JP2646900B2 - タンデム圧延機のドラフトスケジュールの決定方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、金属帯を圧延するタ
ンデム式圧延機におけるドラフトスケジュールを決定す
る方法に関するものである。

【０００２】

【従来の技術】タンデム式圧延機におけるドラフトスケ
ジュール（圧下率配分）の最適化は、安定操業、品質精
度確保のうえで重要である。従来から、計算機でドラフ
トスケジュールを自動決定する方法として、以下の方法
がとられてきた。 （Ａ）圧延の目的に応じた考え方で計算モデルを構築
し、ドラフトスケジュールを決定する方法（理論圧下率
配分）。鉄鋼便覧（日本鉄鋼協会編）に示されるよう
に、過去各種の方法が発表されてるが、それらを表１に
示す。

【０００３】

【表１】

【０００４】例えば、製品形状を評価関数にした計算方
法は、圧延荷重によるロール変位（メカニカルクラウ
ン）を計算し、ロール変位と板クラウンとの関係を表現
したモデルにより、各スタンド出側の圧延材のクラウン
比率（中央部板厚とエッジ部板厚の比）が一定となるよ
うにドラフトスケジュールを決定する。 （Ｂ）過去の圧延実績から各種圧延条件におけるドラフ
トスケジュールのパターンをテーブル化し、対象の圧延
条件に最も近いテーブルのパターンを選んでドラフトス
ケジュールを決定する方法。

【０００５】

【発明が解決しようとする課題】従来のモデルによるド
ラフトスケジュールを決定方法（理論圧下率配分）には
以下の問題点がある。 （１）一般に圧延材は、圧延による圧縮歪みにより圧延
機の後方スタンドにいく程、変形抵抗は大きくなる。従
って、等圧下率配分モデルで各スタンドの圧下率を等圧
下率とした場合には、圧延に必要な作業ロールに加える
荷重は後方スタンドにいく程大きくなり、圧延機の機械
的強度から制約を受け、圧下率を大きくとれず、圧延能
率の低下となる。 （２）等負荷配分でドラフトスケジュールを決定した場
合には、変形抵抗が大きくなる後方スタンドの負荷を均
等化するため前方スタンドでは圧下率が高くなりすぎ
て、作業ロールと圧延材との間の潤滑油の油膜切れが発
生しやすく、焼付け等の品質欠陥が多発する。

【０００６】（３）負荷配分指定及び圧延荷重指定は、
上記の欠点を補うため任意の負荷配分率、又は圧延荷重
比を設定してドラフトスケジュールを決定するものであ
るが、これらの設定値の最適値を理論的に求めることは
困難であり、実際の圧延作業からの経験、知識によって
オペレータが圧延条件の変化に従って設定することが必
要になる。しかし、これらの経験、知識は定量的に評価
されていないため、オペレータの個人的技能に左右され
やすく、作業の標準化ができない。また、圧延条件によ
りオペレータの設定変更が必要になり、作業負担が大き
い。 （４）評価関数による方法では、多様なドラフトスケジ
ュールに求められるニーズ、例えば圧延能率の最適化、
形状、板厚精度等の製品品質の確保、板破断等を発生さ
せない圧延作業の安全性など全てを満足する評価関数を
設定することは困難であるため、モデルを複数用意し、
オペレータの判断で個々のケースでモデルを切り替えて
使用することになる。このため、モデルを構築する技術
者に圧延技術に関する幅広い知識が要求され、多様なニ
ーズが担当者の個人的技術に左右されやすく、人的リス
クが大きい。

【０００７】一方、過去の圧延実績から各種圧延条件に
おけるドラフトスケジュールのパターンをテーブル化し
てドラフトスケジュールを決定する方法には、以下の問
題点がある。 （１）全ての圧延条件に対して適切な設定を行なうため
には、テーブルを圧延条件の単位で場合分けする必要が
あり、この場合、テーブルのデータ量が膨大となり、シ
ステム稼動時のテーブルの初期値設定、操業ニーズの変
化等による修正作業は膨大な負荷となる。例えば、板
厚、板幅、圧延材材質、作業ロール粗さの４種類の条件
を各々１０段階で区分した場合、テーブルのデータ量は
１０⁴個にもなる。 （２）圧延条件がテーブル区分の境界付近にあるとき、
圧延条件の微少変化に対してドラフトスケジュールの変
化が大きくなり、圧延作業が安定しない。これを避ける
ためにはテーブルを細分化する必要があるが、これも上
記のようなテーブルのデータ量が膨大となる。以上の問
題点から実際の圧延作業においては、計算機が設定する
ドラフトスケジュールに対して、オペレータの修正作業
が必要となっている。

【０００８】この発明は、上記のような問題点を解決す
るためになされたものであり、技術者に圧延技術に関す
る特別な知識及び膨大なデータ量を持つテーブルを必要
とせず、オペレータの経験、知識を定量的に評価し、ド
ラフトスケジュールが自動的に決定できるタンデム圧延
機のドラフトスケジュールの決定方法を得ることを目的
とする。

【０００９】

【課題を解決するための手段】この発明はオペレータの
ドラフトスケジュールに関する経験、知識をニューラル
ネツトワークの技術を用いて定量化し、ドラフトスケジ
ュールを自動でするものである。

【００１０】図１はそのニューラルネットワークの学習
からドラフトスケジュールの決定までの処理を示したフ
ローチャートであり、以下この図に従ってこの発明の概
要を説明する。

【００１１】（１）ニューラルネットワークの構築（図
１のＳ１） 図２は一般的なニューラルネットワークの構成を示した
図であり、入力層と出力層及びその間に２層以上の中間
層で構成され、それぞれの層のユニットは重みＷで相互
に結合している。図３はニューラルネットワークのｉ層
の任意のユニットを示している。このユニットにおける
入力と出力の関係は次式で示される。

【００１２】

【数１】

【００１３】

【数２】 Ｉｉ−１，ｊ，ｋ：ｉ−１層のｊ番目のユニットのｉ層
のｋ番目のユニットに対する出力 Ｗｉｊｋ ：ｉ−１層のｊ番目のユニットとｉ層のｋ番
目のユニット間の重み θｉｋ ：ｉ層のｋ番目のユニットのバイアス値 ｎｅｔｉｋ：ｉ層のｋ番目のユニットに対する入力の総
和 Ｏｉｋ ：ｉ層のｋ番目のユニットの出力

【００１４】図４はユニットの内部関数を表現している
（２）式（シグモイド関数と称される）をグラフ化した
図である。このシグモイド関数は、０に対して点対象形
であり、入力値の０付近での変化に対して出力値の変化
が大きく、±７以上では出力値は±０．５に制限され、
出力が±０．５の間となる特徴を有する。ニューラルネ
ットワークの入力層にデータが入力されると（１）式，
（２）式に従って入力層側から順に出力層に向かってデ
ータが加工され、出力層に最終的な出力データが出力さ
れる。

【００１５】このニューラルネットワークを実現するた
めの手段としてはソフトウエアによる方法と専用のハー
ドウエアによる方法がある。両者は機能的には同等であ
り、本発明はどちらの方法でも実現することができる
が、ソフトウエアによる方法は計算速度が遅いという欠
点が有るがコスト的には安価であり、専用のハードウエ
アによる方法は計算速度は速いが現時点ではコスト面で
前者に劣っていることに注意する必要が有る。本発明で
は、使用するニューラルネットワークの構成を以下のよ
うに定義する。 （ａ）入力層のユニット数はオペレータがドラフトスケ
ジュールを決定するために必要な板幅、板厚、圧延用ロ
ール情報、圧延材情報等の圧延条件の数とする。 （ｂ）出力層のユニット数はタンデム圧延機のスタンド
数とする。 （ｃ）中間層の層数は２層とし、ユニット数は入力層の
ユニット数以上で、かつ出力層のユニット数以上の任意
の数とする。

【００１６】（２）学習データの収集（図１のＳ２） 上記（１）で定義されたニューラルネットワークにドラ
フトスケジュールを認識させるのに用いる学習データの
収集を行う。学習データは、前件部が入力層に入力する
圧延条件、後件部が前件部に対する各スタンドの圧下率
配分からなるドラフトスケジュールの望ましい出力（教
師データ）から構成されたパターンの集合であり、これ
を実際の熟練オペレータの圧延作業の実績から収集す
る。

【００１７】（３）前処理（図１のＳ３） 上記（２）で収集された学習データに対して正規化処理
を施す前処理を行う工程であり、入力層に与える入力デ
ータに対しては、オーダの異なる各圧延条件を一律に扱
い、前述したシグモイド関数のゲイン（入力振幅に対す
る出力振幅の比）が最も大きい±０．５の間に入力デー
タを制限し、入力データの情報がニューラルネットワー
クの計算過程で失われることを防止する。出力層に与え
る教師データに対しては、ニューラルネットワークの出
力がシグモイド関数により±０．５の間で変化するた
め、これに併せて±０．５の間に正規化する。この場合
の入力データの正規化には例えば次式を用いる。

【００１８】

【数３】

【００１９】 Ｘ ：圧延条件値， Ｘａ ：正規化され
た圧延条件値 Ｘｍｉｎ：Ｘの最小値 Ｘｍａｘ：Ｘの最大値 また、教師データに対する正規化には最終スタンドの圧
下率を絶対値で（３）式に従い正規化を行い、１スタン
ドから最終スタンドの前のスタンドは（３）式で最終ス
タンドを除いたトータル圧下率の対数比率を求め、これ
を±０．５の範囲となるように補正した正規化を行な
う。これは、オペレータがドラフトスケジュールを決定
するとき、最終スタンドは絶対値で、他のスタンドは圧
下バランスで評価していることを具体化したものであ
り、トータル圧下率が異なっても一律に評価することに
より、ドラフトスケジュールの判定条件のミニマム化が
図れるようにしたものである。

【００２０】

【数４】

【００２１】γｉ：ｉスタンド圧下率（絶対値） γＴ：１スタンドから最終スタンドの前段スタンドまで
のトータル圧下率（絶対値） Ｙｉ：ｉスタンドの圧下率の対数比率

【００２２】（４）ニューラルネットワークの学習（図
１のＳ４，Ｓ５） 上記（１）で構築したニューラルネットワークに対し
て、上記（２），（３）で得られた学習データを用い
て、バックプロパゲーション法にしたがって学習を行な
う。ここで、ニューラルネットワークの一般的な学習方
法であるバックプロパゲーション法について簡単に説明
する。まず始めに、ニューラルネットワークの各ユニッ
ト間の重み、各ユニットのバイアス値に乱数により初期
値をセットする。入力層にサンプルデータが入力された
ときの出力層の出力を、（１）式，（２）式に従って入
力層側から順次計算して求める。次に、最終層の出力値
と入力データに対する教師データとの誤差を求め、この
誤差が小さくなるように出力側から順に入力層まで、各
ユニット間の重み、各ユニットのバイアス値を一般化デ
ルタ則に従って修正する。この手順を複数の学習データ
に対して、収束条件に達するまで繰り返す。

【００２３】収束条件には全入力データのニューラルネ
ットワークの出力値と教師データとの誤差の２乗平均値
を求め、これが任意の設定値より小さくなった時点とす
るものと、学習回数が任意の設定回数に達した時点とす
るものの２種類の方法が有るが、本発明では学習回数を
設定する方法をとっている。これは、過学習を避けるた
めである。過学習とは、過度に学習を積み重ねることに
より、特定の学習データに対してのみニューラルネット
ワークが適応するようになり、学習データに対しては誤
差は小さくなって行くが、学習データと異なるサンプリ
ングタイミングで収集された入力データに対しては認識
精度が悪くなって行くことを示す。過学習をおこさない
最適な学習回数は、学習データの個数、質（どれだけ少
ないサンプルで全体を代表しているかということ）、及
びニューラルネットワークのコネクシヨン数（全ユニッ
ト数＋全結合本数）によって異なり、予め学習回数を変
えたニューラルネットワークで認識誤差を調査するシミ
ュレーションを行い決定する。

【００２４】（５）ニューラルネットワークによる認識
（図１のＳ６，Ｓ７） 次にドラフトスケジュールを求めたい対象コイルの圧延
条件を学習時と同様の正規化を行なった後、学習済みの
ニューラルネットワークに入力し、（１）式，（２）式
に従って計算することにより、出力層から正規化された
ドラフトスケジュール推定値を得ることができる。この
推定値は±０．５で正規化されたものであるため、この
ままではドラフトスケジュールとして使用できない。こ
れを正規化を行なった手順と逆の手順で絶対値化する後
処理を行なうことにより、対象圧延材の圧延条件に対す
るドラフトスケジュールを求めることができる。

【００２５】

【作用】この発明においては、各種の圧延条件でのオペ
レータが決定したドラフトスケジュールをニューラルネ
ットワークで学習することにより、熟練オペレータの持
つドラフトスケジュールに対するノウハウがニューラル
ネットワークの各ユニット間の結合の重み、及び各ユニ
ットのバイアス値として定量化され、該当する圧延条件
を入力するだけで熟練オペレータと同様の品質欠陥の発
生しにくい、能率的なドラフトスケジュールを自動的に
決定することができる。このため、従来のモデルを使用
した方法のようにモデルを構築する技術者に圧延技術に
関する幅広い知識は不必要となり、また、ニューラルネ
ットワークの各ユニット間の結合の重み、及び各ユニッ
トのバイアス値は自動的に決定されるため、テーブルに
よる方法のように繁雑なメンテナンスも不必要となり、
しかも操業の変化に対する圧延条件の変化に対して連続
的にドラフトスケジュールが変化するため、安定した操
業が確保できる。

【００２６】

【実施例】図５はこの発明の一実施例を実施する際のシ
ステム構成図である。上位工程管理用計算機１は製鉄所
全体の物流、工程を管理している計算機であり、ここで
タンデム圧延機の制御を行う圧延制御用計算機２に対す
る圧延対象材の諸元データ、製品板厚などの目標品質が
決定される。ニューラルネットワーク開発機３はニュー
ラルネットワークの構築、学習を行うものであり、ニュ
ーラルネットワーク演算用にアクセラレータタイプのハ
ードウエアを搭載している。ニューラルネットワーク開
発機３で学習した結果は、ニューラルネットワークの各
ユニット間の結合の重み、及び各ユニットのバイアス値
として定量化されたデータとして圧延制御用計算機２に
渡され圧延制御用計算機２上でこれらのデータをもとに
ニューラルネットワークはソフトウエア的に再現され、
対象圧延材の圧延条件を認識させドラフトスケジュール
を決定する。更に、圧延制御計算機２はこのドラフトス
ケジュールに基づいて、計測機器４、駆動モータ制御装
置５及び圧下制御装置６に対する設定を行う。

【００２７】次に、全４スタンドからなるタンデム圧延
機にこの発明を適用した実施例について説明する。図６
はこの実施例のニューラルネットワークの構成図であ
る。ニューラルネットワークの入力項目である圧延条件
は、板幅、目標板厚、４スタンド作業ロール粗さ、圧延
材材質とした入力層４ユニット、出力層４ユニット、２
つの中間層がそれぞれ８ユニットの構成となっている。
学習用データは、過去の圧延実積から上記の圧延条件が
均等となるように、５００パターンのデータを採取し
た。このニューラルネットワークの最適な学習回数を決
定するため、学習データとは異なる採取タイミングで採
取した認識用データを作成し、学習回数と認識誤差の関
係について調べた。

【００２８】図７はその学習回数と認識誤差の関係につ
いての調査結果を示す特性図である。この結果から、最
適な学習回数５００〜１０００の間と判断し、５００回
に設定した。このときの学習した結果を表２に示す。

【００２９】

【表２】

【００３０】図８はこの学習済みのニューラルネットワ
ークを使ってオペレータの決定するドラフトスケジュー
ルを予測した結果を示す図である。１〜３スタンドにつ
いては十分な精度が得られている。４スタンドについて
は若干精度が劣っているが、これは、４スタンドの圧下
率を決定する圧延条件がニューラルネットワークに入力
したものでは、情報が不足しているためであり、さらに
精度向上を図るためには、ニューラルネットワークの入
力項目に必要な圧延条件を追加すればよい。

【００３１】以上のように本発明は、オペレータの決定
するドラフトスケジュールを十分な精度で予測すること
ができ、従来オペレータの作業に頼っていたドラフトス
ケジュールの設定を自動決定することができる。

【００３２】

【発明の効果】以上のようにこの発明によれば、ドラフ
トスケジュールのオペレータ設定値を多層ニューラルネ
ットワークを用いて学習し、学習済みの多層ニューラル
ネットワークを使って目的の圧延対象材の圧延条件を認
識させ、その認識結果からドラフトスケジュールを決定
し、その処理の際に学習データ及び教師データについて
前処理として正規化処理を行うようにしたので、従来の
方式と異なり、複雑なモデルを必要とせず、また、各圧
延条件でテーブルを持つ必要もないため保守性に優れ、
操業ニーズや圧延条件の変化にも柔軟に対応できる。ま
た、熟練者の作成したドラフトスケジュールを学習する
ことにより、未熟練者でも容易にドラフトスケジュール
を決定することができ、安定した操業を行なうことがで
きる。

【図面の簡単な説明】

【図１】本発明のニューラルネットワークの学習からド
ラフトスケジュールの決定までの処理過程を示したフロ
ーチャートである。

【図２】ニューラルネットワークの一般的な構成を示し
た図である。

【図３】ニューラルネットワークのｉ層の任意のユニッ
トを示した図である。

【図４】ユニットの内部関数を表現したシグモイド関数
をグラフ化した図である。

【図５】この発明の一実施例を実施する際のシステム構
成図である。

【図６】前記実施例のニューラルネットワークの構成図
である。

【図７】学習回数と認識誤差の関係についての調査結果
を示す特性図である。

【図８】この学習済みのニューラルネットワークを使っ
てオペレータの決定するドラフトスケジュールを予測し
た結果を示す図である。

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】 学習データとなる、板幅、板厚、圧延用
   ロール情報及び圧延材情報を含む圧延条件に、前処理と
   しての正規化処理を施す工程と、 教師データとなる圧延機の各スタンドの圧下率に、前処
   理としての正規化処理を施し、その正規化処理の際に
   は、最終スタンドの圧下率はその絶対値に基づいて正規
   化を行い、第１スタンドから最終スタンドの前のスタン
   ドまでの各スタンドの圧下率は最終スタンドを除いた全
   体の圧下率の対数比率を求めて、その対数比率に基づい
   て正規化を行う工程と、 前記の正規化された学習データを学習対象となる多層ニ
   ューラルネットワークの入力層に供給し、そして、前記
   多層ニューラルネットワークの出力層に出力された圧延
   機の各スタンドの圧下率と、前記の正規化された教師デ
   ータの圧延機の各スタンドの圧下率とを比較し、その差
   異に基づいて、前記多層ニューラルネットワークの各ユ
   ニットの重み及び各ユニットのバイアス値を修正し、前
   記学習データ及び前記教師データについて前記多層ニュ
   ーラルネットワークを用いて学習する工程と、 対象となるコイルの、板幅、板厚、圧延用ロール情報及
   び圧延材情報を含む圧下条件に、前処理としての正規化
   処理を施す工程と、 前記の正規化された対象となるコイルの圧下条件を、前
   記の学習後の多層ニューラルネットワークの入力層に供
   給する工程と、 前記の学習後の多層ニューラルネットワークの出力層か
   ら、前記の正規化された対象となるコイルの圧下条件に
   対応した、圧延機の各スタンドの圧下率の推定値を得る
   工程と、 前記の圧延機の各スタンドの圧下率の推定値に、正規化
   を行った手順と逆の手順で絶対値化する非正規化処理を
   後処理として施して、圧延機の各スタンドの実圧下率を
   求める工程とを有するタンデム圧延機のドラフトスケジ
   ュールの決定方法。