JP2020131248A - 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 - Google Patents
圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 Download PDFInfo
- Publication number
- JP2020131248A JP2020131248A JP2019029123A JP2019029123A JP2020131248A JP 2020131248 A JP2020131248 A JP 2020131248A JP 2019029123 A JP2019029123 A JP 2019029123A JP 2019029123 A JP2019029123 A JP 2019029123A JP 2020131248 A JP2020131248 A JP 2020131248A
- Authority
- JP
- Japan
- Prior art keywords
- rolling
- rolling load
- load prediction
- steel material
- temperature
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/58—Roll-force control; Roll-gap control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
- B21B38/006—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
- B21C51/005—Marking devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2265/00—Forming parameters
- B21B2265/12—Rolling load or rolling pressure; roll force
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
- B21B38/04—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product for measuring thickness, width, diameter or other transverse dimensions of the product
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Control Of Metal Rolling (AREA)
Abstract
【課題】圧延機の圧延荷重を精度高く予測可能な圧延荷重予測方法及び圧延荷重予測装置を提供すること。【解決手段】本発明に係る圧延荷重予測装置は、鋼材を圧延する圧延機の圧延荷重を予測する圧延荷重予測装置であって、少なくとも鋼材の温度に関係する因子を含む操業実績データを入力変数、圧延機の圧延荷重の実績値を出力変数として学習させた圧延荷重予測モデルに対して、予測対象の操業条件を入力することによって、予測対象の操業条件で鋼材を圧延した際の圧延機の圧延荷重を予測する手段を備えることを特徴とする。【選択図】図1
Description
本発明は、圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法に関する。
従来、圧延品質や圧延能率を向上させるために、操業実績データを用いて圧延機の設定値の計算に用いられる物理モデル、特に圧延荷重を予測する圧延荷重予測モデルを最適化することが行われている。具体的には、特許文献1には、ニューラルネットワークを利用して操業実績データを用いて圧延機の特性を数式化した数式モデルを学習する技術が記載されている。
しかしながら、圧延中に鋼材の温度を測定することは難しいために、鋼材の温度に関係する操業実績データを用いて圧延荷重予測モデルを最適化することはできなかった。また、ニューラルネットワークの学習データ項目として用いることができる操業実績データの数は限られているために、特許文献1に記載の技術では、鋼材の温度に関係する操業実績データは学習データ項目として用いられていない。結果、圧延荷重予測モデルを用いて圧延荷重を精度高く予測することにより、圧延機の設定値を精度高く決定し、鋼材の圧延品質や圧延能率を向上させることは困難であった。
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、圧延機の圧延荷重を精度高く予測可能な圧延荷重予測方法及び圧延荷重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、鋼材の圧延品質や圧延能率を向上可能な圧延制御方法を提供することにある。
本発明の発明者らは、ニューラルネットワークを用いた場合には、多重共線性の問題を考慮せずに自由に入力変数を選択できることに着目し、種々の入力変数を検討した。その結果、従来の手法では選択が困難であったスキッドレール等の温度を入力変数に加えると圧延荷重の予測精度が向上することを見出した。そして、本発明の発明者らはさらに検討を加え、圧延荷重を予測する上では、直接的な圧延時の鋼材の温度だけでなく加熱炉抽出時のスラブの温度やスキッドレール温度等の間接的なものを含めた温度に関係する因子を種々加えていくことで圧延荷重の予測精度が著しく向上することを突き止め、これを入力変数の選択に制限のないニューラルネットワークに結びつけることに思い至った。このようにして、鋼材の温度に関係する因子を圧延荷重予測モデルの入力変数に含めて機械学習手法を用いて圧延荷重予測モデルを学習させ、学習させた圧延荷重予測モデルを用いて圧延機の圧延荷重を予測することにより、圧延機の圧延荷重を精度高く予測できることを知見した。本発明は上記知見に基づき想倒されたものである。
本発明に係る圧延荷重予測方法は、鋼材を圧延する圧延機の圧延荷重を予測する圧延荷重予測方法であって、少なくとも前記鋼材の温度に関係する因子を含む操業実績データを入力変数、圧延機の圧延荷重の実績値を出力変数として学習させた圧延荷重予測モデルに対して、予測対象の操業条件を入力することによって、予測対象の操業条件で鋼材を圧延した際の圧延機の圧延荷重を予測するステップを含むことを特徴とする。
本発明に係る圧延荷重予測方法は、上記発明において、前記鋼材の温度に関係する因子には、加熱炉内で前記鋼材を支持するスキッドレールの温度が含まれていることを特徴とする。
本発明に係る圧延荷重予測方法は、上記発明において、前記圧延荷重予測モデルは、ディープラーニングを用いて学習させた学習モデルであることを特徴とする。
本発明に係る圧延荷重予測装置は、鋼材を圧延する圧延機の圧延荷重を予測する圧延荷重予測装置であって、少なくとも前記鋼材の温度に関係する因子を含む操業実績データを入力変数、圧延機の圧延荷重の実績値を出力変数として学習させた圧延荷重予測モデルに対して、予測対象の操業条件を入力することによって、予測対象の操業条件で鋼材を圧延した際の圧延機の圧延荷重を予測する手段を備えることを特徴とする。
本発明に係る圧延荷重予測装置は、上記発明において、前記鋼材の温度に関係する因子には、加熱炉内で前記鋼材を支持するスキッドレールの温度が含まれていることを特徴とする。
本発明に係る圧延荷重予測装置は、上記発明において、前記圧延荷重予測モデルは、ディープラーニングを用いて学習させた学習モデルであることを特徴とする。
本発明に係る圧延制御方法は、本発明に係る圧延荷重予測方法を用いて予測された圧延機の圧延荷重を用いて圧延機の設定値を算出し、算出された設定値に従って圧延機を制御するステップを含むことを特徴とする。
本発明に係る圧延荷重予測方法及び圧延荷重予測装置によれば、圧延機の圧延荷重を精度高く予測することができる。また、本発明に係る圧延制御方法によれば、鋼材の圧延品質や圧延能率を向上させることができる。
以下、図面を参照して、本発明の一実施形態である圧延制御装置について説明する。
図1は、本発明の一実施形態である圧延制御装置の構成を示すブロック図である。図2は、図1に示す圧延荷重予測モデル11の構成を示す模式図である。図3は、図1に示す操業実績DB4の構成を示す模式図である。
図1に示すように、本発明の一実施形態である圧延制御装置1は、周知の情報処理装置によって構成され、厚板鋼板製造のための可逆式圧延機等の圧延機2を制御することにより圧延機2において圧延される鋼材の圧延品質や圧延能率を制御するものである。
圧延制御装置1は、圧延荷重予測モデル11、モデル計算部12、及び設定値計算部13を備えている。
圧延荷重予測モデル11は、操業条件から圧延機2の圧延荷重を予測するための機械学習モデルであり、本実施形態では、図2に示すように入力層、複数の中間層、及び出力層を備えるディープラーニングモデルにより構成されている。ここで、入力層には、圧延荷重の予測対象となる操業条件が入力される。中間層のパラメータは、機械学習装置3によって機械学習されている。出力層は、入力層に入力された操業条件で鋼材を圧延した際の圧延機2の圧延荷重の予測値を出力する。
本実施形態では、ディープラーニングモデルの入力変数(説明変数)には、鋼材の大きさに関係する入力変数、鋼材の温度に関係する入力変数、鋼材の構成元素に関係する入力変数、鋼材を圧延する圧延機2に関係する入力変数が含まれている。
鋼材の大きさに関係する入力変数としては、鋼板の製品寸法(厚さ、幅、長さ)、圧延時の圧延機2の入側及び出側の板厚、加熱炉から抽出されたスラブの寸法(厚さ、幅、長さ)を例示できる。
鋼材の温度に関係する入力変数としては、圧延時の鋼材の温度(平均値、幅方向中央部温度、幅方向端部温度)、加熱炉抽出時のスラブの温度(平均値、幅方向中央部温度、幅方向端部温度)、加熱炉内で鋼材を支持する固定スキッドレール及び移動スキッドレールの温度を例示できる。
鋼材の構成元素に関係する入力変数としては、構成元素(C,Si,Mn,P,S,Cu,Ni,Cr,Mo,V,Nb,Al,Ti,B)及び鋼種判定マークを例示できる。
