JP2022014876A - 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 - Google Patents
厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 Download PDFInfo
- Publication number
- JP2022014876A JP2022014876A JP2021087454A JP2021087454A JP2022014876A JP 2022014876 A JP2022014876 A JP 2022014876A JP 2021087454 A JP2021087454 A JP 2021087454A JP 2021087454 A JP2021087454 A JP 2021087454A JP 2022014876 A JP2022014876 A JP 2022014876A
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- predetermined
- steel sheet
- thick steel
- specifications
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 230
- 238000000034 method Methods 0.000 title claims abstract description 188
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 128
- 239000010959 steel Substances 0.000 title claims abstract description 128
- 238000004590 computer program Methods 0.000 title claims description 9
- 239000000463 material Substances 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000010438 heat treatment Methods 0.000 claims abstract description 64
- 238000005098 hot rolling Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 138
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000005496 tempering Methods 0.000 description 36
- 238000005457 optimization Methods 0.000 description 35
- 238000001816 cooling Methods 0.000 description 33
- 239000000047 product Substances 0.000 description 31
- 238000010791 quenching Methods 0.000 description 28
- 230000000171 quenching effect Effects 0.000 description 28
- 238000012360 testing method Methods 0.000 description 27
- 238000003303 reheating Methods 0.000 description 26
- 238000005096 rolling process Methods 0.000 description 24
- 238000005266 casting Methods 0.000 description 22
- 238000011156 evaluation Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 21
- 238000013461 design Methods 0.000 description 20
- 239000000203 mixture Substances 0.000 description 17
- 238000007670 refining Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 11
- 238000000465 moulding Methods 0.000 description 11
- 238000002791 soaking Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 239000002826 coolant Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000012467 final product Substances 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 229910000805 Pig iron Inorganic materials 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910052770 Uranium Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 229910052796 boron Inorganic materials 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 229910052758 niobium Inorganic materials 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Landscapes
- General Factory Administration (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
【課題】複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様の迅速な決定に用いて好適な技術を提案する。【解決手段】所定工程までの完了で確定した、所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する探索処理部と、該探索処理部で探索した製造仕様を出力する出力部と、を有する装置である。所定工程までの完了で確定した、所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する方法である。【選択図】図１
Description
本発明は、熱間圧延後に熱処理を要する厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法に関し、複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の、材料特性が所定の範囲になるような生産を実現する製造仕様の迅速な決定に用いて好適な技術に関する。
一般に、製造工場において製品を製造する場合には、様々な製造仕様を事前に決定しておく必要がある。特に、複数工程での処理を経て生産される製品に対しては、数多くの製造仕様の決定が必要であることが多い。
船舶や海洋構造物、橋梁、建築物、タンク、建産機、ラインパイプなどの各構造物に使用される鋼材では、該構造物の設計に合わせ、たとえば、大型化を目指し、厚肉化や高強度化、高靭性化した金属材料が適用される。一方、鋼材使用重量の低減を目的として、高強度化や薄肉化した長尺材が適用されるなど、様々な用途によって必要な特性が望まれる。このような鋼材を鉄鋼製造工場において製造する場合には、強度や靭性などの機械的性質に加え溶接性に優れていることが共通して求められる。
たとえば、低降伏比高張力鋼板に関しては、近年、建築構造物の高層化、大スパン化に伴い、使用される鋼材の厚肉化、高強度化が要望され、鋼構造物の安全性の観点からは、高い許容応力を有する必要がある。それとともに、降伏比ＹＲ（＝引張強度ＴＳに対する降伏強度ＹＳの比）を低減することが要求されている。
降伏比ＹＲを低減すると、降伏点以上の応力が付加されても破壊までに許容される応力が大きくなり、また、一様伸びが大きくなるため、塑性変形能に優れた鋼材となる。そのため、従来よりも降伏比ＹＲを低減できれば、より変形能に優れた鋼材が得られる。
低降伏比高張力厚鋼板の製造プロセスとしては、精錬工程で所定の成分に調整され、熱間圧延工程で所定の寸法に形成されたのち、再加熱焼入れ後、焼戻しを行う熱処理を施すのが一般的である。もしくは、熱間圧延工程直後に加速冷却装置によって焼入れを行い、焼戻しを行う熱処理を施すこと、または、再加熱焼き入れ後の冷却停止温度を室温より高い、たとえば２００℃以上にし、自己焼戻しを施すことが一般的である。
