JP2021035693A - 鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法 - Google Patents

Abstract

【課題】冷却設備の出側における温度の予測値及び冷却設備の途中箇所における温度の予測値を算出するために、それぞれの温度予測モデルを構築する必要をなくす。【解決手段】鋼板温度予測装置１００は、ディープラーニングによって構築された温度予測モデル６１を用いて、出側５２３での予測値を算出する場合、鋼板Ｗが冷却設備５２を構成する複数のセクション５２１を通過したときの冷却パラメータを入力ユニット６１１に入力することにより、予測値を算出し、途中箇所での予測値を算出する場合、鋼板Ｗが入側５２２から途中箇所までのセクション５２１を通過したときの冷却パラメータを入力ユニット６１１に入力し、かつ、途中箇所から出側５２３までのセクション５２１での冷却パラメータとして、予め定められた値を入力ユニット６１１に入力することにより、予測値を算出する。【選択図】図１

Description

本発明は、熱間圧延後の鋼板を冷却制御する技術に関する。

熱間圧延後の鋼板は、冷却プロセスを経て所望の温度まで下げられる。冷却プロセスにおける冷却制御にフィードフォワード制御が用いられる場合、鋼板の温度予測モデルが必要となるので、鋼板製品の製造開始前に温度予測モデルが予め構築される。鋼板の種類に応じて温度予測モデルが異なるので、鋼板の種類に応じて温度予測モデルが構築される。自動車等に用いられる薄鋼板は、多品種なので、温度予測モデルを多数構築しなければならない。

例えば、特許文献１は、薄鋼板について、熱伝導方程式により構成される物理モデルを温度予測モデルとして用いて、熱間圧延後の鋼板を冷却制御する技術を開示している。薄鋼板の場合、熱間圧延後の鋼板は、冷却プロセスを経て所望の温度まで下げられて、コイル状に巻き取られる。

また、特許文献２は、熱伝達係数を用いた、熱間圧延後の鋼板の冷却制御において、熱伝達係数の推定値をニューラルネットワークから算出する技術を開示している。

特開２０１２−６６３号公報 特開平４−３３９５１１号公報

熱伝導方程式により構成される物理モデルを温度予測モデルとして用いる場合、熱伝導方程式の精度およびこの熱伝導方程式に含まれる変態温度予測モデルの精度を高くすれば、温度予測モデルの精度を高くすることができる。しかし、熱伝導方程式が複雑となるので、温度の予測値の計算に時間がかかる。このため、オンライン（数１０〜１００ｍｓｅｃ周期程度のリアルタイム制御）では、高精度な温度予測モデルを用いることが難しく、計算時間を短くするために、熱伝導方程式を単純化している（すなわち、精度が高くない温度予測モデルを用いる）。

本発明者らは、ディープラーニングによって構築された温度予測モデルについて検討した。この温度予測モデルによれば、複雑な熱伝導方程式により構成される物理モデルを温度予測モデルとして用いる場合よりも、温度の予測値の計算時間を短くすることができる。また、この温度予測モデルによれば、設計者は、熱伝導方程式およびこれに含まれる変態発熱予測モデルを考える必要がないので、設計者の負担が軽減される。

熱間圧延後の鋼板の冷却において、冷却途中の鋼板の温度が鋼板の品質に影響を与えることがある（特に、薄鋼板）。そこで、冷却設備の出側における温度の予測値に加えて、冷却設備の入側から出側までの途中に位置する途中箇所における温度の予測値（冷却途中における温度の予測値）を算出して冷却制御がされることがある。

冷却設備の出側における温度の予測値と、冷却設備の途中箇所における温度の予測値について、温度予測モデルを別々にしたとき、それぞれの温度予測モデルを構築しなければならない。特に、途中箇所が複数あり、この数が多ければ、温度予測モデルの数が増え、温度予測モデルの構築に手間を要することになる。

本発明の目的は、ディープラーニングによって構築された温度予測モデルを用いた、熱間圧延後に冷却される鋼板の温度の予測において、冷却設備の出側における温度の予測値および冷却設備の途中箇所における温度の予測値を算出するために、それぞれの温度予測モデルを構築する必要がない鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法を提供することである。

本発明の第１局面に係る鋼板温度予測装置は、熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置であって、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第１入力ユニットを含む第１入力層と、第１中間層と、前記鋼板の温度の予測値を出力する第１出力ユニットを含む第１出力層と、を備える、ディープラーニングの温度予測モデルを記憶する第１記憶部と、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとして、予め定められた値を記憶する第２記憶部と、前記温度予測モデルを用いて前記予測値を算出する予測フェーズ実行部と、を備え、前記予測フェーズ実行部は、前記冷却設備の出側における前記予測値を算出する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させ、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記予め定められた値を前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させる。

本発明の第１局面に係る鋼板温度予測装置は、鋼板が未通過のセクションに対する冷却パラメータとして、予め定められた値を用意し、冷却設備の途中箇所における予測値を算出する場合、入側から途中箇所までのセクションでの冷却パラメータとして、鋼板が入側から途中箇所までのセクションを通過（実際に通過）したときの冷却パラメータを第１入力ユニットに入力し、かつ、途中箇所から出側までのセクション（鋼板が未通過のセクション）での冷却パラメータとして、予め定められた値を第１入力ユニットに入力している。これにより、冷却設備の出側における予測値を算出する温度予測モデルを、冷却設備の途中箇所における予測値の算出に用いることができる。したがって、本発明の第１局面に係る鋼板温度予測装置によれば、冷却設備の出側における予測値を算出する温度予測モデルと、冷却設備の途中箇所における予測値を算出する温度予測モデルとを共通化することができるので、冷却設備の出側における温度の予測値および冷却設備の途中箇所における温度の予測値を算出するために、それぞれの温度予測モデルを構築する必要がなくなる。

冷却パラメータは、例えば、複数のセクションのそれぞれでの鋼板の搬送時間、鋼板の搬送速度、鋼板に供給される冷却水の量である。搬送時間、冷却水の量の場合、冷却パラメータが大きいとき、鋼板に対する冷却量が大きくなり、冷却パラメータが小さいとき、鋼板に対する冷却量が小さくなる。搬送速度の場合、冷却パラメータが大きいとき、鋼板に対する冷却量が小さくなり、冷却パラメータが小さいとき、鋼板に対する冷却量が大きくなる。

鋼板が未通過のセクションでの冷却パラメータは、予め定められた値である。搬送時間や冷却水の場合、例えば、ゼロであり、搬送速度の場合、例えば、∞である。予め定められた値は、これらに限定されず、搬送時間や冷却水の水量の場合、ゼロに近い極めて小さい値にしてもよいし（例えば、通常の搬送時間や冷却水の水量の１０００分の１）、搬送速度の場合、∞に近い極めて大きい値にしてもよい（例えば、通常の搬送速度の１０００倍）。冷却パラメータとして、搬送速度よりも搬送時間の方が好ましい。なぜならば、搬送速度の場合、実際にはありえない値（∞）が予め定められた値となるからである。

以上の冷却パラメータに関する説明は、本発明の第２局面に係る鋼板温度予測方法、本発明の第３局面に係る学習装置、および、本発明の第４局面に係る学習方法にも言えることである。

本発明の第１局面に係る鋼板温度予測装置において、好ましくは、前記第１記憶部は、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を入力する第２入力ユニットを含む第２入力層と、第２中間層と、前記冷却設備による前記鋼板の冷却効果を示す所定の指標値の予測値を出力する第２出力ユニットを含む第２出力層と、を備える、ディープラーニングの概算温度予測モデル、および、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第３入力ユニットを含む第３入力層と、第３中間層と、前記鋼板の誤差温度の予測値を出力する第３出力ユニットを含む第３出力層と、を備える、ディープラーニングの誤差温度予測モデルを記憶し、前記誤差温度は、前記冷却設備で冷却されている前記鋼板の温度測定で得られた前記鋼板の温度、および、熱伝導方程式で計算された、前記冷却設備で冷却されている前記鋼板の温度の少なくとも一方を基にした前記指標値と、前記概算温度予測モデルで予測された前記指標値との差であり、前記予測フェーズ実行部は、前記冷却設備の出側における前記予測値を算出する場合、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を前記第２入力ユニットに入力することにより、前記第２出力ユニットから前記指標値を出力させ、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第３入力ユニットに入力することにより、前記第３出力ユニットから前記誤差温度を出力させ、前記指標値と前記誤差温度との和を前記冷却設備の出側における前記予測値として算出し、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータの合計値を前記第２入力ユニットに入力することにより、前記第２出力ユニットから前記指標値を出力させ、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第３入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記予め定められた値を前記第３入力ユニットに入力することにより、前記第３出力ユニットから前記誤差温度を出力させ、前記指標値と前記誤差温度との和を前記途中箇所における前記予測値として算出する。好ましくは、前記指標値は、前記冷却設備の出側における前記鋼板の温度、または、前記冷却設備の入側に対する出側もしくは途中箇所における前記鋼板の温度降下量である。

一般的には、機械学習した予測モデルを用いる場合、前記機械学習に用いた訓練データに類似する初期温度や冷却条件の場合、比較的高い精度で温度が予測できる。一方、訓練データと差異の大きい初期温度や冷却条件の場合、外挿領域での予測となるため、高い精度で温度が予測できない虞がある。上記態様では、外挿領域でも比較的高い精度で温度が予測でき、したがって、上記態様の鋼板温度予測装置は、より高い精度の温度予測が期待できる。

本発明の第１局面に係る鋼板温度予測装置における上述の態様において、好ましくは、前記第１記憶部は、前記複数のセクションを順番が連続する２以上のセクションから成る２以上のグループに予め分けた条件下で、前記２以上のグループのそれぞれに対応して構築された２以上の前記概算温度予測モデルおよび前記誤差温度予測モデルそれぞれを記憶し、前記予測フェーズ実行部は、前記２以上のグループのそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記２以上のグループのそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する。

