JP2022056086A - Blister scale generation prediction method, rolling mill control method, and blister scale generation prediction model generation method - Google Patents
Blister scale generation prediction method, rolling mill control method, and blister scale generation prediction model generation method Download PDFInfo
- Publication number
- JP2022056086A JP2022056086A JP2020163888A JP2020163888A JP2022056086A JP 2022056086 A JP2022056086 A JP 2022056086A JP 2020163888 A JP2020163888 A JP 2020163888A JP 2020163888 A JP2020163888 A JP 2020163888A JP 2022056086 A JP2022056086 A JP 2022056086A
- Authority
- JP
- Japan
- Prior art keywords
- blister
- scale
- rolling
- heating furnace
- slab
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000010438 heat treatment Methods 0.000 claims abstract description 115
- 239000000463 material Substances 0.000 claims abstract description 32
- 238000005098 hot rolling Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 23
- 238000001816 cooling Methods 0.000 description 21
- 229910000831 Steel Inorganic materials 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Metal Rolling (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
Description
本開示は、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に関する。本開示は、特に熱間圧延ラインにおけるブリスタースケールの発生予測に関する。また、本開示は、特に熱間圧延ラインに設けられた圧延機の制御方法に関する。 The present disclosure relates to a method for predicting the occurrence of a blister scale, a method for controlling a rolling mill, and a method for generating a model for predicting the occurrence of a blister scale. The present disclosure relates specifically to the prediction of the occurrence of blister scale in a hot rolling line. The present disclosure also relates to a control method for a rolling mill provided in a hot rolling line.
熱延鋼板の製造において、スケールの生成を原因とした表面欠陥による製品歩留まりの低下が問題となることがある。これらの欠陥の一つに、圧延前、また連続して圧延が行われる場合の圧延パス間に表面に生じたスケールが圧延され欠陥となるものがあり、ブリスタースケールなどと呼ばれている。 In the manufacture of hot-rolled steel sheets, a decrease in product yield due to surface defects caused by scale generation may become a problem. One of these defects is that the scale generated on the surface is rolled and becomes a defect before rolling or during the rolling path when rolling is continuously performed, and is called a blister scale or the like.
従来、ブリスタースケールの発生予測方法、防止方法としては、特許文献１で示されているように、仕上圧延スタンド（Ｆ２スタンド）を通過する際のＦ２スタンドの圧下率および鋼板の表面温度があらかじめ定められた所定の値以下になるように、圧延を実施する方法が提案されている。 Conventionally, as a method for predicting and preventing the occurrence of blister scale, as shown in Patent Document 1, the rolling reduction rate of the F2 stand and the surface temperature of the steel sheet when passing through the finish rolling stand (F2 stand) are predetermined. A method of performing rolling has been proposed so that the value becomes equal to or less than the predetermined value.
また、特許文献２で示されているように、スタンド間スプレーと仕上げ入側の加熱装置を制御することにより、仕上げ圧延時の加速度と圧延速度とを大きくしても仕上げ圧延機出側におけるストリップの温度上昇を防止して、スケール疵を発生させることなくストリップの生産性を向上させる方法が提案されている。 Further, as shown in Patent Document 2, by controlling the spray between stands and the heating device on the finishing inlet side, even if the acceleration and rolling speed at the time of finish rolling are increased, the strip on the exit side of the finish rolling mill A method has been proposed to prevent the temperature rise of the rolling mill and improve the productivity of the strip without causing scale flaws.
また、特許文献３で示されているように、仕上げ圧延機入側での粗バーの表面温度があらかじめ定められた温度となるように、仕上げ入側の加熱装置を制御する方法が提案されている。 Further, as shown in Patent Document 3, a method of controlling the heating device on the finish-in side so that the surface temperature of the rough bar on the finish-in side of the finish-rolling machine becomes a predetermined temperature has been proposed. There is.
しかし、表面スケールの生成には加熱炉内温度履歴も影響する。従来のいずれの方法でもその影響は考慮されていない。そのため、ブリスタースケール予測精度が低下してしまう問題があった。 However, the temperature history in the heating furnace also affects the generation of surface scale. The effect is not taken into consideration in any of the conventional methods. Therefore, there is a problem that the blister scale prediction accuracy is lowered.
以上の問題を解決すべくなされた本開示の目的は、高精度に発生有無を予測可能なブリスタースケールの発生予測方法、および、その発生予測方法で用いられるブリスタースケールの発生予測モデルの生成方法を提供することにある。また、本開示の他の目的は、その発生予測方法を用いて、圧延材の表面欠陥を減少させることが可能な圧延機の制御方法を提供することにある。 The purpose of the present disclosure to solve the above problems is to provide a method for predicting the occurrence of a blister scale that can predict the presence or absence of occurrence with high accuracy, and a method for generating a blister scale occurrence prediction model used in the method for predicting the occurrence. To provide. Another object of the present disclosure is to provide a method for controlling a rolling mill capable of reducing surface defects of a rolled material by using the method for predicting the occurrence thereof.
本開示の一実施形態に係るブリスタースケールの発生予測方法は、
スラブを加熱する加熱炉と、複数の圧延パスで熱間圧延を行う圧延工程を実行する圧延機と、を含む熱間圧延ラインにおける、ブリスタースケールの発生有無を予測する方法であって、
入力データとして、前記スラブの属性情報から選択した１以上のパラメータと、前記加熱炉における操業パラメータから選択した１以上のパラメータと、仕上げ圧延前の圧延材の温度情報から選択した１以上のパラメータと、前記圧延工程における操業パラメータから選択した１以上のパラメータとを含み、ブリスタースケールの発生有無を出力データとする、機械学習により生成されたブリスタースケールの発生予測モデルを用いて、ブリスタースケールの発生有無を予測する。
The method for predicting the occurrence of the blister scale according to the embodiment of the present disclosure is as follows.
A method for predicting the presence or absence of blister scale in a hot rolling line including a heating furnace for heating slabs and a rolling mill for performing hot rolling in a plurality of rolling passes.
As input data, one or more parameters selected from the attribute information of the slab, one or more parameters selected from the operation parameters in the heating furnace, and one or more parameters selected from the temperature information of the rolled material before finish rolling. , The presence or absence of blister scale generation using a machine learning-generated blister scale generation prediction model that includes one or more parameters selected from the operation parameters in the rolling process and uses the presence or absence of blister scale generation as output data. Predict.