たとえば、特許文献１には優れた強度と靭性を備えた超低降伏比（降伏比８０％以下）鋼板を製造するために、成分組成に加え、再加熱温度、再加熱温度での保持時間、再加熱後の焼入れにおける冷却条件（冷却速度や冷却媒体噴射流量、冷却媒体噴射圧など）、再加熱後の焼入れ停止温度を制御する技術が開示されている。
また、海洋構造物用の厚肉高張力鋼板は、鋼材を溶接接合して所望の形状に仕上げるのに用いられる。近年、かような鋼製構造物の大型化が著しく、使用される鋼材の高強度化や厚肉化も進められている。海洋構造物は極寒の海洋向けに製造されることもあり、場合によっては優れた低温靭性を有することが求められている。
特に板厚が１００ｍｍ以上の海洋構造物用の厚肉高張力鋼板の製造プロセスでは、熱間圧延後に焼入れ焼もどしを施すことによって、高強度に加えて高靭性を付与して製造されることが多い。
たとえば、特許文献２には優れた強度と低温靭性を備えた板厚１００ｍｍを超える極厚鋼板を製造するために、成分組成や熱間圧延条件に加え、熱間圧延工程後の再加熱温度、再加熱後の焼入れにおける冷却条件、再加熱後の焼入れ停止温度、焼戻し温度、焼戻し後強制冷却条件を制御する技術が開示されている。
これらを例とし、熱間圧延後に適切な熱処理を施すことによって冶金的には粒径の微細化や高強度組織の作りこみ、高い強度を維持した状態での靭性の回復などの効果が得られる。
ここでいう適切な熱処理条件というのは、熱間圧延工程後の再加熱温度、再加熱温度での保持時間、再加熱後の焼入れにおける冷却条件（冷却速度や冷却媒体噴射流量、冷却媒体噴射圧など）、再加熱後の焼入れ停止温度、再加熱後の焼入れ回数、焼戻し温度、焼戻し時間、焼戻し後強制冷却条件などの項目を指し、これらを制御することが材質制御につながる。
また、材質の予測方法および組織制御に関しては、たとえば、特許文献３には熱間圧延後の加速冷却において、組織分率や粒径などを熱力学計算から求める方法が開示されている。
しかしながら、上記従来の技術には、未だ解決すべき以下のような問題があった。
特許文献１や特許文献２に記載されている従来技術は、成分組成から指定の式によって計算される変態点を基に焼入れ工程もしくは焼戻し工程の操業条件を決定している。しかしながら、実際には製造上のばらつきが存在しており、高精度に品質を管理するために、一製品ごとに前工程の条件の影響を考慮する必要があり、従来技術では高精度な材質管理ができないという問題点があった。
特許文献１や特許文献２に記載されている従来技術は、成分組成から指定の式によって計算される変態点を基に焼入れ工程もしくは焼戻し工程の操業条件を決定している。しかしながら、実際には製造上のばらつきが存在しており、高精度に品質を管理するために、一製品ごとに前工程の条件の影響を考慮する必要があり、従来技術では高精度な材質管理ができないという問題点があった。
また、特許文献３に記載の方法では、前工程の成分や熱履歴の情報から粒径を計算し、当該工程の熱処理での組織を予測としている。しかしながら、実際には前工程のみならずさらにその前の工程からの影響を受けている場合もあり、また、粒径や組織分率のみならず、本来は介在物や析出物の影響もある。特許文献３に記載の方法では、そういった挙動に対する影響が考慮できず、さらに、試験片の採取位置によって異なる製造工程のばらつきを考慮していないため、高精度な材質管理ができないという問題点があった。
本発明は上記事情に鑑みてなされたものであり、その目的とするところは、複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造に際し、厚鋼板製造工程全体の製造条件を総合的に評価しながら、製造仕様の決定にかかる時間的負荷を低減し、材料特性が所定の範囲になるような生産を実現する製造仕様決定支援装置、製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体および厚鋼板の製造方法を提案することにある。
上記課題を解決し、上記の目的を実現するため開発した本発明にかかる厚鋼板の製造仕様決定支援装置は、以下の（１）～（６）の通りである。
（１）複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様の決定を支援する製造仕様決定支援装置であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する探索処理部と、
該探索処理部で探索した製造仕様を出力する出力部と、
を有する厚鋼板の製造仕様決定支援装置。
（２）前記探索処理部は、熱処理工程前に前記逆解析を行い、熱処理工程にかかる製造仕様を探索するように構成されている（１）に記載の厚鋼板の製造仕様決定支援装置。
（３）前記製造実績データは、所定の鋼板位置ごとに収集された製造実績データを含み、
前記探索処理部は、所定の鋼板位置ごとに収集された製造実績データに基づき、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を、前記所定の位置ごとについて探索する（１）または（２）に記載の厚鋼板の製造仕様決定支援装置。
（４）前記予測モデルは、過去に製造された厚鋼板についての製造仕様実績と材料特性実績とに基づき、製造仕様と材料特性とを結びつけた予測モデルである（１）～（３）のいずれかに記載の厚鋼板の製造仕様決定支援装置。
（５）前記予測モデルは、過去に製造された厚鋼板についての製造仕様実績と所定の鋼板位置ごとに収集された材料特性実績とに基づき、製造仕様と所定の鋼板位置ごとの材料特性とを結びつけた予測モデルである（３）に記載の厚鋼板の製造仕様決定支援装置。
（６）前記予測モデルは、深層学習モデルおよび統計学習モデルのいずれか一方を含む機械学習モデルである（４）又は（５）に記載の厚鋼板の製造仕様決定支援装置。
（１）複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様の決定を支援する製造仕様決定支援装置であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する探索処理部と、
該探索処理部で探索した製造仕様を出力する出力部と、
を有する厚鋼板の製造仕様決定支援装置。
（２）前記探索処理部は、熱処理工程前に前記逆解析を行い、熱処理工程にかかる製造仕様を探索するように構成されている（１）に記載の厚鋼板の製造仕様決定支援装置。
（３）前記製造実績データは、所定の鋼板位置ごとに収集された製造実績データを含み、
前記探索処理部は、所定の鋼板位置ごとに収集された製造実績データに基づき、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を、前記所定の位置ごとについて探索する（１）または（２）に記載の厚鋼板の製造仕様決定支援装置。
（４）前記予測モデルは、過去に製造された厚鋼板についての製造仕様実績と材料特性実績とに基づき、製造仕様と材料特性とを結びつけた予測モデルである（１）～（３）のいずれかに記載の厚鋼板の製造仕様決定支援装置。
（５）前記予測モデルは、過去に製造された厚鋼板についての製造仕様実績と所定の鋼板位置ごとに収集された材料特性実績とに基づき、製造仕様と所定の鋼板位置ごとの材料特性とを結びつけた予測モデルである（３）に記載の厚鋼板の製造仕様決定支援装置。
（６）前記予測モデルは、深層学習モデルおよび統計学習モデルのいずれか一方を含む機械学習モデルである（４）又は（５）に記載の厚鋼板の製造仕様決定支援装置。
また、本発明にかかる厚鋼板の製造仕様探索方法は、（７）の通りである。
（７）複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様の探索方法であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する、厚鋼板の製造仕様探索方法。
（７）複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様の探索方法であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する、厚鋼板の製造仕様探索方法。
なお、本発明にかかるコンピュータプログラムは、（８）の通りである。
（８）（７）に記載の厚鋼板の製造仕様探索方法を実施するために用いるコンピュータプログラムであって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する探索処理を、コンピュータに実行させるコンピュータプログラム。
（８）（７）に記載の厚鋼板の製造仕様探索方法を実施するために用いるコンピュータプログラムであって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する探索処理を、コンピュータに実行させるコンピュータプログラム。
また、本発明にかかるコンピュータ読み取り可能な記録媒体は、（９）の通りである。（９）（８）に記載のコンピュータプログラムを記録したことを特徴とするコンピュータ読み取り可能な記録媒体。