上記態様では、局所的な設備環境による影響の機械学習が容易になり、予測モデルをグループ分けすることで、一度に機械学習できる訓練用データの容量が増加できる。

本発明の第１局面に係る鋼板温度予測装置における上述の態様において、好ましくは、前記第１記憶部は、前記鋼板の長手方向に沿って前記鋼板を２以上の区間に予め分けた条件下で、前記２以上の区間のそれぞれに対応して構築された２以上の前記概算温度予測モデルおよび前記誤差温度予測モデルそれぞれを記憶し、前記予測フェーズ実行部は、前記２以上の区間のそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記２以上の区間のそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する。

上記態様では、鋼板の長手方向に沿って区分けすることで、鋼板の位置に応じた特徴（例えば先端部が撓んでいることや、先端部付近で温度降下量が大きいこと等）を考慮した機械学習が実施できる。

本発明の第２局面に係る鋼板温度予測方法は、熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測方法であって、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第１入力ユニットを含む第１入力層と、第１中間層と、前記鋼板の温度の予測値を出力する第１出力ユニットを含む第１出力層と、を備える、ディープラーニングの温度予測モデルを用いて、前記予測値を算出する予測フェーズ実行ステップを備え、前記予測フェーズ実行ステップは、前記冷却設備の出側における前記予測値を算出する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させ、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させる。

本発明の第２局面に係る鋼板温度予測方法は、本発明の第１局面に係る鋼板温度予測装置を方法の観点から規定しており、本発明の第１局面に係る鋼板温度予測装置と同様の作用効果を有する。

本発明の第３局面に係る学習装置は、熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置に備えられる、ディープラーニングの温度予測モデルに学習させる学習装置であって、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第１入力ユニットを含む第１入力層と、第１中間層と、前記鋼板の温度の予測値を出力する第１出力ユニットを含む第１出力層と、を備える前記温度予測モデルに、第１訓練用データを学習させる学習フェーズ実行部を備え、前記学習フェーズ実行部は、前記冷却設備の出側における前記予測値を学習する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する前記第１訓練用データを、前記温度予測モデルに学習させ、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する前記第１訓練用データを、前記温度予測モデルに学習させる。

本発明の第３局面に係る学習装置は、本発明の第１局面に係る鋼板温度予測装置および本発明の第２局面に係る鋼板温度予測方法で用いられる温度予測モデルに学習させる装置である。

本発明の第３局面に係る学習装置は、同じ温度予測モデルに、出側における予測値および途中箇所における予測値を学習させている。これを実現するために、出側における予測値を学習する場合、第１訓練用データは、複数のセクションのそれぞれでの冷却パラメータとして、鋼板が複数の前記セクションのそれぞれを通過したときの冷却パラメータを有する。そして、途中箇所における予測値を学習する場合、第１訓練用データは、入側から途中箇所までのセクションでの冷却パラメータとして、鋼板が入側から途中箇所までのセクションを通過したときの冷却パラメータを有し、かつ、途中箇所から出側までのセクションでの冷却パラメータとして、予め定められた値を有する。

以上の通り、本発明の第３局面に係る学習装置によれば、冷却設備の出側における予測値を算出する温度予測モデルと、冷却設備の途中箇所における予測値を算出する温度予測モデルとを共通化することができるので、冷却設備の出側における温度の予測値および冷却設備の途中箇所における温度の予測値を算出するために、それぞれの温度予測モデルを構築する必要がなくなる。

上記構成において、前記第１訓練用データに付けられる正解ラベルが示す前記途中箇所の前記予測値は、熱伝導方程式により構成される物理モデルを基にして算出される。

訓練用データに付けられる正解ラベルが示す途中箇所の予測値が、温度計で測定された値の場合、温度計が設置されていない途中箇所の予測値を算出するための第１訓練用データを作成することができない。この構成によれば、途中箇所の予測値が熱伝導方程式により構成される物理モデルを基にして算出されるので、温度計が設置されていない途中箇所の予測値を算出するための第１訓練用データを作成することができる。この結果、第１訓練用データの数を増やすことができる。

本発明の第３局面に係る学習装置における上述の態様において、好ましくは、前記温度予測モデルは、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を入力する第２入力ユニットを含む第２入力層と、第２中間層と、前記冷却設備による前記鋼板の冷却効果を示す所定の指標値の予測値を出力する第２出力ユニットを含む第２出力層と、を備える、ディープラーニングの概算温度予測モデル、および、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第３入力ユニットを含む第３入力層と、第３中間層と、前記鋼板の誤差温度の予測値を出力する第３出力ユニットを含む第３出力層と、を備える、ディープラーニングの誤差温度予測モデルを備え、前記学習フェーズ実行部は、前記冷却設備の出側における前記予測値を算出する場合、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を有する第２訓練用データを、前記概算温度予測モデルに学習させ、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する第３訓練用データを、前記誤差温度予測モデルに学習させ、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータの合計値を有する第４訓練用データを、前記概算温度予測モデルに学習させ、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する第５訓練用データを、前記誤差温度予測モデルに学習させる。

上記態様では、より高い精度の温度予測が期待できる概算温度予測モデルおよび誤差温度予測モデルが機械学習で生成できる。

本発明の第４局面に係る学習方法は、熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置に備えられる、ディープラーニングの温度予測モデルに学習させる学習方法であって、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する入力ユニットを含む入力層と、中間層と、前記鋼板の温度の予測値を出力する出力ユニットを含む出力層と、を備える前記温度予測モデルに、訓練用データを学習させる学習フェーズ実行ステップを備え、前記学習フェーズ実行ステップは、前記冷却設備の出側における前記予測値を学習する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する前記訓練用データを、前記温度予測モデルに学習させ、前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する前記訓練用データを、前記温度予測モデルに学習させる。

本発明の第４局面に係る学習方法は、本発明の第３局面に係る学習装置を方法の観点から規定しており、本発明の第３局面に係る学習装置と同様の作用効果を有する。

本発明によれば、ディープラーニングによって構築された温度予測モデルを用いた、熱間圧延後に冷却される鋼板の温度の予測において、冷却設備の出側における温度の予測値および冷却設備の途中箇所における温度の予測値を算出するために、それぞれの温度予測モデルを構築する必要をなくすことができる。

実施形態における熱間圧延後の鋼板に対する冷却プロセスを示す模式図である。 第１実施形態において、フィードフォワード制御に用いられる、鋼板の温度予測モデルの例を示す模式図である。 実施形態における鋼板温度予測装置のブロック図である。 熱間圧延後の鋼板を冷却した実操業データの例を示す表である。 第１実施形態において、図４に示す実操業データから作成された第１訓練用データの例を示す表である。 訓練用データの作成方法を説明するフローチャートである。 物理モデルを用いて、１番目〜１１番目のセクションのそれぞれの鋼板の温度を計算した結果である計算温度データの例を示すグラフである。 計算温度データの補正量の例を示すグラフである。 計算温度データと補正温度データの例を示すグラフである。 実施形態における鋼板温度予測装置が実行する学習フェーズのフローチャートである。 実施形態における鋼板温度予測装置が実行する予測フェーズのフローチャートである。 予測値データと補正温度データの例を示すグラフである。 第１実施形態において、平均絶対誤差を算出するためのデータの例を示すグラフである。 第１実施形態において、誤差標準偏差を算出するためのデータの例を示すグラフである。 第２実施形態において、フィードフォワード制御に用いられる、鋼板の概算温度予測モデルの例を示す模式図である。 第２実施形態において、フィードフォワード制御に用いられる、鋼板の誤差温度予測モデルの例を示す模式図である。 第２実施形態において、図４に示す実操業データから作成された第２訓練用データの例を示す表である。 第２実施形態において、図４に示す実操業データから作成された第３訓練用データの例を示す表である。 第１および第２実施形態それぞれの各誤差分布を示す図である。

以下、図面に基づいて本発明の実施形態を詳細に説明する。各図において、同一符号を付した構成は、同一の構成であることを示し、その構成について、既に説明している内容については、その説明を省略する。なお、符号において、構成を総称で示す場合、数字のみが用いられ（例えば、温度計５３）、構成を個別に示す場合、数字の後に英語アルファベットを付加している（例えば、温度計５３ａ、温度計５３ｂ、温度計５３ｃ）。

（第１実施形態）
図１は、実施形態における熱間圧延後の鋼板Ｗに対する冷却プロセスを示す模式図である。鋼板Ｗは、薄鋼板である。薄鋼板のサイズは、例えば、長さ１００〜１０００ｍ、幅６００〜１８００ｍｍ、厚さ１〜２０ｍｍ）である。

圧延機５１から出てきた、熱間圧延後の鋼板Ｗは、冷却設備５２で所定の温度まで冷却され、巻取装置（不図示）で巻き取られる。圧延機５１と冷却設備５２と巻取装置（不図示）は接続されており、これにより、熱間圧延工程と冷却工程と巻取工程とが連続的に実行される。これらの工程において、鋼板Ｗは、例えば、時速５０〜６０キロの速度で搬送されている。

冷却設備５２は、鋼板Ｗの搬送方向Ｄに沿って、直列に並ぶ複数のセクション５２１により構成される。図１に示す例では、１番目〜１１番目の１１個のセクション５２１が示されている。セクション５２１は、バンクと称されることもある。熱間圧延後の鋼板Ｗは、１１個のセクション５２１を順番に通過し、各セクション５２１で冷却される。１番目、５番目、６番目、１１番目のセクション５２１は、空冷方式のセクション５２１である。これら以外のセクション５２１は、水冷方式のセクション５２１である。水冷方式のセクション５２１では、鋼板Ｗに供給する冷却水の量を調整することができる。図１に示す例では、２番目、３番目、７番目、９番目のセクション５２１は、鋼板Ｗに冷却水を供給していることを示し、４番目、８番目、１０番目のセクション５２１は、鋼板Ｗへの冷却水の供給を停止していることを示している。