鋼材を圧延する圧延機2に関係する入力変数としては、現在の圧延パス回数、圧延間時間、ワークロールの半径、ワークロールの幅方向中央部及び幅方向端部の摩耗量、ワークロール替え後の圧延本数を例示できる。これらの入力変数のうち、本発明では、スラブ寸法(厚、幅、長)、製品寸法(厚、幅、長)、スラブ抽出時のスラブ表面温度、加熱炉内固定スキッドレール温度、移動スキッドレール温度、成分情報(C,Si,Mn,P,S)、圧延ロール組替後の圧延本数、圧延パス回数等、従来の圧延荷重予測では使われていなかった入力変数を追加している。圧延荷重は、圧延対象の鋼板の変形抵抗と、ロール表面と鋼板表面の接触線上の摩擦によって生ずる圧力増分とを併せたもの等からなる。このうち変形抵抗は、圧下量や材料の成分組成により大きく変化すると共に、温度にも大きく依存する。従来は、圧延機の入側及び出側の板厚、板幅、圧延時の鋼板の平均温度(予測値)、ロール径等を主入力変数として圧延荷重を計算していた。しかしながら、本発明では、上記の入力変数を新たに追加している。
特に変形抵抗に関しては、鋼板の材料組成(鋼中成分)が影響するため、考慮にいれることとした。また、温度については、厚み方向の温度むら等の影響が考慮されると計算精度が向上すると考えられる。その際、圧延前のスラブ段階の厚み方向の温度むらがその後の温度予測に与える影響は大きい。そこで、加熱炉内の加熱状況を反映させるべく、加熱炉内の固定スキッドレール及び移動スキッドレールの温度を考慮することとした。加熱炉内のスキッドレールは、炉内のスラブを支える棒状の支えであり、内部は常時水冷されており、スラブ下部の温度に影響を与えるため、その影響をスキッドレールの温度で評価することとした。また、圧延ロール組替後の圧延本数(圧延を実施した材料の数)はロールの摩耗度合いを直接評価できるものとして入力に反映させた。これはロール扁平による接触弧長について、圧延によってロールの使用により生ずる誤差増大分を吸収するものと考えられる。
機械学習装置3は、圧延機2の操業実績データを格納する操業実績データベース(操業実績DB)4から図3に示すような入力変数(説明変数)と圧延機2の圧延荷重の実績値とのペアを学習データとして取得し、取得した学習データを用いて圧延荷重予測モデル11を機械学習する。なお、本実施形態では、機械学習手法としてディープラーニングを用いたが、ロジスティック回帰分析、決定木、ニューラルネットワーク等の機械学習手法を用いてもよい。
モデル計算部12は、圧延荷重の予測対象となる操業条件を圧延荷重予測モデル11に入力することにより、予測対象の操業条件で鋼材を圧延した際の圧延機2の圧延荷重を予測する。
設定値計算部13は、モデル計算部12によって予測された圧延荷重に基づいて圧延機2の設定値を計算し、計算された設定値に従って圧延機2を制御(セットアップ)する。
〔実施例〕
本実施例では、公知のディープラーニングフレームワークchainerを用いて圧延荷重予測モデル11の機械学習を行った。中間層は4層のもの(各層におけるユニット数は入力に近い方から60,120,60,30とした)を用い、学習データには20万回の操業実績データを用いた。機械学習時にはバッチ正規化手法(但し、バッチサイズは256とした)を用い、学習率の設定にはAdam手法を用いた。入力変数には、現在のパス回数、鋼板寸法(厚,幅,長)、スラブ寸法(厚,幅,長)、構成元素(C,Si,Mn,P,S,Cu,Ni,Cr,Mo,V,Nb,Al,Ti,B)、鋼種判定マーク(422,434,433,333)、温度(圧延時の鋼材の温度(平均値、中央部温度、端部温度)、加熱炉抽出時のスラブの温度(平均値、中央部温度、端部温度)、加熱炉内の固定スキッドレール及び移動スキッドレールの温度)、圧延間時間、ワークロール(ワークロールの半径、ワークロールの中央部及び端部の摩耗量、ワークロール替え後の圧延本数)の計35個を用いた。出力変数(目的変数)には圧延荷重の実績値を用いた。結果、温度や構成元素に関する操業実績データを加えて圧延荷重予測モデル11を機械学習することで圧延荷重の精度が向上することが確認できた。表1は、ディープラーニングを用いた圧延荷重予測及び変形抵抗予測(実施例1,2)と従来の物理モデル式による圧延荷重予測(従来例)の精度を比べたものである。図4(a)〜(c)は、実施例1,2及び従来例における予測荷重と実績荷重との関係を示す散布図である。実施例1のRMSE(平均二乗誤差平方根)は従来例のRMSEの半分になっていることから、ディープラーニングを用いることで大幅な精度向上が得られることが確認された。
本実施例では、公知のディープラーニングフレームワークchainerを用いて圧延荷重予測モデル11の機械学習を行った。中間層は4層のもの(各層におけるユニット数は入力に近い方から60,120,60,30とした)を用い、学習データには20万回の操業実績データを用いた。機械学習時にはバッチ正規化手法(但し、バッチサイズは256とした)を用い、学習率の設定にはAdam手法を用いた。入力変数には、現在のパス回数、鋼板寸法(厚,幅,長)、スラブ寸法(厚,幅,長)、構成元素(C,Si,Mn,P,S,Cu,Ni,Cr,Mo,V,Nb,Al,Ti,B)、鋼種判定マーク(422,434,433,333)、温度(圧延時の鋼材の温度(平均値、中央部温度、端部温度)、加熱炉抽出時のスラブの温度(平均値、中央部温度、端部温度)、加熱炉内の固定スキッドレール及び移動スキッドレールの温度)、圧延間時間、ワークロール(ワークロールの半径、ワークロールの中央部及び端部の摩耗量、ワークロール替え後の圧延本数)の計35個を用いた。出力変数(目的変数)には圧延荷重の実績値を用いた。結果、温度や構成元素に関する操業実績データを加えて圧延荷重予測モデル11を機械学習することで圧延荷重の精度が向上することが確認できた。表1は、ディープラーニングを用いた圧延荷重予測及び変形抵抗予測(実施例1,2)と従来の物理モデル式による圧延荷重予測(従来例)の精度を比べたものである。図4(a)〜(c)は、実施例1,2及び従来例における予測荷重と実績荷重との関係を示す散布図である。実施例1のRMSE(平均二乗誤差平方根)は従来例のRMSEの半分になっていることから、ディープラーニングを用いることで大幅な精度向上が得られることが確認された。
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圧延制御装置1は、少なくとも鋼材の温度に関係する因子を含む操業実績データを入力変数、圧延機2の圧延荷重の実績値を出力変数として学習させた圧延荷重予測モデル11に対して、予測対象の操業条件を入力することによって、予測対象の操業条件で鋼材を圧延した際の圧延機2の圧延荷重を予測するので、圧延機2の圧延荷重を精度高く予測することができる。また、これにより、圧延機2の設定値を精度高く決定し、鋼材の圧延品質や圧延能率を向上させることができる。
以上、本発明者ら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 圧延制御装置
2 圧延機
3 機械学習装置
4 操業実績データベース(操業実績DB)
11 圧延荷重予測モデル
12 モデル計算部
13 設定値計算部
2 圧延機
3 機械学習装置
4 操業実績データベース(操業実績DB)
11 圧延荷重予測モデル
12 モデル計算部
13 設定値計算部
Claims (7)
- 鋼材を圧延する圧延機の圧延荷重を予測する圧延荷重予測方法であって、
少なくとも前記鋼材の温度に関係する因子を含む操業実績データを入力変数、圧延機の圧延荷重の実績値を出力変数として学習させた圧延荷重予測モデルに対して、予測対象の操業条件を入力することによって、予測対象の操業条件で鋼材を圧延した際の圧延機の圧延荷重を予測するステップ
を含むことを特徴とする圧延荷重予測方法。 - 前記鋼材の温度に関係する因子には、加熱炉内で前記鋼材を支持するスキッドレールの温度が含まれていることを特徴とする請求項1に記載の圧延荷重予測方法。
- 前記圧延荷重予測モデルは、ディープラーニングを用いて学習させた学習モデルであることを特徴とする請求項1又は2に記載の圧延荷重予測方法。
- 鋼材を圧延する圧延機の圧延荷重を予測する圧延荷重予測装置であって、
少なくとも前記鋼材の温度に関係する因子を含む操業実績データを入力変数、圧延機の圧延荷重の実績値を出力変数として学習させた圧延荷重予測モデルに対して、予測対象の操業条件を入力することによって、予測対象の操業条件で鋼材を圧延した際の圧延機の圧延荷重を予測する手段
を備えることを特徴とする圧延荷重予測装置。 - 前記鋼材の温度に関係する因子には、加熱炉内で前記鋼材を支持するスキッドレールの温度が含まれていることを特徴とする請求項4に記載の圧延荷重予測装置。
- 前記圧延荷重予測モデルは、ディープラーニングを用いて学習させた学習モデルであることを特徴とする請求項4又は5に記載の圧延荷重予測装置。
- 請求項1〜3のうち、いずれか1項に記載の圧延荷重予測方法を用いて予測された圧延機の圧延荷重を用いて圧延機の設定値を算出し、算出された設定値に従って圧延機を制御するステップを含むことを特徴とする圧延制御方法。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019029123A JP2020131248A (ja) | 2019-02-21 | 2019-02-21 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
BR112021016071-0A BR112021016071A2 (pt) | 2019-02-21 | 2020-02-19 | Método de previsão de carga de laminação, dispositivo de previsão de carga de laminação e método de controle de laminação |
PCT/JP2020/006387 WO2020171096A1 (ja) | 2019-02-21 | 2020-02-19 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
KR1020217024913A KR20210111296A (ko) | 2019-02-21 | 2020-02-19 | 압연 하중 예측 방법, 압연 하중 예측 장치, 및 압연 제어 방법 |
EP20758445.9A EP3928885A4 (en) | 2019-02-21 | 2020-02-19 | ROLLING LOAD PREDICTION METHOD, ROLLING LOAD PREDICTION DEVICE AND ROLLING CONTROL METHOD |
US17/428,801 US20220126342A1 (en) | 2019-02-21 | 2020-02-19 | Rolling load prediction method, rolling load prediction device, and rolling control method |
CN202080014930.6A CN113474098A (zh) | 2019-02-21 | 2020-02-19 | 轧制载荷预测方法、轧制载荷预测装置及轧制控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019029123A JP2020131248A (ja) | 2019-02-21 | 2019-02-21 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020131248A true JP2020131248A (ja) | 2020-08-31 |
Family
ID=72143977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019029123A Pending JP2020131248A (ja) | 2019-02-21 | 2019-02-21 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220126342A1 (ja) |
EP (1) | EP3928885A4 (ja) |
JP (1) | JP2020131248A (ja) |
KR (1) | KR20210111296A (ja) |
CN (1) | CN113474098A (ja) |
BR (1) | BR112021016071A2 (ja) |
WO (1) | WO2020171096A1 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7040696B1 (ja) * | 2021-02-15 | 2022-03-23 | Jfeスチール株式会社 | 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 |
JP2022059387A (ja) * | 2020-10-01 | 2022-04-13 | Jfeスチール株式会社 | 板厚制御方法、板材の製造方法および板厚制御装置 |
JP2022059386A (ja) * | 2020-10-01 | 2022-04-13 | Jfeスチール株式会社 | 板厚算出方法、板厚制御方法、板材の製造方法、板厚算出装置および板厚制御装置 |
JP2022110848A (ja) * | 2021-01-19 | 2022-07-29 | Jfeスチール株式会社 | 鋼材の圧延時間算出方法、連続式加熱炉の自動燃焼制御方法および鋼材の製造方法 |
WO2022172524A1 (ja) * | 2021-02-15 | 2022-08-18 | Jfeスチール株式会社 | 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 |
JP2022151648A (ja) * | 2021-03-23 | 2022-10-07 | Jfeスチール株式会社 | 圧延制御装置および圧延制御方法 |
JP7480764B2 (ja) | 2021-09-06 | 2024-05-10 | Jfeスチール株式会社 | 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP7468466B2 (ja) * | 2021-06-21 | 2024-04-16 | Jfeスチール株式会社 | 冷間圧延機の圧延条件設定方法、冷間圧延方法、鋼板の製造方法、冷間圧延機の圧延条件設定装置、及び冷間圧延機 |
TWI824834B (zh) * | 2022-11-22 | 2023-12-01 | 國立高雄科技大學 | 連續輥軋製程檢測方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08117827A (ja) * | 1994-10-24 | 1996-05-14 | Mitsubishi Electric Corp | 圧延装置 |
JPH10118701A (ja) * | 1996-10-16 | 1998-05-12 | Nkk Corp | 熱延鋼帯の圧延方法 |
JPH11707A (ja) * | 1997-04-17 | 1999-01-06 | Nkk Corp | 圧延機の制御方法及び圧延機の制御装置 |
JP2005528531A (ja) * | 2002-07-25 | 2005-09-22 | ポスコ | 被加熱素材上の温度偏差を減少させる方法及びスキッド部材並びにこれを利用したスキッド装置 |
JP2013226596A (ja) * | 2012-03-29 | 2013-11-07 | Jfe Steel Corp | 圧延荷重の学習制御装置および学習制御方法、並びにこれを用いた金属板製造方法 |
JP2014013560A (ja) * | 2012-06-04 | 2014-01-23 | Jfe Steel Corp | 結果予測装置および結果予測方法 |
JP2017199383A (ja) * | 2017-05-24 | 2017-11-02 | ヤフー株式会社 | モデル |
JP2018060512A (ja) * | 2016-10-06 | 2018-04-12 | 株式会社アドバンスド・データ・コントロールズ | 画像生成システム、プログラム及び方法並びにシミュレーションシステム、プログラム及び方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06269823A (ja) * | 1993-03-23 | 1994-09-27 | Nippon Steel Corp | 連続圧延における板クラウン制御方法 |
JPH07204718A (ja) * | 1994-01-11 | 1995-08-08 | Mitsubishi Electric Corp | 圧延装置 |
JP2978407B2 (ja) * | 1994-11-11 | 1999-11-15 | 新日本製鐵株式会社 | 圧延制御方法 |
DE19930124A1 (de) * | 1999-06-30 | 2001-01-04 | Siemens Ag | Verfahren und Einrichtung zur Bestimmung der Walzkraft in einem Walzgerüst |
JP2007245204A (ja) * | 2006-03-16 | 2007-09-27 | Jfe Steel Kk | 圧延荷重モデルの学習方法及びその装置 |
CN201032387Y (zh) * | 2007-04-23 | 2008-03-05 | 北京浩日新特热能技术有限公司 | 一种加热炉用嵌入式全无水冷滑轨 |
WO2009113719A1 (ja) * | 2008-03-14 | 2009-09-17 | 新日本製鐵株式会社 | 熱間での板圧延における圧延負荷予測の学習方法 |
WO2010103659A1 (ja) * | 2009-03-13 | 2010-09-16 | 東芝三菱電機産業システム株式会社 | 最適化装置 |
KR101585762B1 (ko) * | 2014-03-26 | 2016-01-15 | 주식회사 포스코 | 스키드레일 실험용 가열로 |
KR101889668B1 (ko) * | 2014-09-10 | 2018-08-17 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | 압연 시뮬레이션 장치 |
JP6315818B2 (ja) * | 2014-10-07 | 2018-04-25 | 株式会社日立製作所 | タンデム圧延ミルの制御装置および制御方法 |
EP3293594A1 (de) * | 2016-09-13 | 2018-03-14 | Primetals Technologies Germany GmbH | Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie |
CN110520805B (zh) * | 2017-04-18 | 2022-12-06 | 首要金属科技德国有限责任公司 | 过程模型的建模优化 |
CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
-
2019
- 2019-02-21 JP JP2019029123A patent/JP2020131248A/ja active Pending
-
2020
- 2020-02-19 EP EP20758445.9A patent/EP3928885A4/en active Pending
- 2020-02-19 BR BR112021016071-0A patent/BR112021016071A2/pt unknown
- 2020-02-19 KR KR1020217024913A patent/KR20210111296A/ko not_active Application Discontinuation
- 2020-02-19 CN CN202080014930.6A patent/CN113474098A/zh active Pending
- 2020-02-19 WO PCT/JP2020/006387 patent/WO2020171096A1/ja unknown
- 2020-02-19 US US17/428,801 patent/US20220126342A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08117827A (ja) * | 1994-10-24 | 1996-05-14 | Mitsubishi Electric Corp | 圧延装置 |
JPH10118701A (ja) * | 1996-10-16 | 1998-05-12 | Nkk Corp | 熱延鋼帯の圧延方法 |
JPH11707A (ja) * | 1997-04-17 | 1999-01-06 | Nkk Corp | 圧延機の制御方法及び圧延機の制御装置 |
JP2005528531A (ja) * | 2002-07-25 | 2005-09-22 | ポスコ | 被加熱素材上の温度偏差を減少させる方法及びスキッド部材並びにこれを利用したスキッド装置 |
JP2013226596A (ja) * | 2012-03-29 | 2013-11-07 | Jfe Steel Corp | 圧延荷重の学習制御装置および学習制御方法、並びにこれを用いた金属板製造方法 |
JP2014013560A (ja) * | 2012-06-04 | 2014-01-23 | Jfe Steel Corp | 結果予測装置および結果予測方法 |
JP2018060512A (ja) * | 2016-10-06 | 2018-04-12 | 株式会社アドバンスド・データ・コントロールズ | 画像生成システム、プログラム及び方法並びにシミュレーションシステム、プログラム及び方法 |
JP2017199383A (ja) * | 2017-05-24 | 2017-11-02 | ヤフー株式会社 | モデル |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022059387A (ja) * | 2020-10-01 | 2022-04-13 | Jfeスチール株式会社 | 板厚制御方法、板材の製造方法および板厚制御装置 |
JP2022059386A (ja) * | 2020-10-01 | 2022-04-13 | Jfeスチール株式会社 | 板厚算出方法、板厚制御方法、板材の製造方法、板厚算出装置および板厚制御装置 |
JP7298578B2 (ja) | 2020-10-01 | 2023-06-27 | Jfeスチール株式会社 | 板厚制御方法、板材の製造方法および板厚制御装置 |
JP7298577B2 (ja) | 2020-10-01 | 2023-06-27 | Jfeスチール株式会社 | 板厚算出方法、板厚制御方法、板材の製造方法、板厚算出装置および板厚制御装置 |
JP2022110848A (ja) * | 2021-01-19 | 2022-07-29 | Jfeスチール株式会社 | 鋼材の圧延時間算出方法、連続式加熱炉の自動燃焼制御方法および鋼材の製造方法 |
JP7342891B2 (ja) | 2021-01-19 | 2023-09-12 | Jfeスチール株式会社 | 鋼材の圧延時間算出方法、連続式加熱炉の自動燃焼制御方法および鋼材の製造方法 |
JP7040696B1 (ja) * | 2021-02-15 | 2022-03-23 | Jfeスチール株式会社 | 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 |
WO2022172524A1 (ja) * | 2021-02-15 | 2022-08-18 | Jfeスチール株式会社 | 冷間圧延機の圧延条件算出方法、冷間圧延機の圧延条件算出装置、冷間圧延方法、冷間圧延機、及び鋼板の製造方法 |
TWI776731B (zh) * | 2021-02-15 | 2022-09-01 | 日商杰富意鋼鐵股份有限公司 | 冷軋機的軋製條件計算方法、冷軋機的軋製條件計算裝置、冷軋方法、冷軋機及鋼板的製造方法 |
JP2022151648A (ja) * | 2021-03-23 | 2022-10-07 | Jfeスチール株式会社 | 圧延制御装置および圧延制御方法 |
JP7420157B2 (ja) | 2021-03-23 | 2024-01-23 | Jfeスチール株式会社 | 圧延制御装置および圧延制御方法 |
JP7480764B2 (ja) | 2021-09-06 | 2024-05-10 | Jfeスチール株式会社 | 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法 |
Also Published As
Publication number | Publication date |
---|---|
BR112021016071A2 (pt) | 2021-10-13 |
CN113474098A (zh) | 2021-10-01 |
KR20210111296A (ko) | 2021-09-10 |
EP3928885A1 (en) | 2021-12-29 |
EP3928885A4 (en) | 2022-04-06 |
WO2020171096A1 (ja) | 2020-08-27 |
US20220126342A1 (en) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020131248A (ja) | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 | |
Lee et al. | Application of neural-network for improving accuracy of roll-force model in hot-rolling mill | |
JP2017511752A (ja) | 最適化された、組織シミュレータ、組織モニタ及び/又は組織モデルを用いて金属の鋼合金及び/又は鉄合金を熱間圧延機及び厚板圧延機において製造するのため方法 | |
KR20170039736A (ko) | 압연 시뮬레이션 장치 | |
JP6136743B2 (ja) | 冷間タンデム圧延機における走間板厚変更方法 | |
JP2011221642A (ja) | 品質予測装置、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録媒体 | |
JP2021098213A (ja) | 熱間圧延の反り予測方法、反り制御方法、熱延鋼板の製造方法、反り予測モデルの生成方法、及び熱延設備 | |
JP2021183354A (ja) | 形鋼の曲がり予測方法、形鋼の製造方法、学習済の機械学習モデルの生成方法および形鋼の曲率予測装置 | |
Mohanty et al. | Prediction of properties over the length of the coil during thermo-mechanical processing using DNN | |
JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
JP5673567B2 (ja) | 製造プロセスの能率予測方法、装置及びプログラム | |
KR102075245B1 (ko) | 전기 강판의 철손 저감 예측 장치 | |
JP7480764B2 (ja) | 鋼板の圧延荷重予測方法、連続式圧延機の制御方法、及び鋼板の製造方法 | |
JP7230880B2 (ja) | 圧延荷重予測方法、圧延方法、熱延鋼板の製造方法、及び圧延荷重予測モデルの生成方法 | |
RU2655398C2 (ru) | Способ производства проката | |
JP2019215668A (ja) | 制御設定値決定装置、制御設定値決定方法、及びプログラム | |
JP2010207900A (ja) | 熱間圧延における変形抵抗予測方法 | |
JP5007630B2 (ja) | 製品品質の制御方法及び制御装置 | |
JP2022014878A (ja) | 製造仕様決定支援装置、製造仕様決定支援方法、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録媒体 | |
JP7420157B2 (ja) | 圧延制御装置および圧延制御方法 | |
JP5862247B2 (ja) | 金属帯の圧延方法 | |
JP2021109185A (ja) | 圧延装置の制御方法、圧延装置の制御装置、および鋼板の製造方法 | |
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 | |
KR101198474B1 (ko) | 스테인리스강 냉간압연 하중예측 방법 | |
Thakur et al. | Application of machine learning methods for the prediction of roll force and torque during plate rolling of micro-alloyed steel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200923 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210608 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210726 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210817 |