また、本発明にかかる厚鋼板の製造方法は、（１０）～（１２）の通りである。
（１０）複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造方法であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索し、
該探索を行った工程について、探索された製造仕様に基づき製造を行う厚鋼板の製造方法。
（１１）熱処理工程前に前記逆解析を行い、熱処理工程にかかる製造仕様について前記探索を行う（１０）に記載の厚鋼板の製造方法。
（１２）前記製造実績データは、所定の鋼板位置ごとに収集された製造実績データを含み、
前記探索は、所定の鋼板位置ごとに収集された製造実績データに基づき、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を、前記所定の鋼板位置ごとについて探索する（１０）または（１１）に記載の厚鋼板の製造方法。
（１０）複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造方法であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索し、
該探索を行った工程について、探索された製造仕様に基づき製造を行う厚鋼板の製造方法。
（１１）熱処理工程前に前記逆解析を行い、熱処理工程にかかる製造仕様について前記探索を行う（１０）に記載の厚鋼板の製造方法。
（１２）前記製造実績データは、所定の鋼板位置ごとに収集された製造実績データを含み、
前記探索は、所定の鋼板位置ごとに収集された製造実績データに基づき、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を、前記所定の鋼板位置ごとについて探索する（１０）または（１１）に記載の厚鋼板の製造方法。
以上説明したように、本発明によれば、各工程より収集した製造実績データおよび材料特性実績データから、各工程の製造仕様と材料特性の値との関係を表す予測モデルを作成し、この予測モデルを用いて、所定工程後の製造仕様を材料特性が所望の値となるように迅速に決定できるようになる。
以下、本発明の実施の形態について図面を参照して説明する。
図１は、本発明の一実施形態として、厚鋼板の製造にかかる製造仕様決定支援装置１０を含むシステム（以下、「本システム」という。）の全体概要を示す模式図である。図１に示すように本実施形態にかかるシステムは、製銑工程Ｓ１、精錬工程Ｓ２、鋳造工程Ｓ３、中間成形工程Ｓ４、製品成形工程Ｓ５、熱処理工程Ｓ６および材料試験工程Ｓ７のうち１つ以上の工程を管理するプロセスコンピュータまたは分散制御システム（ＤＣＳ）と、製造仕様決定支援装置１０とを含む。厚鋼板の製造工程において、まず原料の鉄鉱石は、石灰石およびコークスとともに高炉に装入され、溶融状態の銑鉄が生成される（製銑工程Ｓ１）。高炉から出銑された銑鉄に対して転炉精錬により炭素等の成分調整が行われ、二次精錬により溶鋼に最終的な成分調整が施される（精錬工程Ｓ２）。鋳造機では、精錬された溶鋼を鋳造して鋳片（スラブ）と呼ばれる中間素材を製造する。鋳造法は連続鋳造法または造塊法等によって製造される（鋳造工程Ｓ３）。鋳造後に最終的な寸法に仕上げる製品成形工程へ直接移行する場合もあるが、特に板厚が厚い材料では中間成形工程を鋳造工程と製品成形工程の間に設ける場合がある。中間成形工程では所定温度に加熱されたのち、圧延法や鍛造法によって最終製品厚より厚い状態で成形される（中間成形工程Ｓ４）。その後、最終寸法に成形するため、加熱炉で所定温度まで加熱し、圧延機によって所定のサイズに成形する。必要に応じて材質を制御するため、加速冷却装置によって冷却する（製品成形工程Ｓ５）。さらに、高い強度や靭性が得られる金属組織に作りこむための焼入れや軟質化させる焼鈍を行う工程（熱処理工程Ｓ６）を経て、製品厚鋼板が製造される。製造された厚鋼板は材料試験を行ったのち出荷される（材料試験工程Ｓ７）。なお、ここで言う材料試験には、材料の機械的特性だけでなく表面欠陥の発生状態や、寸法精度等の品質検査をも含むものとする。各工程の製造仕様は、プロセスコンピュータまたは分散制御システムによって管理され、各工程の製造実績データが収集される。
図１は、本発明の一実施形態として、厚鋼板の製造にかかる製造仕様決定支援装置１０を含むシステム（以下、「本システム」という。）の全体概要を示す模式図である。図１に示すように本実施形態にかかるシステムは、製銑工程Ｓ１、精錬工程Ｓ２、鋳造工程Ｓ３、中間成形工程Ｓ４、製品成形工程Ｓ５、熱処理工程Ｓ６および材料試験工程Ｓ７のうち１つ以上の工程を管理するプロセスコンピュータまたは分散制御システム（ＤＣＳ）と、製造仕様決定支援装置１０とを含む。厚鋼板の製造工程において、まず原料の鉄鉱石は、石灰石およびコークスとともに高炉に装入され、溶融状態の銑鉄が生成される（製銑工程Ｓ１）。高炉から出銑された銑鉄に対して転炉精錬により炭素等の成分調整が行われ、二次精錬により溶鋼に最終的な成分調整が施される（精錬工程Ｓ２）。鋳造機では、精錬された溶鋼を鋳造して鋳片（スラブ）と呼ばれる中間素材を製造する。鋳造法は連続鋳造法または造塊法等によって製造される（鋳造工程Ｓ３）。鋳造後に最終的な寸法に仕上げる製品成形工程へ直接移行する場合もあるが、特に板厚が厚い材料では中間成形工程を鋳造工程と製品成形工程の間に設ける場合がある。中間成形工程では所定温度に加熱されたのち、圧延法や鍛造法によって最終製品厚より厚い状態で成形される（中間成形工程Ｓ４）。その後、最終寸法に成形するため、加熱炉で所定温度まで加熱し、圧延機によって所定のサイズに成形する。必要に応じて材質を制御するため、加速冷却装置によって冷却する（製品成形工程Ｓ５）。さらに、高い強度や靭性が得られる金属組織に作りこむための焼入れや軟質化させる焼鈍を行う工程（熱処理工程Ｓ６）を経て、製品厚鋼板が製造される。製造された厚鋼板は材料試験を行ったのち出荷される（材料試験工程Ｓ７）。なお、ここで言う材料試験には、材料の機械的特性だけでなく表面欠陥の発生状態や、寸法精度等の品質検査をも含むものとする。各工程の製造仕様は、プロセスコンピュータまたは分散制御システムによって管理され、各工程の製造実績データが収集される。
概略として、本システムにかかる製造仕様決定支援装置１０は、厚鋼板の製造中において各工程の製造仕様の最適化を行う。製造仕様の最適化の対象には、製銑工程Ｓ１において使用する原料の種類や配合比、精錬工程Ｓ２（転炉や二次精錬装置）における成分組成の調整、鋳造工程Ｓ３（連続鋳造機や造塊機、分塊装置）におけるスラブ寸法や溶鋼温度、鋳造速度、二次冷却の調整、湯面変動、パウダー成分、中間成形工程Ｓ４における加熱温度、均熱時間、成形方法、成形条件、製品成形工程Ｓ５における鋳造後スラブ加熱炉装入時間もしくは装入時温度、スラブ加熱温度、スラブ在炉時間、スラブ抽出温度の調整、スラブ配置、加熱ガス流量、加熱ガス成分、製品寸法、圧延条件（ロール径、圧延速度、ロール速度、潤滑条件、荷重、ロールギャップ、計算出側板厚、トルク、パス数）、圧延温度条件（各圧延パス温度、温度調整方法）、デスケーリング条件（デスケーリングパス、水圧）、加速冷却有無、冷却条件（水温、水量、水圧、冷却時間、平均冷却速度、冷却開始温度、冷却停止温度、冷却途中温度）、熱処理工程Ｓ６における熱間圧延工程後の再加熱温度、再加熱温度での保持時間、再加熱後の焼入れにおける冷却条件（冷却速度や冷却媒体噴射流量、冷却媒体噴射圧など）、再加熱後の焼入れ停止温度、再加熱後の焼入れ回数、焼戻し温度、焼戻し時間、焼戻し後強制冷却条件、材料試験工程Ｓ７における材料試験項目、試験片採取位置、試験結果のうちの１つ以上を含むもしくはこれらに付随してさらにデータを追加した状態で行う。付随して追加するデータは、様々なデータから計算式によって計算された値（例えばテンパリングパラメータ）や、操業実績を用い計算モデルもしくは機械学習モデル、統計学モデルによって得られたデータ（例えば機械学習モデルで予測した焼入れ後の引張強度ＴＳ）も含む。なお、テンパリングパラメータは焼戻し加熱温度と均熱時間の積で計算されるが、より高精度に評価するためには、積分平均によって求めることが好ましい。