本開示の一実施形態に係る圧延機の制御方法は、
上記のブリスタースケールの発生予測方法を用いて、前記スラブが前記加熱炉から抽出された後であって前記圧延機に装入される前に、前記スラブの属性情報および前記加熱炉における操業パラメータの実績値、仕上げ圧延前の圧延材の温度情報、ならびに、前記圧延工程における操業パラメータの設定値を用いて、ブリスタースケールの発生有無を予測し、
ブリスタースケールが発生しないように、前記圧延工程における操業パラメータを再設定する。
The method for controlling the rolling mill according to the embodiment of the present disclosure is as follows.
Using the above method for predicting the generation of blister scale, the attribute information of the slab and the operating parameters in the heating furnace are obtained after the slab is extracted from the heating furnace and before being charged into the rolling mill. The presence or absence of blister scale is predicted by using the actual value, the temperature information of the rolled material before finish rolling, and the set value of the operation parameter in the rolling process.
The operation parameters in the rolling process are reset so that the blister scale does not occur.
本開示の一実施形態に係るブリスタースケールの発生予測モデルの生成方法は、
スラブを加熱する加熱炉と、複数の圧延パスで熱間圧延を行う圧延工程を実行する圧延機と、を含む熱間圧延ラインにおける、ブリスタースケールの発生予測モデルの生成方法であって、
前記スラブの属性情報から選択した１以上の実績データと、前記加熱炉における操業実績データから選択した１以上の操業実績データと、仕上げ圧延前の圧延材の温度情報と、前記圧延工程における操業実績データから選択した１以上の操業実績データと、を入力実績データとして、前記入力実績データを用いたブリスタースケールの発生有無を出力実績データとした、複数の学習データを取得し、
取得した前記複数の学習データを用いた機械学習によって、ブリスタースケールの発生予測モデルを生成する。
The method for generating the occurrence prediction model of the blister scale according to the embodiment of the present disclosure is as follows.
A method for generating a blister scale generation prediction model in a hot rolling line including a heating furnace for heating slabs and a rolling mill for performing hot rolling in a plurality of rolling passes.
One or more performance data selected from the attribute information of the slab, one or more operation performance data selected from the operation performance data in the heating furnace, temperature information of the rolled material before finish rolling, and operation performance in the rolling process. Acquire a plurality of training data in which one or more operation record data selected from the data and the output record data are the presence or absence of the occurrence of the blister scale using the input record data as the input record data.
A blister-scale generation prediction model is generated by machine learning using the acquired plurality of training data.
本開示によれば、高精度に発生有無を予測可能なブリスタースケールの発生予測方法、および、その発生予測方法で用いられるブリスタースケールの発生予測モデルの生成方法を提供することができる。また、本開示によれば、その発生予測方法を用いて、圧延材の表面欠陥を減少させることが可能な圧延機の制御方法を提供することができる。 According to the present disclosure, it is possible to provide a method for predicting the occurrence of a blister scale that can predict the presence or absence of occurrence with high accuracy, and a method for generating a blister scale occurrence prediction model used in the method for predicting the occurrence. Further, according to the present disclosure, it is possible to provide a control method of a rolling mill capable of reducing surface defects of a rolled material by using the generation prediction method.
＜熱間圧延ラインの構成＞
図１は、本開示内容が適用される熱間圧延ラインの構成を示す模式図である。本熱間圧延ラインは、加熱炉１、デスケーリング装置２、幅圧下プレス装置３、粗圧延機４、仕上げ圧延機５、水冷装置６、コイラー７を含む装置から構成される。鋳造スラブ１０（図２参照）は、加熱炉１に装入された後、所定の設定温度まで加熱された後に、熱間スラブとして加熱炉１から抽出される。加熱炉１から抽出されたスラブは、デスケーリング装置２により表面に形成された１次スケールが除去され、その後、幅圧下プレス装置３により所定の設定幅まで幅圧下される。そして、スラブは、粗圧延機４において所定厚さまで圧延されることで粗バーとして、仕上げ圧延機５に搬送される。仕上げ圧延機５では、５から７スタンドの連続の圧延により製品厚さまで圧延される。仕上げ圧延機５の下流側にはランアウトテーブルと呼ばれる設備に水冷装置６を備えており、所定の温度まで冷却された後、コイラー７によりコイル状に巻き取られる。
<Structure of hot rolling line>
FIG. 1 is a schematic view showing the configuration of a hot rolling line to which the contents of the present disclosure are applied. This hot rolling line includes an apparatus including a heating furnace 1, a descaling apparatus 2, a width reduction press apparatus 3, a rough rolling
熱間圧延ライン上には粗圧延機４の出側および仕上げ圧延機５の入側などに温度計８が配置され、圧延材の温度を測定できる場合がある。圧延に際し、仕上げ圧延機５の前後に設置された水冷装置９により圧延材の冷却、また圧延材表面のスケールの除去の目的で圧延材に水が噴射される場合がある。
On the hot rolling line,
＜加熱炉＞
本熱間圧延ラインに用いられる加熱炉１は、図２に示す構造の設備である。鋳造スラブ１０は、図２の左側から加熱炉１に装入される。加熱炉１に装入される鋳造スラブ１０の温度は、鋳造後スラブヤードで冷却され０～６００℃ほどの場合がある。また、鋳造スラブ１０の温度は、鋳造後スラブヤードを介さず６００～８００℃ほどの場合がある。加熱炉１の内部は複数の帯域に区切られており、一般に上流側には２～８個の帯域に区切られた加熱帯と、１～３個の均熱帯とから構成される。図２に示す加熱炉１は、５個の加熱帯と１個の均熱帯で構成されており、以下において両者を合わせて「加熱炉帯」と呼ぶ。個々の加熱炉帯は、加熱炉１に装入されたスラブの平均温度が徐々に昇温する。個々の加熱炉帯は、所定の目標加熱温度、すなわち、加熱炉１から抽出される際のスラブ平均温度の目標値にするために、それぞれ異なる雰囲気温度に設定されている。また、いずれの加熱炉帯にも炉内上部には加熱炉帯内の雰囲気温度計を計測する温度計１１が設置されている。
<Heating furnace>
The heating furnace 1 used in this hot rolling line is a facility having the structure shown in FIG. The
加熱炉１に装入されたスラブは、加熱炉１の内部でウォーキングビーム１２と呼ばれる搬送設備により順次各加熱炉帯を通過する。また、加熱炉１の内部には複数のスラブが同時に装入されており、加熱炉１に装入される順番で、加熱炉１の出口から抽出されて、熱間圧延が行われていく。
The slab charged into the heating furnace 1 sequentially passes through each heating furnace zone inside the heating furnace 1 by a transport facility called a
＜圧延機＞
鋼片を加熱した後、粗圧延機４により圧延が施された後、仕上げ圧延機５により圧延が施される。
<Rolling machine>
After heating the steel pieces, they are rolled by the rough rolling
＜ブリスタースケールの発生予測モデル＞
ブリスタースケールの発生予測モデルは、ブリスタースケールの発生有無を予測する場合の入力データに、スラブの属性情報、加熱炉１における操業パラメータ、仕上げ圧延前の圧延材温度情報および圧延工程における操業パラメータから選択したパラメータを含むものである。
<Blister scale generation prediction model>
The blister scale generation prediction model selects from slab attribute information, operating parameters in the heating furnace 1, rolling material temperature information before finish rolling, and operating parameters in the rolling process as input data for predicting the occurrence of blister scale. It contains the parameters that have been used.
＜スラブの属性情報＞
スラブの属性情報としては、加熱炉１に装入されるスラブのスラブ厚、スラブ幅、スラブ長さの他、スラブの成分組成として、Ｃ、Ｓｉ、Ｍｎ、Ｔｉ、Ｃｒなど、成分元素の含有量を用いることができる。スラブの属性情報としては変形抵抗、Ｃ含有量またはＳｉ含有量のいずれかを含むのが好ましい。鋼に含まれる炭素およびケイ素は、スラブの高温での変形抵抗に影響を与えると共に、加熱炉１の内部での表面の酸化物の生成および組成に影響を与える元素だからである。これにより、圧延中の加工発熱による温度変化およびスケール性状に影響が与えられる。特に、スラブ中に含まれるＳｉは加熱中にスラブ表面に偏析し、また、加熱炉１の内部で酸素と反応し酸化物を形成するため、表面性状への影響が大きい。ここで、加熱炉１の内部で生成した１次スケールは、加熱炉１から抽出後のデスケーリングにより一旦除去されるものの、１次スケールよりも下層に存在する酸化物の状態を通じて、あるいはデスケーリング後の２次スケールの生成挙動を通じて、ブリスタースケールの発生に影響を与えると推測される。スラブの成分組成については、製鋼工程での設定値もしくは測定値を用いればよい。
<Attribute information of slab>
The attribute information of the slab includes the slab thickness, slab width, and slab length of the slab charged in the heating furnace 1, and the component elements such as C, Si, Mn, Ti, and Cr as the component composition of the slab. Amount can be used. The attribute information of the slab preferably includes either deformation resistance, C content or Si content. This is because carbon and silicon contained in steel are elements that affect the deformation resistance of the slab at high temperatures and also affect the formation and composition of oxides on the surface inside the heating furnace 1. This affects the temperature change and scale properties due to the processing heat generated during rolling. In particular, Si contained in the slab segregates on the surface of the slab during heating and reacts with oxygen inside the heating furnace 1 to form an oxide, which has a great influence on the surface texture. Here, the primary scale generated inside the heating furnace 1 is temporarily removed from the heating furnace 1 by descaling after extraction, but through the state of oxides existing in the layer below the primary scale or descaling. It is presumed that it affects the generation of blister scale through the later generation behavior of the secondary scale. As for the component composition of the slab, the set value or the measured value in the steelmaking process may be used.
＜加熱炉における操業パラメータ＞
加熱炉１における操業パラメータは、ブリスタースケール発生を予測しようとするスラブが加熱炉１の内部にあるときの各種パラメータを用いることができる。例えば、加熱炉１の特定の加熱炉帯における在炉時間、加熱炉１の最終の加熱炉帯の雰囲気温度、加熱炉１の内部での燃焼ガス雰囲気のガス組成、加熱炉１へ装入される前のスラブの表面温度など、加熱炉１から抽出されるスラブの内部の温度分布および表面の酸化物の状態に影響を与えることが想定される各種パラメータを用いればよい。
<Operation parameters in the heating furnace>
As the operation parameters in the heating furnace 1, various parameters can be used when the slab for which the generation of the blister scale is to be predicted is inside the heating furnace 1. For example, the time spent in a specific heating furnace zone of the heating furnace 1, the ambient temperature of the final heating furnace zone of the heating furnace 1, the gas composition of the combustion gas atmosphere inside the heating furnace 1, and the charging into the heating furnace 1. Various parameters that are expected to affect the temperature distribution inside the slab extracted from the heating furnace 1 and the state of the oxide on the surface, such as the surface temperature of the slab before the heating, may be used.
また、加熱炉１に装入されてから抽出されるまでのスラブが位置する加熱炉帯の雰囲気温度の履歴情報とは、図３に示すように、スラブが加熱炉１に装入されてから、順次、加熱炉１の内部で搬送されるにしたがって変化する加熱炉帯の雰囲気温度に関する履歴全体を指す。 Further, the historical information of the atmospheric temperature of the heating furnace zone in which the slab is located from the time when the slab is charged into the heating furnace 1 to the time when the slab is extracted is, as shown in FIG. 3, after the slab is charged into the heating furnace 1. , Sequentially refers to the entire history of the atmospheric temperature of the heating furnace zone, which changes as it is conveyed inside the heating furnace 1.
また、本開示の実施形態として、加熱炉１への装入からの抽出までのトータルの在炉時間と、在炉時間をＮ個に分割した時間ごとのスラブが位置する加熱炉帯の雰囲気温度を組みわせた情報を履歴情報として用いるのが好適である。在炉時間の異なるスラブで比較すると、履歴情報として用いる雰囲気温度の時間区分が異なるものの、加熱炉１の内部での昇温パターンを表す情報であり、トータルの在炉時間のデータと組み合わせることで、学習モデルの内部では加熱炉１の内部での時間経過と雰囲気温度との関係を考慮することができる。時間区分を表すＮは３～３０が好ましく、Ｎが１０以上であることがより好ましい。 Further, as an embodiment of the present disclosure, the total heating time from charging to the heating furnace 1 to extraction and the atmospheric temperature of the heating furnace zone in which the slabs are located for each time divided into N pieces. It is preferable to use the information in which the above is combined as the history information. Comparing slabs with different furnace times, although the time division of the ambient temperature used as historical information is different, it is information showing the temperature rise pattern inside the heating furnace 1, and by combining it with the total furnace time data. Inside the learning model, the relationship between the passage of time inside the heating furnace 1 and the ambient temperature can be considered. The N representing the time division is preferably 3 to 30, and more preferably N is 10 or more.
例えば、表１は、図３のような加熱炉帯の温度履歴について、在炉時間を１８分割した各時点の加熱炉帯の温度を表したものである。スラブＡのように在炉時間が１８０分であった場合、１０分毎の加熱炉帯の温度データが用いられる。一方、スラブＢのように在炉時間が１５０分であった場合、８．３分毎の加熱炉帯の温度データが用いられる。スラブが位置する加熱炉帯の温度は、加熱炉帯に設置された温度計１１によって計測される温度が好ましいが、各加熱炉帯の燃焼バーナーに用いられるガスの燃焼温度でよい。
For example, Table 1 shows the temperature of the heating furnace zone at each time point in which the heating time is divided into 18 with respect to the temperature history of the heating furnace zone as shown in FIG. When the furnace time is 180 minutes as in the slab A, the temperature data of the heating furnace zone every 10 minutes is used. On the other hand, when the furnace time is 150 minutes as in the slab B, the temperature data of the heating furnace zone every 8.3 minutes is used. The temperature of the heating furnace zone in which the slab is located is preferably the temperature measured by the
＜仕上げ圧延前の圧延材温度情報＞
仕上げ圧延前の圧延材温度情報は、粗圧延機４の出側および仕上げ圧延機５の入側などに設置された温度計８による測定値を用いることが望ましいが、加熱炉抽出温度設定値など計算した計算値を用いてよい。
<Temperature information of rolled material before finish rolling>
For the rolling material temperature information before finish rolling, it is desirable to use the measured values by the
＜圧延操業パラメータ＞
圧延工程における操業パラメータには、仕上げ圧延圧下スケジュール（各スタンドでの入出側板厚）、仕上げ圧延速度、仕上げ圧延ロール径、粗圧延後の各水冷装置の使用状況、を用いることが出来る。
<Rolling operation parameters>
As the operation parameters in the rolling process, the finish rolling reduction schedule (input / output side plate thickness at each stand), the finish rolling speed, the finish rolling roll diameter, and the usage status of each water cooling device after rough rolling can be used.
仕上げ圧延圧下スケジュールは、設定値でよいし、圧延後の板厚を測定した値を用いてよい。 The finish rolling reduction schedule may be a set value or a measured value of the sheet thickness after rolling.
圧延速度は、例えば各スタンドにおけるロール速度または入出側板速度を用いてよい。一例として、圧延速度は最終スタンドのロール速度または出側板速度を代表値として用いてよい。別の例として、圧延速度は、各スタンド間の鋼板通過時間を用いて計算されてよい。 As the rolling speed, for example, the roll speed at each stand or the input / output side plate speed may be used. As an example, the rolling speed may be represented by the roll speed of the final stand or the output plate speed. As another example, the rolling speed may be calculated using the steel plate transit time between each stand.
粗圧延後の各水冷装置置の使用状況は、各装置の使用有無の情報をパラメータとして用いればよい。各装置の水圧または水量が変化する場合は、その水圧または水量をパラメータとして用いてよい。 For the usage status of each water cooling device after rough rolling, information on whether or not each device is used may be used as a parameter. If the water pressure or amount of water in each device changes, the water pressure or amount of water may be used as a parameter.
ブリスタースケールの発生有無は圧延材の長手方向で変化する。そのため、各パラメータについては圧延材の長手方向各位置における値を用いて、各位置における発生有無を予測することが望ましい。一方で、長手方向各位置におけるパラメータ値を取得することが難しい場合は、各圧延材での代表値を用いてよい。 The presence or absence of blister scale changes in the longitudinal direction of the rolled material. Therefore, for each parameter, it is desirable to predict the presence or absence of occurrence at each position by using the value at each position in the longitudinal direction of the rolled material. On the other hand, when it is difficult to obtain the parameter value at each position in the longitudinal direction, the representative value for each rolled material may be used.
また、ブリスタースケールの発生予測モデルは、本実施形態ではブリスタースケールの発生有無を予測するよう学習しているが、ブリスタースケールの発生有の場合に学習データにブリスタースケールの程度を準備できるのであれば、発生有の時にはその程度まで予測するようにしてよい。本開示において発生有というのは、ブリスタースケールの発生予測モデルがブリスタースケールの程度を出力する場合も含む。 Further, the blister scale occurrence prediction model is learned to predict the presence or absence of the blister scale in this embodiment, but if the degree of the blister scale can be prepared in the training data when the blister scale is generated, the training data can be prepared. , When there is an outbreak, it may be predicted to that extent. In the present disclosure, the term “occurrence” includes the case where the blister scale occurrence prediction model outputs the degree of the blister scale.
＜ブリスタースケール発生実績＞
ブリスタースケール発生実績は、熱延後の精整工程および酸洗・冷延などの次工程において目視または検査装置により収集され、上位コンピュータに保存される。これらは、長手方向の位置情報とともに保存されることもある。
<Blister scale occurrence record>
The blister scale generation record is collected by visual inspection or inspection equipment in the scouring process after hot rolling and the next process such as pickling and cold rolling, and is stored in the host computer. These may be stored with longitudinal position information.
＜ブリスタースケールの発生予測モデルの生成＞
図４は、本開示の実施形態であるブリスタースケールの発生予測モデルの生成方法を示す。本開示の実施形態として用いるブリスタースケールの発生予測モデル生成部は、スラブの属性情報に関する実績データ、加熱炉１における操業実績データ、仕上げ圧延前の圧延材の温度情報、圧延操業実績データ、およびブリスタースケール発生実績データを収集し、機械学習によるブリスタースケールの発生予測モデルを生成するものである。
<Generation of blister scale occurrence prediction model>
FIG. 4 shows a method of generating a blister scale generation prediction model according to the embodiment of the present disclosure. The blister scale generation prediction model generation unit used as the embodiment of the present disclosure includes actual data on slab attribute information, operation actual data in the heating furnace 1, temperature information of the rolled material before finish rolling, rolling operation actual data, and blister. It collects scale generation record data and generates a blister scale generation prediction model by machine learning.
スラブの属性情報に関する実績データ、仕上げ圧延前の圧延材の温度情報、圧延操業実績データ、およびブリスタースケール発生実績データは、プロセスコンピュータなど上位コンピュータにおいて通常の熱間圧延ラインの操業実績情報と採取される実績情報として、ブリスタースケールの発生予測モデル生成部に送られる。ブリスタースケールの発生予測モデル生成部は、上位コンピュータおよび熱間圧延ラインを構成する各種の装置と通信可能なコンピュータによって実現されてよい。コンピュータの構成は、特に限定されるものでなく、例えばメモリ（記憶装置）、ＣＰＵ（処理装置）、ハードディスクドライブ（ＨＤＤ）、ネットワークに接続するための通信制御部、表示装置および入力装置を備えるものであってよい。ここで、図４のデータベースはハードディスクドライブで実現されてよい。加熱炉帯温度解析部、および、発生予測モデルを生成する機械学習部はＣＰＵで実現されてよい。ブリスタースケールの発生予測モデルはメモリに記憶されてよい。また、加熱炉帯温度の時系列データ収集部および上位コンピュータとの通信部は通信制御部で実現されてよい。 The actual data related to the attribute information of the slab, the temperature information of the rolled material before finish rolling, the rolling operation actual data, and the blister scale generation actual data are collected together with the operation actual information of the normal hot rolling line in the upper computer such as the process computer. As actual information, it is sent to the generation prediction model generation unit of the blister scale. The blister scale generation prediction model generation unit may be realized by a computer capable of communicating with a host computer and various devices constituting the hot rolling line. The configuration of the computer is not particularly limited, and includes, for example, a memory (storage device), a CPU (processing device), a hard disk drive (HDD), a communication control unit for connecting to a network, a display device, and an input device. May be. Here, the database of FIG. 4 may be realized by a hard disk drive. The heating furnace zone temperature analysis unit and the machine learning unit that generates the generation prediction model may be realized by the CPU. The blister scale occurrence prediction model may be stored in memory. Further, the time-series data collection unit for the heating furnace zone temperature and the communication unit with the host computer may be realized by the communication control unit.
加熱炉１における操業実績データについては、加熱されるスラブの加熱炉帯における温度履歴が収集されている場合には、上記と同様に上位コンピュータから取得するが、そのような機能がない場合には、スラブごとの加熱炉１における在炉時間と、加熱炉帯の温度履歴に関する情報を別途採取して、加熱炉帯温度解析部において、図３に示すような時間と加熱炉帯の雰囲気温度との履歴情報を求める。さらに、加熱炉帯温度解析部では、図３に例示する履歴情報をスラブの在炉時間を用いて、表１に示すような所定個数で区分された雰囲気温度情報に変換する。 Regarding the operation record data in the heating furnace 1, if the temperature history in the heating furnace zone of the slab to be heated is collected, it is obtained from the host computer in the same manner as above, but if there is no such function, it is obtained. , The time in the heating furnace 1 for each slab and the information on the temperature history of the heating furnace zone are separately collected, and in the heating furnace zone temperature analysis unit, the time as shown in FIG. 3 and the atmospheric temperature of the heating furnace zone are determined. Request the history information of. Further, the heating furnace zone temperature analysis unit converts the history information illustrated in FIG. 3 into atmospheric temperature information divided by a predetermined number as shown in Table 1 by using the furnace time of the slab.
以上のように入力データと出力データのデータセットが複数収集されて、データベースに保存される。また、データベースのデータ数としては、少なくとも１００個以上、好ましくは５００個以上、より好ましくは７００個以上のデータが蓄積されていることが好ましい。 As described above, multiple data sets of input data and output data are collected and stored in the database. The number of data in the database is preferably at least 100, preferably 500 or more, and more preferably 700 or more.
本実施形態では、このようにして作成されたデータベースを用いて、少なくともスラブの属性情報から選択した１以上の実績データと、加熱炉１における操業実績データから選択した１以上の操業実績データと、仕上げ圧延前の圧延材の温度情報と、圧延工程における操業実績データから選択した１以上の操業実績データとを入力実績データとし、その入力実績データを用いたブリスタースケールの発生有無の実績を出力実績データとした、複数の学習データを取得する。そして、取得した複数の学習データを用いた機械学習によるブリスタースケールの発生予測モデルが生成される。 In the present embodiment, using the database created in this way, at least one or more actual data selected from the attribute information of the slab, one or more operation actual data selected from the operation actual data in the heating furnace 1, and one or more operation actual data are selected. The temperature information of the rolled material before finish rolling and one or more operation record data selected from the operation record data in the rolling process are used as input record data, and the record of the presence or absence of blister scale generation using the input record data is output. Acquire multiple training data as data. Then, a blister scale generation prediction model is generated by machine learning using the acquired plurality of learning data.
機械学習の方法は、公知の学習方法を適用すればよい。機械学習は、例えば、ニューラルネットワークなどの公知の機械学習手法を用いればよい。他の手法としては、決定木学習、ランダムフォレスト、サポートベクター回帰などが例示できる。また、ブリスタースケールの発生予測モデルは、最新の学習データを用いて、適宜、更新すればよい。 As the machine learning method, a known learning method may be applied. For machine learning, for example, a known machine learning method such as a neural network may be used. Examples of other methods include decision tree learning, random forest, and support vector regression. In addition, the blister scale generation prediction model may be updated as appropriate using the latest learning data.
＜ブリスタースケールの発生予測方法＞
熱間圧延ラインの操業過程では、上記のようにして予め生成したブリスタースケールの発生予測モデルを用いたブリスタースケールの発生有無の予測を行う。ブリスタースケール発生有無を予測するタイミングとしては、予測対象とする材料が粗圧延後に測温された後で、仕上げ圧延が実施される５～１０秒よりも前までに実施するのが好ましい。ブリスタースケールが発生すると予測される場合に、オペレータが設定変更により冷却装置使用数等に設定変更を行うことができるからである。仕上げ圧延前の圧延材温度情報として加熱炉抽出温度設定値など計算した計算値を用いる場合は、加熱炉１から抽出された後で、仕上げ圧延が実施される５～１０秒よりも前までに実施すればよい。
<Method of predicting the occurrence of blister scale>
In the operation process of the hot rolling line, the presence or absence of blister scale generation is predicted using the blister scale generation prediction model generated in advance as described above. The timing for predicting the presence or absence of blister scale is preferably performed after the temperature of the material to be predicted is measured after rough rolling and before 5 to 10 seconds before finish rolling is performed. This is because when it is predicted that blister scale will occur, the operator can change the setting to the number of cooling devices used or the like by changing the setting. When using calculated values such as the heating furnace extraction temperature set value as the rolling material temperature information before finish rolling, after extraction from the heating furnace 1, before 5 to 10 seconds before finish rolling is performed. It should be carried out.
図５は、本開示の実施形態である仕上げ圧延機５の制御方法について説明するための図である。ブリスタースケールの発生予測部および操業条件設定部は、ブリスタースケールの発生予測モデル生成部を実現するのと同じコンピュータによって実現されてよい。ここで、図５の加熱炉帯温度解析部および操業条件設定部はＣＰＵで実現されてよい。ブリスタースケールの発生予測モデルを用いて予測された発生有無の予測値はメモリに記憶されてよい。また、加熱炉帯温度の時系列実績データ収集部および上位コンピュータとの通信部は通信制御部で実現されてよい。
FIG. 5 is a diagram for explaining a control method of the
ブリスタースケールの発生予測部に対して、上位コンピュータからの情報として、スラブの属性情報および予め設定されている圧延操業条件の設定値（初期条件）が送られる。また、ブリスタースケールの発生有無の予測対象であるスラブが加熱炉１から抽出された後に、加熱炉１における操業パラメータの実績値として、加熱炉帯における温度履歴の時系列実績データが送られ、上記と同様の方法により、加熱炉帯温度解析部により加熱炉１における操業実績データが生成される。また、上位コンピュータからの情報として、仕上げ圧延前の圧延材温度情報が送られる。さらに、生成されたブリスタースケールの発生予測モデルを用いて、ブリスタースケールの発生有無の予測値が求められる。 Slab attribute information and preset rolling operation condition setting values (initial conditions) are sent to the blister scale generation prediction unit as information from the host computer. In addition, after the slab, which is the prediction target for the presence or absence of blister scale, is extracted from the heating furnace 1, time-series actual data of the temperature history in the heating furnace zone is sent as the actual value of the operation parameters in the heating furnace 1, and the above By the same method as above, the operation performance data in the heating furnace 1 is generated by the heating furnace zone temperature analysis unit. Further, as information from the host computer, information on the temperature of the rolled material before finish rolling is sent. Further, the predicted value of the presence or absence of the occurrence of the blister scale is obtained by using the generated prediction model of the occurrence of the blister scale.
以上のようにして予測されるブリスタースケールの発生有無の予測値が発生無しであれば、初期設定の圧延操業条件のまま制御部へ送られる。予測結果が発生有りであれば、操業条件の設定値を再設定する。 If the predicted value of the presence or absence of the blister scale predicted as described above does not occur, it is sent to the control unit with the default rolling operation conditions. If the prediction result is generated, the set value of the operating condition is reset.
再設定された操業条件を再度、ブリスタースケールの発生予測モデルの入力データとして、ブリスタースケールの発生有無の予測を実施してから、操業条件の設定値が決定されてよい。このようなブリスタースケールの発生有無の予測を繰り返し行うことで、適切な操業条件の設定ができるため、ブリスタースケールが発生する可能性をより低めた操業が可能となる。 The reset operating conditions may be determined again after the presence or absence of the blister scale is predicted as the input data of the blister scale occurrence prediction model. By repeatedly predicting the presence or absence of such blister scale, it is possible to set appropriate operating conditions, so that the possibility of blister scale occurrence can be reduced.
再設定する操業条件としては、具体的には、水冷装置の使用数を増やせばよい。水冷により圧延材表面温度が下がり、ブリスタースケールが発生しにくくなると予想されるからである。この時、新たに使用する水冷装置が複数ある場合は、いずれかの水冷装置を使用した場合について再度ブリスタースケールの発生有無の予測を行い、発生有りであれば別の水冷装置を使用した場合で再度ブリスタースケールの発生有無の予測を行うことを繰り返せばよい。いずれの水冷装置を使用してもブリスタースケールが発生する予測となる場合は、水冷装置使用数をさらに追加した条件で判定を行えばよい。 As the operating conditions to be reset, specifically, the number of water cooling devices used may be increased. This is because it is expected that the surface temperature of the rolled material will be lowered by water cooling and blister scale will be less likely to occur. At this time, if there are multiple water cooling devices to be newly used, the presence or absence of blister scale generation is predicted again when any of the water cooling devices is used, and if it occurs, another water cooling device is used. It suffices to repeat the prediction of the occurrence of the blister scale again. If it is predicted that blister scale will occur regardless of which water cooling device is used, the judgment may be made under the condition that the number of water cooling devices used is further added.
水冷装置を使用することが出来ない場合は、圧延速度を変更して判定を行ってよい。圧延速度を下げることで空冷および圧延ロールへの熱移動により圧延材表面温度が下がり、ブリスタースケールが発生しにくくなると予想されるからである。また、速度を上げた場合もスタンド間でブリスタースケールが生成する時間が短くなることで、ブリスタースケールが発生しにくくなる可能性があるため、速度を増加・減少させた両方の場合について判定を行ってよい。 If the water cooling device cannot be used, the rolling speed may be changed to make a judgment. This is because it is expected that by lowering the rolling speed, the surface temperature of the rolled material will be lowered by air cooling and heat transfer to the rolling roll, and blister scale will be less likely to occur. Also, even if the speed is increased, the time for the blister scale to be generated between the stands is shortened, which may make it difficult for the blister scale to occur. It's okay.
以下に説明する実施例は、本開示内容を薄鋼板の熱間圧延ラインに適用したものである。厚２１０～２６５ｍｍのスラブに対して、粗圧延後板厚を３０～４０ｍｍ、仕上げ圧延後の板厚を２～６ｍｍまで圧延した場合について、本開示例によるブリスタースケールの発生有無の予測が行われた。仕上げ圧延機５は７スタンド（７つの圧延パス）を有し、各スタンドで各１回の圧延を連続して実行した。ロール径の直径は６８０～８８０ｍｍであった。圧延速度は、最終スタンド圧延後の板速度が４００～１２００ｍｐｍであった。各スタンドの前に水冷装置９が設置されている。
In the examples described below, the contents of the present disclosure are applied to a hot rolling line of a thin steel sheet. For slabs with a thickness of 210 to 265 mm, the presence or absence of blister scale is predicted by the present disclosure example when the plate thickness after rough rolling is 30 to 40 mm and the plate thickness after finish rolling is 2 to 6 mm. rice field. The
出力実績データとして必要なブリスタースケール発生実績は、精整工程にて目視により判定した結果を用いた。判定結果は圧延材長手方向の位置情報とともに、上位コンピュータに保存されている。圧延材長手方向に対して１０等分した各位置におけるブリスタースケールの有無の実績が用いられた。 For the blister scale generation record required as output record data, the result visually determined in the fine adjustment process was used. The determination result is stored in the host computer together with the position information in the longitudinal direction of the rolled material. The actual results of the presence or absence of blister scale at each position divided into 10 equal parts in the longitudinal direction of the rolled material were used.
予測モデルの入力データとして、スラブ厚さ、スラブのＣ含有量、Ｓｉ含有量と、対象とするスラブが存在している加熱炉帯の雰囲気温度と、在炉時間、粗圧延後圧延材温度測定値、仕上げ圧延板厚スケジュール、各水冷装置の使用有無、最終スタンド圧延後の板速度を用いた。 As input data of the prediction model, slab thickness, C content and Si content of the slab, the ambient temperature of the heating furnace zone where the target slab exists, the furnace time, and the temperature of the rolled material after rough rolling are measured. The value, the finish rolling plate thickness schedule, the use or non-use of each water cooling device, and the plate speed after the final stand rolling were used.
含有Ｃ量、含有Ｓｉ量としては、製鋼工程での測定値を用いた。スラブが存在している加熱炉帯の温度としては、各スラブの在炉時間をそれぞれ１８等分した各時点のスラブが存在している加熱炉帯の温度を炉壁に設置された温度計１１により測定した値を用いた。長手方向に１０等分した各位置で、各スラブについて上記のように測定した値が用いられた。
As the C content and the Si content, the measured values in the steelmaking process were used. As the temperature of the heating furnace zone in which the slab exists, the temperature of the heating furnace zone in which the slab exists at each time point obtained by dividing the furnace time of each slab into 18 equal parts is measured by the
粗圧延後材料温度、板厚スケジュール、各水冷装置の使用有無、最終スタンド圧延後の板速度については、長手方向に１０等分した各位置での値を用いた。 For the material temperature after rough rolling, the plate thickness schedule, whether or not each water cooling device was used, and the plate speed after final stand rolling, the values at each position divided into 10 equal parts in the longitudinal direction were used.
機械学習手法としてはニューラルネットワークを用い、中間層を２層とした。活性化関数はシグモイド関数を用いた。上記の操業実績データを１４００本分用意し、モデル作成用のデータ（学習データ）として１１００本が使用されて、残りの３００本で予測精度が検証された。モデル予測精度は、検証したすべての点でブリスタースケールの発生の予測結果が実績と一致した。 A neural network was used as a machine learning method, and the intermediate layer was set to two layers. The activation function used was the sigmoid function. The above operation record data was prepared for 1400 pieces, 1100 pieces were used as data (learning data) for model creation, and the prediction accuracy was verified with the remaining 300 pieces. As for the model prediction accuracy, the prediction result of the occurrence of the blister scale was in agreement with the actual result in all the verified points.
比較例として、含有Ｃ量、含有Ｓｉ量、各スタンド圧延前の鋼板表面温度、スタンド間時間をパラメータとし、あらかじめラボ実験にてこれらのパラメータによるブリスタースケールの発生予測モデルを用いて、予測が行われた。前述の同じ操業実績データを用いて、モデル作成用のデータとして１１００本が使用されて、残りの３００本で予測精度が検証された。その結果、４２か所でブリスタースケールの発生有無の予測結果が実績と一致しなかった。 As a comparative example, the content C content, the content Si content, the surface temperature of the steel sheet before rolling each stand, and the time between stands are used as parameters, and prediction is performed using a blister scale generation prediction model based on these parameters in advance in a laboratory experiment. I was. Using the same operation record data described above, 1100 pieces were used as data for model creation, and the prediction accuracy was verified with the remaining 300 pieces. As a result, the prediction results of the presence or absence of blister scale in 42 places did not match the actual results.
以上のように、本開示による予測方法の適用により、ブリスタースケールの発生有無を高精度に予測でき、また、表面欠陥を減少させることができる。 As described above, by applying the prediction method according to the present disclosure, the presence or absence of blister scale can be predicted with high accuracy, and surface defects can be reduced.
１ 加熱炉
２ デスケーリング装置
３ 幅圧下プレス装置
４ 粗圧延機
５ 仕上げ圧延機
６ 水冷装置
７ コイラー
８ 温度計
９ 水冷装置
１０ 鋳造スラブ
１１ 温度計
１２ ウォーキングビーム
1 Heating furnace 2 Descaling device 3 Width
Claims (6)
入力データとして、前記スラブの属性情報から選択した１以上のパラメータと、前記加熱炉における操業パラメータから選択した１以上のパラメータと、仕上げ圧延前の圧延材の温度情報から選択した１以上のパラメータと、前記圧延工程における操業パラメータから選択した１以上のパラメータとを含み、ブリスタースケールの発生有無を出力データとする、機械学習により生成されたブリスタースケールの発生予測モデルを用いて、ブリスタースケールの発生有無を予測する、ブリスタースケールの発生予測方法。 A method for predicting the presence or absence of blister scale in a hot rolling line including a heating furnace for heating slabs and a rolling mill for performing hot rolling in a plurality of rolling passes.
As input data, one or more parameters selected from the attribute information of the slab, one or more parameters selected from the operation parameters in the heating furnace, and one or more parameters selected from the temperature information of the rolled material before finish rolling. , The presence or absence of blister scale generation using a machine learning-generated blister scale generation prediction model that includes one or more parameters selected from the operation parameters in the rolling process and uses the presence or absence of blister scale generation as output data. A method for predicting the occurrence of blister scale.
ブリスタースケールが発生しないように、前記圧延工程における操業パラメータを再設定する、圧延機の制御方法。 Using the method for predicting the generation of blister scale according to any one of claims 1 to 3, the slab is extracted from the heating furnace and before being charged into the rolling mill. The presence or absence of blister scale is predicted by using the attribute information of the above, the actual value of the operation parameter in the heating furnace, the temperature information of the rolled material before finish rolling, and the set value of the operation parameter in the rolling process.
A rolling mill control method for resetting operating parameters in the rolling process so that blister scale does not occur.
前記スラブの属性情報から選択した１以上の実績データと、前記加熱炉における操業実績データから選択した１以上の操業実績データと、仕上げ圧延前の圧延材の温度情報と、前記圧延工程における操業実績データから選択した１以上の操業実績データと、を入力実績データとして、前記入力実績データを用いたブリスタースケールの発生有無を出力実績データとした、複数の学習データを取得し、
取得した前記複数の学習データを用いた機械学習によって、ブリスタースケールの発生予測モデルを生成する、ブリスタースケールの発生予測モデルの生成方法。 A method for generating a blister scale generation prediction model in a hot rolling line including a heating furnace for heating slabs and a rolling mill for performing hot rolling in a plurality of rolling passes.
One or more performance data selected from the attribute information of the slab, one or more operation performance data selected from the operation performance data in the heating furnace, temperature information of the rolled material before finish rolling, and operation performance in the rolling process. Acquire a plurality of training data in which one or more operation record data selected from the data and the output record data are the presence or absence of the occurrence of the blister scale using the input record data as the input record data.
A method for generating a blister-scale generation prediction model, which generates a blister-scale generation prediction model by machine learning using the acquired plurality of training data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020163888A JP7338599B2 (en) | 2020-09-29 | 2020-09-29 | Method for predicting generation of blister scale, method for controlling rolling mill, and method for generating prediction model for generation of blister scale |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020163888A JP7338599B2 (en) | 2020-09-29 | 2020-09-29 | Method for predicting generation of blister scale, method for controlling rolling mill, and method for generating prediction model for generation of blister scale |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022056086A true JP2022056086A (en) | 2022-04-08 |
| JP7338599B2 JP7338599B2 (en) | 2023-09-05 |
Family
ID=80998677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020163888A Active JP7338599B2 (en) | 2020-09-29 | 2020-09-29 | Method for predicting generation of blister scale, method for controlling rolling mill, and method for generating prediction model for generation of blister scale |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7338599B2 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09262602A (en) * | 1996-03-28 | 1997-10-07 | Kawasaki Steel Corp | Manufacture of hot rolled steel sheet |
| JP2010231447A (en) * | 2009-03-26 | 2010-10-14 | Kobe Steel Ltd | Output value prediction method and device, and program for the method |
| JP2012206174A (en) * | 2012-07-30 | 2012-10-25 | Jfe Steel Corp | Method for determining presence/absence of risk of occurrence of surface roughness and scale flaw and hot finish rolling mill train using the same, and method for determining degree of surface roughness of work roll and hot finish rolling mill train using the same |
| JP2020114597A (en) * | 2019-01-17 | 2020-07-30 | Ｊｆｅスチール株式会社 | Determination method for production specification of metallic material, production method of metallic material and determination device for production specification |
-
2020
- 2020-09-29 JP JP2020163888A patent/JP7338599B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09262602A (en) * | 1996-03-28 | 1997-10-07 | Kawasaki Steel Corp | Manufacture of hot rolled steel sheet |
| JP2010231447A (en) * | 2009-03-26 | 2010-10-14 | Kobe Steel Ltd | Output value prediction method and device, and program for the method |
| JP2012206174A (en) * | 2012-07-30 | 2012-10-25 | Jfe Steel Corp | Method for determining presence/absence of risk of occurrence of surface roughness and scale flaw and hot finish rolling mill train using the same, and method for determining degree of surface roughness of work roll and hot finish rolling mill train using the same |
| JP2020114597A (en) * | 2019-01-17 | 2020-07-30 | Ｊｆｅスチール株式会社 | Determination method for production specification of metallic material, production method of metallic material and determination device for production specification |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7338599B2 (en) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5565200B2 (en) | Finishing temperature control device in hot rolling | |
| JP2021098213A (en) | Warpage prediction method in hot rolling, warpage control method, manufacturing method for hot-rolled steel plate, method for creating warpage prediction model and hot-rolling facility | |
| JP7135962B2 (en) | Steel plate finishing delivery side temperature control method, steel plate finishing delivery side temperature control device, and steel plate manufacturing method | |
| JP2005297015A (en) | Winding temperature controller | |
| JP2022056086A (en) | Blister scale generation prediction method, rolling mill control method, and blister scale generation prediction model generation method | |
| KR102448426B1 (en) | How the annealing furnace works | |
| JP7230880B2 (en) | Rolling load prediction method, rolling method, method for manufacturing hot-rolled steel sheet, and method for generating rolling load prediction model | |
| JP2007050413A (en) | Method and apparatus for controlling steel sheet width | |
| JP4962005B2 (en) | Steel manufacturing method, steel cooling control device, and steel manufacturing device | |
| JP4349177B2 (en) | Steel extraction temperature prediction method for continuous heating furnace | |
| JP7287422B2 (en) | Slab thickness prediction method, roughing mill control method, and slab thickness prediction model generation method | |
| JP5463743B2 (en) | Slab hot rolling schedule determination method and slab hot rolling schedule determination device | |
| JP2002126814A (en) | Hot rolling method | |
| JP4079098B2 (en) | Manufacturing method and manufacturing apparatus for hot-rolled steel sheet | |
| JP5381740B2 (en) | Thickness control method of hot rolling mill | |
| JP2021109185A (en) | Control method for rolling device, control device for rolling device, and manufacturing method for steel plate | |
| JP2012011448A (en) | Cooling control method of rolled material, and continuous rolling mill to which the cooling control method is applied | |
| JP7294242B2 (en) | Method for predicting surface roughness, method for manufacturing steel strip, and method for generating trained machine learning model | |
| JP2022192003A (en) | Surface layer hardness prediction model and predictive control method for surface layer hardness of steel plate using the same, control command device, steel plate manufacturing line, and steel plate manufacturing method | |
| JP4099915B2 (en) | Control method of reversible rolling mill | |
| US11779977B2 (en) | Method for setting different cooling curves of rolling material over the strip width of a cooling stretch in a hot-strip mill or heavy-plate mill | |
| JP7294233B2 (en) | Width Reduction Load Prediction Method, Width Reduction Load Control Method, and Width Reduction Load Prediction Method Generating Model in Width Reduction Press Machine | |
| JP3518504B2 (en) | How to set cooling conditions for steel sheets | |
| JP7156318B2 (en) | Rolling mill control method, rolling mill control device, and steel plate manufacturing method | |
| EP4275806A1 (en) | Method for predicting shape of steel sheet, shape control method, manufacturing method, method for generating shape prediction model, and manufacturing equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220425 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230705 |
|
| 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: 20230725 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230807 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7338599 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |