JP2022056370A - スラブ厚予測方法、幅圧下プレス装置の制御方法およびスラブ厚予測モデルの生成方法 - Google Patents

Abstract

【課題】熱間圧延ラインの幅圧下プレス装置でのスラブ厚を高精度に予測可能なスラブ厚予測方法、および、予測モデルの生成方法を提供する。また、熱間圧延ラインにおける噛みこみ不良を防止可能な幅圧下プレス装置および粗圧延機の制御方法を提供する。【解決手段】スラブ厚予測方法は、スラブを加熱する加熱炉１と、加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置３と、を含む熱間圧延ラインにおける幅圧下プレス装置でのスラブ厚予測方法であって、入力データとして、スラブの属性情報から選択した１以上のパラメータと、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、幅圧下プレス装置における幅圧下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、幅圧下プレス装置でのスラブ厚を出力データとする、機械学習により生成されたスラブ厚予測モデルを用いて、幅圧下プレス装置でのスラブ厚の予測値を求める。【選択図】図２

Description

本開示は、スラブ厚予測方法、幅圧下プレス装置の制御方法およびスラブ厚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設けられた幅圧下プレス装置の出側スラブ厚の予測に関する。また、本開示は、特に熱間圧延ラインに設けられた幅圧下プレス装置の制御方法に関する。

熱間スラブの幅変更手段として、連続鋳造プロセスにて製造されたスラブを温度が低下しないうちに、あるいは一旦温度が低下した後に加熱炉に装入して所定の温度まで加熱した状態にて、該熱間スラブの幅方向に相対峙して設置された１対の金型にて熱間スラブを幅方向に間欠的に圧下する幅圧下プレス装置が用いられている。幅圧下プレス装置による幅圧下（幅方向の圧下）では、通常、９００～２０００ｍｍ程度の幅のスラブに対して最大３００～３５０ｍｍ程度の幅圧下が行われており、連続鋳造にて同一幅に鋳造されたスラブより異なる幅の鋼板製品の製造を可能としている。これにより、連続鋳造プロセスでの幅変更回数の低減、熱間圧延プロセスでのスケジュールフリー圧延の拡大、コイル単重の増大など、鋼板製造プロセスの生産性向上および合理化に大きく寄与している。

幅圧下用金型１０は例えば、図１に示す形状をしており、熱間スラブと接する面に、スラブ搬送方向に平行な金型平行部１０１と、スラブ搬送方向の逆方向に向かって幅方向に広がる金型傾斜部１０２とがスラブ搬送方向先端側から順に形成されている。また、スラブ搬送前、スラブ搬送後・圧下前、圧下下死点での状態における幅圧下用金型とスラブの状態が図１に示されている。ここで、スラブと金型の接触長さがＬ０、送りピッチ（プレス１パス毎のスラブの搬送距離）がＰ、幅圧下量がΔＷで示されている。

幅圧下後のスラブ厚予測方法としては、特許文献１および特許文献２に示されているように、鋼種、スラブ温度、スラブ寸法、幅圧下量などをパラメータとし、あらかじめ実験または数値計算にてこれらのパラメータによる板厚増肉量を定式化する方法が従来提案されている。

特開２００９－６３６１号公報 特許第５６２５３５６号公報

しかし、これらの従来方法では、スラブ内の温度分布の影響を考慮することが難しい。また、金型とスラブの間の摩擦係数は考慮されていない。

加熱炉から抽出されたスラブの温度には、加熱炉内での昇温履歴によるばらつきが生じる。特に、スラブ内部の温度分布の存在によりスラブ厚は変動する。さらに、加熱炉内でスラブ表面に生成する酸化物が、幅圧下時のスラブと金型との間の摩擦係数に影響を与える。これらの影響は、従来の物理モデルに基づくスラブ厚の予測では考慮されないという問題があった。

以上の問題を解決すべくなされた本開示の目的は、熱間圧延ラインの幅圧下プレス装置でのスラブ厚を高精度に予測可能なスラブ厚予測方法、および、そのスラブ厚予測方法で用いられる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、そのスラブ厚予測方法を用いて、熱間圧延ラインにおける噛みこみ不良を防止可能な幅圧下プレス装置の制御方法を提供することにある。また、本開示の他の目的は、そのスラブ厚予測方法を用いて、熱間圧延ラインにおける噛みこみ不良を防止可能な粗圧延機の制御方法を提供することにある。

本開示の一実施形態に係るスラブ厚予測方法は、
スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置と、を含む熱間圧延ラインにおける前記幅圧下プレス装置でのスラブ厚予測方法であって、
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、前記幅圧下プレス装置における幅圧下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、前記幅圧下プレス装置でのスラブ厚を出力データとする、機械学習により生成されたスラブ厚予測モデルを用いて、前記幅圧下プレス装置でのスラブ厚の予測値を求める。

本開示の一実施形態に係る幅圧下プレス装置の制御方法は、
上記のスラブ厚予測方法を用いて、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幅圧下プレス装置に装入される前に、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、ならびに、前記幅圧下プレス装置における幅圧下操業パラメータの設定値を用いて、前記予測値を求め、
前記予測値が目標範囲に収まるように、前記幅圧下プレス装置における幅圧下操業パラメータを再設定する。

本開示の一実施形態に係る粗圧延機の制御方法は、
上記のスラブ厚予測方法を用いて、前記スラブが前記加熱炉から抽出された後であって粗圧延機により圧延される前に、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、ならびに、前記幅圧下プレス装置における幅圧下操業パラメータの設定値または実績値を用いて、前記予測値を求め、
前記予測値が目標範囲より大きい場合に、前記粗圧延機におけるロールギャップが大きくなるように再設定する。

本開示の一実施形態に係るスラブ厚予測モデルの生成方法は、
スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置を含む熱間圧延ラインにおける、前記幅圧下プレス装置でのスラブ厚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、前記幅圧下プレス装置における幅圧下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前記幅圧下プレス装置でのスラブ厚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、スラブ厚予測モデルを生成する。

本開示によれば、熱間圧延ラインの幅圧下プレス装置でのスラブ厚を高精度に予測可能なスラブ厚予測方法、および、そのスラブ厚予測方法で用いられる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、そのスラブ厚予測方法を用いて、熱間圧延ラインにおける噛みこみ不良を防止可能な幅圧下プレス装置の制御方法を提供することができる。また、本開示によれば、そのスラブ厚予測方法を用いて、熱間圧延ラインにおける噛みこみ不良を防止可能な粗圧延機の制御方法を提供することができる。

図１は、幅圧下プレス装置について説明するための図である。 図２は、本開示の実施形態の熱間圧延ラインについて説明するための図である。 図３は、本開示の実施形態の加熱炉について説明するための図である。 図４は、本開示の実施形態の幅圧下プレス装置について説明するための図である。 図５は、本開示の実施形態の幅圧下プレス装置について、ピンチロールの構造を説明するための図である。 図６は、本開示の実施形態の加熱炉について、スラブが存在する加熱炉帯の温度の推移の例を示す図である。 図７は、本開示の実施形態のスラブ厚予測モデルの生成方法について説明するための図である。 図８は、本開示の幅圧下プレス装置の制御方法について説明するための図である。 図９は、本開示の粗圧延機の制御方法について説明するための図である。

＜熱間圧延ラインの構成＞
図２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。

＜加熱炉＞
本熱間圧延ラインに用いられる加熱炉１は、図３に示す構造の設備である。鋳造スラブは、図３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３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９が設置されている。

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８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。

＜幅圧下プレス装置＞
図４は幅圧下プレス装置３の構造を示す模式図である。幅圧下プレス装置３は１対の幅圧下用金型１０を有し、スラブ１１を搬送させながら、幅圧下用金型駆動装置３３により幅圧下用金型１０を駆動させ、幅方向の両側から間欠的に幅圧下用金型１０を用いてスラブ１１を圧下する。スラブ１１はピンチロール３２等を用いて搬送される。スラブ１１の搬送では、搬送ロールが用いられる場合もある。

幅圧下用金型１０は例えば、図１に示す形状をしており、熱間スラブと接する面に、スラブ搬送方向に平行な金型平行部１０１と、スラブ搬送方向の逆方向に向かって幅方向に広がる傾斜部１０２とがスラブ搬送方向先端側から順に形成されている。スリップを防止するために、平行部が傾斜部間に一つまたは複数設けられている場合がある。

幅圧下プレス装置３には、出側スラブ厚を測定するためのスラブ厚測定装置３４が設置されている場合がある。スラブ厚測定は接触式の距離計を用いてよいし、レーザ距離計などの非接触の距離計を用いてよい。また、プレス装置出側に図５に示すようなスラブ搬送用のピンチロール３２などの、スラブを板厚方向に挟みこむ構造を持つ装置がある場合は、そのロール開度をスラブ厚測定として用いてよい。図５に示すようにピンチロール３２の位置を制御するためのピンチロール駆動装置３５がある場合、その位置からロール開度が求められる。図５に示すように幅方向に複数のピンチロール駆動装置３５がある場合、幅方向複数個所のピンチロール３２の開度が測定できる。

粗圧延機４での噛みこみ不良の観点から考えると、本実施形態において予測すべきスラブ板厚は、厳密に言えば、スラブ全長全幅の板厚のうち最大の板厚として定義される。ただし、スラブ板厚は、厳密な定義によらなくてよい。スラブ板厚は、前述のようにピンチロール３２を用いて測定し、１つのスラブの先端部から尾端部までのピンチロール３２の開度の最大値が用いられてよい。図５に示すように幅方向に複数のピンチロール駆動装置３５がある場合、各幅方向箇所での測定値のうち最大値を用いればよい。

＜スラブ厚予測モデル＞
スラブ厚予測モデルは、スラブ厚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および幅圧下プレス装置３における幅圧下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。

＜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。また、スラブの成分組成に対応した変形抵抗式として、スラブの温度、ひずみ、ひずみ速度の関数を予め作成したものが属性情報に含まれる。ここで、スラブの属性情報としては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、幅圧下プレス装置３におけるスラブ変形挙動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く、摩擦係数を通じてスラブ変形挙動に影響を与える。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、幅圧下時の金型とスラブとの摩擦状態に影響を与え、これがスラブ変形挙動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。

＜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、スラブ厚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。

その際、加熱炉１へ装入される前のスラブの表面温度と、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を含むのが好ましい。加熱炉１へ装入される前のスラブの表面温度とは、加熱炉１の入側で測定される表面温度を用いる。加熱炉１の内部の雰囲気温度が同一でも、初期温度が異なれば加熱炉１の出口におけるスラブ内部の温度分布に影響を与えるからである。

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６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。

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。

例えば、表１は、本開示の実施形態の加熱炉１について、スラブが存在する加熱炉帯の温度の推移の例を示すものであって、図６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９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。

＜幅圧下操業パラメータ＞
幅圧下プレス装置３における幅圧下操業パラメータには、幅圧下量、幅圧下パス間のスラブの送りピッチ、幅圧下時に金型を駆動する速度を用いることができる。幅圧下時に金型を駆動する速度は、幅圧下中一定である場合があり、また、圧下中に加減速をする場合がある。圧下中に加減速をする場合は速度の最大値を入力パラメータとして用いていいし、圧下中の速度を時間で平均した値を用いてよい。また、複数の金型形状を用いる場合には、金型形状の相違を表すパラメータ、および金型のスラブと接触する面の表面仕上げ（表面粗さ）などを含めることができる。

＜スラブ厚予測モデルの生成＞
図７は、本開示の実施形態であるスラブ厚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スラブ厚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、幅圧下プレス装置３における幅圧下操業実績データ、および幅圧下プレス装置３におけるスラブ厚実績データを収集し、機械学習によるスラブ厚予測モデルを生成するものである。

スラブの属性情報に関する実績データ、幅圧下プレス装置３における幅圧下操業実績データは、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、スラブ厚予測モデル生成部に送られる。スラブ厚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７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、スラブ厚解析部、および、スラブ厚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。スラブ厚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、上位コンピュータとの通信部およびスラブ厚のデータ収集部は通信制御部で実現されてよい。

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６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６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。

スラブ厚の実績データについては、スラブ厚のデータ収集部において計測されたスラブ厚データを収集し、これをスラブ厚解析部において、例えば全長全幅の最大スラブ厚として、スラブ厚実績データに変換する。

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、データベースには、製造対象とする鋼種に関する情報を含めるのが好ましい。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。

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、幅圧下プレス装置３における幅圧下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幅圧下プレス装置３でのスラブ厚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スラブ厚予測モデルが生成される。

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、スラブ厚予測モデルは、最新の学習データを用いて、適宜、更新すればよい。

＜スラブ厚予測方法＞
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スラブ厚予測モデルを用いた幅圧下プレス装置３でのスラブ厚の予測を行う。スラブ厚を予測するタイミングとしては、予測対象とするスラブが加熱炉１から抽出された後で、幅圧下プレス装置３による幅圧下が実施される５～１０秒より前までに実施するのが好ましい。スラブ厚が過大になると予測される場合に、オペレータが設定変更により幅圧下プレス時の幅圧下量を小さくするように設定変更を行うことができるからである。

図８は、本開示の実施形態である幅圧下プレス装置３の制御方法について説明するための図である。スラブ厚予測部および幅圧下操業条件設定部は、スラブ厚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８の加熱炉帯温度解析部および幅圧下操業条件設定部はＣＰＵで実現されてよい。スラブ厚予測モデルを用いて算出されたスラブ厚の予測値および取得された目標スラブ厚範囲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。

スラブ厚予測部に対して、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幅圧下プレス装置３における幅圧下操業条件の設定値（初期条件）が送られる。また、スラブ厚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。さらに、生成されたスラブ厚予測モデルを用いて、幅圧下プレス装置３でのスラブ厚の予測値が求められる。

一方、上位コンピュータからは、幅圧下荷重の目標スラブ厚範囲が予め設定されている。目標スラブ厚範囲としては、上限値として、粗圧延機４での噛みこみ不良が起きないように、ロールギャップ、ロール径などの粗圧延条件によって設定される値が設定される。下限値は特に設定する必要がない。

以上のようにして予め設定されるスラブ厚の目標範囲に対して、スラブ厚予測モデルを用いて予測されるスラブ厚が比較され、予測スラブ厚が目標範囲に収まっていれば、初期設定のまま幅圧下操業条件として、幅圧下制御部に送られる。一方、予測スラブ厚が目標スラブ厚範囲の上限値を超える場合には、幅圧下操業条件の設定値を再設定する。具体的には、幅圧下量を７０～９０％程度低減すればよい。幅圧下量を低減することで増肉量を低減することが出来るからである。

再設定された幅圧下操業条件を再度、スラブ厚予測モデルの入力データとして、スラブ厚の予測値を算出して、予測されるスラブ厚が目標範囲に入るかどうかを確認した後に、幅圧下操業条件の設定値が決定されてよい。このようなスラブ厚判定を繰り返し行うことで、目標範囲を狭く設定しても、適切な幅圧下操業条件の設定ができるため、噛みこみ不良が発生する可能性をより低めた操業が可能となる。

予測スラブ厚が目標スラブ厚範囲の上限値を超える場合に、幅圧下操業条件は初期設定のままとし、粗圧延機４での粗圧延条件を変更することで噛みこみ不良が発生する可能性を低くすることが出来る。具体的には図９に示されるロールギャップを初期値より大きくすればよい。ロールギャップの再設定値としては、例えば、下記のように計算される値を用いればよい。
ロールギャップ再設定値＝ロールギャップ初期値＋（予測スラブ厚－スラブ厚上限値）

ここで、予測スラブ厚が目標スラブ厚範囲の上限値を超えない場合は、幅圧下操業条件を初期設定のままとし、粗圧延機４でのロールギャップも初期値のままとすればよい。

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、本開示例によるスラブ厚予測が行われた。幅圧下量は１５０～２５０ｍｍであった。幅圧下パス間のスラブの送りピッチは３００ｍｍであった。

出力実績データとして必要な幅圧下工程におけるスラブ厚の情報は、幅圧下を施した後にピンチロール３２の開度として測定されたスラブ厚について、スラブ全長の中で最大の値を用いた。図５に示すように幅方向に２か所のピンチロール駆動装置３５があり、それぞれでの測定値のうち最大値を用いた。

予測モデルの入力データとして、幅圧下量と、幅圧下パス間のスラブの送りピッチと、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、在炉時間を用いた。

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９により測定した値を用いた。

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、誤差平均が２．２ｍｍ、誤差の標準偏差が６．３ｍｍであった。

また、１００本のスラブに対して、予測した幅圧下後スラブ厚が、予め設定されるスラブ厚閾値を超えた場合には、幅圧下量を元々の設定値の０．８倍として幅圧下を行うようにして操業を行った。結果、４本のスラブについて幅圧下の再設定が行われ、噛みこみ不良は１本も生じなかった。

また、１００本のスラブに対して、予測した幅圧下後スラブ厚が、予め設定されるスラブ厚閾値を超えた場合には、粗圧延機のロールギャップを下記のように再設定して操業を行った。
ロールギャップ再設定値＝ロールギャップ初期値＋（予測スラブ厚－スラブ厚上限値）

結果、６本のスラブについてロールギャップの再設定が行われ、噛みこみ不良は１本も生じなかった。

比較例として、スラブ寸法、幅圧下量をパラメータとし、あらかじめ実験にてこれらのパラメータによる板厚増肉量を定式化したモデルを用いて、スラブ厚の予測が行われた。３００本分の操業実績データを用いて検証した結果、予測精度は、誤差平均が５．２ｍｍ、誤差の標準偏差が９．８ｍｍであった。

また、１００本のスラブに対して、予測した幅圧下後スラブ厚が、予め設定されるスラブ厚閾値を超えた場合には、幅圧下量を元々の設定値の０．８倍として幅圧下を行うようにして操業を行った。結果、８本のスラブについて幅圧下の再設定が行われたが、再設定が行われなかったスラブのうち４本で噛みこみ不良が生じた。予測精度が低いために、再設定すべき４本について噛みこみ不良が発生したといえる。また、再設定を行った８本についても、予測精度が低いために、本来は再設定が不要であった可能性がある。

また、１００本のスラブに対して、予測した幅圧下後スラブ厚が、予め設定されるスラブ厚閾値を超えた場合には、粗圧延機のロールギャップを下記のように再設定して操業を行った。
ロールギャップ再設定値＝ロールギャップ初期値＋（予測スラブ厚－スラブ厚上限値）

結果、７本のスラブについてロールギャップの再設定が行われたが、再設定が行われなかったスラブのうち３本で噛みこみ不良が生じた。予測精度が低いために、再設定すべき３本について噛みこみ不良が発生したといえる。また、再設定を行った７本についても、予測精度が低いために、本来は再設定が不要であった可能性がある。

以上のように、本開示による予測方法の適用により、幅圧下プレス装置３の出側でのスラブ厚を高精度に予測でき、また、噛みこみ不良を防止することができる。

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 ウォーキングビーム
９ 温度計
１０ 幅圧下用金型
１１ スラブ
３１ 幅圧下プレス装置の制御装置
３２ ピンチロール
３３ 幅圧下用金型駆動装置
３４ スラブ厚測定装置
３５ ピンチロール駆動装置
１０１ 金型平行部
１０２ 金型傾斜部

Claims (7)

1. スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置と、を含む熱間圧延ラインにおける前記幅圧下プレス装置でのスラブ厚予測方法であって、
   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、前記幅圧下プレス装置における幅圧下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、前記幅圧下プレス装置でのスラブ厚を出力データとする、機械学習により生成されたスラブ厚予測モデルを用いて、前記幅圧下プレス装置でのスラブ厚の予測値を求める、スラブ厚予測方法。
2. 前記スラブの属性情報は、Ｃ含有量またはＳｉ含有量のいずれかを含む前記スラブの成分組成を含む、請求項１に記載のスラブ厚予測方法。
3. 前記加熱炉における操業パラメータは、前記加熱炉へ装入される前の前記スラブの表面温度と、前記加熱炉に装入されてから抽出されるまでの前記スラブが位置する加熱炉帯の雰囲気温度の履歴情報と、を含む、請求項１または２に記載のスラブ厚予測方法。
4. 請求項１から３のいずれか一項に記載のスラブ厚予測方法を用いて、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幅圧下プレス装置に装入される前に、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、ならびに、前記幅圧下プレス装置における幅圧下操業パラメータの設定値を用いて、前記予測値を求め、
   前記予測値が目標範囲に収まるように、前記幅圧下プレス装置における幅圧下操業パラメータを再設定する、幅圧下プレス装置の制御方法。
5. 請求項１から３のいずれか一項に記載のスラブ厚予測方法を用いて、前記スラブが前記加熱炉から抽出された後であって粗圧延機により圧延される前に、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、ならびに、前記幅圧下プレス装置における幅圧下操業パラメータの設定値または実績値を用いて、前記予測値を求め、
   前記予測値が目標範囲より大きい場合に、前記粗圧延機におけるロールギャップが大きくなるように再設定する、粗圧延機の制御方法。
6. スラブを加熱する加熱炉と、前記加熱炉で加熱後のスラブを幅方向に間欠的に圧下する幅圧下プレス装置を含む熱間圧延ラインにおける、前記幅圧下プレス装置でのスラブ厚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、前記幅圧下プレス装置における幅圧下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前記幅圧下プレス装置でのスラブ厚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、スラブ厚予測モデルを生成する、スラブ厚予測モデルの生成方法。
7. 前記機械学習は、ニューラルネットワーク、決定木学習、ランダムフォレスト、およびサポートベクター回帰から選択される、請求項６に記載のスラブ厚予測モデルの生成方法。

Images