所定工程後に、製造仕様決定支援装置１０は、確定した少なくとも１つ以上の実績データと、予測モデルとに基づき逆解析を行い、熱処理後の製品厚鋼板の材料試験工程Ｓ７で評価する単数もしくは複数の材料特性の推定値を導出する。製造仕様決定装置１０は、かかる推定値が要求される材料特性（所望の値もしくは条件へ）と漸近するように、必要な制御量をフィードフォワード演算し、実績が確定していない製銑工程Ｓ１、精錬工程Ｓ２、鋳造工程Ｓ３、中間成形工程Ｓ４、製品成形工程Ｓ５、熱処理工程Ｓ６のいずれかもしくは複数工程に指示値を与える。ここでいうフィードフォワードとはたとえば製銑工程Ｓ１、精錬工程Ｓ２、鋳造工程Ｓ３、中間成形工程Ｓ４まで進んだ鋼板に対して、それまでの工程の実績を基に要求される材料特性へ漸近させるように、その先の工程にあたる、製品成形工程Ｓ５以降の単数もしくは複数の工程に対して指示値を与えることを指す。つまり本発明の一実施形態に係る製造仕様決定装置１０は、熱処理を要する厚鋼板の製造中の所定工程までの完了で確定した、所定工程までの工程のうちの少なくとも１つ以上の実績データを取得し、かかる１つ以上の実績データと予測モデルに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように所定工程後に係る製造仕様を最適化するものである。たとえば、当該所定工程は、熱処理工程Ｓ６であってもよく、少なくとも１つ以上の実績データは、精錬工程Ｓ２による成分組成調整であってもよい。また、たとえば、材料特性は、所望の厚鋼板規格を満たすように降伏強度ＹＳ、引張強度ＴＳ、伸びＥｌ、靱性値、表面硬度、断面硬度、水素脆化特性評価値および疲労特性評価値の群より選択される少なくとも１種を含んでもよい。
また、各々の工程における実績データは鋼板の位置情報と合わせてデータを採取することもできる。対象とする材料特性によって選択したりや予測精度に応じて選択することが好ましい。前述のデータ群の中で精錬工程Ｓ２における成分組成のデータは材料物性を決定する重要な因子である。ここで、鋳造工程Ｓ３で造塊法を選択した場合、凝固が製品板における先尾端いずれかから始まるため、成分組成の濃淡が発生し、結果的に製品板の長手方向で成分組成が変化することになる。そのため、特に鋳造工程Ｓ３で造塊法を選択した場合は板全体を同じ成分組成のデータを持たせずに、位置によって異なるデータとして保存することが好ましい。
長手位置によって変化させる成分組成のデータは、最終製品の材料試験サンプルを用い、チェック分析により、成分組成データを採取し、造塊スラブの長手位置、幅位置、厚み位置と紐づける。各成分組成の濃淡の割合は、レードル値に対する偏差を各位置で求め、レードル値に対する割合とし、変化させてもよい。また、鋳型の大きさや溶鋼温度、鋳造速度によって成分組成の濃淡度合は決定するため、材料試験工程Ｓ７の試験片採取位置に紐づける際、上記にはない鋳造工程Ｓ３の造塊法における製品長手方向の対応位置をデータとして追加することで、間接的に傾向を拾ってもよい。さらに、長手、幅、厚み位置によって変化する成分組成の濃淡を鋳造工程Ｓ３の製造条件（たとえば、鋳型の大きさや溶鋼温度、鋳造速度など）を用い、物理モデルや機械学習モデル、統計学モデルなどから予測し、予測された値を各位置の成分組成データとすることも可能である。
また、造塊法以外の場合においても、たとえば鋼板の先端と尾端で圧延温度が異なる場合には、成分系によっては圧延の温度差に起因する強度差が発生するため、圧延方向・板幅方向・板厚位置等の位置情報と合わせて実績データを採取し、その後の工程で活用することは有用である。
これらのように、鋼板の位置による影響が大きい材料特性が所定の範囲になるようにしたい場合には、予め定めた所定の位置ごとの製造実績データを採取しておき、後述する製造仕様の探索においても所定の鋼板位置ごとに探索を行うことが好ましい。
図２に、本発明の一実施形態にかかる製造仕様決定支援装置１０のブロック図を示す。製造仕様決定支援装置１０は、図１の実施形態の場合、たとえば、厚鋼板の材料特性推定処理を行うことにより各工程の製造仕様を最適化する。製造仕様決定支援装置１０は、装置本体２００、入力部３００、記憶部４００、出力部５００および通信部６００を含む。装置本体２００は、入力部３００、記憶部４００、出力部５００および通信部６００とバス２０５を介して通信することで必要な情報の送受信を行い、情報処理を行う。なお、図２では、装置本体２００と入力部３００、記憶部４００、出力部５００および通信部６００とは、バス２０５を介した有線により接続されているが接続の態様はこれに限られず、無線により接続されていてもよく、あるいは有線と無線とを組み合わせた接続態様であってもよい。装置本体２００の詳細な各構成については後述する。
入力部３００は、たとえば、キーボードやペンタブレット、タッチパッド、マウス等、本システムの管理者の操作を検出可能な任意の入力インターフェースを含む。入力部３００は、装置本体２００への各種処理の指示にかかる操作を受け付ける。
記憶部４００は、たとえば、ハードディスクドライブや半導体ドライブ、光学ディスクドライブ、光磁気ディスクドライブ、磁気テープ等であり、本システムにおいて必要な情報を記憶する装置である。たとえば、記憶部４００は、過去に製造した厚鋼板にかかる製造仕様の実績値（以下、「製造仕様実績」という。）を記憶する。また、記憶部４００は、製造仕様実績に対応する冷却後の厚鋼板や造管後のパイプ材の材料特性を評価指標として、その実績値（以下、「材料特性実績」という。）を記憶する。材料特性実績は評価指標実績となる。
出力部５００は、たとえば、液晶ディスプレイおよび有機ＥＬディスプレイ等、任意のディスプレイを含む。出力部５００は、出力データおよび信号に基づく画面を表示可能である。また、出力部５００は、印字出力や印刷機、プロッターであってもよい。
通信部６００は、製銑工程Ｓ１、精錬工程Ｓ２、鋳造工程Ｓ３、中間成形工程Ｓ４、製品成形工程Ｓ５、熱処理工程Ｓ６および材料試験工程Ｓ７を制御するプロセスコンピュータや分散制御システム等から送信された各工程の製造実績データを受信し、装置本体２００に送信することで実績収集部として機能する。また、通信部６００は、装置本体２００で処理された、最適化された製造仕様にかかるデータを製銑工程Ｓ１、精錬工程Ｓ２、鋳造工程Ｓ３、中間成形工程Ｓ４、製品成形工程Ｓ５および熱処理工程Ｓ６を制御するそれぞれの指令センターに送信する。なお、各工程の製造実績データは、データを取得するセンサ等から直接通信部６００に送信されたものでもよい。
図２に示すように装置本体２００は、演算処理部２０１と、ＲＯＭ２０２と、ＲＡＭ２０４とを備える。ＲＯＭ２０２はプログラム２０３を記憶している。また、演算処理部２０１と、ＲＯＭ２０２と、ＲＡＭ２０４とは、バス２０５によりそれぞれ接続されている。
演算処理部２０１は、たとえば、汎用プロセッサや特定の処理に特化した専用プロセッサ等、１つ以上のプロセッサを含む。演算処理部２０１は、ＲＯＭ２０２からプログラム２０３を読み込んで、一時記憶部であるＲＡＭ２０４を用いて特定の機能を実現する。演算処理部２０１は、装置本体２００全体の動作を制御する。
演算処理部２０１は、第１情報読取部２０６と、前処理部２０７と、予測モデル作成部２０８と、結果保存部２０９と、第２情報読取部２１０と、特性推定部２１１と、最適化処理部２１２と、表示・伝達部２１３とを備える。演算処理部２０１は、入力部３００の操作に基づき予測モデル作成処理の指示を受けた場合は、第１情報読取部２０６と、前処理部２０７と、予測モデル作成部２０８と、結果保存部２０９とを機能させて、予測モデルを作成する。また、演算処理部２０１は、入力部３００の操作に基づき製造仕様の最適化処理の指示を受けた場合は、第２情報読取部２１０と、特性推定部２１１と、最適化処理部２１２と、表示・伝達部２１３とを機能させて、製造仕様の最適化処理を実行する。ここで、最適化処理部は最適化処理により解を探索する探索処理部とも称することとする。
次に上記実施形態に係る製造仕様決定支援装置１０によって実行される情報処理について説明する。本システムでは厚鋼板の製造仕様を最適化するために、まず、厚鋼板の製造仕様および材料特性を結びつける予測モデルを作成する。ここで、本実施形態では記憶部４００に記憶されている、過去に製造された厚鋼板についての製造実績と材料特性実績に基づき予測モデルとして、局所回帰やサポートベクターマシン、ニューラルネットワーク、ランダムフォレスト等の統計手法および機械学習モデルを作成するものとする。演算処理部２０１は、入力部３００の操作に基づき予測モデル作成処理の指示を受けた場合、図３に示すフローチャートに係る処理を実行する。
予測モデル作成指示を受けた場合、演算処理部２０１の第１情報読取部２０６は、製造仕様実績を記憶部４００から読み込む。また、第１情報読取部２０６は、読み込んだ製造仕様実績に対応する材料特性実績を記憶部４００から読み込む。具体的には第１情報読取部２０６は、圧延材のＩＤ（識別情報）に基づき、対象の厚鋼板にかかる各種情報を特定する（ステップＳ２０１）。
次に、前処理部２０７は、ステップＳ２０１で読み込んだ製造仕様実績および材料特性実績を、予測モデル作成部２０８で用いる評価用データに加工する（ステップＳ２０２）。具体的には前処理部２０７は、製造仕様実績を正規化すると共に欠損データおよび異常データのノイズ除去を行い、評価用データとする。たとえば、下記数式１のように、各データを各々の項目の平均値で引き、分散で割って正規化する。さらにたとえば、これから製造しようとする製品と同一鋼種および同一寸法の少なくとも一方のものを抽出する。そして、抽出されたものの中から、製造仕様実績あるいは、材料特性実績のデータに欠損や異常値が入っているものを除外し、対象製品についての製造仕様と材料特性との関係をモデル化する上での評価用データとする。ここで、数式１中のＹは正規化後の値、ｘは採取した各データの値、ｘａｖｅはその平均値、σは分散である。
