JP2839746B2 - Learning control method in process line - Google Patents
Learning control method in process lineInfo
- Publication number
- JP2839746B2 JP2839746B2 JP14443091A JP14443091A JP2839746B2 JP 2839746 B2 JP2839746 B2 JP 2839746B2 JP 14443091 A JP14443091 A JP 14443091A JP 14443091 A JP14443091 A JP 14443091A JP 2839746 B2 JP2839746 B2 JP 2839746B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- group
- model
- learning
- calculated
- 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 - Fee Related
Links
Landscapes
- Feedback Control In General (AREA)
Description
【０００１】[0001]
【発明の属する技術分野】 本発明は、圧延ライン，冷却
ライン等のプロセスラインにおける学習制御方法に関す
る。 BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a learning control method in a process line such as a rolling line and a cooling line.
【０００２】[0002]
【従来の技術】一般に、圧延ライン，冷却ライン等のプ
ロセスラインにおいては、計算機制御のためのモデルは
理論式あるいは経験式に基づいて構築されているが、プ
ロセスラインでの現象を完全に表現するモデルの構築は
不可能に近いため、前回までにプロセスラインで処理し
たデータに基づいてモデルを修正して制御を行う方法、
即ち、学習制御方法が行われている。2. Description of the Related Art Generally, in a process line such as a rolling line and a cooling line, a model for computer control is constructed based on a theoretical formula or an empirical formula. However, a phenomenon in the process line is completely expressed. Since it is almost impossible to build a model, there are methods to modify and control the model based on data processed in the process line up to the last time,
That is, a learning control method is performed.
【０００３】例えば、圧延ラインにおける圧延荷重の予
測，冷却ラインにおける温度降下量の予測モデルは、そ
の代表的な例である。For example, a model for predicting a rolling load in a rolling line and a model for predicting a temperature drop in a cooling line are typical examples.
【０００４】プロセスラインで計測される実績値とモデ
ルの予測値との偏差（ズレ）は、上述したように、プロ
セスラインでの現象がモデルに完全に表現されいないた
めに生じている。As described above, the deviation (deviation) between the actual value measured in the process line and the predicted value of the model occurs because the phenomenon in the process line is not completely expressed in the model.
【０００５】その理由としては、現象そのものが未解
明であること、現象は解明されているがモデルの表現
が複雑になり過ぎオンラインでの計算に間にあわないた
め簡略化していること、あるいは、モデルの計算に必
要なデータの採取が不完全なこと等が挙げられる。[0005] The reason is that the phenomenon itself has not been elucidated, the phenomenon has been elucidated, but the expression of the model has become so complicated that it cannot be calculated online, and has been simplified. Incomplete collection of data necessary for the calculation.
【０００６】[0006]
【発明が解決しようとする課題】ところで、上述のモデ
ルと現象との不一致は大別すると、設備あるいは環境の
変化によるプロセスラインの時系列的な変動と、プロセ
スラインで処理される材料の種類，処理パターンの違い
に起因するグループ別の変動とがある。By the way, the inconsistency between the above-mentioned model and the phenomenon can be roughly classified into a time-series variation of a process line due to a change in equipment or environment, a type of material processed in the process line, There are group-by-group variations due to differences in processing patterns.
【０００７】しかしながら、従来のプロセスラインにお
ける学習制御では、これら２種類の変動を適切に分離し
て取り込んでいないため、満足な制御結果が得られない
という課題があった。However, the conventional learning control in the process line has a problem that satisfactory control results cannot be obtained because these two types of fluctuations are not properly separated and taken in.
【０００８】本発明は、このような課題を解決しようと
するもので、プロセスラインでの制御に際して、現象と
モデルとのズレを適切に修正し、プロセスラインの処理
を高い制御精度で行えるようにした学習制御方法を提供
することを目的とする。SUMMARY OF THE INVENTION The present invention is intended to solve such a problem. In controlling a process line, a deviation between a phenomenon and a model is appropriately corrected so that the process line can be processed with high control accuracy. It is an object of the present invention to provide a learning control method.
【０００９】[0009]
【課題を解決するための手段】上記目的を達成するため
に、本発明のプロセスラインにおける学習制御方法は、
設定計算用モデルを前回までの実績値に基づいて修正し
ながら、該モデルに基づいてプロセスラインを制御する
ものにおいて、前記プロセスラインで処理する材料の種
類，サイズ，制御目標値，処理パターン等のグループ別
に、実績値と前記モデルにより算出されたモデル計算値
とのズレを学習係数として記憶するテーブルを作成して
おき、今回材料の実績操業データに基づいて、前記モ
デルによる今回材料のモデル計算値Ｙcal を算出し、
該モデル計算値Ｙcal と今回材料の実績値Ｙact との比
で表現されるズレＦ＝Ｙact ／Ｙcal を算出し、該ズ
レＦを前回材料までの実績値とモデル計算値との時系列
的なズレの平滑値Ｆtoで除算した値Ｆg を算出し、今
回材料の属するグループのグループ別学習係数のテーブ
ル値Ｆgoを、前記値Ｆg で平滑化したものを、新たなグ
ループ別学習係数のテーブル値ＦgNとして前記テーブル
に記憶し、前記ズレＦを今回材料の属するグループの
グループ別学習係数のテーブル値Ｆgoで除算した値Ｆt
を算出し、前記平滑値Ｆtoを前記値Ｆt で平滑化した
ものを、新たな時系列学習係数ＦtNとして記憶し、次
回材料の設定計算に際し、前記モデルから算出されるモ
デル計算値を、前記テーブルに記憶された次回材料の属
するグループのグループ別学習係数ＦgNと新たな時系列
学習係数ＦtNとに基づいて修正することを特徴としてい
る。In order to achieve the above object, a learning control method in a process line according to the present invention comprises:
A method for controlling a process line based on the model while correcting the model for setting calculation based on the actual value up to the previous time. For each group, a table is created to store the deviation between the actual value and the model calculated value calculated by the model as a learning coefficient, and based on the actual operation data of the current material, the model calculated value of the current material by the model Calculate Ycal,
The ratio between the calculated model value Ycal and the actual value Yact of the current material
Calculates a deviation F = Yact / Ycal expressed by the following formula, and calculates a value Fg obtained by dividing the deviation F by a smoothed value Fto of a time-series deviation between the actual value up to the previous material and the model calculation value. the table values Fgo by group learning coefficient group including, those blunted with the value Fg, new grayed
A value Ft obtained by storing in the table the table value FgN of the learning coefficient for each loop and dividing the deviation F by the table value Fgo of the learning coefficient for each group of the group to which the material belongs.
The smoothed value Fto is smoothed by the value Ft, and stored as a new time-series learning coefficient FtN . At the next material setting calculation, the model calculation value calculated from the model is stored in the table. Is modified based on the group-based learning coefficient FgN of the group to which the next material belongs and the new time-series learning coefficient FtN .
【００１０】上述した本発明のプロセスラインにおける
学習制御方法では、設定計算用モデルを前回までの実績
値に基づいて修正しながらプロセスラインを制御する学
習制御を行うに際し、今回材料の実績操業データからモ
デルを用いて算出されたモデル計算値Ｙcal と今回材料
の実績値Ｙact との比で表現されるズレＦが算出され、
次いでこのズレＦを前回材料までの実績値とモデル計算
値との時系列的なズレの平滑値Ｆtoで除算した値Ｆg が
算出される。In the learning control method for the process line according to the present invention described above, when performing the learning control for controlling the process line while correcting the setting calculation model based on the actual value up to the previous time, the actual operation data of the current material is used. The deviation F expressed by the ratio between the model calculated value Ycal calculated using the model and the actual value Yact of the current material is calculated,
Next, a value Fg is calculated by dividing the deviation F by the smoothed value Fto of the time-series deviation between the actual value up to the previous material and the model calculation value.
【００１１】この値Ｆg は、プロセスラインで処理する
材料の種類，サイズ，制御目標値，処理パターン等のグ
ループの違いによる変動に起因するモデルと現象とのズ
レになり、この値Ｆg により今回材料の属するグループ
のグループ別学習係数のテーブル値Ｆgoを平滑化し、そ
の結果が、新たなグループ別学習係数のテーブル値ＦgN
として記憶される。This value Fg is a deviation between the model and the phenomenon caused by the variation due to the difference in the group of the type, size, control target value, processing pattern, etc. of the material to be processed in the process line. The table value Fgo of the learning coefficient for each group of the group to which the group belongs belongs to the smoothing of the table value FgN of the learning coefficient for each new group.
Is stored as
【００１２】一方、ズレＦを今回材料の属するグループ
のグループ別学習係数のテーブル値Ｆgoで除算した値Ｆ
t が算出される。この値Ｆt は、時系列的な変動による
ズレであり、この値Ｆt により平滑値Ｆtoを平滑化し、
その結果が、新たな時系列学習係数ＦtNとしてテーブル
に記憶される。On the other hand, a value F obtained by dividing the deviation F by a table value Fgo of the learning coefficient for each group of the group to which the material belongs this time.
t is calculated. This value Ft is a deviation due to time-series fluctuation, and the smoothed value Fto is smoothed by this value Ft.
The result is stored in the table as a new time series learning coefficient FtN .
【００１３】そして、次回材料の設定計算に際し、モデ
ルから算出される予測値（次回材料に対するモデル計算
値）が、次回材料の属するグループのグループ別学習係
数ＦgNと時系列学習係数ＦtNとにより修正され、現象と
モデルとのズレが適切に修正されることになる。[0013] Then, upon setting next calculation of materials, model predictive value calculated from (Model calcd for next material), modified by the group-based learning coefficient group of the next material FgN and the chronological learning coefficient FtN Therefore, the deviation between the phenomenon and the model is appropriately corrected.
【００１４】[0014]
【発明の実施の形態】 以下、図面を参照しながら、本発
明をホットストリップミル仕上げ圧延ライン（プロセス
ライン）での圧延荷重予測に適用した場合について説明
する。ホットストリップミル仕上げ圧延ラインでは、板
厚制御を行うために、各スタンドでの圧延荷重を予測
し、この予測圧延荷重に応じたミル伸びを考慮して各ス
タンドの圧下位置が設定される。 DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, a case where the present invention is applied to rolling load prediction in a hot strip mill finish rolling line (process line) will be described with reference to the drawings. In the hot strip mill finish rolling line, the rolling load at each stand is predicted in order to control the thickness, and the rolling position of each stand is set in consideration of the mill elongation according to the predicted rolling load.
【００１５】図２は本発明の方法を適用したホットスト
リップミル仕上げ圧延ラインにおける板厚制御の全体的
な流れを説明するためのフローチャートであり、この全
体的な流れは、従来から行われる周知のものであるの
で、詳細な説明は省略するが、基本的には、設定計算を
行うステップＢ１〜Ｂ４の流れと、これに並行して行わ
れるステップＣ１〜Ｃ３の学習計算の流れとがある。FIG. 2 is a flowchart for explaining the overall flow of thickness control in a hot strip mill finish rolling line to which the method of the present invention is applied. since those a detailed description is omitted, basically, there are a flow of steps B1~B4 to set calculations, the flow of the learning calculation in step C1～C 3 performed in parallel thereto .
【００１６】設定計算では、まず、次回圧延材の指令情
報の読み込み後（ステップＢ１）、各スタンド出側の板
厚を決定し（ステップＢ２）、この出側板厚に対応した
圧下条件から設定計算用モデルを用いて次回圧延材の各
スタンドでの圧延荷重Ｐ 0 calを計算し、かつこの圧延荷
重Ｐ 0 calに今回圧延材について実行された学習計算での
学習結果に基づく修正を行って設定計算用圧延荷重（学
習結果が反映された次回圧延材の予測圧延荷重）Ｐset
を計算し（ステップＢ３）、ゲージメータ式を用いて各
スタンドのロール間隙（圧下位置）を設定している（ス
テップＢ４）。In the setting calculation, first, after reading the command information of the next rolled material (step B1), the thickness of the sheet on the exit side of each stand is determined (step B2), and the setting calculation is performed from the rolling conditions corresponding to the sheet thickness on the exit side. calculate the rolling load P 0 cal at each stand next rolled material with use model, and the rolling load
Weight P 0 cal in the learning calculation performed this time for the rolled material
After making corrections based on the learning results, the rolling
Predicted rolling load of the next rolled material reflecting the learning results) Pset
Is calculated (step B3), and the roll gap (roll-down position) of each stand is set using a gauge meter formula (step B4).
【００１７】一方、学習計算では、今回圧延材の実績デ
ータの読み込み後（ステップＣ１）、その実績データを
用いて、設定計算と同じモデル（設定計算用モデル）で
圧延荷重Ｐcal を算出し（ステップＣ２）、実績圧延荷
重Ｐact とモデル計算による圧延荷重Ｐcal とのズレを
学習し（ステップＣ３）、その学習結果をステップＢ３
での次回圧延材の予測圧延荷重の計算に反映している。On the other hand, in the learning calculation, after reading the actual data of the rolled material this time (step C1), the rolling load Pcal is calculated using the same model as the setting calculation (setting calculation model) using the actual data (step C1). C2), learning the deviation of the rolling force Pcal by actual rolling force Pact and model calculations (step C3), the step B3 and the learning result
In the calculation of the predicted rolling load of the next rolled material.
【００１８】次に、本発明の一実施例としての学習制御
方法について、図１に従って説明する。ここで、図１
は、図２のステップＣ３，Ｂ３の手順を詳細に示したも
のである。Next, a learning control method according to an embodiment of the present invention will be described with reference to FIG. Here, FIG.
3 shows the details of the procedure of steps C3 and B3 in FIG.
【００１９】図１は本発明の一実施例としての学習制御
方法を詳細に説明するためのフローチャートであり、本
実施例では、圧延される材料を鋼種別に２００種類、成
品板厚別に１６種類のグループに区分した。また、圧延
荷重モデル（設定計算用モデル）は公知のものであり、
下式（１）で表される。FIG. 1 is a flow chart for explaining in detail a learning control method according to one embodiment of the present invention. In this embodiment, 200 types of materials to be rolled are classified by steel type, and 16 types are classified by product thickness. Into groups. In addition, the rolling load model (setting calculation model) is known,
It is represented by the following equation (1).
【００２０】 Ｐcal ＝σ・Ｂ・ｌｄ・Ｑp ………（１） ここで、σは圧延材の変形抵抗、Ｂは板幅、ｌｄは接触
弧長、Ｑp は圧下力関数である。Pcal = σ · B · ld · Qp (1) where σ is the deformation resistance of the rolled material, B is the plate width, ld is the contact arc length, and Qp is the rolling force function.
【００２１】今回圧延材の実績データを用いて、（１）
式により各スタンドの計算圧延荷重Ｐcal(＝Ｙcal)を算
出し（ステップＡ１）、各スタンドに付設されたロード
セルにて検出された今回圧延材の実績圧延荷重Ｐact(＝
Ｙact)に基づいて、各スタンド毎に、図１のフローに従
い下記（２）〜（６）式を用いて、新しいグループ別学
習係数ＦgNと時系列学習係数ＦtNとを算出し、今回圧延
材の属するグループのグループ別学習係数のテーブル値
ならびに時系列学習係数をその新しい値に書き換える。Using the actual data of the rolled material this time, (1)
The calculated rolling load Pcal (= Ycal) of each stand is calculated by the formula (Step A1), and the actual rolling load Pact (=) of the current rolling material detected by the load cell attached to each stand.
Yact), a new group-based learning coefficient FgN and a time-series learning coefficient FtN are calculated for each stand using the following equations (2) to (6) according to the flow of FIG. The table value of the learning coefficient for each group and the time series learning coefficient of the group to which the group belongs are rewritten to the new values.
【００２２】つまり、本実施例による制御においては、
これまでの実績値に基づいて設定計算用のモデルを修正
するに当たり、ラインで処理する圧延材（材料）の種
類，サイズ等のグループ別に実績値とモデルから算出す
る値とのズレを記憶するテーブルを予め作成しておく。
ここでは、ズレが比の形で表現される。That is, in the control according to the present embodiment,
A table for storing the deviation between the actual value and the value calculated from the model for each group of the type and size of the rolled material (material) to be processed in the line when modifying the model for setting calculation based on the actual value so far. Is created in advance.
Here, Ru is expressed in the form of deviation ratio.
【００２３】まず、今回圧延材の実績操業データを用い
て（１）式により算出された計算圧延荷重（モデル計算
値）ＰcaL と、実績圧延荷重（実績値）Ｐact との比Ｆ
を、次式（２）の通りズレとして算出する（ステップＡ
２）。First, the ratio F of the calculated rolling load (model calculated value) PcaL calculated by equation (1) using the actual operation data of the rolled material this time and the actual rolling load (actual value) Pact
Is calculated as a deviation according to the following equation (2) (step A).
2).
【００２４】 Ｆ＝Ｐact ／Ｐcal （＝Ｙact ／Ｙcal ） ………（２） この比Ｆには、圧延ラインの時系列的な変動と、圧延ラ
インで処理される圧延材の種類等の違いによる変動との
両者に起因するモデルと現象とのズレが包含されてい
る。F = Pact / Pcal (= Yact / Ycal) (2) The ratio F depends on the time-series variation of the rolling line and the difference in the type of rolled material processed in the rolling line. The deviation between the model and the phenomenon caused by both the fluctuation and the fluctuation is included.
【００２５】次に、下式（３）に示すように、前回圧延
材までの実績値とモデル計算値との時系列的なズレの平
滑値Ｆtoで除算した値Ｆg を算出する（ステップＡ
３）。Next, as shown in the following equation (3), a value Fg obtained by dividing by a smoothed value Fto of a time series deviation between the actual value up to the previous rolled material and the model calculated value is calculated (step A).
3).
【００２６】 Ｆg ＝Ｆ／Ｆto ………（３） ここで、平滑値Ｆtoは、後述するように、圧延ラインの
時系列的な変動によるモデルと現象とのズレを表すもの
であり、従って、この値Ｆg は、圧延ラインで処理する
圧延材の種類等のグループの違いによる変動に起因する
モデルと現象とのズレになる。Fg = F / Fto (3) Here, as described later, the smoothed value Fto represents a deviation between a model and a phenomenon due to a time-series variation of a rolling line. This value Fg is a deviation between the model and the phenomenon caused by the variation due to the difference in the group such as the type of the rolled material processed in the rolling line.
【００２７】下式（４）により、このズレＦg で今回圧
延材の属するグループのグループ別学習係数のテーブル
値Ｆgoを平滑化し、新たなテーブル値としてテーブルに
記憶する（ステップＡ４）。According to the following equation (4), the table value Fgo of the learning coefficient for each group of the group to which the rolled material belongs this time is smoothed by the deviation Fg, and stored in the table as a new table value (step A4).
【００２８】 ＦgN＝αＦg ＋（１−α）Ｆgo ………（４） この（４）式中、αは平滑化係数で０＜α＜１であり、
テーブル値Ｆgoはこれまでの学習係数、ＦgNはテーブル
に記憶される新たなグループ別学習係数である。FgN = αFg + (1−α) Fgo (4) In the equation (4), α is a smoothing coefficient and 0 <α <1;
The table value Fgo is the learning coefficient thus far, and FgN is the new group-based learning coefficient stored in the table.
【００２９】さらに、下式（５）に示すように、ズレＦ
を今回圧延材の属するグループのグループ別学習係数の
テーブル値Ｆgoで除算した値Ｆt を算出する（ステップ
Ａ５）。Further, as shown in the following equation (5), the deviation F
Is divided by the table value Fgo of the learning coefficient for each group of the group to which the rolled material belongs this time to calculate a value Ft (step A5).
【００３０】 Ｆt ＝Ｆ／Ｆgo ………（５） ここで、値Ｆt は、今回圧延材のモデルと現象とのズレ
から、圧延ラインで処理する圧延材の種類等のグループ
の違いによる変動に起因するズレを除去したもの、即
ち、時系列的な変動によるズレを表すものとなる。Ft = F / Fgo (5) Here, the value Ft is determined by the difference between the model of the rolled material and the phenomenon, and the variation due to the difference in the group of the type of rolled material processed in the rolling line. The deviation caused by the deviation is removed, that is, the deviation due to time-series fluctuation is represented.
【００３１】そして、下式（６）に示すように、前回圧
延材までの実績値とモデル計算値との時系列的なズレの
平滑値Ｆtoを、（５）式によるズレＦt で平滑化し、新
たな時系列学習係数として記憶する（ステップＡ６）。Then, as shown in the following equation (6), the smoothed value Fto of the time-series deviation between the actual value up to the previous rolled material and the model calculation value is smoothed by the deviation Ft according to the equation (5). It is stored as a new time series learning coefficient (step A6).
【００３２】 ＦtN＝βＦt ＋（１−β）Ｆto ………（６） この（６）式中、βは平滑化係数で０＜β＜１であり、
Ｆtoはこれまでの学習係数、ＦtNは新たな時系列学習係
数である。FtN = βFt + (1−β) Fto (6) In the equation (6), β is a smoothing coefficient and 0 <β <1;
Fto is a conventional learning coefficient, and FtN is a new time-series learning coefficient.
【００３３】次回圧延材の設定計算に際しては、次回圧
延材の圧延指令情報から（１）式を用いて各スタンドの
圧延荷重Ｐ 0 calを計算するとともに、新しいグループ別
学習係数ＦgNと時系列学習係数ＦtNとを用いて、下式
（７）にて予測圧延荷重（設定計算用圧延荷重）Ｐset
を演算する（ステップＡ７）。At the time of calculating the setting of the next rolled material, the rolling load P 0 cal of each stand is calculated from the rolling command information of the next rolled material using the equation (1), and a new group-based learning coefficient FgN and time series learning are calculated. Using the coefficient FtN, the predicted rolling load (rolling load for setting calculation) Pset by the following equation (7)
Is calculated (step A7).
【００３４】 Ｐset ＝ＦtN・ＦgN・Ｐ 0 cal ………（７） ここで、Ｐset はモデル計算値Ｐ 0 calを新しいグループ
別学習係数ＦgNと時系列学習係数ＦtNとにより修正した
ものである。Pset = FtN · FgN · P 0 cal (7) Here, P set is obtained by correcting the model calculation value P 0 cal with a new group-based learning coefficient FgN and a time-series learning coefficient FtN.
【００３５】上述のように算出された予測圧延荷重（設
定計算用圧延荷重）Ｐset に基づいて、各スタンドでの
圧下位置Ｓが、ステップＢ４において決定される。この
圧下位置Ｓは、公知の次式（８）から求めることができ
る。The rolling position S at each stand is determined in step B4 based on the predicted rolling load (rolling load for setting calculation) Pset calculated as described above. The rolling position S can be obtained from the following equation (8).
【００３６】 Ｓ＝ｈ−Ｐset ／Ｍ＋Ｓo ………（８） ここで、Ｓは圧下位置、ｈは各スタンドの出側板厚、Ｍ
はミル定数、Ｓo はロール摩耗，ロールの熱膨張等によ
るオフセットである。S = h−Pset / M + So (8) where, S is the rolling position, h is the exit side plate thickness of each stand, M
Is the mill constant, and So is the offset due to roll wear, thermal expansion of the roll, and the like.
【００３７】なお、本実施例においては、（７）式にお
けるグループ別学習係数ＦgNの使用に際しては、次回圧
延材が属する成品板厚別グループと隣接する成品板厚別
グループの代表板厚を用いて、両グループのグループ別
学習係数ＦgNを次回圧延材の成品板厚に応じて次式
（９）で補間した。In this embodiment, when the learning coefficient FgN for each group in the equation (7) is used, the representative sheet thickness of the group of the product sheet thickness to which the next rolled material belongs and the adjacent group of the product sheet thickness to the next group are used. The learning coefficient FgN for each group of both groups was interpolated by the following equation (9) according to the product thickness of the next rolled material.
【００３８】[0038]
【数１】 (Equation 1)
【００３９】ここで、Ｈf は次回圧延材の成品板厚（Ｈ
fj≦Ｈf ＜Ｈfj+1）、Ｈfjは次回圧延材が属する成品板
厚別グループの代表板厚、Ｈfj+1は次回圧延材が属する
成品板厚別グループと隣接するグループの代表板厚、Ｆ
gNj は次回圧延材が属する成品板厚別グループのグルー
プ別学習係数、ＦgNj+1 は次回圧延材が属する成品板厚
別グループと隣接するグループのグループ別学習係数で
ある。Here, Hf is the product thickness (H) of the next rolled material.
fj ≦ Hf <Hfj + 1), where Hfj is the representative sheet thickness of the group by product thickness to which the next rolled material belongs, Hfj + 1 is the representative sheet thickness of the group next to the product sheet thickness group to which the next rolled material belongs, and F
gNj is the learning coefficient for each group of the product thickness group to which the next rolled material belongs, and FgNj + 1 is the learning coefficient for each group of the group adjacent to the product thickness group to which the next rolling material belongs.
【００４０】なお、Ｈf ＜Ｈfjの場合には、ｊ＋１グル
ープの代わりにｊ−１グループのＨfj-1，ＦgNj-1 を用
いて（９）式で補間した。In the case of Hf <Hfj, interpolation was performed by the equation (9) using Hfj-1 and FgNj-1 of the j-1 group instead of the j + 1 group.
【００４１】図３は本実施例による学習制御を適用した
予測圧延荷重即ち設定計算用圧延荷重と実績荷重との比
較を示すグラフで、この図３は６号スタンドの例を示す
が、図３に示す通り、予測値が実績値とよく一致してい
ることは明確である。FIG. 3 shows a case where the learning control according to the present embodiment is applied.
The ratio of the predicted rolling load, that is, the rolling load for setting calculation, to the actual load
FIG. 3 is a graph showing the comparison, and FIG. 3 shows an example of the No. 6 stand. As shown in FIG. 3, it is clear that the predicted value is in good agreement with the actual value.
【００４２】また、図４は本実施例における最終スタン
ド出側での圧延材先端部の板厚的中精度を示すグラフ
で、圧延材先端部の実績板厚は目標板厚に対して±５０
μm 以内に制御されており、本実施例による圧延荷重の
学習方法が優れていることが分かる。FIG. 4 is a graph showing the intermediate accuracy of the thickness of the leading end of the rolled material on the exit side of the final stand in this embodiment.
It can be seen that the rolling load learning method according to the present embodiment is excellent.
【００４３】このように、本実施例のプロセスラインに
おける学習制御方法によれば、圧延ラインにおける圧延
荷重を精度良く推定することができ、圧延材の板厚制御
を著しく向上させることができる。As described above, according to the learning control method in the process line of the present embodiment, the rolling load in the rolling line can be accurately estimated, and the thickness control of the rolled material can be significantly improved.
【００４４】なお、上記実施例では、圧延ラインにおけ
る圧延荷重の学習制御方法について説明したが、本発明
の方法は、圧延ラインにおける各スタンドでのパススケ
ジュール板厚，温度降下量の学習，冷却ラインにおける
温度降下量の学習等，プロセスラインにおける種々の学
習制御に適用され、上記実施例と同様の作用効果が得ら
れる。In the above embodiment, the learning control method of the rolling load in the rolling line has been described. However, the method of the present invention is applied to the learning of the pass schedule plate thickness and the temperature drop amount at each stand in the rolling line, and the cooling line. This is applied to various kinds of learning control in the process line, such as learning of the amount of temperature drop in, and the same operation and effect as in the above embodiment can be obtained.
【００４５】[0045]
【発明の効果】以上詳述したように、本発明のプロセス
ラインにおける学習制御方法によれば、観測されるモデ
ルと現象とのズレを時系列的な変動とグループの違いに
よる変動とに分離して学習し、学習係数の書き換えを行
い設定計算に反映させることにより、プロセスラインで
の制御に際し、現象とモデルとのズレが適切に修正さ
れ、プロセスラインの処理を極めて高い制御精度で行え
る効果がある。As described above in detail, according to the learning control method in the process line of the present invention, the deviation between the observed model and the phenomenon is separated into the time-series fluctuation and the fluctuation due to the difference between groups. By learning and rewriting the learning coefficient and reflecting it in the setting calculation, the deviation between the phenomenon and the model can be properly corrected during the control in the process line, and the effect that the processing of the process line can be performed with extremely high control accuracy can be achieved. is there.
【図１】本発明の一実施例としてのプロセスラインにお
ける学習制御方法を説明するためのフローチャートであ
る。FIG. 1 is a flowchart illustrating a learning control method in a process line according to an embodiment of the present invention.
【図２】本発明の方法を適用された本実施例のホットス
トリップミル仕上げ圧延ラインにおける板厚制御の全体
的な流れを説明するためのフローチャートである。FIG. 2 is a flowchart for explaining an overall flow of thickness control in a hot strip mill finish rolling line of the present embodiment to which the method of the present invention is applied.
【図３】本実施例による学習制御の結果得られた設定計
算用圧延荷重と実績荷重との比較を示すグラフである。FIG. 3 is a setting meter obtained as a result of learning control according to the embodiment.
Arabic is a graph showing a comparison of the rolling load weight and actual load.
【図４】本実施例における最終スタンド出側での圧延材
先端部の板厚的中精度を示すグラフである。FIG. 4 is a graph showing the medium thickness accuracy of the leading end of the rolled material on the exit side of the final stand in the present embodiment.
フロントページの続き (72)発明者 長谷川 裕之 兵庫県加古川市平岡町二俣1007 (56)参考文献 特開 昭51−31661（ＪＰ，Ａ) 特開 昭60−162514（ＪＰ，Ａ) 実公 昭52−27355（ＪＰ，Ｙ１) (58)調査した分野(Int.Cl.6，ＤＢ名) G05B 13/00 - 13/04 B21B 37/00 ＪＩＣＳＴファイル（ＪＯＩＳ)Continuation of the front page (72) Inventor Hiroyuki Hasegawa 1007 Futamata, Hiraoka-cho, Kakogawa-shi, Hyogo (56) References JP-A-51-31661 (JP, A) JP-A-60-162514 (JP, A) JINKO Sho52 -27355 (JP, Y1) (58) Fields investigated (Int. Cl. 6 , DB name) G05B 13/00-13/04 B21B 37/00 JICST file (JOIS)
Claims (1)
基づいて修正しながら、該モデルに基づいてプロセスラ
インを制御する学習制御方法において、 前記プロセスラインで処理する材料の種類，サイズ，制
御目標値，処理パターン等のグループ別に、実績値と前
記モデルにより算出されたモデル計算値とのズレを学習
係数として記憶するテーブルを作成しておき、 今回材料の実績操業データに基づいて、前記モデルによ
る今回材料のモデル計算値Ｙcal を算出し、 該モデル計算値Ｙcal と今回材料の実績値Ｙact との比
で表現されるズレＦ＝Ｙact ／Ｙcal を算出し、 該ズレＦを前回材料までの実績値とモデル計算値との時
系列的なズレの平滑値Ｆtoで除算した値Ｆg を算出し、 今回材料の属するグループのグループ別学習係数のテー
ブル値Ｆgoを、前記値Ｆg で平滑化したものを、新たな
グループ別学習係数のテーブル値ＦgNとして前記テーブ
ルに記憶し、 前記ズレＦを今回材料の属するグループのグループ別学
習係数のテーブル値Ｆgoで除算した値Ｆt を算出し、 前記平滑値Ｆtoを前記値Ｆt で平滑化したものを、新た
な時系列学習係数ＦtNとして記憶し、 次回材料の設定計算に際し、前記モデルから算出される
モデル計算値を、前記テーブルに記憶された次回材料の
属するグループのグループ別学習係数ＦgNと新たな時系
列学習係数ＦtNとに基づいて修正することを特徴とする
プロセスラインにおける学習制御方法。1. A learning control method for controlling a process line based on a model for setting calculation based on an actual value obtained up to the previous time and controlling a process line based on the model. For each group of target values, processing patterns, etc., a table is created in which the difference between the actual value and the model calculated value calculated by the model is stored as a learning coefficient, and based on the actual operation data of the material, Calculates the model calculation value Ycal of the current material according to the formula, and calculates the ratio between the model calculation value Ycal and the actual value Yact of the current material.
Calculates a deviation F = Yact / Ycal expressed by the following formula, and calculates a value Fg obtained by dividing the deviation F by a time-series smoothed value Fto of the actual value up to the previous material and the model calculation value. A table value Fgo of the learning coefficient for each group of the group to which the
A table value FgN of the learning coefficient for each group is stored in the table , and a value Ft is calculated by dividing the deviation F by a table value Fgo of the learning coefficient for each group of the group to which the present material belongs. The smoothed value Fto is calculated as the value Ft. Is stored as a new time-series learning coefficient FtN. At the time of the next material setting calculation, the model calculation value calculated from the model is stored in the table according to the group of the group to which the next material belongs. A learning control method in a process line, wherein correction is performed based on a learning coefficient FgN and a new time-series learning coefficient FtN .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14443091A JP2839746B2 (en) | 1991-06-17 | 1991-06-17 | Learning control method in process line |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14443091A JP2839746B2 (en) | 1991-06-17 | 1991-06-17 | Learning control method in process line |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04367901A JPH04367901A (en) | 1992-12-21 |
| JP2839746B2 true JP2839746B2 (en) | 1998-12-16 |
Family
ID=15362016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP14443091A Expired - Fee Related JP2839746B2 (en) | 1991-06-17 | 1991-06-17 | Learning control method in process line |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2839746B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015122010A1 (en) * | 2014-02-17 | 2015-08-20 | 東芝三菱電機産業システム株式会社 | Rolling process learning control device |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3199975B2 (en) * | 1995-03-13 | 2001-08-20 | 三菱電機株式会社 | Diagnostic equipment for cooling equipment in hot rolling equipment |
| JP3315371B2 (en) * | 1998-09-08 | 2002-08-19 | 株式会社東芝 | Rolling model learning device |
| JP4280351B2 (en) * | 1999-03-10 | 2009-06-17 | 東芝三菱電機産業システム株式会社 | Rolling control model learning device |
| JP4179709B2 (en) * | 1999-07-15 | 2008-11-12 | 東芝三菱電機産業システム株式会社 | Learning control device for reverse rolling mill |
| JP4119684B2 (en) * | 2002-05-27 | 2008-07-16 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling mill setting calculation device |
| JP4155174B2 (en) * | 2003-11-25 | 2008-09-24 | 住友金属工業株式会社 | Table value generation apparatus and method for correcting prediction error in mathematical model |
| US7809459B2 (en) | 2007-12-31 | 2010-10-05 | Hitachi Global Technologies Netherlands B.V. | Advanced-process-control system utilizing a lambda tuner |
| JP2009233716A (en) * | 2008-03-27 | 2009-10-15 | Kobe Steel Ltd | Method of cooling rolled stock |
| WO2011027451A1 (en) * | 2009-09-03 | 2011-03-10 | 東芝三菱電機産業システム株式会社 | Setting calculation learning device and method for learning setting calculation |
| JP5846303B2 (en) * | 2012-05-16 | 2016-01-20 | 東芝三菱電機産業システム株式会社 | Learning apparatus and learning method for setting calculation system |
| JP6922675B2 (en) * | 2017-11-09 | 2021-08-18 | 日本製鉄株式会社 | Manufacturing process state predictors, methods and programs, and manufacturing process control systems |
| CN117320822A (en) * | 2022-04-20 | 2023-12-29 | 东芝三菱电机产业系统株式会社 | Board convexity control device |
-
1991
- 1991-06-17 JP JP14443091A patent/JP2839746B2/en not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015122010A1 (en) * | 2014-02-17 | 2015-08-20 | 東芝三菱電機産業システム株式会社 | Rolling process learning control device |
| KR20160122208A (en) | 2014-02-17 | 2016-10-21 | 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 | Rolling process learning control device |
| JPWO2015122010A1 (en) * | 2014-02-17 | 2017-03-30 | 東芝三菱電機産業システム株式会社 | Learning control device for rolling process |
| US10124381B2 (en) | 2014-02-17 | 2018-11-13 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Rolling process learning control device |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04367901A (en) | 1992-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2839746B2 (en) | Learning control method in process line | |
| JPH10192929A (en) | Method and device for control of rolling mill | |
| JPH0626723B2 (en) | Plate shape control method | |
| JP3300208B2 (en) | Learning control method in process line | |
| JP4696775B2 (en) | Plate width control method and apparatus | |
| JP2005118840A (en) | Plate shape control method in cold rolling | |
| JP2829697B2 (en) | Plate rolling method | |
| US7444847B2 (en) | Method for increasing the process stability, particularly the absolute thickness precision and the installation safety during the hot rolling of steel or nonferrous materials | |
| JP4208509B2 (en) | Model learning device for rolling process | |
| JP2007283353A (en) | Method of rolling metal sheet | |
| JPH07102380B2 (en) | Shape control method of rolled material in multi-high rolling mill | |
| JP4227686B2 (en) | Edge drop control method during cold rolling | |
| JPH07265927A (en) | Method for correcting predictive model for plate crown | |
| JP2002028708A (en) | Method of manufacturing for steel sheet and thick plate and device for manufacturing thick plate | |
| JPH06277728A (en) | Method for controlling and setting plate crown | |
| JPH059166B2 (en) | ||
| JP3271700B2 (en) | Manufacturing method of mold steel | |
| JP4213433B2 (en) | Edge drop control device for rolling mill | |
| JP2677965B2 (en) | Shape control method for rolled material in rolling mill | |
| JP2000126809A (en) | Set up device of rolling mill | |
| JP3397967B2 (en) | Rolling method for section steel | |
| JPH0413413A (en) | Method for controlling strip thickness at passing time on hot continuous rolling mill | |
| JP2661497B2 (en) | Strip crown control device and strip crown control method during hot rolling | |
| KR100929013B1 (en) | Roll gap setting method of rolling mill by automatic prediction of mill constant and gauge meter error | |
| JPS6325845B2 (en) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19981006 |
|
| LAPS | Cancellation because of no payment of annual fees |