各セクション５２１の長さは、同じであるが、圧延機５１による圧延は、加減速を伴うため、各セクション５２１での鋼板Ｗの搬送時間（鋼板Ｗが各セクション５２１を通過する時間）は異なる。

鋼板Ｗの冷却制御は、鋼板Ｗの温度を測定する必要があるので、温度計５３（例えば、放射温度計）が設置されている。詳しくは、冷却設備５２の入側５２２（１番目のセクション５２１の入口）に、温度計５３ａが設置され、冷却設備５２の中間箇所５２４（５番目と６番目のセクション５２１の間の箇所）に、温度計５３ｂが設置され、冷却設備５２の出側５２３（１１番目のセクション５２１の出口）に、温度計５３ｃが設置されている。冷却設備５２の中間箇所５２４は、入側５２２から出側５２３までの途中に位置する途中箇所の例である。

鋼板Ｗの搬送速度は、圧延機５１によって決まるため、水冷方式のセクション５２１で鋼板Ｗに供給する冷却水の量を調整する冷却制御によって、鋼板Ｗの出側５２３の温度が目標温度になるようにする。この冷却制御には、フィードバック制御とフィードフォワード制御が用いられる。鋼板Ｗが薄鋼板の場合、鋼板Ｗの長さが大きいので、フィードバック制御で制御が間に合うが、フィードフォワード制御を加えることにより、鋼板Ｗの温度の制御精度を高めている。

図２は、第１実施形態において、フィードフォワード制御に用いられる、鋼板Ｗの温度予測モデル６１の例を示す模式図である。温度予測モデル６１は、ディープニューラルネットワーク（Deep Neural Network）であり、入力層（第１入力層）と、中間層（第１中間層）と、出力層（第１出力層）と、を備える。図示を簡略にするために、中間層は、２層で示されているが、４層以上ある。中間層は、全結合である。

図１および図２を参照して、入力層は、鋼板データ（サイズ、成分）が入力される入力ユニット（第１入力ユニット）６１１、初期温度が入力される入力ユニット６１１、および、１１個（複数）のセクション５２１のそれぞれでの冷却パラメータが入力される入力ユニット６１１を備える。

サイズは、鋼板Ｗの幅および厚みである。成分は、鋼板Ｗに添加されている元素（例えば、シリコン、マンガン）および元素の量である。

初期温度は、入側５２２で測定された鋼板Ｗの温度である。

セクション５２１での冷却パラメータは、搬送時間、上部水量および下部水量である。搬送時間は、セクション５２１での鋼板Ｗの搬送時間である。セクション５２１は、上部と下部とにより構成されている。上部水量は、上部から鋼板Ｗに供給される冷却水の量である。下部水量は、下部から鋼板Ｗに供給される冷却水の量である。空冷式のセクション５２１（１番目、５番目、６番目、１１番目のセクション５２１）では、これらの水量はゼロとなる。

出力層は、鋼板Ｗの温度の予測値を出力する出力ユニット６１２を備える。

図３は、実施形態における鋼板温度予測装置１００のブロック図である。鋼板温度予測装置１００は、処理部１と、ＩＦ部２と、入力部３と、出力部４と、を備える。なお、図３には、第１実施形態における鋼板温度予測装置１００のブロック図が図示されているだけでなく、第２実施形態における鋼板温度予測装置１００ａのブロック図が図示され、第２実施形態における鋼板温度予測装置１００ａの参照符号は、例えば１００（１００ａ）のように、その対応する第１実施形態における鋼板温度予測装置１００の参照符号の後に括弧書きで付されている。括弧書きの参照符号のない構成は、第１および第２実施形態で共通な構成である。

処理部１は、鋼板温度予測装置１００の全体を統括し、鋼板温度予測装置１００の動作に必要な処理を行う。処理部１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、および、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等のハードウェア、処理部１の機能を実行するためのプログラムおよびデータ等によって実現される。

ＩＦ部２は、処理部１に接続され、処理部１の制御に従って、外部の機器との間で信号等を入出力する。例えば、ＩＦ部２は、温度計５３が測定した鋼板温度を受信し、これを処理部１へ送る。ＩＦ部２は、各セクション５２１での冷却パラメータ（上部水量、下部水量、搬送時間）を、冷却設備５２の制御部から受信し、これを処理部１へ送る。冷却設備５２の制御部は、圧延機５１の圧延速度を基にして、搬送時間を算出する。ＩＦ部２は、入出力インターフェース回路によって実現される。

入力部３は、処理部１に接続され、ユーザが、各種の情報、データ、命令等を入力するための装置である。入力部３は、マウス、キーボード、タッチパネル等により実現される。出力部４は、処理部１に接続され、処理部１の制御に従って、入力部３から入力されたコマンド、データ等を出力する装置である。出力部４は、液晶ディスプレイ、有機ＥＬディスプレイ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ ｄｉｓｐｌａｙ）等により実現される。

処理部１は、機能ブロックとして、第１記憶部１１、第２記憶部１２、ディープラーニングの学習フェーズ実行部１３、ディープラーニングの予測フェーズ実行部１４、計算温度データ生成部１５、および、補正温度データ生成部１６を備える。

第１記憶部１１は、ディープラーニングの温度予測モデル６１を記憶する。

第２記憶部１２は、鋼板Ｗが未通過のセクション５２１に対する冷却パラメータとして、ゼロを示すゼロデータ１２１（予め定められた値の例）を記憶する。冷却パラメータは、例えば、１１個のセクション５２１のそれぞれでの鋼板Ｗの搬送時間および鋼板Ｗに供給される冷却水の量である。鋼板Ｗが未通過のセクション５２１に対する冷却パラメータは、ゼロ（ゼロデータ１２１）である。

学習フェーズ実行部１３は、温度予測モデル６１に、訓練用データ（第１訓練用データ、教師データ）を学習させる。予測フェーズ実行部１４は、学習済みの温度予測モデル６１を用いて、鋼板Ｗの温度の予測値を算出する。冷却設備５２の制御部は、この予測値を基にして、セクション５２１が鋼板Ｗに供給する冷却水の量を調整する。鋼板温度予測装置１００は、学習フェーズ実行部１３を備えるので、温度予測モデル６１に学習させる学習装置として機能する。鋼板温度予測装置１００は、学習装置の機能を有していなくてもよい。この場合、別のコンピュータ装置が学習装置となる。

計算温度データ生成部１５、および、補正温度データ生成部１６については、後で説明する。

学習フェーズに用いる訓練用データ（第１訓練用データ）の作成について説明する。図４は、熱間圧延後の鋼板Ｗを冷却した実操業データの例を示す表である。実操業データは、Ｎｏ．１〜ｎまでの鋼板Ｗに関するものである。各実操業データは、鋼板データ、温度計実測および各セクション冷却実績により構成される。鋼板データについては、既に説明した。温度計実測について説明する。図１および図４を参照して、「入側」は、温度計５３ａで測定された鋼板Ｗの温度であり、「中間」は、温度計５３ｂで測定された鋼板Ｗの温度であり、「出側」は、温度計５３ｃで測定された鋼板Ｗの温度である。

各セクション冷却実績は、上部水量、下部水量、搬送時間により構成される。これらについては、既に説明した。なお、実施形態では、図１に示すように、１番目、５番目、６番目、１１番目のセクション５２１は空冷式なので、これらのセクション５２１での上部水量、下部水量は、それぞれ、ゼロである。

図５は、第１実施形態において、図４に示す実操業データから作成された第１訓練用データの例を示す表である。鋼板データ、初期温度、各セクション冷却パラメータは、入力層（図２）に入力される。予測値は、正解ラベルである。予測値には、中間箇所５２４（図１）の温度の予測値と出側５２３（図１）の温度の予測値とがある。中間箇所５２４は途中箇所の例であり、中間箇所５２４の温度の予測値は、温度計実測（図４）の「中間」の温度である（温度計５３ｂで測定された鋼板Ｗの温度）。出側５２３（図１）の温度の予測値は、温度計実測（図４）の「出側」の温度である（温度計５３ｃで測定された鋼板Ｗの温度）。

図６は、訓練用データの作成方法を説明するフローチャートである。この作成方法には、１個の実操業データから２個の訓練用データを作成する方法と、１個の実操業データから１１個の訓練用データを作成する方法とがある。前者について、図４に示す実操業データＮｏ．１を用いて説明する。まず、図４に示す実操業データＮｏ．１が取得される（Ｓ１１）。

次に、実操業データＮｏ．１から、図５に示す訓練用データＮｏ．１Ｂおよび訓練用データＮｏ．１Ｃが作成される（Ｓ１２）。訓練用データＮｏ．１Ｂは、中間箇所５２４（途中箇所の例）の温度の予測値を学習する訓練に用いられる。訓練用データＮｏ．１Ｂにおいて、鋼板データは、実操業データＮｏ．１の鋼板データであり、初期温度は、実操業データＮｏ．１の「入側」の温度であり、１番目〜５番目のセクション５２１の冷却パラメータは、実操業データＮｏ．１の１番目〜５番目のセクション５２１の冷却実績であり、６番目〜１１番目のセクション５２１の冷却パラメータは、ゼロであり、予測値は、実操業データＮｏ．１の「中間」の温度（温度計５３ｂで測定された鋼板Ｗの温度）である。６番目〜１１番目のセクション５２１の冷却パラメータが、ゼロ（予め定められた値の例）であるのは、鋼板Ｗは６番目〜１１番目のセクション５２１を未通過だからである。

このように、冷却設備５２の途中箇所（中間箇所５２４）における予測値を学習するための訓練用データは、鋼板Ｗが入側５２２から途中箇所までのセクション５２１を通過したときの冷却パラメータ、および、途中箇所から出側５２３までのセクション５２１での冷却パラメータとして、鋼板Ｗが未通過のセクション５２１に対する冷却パラメータとなる予め定められた値を含む。

訓練用データＮｏ．１Ｃは、出側５２３の温度の予測値を学習する訓練に用いられる。訓練用データＮｏ．１Ｃにおいて、鋼板データは、実操業データＮｏ．１の鋼板データであり、初期温度は、実操業データＮｏ．１の「入側」の温度である。ここまでは、訓練用データＮｏ．１Ｂと同じである。訓練用データＮｏ．１Ｃにおいて、各セクション冷却パラメータは、実操業データＮｏ．１の各セクション冷却実績であり、予測値は、実操業データＮｏ．１の「出側」の温度（温度計５３ｃで測定された鋼板Ｗの温度）である。

このように、出側５２３における予測値を学習するための訓練用データは、鋼板Ｗが１１個のセクション５２１を通過したときの冷却パラメータを含む。

１個の実操業データから１１個の訓練用データを作成する方法について、実操業データＮｏ．１を用いて説明する。この方法では、熱伝導方程式により構成される、鋼板Ｗの温度の物理モデルが用いられる。この物理モデルは、例えば、先行技術文献として記載した特開２０１２−６６３号公報に開示されている。

図６を参照して、実操業データＮｏ．１が取得される（Ｓ１１）。計算温度データ生成部１５（図３）は、この物理モデルを用いて、１番目〜１１番目のセクション５２１のそれぞれの鋼板Ｗの温度を計算する（Ｓ１３）。図７は、この計算結果の例を示すグラフ（計算温度データのグラフ）である。横軸は、冷却設備５２（図１）の入側、途中箇所、出側を示し、縦軸は、鋼板Ｗの温度を示す。図１を参照して、途中箇所は、１番目〜４番目のそれぞれのセクション５２１の出口、中間箇所５２４（５番目のセクション５２１の出口）、６番目〜１０番目のそれぞれのセクション５２１の出口である。

物理モデルを用いた計算温度と実測温度には、誤差（第１誤差）が生じるので、この誤差を補正した補正温度データが作成される（Ｓ１４）。詳しく説明する。入側５２２、中間箇所５２４、出側５２３の鋼板Ｗの温度については、実測温度がある（図４に示す実操業データＮｏ．１の温度計実測）。補正温度データ生成部１６（図３）は、これらの実測温度を図７に示すグラフにプロットし、入側５２２の実測温度と計算温度との差、中間箇所５２４の実測温度と計算温度との差、出側５２３の実測温度と計算温度との差を計算する。

補正温度データ生成部１６は、これらの差を基にして、線形補間することにより、計算温度データの補正量を計算する。図８は、この計算結果を示すグラフの例である。横軸は、図７に示す横軸と同じである。縦軸は、温度補正量を示す。入側５２２の場合、計算温度と実測温度とが一致していたので、温度補正量はゼロになる。中間箇所５２４の場合、実測温度が計算温度より小さいので、温度補正量はマイナスとなる。出側５２３の場合、実測温度が計算温度より大きいので、温度補正量はプラスとなる。入側５２２の温度補正量と中間箇所５２４の温度補正量をつなぐ直線と、中間箇所５２４の温度補正量と出側５２３の温度補正量をつなぐ直線とが、各途中箇所の温度補正量を示す。

補正温度データ生成部１６は、図８に示すグラフを用いて、計算温度データを補正することにより、補正温度データを生成する。図９は、計算温度データと補正温度データの例を示すグラフである。横軸、縦軸は、図７に示すグラフの横軸、縦軸と同じである。計算温度データは、図７に示す計算温度データと同じである。

補正温度データにより、１番目〜１０番目のそれぞれのセクション５２１の出口（途中箇所）における鋼板Ｗの温度、および、出側５２３（１１番目のセクション５２１の出口）における鋼板Ｗの温度が分かる。これらを予測値にすることにより、実操業データＮｏ．１から１１個の訓練用データを作成することができる（Ｓ１２）。

図１０は、実施形態に係る鋼板温度予測装置１００が実行する学習フェーズのフローチャートである。学習フェーズにおいて、鋼板温度予測装置１００は、学習装置として機能する。図３および図１０を参照して、ユーザは、温度予測モデル６１を設計する（Ｓ２１）。次に、ユーザは、入力部３を操作して、訓練用データを処理部１に記憶させる（Ｓ２２）。１個の実操業データから２個の訓練用データが作成する方法の場合、この方法で作成された訓練用データが処理部１に記憶される。１個の実操業データから１１個の訓練用データを作成する方法の場合、この方法で作成された訓練用データが処理部１に記憶される。

学習フェーズ実行部１３は、訓練用データを処理Ｓ２１で設計した温度予測モデル６１に学習させる（Ｓ２３）。詳しく説明する。学習フェーズ実行部１３は、出側５２３における予測値を学習する場合、鋼板Ｗが１１個（複数）のセクション５２１を通過（実際に通過）したときの冷却パラメータを用いた訓練用データを、温度予測モデル６１に学習させる。

途中箇所における予測値を学習する場合、鋼板Ｗが入側５２２から途中箇所までのセクション５２１を通過（実際に通過）したときの冷却パラメータを有し、かつ、途中箇所から出側５２３までのセクション５２１での冷却パラメータとして、ゼロ（予め定められた値）を有する訓練用データを、温度予測モデル６１に学習させる。例えば、途中箇所が３番目のセクション５２１の出口の場合、鋼板Ｗが１番目〜３番目のセクション５２１を通過したときの冷却パラメータを有し、かつ、４番目〜１１番目のセクション５２１での冷却パラメータとして、ゼロを有する訓練用データを、温度予測モデル６１に学習させる。

次に、予測フェーズについて説明する。図１１は、実施形態に係る鋼板温度予測装置１００が実行する予測フェーズのフローチャートである。図１、図３および図１１を参照して、予測フェーズ実行部１４は、オペレータが入力部３を用いて入力した、予測値を算出する対象となる鋼板Ｗの鋼板データを取得し、記憶する（Ｓ１）。

予測フェーズ実行部１４は、温度計５３ａが測定した、熱間圧延後のその鋼板Ｗの温度（初期温度）を、ＩＦ部２を介して取得し、記憶する（Ｓ２）。

予測フェーズ実行部１４は、冷却設備５２の制御部から送信されてきた、１番目のセクション５２１での冷却パラメータを、ＩＦ部２を介して取得し、記憶する（Ｓ３）。冷却パラメータは、上述したように、上部水量、下部水量および搬送時間である。１番目のセクション５２１は空冷式なので、上部水量および下部水量はゼロである。

予測フェーズ実行部１４は、１番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を算出する（Ｓ４）。詳しく説明する。予測フェーズ実行部１４は、処理Ｓ１で記憶した鋼板データおよび処理Ｓ２で記憶した初期温度を、温度予測モデル６１の入力ユニット６１１（図２）に入力する。また、予測フェーズ実行部１４は、１番目のセクション５２１での冷却パラメータとして、処理Ｓ３で記憶した冷却パラメータを入力ユニット６１１に入力する。さらに、予測フェーズ実行部１４は、第２記憶部１２からゼロデータ１２１を読み出し、２番目〜１１番目のセクション５２１での冷却パラメータとして、ゼロを入力ユニット６１１に入力する。以上により、１番目のセクション５２１で冷却された鋼板Ｗの温度の予測値が出力ユニット６１２（図２）から出力される。

予測フェーズ実行部１４は、冷却設備５２の制御部から送信されてきた、２番目のセクション５２１での冷却パラメータを、ＩＦ部２を介して取得し、記憶する（Ｓ５）。

予測フェーズ実行部１４は、２番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を算出する（Ｓ６）。詳しく説明する。予測フェーズ実行部１４は、処理Ｓ１で記憶した鋼板データおよび処理Ｓ２で記憶した初期温度を入力ユニット６１１に入力する。予測フェーズ実行部１４は、１番目のセクション５２１での冷却パラメータとして、処理Ｓ３で記憶した冷却パラメータを入力ユニット６１１に入力し、かつ、２番目のセクション５２１での冷却パラメータとして、処理Ｓ５で記憶した冷却パラメータを入力ユニット６１１に入力する。さらに、予測フェーズ実行部１４は、第２記憶部１２からゼロデータ１２１を読み出し、３番目〜１１番目のセクション５２１での冷却パラメータとして、ゼロを入力ユニット６１１に入力する。以上により、２番目のセクション５２１で冷却された鋼板Ｗの温度の予測値が出力ユニット６１２から出力される。

予測フェーズ実行部１４は、冷却設備５２の制御部から送信されてきた、３番目のセクション５２１での冷却パラメータを、ＩＦ部２を介して取得し、記憶する（Ｓ７）。

予測フェーズ実行部１４は、３番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を算出する（Ｓ８）。詳しく説明する。予測フェーズ実行部１４は、処理Ｓ１で記憶した鋼板データおよび処理Ｓ２で記憶した初期温度を入力ユニット６１１に入力する。予測フェーズ実行部１４は、１番目のセクション５２１での冷却パラメータとして、処理Ｓ３で記憶した冷却パラメータを入力ユニット６１１に入力し、かつ、２番目のセクション５２１での冷却パラメータとして、処理Ｓ５で記憶した冷却パラメータを入力ユニット６１１に入力し、かつ、３番目のセクション５２１での冷却パラメータとして、処理Ｓ７で記憶した冷却パラメータを入力ユニット６１１に入力する。さらに、予測フェーズ実行部１４は、第２記憶部１２からゼロデータ１２１を読み出し、４番目〜１１番目のセクション５２１での冷却パラメータとして、ゼロを入力ユニット６１１に入力する。以上により、３番目のセクション５２１で冷却された鋼板Ｗの温度の予測値が出力ユニット６１２から出力される。

同様にして、予測フェーズ実行部１４は、４番目〜１１番目のセクション５２１のそれぞれで冷却された鋼板Ｗの温度の予測値を算出する。なお、１１番目のセクション５２１（出側５２３）の場合、鋼板Ｗは、全てのセクション５２１で冷却されるので、第２記憶部１２に記憶されているゼロデータ１２１は、予測値の算出に用いられない。すなわち、出側５２３における予測値を算出する場合、鋼板が１１個のセクションを通過したときの冷却パラメータを入力ユニット６１１に入力することにより、出力ユニット６１２から予測値を出力させる。

なお、全セクション５２１の冷却パラメータ（上部水量、下部水量、搬送時間）が事前に計画されている場合、冷却設備５２の制御部は、全セクション５２１の冷却パラメータを予測フェーズ実行部１４に送信し、予測フェーズ実行部１４は、送信されてきた全セクション５２１の冷却パラメータを、ＩＦ部２を介して取得し、記憶する。この場合、予測フェーズ実行部１４は、全セクション５２１の予測値を一度に算出するので、処理Ｓ３以降は不要となる。

図１２は、予測値データと補正温度データの例を示すグラフである。横軸は、セクション５２１を示し、縦軸は、鋼板Ｗの温度を示す。予測値データは、実施形態に係る鋼板温度予測装置１００を用いて算出された各セクション５２１における鋼板Ｗの温度の予測値である。詳しく説明する。本発明者らは、５０本の鋼板コイルの実操業データから訓練用データを作成した。実際の冷却設備５２は１００以上のセクション５２１を有するので、１個の実操業データから１１個の訓練用データを作成する方法を用いることにより、約５０００個の訓練用データが作成された。学習フェーズ実行部１３は、これらの訓練用データを学習し、温度予測モデル６１を構築した。予測フェーズ実行部１４は、５１本目の鋼板コイルについて、この温度予測モデル６１を用いて図１１に示すフローチャートを実行し、各セクション５２１での予測値を算出した。これが、予測値データである。

補正温度データは、図７〜図９で説明したように、熱伝導方程式により構成される物理モデルで計算された計算温度データを補正したデータである。補正に用いた鋼板Ｗの温度の実測温度は、５１本目の鋼板コイルの実操業データに含まれる温度計実測（図４）である。

図１２を参照して、予測値データは、補正温度データとほぼ同じであり、予測値データは、補正温度データと比べて、見劣りしないことが分かる。

予測フェーズ実行部１４は、５１本目〜１００本目の鋼板コイルについて、上記温度予測モデル６１（５０本の鋼板コイルの実操業データから作成された訓練用データを学習して構築されたモデル）を用いて、図１１に示すフローチャートを実行し、出側５２３での予測値（１１番目のセクション５２１での予測値）を算出した。以下、これを、実施形態を用いて算出された出側５２３での予測値と記載する。５１本目〜１００本目の鋼板コイルの計算温度データを比較例とする。

本発明者らは、実施形態を用いて算出された出側５２３での予測値、物理モデルを用いる手法で算出された出側５２３での計算温度のそれぞれについて、平均絶対誤差と誤差標準偏差を算出した。図１３は、第１実施形態において、平均絶対誤差を算出するためのデータの例を示すグラフであり、図１４は、第１実施形態において、誤差標準偏差を算出するためのデータの例を示すグラフである。

図１３を参照して、実施形態を用いて算出された出側５２３での予測値の場合、横軸は、予測値の平均値と温度計実測の平均値の差の絶対値を示し、縦軸は、頻度を示す。物理モデルを用いる手法で算出された出側５２３での計算温度の場合、横軸は、計算温度の平均値と温度計実測の平均値の差の絶対値を示し、縦軸は、頻度を示す。

図１４を参照して、実施形態を用いて算出された出側５２３での予測値の場合、横軸は、予測値と温度計実測の差の標準偏差を示し、縦軸は、頻度を示す。物理モデルを用いる手法で算出された出側５２３での計算温度の場合、横軸は、計算温度と温度計実測の差の標準偏差を示し、縦軸は、頻度を示す。

平均絶対誤差と誤差標準偏差を以下の表に示す。

実施形態を用いて算出された出側５２３での予測値の場合、物理モデルを用いる手法で算出された出側５２３での計算温度の場合よりも、平均絶対誤差、誤差標準偏差がいずれも小さくなった。従って、前者は後者よりも、鋼板Ｗの温度の予測精度が高いことが分かる。

次に、別の実施形態について説明する。
（第２実施形態）
第１実施形態では、出側の温度または途中箇所の温度を予測する１個の温度予測モデルが用いられたが、第２実施形態では、概算の温度を予測する概算温度予測モデルと、温度の真値（実際には実測値または物理モデルの計算値）と前記概算温度予測モデルで予測した概算の温度との誤差（誤差温度、第２誤差）を予測する誤差温度予測モデルとの２個のモデルが用いられる。第１実施形態の温度予測モデルで予測した予測温度は、第２実施形態では、前記概算温度予測モデルで予測した概算の温度と、前記誤差温度予測モデルで予測した誤差温度との和が対応する。

ところで、前記特許文献２のように、機械学習した予測モデルを用いる場合、前記機械学習に用いた訓練用データに類似する初期温度や冷却条件の場合、比較的高い精度で温度が予測できる。一方、訓練用データと差異の大きい初期温度や冷却条件の場合、外挿領域での予測となるため、高い精度で温度が予測できない虞がある。この第２実施形態では、概算の温度および誤差温度で温度を予測することで外挿領域でも比較的高い精度で温度が予測でき、したがって、第２実施形態では、第１実施形態に較べ、より高い精度の温度予測が期待できる。

図１５は、第２実施形態において、フィードフォワード制御に用いられる、鋼板の概算温度予測モデルの例を示す模式図である。図１６は、第２実施形態において、フィードフォワード制御に用いられる、鋼板の誤差温度予測モデルの例を示す模式図である。

概算温度予測モデル６１Ａは、ディープニューラルネットワーク（Deep Neural Network）であり、例えば、図１５に示すように、入力層（第２入力層）と、中間層（第２中間層）と、出力層（第２出力層）と、を備える。図示を簡略にするために、中間層は、２層で示されているが、４層以上ある。中間層は、全結合である。

入力層は、鋼板データ（サイズ、成分）が入力される入力ユニット（第２入力ユニット）６１１Ａ、初期温度が入力される入力ユニット６１１Ａ、および、１１個（複数）のセクション５２１のそれぞれでの冷却パラメータの合計値が入力される入力ユニット６１１Ａを備える。

セクション５２１での冷却パラメータは、上述したように、搬送時間、上部水量および下部水量であるので、前記冷却パラメータの合計値は、合計搬送時間、合計上部水量および合計下部水量である。冷却設備５２の出側５２３における予測値を算出する場合や、冷却設備５２の出側５２３における前記予測値を算出するように機械学習させる場合、合計搬送時間は、入側５２２のセクション５２１（図１に示す例では１番目のセクション５２１）から出側５２３のセクション５２１（図１に示す例では１１番目のセクション５２１）までの各セクション５２１の各搬送時間の合計である。合計上部水量は、入側５２２のセクション５２１から出側５２３のセクション５２１までの各セクション５２１の各上部水量の合計である。合計下部水量は、入側５２２のセクション５２１から出側５２３のセクション５２１までの各セクション５２１の各下部水量の合計である。冷却設備５２の入側５２２から出側５２３までの途中に位置する途中箇所における予測値を算出する場合や、前記途中箇所における前記予測値を算出するように機械学習させる場合、合計搬送時間は、入側５２２のセクション５２１から前記途中箇所のセクション５２１までのセクション５２１を通過したときの搬送時間の合計である。合計上部水量は、入側５２２のセクション５２１から前記途中箇所のセクション５２１までのセクション５２１を通過したときの上部水量の合計である。合計下部水量は、入側５２２のセクション５２１から前記途中箇所のセクション５２１までのセクション５２１を通過したときの下部水量の合計である。例えば、４番目のセクション５２１の出側に途中箇所が設定される場合では、冷却パラメータの合計値は、１番目のセクション５２１から４番目のセクション５２１までにおける各セクション５２１の各冷却パラメータを合計することによって求められる。

出力層は、冷却設備５２による鋼板Ｗの冷却効果を示す所定の指標値の予測値を出力する出力ユニット（第２出力ユニット）６１２Ａを備える。前記指標値は、例えば、冷却設備５２の出側５２３における鋼板Ｗの温度である。あるいは例えば、前記指標値は、冷却設備５２の入側５２２に対する出側５２３もしくは途中箇所における鋼板Ｗの温度降下量である。

誤差温度予測モデル６１Ｂは、ディープニューラルネットワーク（Deep Neural Network）であり、例えば、図１６に示すように、入力層（第３入力層）と、中間層（第３中間層）と、出力層（第３出力層）と、を備える。図示を簡略にするために、中間層は、２層で示されているが、４層以上ある。中間層は、全結合である。

入力層は、鋼板データ（サイズ、成分）が入力される入力ユニット（第３入力ユニット）６１１Ｂ、初期温度が入力される入力ユニット６１１Ｂ、および、１１個（複数）のセクション５２１のそれぞれでの冷却パラメータが入力される入力ユニット６１１Ｂを備える。

出力層は、鋼板Ｗの誤差温度の予測値を出力する出力ユニット（第３出力ユニット）６１２Ｂを備える。前記誤差温度は、冷却設備５２で冷却されている鋼板Ｗの温度測定で得られた前記鋼板Ｗの温度、および、熱伝導方程式で計算された、前記冷却設備５２で冷却されている前記鋼板Ｗの温度の少なくとも一方に基にした前記指標値と、概算温度予測モデル６１Ａで予測された前記指標値との差である。

セクション５２１での冷却パラメータは、上述したように、搬送時間、上部水量および下部水量である。冷却設備５２の出側５２３における誤差温度を算出する場合や、冷却設備５２の出側５２３における前記誤差温度を算出するように機械学習させる場合、これら冷却パラメータにおける搬送時間、上部水量および下部水量は、第１実施形態と同様であり、冷却設備５２の入側５２２から出側５２３までの途中に位置する途中箇所における誤差温度を算出する場合や、前記途中箇所における前記誤差温度を算出するように機械学習させる場合も、これら冷却パラメータにおける搬送時間、上部水量および下部水量は、第１実施形態と同様である。

このような第２実施形態では、概算温度予測モデル６１Ａの入力ユニット６１１Ａの個数は、温度予測モデル６１における１１個（複数）のセクション５２１のそれぞれでの冷却パラメータが入力される入力ユニット６１１の個数と概算温度予測モデル６１Ａにおける１１個（複数）のセクション５２１のそれぞれでの冷却パラメータの合計値が入力される入力ユニット６１１Ａの個数との差だけ、温度予測モデル６１の入力ユニット６１１Ａの個数より少なくなる。このため、第２実施形態における鋼板温度予測装置１００ａは、第１実施形態における鋼板温度予測装置１００に較べて、外挿領域でも比較的高い精度で温度が予測できる。

第２実施形態における鋼板温度予測装置１００ａは、例えば、図３に示すように、処理部１ａと、ＩＦ部２と、入力部３と、出力部４と、を備える。これら第２実施形態における鋼板温度予測装置１００ａにおけるＩＦ部２、入力部３および出力部４は、それぞれ、第１実施形態における鋼板温度予測装置１００におけるＩＦ部２、入力部３および出力部４と同様であるので、その説明を省略する。

処理部１ａは、鋼板温度予測装置１００ａの全体を統括し、鋼板温度予測装置１００ａの動作に必要な処理を行う。処理部１ａは、ＣＰＵ、ＲＡＭ、ＲＯＭおよびＨＤＤ等のハードウェア、処理部１ａの機能を実行するためのプログラムおよびデータ等によって実現される。処理部１ａは、機能ブロックとして、第１記憶部１１ａ、第２記憶部１２、学習フェーズ実行部１３ａ、予測フェーズ実行部１４ａ、計算温度データ生成部１５および補正温度データ生成部１６を備える。これら第２実施形態における鋼板温度予測装置１００ａにおける第２記憶部１２、計算温度データ生成部１５および補正温度データ生成部１６は、それぞれ、第１実施形態における鋼板温度予測装置１００における第２記憶部１２、計算温度データ生成部１５および補正温度データ生成部１６と同様であるので、その説明を省略する。

第１記憶部１１ａは、ディープラーニングの概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂを記憶する。

学習フェーズ実行部１３ａは、概算温度予測モデル６１Ａに、訓練用データ（第２訓練用データ）を学習させ、誤差温度予測モデル６１Ｂに、訓練用データ（第３訓練用データ）を学習させる。予測フェーズ実行部１４ａは、学習済みの概算温度予測モデル６１Ａを用いて、鋼板Ｗの指標値（例えば鋼板Ｗの温度や温度降下量）の予測値を算出し、学習済みの誤差温度予測モデル６１Ｂを用いて、鋼板Ｗの誤差温度の予測値を算出する。

学習フェーズに用いる第２訓練用データの作成について説明する。図１７は、第２実施形態において、図４に示す実操業データから作成された第２訓練用データの例を示す表である。一例として、第１実施形態で用いた図４に示す実操業データから、第２訓練用データを作成する場合について説明する。

この第２訓練用データの作成では、まず、実操業データが取得され、そして、第２訓練用データが作成される。例えば、図４に示す実操業データＮｏ．１が取得され、そして、実操業データＮｏ．１から、図１７に示す訓練用データＮｏ．１ＢＡおよび訓練用データＮｏ．１ＣＡが作成される。訓練用データＮｏ．１ＢＡは、中間箇所５２４（途中箇所の例）の予測値を学習する訓練に用いられる。訓練用データＮｏ．１ＢＡにおいて、鋼板データは、実操業データＮｏ．１の鋼板データであり、初期温度は、実操業データＮｏ．１の「入側」の温度であり、冷却パラメータは、１番目〜５番目のセクション５２１の冷却パラメータの合計値である。より具体的には、合計上部水量は、１番目〜５番目のセクション５２１における各上部水量の合計値であり、合計下部水量は、１番目〜５番目のセクション５２１における各下部水量の合計値であり、合計搬送時間は、１番目〜５番目のセクション５２１における各搬送時間の合計値である。指標値は、鋼板Ｗの温度であってもよいが、ここでは、指標値は、温度降下量であり、訓練用データＮｏ．１ＢＡでは、この温度降下量は、実操業データＮｏ．１の「入側」の温度Ｔ１Ａを基準に、実操業データＮｏ．１の「入側」の温度Ｔ１Ａと、実操業データＮｏ．１の「中間」の温度（温度計５３ｂで測定された鋼板Ｗの温度）Ｔ１Ｂとの差分（＝Ｔ１Ｂ−Ｔ１Ａ）である。訓練用データＮｏ．１ＣＡは、出側５２３の予測値を学習する訓練に用いられる。訓練用データＮｏ．１ＣＡにおいて、鋼板データは、実操業データＮｏ．１の鋼板データであり、初期温度は、実操業データＮｏ．１の「入側」の温度であり、冷却パラメータは、１番目〜１１番目のセクション５２１の冷却パラメータの合計値である。より具体的には、合計上部水量は、１番目〜１１番目のセクション５２１における各上部水量の合計値であり、合計下部水量は、１番目〜１１番目のセクション５２１における各下部水量の合計値であり、合計搬送時間は、１番目〜１１番目のセクション５２１における各搬送時間の合計値である。温度降下量は、実操業データＮｏ．１の「入側」の温度Ｔ１Ａを基準に、実操業データＮｏ．１の「入側」の温度Ｔ１Ａと、実操業データＮｏ．１の「出側」の温度Ｔ１Ｃとの差分（＝Ｔ１Ｃ−Ｔ１Ａ）である。このように各実操業データから各訓練用データが作成される。

第２訓練用データにおいて、鋼板データ、初期温度、冷却パラメータ（合計上部水量、合計下部水量、合計搬送時間）は、第２入力層に入力され、温度降下量（指標値の一例）は、正解ラベルである。

学習フェーズに用いる第３訓練用データの作成について説明する。図１８は、第２実施形態において、図４に示す実操業データから作成された第３訓練用データの例を示す表である。一例として、第１実施形態で用いた図４に示す実操業データから、第３訓練用データを作成する場合について説明する。

この第３訓練用データの作成では、上述の第２訓練用データを用いた機械学習によって概算温度予測モデルが作成された後に、まず、実操業データが取得され、そして、第３訓練用データが作成される。例えば、図４に示す実操業データＮｏ．１が取得され、そして、実操業データＮｏ．１から、図１８に示す訓練用データＮｏ．１ＢＢおよび訓練用データＮｏ．１ＣＢが作成される。この第３訓練用データの作成は、図５に示す予測値に代え、図１８に示す誤差温度を作成する点を除き、第１実施形態における第１訓練用データの作成と同様であるので、その説明を省略する。この誤差温度は、冷却設備５２で冷却されている鋼板Ｗの温度測定で得られた前記鋼板Ｗの温度、および、熱伝導方程式で計算された、前記冷却設備５２で冷却されている前記鋼板Ｗの温度の少なくとも一方を基にした指標値と、機械学習後の概算温度予測モデル６１Ａで予測された前記指標値との差である。指標値は、鋼板Ｗの温度であってもよいが、ここでは、上述のように、指標値は、温度降下量である。訓練用データＮｏ．１ＢＢにおいて、誤差温度は、実操業データＮｏ．１の「出側」の温度Ｔ１Ｃに対する、機械学習後の概算温度予測モデル６１Ａでの予測値の誤差ＤＴ１Ｂである。訓練用データＮｏ．１ＣＢにおいて、誤差温度は、実操業データＮｏ．１の「中間」の温度（温度計５３ｂで測定された鋼板Ｗの温度）Ｔ１Ｂに対する、機械学習後の概算温度予測モデル６１Ａでの予測値の誤差ＤＴ１Ｃである。訓練用データＮｏ．１ＢＢは、中間箇所５２４（途中箇所の例）の予測値を学習する訓練に用いられ、訓練用データＮｏ．１ＣＢは、出側５２３の予測値を学習する訓練に用いられる。

第３訓練用データにおいて、鋼板データ、初期温度、各セクション冷却パラメータ（上部水量、下部水量、搬送時間）は、第３入力層に入力され、誤差温度は、正解ラベルである。

学習フェーズでは、まず、ユーザは、概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂそれぞれを設計し、次に、ユーザは、入力部３を操作して、第２および第３訓練用データを処理部１ａに記憶させる。そして、学習フェーズ実行部１３ａは、前記概算温度予測モデル６１Ａに、第２訓練用データを学習させ、誤差温度予測モデル６１Ｂに、第３訓練用データを学習させる。より具体的には、冷却設備５２の出側における予測値を算出する場合、学習フェーズ実行部１３ａは、鋼板Ｗが１１個（複数）のセクション５２１のそれぞれでの前記鋼板Ｗの冷却パラメータの合計値を有する第２訓練用データを、前記概算温度予測モデル６１Ａに学習させ、鋼板Ｗが１１個（複数）のセクション５２１を通過したときの前記冷却パラメータを有する第３訓練用データを、前記誤差温度予測モデル６１Ｂに学習させる。冷却設備５２の入側５２２から出側５２３までの途中に位置する途中箇所における予測値を算出する場合、学習フェーズ実行部１３ａは、鋼板Ｗが入側５２２から前記途中箇所までのセクション５２１を通過したときの冷却パラメータの合計値を有する第２訓練用データ（第４訓練データの一例）を、前記概算温度予測モデル６１Ａに学習させ、鋼板Ｗが入側５２２から前記途中箇所までのセクション５２１を通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から出側５２３までのセクション５２１での前記冷却パラメータとして、ゼロ（前記鋼板Ｗが未通過のセクション５２１に対する前記冷却パラメータとなる予め定められた値）を有する第３訓練用データ（第５訓練データの一例）を、前記誤差温度予測モデル６１Ｂに学習させる。

予測フェーズでは、まず、予測フェーズ実行部１４ａは、オペレータが入力部３を用いて入力した、予測値を算出する対象となる鋼板Ｗの鋼板データを取得し、記憶する。次に、予測フェーズ実行部１４ａは、温度計５３ａが測定した、熱間圧延後のその鋼板Ｗの温度（初期温度）を、ＩＦ部２を介して取得し、記憶する。

各セクション５２１ごとに順に予測値を求める場合では、次のように各処理が実行される。

次に、予測フェーズ実行部１４ａは、冷却設備５２の制御部から送信されてきた、１番目のセクション５２１での冷却パラメータ（上部水量、下部水量および搬送時間）を、ＩＦ部２を介して取得し、記憶する。１番目のセクション５２１は空冷式なので、上部水量および下部水量はゼロである。次に、予測フェーズ実行部１４ａは、１番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を算出する。より具体的には、予測フェーズ実行部１４ａは、前記記憶した鋼板データ、初期温度、１番目のセクション５２１での冷却パラメータの合計値（ここでは、１個のセクション５２１であるので１番目のセクション５２１での冷却パラメータそのもの）を、概算温度予測モデル６１Ａの第２入力ユニット６１１Ａに入力して温度降下量を第２出力ユニット６１２Ａから出力させ、前記記憶した鋼板データ、初期温度、１番目のセクション５２１での冷却パラメータを誤差温度予測モデル６１Ｂの第３入力ユニット６１１Ｂに入力すると共に、第２記憶部１２からゼロデータ１２１を読み出して２番目〜１１番目のセクション５２１での冷却パラメータとして、ゼロを第３入力ユニット６１１Ｂに入力し、誤差温度を第３出力ユニット６１２Ｂから出力させ、これら温度降下量と誤差温度との和を求め、この求めた和（より高精度に予測された温度降下量）と前記初期温度（入側５２２の鋼板Ｗの温度）とから、１番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を求める。

次に、予測フェーズ実行部１４ａは、冷却設備５２の制御部から送信されてきた、２番目のセクション５２１での冷却パラメータを、ＩＦ部２を介して取得し、記憶する。次に、予測フェーズ実行部１４ａは、２番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を算出する。より具体的には、予測フェーズ実行部１４ａは、前記記憶した鋼板データ、初期温度、１番目および２番目の各セクション５２１での各冷却パラメータの合計値を、概算温度予測モデル６１Ａの第２入力ユニット６１１Ａに入力して温度降下量を第２出力ユニット６１２Ａから出力させ、前記記憶した鋼板データ、初期温度、１番目および２番目の各セクション５２１での各冷却パラメータを誤差温度予測モデル６１Ｂの第３入力ユニット６１１Ｂに入力すると共に、第２記憶部１２からゼロデータ１２１を読み出して３番目〜１１番目のセクション５２１での冷却パラメータとして、ゼロを第３入力ユニット６１１Ｂに入力し、誤差温度を第３出力ユニット６１２Ｂから出力させ、これら温度降下量と誤差温度との和を求め、この求めた和と前記初期温度とから、２番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を求める。

次に、予測フェーズ実行部１４ａは、冷却設備５２の制御部から送信されてきた、３番目のセクション５２１での冷却パラメータを、ＩＦ部２を介して取得し、記憶する。次に、予測フェーズ実行部１４ａは、３番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を算出する。より具体的には、予測フェーズ実行部１４ａは、前記記憶した鋼板データ、初期温度、１番目ないし３番目の各セクション５２１での各冷却パラメータの合計値を、概算温度予測モデル６１Ａの第２入力ユニット６１１Ａに入力して温度降下量を第２出力ユニット６１２Ａから出力させ、前記記憶した鋼板データ、初期温度、１番目ないし３番目の各セクション５２１での各冷却パラメータを誤差温度予測モデル６１Ｂの第３入力ユニット６１１Ｂに入力すると共に、第２記憶部１２からゼロデータ１２１を読み出して４番目〜１１番目のセクション５２１での冷却パラメータとして、ゼロを第３入力ユニット６１１Ｂに入力し、誤差温度を第３出力ユニット６１２Ｂから出力させ、これら温度降下量と誤差温度との和を求め、この求めた和と前記初期温度とから、３番目のセクション５２１で冷却された鋼板Ｗの温度の予測値を求める。

以下、同様にして、予測フェーズ実行部１４は、４番目〜１１番目のセクション５２１のそれぞれで冷却された鋼板Ｗの温度の予測値を算出する。なお、１１番目のセクション５２１（出側５２３）の場合、鋼板Ｗは、全てのセクション５２１で冷却されるので、第２記憶部１２に記憶されているゼロデータ１２１は、予測値の算出に用いられない。

一方、全セクション５２１の各予測値を一度に求める場合では、冷却設備５２の制御部は、全セクション５２１の冷却パラメータを予測フェーズ実行部１４ａに送信し、予測フェーズ実行部１４ａは、送信されてきた全セクション５２１の冷却パラメータを、ＩＦ部２を介して取得し、記憶する。そして、予測フェーズ実行部１４ａは、各セクション５２１ごとに、第２および第３入力ユニット６１１Ａ、６１１Ｂに入力する、冷却パラメータの合計値や冷却パラメータ等の各入力データを生成して第２および第３入力ユニット６１１Ａ、６１１Ｂに入力して各温度降下量および各誤差温度を出力させ、全セクション５２１の各予測値を求める。

以上説明したように、第２実施形態における鋼板温度予測装置１００ａは、外挿領域でも比較的高い精度で温度が予測でき、したがって、上記鋼板温度予測装置１００ａは、より高い精度の温度予測が期待できる。

第２実施形態における鋼板温度予測装置１００ａでは、より高い精度の温度予測が期待できる概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂが機械学習で生成できる。

図１９は、第１および第２実施形態それぞれの各誤差分布を示す図である。図１９の横軸は、誤差であり、その縦軸は、その大きさ（レベル）である。曲線αは、第１実施形態の場合の誤差分布を示し、曲線βは、第２実施形態の場合の誤差分布を示す。一例では、まず、コイル６４本（６４個の鋼板Ｗ）における実操業データから第１ないし第３訓練用データが生成され、温度予測モデル６１、概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂが機械学習された。その後に生産された１本のコイルの実操業データを用いて、温度予測モデル６１の予測値の誤差分布α（第１実施形態の場合の誤差分布α）、および、概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂによる予測値の誤差分布β（第２実施形態の場合の誤差分布β）が計算された。その計算結果が図１９に示されている。図１９から分かるように、第２実施形態の場合の誤差分布βは、第１実施形態の場合の誤差分布αより、０に近づいており、第２実施形態における鋼板温度予測装置１００ａは、より高い精度で温度予測ができている。

また、鋼板Ｗの温度制御では、出側５２３における鋼板Ｗの目標温度は、その種類が少ないため、指標値が鋼板Ｗの温度である場合、実操業データにおける互いに異なるデータの個数が少なくなり、第２訓練用データの個数が少なくなるが、指標値を温度降下量とすることで、実操業データにおける互いに異なるデータの個数が多くなり、第２訓練用データの個数が多くできる。

誤差温度予測モデル６１Ｂは、概算温度予測モデル６１Ａで使用しない冷却パラメータを用いて機械学習し、予測することで、概算温度予測モデル６１Ａで予測された予測値に含まれる第２誤差をより適切に修正するように、誤差温度を予測できる。概算温度予測モデル６１Ａで予測された予測値に含まれる第２誤差は、その分散が温度降下量の分散より小さいため、外挿領域に対する予測精度の悪化を抑制できる。

なお、上述の第２実施形態において、複数のセクション５２１や鋼板Ｗが所定のルールに従って纏められてもよい。

例えば、複数のセクション５２１は、順番が連続する２以上のセクション５２１から成る２以上のグループに予め分けられてもよい。このような場合、第１記憶部１１ａは、複数のセクション５２１を順番が連続する２以上のセクション５２１から成る２以上のグループに予め分けた条件下で、前記２以上のグループのそれぞれに対応して構築された２以上の概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂそれぞれを記憶する。そして、予測フェーズ実行部１４ａは、前記２以上のグループのそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記２以上のグループのそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する。このような鋼板温度予測装置１００ａでは、局所的な設備環境による影響の機械学習が容易になり、概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂそれぞれをグループ分けすることで、一度に機械学習できる第２および第３訓練用データの容量が増加できる。

あるいは、例えば、鋼板Ｗは、前記鋼板Ｗの長手方向に沿って前記鋼板Ｗを２以上の区間に予め分けられてもよい。このような場合、第１記憶部１１ａは、鋼板Ｗの長手方向に沿って前記鋼板Ｗを２以上の区間に予め分けた条件下で、前記２以上の区間のそれぞれに対応して構築された２以上の概算温度予測モデル６１Ａおよび誤差温度予測モデル６１Ｂそれぞれを記憶する。予測フェーズ実行部１４ａは、前記２以上の区間のそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記２以上の区間のそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する。このような鋼板温度予測装置１００ａでは、鋼板Ｗの長手方向に沿って区分けすることで、鋼板Ｗの位置に応じた特徴（例えば先端部が撓んでいることや、先端部付近で温度降下量が大きいこと等）を考慮した機械学習が実施できる。

本発明を表現するために、上述において図面を参照しながら実施形態を通して本発明を適切且つ十分に説明したが、当業者であれば上述の実施形態を変更および／または改良することは容易に為し得ることであると認識すべきである。したがって、当業者が実施する変更形態または改良形態が、請求の範囲に記載された請求項の権利範囲を離脱するレベルのものでない限り、当該変更形態または当該改良形態は、当該請求項の権利範囲に包括されると解釈される。

１、１ａ 処理部
１１、１１ａ 第１記憶部
１２ 第２記憶部
１３、１３ａ 学習フェーズ実行部
１４、１４ａ 予測フェーズ実行部
５１ 圧延機
５２ 冷却設備
５３、５３ａ、５３ｂ、５３ｃ 温度計
５２１ セクション
５２２ 入側
５２３ 出側
５２４ 中間箇所
６１ 温度予測モデル
６１Ａ 概算温度予測モデル
６１Ｂ 誤差温度予測モデル
６１１ 第１入力ユニット
６１１Ａ 第２入力ユニット
６１１Ｂ 第３入力ユニット
６１２ 第１出力ユニット
６１２Ａ 第２出力ユニット
６１２Ｂ 第３出力ユニット
１００、１００ａ 鋼板温度予測装置
Ｗ 鋼板
Ｄ 搬送方向

Claims (12)

1. 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置であって、
   複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第１入力ユニットを含む第１入力層と、第１中間層と、前記鋼板の温度の予測値を出力する第１出力ユニットを含む第１出力層と、を備える、ディープラーニングの温度予測モデルを記憶する第１記憶部と、
   前記鋼板が未通過の前記セクションに対する前記冷却パラメータとして、予め定められた値を記憶する第２記憶部と、
   前記温度予測モデルを用いて前記予測値を算出する予測フェーズ実行部と、を備え、
   前記予測フェーズ実行部は、
   前記冷却設備の出側における前記予測値を算出する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させ、
   前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記予め定められた値を前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させる、
   鋼板温度予測装置。
2. 前記冷却パラメータが大きいとき、前記鋼板に対する冷却量が大きくなり、前記冷却パラメータが小さいとき、前記鋼板に対する冷却量が小さくなる、
   請求項１に記載の鋼板温度予測装置。
3. 前記冷却パラメータは、複数の前記セクションのそれぞれでの前記鋼板の搬送時間および前記鋼板に供給される冷却水の量である、
   請求項２に記載の鋼板温度予測装置。
4. 前記予め定められた値は、ゼロである、
   請求項２または３に記載の鋼板温度予測装置。
5. 前記第１記憶部は、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を入力する第２入力ユニットを含む第２入力層と、第２中間層と、前記冷却設備による前記鋼板の冷却効果を示す所定の指標値の予測値を出力する第２出力ユニットを含む第２出力層と、を備える、ディープラーニングの概算温度予測モデル、および、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第３入力ユニットを含む第３入力層と、第３中間層と、前記鋼板の誤差温度の予測値を出力する第３出力ユニットを含む第３出力層と、を備える、ディープラーニングの誤差温度予測モデルを記憶し、
   前記誤差温度は、前記冷却設備で冷却されている前記鋼板の温度測定で得られた前記鋼板の温度、および、熱伝導方程式で計算された、前記冷却設備で冷却されている前記鋼板の温度の少なくとも一方を基にした前記指標値と、前記概算温度予測モデルで予測された前記指標値との差であり、
   前記予測フェーズ実行部は、
   前記冷却設備の出側における前記予測値を算出する場合、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を前記第２入力ユニットに入力することにより、前記第２出力ユニットから前記指標値を出力させ、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第３入力ユニットに入力することにより、前記第３出力ユニットから前記誤差温度を出力させ、前記指標値と前記誤差温度との和を前記冷却設備の出側における前記予測値として算出し、
   前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータの合計値を前記第２入力ユニットに入力することにより、前記第２出力ユニットから前記指標値を出力させ、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第３入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記予め定められた値を前記第３入力ユニットに入力することにより、前記第３出力ユニットから前記誤差温度を出力させ、前記指標値と前記誤差温度との和を前記途中箇所における前記予測値として算出する、
   請求項１ないし請求項４のいずれか１項に記載の鋼板温度予測装置。
6. 前記第１記憶部は、前記複数のセクションを順番が連続する２以上のセクションから成る２以上のグループに予め分けた条件下で、前記２以上のグループのそれぞれに対応して構築された２以上の前記概算温度予測モデルおよび前記誤差温度予測モデルそれぞれを記憶し、
   前記予測フェーズ実行部は、前記２以上のグループのそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記２以上のグループのそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する、
   請求項５に記載の鋼板温度予測装置。
7. 前記第１記憶部は、前記鋼板の長手方向に沿って前記鋼板を２以上の区間に予め分けた条件下で、前記２以上の区間のそれぞれに対応して構築された２以上の前記概算温度予測モデルおよび前記誤差温度予測モデルそれぞれを記憶し、
   前記予測フェーズ実行部は、前記２以上の区間のそれぞれについて前記指標値および前記誤差温度それぞれを出力させ、前記２以上の区間のそれぞれについて出力させた各前記指標値と各前記誤差温度との各和を算出する、
   請求項５に記載の鋼板温度予測装置。
8. 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測方法であって、
   複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第１入力ユニットを含む第１入力層と、第１中間層と、前記鋼板の温度の予測値を出力する第１出力ユニットを含む第１出力層と、を備える、ディープラーニングの温度予測モデルを用いて、前記予測値を算出する予測フェーズ実行ステップを備え、
   前記予測フェーズ実行ステップは、
   前記冷却設備の出側における前記予測値を算出する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させ、
   前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを前記第１入力ユニットに入力し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を前記第１入力ユニットに入力することにより、前記第１出力ユニットから前記予測値を出力させる、
   鋼板温度予測方法。
9. 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置に備えられる、ディープラーニングの温度予測モデルに学習させる学習装置であって、
   複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第１入力ユニットを含む第１入力層と、第１中間層と、前記鋼板の温度の予測値を出力する第１出力ユニットを含む第１出力層と、を備える前記温度予測モデルに、第１訓練用データを学習させる学習フェーズ実行部を備え、
   前記学習フェーズ実行部は、
   前記冷却設備の出側における前記予測値を学習する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する前記第１訓練用データを、前記温度予測モデルに学習させ、
   前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する前記第１訓練用データを、前記温度予測モデルに学習させる、
   学習装置。
10. 前記第１訓練用データに付けられる正解ラベルが示す前記途中箇所の前記予測値は、熱伝導方程式により構成される物理モデルを基にして算出される、
    請求項９に記載の学習装置。
11. 前記温度予測モデルは、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を入力する第２入力ユニットを含む第２入力層と、第２中間層と、前記冷却設備による前記鋼板の冷却効果を示す所定の指標値の予測値を出力する第２出力ユニットを含む第２出力層と、を備える、ディープラーニングの概算温度予測モデル、および、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第３入力ユニットを含む第３入力層と、第３中間層と、前記鋼板の誤差温度の予測値を出力する第３出力ユニットを含む第３出力層と、を備える、ディープラーニングの誤差温度予測モデルを備え、
    前記学習フェーズ実行部は、
    前記冷却設備の出側における前記予測値を算出する場合、複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータの合計値を有する第２訓練用データを、前記概算温度予測モデルに学習させ、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する第３訓練用データを、前記誤差温度予測モデルに学習させ、
    前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を算出する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータの合計値を有する第４訓練用データを、前記概算温度予測モデルに学習させ、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する第５訓練用データを、前記誤差温度予測モデルに学習させる、
    請求項９に記載の学習装置。
12. 熱間圧延後の鋼板を複数のセクションを順番に通過させて冷却する冷却設備の制御に用いられる鋼板温度予測装置に備えられる、ディープラーニングの温度予測モデルに学習させる学習方法であって、
    複数の前記セクションのそれぞれでの前記鋼板の冷却パラメータを入力する第１入力ユニットを含む第１入力層と、第１中間層と、前記鋼板の温度の予測値を出力する第１出力ユニットを含む第１出力層と、を備える前記温度予測モデルに、第１訓練用データを学習させる学習フェーズ実行ステップを備え、
    前記学習フェーズ実行ステップは、
    前記冷却設備の出側における前記予測値を学習する場合、前記鋼板が複数の前記セクションを通過したときの前記冷却パラメータを有する前記第１訓練用データを、前記温度予測モデルに学習させ、
    前記冷却設備の入側から前記出側までの途中に位置する途中箇所における前記予測値を学習する場合、前記鋼板が前記入側から前記途中箇所までの前記セクションを通過したときの前記冷却パラメータを有し、かつ、前記途中箇所から前記出側までの前記セクションでの前記冷却パラメータとして、前記鋼板が未通過の前記セクションに対する前記冷却パラメータとなる予め定められた値を有する前記第１訓練用データを、前記温度予測モデルに学習させる、
    学習方法。

Images