続いて、予測モデル作成部２０８は、予測モデルを作成する。具体的には予測モデル作成部２０８は、局所回帰やサポートベクターマシン、ニューラルネットワーク、ランダムフォレスト等の統計手法および機械学習モデルのうち複数もしくは単数のモデルを用い最も精度の良い組み合わせもしくは最も精度の良いモデルを選択し、加えて、ニューラルネットワークなどのハイパーパラメータの調整が必要なものは最適化し、学習を行う（ステップＳ２０３）。
図４に、本システムにおける予測モデルの処理フロー図を示す。本実施の形態に係る予測モデルは、入力側から順番に、入力層ＩＬと、モデルＭと、出力層ＯＬとを含む。
入力層ＩＬには、評価用データとして正規化された製造仕様実績が格納される。格納される製造仕様実績の説明変数は厚鋼板の材料特性に関わる変数が選択されることが望ましいが、その数および材料特性との相関の高さは任意である。
出力層ＯＬは数理モデルもしくは機械学習モデルによって、最終的な材料特性の推定値、疵発生確率として出力される。かかる処理により出力された推定値と、実測値である材料特性実績とに基づき、モデルＭの選択や最適化が徐々に行われる。予測モデル作成部２０８は、ステップＳ２０２で作成した評価用データをモデルに入力して、評価用データに対する推定結果を得る。
続いて、結果保存部２０９は、学習用データ、評価用データ、数理もしくは機械学習モデルの種類およびモデル内のパラメータ、ならびに学習用データおよび評価用データに対するモデルの出力結果を、記憶部４００に記憶させる。また、結果保存部２０９は、学習用データ、評価用データ、数理もしくは機械学習モデルの種類およびモデル内のパラメータ、ならびに学習用データおよび評価用データに対するモデルの出力結果を出力部５００に伝達し、出力部５００により表示させる（ステップＳ２０４）。出力部５００は、たとえば、推定結果を表形式により出力する。なお、鋼板位置ごとに製造仕様実績、材料特性実績を採取している場合には、鋼板位置ごとに予測モデルを作成してもよい。
本実施形態では、ある製品についての製造が開始され、複数の工程のうちの所定の工程までが完了した段階で、続く後の工程についての製造仕様として最適なものを探索する最適化処理を行う。演算処理部２０１は、入力部３００の操作に基づき製造仕様の最適化処理の指示を受けた場合、製造仕様の最適化処理を実行する。なお演算処理部２０１が最適化処理を行うためのトリガーは入力部３００の操作に限られない。たとえば、確定した少なくとも１つ以上の工程の製造実績データを通信部６００が受信したことをトリガーに、最適化処理を行ってもよい。図５は、製造仕様の最適化処理を示すフローチャートである。
はじめに、第２情報読取部２１０は、推定の対象となる厚鋼板について、最適化処理前に予め定めた製造仕様、および製造仕様の固定値として用いる確定した少なくとも１つ以上の工程の製造実績データを読み取る（ステップＳ６０１）。なお、推定対象の鋼板についての予め定めた製造仕様、確定した製造実績データは、記憶部４００に蓄積させておき、ここから読み取りを行う。また、第２情報読取部２１０は、記憶部４００に記憶されている当該製品の製造仕様と評価指標とを結びつけた予測モデルに係る各種データを取得する。
次に特性推定部２１１は、ステップＳ６０１で読み取った、推定対象の鋼板についての確定した少なくとも１つ以上の工程の製造実績データ、製造実績データを取得できない工程については、予め定めた製造仕様、および予測モデルを用いて逆解析を実施し、後工程についての製造仕様の最適化を行う。具体的には特性推定部２１１は、当該厚鋼板に係る圧延後の材料特性を推定する（ステップＳ６０２）。
続いて、最適化処理部２１２は、予測モデルにより推定された当該厚鋼板に係る圧延後の材料特性が所定の範囲になるようにする。
まず、材料特性に対する最適化については下記数式２で最適化する。数式２において、ｘはベクトルとして表わされる設計条件、ｋは特性の種類、ｆｋ（ｘ）は特性の予測値、αｋは予め設定される重み係数である。評価関数における特性の予測値の関数ｆｋ（ｘ）は、予測モデル作成部２０８によって構築された予測モデルに基づく。Ｆは、制約条件を満たす設計条件ｘの集合である。したがって、制約条件を満たす範囲内で、最適な設計条件を探索することになる。Ｌｋ、Ｕｋはそれぞれ特性値の下限値および上限値である。最適化処理部２１２は、メタヒューリスティクスや遺伝的アルゴリズム、数理計画法、群知能等を用いた方法により、このような最適化問題を解く。ここで、設計条件ｘのうち、製造実績データとして取得されている条件は、変更できないので実績データを固定値として与えておく。
最適化処理部２１２は、数式２における評価関数を最大化する問題として最適な設計条件を探索するが、問題の設定方法はこれに限定されない。最適化処理部２１２は、たとえば、重み係数αｋの符号をマイナスにして、数式２における評価関数の絶対値を最小化する問題として最適な設計条件を探索してもよい。たとえば、最大化が望ましい特性は、降伏強度ＹＳ、引張強度ＴＳおよび靭性を含む。たとえば、最小化が望ましい特性は、降伏比ＹＲを含む。
最適化処理部２１２は、数式２で得られた設計条件ｘを最適解として算出するが、これに限定されない。最適化処理部２１２は、計算時間に所定の条件を定めて、対応する時間内で得られる最も優れた解として設計条件ｘを算出してもよい。
製造仕様決定支援装置１０は、所望の特性に対応する最適な設計条件が数式２に示すような制約条件を満たすことで、仮に製造コストの観点から鉄鋼材料への添加物の量および製造設備の能力に限界があるような場合であっても、逆解析により得られた設計条件を有効に利用できる。製造仕様決定支援装置１０は、制約条件を定めることで、闇雲に探索するのではなく、制約条件の範囲内で効率よく探索できる。
数式２では、評価関数は各特性の最大値または最小値の荷重和として表わされているが、数式２の内容はこれに限定されない。数式２は、各特性ｋの目標値ｒｅｆｋに基づいて、以下の数式３により置き換えられてもよい。
数式３により、最適化処理部２１２は、各特性ｋの目標値ｒｅｆｋに近いほど評価が高い設計条件を探索することも可能となる。
さらにばらつきを考慮した操業条件最適化については下記数式４で最適化する。数式４において、ｘはベクトルとして表わされる設計条件、ｋは材料特性試験の種類、ｆＰｋ（ｘ）は材料特性の規格上下限を外れたときに発生する不良率予測値、ｄｋは予め設定される重み係数であり、不良が発生したときの損失を表す。不良率予測値の関数ｆＰｋ（ｘ）は、実績部に保管されている特性の実績値と予測モデルによって予測されたｆｋ（ｘ）との差から計算されたばらつきの予測値から計算される。ｆＰｎ（ｘ）はへげやすり疵などの表面欠陥、ザクやポロシティ残存などの内部欠陥、反りや曲がりから出る形状不良および板厚不足などの寸法不良などのそれぞれの発生確率を指す。ｅｎは予め設定される重み係数であり、不良が発生したときの材料をスクラップにしたときの損失、または、不良を正常に戻すための費用を表す。ｃｍは入力値側のコストであり、たとえば、添加元素にかかる原料コストや加熱炉の均熱時間によって変化する操業コストを指す。Ｆは制約条件を満たす設計条件ｘの集合である。したがって、最適化処理部２１２は、制約条件を満たす範囲内で、最適な設計条件を探索することになる。Ｌｋ、Ｕｋはそれぞれ特性値の下限値および上限値である。最適化処理部２１２は、メタヒューリスティクスや遺伝的アルゴリズム、数理計画法、群知能等を用いた方法により、このような最適化問題を解く。数式４における評価関数の絶対値を最小化する問題として最適な設計条件を探索する。これまでの手法は、確定した少なくとも１つ以上の工程の製造実績データを用いて逆解析を再度実施し最適化することで、当初の製造仕様を再調整した、より適切な製造仕様が得られることになる。
このように総合的に製造仕様を判断するためには、１つの工程だけでは判断ができず、複数の工程の各々もしくは複数の製造条件が最終的な材料特性もしくは疵を含む不良品発生確率へ影響するものを含めて判断する必要がある。
最適化処理部２１２では、推定値と所望の値との差の絶対値がある一定の閾値以内あるいは、ある一定の収束回数に達したかどうかを比較する（ステップＳ６０３）。否定される（Ｎ）場合には、ステップＳ６０１に戻り、繰り返す。肯定される（Ｙ）場合は、ステップＳ６０３を抜け、最適化された製造仕様が出力部５００により表示される（ステップＳ６０４）。最適化された製造仕様は通信部６００を介して製銑工程Ｓ１、精錬工程Ｓ２、鋳造工程Ｓ３、中間成形工程Ｓ４、製品成形工程Ｓ５および熱処理工程Ｓ６のうち、上記の所定工程後の各工程に対して伝送が行われる。そして最適化された製造仕様により、厚鋼板が製造される。
なお、上記の実施形態においては、前処理部２０７と予測モデル作成部２０８が推定対象についての予測モデルを作成するようにしているが、本発明はこれに限定されない。予測モデルは予め作成しておき、これを記憶部４００に入力しておくようにしてもよい。
上記で述べたように、決定される熱処理条件は鋼板の長手位置を考慮することでより高精度な材質制御が可能となる。例えば、最適解として得たテンパリングパラメータ設計条件ｘが熱処理鋼板の長手位置先端と尾端位置で異なる場合、実際の操業条件では、たとえば、焼戻しのための再加熱炉の先端と尾端位置に当たる加熱バーナーのガス流量を変更することによって加熱の強さを変更することができる。また、再加熱炉に鋼板を挿入させる際、最適値として導出されたテンパリングパラメータ設計条件ｘの値が大きい長手位置より再加熱炉に挿入し、焼戻し後は最適値として導出されたテンパリングパラメータ設計条件ｘの値の小さい長手位置より鋼板を搬出し、さらに鋼板の搬送速度を制御することで、長手位置によってテンパリングパラメータを変化させることが可能となる。なお、このとき、より高精度に熱処理条件を制御するためには、加熱炉内の長手方向位置に鋼板の表面温度を測定可能な複数の温度計を設置し、逐次測定することで、より高精度にテンパリングパラメータの制御が可能となる。
なお、これらの製造方法の選択は最適化処理部２１２で決定された最もコスト的に合理的な手段を選択することが好ましい。
なお、これらの製造方法の選択は最適化処理部２１２で決定された最もコスト的に合理的な手段を選択することが好ましい。
（実施例１）
以下、本発明の効果を実施例に基づいて具体的に説明する。
図１に示すシステムにて、建築向け製品板厚が１９～１００ｍｍの熱処理を要する厚鋼板の製造における製造仕様の最適化を実施した。まず、事前学習として、学習用データに対して、ニューラルネットワークモデルによる学習を実施し、製造仕様実績と材料特性実績とを結びつけた。
以下、本発明の効果を実施例に基づいて具体的に説明する。
図１に示すシステムにて、建築向け製品板厚が１９～１００ｍｍの熱処理を要する厚鋼板の製造における製造仕様の最適化を実施した。まず、事前学習として、学習用データに対して、ニューラルネットワークモデルによる学習を実施し、製造仕様実績と材料特性実績とを結びつけた。
製造仕様実績として、成分組成（Ｃ、Ｓｉ、Ｍｎ、Ｐ、Ｓ、Ａｌ、Ｃｕ、Ｎｉ、Ｃｒ、Ｍｏ、Ｖ、Ｎｂ、Ｔｉ、Ｂ、ＣａおよびＮ）、溶鋼温度、鋳造速度、スラブ寸法（厚、幅および長さ）、圧延寸法（厚、幅および長さ）、スラブ加熱炉抽出温度、スラブ加熱均熱時間、制御圧延時における圧下率、制御圧延温度、仕上げ圧延温度および加速冷却の有無を考慮し、加速冷却する場合は圧延後の冷却開始温度、冷却停止温度、焼入れ回数（無しも含む）、焼入れ前温度、焼入れ後温度、焼戻し温度および均熱時間を考慮した。材料特性実績として、最終製品厚鋼板の長手端部より幅１／４位置、厚１／４位置からＪＩＳ４号試験片を採取し、降伏強度ＹＳ、引張強度ＴＳ、伸びＥＬ、降伏比ＹＲ（＝ＹＳ／ＴＳ）を引張試験で取得し、同じ位置より、シャルピー試験で、試験温度と靭性試験値を取得し、学習に供した。学習データ数は欠損データ等のノイズを除去した計１５２０のサンプルを用いた。ＹＳ、ＴＳ、ＥＬ、ＹＲおよび靭性それぞれの予測モデルはニューラルネットワークと呼ばれる機械学習手法を用い、ガウス確率分布に基づくベイズ最適化により探索され設定された。
処理Ｎｏ．１は従来のまま実施した場合であり、製造開始前に設定した各工程の製造仕様を目標値として各工程での処理を行ったものである。処理Ｎｏ．２は熱間圧延後の鋼板に対して、熱間圧延までの各工程の製造実績を固定値として式２を用いて、熱処理条件（熱間圧延工程後の再加熱温度、再加熱温度での保持時間、再加熱後の焼入れにおける冷却速度、再加熱後の焼入れ停止温度、再加熱後の焼入れ回数、焼戻し温度、焼戻し時間および、焼戻し後冷却速度）について目標とする値を各規格上下限の中央値とし最適化した場合を示す。表１に各材料特性の予測精度を２乗平均平方根誤差（ＲＭＳＥ：ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ）で示し、併せて、本結果から推測される材料試験不合格率を示す。なお、処理Ｎｏ．１では特に予測を行っていないため、目標特性と実績の誤差より予測精度を検証した。板厚や目標材質レベルによって熱処理条件を一定に定めた処理Ｎｏ．１では不合格率が１．３％だったのに対し、処理Ｎｏ．２では、不合格率が０．５％と半数以下になった。
（実施例２）
図１に示すシステムにて、海洋構造物向け製品板厚が１００～２５０ｍｍの熱処理を要する厚鋼板の製造について製造仕様の最適化を実施した。事前学習として、まず学習用データに対して、ニューラルネットワークモデルによる学習を実施し、製造仕様実績と材料特性実績とを結びつけた。
図１に示すシステムにて、海洋構造物向け製品板厚が１００～２５０ｍｍの熱処理を要する厚鋼板の製造について製造仕様の最適化を実施した。事前学習として、まず学習用データに対して、ニューラルネットワークモデルによる学習を実施し、製造仕様実績と材料特性実績とを結びつけた。
製造仕様実績として、原料品種、高炉ガス送風量、成分組成（Ｃ、Ｓｉ、Ｍｎ、Ｐ、Ｓ、Ａｌ、Ｃｕ、Ｎｉ、Ｃｒ、Ｍｏ、Ｖ、Ｎｂ、Ｔｉ、Ｂ、ＣａおよびＮ）、スラブ寸法（厚、幅および長さ）、溶鋼温度、鋳造速度、スラブ寸法（厚・幅・長さ）、圧延寸法（厚・幅・長さ）、スラブ加熱炉抽出温度、スラブ加熱均熱時間、制御圧延時における圧下率、制御圧延温度、仕上げ圧延温度、加速冷却の有無、加速冷却有の場合は圧延後の冷却開始温度、冷却停止温度、焼入れ回数（無しも含む）、焼入れ前温度、焼入れ後温度、焼戻し温度、均熱時間、試験片採取位置（長手先端もしくは尾端）を考慮した。なお、本実施例では成分のばらつきが長手方向に存在する造塊法で鋳造し、分塊したスラブを全量用いた。
材料特性実績として、最終製品厚鋼板の長手端部（先端および尾端）より幅１／４位置、厚１／２位置からＡＳＴＭ規格に準じた試験片を採取し、引張強度ＴＳを測定し、同位置より試験片採取方向Ｃ方向、試験温度を－４０℃としたときの靭性を測定し、学習に供した。学習データ数は欠損データ等のノイズを除去した計４１５のサンプルを用いた。ＴＳ、靭性それぞれの予測モデルはニューラルネットワークと呼ばれる機械学習手法を用い、ガウス確率分布に基づくベイズ最適化により探索され設定された。本実施例においては目標のＴＳを７７０ＭＰａ～９４０ＭＰａ、靭性を３２Ｊ以上とした。
従来法による熱処理条件（焼入れ処理の加熱温度、保持時間および、焼戻し処理の加熱温度、均熱時間）を適用した場合のＴＳ－靭性の関係を図６にグラフで示し、本実施形態に基づき最適化した熱処理条件を適用した場合のＴＳ－靭性の関係を図７にグラフで示す。従来法では、製造開始前に設定した各工程の製造仕様を目標値として各工程で処理を行った。ここで熱処理条件は、焼戻し温度、均熱時間をすべて同じとしたものである。図６から判るように、製品長手先端から採取した試験片はほぼ合格していたが、尾端から採取した試験片は２０％が不合格であった。
一方、本実施形態に基づき最適化した熱処理条件は、焼戻し処理の前までの工程の製造仕様実績と予測モデルから、先端および尾端それぞれに最適な焼戻し温度および均熱時間を与えて行うものである。このとき均熱時間は先端も尾端も同じになるように制約を設けた。先端および尾端それぞれ導出された最適な焼戻し温度は、焼戻し中のそれぞれの位置の燃焼ガス流量を調整することによってそれぞれの位置の焼戻し温度を制御して与えた。その結果、図７に示すように、製品長手先端および尾端から採取した試験片のいずれも合格範囲に精度よく制御できていた。
本発明を図面および実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形および修正を行うことが容易である。したがって、これらの変形および修正は本発明の範囲に含まれる。たとえば、各手段、各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の手段およびステップ等を１つに組み合わせたり、あるいは分割したりすることが可能である。
さらに、本発明は、上述した製造仕様決定支援装置１０の各機能を実現する処理内容を記述したプログラムまたはプログラムを記録した記憶媒体としても実現し得る。本発明の範囲には、これらも包含される。加えて、本実施の形態に係る製造仕様決定支援装置１０において予測モデルを作成する例を示したが、これらを他の情報処理装置により実現してもよい。この場合、かかる情報処理装置が予測モデルを作成するために必要な製造仕様実績と評価指標実績を集約し、予測モデルを作成する。また、情報処理装置が作成した予測モデルを製造仕様決定支援装置１０に伝送するものであってもよい。
本発明は、複数工程での処理を経て生産される製品の製造仕様決定に用いて最も有効なものであるが、単一工程での処理を経て生産される製品の製造仕様決定にも適用可能であることは勿論である。
また、厚鋼板の製造方法として、本発明にかかる厚鋼板の製造仕様決定支援装置１０によって出力された製造仕様に基づき、運用者または各工程を制御するプロセスコンピュータが熱間圧延後に熱処理を要する厚鋼板の製造工程の少なくとも１つの製造仕様を決定して製造するステップを含むことで、厚鋼板の材料特性を精度よく目標値に近づけることができ、有用である。
本発明は、複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様を迅速に決定するのを支援する技術にかかるものであり、複数の工程を経て製造される各種金属製品に適用して好適である。
１０ 製造仕様決定支援装置
２００ 装置本体
２０１ 演算処理部
２０２ ＲＯＭ
２０３ プログラム
２０４ ＲＡＭ
２０５ バス
２０６ 第１情報読取部
２０７ 前処理部
２０８ 予測モデル作成部
２０９ 結果保存部
２１０ 第２情報読取部
２１１ 特性推定部
２１２ 最適化処理部（探索処理部）
２１３ 表示・伝達部
３００ 入力部
４００ 記憶部
５００ 出力部
６００ 通信部
２００ 装置本体
２０１ 演算処理部
２０２ ＲＯＭ
２０３ プログラム
２０４ ＲＡＭ
２０５ バス
２０６ 第１情報読取部
２０７ 前処理部
２０８ 予測モデル作成部
２０９ 結果保存部
２１０ 第２情報読取部
２１１ 特性推定部
２１２ 最適化処理部（探索処理部）
２１３ 表示・伝達部
３００ 入力部
４００ 記憶部
５００ 出力部
６００ 通信部
Claims (12)
- 複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様の決定を支援する製造仕様決定支援装置であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する探索処理部と、
該探索処理部で探索した製造仕様を出力する出力部と、
を有する厚鋼板の製造仕様決定支援装置。 - 前記探索処理部は、熱処理工程前に前記逆解析を行い、熱処理工程にかかる製造仕様を探索するように構成されている請求項１に記載の厚鋼板の製造仕様決定支援装置。
- 前記製造実績データは、所定の鋼板位置ごとに収集された製造実績データを含み、
前記探索処理部は、所定の鋼板位置ごとに収集された製造実績データに基づき、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を、前記所定の位置ごとについて探索する請求項１または２に記載の厚鋼板の製造仕様決定支援装置。 - 前記予測モデルは、過去に製造された厚鋼板についての製造仕様実績と材料特性実績とに基づき、製造仕様と材料特性とを結びつけた予測モデルである請求項１～３のいずれかに記載の厚鋼板の製造仕様決定支援装置。
- 前記予測モデルは、過去に製造された厚鋼板についての製造仕様実績と所定の鋼板位置ごとに収集された材料特性実績とに基づき、製造仕様と所定の鋼板位置ごとの材料特性とを結びつけた予測モデルである請求項３に記載の厚鋼板の製造仕様決定支援装置。
- 前記予測モデルは、深層学習モデルおよび統計学習モデルのいずれか一方を含む機械学習モデルである請求項４又は５に記載の厚鋼板の製造仕様決定支援装置。
- 複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造仕様の探索方法であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する、厚鋼板の製造仕様探索方法。 - 請求項７に記載の厚鋼板の製造仕様探索方法を実施するために用いるコンピュータプログラムであって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索する探索処理を、コンピュータに実行させるコンピュータプログラム。 - 請求項８に記載のコンピュータプログラムを記録したことを特徴とするコンピュータ読み取り可能な記録媒体。
- 複数の工程での処理を経て生産され、熱間圧延後に熱処理を要する厚鋼板の製造方法であって、
前記複数の工程のうちの所定工程までの完了で確定した、前記所定工程までの工程のうちの少なくとも１つ以上の製造実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を探索し、
該探索を行った工程について、探索された製造仕様に基づき製造を行う厚鋼板の製造方法。 - 熱処理工程前に前記逆解析を行い、熱処理工程にかかる製造仕様について前記探索を行う請求項１０に記載の厚鋼板の製造方法。
- 前記製造実績データは、所定の鋼板位置ごとに収集された製造実績データを含み、
前記探索は、所定の鋼板位置ごとに収集された製造実績データに基づき、前記所定工程の後の工程のうちの少なくとも１つ以上の工程における製造仕様を、前記所定の鋼板位置ごとについて探索する請求項１０または１１に記載の厚鋼板の製造方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020117166 | 2020-07-07 | ||
| JP2020117166 | 2020-07-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022014876A true JP2022014876A (ja) | 2022-01-20 |
| JP7287416B2 JP7287416B2 (ja) | 2023-06-06 |
Family
ID=80120385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021087454A Active JP7287416B2 (ja) | 2020-07-07 | 2021-05-25 | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7287416B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023065177A (ja) * | 2021-10-27 | 2023-05-12 | 本田技研工業株式会社 | 加工支援システム |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003268428A (ja) * | 2002-03-08 | 2003-09-25 | Jfe Steel Kk | 鋼材の製品品質制御装置 |
| JP3908702B2 (ja) * | 2003-07-10 | 2007-04-25 | 株式会社神戸製鋼所 | 連続圧延機の板幅制御方法 |
| JP2007211318A (ja) * | 2006-02-13 | 2007-08-23 | Nisshin Steel Co Ltd | 鋼板の材質安定化方法 |
| JP2014217887A (ja) * | 2013-04-09 | 2014-11-20 | Ｊｆｅスチール株式会社 | 材料特性値推定装置、材料特性値推定方法、および鋼帯の製造方法 |
| JP5682484B2 (ja) * | 2010-09-16 | 2015-03-11 | 新日鐵住金株式会社 | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 |
| JP5900380B2 (ja) * | 2013-03-04 | 2016-04-06 | Ｊｆｅスチール株式会社 | 狙い圧延長決定方法、厚鋼板の製造方法、および狙い圧延長決定装置 |
| JP5962290B2 (ja) * | 2012-07-20 | 2016-08-03 | Ｊｆｅスチール株式会社 | 鋼材の熱伝達係数予測装置及び冷却制御方法 |
| JP5966984B2 (ja) * | 2012-04-11 | 2016-08-10 | Ｊｆｅスチール株式会社 | 設定方法および設定装置 |
| US20170002440A1 (en) * | 2014-01-22 | 2017-01-05 | Sms Group Gmbh | Method for optimally producing metal steel and iron alloys in hot-rolled and thick plate factories using a microstructure simulator, monitor, and/or model |
| JP6068146B2 (ja) * | 2013-01-10 | 2017-01-25 | 東芝三菱電機産業システム株式会社 | 設定値計算装置、設定値計算方法、及び設定値計算プログラム |
| JP6662109B2 (ja) * | 2016-03-03 | 2020-03-11 | 日本製鉄株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
| JP2020114597A (ja) * | 2019-01-17 | 2020-07-30 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
-
2021
- 2021-05-25 JP JP2021087454A patent/JP7287416B2/ja active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003268428A (ja) * | 2002-03-08 | 2003-09-25 | Jfe Steel Kk | 鋼材の製品品質制御装置 |
| JP3908702B2 (ja) * | 2003-07-10 | 2007-04-25 | 株式会社神戸製鋼所 | 連続圧延機の板幅制御方法 |
| JP2007211318A (ja) * | 2006-02-13 | 2007-08-23 | Nisshin Steel Co Ltd | 鋼板の材質安定化方法 |
| JP5682484B2 (ja) * | 2010-09-16 | 2015-03-11 | 新日鐵住金株式会社 | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 |
| JP5966984B2 (ja) * | 2012-04-11 | 2016-08-10 | Ｊｆｅスチール株式会社 | 設定方法および設定装置 |
| JP5962290B2 (ja) * | 2012-07-20 | 2016-08-03 | Ｊｆｅスチール株式会社 | 鋼材の熱伝達係数予測装置及び冷却制御方法 |
| JP6068146B2 (ja) * | 2013-01-10 | 2017-01-25 | 東芝三菱電機産業システム株式会社 | 設定値計算装置、設定値計算方法、及び設定値計算プログラム |
| JP5900380B2 (ja) * | 2013-03-04 | 2016-04-06 | Ｊｆｅスチール株式会社 | 狙い圧延長決定方法、厚鋼板の製造方法、および狙い圧延長決定装置 |
| JP2014217887A (ja) * | 2013-04-09 | 2014-11-20 | Ｊｆｅスチール株式会社 | 材料特性値推定装置、材料特性値推定方法、および鋼帯の製造方法 |
| US20170002440A1 (en) * | 2014-01-22 | 2017-01-05 | Sms Group Gmbh | Method for optimally producing metal steel and iron alloys in hot-rolled and thick plate factories using a microstructure simulator, monitor, and/or model |
| JP2017511752A (ja) * | 2014-01-22 | 2017-04-27 | エス・エム・エス・グループ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツング | 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 |
| JP6662109B2 (ja) * | 2016-03-03 | 2020-03-11 | 日本製鉄株式会社 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
| JP2020114597A (ja) * | 2019-01-17 | 2020-07-30 | Ｊｆｅスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023065177A (ja) * | 2021-10-27 | 2023-05-12 | 本田技研工業株式会社 | 加工支援システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7287416B2 (ja) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102499916B1 (ko) | 금속 재료의 제조 사양 결정 방법, 제조 방법, 및 제조 사양 결정 장치 | |
| JP5003483B2 (ja) | 圧延ラインの材質予測および材質制御装置 | |
| JP2005315703A (ja) | 鋼材の材質予測方法 | |
| WO2020152993A1 (ja) | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 | |
| US20230323503A1 (en) | Material characteristic value prediction system and method of manufacturing metal sheet | |
| CN105677949A (zh) | Tc6钛合金锻件微观组织参数的预测方法 | |
| JP7287416B2 (ja) | 厚鋼板の製造仕様決定支援装置および製造仕様探索方法、コンピュータプログラム、コンピュータ読み取り可能な記録媒体ならびに厚鋼板の製造方法 | |
| JP7283499B2 (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 | |
| EA039568B1 (ru) | Способ производства проката из стали | |
| JP7197037B2 (ja) | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 | |
| US20230321706A1 (en) | Steel strip and method of producing same | |
| Kim et al. | Prediction of the wear profile of a roll groove in rod rolling using an incremental form of wear model | |
| 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 | |
| JP2010235972A (ja) | 高張力鋼板の製造制御装置及び製造方法 | |
| JP7338599B2 (ja) | ブリスタースケールの発生予測方法、圧延機の制御方法およびブリスタースケールの発生予測モデルの生成方法 | |
| CN102260781A (zh) | 连退机组带钢延伸率和平整工艺状态在线预警方法 | |
| JP7294242B2 (ja) | 表面粗さの予測方法、鋼帯の製造方法および学習済の機械学習モデルの生成方法 | |
| US20060266125A1 (en) | Method of predicting damage of dies | |
| CN117494531B (zh) | 一种基于有限元和XGBoost算法的中碳钢脱碳深度预测方法 | |
| Thakur et al. | Application of machine learning methods for the prediction of roll force and torque during plate rolling of micro-alloyed steel | |
| JP2022192003A (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 | |
| JPS6323848B2 (ja) | ||
| US20230205185A1 (en) | System and method for controlling a production plant consisting of a plurality of plant parts, in particular a production plant for producing industrial goods such as metallic semi-finished products | |
| JP7148024B1 (ja) | 鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備 | |
| JP6874730B2 (ja) | 熱間圧延ライン制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220222 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221213 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221215 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230314 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230329 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230425 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7287416 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |