JP2763495B2 - 圧延装置 - Google Patents
圧延装置Info
- Publication number
- JP2763495B2 JP2763495B2 JP6257750A JP25775094A JP2763495B2 JP 2763495 B2 JP2763495 B2 JP 2763495B2 JP 6257750 A JP6257750 A JP 6257750A JP 25775094 A JP25775094 A JP 25775094A JP 2763495 B2 JP2763495 B2 JP 2763495B2
- Authority
- JP
- Japan
- Prior art keywords
- rolling
- neural network
- value
- rolled material
- thickness
- 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.)
- Expired - Lifetime
Links
Landscapes
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Description
おいて圧延荷重を予測してその予測値で所定の板厚を得
る圧延機に関するものである。
として仕上げ圧延機は7基とする。圧延材1は粗圧延機
群2で圧延された後、仕上げ圧延機3−1〜3−7を経
て巻取り機4に巻取られる。
粗出側幅計6および粗出側温度計7が設置されている。
粗出側速度計5、粗出側幅計6および粗出側温度計7の
各検出値(実測値)は、板厚設定装置8に与えられる。
板厚設定装置8には鋼種、炭素含有率、仕上げ圧延機出
側板厚目標値、負荷配分比目標値等の各種圧延情報が格
納されている。
圧延機出側速度計9、仕上げ圧延機出側厚み計10およ
び仕上げ圧延機出側温度計11が設置されている。仕上
げ圧延機出側速度計9、仕上げ圧延機出側厚み計10お
よび仕上げ圧延機出側温度計11の各検出値は、板厚設
定装置8に与えられる。また、仕上げ圧延機3−1〜3
−7には各々圧延荷重検出器12−1〜12−7および
ロールギャップ設定装置13−1〜13−7が設置され
ている。圧延荷重検出器12−1〜12−7の各検出値
は、板厚設置装置8に与えられる。
8は、粗圧延後の圧延材1の先端部について所要の最終
仕上げ圧延機出側板厚を確保するために、次のように仕
上げ圧延機のセットアップを行う。
端部分の速度、板幅および温度をそれぞれ粗出側速度計
5、粗出側幅計6および粗出側温度計7から検出し、こ
れらの検出値および粗出側板厚推定値を板厚設定装置8
の入力として、所要の最終仕上げ圧延機出側板厚にする
ために必要な圧延荷重を圧延パワー、通板速度等の各種
制限のもと、与えられた負荷配分比目標値等を満足させ
るように、各仕上げ圧延機毎に計算する。この演算は圧
延材1の先端が最終粗圧延機を出た時点で行われる。得
られた圧延荷重設定値から各仕上げ圧延機毎のロールギ
ャップを計算し、ロールギャップ設定装置13−1〜1
3−7に入力される。
された圧延荷重実績値は、板厚設定装置8に送られ次圧
延材への学習計算に用いられる。板厚設定装置8での圧
延荷重予測計算には、通常は、圧延パワー、通板速度等
の制約のもとで、以下のような理論式により各圧延機毎
に計算される。
式を解く場合には繰り返し法による収束計算が必要とな
り、かなりの演算時間を必要とする。さらに、解が求ま
ったとしても負荷配分比、圧延速度、圧延荷重等の各種
の制約条件を満足できない場合には、負荷配分比、圧下
率等を修正し連立方程式の計算をやり直す必要がある。
仕上げ圧延機は近接しているため、許される計算時間は
極めて短時間であり、複雑な計算を行うことは困難であ
る。
を行わずに圧延荷重Pを求めるための簡略式も種々考案
されているが、このような論理式は様々な近似あるいは
仮定の上に成り立っており、予測値と実績値との間には
誤差が生じるのが一般的である。この様な誤差はある程
度は学習の繰り返しにより減少していくものではある
が、セットアップ時の誤差が大きいほど収束に時間がか
かり、その間板厚精度の悪い材を生産することとなる。
設置しているプラントはほとんど無いため、仕上げ入側
板厚としては推定値を用いるのが一般的であるが、この
時点で既に誤差が含まれている可能性が大きい。
上げ圧延機間に厚み計を設置し、ここで得られた板厚実
績値と設定値との偏差を用いて、厚み計より後段の圧延
機の圧下位置設定値を修正する方法がいくつか提案され
ている。特公昭51−2061号、特開昭63−220
915号、特開平3−151109号の各公報は、いず
れも数式を用いたアプローチであり、このような従来の
数式を用いた予測方法では、圧延現象をより忠実に表現
するためには、式を複雑化することや、パラメータを増
やす等の処置が必要となり、チューニングに要する労力
の増加や計算時間の増加を招く。さらに、プラントの特
性に依存したような定数はプラントの状態が変化する毎
にメンテナンスを必要とし、複雑な制御方法はメンテナ
ンス時にオペレータにとって大きな負担となる。
ためになされたもので、ニューラルネットを用いること
により、複雑な数式を用いることなく短時間で圧延荷重
を修正し、圧延材を精度よく所要の板厚に圧延できる圧
延機を提供することを目的とするものである。
れ、圧延材の板厚が目標板厚に一致するよう所定の圧延
荷重設定値に基づき圧延する圧延装置において、上記圧
延機間に少なくとも1台の板厚計と、ニューラルネット
を有する圧延荷重設定装置とを備え、圧延荷重設定装置
に上記圧延材が噛み込まれる前の圧延材の温度、速度、
板幅等の実績値・設定値などの圧延情報を入力すると共
に、上記圧延材の先端部分が上記板厚計を通過した時点
の板厚を入力し、上記ニューラルネットを用いて上記圧
延材が噛み込まれていない後段圧延機の圧延荷重設定値
の修正値を導出して圧延するものである。
ーラルネットの更新を行うニューラルネット更新装置を
備え、このニューラルネット更新装置で更新されたニュ
ーラルネットを用いて次圧延材の圧延荷重設定値を計算
するものである。
順次記憶するニューラルネット学習データファイルと、
記憶された複数個の圧延荷重実績値を用いてニューラル
ネットの更新を行うニューラルネット更新装置を備え、
このニューラルネット更新装置で更新されたニューラル
ネットを用いて次圧延材の圧延荷重設定値を計算するも
のである。
順次記憶するニューラルネット学習データファイルと、
圧延材の寸法、鋼種等の区分毎に圧延荷重実績値を順次
記憶するニューラルネット層別学習ファイルと、上記記
憶された複数個の圧延荷重実績値および上記層別に記憶
された圧延荷重実績値を用いてニューラルネットの更新
を行うニューラルネット更新装置を備え、このニューラ
ルネット更新装置で更新されたニューラルネットを用い
て次圧延材の圧延荷重設定値を計算するものである。
延材の板厚が目標板厚に一致するよう所定の圧延荷重設
定値に基づき圧延する圧延装置において、上記圧延機間
に少なくとも1台の板厚計と、ニューラルネットを有す
る圧延荷重設定装置とを備え、圧延荷重設定装置に上記
圧延材が噛み込まれる前の圧延材の温度、速度、板幅等
の実績値・設定値などの圧延情報を入力すると共に、上
記圧延材の先端部分が上記板厚計を通過した時点の板厚
を入力し、上記ニューラルネットを用いて最終圧延機出
側での板厚偏差を予測し、この板厚偏差予測値に基づい
て圧延材先端部が噛み込まれていない後段圧延機での圧
延荷重設定値の修正値を導出して圧延するものである。
て求める修正された圧延荷重設定値(圧延荷重再設定
値)ΔFiは、 CF=(HT+ΔHP)/HT ΔFi=FSi・CF CF: 圧延荷重修正係数 ΔF: 圧延荷重再設定値 HT: 出側板厚目標値 ΔHP:出側板厚偏差予測値 FS: 初期圧延荷重設定値 i : 圧延機No.(i=m〜n) (但し、後段最初の圧延機No.をm,最終段圧延機N
o.をnとする)として導出したものである。
うニューラルネット更新装置を備え、このニューラルネ
ット更新装置により、圧延材毎の圧延機出側板厚実績値
から計算した圧延機出側板厚偏差推定値を用いてニュー
ラルネットの更新を行い、更新されたニューラルネット
を用いて次圧延材の圧延荷重設定値を計算するものであ
る。
績値から計算した圧延機出側板厚偏差推定値は、 ΔHE=ΔHA+ΔHP ΔHE: 圧延機出側板厚偏差推定値 ΔHA: 圧延機出側板厚偏差実績値 ΔHP: 圧延機出側板厚偏差予測値 としたものである。
差推定値を順次記憶するニューラルネット学習データフ
ァイルと、記憶された複数個の圧延機出側板厚偏差推定
値を用いてニューラルネットの更新を行うニューラルネ
ット更新装置を備え、このニューラルネット更新装置で
更新されたニューラルネットを用いて次圧延材の圧延荷
重設定値を計算するものである。
偏差推定値を順次記憶するニューラルネット学習データ
ファイルと、圧延材の寸法、鋼種等の区分毎に圧延機出
側板厚偏差推定値を順次記憶するニューラルネット層別
学習ファイルと、上記記憶された複数個の圧延機出側板
厚偏差推定値および上記層別に記憶された圧延機出側板
厚偏差推定値を用いてニューラルネットの更新を行うニ
ューラルネット更新装置を備え、このニューラルネット
更新装置で更新されたニューラルネットを用いて次圧延
材の圧延荷重設定値を計算するものである。
延材が噛み込まれる前の圧延材の温度、速度、板幅等の
実績値・設定値などの圧延情報を入力すると共に、圧延
材の先端部分が板厚計を通過した時点の板厚を入力し、
ニューラルネットを用いて圧延材が噛み込まれていない
後段圧延機の圧延荷重設定値を修正して圧延する。
より、圧延材毎の圧延荷重実績値を用いてニューラルネ
ットの更新を行い、更新されたニューラルネットを用い
て次圧延材の圧延荷重設定値を計算する。
ファイルで圧延材毎の圧延荷重実績値を順次記憶し、こ
の記憶された複数個の圧延荷重実績値を用いてニューラ
ルネット更新装置でニューラルネットの更新を行い、こ
の更新されたニューラルネットを用いて次圧延材の圧延
荷重設定値を計算する。
ファイルで圧延材毎の圧延荷重実績値を順次記憶すると
共に、ニューラルネット層別学習ファイルで圧延材の寸
法、鋼種等の区分毎に圧延荷重実績値を順次記憶し、こ
の記憶された複数個の圧延荷重実績値および層別に記憶
された圧延荷重実績値を用いてニューラルネット更新装
置はニューラルネットの更新を行い、この更新されたニ
ューラルネットを用いて次圧延材の圧延荷重設定値を計
算する。
が噛み込まれる前の圧延材の温度、速度、板幅等の実績
値・設定値などの圧延情報を入力すると共に、圧延材の
先端部分が板厚計を通過した時点の板厚を入力し、ニュ
ーラルネットを用いて最終圧延機出側での板厚偏差を予
測し、この板厚偏差予測値に基づいて圧延材先端部が噛
み込まれていない後段圧延機での圧延荷重設定値の修正
値を導出して圧延する。
て求める修正された圧延荷重設定値(圧延荷重再設定
値)ΔFiは、 CF=(HT+ΔHP)/HT ΔFi=FSi・CF CF: 圧延荷重修正係数 ΔF: 圧延荷重再設定値 HT: 出側板厚目標値 ΔHP:出側板厚偏差予測値 FS: 初期圧延荷重設定値 i : 圧延機No.(i=m〜n) (但し、後段最初の圧延機No.をm,最終段圧延機N
o.をnとする)として導出する。
より、圧延材毎の圧延機出側板厚実績値から計算した圧
延機出側板厚偏差推定値を用いてニューラルネットの更
新を行い、この更新されたニューラルネットを用いて次
圧延材の圧延荷重設定値を計算する。
績値から計算した圧延機出側板厚偏差推定値は、 ΔHE=ΔHA+ΔHP ΔHE: 圧延機出側板厚偏差推定値 ΔHA: 圧延機出側板厚偏差実績値 ΔHP: 圧延機出側板厚偏差予測値 とする。
ファイルで圧延材毎の圧延機出側板厚偏差推定値を順次
記憶し、この記憶された複数個の圧延機出側板厚偏差推
定値を用いてニューラルネット更新装置でニューラルネ
ットの更新を行い、この更新されたニューラルネットを
用いて次圧延材の圧延荷重設定値を計算する。
タファイルで圧延材毎の圧延機出側板厚偏差推定値を順
次記憶すると共に、ニューラルネット層別学習ファイル
で圧延材の寸法、鋼種等の区分毎に圧延機出側板厚偏差
推定値を順次記憶し、上記記憶された複数個の圧延機出
側板厚偏差推定値および上記層別に記憶された圧延機出
側板厚偏差推定値を用いてニューラルネット更新装置
は、ニューラルネットの更新を行い、この更新されたニ
ューラルネットを用いて次圧延材の圧延荷重設定値を計
算する。
ク)の応用範囲は多岐に渡り、認識・制御・予測等に関
する新手法として多くの実用例がある。ニューラルネッ
トの基礎的事項について簡単に説明する。
物の神経回路網を数学的にモデル化し、特徴的な機能を
再現したものである。ニューラルネットは、ニューロン
と呼ばれる基本素子及びニューロン間を接続するシナプ
スにより構成される。(図1)
まとめる。 例題を学習することにより知識を獲得する能力があ
るので、プログラムを必要としない。 定量化が困難な情報や、不完全な情報を取り扱える
ので、音声・画像といったパターン情報の解釈に適して
いる。 並列処理が可能である。 汎化性に優れている。 ロバスト性に優れている。ノイズが入ったり、ニュ
ーラルネット自体に部分的な故障や特性のばらつきがあ
ったとしても、それらの影響を受けにくい。本発明は特
に上記、に着目したものである。
ある「ユニットモデル」について図2で説明する。ニュ
ーラルネットはユニットを基本プロセッサとした並列処
理システムと考えることができる。ニューロンは多入力
/1出力型の演算素子であり、シナプスはアナログ量の
記憶素子である。この”アナログ量”に対しては、シナ
プス荷重、シナプス結合強度、結合強度、結合係数等種
々の呼び方があるが、本発明では「結合荷重」に統一す
る。ユニットの出力として、入力信号と結合荷重との積
和を応答関数fにより変形して与えるモデルがよく使わ
れる。
ビサイド関数(図3−a)、アナログ型のシグモイド関
数(図3−b)、確率モデル、カオスモデル等がある
が、シグモイド関数を用いることが多い。この関数が神
経細胞の飽和的な性質をよく反映しているからである。
には、階層型(図4−a)と相互結合型(図4−b)の
2つに大別できるが、本発明では階層型の代表的モデル
であり、多くの実用例を持つバックプロパゲーション型
モデルを用いた。
可変となっており、制御対象システムに応じて自由に調
節できる。 ネットワークの層数 ユニット数 応答関数 結合荷重・バイアス値の修正係数 学習回数
入力が与えられたときに望ましい出力が得られるよう、
ニューロン間の結合の強さ(結合荷重:シナプス荷重)
を変化させていくことである。具体的には、入力値を入
力層から出力層へと伝えていって出力誤差(出力値と教
師信号との差)を計算し、次にこの出力誤差を出力層か
ら入力層へと伝播させる過程で結合荷重及びバイアス値
を変更することを意味する。入力層では入力値をそのま
ま出力値とするが、中間層以降では前層の出力値と結合
荷重の積和に自層のバイアス値を加えた値を応答関数の
入力値として出力値を得る。
は「最急降下法」と呼ばれる最適化手法に従って、出力
層における二乗誤差という評価関数に関して、これを最
小化する方向へ内部結合状態を修正していくものであ
る。学習にはできるだけ多くの偏りのない(制御対象を
よく表現した)データを用いることが望ましい。このデ
ータを用いて、出力誤差が所望の範囲(許容範囲)に収
まるまで学習を繰り返す。この時気をつけなければなら
ないのは、ニューラルネットが学習データを厳密に学習
しすぎて汎化性を失い、同一母集団(同一制御対象)の
他のデータに対して対応できなくなる状態に陥らないよ
うにすることである。この現象は一般に”過学習”と呼
ばれている。
トの学習中にニューラルネットが学習していないデータ
(テストデータ)をニューラルネットに通したときに得
られる出力誤差(予測精度)を監視し、この予測精度が
最小になった時点で学習を打ち切るという方法が一般的
に使われる。
ョンモデル(図5)の学習について説明する。図5では
出力値が1つの場合を表しているが、複数個の出力値を
学習する場合でも同様である。この具体的計算を(数
2)の式で表す。この式はニューラルネツトの出力値を
計算する順方向計算で、計算により出力誤差(出力値と
教師信号=目標板厚との差)を求め。この出力誤差を
(数3)および(数4)の逆方向計算で、結合荷重とバ
イアス値の更新を行う。そうして出力誤差が所望の範囲
(許容範囲)に収まるまで学習を繰り返す。
トワーク内で取り扱うデータは、応答関数への入出力を
考慮して変換する必要がある。変換には種々の方法が考
えられるが、ここでは、応答関数として出力範囲を−
0.5〜0.5としたシグモイド関数を用いた場合を例
に、データの変換(正規化)について説明する。
下式により−0.5〜0.5の範囲に正規化する。 x*=(x−xmin)/(xmax−xmin) x :入力値 x* :正規化された入力値 xmax :xの最大値 xmin :xの最小値
トの学習に使用する全データを検索し各スタンド毎に設
定するが、あらかじめ決められている上下限値等を使用
してもよい。
の一例を示す。入力層への入力については、後述の図8
以降で説明する。以上のように、ニューラルネットは、
特徴として非線形性・学習能力・並列性等が挙げられ、
特にその学習能力により、充分なデータがあれば複雑な
アルゴリズムを用いることなくモデリングが可能とな
る。このような特徴を備えたニューラルネットを用いる
ことにより、圧延現象の非線形性を良く表現し、且つプ
ラントの特性変化にも柔軟に対応できるような制御が可
能となる。また、ニューラルネット内における計算は単
純な積和計算であるため、計算時間を大幅に短縮するこ
とが可能となる。
であり、仕上げ圧延機は7基とし、第4基の前に中間板
厚計が設置されている例を示す。圧延材1は粗圧延機群
2で圧延された後、仕上げ圧延機3−1〜3−7を経て
巻取り機4に巻取られる。粗圧延機群2の出側には粗出
側速度計5、粗出側幅計6および粗出側温度計7が設置
されている。粗出側速度計5、粗出側幅計6および粗出
側温度計7の各検出値は、板厚設定装置8に与えられ
る。
の間には中間板厚計14が設置されており、中間板厚計
14の検出値は板厚設定装置8に与えられる。最終仕上
げ圧延機3−7の出側に仕上げ圧延機出側速度計9、仕
上げ圧延機出側厚み計10および仕上げ圧延機出側温度
計11が設置されている。仕上げ圧延機出側速度計9、
仕上げ圧延機出側厚み計10および仕上げ圧延機出側温
度計11の各検出値は、板厚設定装置8に与えられる。
また、仕上げ圧延機3−1〜3−7には各々圧延荷重検
出器12−1〜12−7およびロールギャップ設定装置
13−1〜13−7が設置されている。圧延荷重検出器
12−1〜12−7の各検出値は、板厚設定装置8に与
えられる。
仕上げ圧延機出側板厚目標値、負荷配分比目標値、その
他の各種圧延情報が格納されており、さらに圧延荷重設
定装置15が内蔵されている。圧延荷重設定装置15に
は、圧延材の先端部分についての最終粗圧延機3−7出
側、前段圧延機3−1〜3−3、および中間板厚計14
における各種検出値(実測値)および設定値と、後段圧
延機3−4〜3−7における設定値および各種圧延情報
とを入力として、後段圧延機3−4〜3−7の圧延荷重
を出力とする学習済みニューラルネット16が内蔵され
ている。
ック線図を示す。まず、圧延荷重設定装置15には圧延
荷重の計算に必要なプラント定数および鋼種、炭素含有
率、仕上げ圧延機出側板厚目標値、負荷配分比目標値、
その他の各種圧延情報が伝送されている。圧延荷重設定
装置15には、圧延材の先端部分についての最終粗圧延
機出側、前段圧延機、および中間板厚計における各種検
出値(実績値)および設定値と、後段圧延機における設
定値および鋼種、炭素含有率等の各種圧延情報を入力と
し、後段圧延機の各圧延荷重実績値を教師データとして
学習させたニューラルネット16が内蔵されている。な
お、このニューラルネット16は各圧延機毎に設けられ
た複数のニューラルネットで構成されている。
ネット16の学習を行う。 (2)圧延を開始する。 (3)今回圧延材についての各種圧延情報(鋼種、成
分、仕上げ圧延機出側板厚目標値、負荷配分比目標値、
etc)が板厚設定装置8に送られる。 (4)圧延材先端部分が最終粗圧延機を通過した時点で
速度、板幅、板温度等の実績値、および粗出側板厚推定
値が板厚設定装置8に送られる。
算が行われ、各圧延機毎に圧延荷重が設定される。 (6)圧延材先端部分が前段の各圧延機を通過した時点
で、速度、圧延荷重等の実績値が圧延荷重設定装置15
に送られる。 (7)圧延材先端部分が中間板厚計14を通過した時点
で、板厚実績値が圧延荷重設定装置15に送られる。 (8)ニューラルネット16の各入力値(圧延情報、実
績値、設定値)が正規化計算部で正規化された後、ニュ
ーラルネット16に入力される。
ューラルネット16で行われ、ニューラルネットの出力
値が決定される。 (10)ニューラルネット16の出力値を非正規化計算
部で非正規化(復元)し、圧延荷重予測値を得る。 (11)この値を圧延荷重設定装置15の圧延荷重再設
定値として出力し、後段圧延機の圧延荷重の再設定を行
い圧延する。
式を用いることなく短時間で圧延荷重設定値を修正で
き、高精度かつ簡潔な板厚制御が行える効果がある。
状態のブロック線図を示す。このブロック線図は実施例
1のブロック線図(図8)にニューラルネット更新装置
17を設けたものである。
ンでのニューラルネットの学習装置と同じであるが、オ
ンラインでの実績データを用いてニューラルネット16
の学習を行う点が異なっている。ニューラルネットの学
習とは、ある入力が与えられたときにその入力に対する
望ましい出力(教師データ)が得られるよう結合荷重を
変化させることである。
(11)は実施例1と同様であるので省略する。 (1)〜(11)実施例1に同じ、 (12)圧延材1の先端部分が後段圧延機3−4〜3−
7を各々通過した時点で、圧延荷重検出装置12−4〜
12−7の各実績値が順次圧延荷重設定装置15に入力
される。 (13)圧延材1の先端部分が最終仕上げ圧延機3−7
を通過した時点で、仕上げ圧延機出側速度計9、仕上げ
圧延機出側厚み計10、および仕上げ圧延機出側温度計
11の各実績値が、圧延荷重設定装置15に入力され
る。 (14)仕上げ圧延機出側板厚実績値と仕上げ圧延機出
側板厚目標値との偏差が許容範囲内に収まっているか否
かを判別する。
範囲内であれば、後段圧延機の圧延荷重実績値を正規化
処理し、この値を教師データとしてニューラルネット1
6の学習を行う。学習方法は前記説明したごとく、前記
(数2)による順方向計算が行われ、設定した予測誤差
以内でなければ、前記(数3)(数4)による逆方向計
算が結合係数、バイアス値を更新し、許容誤差以内に入
るよう計算を繰り返す。この計算による学習は計算機の
能力に応じた学習回数制限内で行う必要があり、従っ
て、学習回数制限内にニューラルネット16の出力と教
師データとの誤差が許容範囲内に収まらなければ、ニュ
ーラルネット16の更新は行わない。
の利点(簡単な演算により短時間で圧延荷重設定値の修
正、および、高精度の板厚制御の実施)に加え、圧延材
1本毎にニューラルネットの更新を行うことにより、ロ
ールの熱膨張、あるいは摩耗等の短期的なプラント特性
の変化があった場合でも、柔軟に対応した板厚制御が実
現できる。
御状態のブロック線図を示す。このブロック線図は実施
例1のブロック線図(図8)にニューラルネット更新装
置17およびニューラルネット学習データファイル18
を設けたものである。ニューラルネット学習データファ
イルの初期状態は、オフラインでのニューラルネット1
6の学習に用いられたデータが格納されているものとす
る。
実施例1と同様であるので省略する。 (1)〜(11)実施例1に同じ、 (12)圧延材1の先端部分が後段圧延機3−4〜3−
7を各々通過した時点で、圧延荷重検出装置12−4〜
12−7の各実績値が順次圧延荷重設定装置15に入力
される。
圧延機3−7を通過した時点で、仕上げ圧延機出側速度
計9、仕上げ圧延機出側厚み計10、および仕上げ圧延
機出側温度計11の各実績値が、圧延荷重設定装置15
に入力される。 (14)仕上げ圧延機出側板厚実績値と仕上げ圧延機出
側板厚目標値との偏差が許容範囲内に収まっているか否
かを判別する。
範囲内であれば、この圧延材についてのニューラルネッ
ト16への入力値および後段圧延機の圧延荷重実績値を
正規化処理し、ニューラルネット学習データファイル1
8の最後に追加する。ニューラルネット学習データファ
イル18は、最初はオフラインでのニューラルネットの
学習に用いたデータ(教師信号と入力値の組複数本分)
を最初に入れておき、その後、オンラインでのニューラ
ルネットの学習に用いたデータが順次格納されて行き
(圧延情報の履歴が格納される)、最も古いデータを順
次削除して行く。
ファイル18に格納されている複数組の履歴データを用
いてニューラルネット16の学習を行う。学習は計算機
の能力に応じた学習回数制限内で、ニューラルネツト1
6の出力と教師データとの誤差平均が許容範囲内に収ま
るまで行う。学習方法は前記説明したごとく、前記(数
2)による順方向計算が行われ、設定した予測誤差以内
でなければ、前記(数3)(数4)による逆方向計算が
結合係数、バイアス値を更新し、許容誤差以内に入るよ
う計算を繰り返す。
了したら、ニューラルネット学習データファイル18の
最も古いデータセット(圧延材1本分の入力値と圧延荷
重実績値)を消去する。 (18)仕上げ圧延機出側板厚偏差が許容範囲内に収ま
っていなければ、ニューラルネット16の更新は行わな
い。 (19)次圧延材の圧延荷重設定値計算時には、更新さ
れたニューラルネット16を用いて圧延荷重設定値を決
定する。
の利点(簡単な演算により短時間で圧延荷重設定値の修
正、および、高精度の板厚制御の実施)に加え、圧延の
進行につれて、既に格納されているデータを有するニュ
ーラルネット学習データファイル18に圧延材1本毎の
新たなデータを追加し、このニューラルネット学習デー
タファイルの複数のデータを用いてニューラルネットの
学習を行うことにより、プラント履歴をふまえつつプラ
ント特性の変化に柔軟に対応した板厚制御が実現でき
る。
経時変化の有る場合は結果はあまり実施例2と変わらな
いが、経時変化に変動が多い場合は、過去のデータも用
いるのでこの実施例3の方が安定した結果が得られる。
また、実施例2ではセンサーの故障やノイズ等で異常検
出値が出た場合にその異常値で学習されるが、この実施
例3では、今までの履歴を加味しているのでその異常の
影響を非常に少なくすることができる。
御状態のブロック線図を示す。このブロック線図は実施
例1のブロック線図(図8)にニューラルネット更新装
置17、ニューラルネット学習データファイル18およ
びニューラルネット層別学習データファイル19−1〜
NS(NS:層別の個数)を設けたものである。
の初期状態は、オフラインでのニューラルネット16の
学習に用いられたデータが格納されている。また、ニュ
ーラルネット層別学習データファイルは、圧延材の寸
法、鋼種等により決められた制御区分(層別)毎に圧延
材の圧延荷重実績値を順次記憶するもので、オンライン
での圧延実績に応じて生成されるファイルである。
(11)までは実施例1と同様であるので省略する。 (1)〜(11)実施例1に同じ (12)圧延材1の先端部分が後段圧延機3−4〜3−
7を各々通過した時点で、圧延荷重検出装置12−4〜
12−7の各実績値が順次圧延荷重設定装置15に入力
される。
圧延機3−7を通過した時点で、仕上げ圧延機出側速度
計9、仕上げ圧延機出側厚み計10および仕上げ圧延機
出側温度計11の各実績値が、圧延荷重設定装置15に
入力される。 (14)仕上げ圧延機出側板厚実績値と仕上げ圧延機出
側板厚目標値との偏差が許容範囲内に収まっているか否
かを判別する。 (15)仕上げ圧延機出側板厚偏差が許容範囲内であれ
ば、この圧延材についてのニューラルネット16への入
力値および後段圧延機の圧延荷重実績値を正規化処理
し、ニューラルネット学習データファイル18の最後に
追加する。
ューラルネット16への入力値および後段圧延機の圧延
荷重実績値を正規化処理し、圧延材1の層別に応じたニ
ューラルネット層別学習データファイル19−I0(I
0:今回材の層別No.)の最後に追加する。 (17)ニューラルネット学習データファイル18と、
次圧延材の層別に応じたニューラルネット層別学習デー
タファイル19−IN(IN:次材の層別No.)を用
いてニューラルネット16の学習を行う。学習は計算機
の能力に応じた学習回数制限内で、ニューラルネット1
6の出力と教師データとの誤差平均が許容範囲内に収ま
るまで行う。 (18)ニューラルネット16の学習が終了したら、ニ
ューラルネット学習データファイル18の最も古いデー
タセット(圧延材1本分の入力値と圧延荷重実績値)を
消去する。
ファイル19−I0の大きさが制限値を超えた場合は、
最も古いデータセットを消去する。ニューラルネット層
別学習データファイルの大きさは計算機の記憶容量、処
理能力等により制限される。 (20)仕上げ圧延機出側板厚偏差が許容範囲内に収ま
っていなければ、ニューラルネット16の更新は行わな
い。 (21)次圧延材の圧延荷重設定値計算時には、更新さ
れたニューラルネット16を用いて圧延荷重設定値を決
定する。
の利点に加え、次圧延材と同一層別材の学習データを増
やしてニューラルネットの学習を行うことにより、より
きめ細かな板厚制御が実現できる。
す装置構成図であり、仕上げ圧延機は7基とし、第4基
の前に中間板厚計が設置されている例を示す。圧延材1
は粗圧延機群2で圧延された後、仕上げ圧延機3−1〜
3−7を経て巻取り機4に巻取られる。粗圧延機群2の
出側には粗出側速度計5、粗出側幅計6および粗出側温
度計7が設置されている。粗出側速度計5、粗出側幅計
6および粗出側温度計7の各実績値は、板厚設定装置8
に与えられる。
の間には中間板厚計14が設置されており、中間板厚計
14の実績値は板厚設定装置8に与えられる。最終仕上
げ圧延機3−7の出側に仕上げ圧延機出側速度計9、仕
上げ圧延機出側厚み計10および仕上げ圧延機出側温度
計11が設置されている。仕上げ圧延機出側速度計9、
仕上げ圧延機出側厚み計10および仕上げ圧延機出側温
度計11の各実績値は、板厚設定装置8に与えられる。
また、仕上げ圧延機3−1〜3−7には各々圧延荷重検
出器12−1〜12−7およびロールギャップ設定装置
13−1〜13−7が設置されている。圧延荷重検出器
12−1〜12−7の各実績値は、板厚設定装置8に与
えられる。
仕上げ圧延機出側板厚目標値、負荷配分比目標値、その
他の各種圧延情報が格納されており、さらに圧延荷重設
定装置25が内蔵されている。圧延荷重設定装置25に
は、圧延材の先端部分についての最終粗圧延機3−7出
側、前段圧延機3−1〜3−3、および中間板厚計14
における各種実績値と設定値、後段圧延機3−4〜3−
7における設定値および各種圧延情報とを入力として、
最終仕上げ圧延機3−7出側での板厚偏差予測値を出力
とする学習済みニューラルネット26が内蔵されてい
る。
ロック線図を示す。まず、圧延荷重設定装置25には圧
延荷重の計算に必要なプラント定数および鋼種、炭素含
有率、仕上げ圧延機出側板厚目標値、負荷配分比目標
値、その他の各種圧延情報が伝送されるものとする。圧
延荷重設定装置25には、圧延材の先端部分についての
最終粗圧延機出側、前段圧延機、および中間板厚計にお
ける各種実績値および設定値と、後段圧延機における設
定値および鋼種、炭素含有率等の各種圧延情報を入力と
し、後段圧延機の各圧延荷重実績値を教師データとして
学習させたニューラルネット26が内蔵されている。
わない場合の圧延実績データを用いてニューラルネット
26の学習を行う。 (2)圧延を開始する。 (3)今回圧延材についての各種圧延情報(鋼種、成
分、仕上げ圧延機出側板厚目標値、負荷配分比目標値、
etc)が板厚設定装置8に送られる。
過した時点で速度、板幅、板温度等の実績値、および粗
出側板厚推定値が板厚設定装置8に送られる。 (5)板厚設定装置8にてセットアップ計算が行われ、
各圧延機毎に圧延荷重が設定される。 (6)圧延材先端部分が前段の各圧延機を通過した時点
で、速度、圧延荷重等の実績値が圧延荷重設定装置25
に送られる。
通過した時点で、板厚実績値が圧延荷重設定装置25に
送られる。 (8)ニューラルネット26の各入力値(圧延情報、実
績値、設定値)が正規化計算部で正規化された後、ニュ
ーラルネット26に入力される。 (9)前記(数2)による順方向計算がニューラルネッ
ト16で行われ、ニューラルネットの出力値が決定され
る。 (10)ニューラルネット26の出力値を非正規化計算
部で非正規化(復元)し、最終仕上げ圧延機出側での板
厚偏差予測値(仕上げ圧延機出側板厚偏差予測値)を得
る。
から以下のように圧延荷重再設定値を計算する。 CF=(HT+ΔHP)/HT ΔFi=FSi・CF CF: 圧延荷重修正係数 ΔF: 圧延荷重再設定値 HT: 仕上げ圧延機出側板厚目標値 ΔHP:仕上げ圧延機出側板厚偏差予測値 FS: 初期圧延荷重設定値 i : 圧延機No.(i=4〜7)
装置25の出力値とし、後段圧延機の圧延荷重の再設定
を行い圧延する。
式を用いることなく短時間で圧延荷重設定値を修正で
き、高精度かつ簡潔な板厚制御が行える効果がある。
御状態のブロック線図を示す。このブロック線図は実施
例5のブロック線図(図13)にニューラルネット更新
装置17を設けたものである。ニューラルネット更新装
置17はオフラインでのニューラルネットの学習装置と
同じであるが、オンラインでの実績データを用いてニュ
ーラルネット26の学習を行う点が異なっている。ニュ
ーラルネットの学習とは、ある入力が与えられたときに
その入力に対する望ましい出力(教師データ)が得られ
るよう結合荷重を変化させることである。
(12)は実施例5と同様であるので省略する。 (1)〜(12)実施例5に同じ、 (13)圧延材1の先端部分が最終仕上げ圧延機3−7
を通過した時点で、仕上げ圧延機出側速度計9、仕上げ
圧延機出側厚み計10および仕上げ圧延機出側温度計1
1の各実績値が、圧延荷重設定装置25に入力される。
上げ圧延機出側板厚目標値との偏差(仕上げ圧延機出側
板厚偏差実績値)が許容範囲内に収まっているか否かを
判別する。 (15)仕上げ圧延機出側板厚偏差実績値が許容範囲内
であれば、以下のように後段圧延機での圧延荷重修正を
行わない場合の仕上げ圧延機出側板厚偏差推定値を計算
する。 ΔHE=ΔHA+ΔHP ΔHE: 仕上げ圧延機出側板厚偏差推定値 ΔHA: 仕上げ圧延機出側板厚偏差実績値 ΔHP: 仕上げ圧延機出側板厚偏差予測値 ニューラルネットの学習の際、仕上げ圧延機出側板厚偏
差推定値を正規化し、教師データとして用いてる。
6への入力値および仕上げ圧延機出側板厚偏差推定値を
用いてニューラルネット26の学習を行う。学習方法は
前記説明したごとく、前記(数2)による順方向計算が
行われ、設定した予測誤差以内でなければ、前記(数
3)(数4)による逆方向計算が結合係数、バイアス値
を更新し、許容誤差以内に入るよう計算を繰り返す。こ
のニューラルネットによる学習は計算機の能力に応じた
学習回数制限内で、ニューラルネット26の出力と教師
データとの誤差が許容範囲内に収まるまで行う。 (17)仕上げ圧延機出側板厚偏差実績値が許容範囲内
に収まっていなければ、ニューラルネット26の更新は
行わない。 (18)次圧延材の圧延荷重設定値計算時には、更新さ
れたニューラルネット26を用いて圧延荷重設定値を決
定する。
の利点(簡単な演算により短時間で圧延荷重設定値の修
正、および、高精度の板厚制御の実施)に加え、圧延材
1本毎にニューラルネットの更新を行うことにより、ロ
ールの熱膨張、あるいは摩耗等の短期的なプラント特性
の変化があった場合でも、柔軟に対応した板厚制御が実
現できる。
御状態のブロック線図を示す。このブロック線図は実施
例5のブロック線図(図13)にニューラルネット更新
装置17およびニューラルネット学習データファイル1
8を設けたものである。ニューラルネット学習データフ
ァイル18の初期状態は、オフラインでのニューラルネ
ット26の学習に用いられたデータが格納されているも
のとする。
実施例5および実施例6と同様であるので省略する。 (1)〜(12)実施例5に同じ、 (13)〜(15)実施例6に同じ、 (16)この圧延材のニューラルネット26への入力値
および仕上げ圧延機出側板厚偏差推定値をニューラルネ
ット学習データファイル18の最後に追加する。ニュー
ラルネット学習データファイル18は、最初はオフライ
ンでのニューラルネットの学習に用いたデータ(教師信
号と入力値の組複数本分)を最初に入れておき、その
後、オンラインでのニューラルネットの学習に用いたデ
ータが順次格納されて行き(圧延情報の履歴が格納され
る)、最も古いデータを順次削除して行く。
ファイル18に格納されている複数組の履歴データを用
いてニューラルネット26の学習を行う。学習は計算機
の能力に応じた学習回数制限内で、ニューラルネット2
6の出力と教師データとの誤差平均が許容範囲内に収ま
るまで行う。学習方法は前記説明したごとく、前記(数
2)による順方向計算が行われ、設定した予測誤差以内
でなければ、前記(数3)(数4)による逆方向計算が
結合係数、バイアス値を更新し、許容誤差以内に入るよ
う計算を繰り返す。 (18)ニューラルネット26の学習が終了したら、ニ
ューラルネット学習データファイル18の最も古い先頭
のデータセット(圧延材1本分の入力値と教師データ)
を消去する。 (19)仕上げ圧延機出側板厚偏差実績値が許容範囲内
に収まっていなければ、ニューラルネット26の更新は
行わない。 (20)次圧延材の圧延荷重設定値計算時には、更新さ
れたニューラルネット26を用いて圧延荷重設定値を決
定する。
の利点(簡単な演算により短時間で圧延荷重設定値の修
正、および、高精度の板厚制御の実施)に加え、圧延の
進行につれて、既に格納されているデータを有するニュ
ーラルネット学習データファイル18に圧延材1本毎の
新たなデータを追加し、このニューラルネット学習デー
タファイルの複数のデータを用いてニューラルネットの
学習を行うことにより、プラント履歴をふまえつつプラ
ント特性の変化に柔軟に対応した板厚制御が実現でき
る。
経時変化の有る場合は結果はあまり実施例6と変わらな
いが、経時変化に変動が多い場合は、過去のデータも用
いるのでこの実施例7の方が安定した結果が得られる。
また、実施例6ではセンサーの故障やノイズ等で異常検
出値が出た場合にその異常値で学習されるが、この実施
例7では、今までの履歴を加味しているのでその異常の
影響を非常に少なくすることができる。
御状態のブロック線図を示す。このブロック線図は実施
例5のブロック線図(図13)にニューラルネット更新
装置17、ニューラルネット学習データファイル18お
よびニューラルネット層別学習データファイル19−1
〜NS(NS:層別の個数)を設けたものである。
の初期状態は、オフラインでのニューラルネット26の
学習に用いられたデータが格納されている。また、ニュ
ーラルネット層別学習データファイルは、圧延材の寸
法、鋼種等により決められた制御区分(層別)毎に圧延
材の圧延荷重実績値を順次記憶するもので、オンライン
での圧延実績に応じて生成されファイルである。
までは実施例5および実施例6と同様であるので省略す
る。 (1)〜(12)実施例5に同じ (13)〜(15)実施例6に同じ (16)この圧延材のニューラルネット26への入力値
および仕上げ圧延機出側板厚偏差推定値をニューラルネ
ット学習データファイル18の最後に追加する。(1
7)同様に、この圧延材についてのニューラルネット2
6への入力値および仕上げ圧延機出側板厚偏差推定値
を、圧延材1の層別に応じたニューラルネット層別学習
データファイル19−I0(I0:今回材の層別N
o.)の最後に追加する。
イル18と、次圧延材の層別に応じたニューラルネット
層別学習データファイル19−IN(IN:次材の層別
No.)を用いてニューラルネット26の学習を行う。
学習は計算機の能力に応じた学習回数制限内で、ニュー
ラルネット26の出力と教師データとの誤差平均が許容
範囲内に収まるまで行う。 (19)ニューラルネット26の学習が終了したら、ニ
ューラルネット学習データファイル18の最も古いデー
タセット(圧延材1本分の入力値と圧延荷重実績値)を
消去する。
ファイル19−I0の大きさが制限値を超えた場合は、
最も古いデータセットを消去する。ニューラルネット層
別学習データファイルの大きさは計算機の記憶容量、処
理能力等により制限される。 (21)仕上げ圧延機出側板厚偏差が許容範囲内に収ま
っていなければ、ニューラルネット26の更新は行わな
い。 (22)次圧延材の圧延荷重設定値計算時には、更新さ
れたニューラルネット26を用いて圧延荷重設定値を決
定する。
の利点に加え、次圧延材と同一層別材の学習データを増
やしてニューラルネットの学習を行うことにより、より
きめ細かな板厚制御が実現できる。
上げ圧延機を有する連続圧延機について説明したが、こ
の発明は他の圧延機にも適用でき、また、圧延材を往復
させて圧延するリバース圧延等についても適用できる。
ーラルネットを用いて演算・制御するようにしたので、
複雑な数式を用いることなく短時間で圧延荷重設定値を
修正でき、高精度かつ簡潔な板厚制御が行える効果があ
る。
る。
デル)である。
図である。
である。
である。
御状態を示すブロック線図である。
御状態を示すブロック線図である。
制御状態を示すブロック線図である。
制御状態を示すブロック線図である。
図である。
制御状態を示すブロック線図である。
制御状態を示すブロック線図である。
制御状態を示すブロック線図である。
制御状態を示すブロック線図である。
げ圧延機、4 巻取り機、5 粗圧延機出側速度計、6
粗圧延機出側幅計、7 粗圧延機出側温度計、8 板
厚設定装置、9 仕上げ圧延機出側速度計、10 仕上
げ圧延機出側厚み計、11 仕上げ圧延機出側温度計、
12−1〜12−7 圧延荷重検出機、13−1〜13
−7 ロールギャップ設定装置、14 中間板厚計、1
5,25 圧延荷重設定装置、16,26 ニューラル
ネット、17 ニューラルネット更新装置、18 ニュ
ーラルネット学習データファィル、19−1〜NS ニ
ューラルネット層別学習データファイル。
Claims (10)
- 【請求項1】 複数の圧延機で構成され、圧延材の板厚
が目標板厚に一致するよう所定の圧延荷重設定値に基づ
き圧延する圧延装置において、上記圧延機間に少なくと
も1台の板厚計と、ニューラルネットを有する圧延荷重
設定装置とを備え、圧延荷重設定装置に上記圧延材が噛
み込まれる前の圧延材の温度、速度、板幅等の実績値・
設定値などの圧延情報を入力すると共に、上記圧延材の
先端部分が上記板厚計を通過した時点の板厚を入力し、
上記ニューラルネットを用いて上記圧延材が噛み込まれ
ていない後段圧延機の圧延荷重設定値の修正値を導出し
て圧延するようにしたことを特徴とする圧延装置。 - 【請求項2】 請求項1の圧延装置において、圧延荷重
実績値を用いてニューラルネットの更新を行うニューラ
ルネット更新装置を備え、このニューラルネット更新装
置で更新されたニューラルネットを用いて次圧延材の圧
延荷重設定値を計算することを特徴とする圧延装置。 - 【請求項3】 請求項1の圧延装置において、圧延材毎
の圧延荷重実績値を順次記憶するニューラルネット学習
データファイルと、記憶された複数個の圧延荷重実績値
を用いてニューラルネットの更新を行うニューラルネッ
ト更新装置を備え、ニューラルネット更新装置で更新さ
れたニューラルネットを用いて次圧延材の圧延荷重設定
値を計算することを特徴とする圧延装置。 - 【請求項4】 請求項1の圧延装置において、圧延材毎
の圧延荷重実績値を順次記憶するニューラルネット学習
データファイルと、圧延材の寸法、鋼種等の区分毎に圧
延荷重実績値を順次記憶するニューラルネット層別学習
ファイルと、上記記憶された複数個の圧延荷重実績値お
よび上記層別に記憶された圧延荷重実績値を用いてニュ
ーラルネットの更新を行うニューラルネット更新装置を
備え、このニューラルネット更新装置で更新されたニュ
ーラルネットを用いて次圧延材の圧延荷重設定値を計算
することを特徴とする圧延装置。 - 【請求項5】 複数の圧延機で構成され、圧延材の板厚
が目標板厚に一致するよう所定の圧延荷重設定値に基づ
き圧延する圧延装置において、上記圧延機間に少なくと
も1台の板厚計と、ニューラルネットを有する圧延荷重
設定装置とを備え、圧延荷重設定装置に上記圧延材が噛
み込まれる前の圧延材の温度、速度、板幅等の実績値・
設定値などの圧延情報を入力すると共に、上記圧延材の
先端部分が上記板厚計を通過した時点の板厚を入力し、
上記ニューラルネットを用いて最終圧延機出側での板厚
偏差を予測し、この板厚偏差予測値に基づいて圧延材先
端部が噛み込まれていない後段圧延機での圧延荷重設定
値の修正値を導出して圧延するようにしたことを特徴と
する圧延装置。 - 【請求項6】 請求項5の圧延装置において、出側板厚
偏差予測値に基づいて求める修正された圧延荷重設定値
(圧延荷重再設定値)ΔFiは、 CF=(HT+ΔHP)/HT ΔFi=FSi・CF CF: 圧延荷重修正係数 ΔF: 圧延荷重再設定値 HT: 出側板厚目標値 ΔHP:出側板厚偏差予測値 FS: 初期圧延荷重設定値 i : 圧延機No.(i=m〜n) (但し、後段最初の圧延機No.をm,最終段圧延機N
o.をnとする)として導出したことを特徴とする圧延
装置。 - 【請求項7】 請求項5または6の圧延装置において、
ニューラルネットの更新を行うニューラルネット更新装
置を備え、このニューラルネット更新装置により、圧延
材毎の圧延機出側板厚実績値から計算した圧延機出側板
厚偏差推定値を用いてニューラルネットの更新を行い、
更新されたニューラルネットを用いて次圧延材の圧延荷
重設定値を計算することを特徴とする圧延装置。 - 【請求項8】 請求項7の圧延装置において、圧延材毎
の圧延機出側板厚実績値から計算した圧延機出側板厚偏
差推定値は、 ΔHE=ΔHA+ΔHP ΔHE: 圧延機出側板厚偏差推定値 ΔHA: 圧延機出側板厚偏差実績値 ΔHP: 圧延機出側板厚偏差予測値 としたことを特徴とする圧延装置。 - 【請求項9】 請求項5または6の圧延装置において、
圧延材毎の圧延機出側板厚偏差推定値を順次記憶するニ
ューラルネット学習データファイルと、記憶された複数
個の圧延機出側板厚偏差推定値を用いてニューラルネッ
トの更新を行うニューラルネット更新装置を備え、ニュ
ーラルネット更新装置で更新されたニューラルネットを
用いて次圧延材の圧延荷重設定値を計算することを特徴
とする圧延装置。 - 【請求項10】 請求項5または6の圧延装置におい
て、圧延材毎の圧延機出側板厚偏差推定値を順次記憶す
るニューラルネット学習データファイルと、圧延材の寸
法、鋼種等の区分毎に圧延機出側板厚偏差推定値を順次
記憶するニューラルネット層別学習ファイルと、上記記
憶された複数個の圧延機出側板厚偏差推定値および上記
層別に記憶された圧延機出側板厚偏差推定値を用いてニ
ューラルネットの更新を行うニューラルネット更新装置
を備え、このニューラルネット更新装置で更新されたニ
ューラルネットを用いて次圧延材の圧延荷重設定値を計
算することを特徴とする圧延装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6257750A JP2763495B2 (ja) | 1994-10-24 | 1994-10-24 | 圧延装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6257750A JP2763495B2 (ja) | 1994-10-24 | 1994-10-24 | 圧延装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH08117827A JPH08117827A (ja) | 1996-05-14 |
JP2763495B2 true JP2763495B2 (ja) | 1998-06-11 |
Family
ID=17310586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP6257750A Expired - Lifetime JP2763495B2 (ja) | 1994-10-24 | 1994-10-24 | 圧延装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2763495B2 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6764315B2 (ja) * | 2016-10-27 | 2020-09-30 | Jfe条鋼株式会社 | 電気炉の運転制御システムおよび電気炉ならびに電気炉の運転制御方法 |
JP6899273B2 (ja) * | 2017-08-01 | 2021-07-07 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
KR20190078337A (ko) * | 2017-12-26 | 2019-07-04 | 주식회사 포스코 | 인공지능을 이용한 압연기 제어 장치 |
JP6962868B2 (ja) * | 2018-06-07 | 2021-11-05 | 株式会社日立製作所 | 教師データ生成装置および教師データ生成方法 |
JP6705519B1 (ja) * | 2019-02-12 | 2020-06-03 | Jfeスチール株式会社 | 製造設備の設定条件決定方法、圧延機のミルセットアップ設定値の決定方法、圧延機のミルセットアップ設定値の決定装置、製造物の製造方法および圧延材の製造方法 |
JP2020131248A (ja) * | 2019-02-21 | 2020-08-31 | Jfeスチール株式会社 | 圧延荷重予測方法、圧延荷重予測装置、及び圧延制御方法 |
JP7084907B2 (ja) * | 2019-11-28 | 2022-06-15 | 花王株式会社 | 品質計測方法及び品質計測装置 |
JP7211386B2 (ja) * | 2020-02-28 | 2023-01-24 | Jfeスチール株式会社 | モデル学習方法、走間板厚変更方法、鋼板の製造方法、モデル学習装置、走間板厚変更装置および鋼板の製造装置 |
JP7294233B2 (ja) * | 2020-05-15 | 2023-06-20 | Jfeスチール株式会社 | 幅圧下プレス装置での幅圧下荷重予測方法、幅圧下荷重制御方法、および幅圧下荷重予測モデルの生成方法 |
JP7230880B2 (ja) * | 2020-05-18 | 2023-03-01 | Jfeスチール株式会社 | 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 |
JP7033639B2 (ja) * | 2020-12-17 | 2022-03-10 | 株式会社日立製作所 | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム |
JP7420157B2 (ja) * | 2021-03-23 | 2024-01-23 | Jfeスチール株式会社 | 圧延制御装置および圧延制御方法 |
CN118555990A (zh) * | 2022-12-27 | 2024-08-27 | 东芝三菱电机产业系统株式会社 | 轧机的板厚控制装置 |
-
1994
- 1994-10-24 JP JP6257750A patent/JP2763495B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPH08117827A (ja) | 1996-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2763495B2 (ja) | 圧延装置 | |
Jiao et al. | Remaining useful life prediction for a roller in a hot strip mill based on deep recurrent neural networks | |
Zhang et al. | A KPI-based process monitoring and fault detection framework for large-scale processes | |
WO2022116571A1 (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
Mohammadzadeh et al. | Observer-based method for synchronization of uncertain fractional order chaotic systems by the use of a general type-2 fuzzy system | |
Méndez et al. | Hybrid learning for interval type-2 fuzzy logic systems based on orthogonal least-squares and back-propagation methods | |
JP3223856B2 (ja) | 圧延機の制御方法及び圧延機の制御装置 | |
Barrios et al. | Neural, fuzzy and grey-box modelling for entry temperature prediction in a hot strip mill | |
WO2019160138A1 (ja) | 因果推定装置、因果推定方法、及びプログラム | |
JP2804161B2 (ja) | センジマーミルの形状制御方法および装置 | |
John et al. | Hybrid neural–GA model to predict and minimise flatness value of hot rolled strips | |
Li et al. | Modeling and validation of bending force for 6-high tandem cold rolling mill based on machine learning models | |
Zarate et al. | Representation and control of the cold rolling process through artificial neural networks via sensitivity factors | |
Wutsqa et al. | The application of Elman recurrent neural network model for forecasting consumer price index of education, recreation and sports in Yogyakarta | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
JPH07204718A (ja) | 圧延装置 | |
Liu et al. | Fixed-time command-filtered composite adaptive neural fault-tolerant control for strict-feedback nonlinear systems | |
CN115510763A (zh) | 一种基于数据驱动探索的空气污染物浓度预测方法及系统 | |
JPH0538511A (ja) | タンデム圧延機のドラフトスケジユールの決定方法 | |
Kim et al. | Sensitivity analysis on a neural network for analyzing the camber in hot rolling process | |
JP2722906B2 (ja) | 未知数量推定方法およびその装置 | |
Sun et al. | Hybrid Dynamic Continuous Strip Thickness Prediction of Hot Rolling. | |
Zarate et al. | Determination of the thickness control parameters of the rolling process through the sensitivity method, using neural networks | |
Roshchupkina et al. | ANFIS based approach for improved multisensors signal processing | |
Atuwo | Application of artificial neural networks in cold rolling process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080327 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090327 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090327 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100327 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100327 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110327 Year of fee payment: 13 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110327 Year of fee payment: 13 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120327 Year of fee payment: 14 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120327 Year of fee payment: 14 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130327 Year of fee payment: 15 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130327 Year of fee payment: 15 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140327 Year of fee payment: 16 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |