 RAM
12 ROM
12a 材質予測プログラム
2 入力装置
3 出力装置
4 実績データベース
5 材質予測装置
6 材質制御装置
10 CPU
10a 類似度算出部
10b 予測式作成部
10c 材質予測部
11 RAM
12 ROM
12a 材質予測プログラム
Claims (5)
- 過去に製造された鋼材の製造条件と材質とを関連づけして格納する実績データベースと、
前記実績データベース内に格納されている複数の製造条件について、予測対象の製造条件に対する類似度を算出する類似度算出部と、
前記実績データベースに格納されている製造条件に関する情報を用いて、製造条件と材質との関係を表す予測モデルを作成すると共に、前記類似度算出部によって算出された類似度を重みとする評価関数を予測モデルの予測誤差を評価する評価関数として最適化問題を解くことによって、前記予測モデルのパラメータを決定する予測式作成部と、
前記予測式作成部によって作成された予測式に前記予測対象の製造条件を入力することによって、予測対象の製造条件で鋼材を製造した場合における鋼材の材質を予測する材質予測部と、
を備えることを特徴とする鋼材の材質予測装置。 - 前記予測式作成部は、予測対象の鋼材の物理的特性を制約条件として前記最適化問題を解くことを特徴とする請求項1に記載の鋼材の材質予測装置。
- 前記類似度算出部は、予測対象の製造条件に対する類似度と予測対象との時間的な類似度との積を類似度として算出することを特徴とする請求項1又は2に記載の鋼板の材質予測装置。
- 前記実績データベース、前記類似度算出部、前記予測式作成部、及び前記材質予測部が処理に用いる製造条件は、主成分分析によって線形変換及び次元圧縮されたものであることを特徴とする請求項1〜3のうち、いずれか1項に記載の鋼材の材質予測装置。
- 請求項1〜4のうち、いずれか1項に記載の鋼材の材質予測装置によって予測された鋼材の材質に基づいて鋼材の製造条件を制御するステップを含むことを特徴とする鋼板の材質制御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013108758A JP2014038595A (ja) | 2012-07-20 | 2013-05-23 | 鋼材の材質予測装置及び材質制御方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012161904 | 2012-07-20 | ||
JP2012161904 | 2012-07-20 | ||
JP2013108758A JP2014038595A (ja) | 2012-07-20 | 2013-05-23 | 鋼材の材質予測装置及び材質制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2014038595A true JP2014038595A (ja) | 2014-02-27 |
Family
ID=50286655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013108758A Pending JP2014038595A (ja) | 2012-07-20 | 2013-05-23 | 鋼材の材質予測装置及び材質制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2014038595A (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015199123A (ja) * | 2014-04-03 | 2015-11-12 | Jfeスチール株式会社 | 調質圧延設備の制御装置及び制御方法 |
JP2017120640A (ja) * | 2015-12-24 | 2017-07-06 | Jfeスチール株式会社 | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 |
KR101943518B1 (ko) * | 2017-08-28 | 2019-01-30 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
JP2019173096A (ja) * | 2018-03-28 | 2019-10-10 | 株式会社Uacj | 製造方法、情報処理装置、関係式算出装置、および、製造システム |
KR20200009642A (ko) * | 2018-07-19 | 2020-01-30 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
KR20200009641A (ko) * | 2018-07-19 | 2020-01-30 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
JP2021039612A (ja) * | 2019-09-04 | 2021-03-11 | 株式会社Uacj | 情報処理装置、情報処理方法、および情報処理プログラム |
EP3913635A4 (en) * | 2019-01-17 | 2022-03-02 | JFE Steel Corporation | METALLIC MATERIAL DESIGN AIDING METHOD AND DESIGN AIDING DEVICE |
US11475340B2 (en) | 2017-08-28 | 2022-10-18 | Korea Institute Of Science And Technology | Method and electronic device for predicting electronic structure of material |
CN116682505A (zh) * | 2023-06-14 | 2023-09-01 | 东北大学 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
US11803165B2 (en) | 2021-03-01 | 2023-10-31 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
JP7449776B2 (ja) | 2020-05-20 | 2024-03-14 | 株式会社日立製作所 | 熱間圧延ライン制御システムおよび熱間圧延ライン制御方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080688A1 (ja) * | 2006-01-13 | 2007-07-19 | Jfe Steel Corporation | 予測式作成装置及び予測式作成方法 |
JP2009230412A (ja) * | 2008-03-21 | 2009-10-08 | Jfe Steel Corp | 結果予測装置、及び、これを用いた製品品質予測方法 |
JP2012083993A (ja) * | 2010-10-13 | 2012-04-26 | Jfe Steel Corp | 操業条件管理装置 |
-
2013
- 2013-05-23 JP JP2013108758A patent/JP2014038595A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080688A1 (ja) * | 2006-01-13 | 2007-07-19 | Jfe Steel Corporation | 予測式作成装置及び予測式作成方法 |
JP2009230412A (ja) * | 2008-03-21 | 2009-10-08 | Jfe Steel Corp | 結果予測装置、及び、これを用いた製品品質予測方法 |
JP2012083993A (ja) * | 2010-10-13 | 2012-04-26 | Jfe Steel Corp | 操業条件管理装置 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015199123A (ja) * | 2014-04-03 | 2015-11-12 | Jfeスチール株式会社 | 調質圧延設備の制御装置及び制御方法 |
JP2017120640A (ja) * | 2015-12-24 | 2017-07-06 | Jfeスチール株式会社 | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 |
US11475340B2 (en) | 2017-08-28 | 2022-10-18 | Korea Institute Of Science And Technology | Method and electronic device for predicting electronic structure of material |
KR101943518B1 (ko) * | 2017-08-28 | 2019-01-30 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
JP2019173096A (ja) * | 2018-03-28 | 2019-10-10 | 株式会社Uacj | 製造方法、情報処理装置、関係式算出装置、および、製造システム |
JP7118690B2 (ja) | 2018-03-28 | 2022-08-16 | 株式会社Uacj | 製造方法、情報処理装置、関係式算出装置、および、製造システム |
KR20200009642A (ko) * | 2018-07-19 | 2020-01-30 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
KR20200009641A (ko) * | 2018-07-19 | 2020-01-30 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
KR102103551B1 (ko) | 2018-07-19 | 2020-04-23 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
KR102103548B1 (ko) | 2018-07-19 | 2020-04-23 | 한국과학기술연구원 | 소재의 전자 구조를 예측하는 방법 및 전자 장치 |
EP3913635A4 (en) * | 2019-01-17 | 2022-03-02 | JFE Steel Corporation | METALLIC MATERIAL DESIGN AIDING METHOD AND DESIGN AIDING DEVICE |
JP2021039612A (ja) * | 2019-09-04 | 2021-03-11 | 株式会社Uacj | 情報処理装置、情報処理方法、および情報処理プログラム |
JP7390138B2 (ja) | 2019-09-04 | 2023-12-01 | 株式会社Uacj | 情報処理装置、情報処理方法、および情報処理プログラム |
JP7449776B2 (ja) | 2020-05-20 | 2024-03-14 | 株式会社日立製作所 | 熱間圧延ライン制御システムおよび熱間圧延ライン制御方法 |
US11803165B2 (en) | 2021-03-01 | 2023-10-31 | Uacj Corporation | Manufacturing support system for predicting property of alloy material, method for generating prediction model, and computer program |
CN116682505A (zh) * | 2023-06-14 | 2023-09-01 | 东北大学 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
CN116682505B (zh) * | 2023-06-14 | 2023-11-21 | 东北大学 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2014038595A (ja) | 鋼材の材質予測装置及び材質制御方法 | |
JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
KR101011546B1 (ko) | 예측식 작성장치 및 예측식 작성방법 | |
JP5582211B1 (ja) | 応力−ひずみ関係シミュレート方法、スプリングバック量予測方法およびスプリングバック解析装置 | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
JP2012137813A (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
JP2008112288A (ja) | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 | |
JP6024718B2 (ja) | 高炉炉熱予測装置及び高炉炉熱予測方法 | |
JP5853723B2 (ja) | リン濃度予測装置及び吹錬制御方法 | |
JP2013080458A (ja) | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 | |
JP5704040B2 (ja) | 製品品質の管理方法、及び製品品質の管理装置 | |
JP2012027683A (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
JP6003909B2 (ja) | 高炉通気性予測装置及び高炉通気性予測方法 | |
Harsch et al. | Influence of scattering material properties on the robustness of deep drawing processes | |
CN112949005A (zh) | 一种基于机器学习指导下的高强韧钢设计方法 | |
JP5821656B2 (ja) | 生石灰濃度予測装置及び吹錬制御方法 | |
JP2006309709A (ja) | 結果予測装置、制御装置及び品質設計装置 | |
JP5682131B2 (ja) | 鋼材の材質予測装置 | |
JP5857759B2 (ja) | 変形抵抗予測装置及び圧延機の制御方法 | |
CN116258087B (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
JP2015066569A (ja) | 圧延制御装置および圧延制御方法 | |
JP2020128975A (ja) | 予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置 | |
CN111429979A (zh) | 一种基于支持向量机分位数回归的钢材力学性能预测方法 | |
Narayanasamy et al. | Application of response surface methodology for predicting bend force during air bending process in interstitial free steel sheet | |
JP5522060B2 (ja) | 品質予測装置、操業条件決定方法、品質予測方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150223 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160229 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160301 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20161101 |