JP4208509B2

JP4208509B2 - Model learning device for rolling process

Info

Publication number: JP4208509B2
Application number: JP2002209374A
Authority: JP
Inventors: 塚知幸手; 野昌史告
Original assignee: Toshiba Mitsubishi Electric Industrial Systems Corp
Current assignee: Toshiba Mitsubishi Electric Industrial Systems Corp
Priority date: 2002-07-18
Filing date: 2002-07-18
Publication date: 2009-01-14
Anticipated expiration: 2022-07-18
Also published as: JP2004050211A

Description

【０００１】
【発明の属する技術分野】
本発明は、金属等を圧延する圧延プロセスの制御、特に圧延プロセスを表現したモデルのパラメータを修正するのに好適な、圧延プロセスのモデル学習装置に関する。
【０００２】
【従来の技術】
圧延プロセスの制御においては、通常、圧延プロセスの挙動を表現したモデルを作成し、それに対して制御系を構築して制御を実施する。そのため、圧延プロセスの制御精度は、作成されたモデルがいかに精度良く圧延プロセスを表現しているか、ということにかかっていると言える。そこで、実際の圧延プロセスの実績値とモデルによる予測値との間のギャップすなわちずれを補うため、モデルの学習（適応制御）を行い、モデルの精度向上を図っている。
【０００３】
圧延プロセスでは、設定計算でモデルに基づいて次材に対するアクチュエータの初期値を演算し設定している。そのため、圧延材の先端部における制御精度はモデルの精度によるところが大きくなる。従来、先端部の制御精度を向上させてオフゲージ長の短縮を狙った学習方法として、特開平６−１５３１８号公報に記載された方法が知られている。この方法は、学習項目別に低速の圧延状態における同一点データと高速の圧延状態における同一点データを用いて学習することを特徴としている。
【０００４】
【発明が解決しようとする課題】
特開平６−１５３１８号公報の方法では、圧延材の先端部が低速の圧延状態にあることから、低速の圧延状態における同一点データを用いて学習を行い、圧延材の先端部の制御精度の向上を図ろうとしている。しかし、圧延材の先端部ではデータがばらつくことが多く、その結果、学習が安定しないばかりでなく、むしろ制御精度の悪化を招くことさえあり得る。
【０００５】
本発明は上記の問題を解決するためになされたもので、モデルを用いて圧延プロセスを制御する場合において、安定して精度良くモデル誤差を修正できる、圧延プロセスのモデル学習装置を提供することを目的とする。
【０００６】
【課題を解決するための手段】
請求項１に係る発明は、圧延プロセスを表現したモデルを用いて圧延プロセスを制御するモデルのパラメータを修正する、圧延プロセスのモデル学習装置において、予め優先度を設定した圧延プロセスのデータを収集する複数回のタイミングを決定するデータ収集タイミング決定手段と、このデータ収集タイミング決定手段で決定されたタイミングに従って圧延プロセスのデータを収集するデータ収集手段と、このデータ収集手段で収集されたデータと優先度を記憶するデータ記憶手段と、このデータ記憶手段に記憶されたデータのうち優先度の高いデータに基づいて、モデルを表す式に含まれる学習用のパラメータを修正するモデル修正手段と、データ記憶手段に記憶されたデータのうち優先度の低いデータに基づいて、修正されたモデルを表す式に含まれる補正項を補正するモデル補正手段とを備えたことを特徴とする。この発明によれば、安定したデータを用いてモデルを修正し、さらに目的とする部分でのデータにより補正を行うため、高精度にモデルの学習を行うことができる。
【０００７】
請求項２に係る発明は、圧延プロセスを表現したモデルを用いて圧延プロセスを制御するモデルのパラメータを修正する、圧延プロセスのモデル学習装置において、圧延プロセスのデータを収集する複数回のタイミングを決定するデータ収集タイミング決定手段と、このデータ収集タイミング決定手段で決定されたタイミングに従って圧延プロセスのデータを収集するデータ収集手段と、このデータ収集手段で収集されたデータを記憶するデータ記憶手段と、このデータ記憶手段に記憶されたデータからデータの優先度を決定するデータ優先度決定手段と、このデータ記憶手段に記憶されたデータのうちデータ優先度決定手段で決定された優先度の高いデータに基づいて、モデルを表す式に含まれる学習用のパラメータを修正するモデル修正手段と、データ記憶手段に記憶されたデータのうちデータ優先度決定手段で決定された優先度の低いデータに基づいて、修正されたモデルを表す式に含まれる補正項を補正するモデル補正手段とを備えたことを特徴とする。この発明によれば、安定したデータによってモデルを修正し、さらに目的とする部分でのデータにより補正を行うことにより、高精度にモデルの学習を行うことができる。
【０００８】
請求項３に係る発明は、請求項２に記載のモデル学習装置において、データ優先度決定手段は、データ優先度を圧延速度の状態から決定することを特徴とする。この発明によれば、圧延プロセスにおいては圧延速度が重要となることがあり、圧延速度により優先度を決定することにより、モデルの精度向上を図ることができる。
【０００９】
請求項４に係る発明は、請求項１ないし３のいずれか１項に記載のモデル学習装置において、モデル修正手段は、優先度の高いデータを予め設定された回数だけ収集するごとにモデルを表す式に含まれる学習用のパラメータを修正することを特徴とする。このように同じタイミングで収集された複数のデータを用いて学習することにより、より安定した学習を行うことができる。
【００１０】
請求項５に係る発明は、請求項１ないし４のいずれか１項に記載のモデル学習装置において、モデル修正手段は、圧延材の種類で層別化してモデルを表す式に含まれる学習用のパラメータを修正することを特徴とする。層別化してモデルを学習することにより、層別化された各クラスでより高精度な学習を実施することができる。
【００１１】
請求項項６に係る発明は、請求項１ないし５のいずれか１項に記載のモデル学習装置において、モデル補正手段は、優先度に従って修正されたモデルを表す式に含まれる補正項についての補正頻度を変更することを特徴とする。これにより、モデルの学習を安定させつつ精度の高い学習を実施することができる。
【００１２】
請求項７に係る発明は、請求項１ないし６のいずれか１項に記栽のモデル学習装置において、データ収集タイミング決定手段は、圧延速度の状態から収集タイミングを決定することを特徴とする。圧延速度で収集タイミングを決定することにより、あらゆる速度領域でデータ収集を実施することができ、圧延プロセスの制御精度向上につなげることができる。
【００１３】
請求項８に係る発明は、請求項１ないし６のいずれか１項に記哉のモデル学習装置において、データ収集タイミング決定手段は、一本の圧延材に対しデータ収集タイミングを２回とし、収集タイミングのうち１回は圧延材の先端からの距離で決定し、他の１回は圧延速度の状態から決定することを特徴とする。これにより確実に先端部で狙った位置での制御精度の向上を図ることができる。
【００１４】
請求項９に係る発明は、請求項１ないし８のいずれか１項に記載のモデル学習装置において、データ収集手段は、収集タイミングに従って設定したデータ収集点が圧延機あるいはセンサに到達するごとに該当するデータを収集することを特徴とする。圧延材上の同一点におけるデータで学習することにより、物理的に整合性のとれた学習を実施することができる。
【００１５】
請求項１０に係る発明は、請求項９に記載のモデル学習装置において、データ収集手段は、データ収集点が圧延機に到達するごとに圧延機に隣接する張力検出装置を用いてデータを収集することを特徴とする。モデルの構築上、データ収集点が圧延機に到達したタイミングでの張力が必要となり、物理的に整合性のとれた学習を実施することができる。
【００１７】
請求項１１に係る発明は、請求項１ないし１０のいずれか１項に記載のモデル学習装置において、モデルは荷重モデルであることを特徴とする。これにより、荷重モデルの精度を向上させることができる。
【００１８】
請求項１２に係る発明は、請求項１ないし１０のいずれか１項に記裁のモデル学習装置において、モデルは変形抵抗モデルであることを特徴とする。これにより、変形抵抗モデルの精度を向上させることができる。
【００１９】
請求項１３に係る発明は、請求項１ないし１０のいずれか１項に記載のモデル学習装置において、モデルはエッジドロップモデルであることを特徴とする。これにより、エッジドロップモデルの精度を向上させることができる。
【００２０】
【発明の実施の形態】
以下、本発明の実施の形態を詳細に説明する。
【００２１】
図１は、本発明の実施の形態を適用対象である熱間圧延機と併せて示した構成図である。同図において、熱間圧延機は第１スタンド１から第６スタンド６までの６スタンドをタンデム配置として構成されている。圧延材７は第１スタンド１から第６スタンド６を通って矢印８の方向に向かって通板されながら、所望の製品となるように圧延され、図示していないコイラーにより巻き取られる。各スタンドは、図示省略の圧延荷重測定装置等を備えており、さらに最終スタンドすなわち第６スタンド６の出側には圧延材７の板厚を測定する板厚検出装置９が設置されている。また、各スタンド間には、圧延材７のスタンド間張力を調整するルーパ装置が設置されるが、ここでは図示が省略されている。
【００２２】
以下では、本発明におけるモデル学習の一例として圧延荷重のモデル学習の場合について説明する。
【００２３】
第一の実施形態について説明する。まず図１のデータ収集タイミング決定手段１０によってデータ収集のタイミングを決定する。データ収集タイミング決定手段１０には予め収集するデータの優先度が設定されている。データの収集タイミングを決定するにあたって重要なことは、データを収集するときの圧延速度とデータを収集したときの圧延材７の特定部位の位置である。以下、データの収集タイミングは同一点について場所を変えて２回であるとして説明する。ただし、データ収集タイミング決定手段１０には、後述する高速部でのデータは低速部でのデータより一般に安定しているため、高速部でのデータの方が低速部でのデータより優先度が高いとされているものとする。
【００２４】
まず、データの収集タイミングが２回とも圧延速度の状態から決定される場合について説明する。
【００２５】
図２に熱間圧延における速度パターンの一例を示す。図２では、低速で通板される圧延材７が熱間圧延機で圧延され、その先端部がコイラーに到達した時点（コイラーon）で加速し始める。加速後、設定計算手段で計算された所定の設定速度に到達したら、以後、一定速度を保ち、定常の圧延を行う。このような圧延形態において、データ収集タイミングの最も簡単な決定方法としては、圧延速度の値を２種類、例えば、低速の値Ｖ_Ｌと高速の値Ｖ_Ｈとを予め設定しておき、圧延速度がそれぞれの設定速度Ｖ_Ｌ，Ｖ_Ｈに到達した時点ｔ_Ｌ，ｔ_Ｈをデータの収集タイミングとする方法である。しかし、この方式によるデータ収集時点では、圧延が必ずしも安定した状態にあるとは言えず、安定した望ましいデータを収集することができるとは限らない。
【００２６】
そこで、データ収集タイミング決定手段１０は以下のようにしてデータ収集タイミングを決定する。収集タイミングの１回は低速部、もう１回は高速部とする。低速部でのデータはある速度以下、かつ一定速度の状態が例えば５秒間継続した状態のときとし、高速部のデータはある速度以上、かつ一定速度の状態が同じく５秒間継続した状態のときとする。操業の形態によっては、上記条件を満たす場合が数回発生する可能性があるが、一度データを収集したら低速部または高速部でのデータ収集は完了としてもよいし、あるいは再度データを収集し、上書き訂正してもよい。これらは各プラントに合わせて適宜、変更することができる。この方式により安定したデータを収集することができるようになる。
【００２７】
一方、設定計算では圧延材７の先端から所定距離の位置にデータ収集点を設定し、その位置に対して各アクチュエータの初期値を演算することがある。その場合、データ収集タイミング決定手段１０は低速部でのデータの代わりに圧延材７の先端から所定距離の位置で収集することもできる。以下の説明では、収集タイミングのひとつは、低速部でのデータの代わりに圧延材７の先端から所定距離の位置に設定するものとする。さらに、目的によっては、例えば、通板後あるいは溶接点通過後からの時間や圧延材７の特定点がセンサを通過したタイミング等で決定することも考えられる。以上により、目的に合わせてデータの収集タイミングを決定し、モデルの精度改善に寄与させることができる。
【００２８】
次に、データ収集手段１１の作用について説明する。データ収集手段１１は、データ収集タイミング決定手段１０で決定されたデータ収集タイミングでデータを収集する。データを収集する際、その方法としては各圧延スタンドでのデータを含む全データを同一時点で一斉に収集する同一時点方式と、圧延材上の特定点をトラッキングし、その特定点が各圧延スタンドやセンサに到達するタイミングでデータを収集する同一位置（同一点）方式の２通りが考えられる。ここで、モデルが圧延挙動を表していることを考えると、後者の方式がモデルの解析や学習にとっては有効である。すなわち、収集タイミングになったとき、データ収集装置１１は、まず、圧延材７の所定のデータ収集位置がスタンド１に到達したときの圧延荷重やロール速度等のデータを収集する。そして、圧延材７のそのデータ収集位置を第２スタンド２までトラッキングし、第２スタンド２に到達したとき、第２スタンド２での圧延荷重やロール速度等のデータを収集する。同様の動作を第６スタンド６まで繰り返し、最後に板厚検出装置９によって圧延材７の板厚を測定し収集する。ここで、スタンド間の張力はルーパ装置で検出し、あるいは推定演算することができるが、スタンド間の張力に関しては、トラッキングしている特定点が該当するルーパ装置に隣接している上流側と下流側のスタンドに到達したときに、データ収集装置１１は張力のデータを収集する。このことにより、モデルと圧延挙動の整合性がとれた解析や学習を行うことができる。
【００２９】
次に、データ収集手段１１によって収集されたデータはデータ記憶手段１２によって、データの優先度と併せて記憶される。ここでは、高速部での収集データの方が、圧延材７の先端から所定距離の位置での収集データより優先度が高いものとされている。
【００３０】
次に、モデル修正手段１３の作用について説明する。各スタンドでの荷重のモデルは、学習用のパラメータおよび補正項を含んで記述すると、次式のように書き表される。
【００３１】
P_ｉ＝Z_ｉ[k]・Z_Ｓｉ[k]・f(h_ｉ−１，h_ｉ，t_ｉ−１，t_ｉ，…) …（１）
ただし、
P_ｉ：第ｉスタンドの荷重[kＮ]
Z_ｉ[k]：第ｉスタンドの荷重に対する学習用のパラメータ（ｋ本圧延後）[-]
Z_Ｓｉ[k]：第ｉスタンドの荷重に対する補正項（ｋ本圧延後）[-]
h_ｉ：第ｉスタンド出側板厚[mm]
t_ｉ：第ｉ-1と第ｉスタンド間の張力[kＮ/mm^２]
である。ここで、各スタンド出側板厚は板厚検出装置９による検出値に基づいて演算されたマスフロー板厚を用いることができる。
【００３２】
モデル修正手段１３は優先度の高い高速部のデータを用いてモデルのパラメータを修正する。逐次最小二乗法等の手法により任意のパラメータを逐次修正することもできるが、ここでは学習用のパラメータを修正する方法について説明する。まず、高速部でのデータを用いて学習用のパラメータおよび補正項を除いて演算された第ｉスタンドでの荷重と第ｉスタンドで検出された荷重との比を演算する。
【００３３】
Z_ｉ ^Ｃ＝P_ｉ ^Ｈ/f(h_ｉ−１ ^Ｈ，h_ｉ ^Ｈ，t_ｉ−１ ^Ｈ，t_ｉ ^Ｈ，…）
…（２）
ただし、
Z_ｉ ^Ｃ：第ｉスタンドの荷重の比[-]
P_ｉ ^Ｈ：高速部での第ｉスタンドの荷重[kＮ]
h_ｉ ^Ｈ：高速部での第ｉスタンド出側板厚[mm]
t_ｉ ^Ｈ：高速部での第ｉ-1と第ｉスタンド間の張力[kＮ/mm^２]
である。
【００３４】
次に、（２）式で演算された第ｉスタンドの荷重の比と対応する前回値とを用いて学習用のパラメータを更新する。
【００３５】
Z_ｉ[k+1]＝Z_ｉ[k]＋β_ｉ・(Z_ｉ ^Ｃ−Z_ｉ[k]) …（３）ただし、
Z_ｉ[k]：第ｉスタンドの荷重に対する学習用のパラメータ（ｋ本圧延後）[-]
β_ｉ：第ｉスタンドの荷重に対する学習用のパラメータの学習係数[-]
Z_ｉ ^Ｃ：第ｉスタンドの荷重の比[-]
である。ここで、（１）式では学習用のパラメータを乗法的に表現したが、加法的に表現してもよい。
【００３６】
以上により、ばらつきの少ないデータを用いて学習用のパラメータを学習しているため、計算負荷が少なく安定した学習を行うことができる。
【００３７】
上記説明では学習用のパラメータの更新は圧延材１本ごとであるが、Ｎ本ごとに更新することもできる。その場合、カウンタｊを、
j[k]＝floor(k/Ｎ) …（４）
とし、下記の演算を実施する。ただし、
j：カウンタ
floor：商を計算する演算子
である。
【００３８】
＜j[k＋1]≠j[k]の場合＞
【数１】

Z_ｉ[k+1]＝Z_ｉ[k]＋β_ｉ・(Z_Ｎｉ ^Ｃ−Z_ｉ[k]) …（６）
＜j[k＋1]＝j[k]の場合＞
Z_ｉ[k+1]＝Z_ｉ[k] …（７）
以上に従って学習用のパラメータをＮ本ごとに更新することにより、より安定した学習をすることができる。
【００３９】
さらに、学習用のパラメータを鋼種やサイズ等の種類で層別化し、独立にパラメータを用意することもできる。これにより、層別化した各条件において、よりきめ細かな学習をすることができる。
【００４０】
最後に、モデル補正手段１４の作用について説明する。モデル補正手段１４は優先度の低い圧延材７の先端部のデータを用いて学習用のパラメータを補正する。第ｉスタンドで検出された荷重P_ｉ ^Ｌ（下記８式の右辺分子）と学習用のパラメータを考慮して演算された第ｉスタンドの荷重（下記８式の右辺分母）との比Z_Ｓｉ ^Ｃを演算する。
【００４１】
Z_Ｓｉ ^Ｃ＝P_ｉ ^Ｌ/{Z_ｉ[k]・f(h_ｉ−１ ^Ｌ，h_ｉ ^Ｌ，t_ｉ−１ ^Ｌ，t_ｉ ^Ｌ，…)} …（８）
ただし、
Z_Ｓｉ ^Ｃ：学習用のパラメータを考慮した第ｉスタンドの荷重の比[-]
P_ｉ ^Ｌ：先端部での第ｉスタンドの荷重[kＮ]
Z_ｉ[k]：第ｉスタンドの荷重に対する学習用のパラメータ（ｋ本圧延後）[-]
h_ｉ ^Ｌ：先端部での第ｉスタンド出側板厚[mm]
t_ｉ ^Ｌ：先端部での第ｉ-1と第ｉスタンド間の張力[kＮ/mm^２]
である。
【００４２】
そして、（８）式で演算された結果と前回値に基づいて補正項を更新する。すなわち、
Z_Ｓｉ[k+1]＝{Z_Ｓｉ[k]+β_Ｓｉ・(Z_Ｓｉ ^Ｃ−Z_Ｓｉ[k])}・Z_ｉ[k]/Z_ｉ[k+1] …（９）
ただし、
Z_Ｓｉ[k]：第ｉスタンドの荷重に対する補正項（ｋ本圧延後）[-]
β_Ｓｉ：第ｉスタンドの荷重に対する補正項の学習係数[-]
Z_Ｓｉ ^Ｃ：学習用のパラメータを考慮した第ｉスタンドの荷重の比[-]
Z_ｉ[k]：第ｉスタンドの荷重に対する学習用パラメータ（ｋ本圧延後）[-]
である。
【００４３】
以上のようにして学習結果を反映させたモデルは次材の設定計算で使用され、所望の圧延製品を得るのに寄与することができる。
【００４４】
以上により、本実施の形態によれば、安定した高速部でのデータで学習を実施し、先端部でのデータで補正することにより、全体として安定した学習を行うことができるとともに、圧延材７の先端部において精度の高いモデルを得ることができる。また、上記説明では一本の圧延材７についてデータ収集タイミングを２回としたが、収集タイミングが増加するに伴い、補正項を追加することにより上記と同様に学習および補正を実施することができる。その場合、学習用のパラメータと同様に、優先度ごとに更新周期を設定することもできる。また、追加の形も上記の（１）式では乗法的な形で記述したが、これに限定されるものではない。かくして、本実施形態によれば、安定かつ精度の高いモデルの学習を実施することができる。
【００４５】
次に図３を参照して本発明の第二の実施形態について説明する。第二の実施形態は第一の実施形態との比較において、適用対象の圧延機は同一であるが、データ収集タイミング決定手段１０にデータ優先度が設定されておらず、その代わり、データ記憶手段１２とモデル修正手段１３の間にデータ優先度決定手段１５が追加されている点で相違する。以下、第一の実施形態と相違する点を重点的に説明する。
【００４６】
第一の実施形態ではデータ収集タイミング決定手段１０に予め優先度を設定していたが、第二の実施形態ではデータ収集タイミング決定手段１０はデータの収集タイミングを決定するのみであり、データの収集タイミングを決定してデータ収集手段１１に出力する。データ収集手段１１はデータを収集し、収集されたデータをデータ記憶手段１２に記憶させる。
【００４７】
ここで、第二の実施形態ではデータ優先度決定手段１５が設けられており、データ記憶手段１２に記憶されているデータの優先度を自動的に決定する。決定方法のひとつに、圧延速度から決定する方式がある。すなわち、圧延速度が高い方から順に優先度が高いとする。モデル修正手段１３およびモデル補正手段１４は、データ優先度決定手段１５で決定された優先度に従い、各々学習用のパラメータの学習および補正を行う。これにより、優先度を自動で決定するため、優先度の決定に自由度を持たせることができる。
【００４８】
なお、上記の実施形態では圧延荷重の学習モデルを例として説明したが、本発明は変形抵抗やエッジドロップ等、圧延プロセスにおける他のモデルの学習にも適用可能であり、必要に応じて圧延機の長手方向に見て両側すなわちドライブサイドとワークサイドで別個に実施することもできる。また、上述の実施の形態では熱間圧延機を適用対象として説明したが、本発明は冷間圧延機やシングルミル等、すべての圧延機を対象として適用することができる。さらに、上述の実施の形態では本発明を圧延プロセスに適用するものとして説明したが、本発明はこれに限定されるものではなく、加熱プロセスや冷却プロセス等の、モデルを用いて制御しているプロセスであればすべてのプロセスに適用することができる。
【００４９】
【発明の効果】
本発明によれば、安定したデータを用いてモデルの修正を行い、（圧延材の先端部におけるデータを用いて補正を行うため）、安定してモデルの学習を行い、圧延材の先端部における制御精度の向上を達成することができる。
【図面の簡単な説明】
【図１】本発明の第一の実施形態を適用対象圧延機と併せて示したブロック図。
【図２】速度パターンを説明するための説明図。
【図３】本発明の第二の実施形態を適用対象圧延機と併せて示したブロック図。
【符号の説明】
１〜６圧延スタンド
７圧延材
８圧延方向
９板厚検出装置
１０データ収集タイミング決定手段
１１データ収集手段
１２データ記憶手段
１３モデル修正手段
１４モデル補正手段
１５データ優先度決定手段[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a rolling learning model learning apparatus suitable for controlling a rolling process for rolling metal or the like, and particularly for correcting parameters of a model expressing the rolling process.
[0002]
[Prior art]
In the control of the rolling process, a model that expresses the behavior of the rolling process is usually created, and a control system is constructed for the model to control it. Therefore, it can be said that the control accuracy of the rolling process depends on how accurately the created model represents the rolling process. Therefore, in order to compensate for a gap, that is, a gap between the actual value of the actual rolling process and the predicted value by the model, model learning (adaptive control) is performed to improve the accuracy of the model.
[0003]
In the rolling process, the initial value of the actuator for the next material is calculated and set based on the model in the setting calculation. For this reason, the control accuracy at the tip of the rolled material is greatly dependent on the accuracy of the model. Conventionally, a method described in Japanese Patent Application Laid-Open No. 6-15318 is known as a learning method aiming at shortening the off gauge length by improving the control accuracy of the tip. This method is characterized by learning using the same point data in the low-speed rolling state and the same point data in the high-speed rolling state for each learning item.
[0004]
[Problems to be solved by the invention]
In the method of Japanese Patent Laid-Open No. 6-15318, since the tip of the rolled material is in a low-speed rolling state, learning is performed using the same point data in the low-speed rolling state, and the control accuracy of the tip of the rolled material is improved. We are trying to improve. However, the data often varies at the tip of the rolled material, and as a result, not only is the learning unstable, but it may even cause a deterioration in control accuracy.
[0005]
The present invention has been made to solve the above problems, and provides a rolling process model learning apparatus capable of correcting a model error stably and accurately when a rolling process is controlled using a model. Objective.
[0006]
[Means for Solving the Problems]
The invention according to claim 1 is a rolling process model learning device for correcting a parameter of a model for controlling the rolling process using a model representing the rolling process, and collecting data of the rolling process for which priority is set in advance. Data collection timing determination means for determining a plurality of times, data collection means for collecting rolling process data in accordance with the timing determined by the data collection timing determination means, data collected by the data collection means and priority A data storage means for storing data, a model correction means for correcting a learning parameter included in an expression representing a model based on data having a high priority among the data stored in the data storage means, and a data storage means based on the low priority data among the data stored in, it was modified model Characterized in that a model correcting means for correcting the correction term to be included in the expression for. According to the present invention, the model is corrected using stable data, and further correction is performed with the data at the target portion, so that the model can be learned with high accuracy.
[0007]
The invention according to claim 2 determines a plurality of times of collecting rolling process data in a rolling process model learning apparatus for correcting a parameter of a model for controlling the rolling process using a model expressing the rolling process. Data collection timing determining means, data collecting means for collecting rolling process data according to the timing determined by the data collection timing determining means, data storage means for storing data collected by the data collecting means, and based from the data stored in the data storage means and data priority determining means for determining the priority of the data, the high priority that is determined by the data priority determining means among the data stored in the data storage means data Te, model correction for correcting the parameters of the learning in an expression representing the model And stage, based on the low determined priority data in the data priority determination unit among the data stored in the data storage means, and the model correction means for correcting the correction term to be included in the expression for the modified model It is provided with. According to the present invention, the model can be learned with high accuracy by correcting the model with the stable data and further performing the correction with the data in the target portion.
[0008]
The invention according to claim 3 is the model learning device according to claim 2, wherein the data priority determination means determines the data priority from the state of the rolling speed. According to the present invention, the rolling speed may be important in the rolling process, and the accuracy of the model can be improved by determining the priority based on the rolling speed.
[0009]
According to a fourth aspect of the present invention, in the model learning device according to any one of the first to third aspects, the model correcting means represents a model every time data having a high priority is collected a predetermined number of times. The learning parameter included in the equation is corrected. By learning using a plurality of data collected at the same timing as described above, more stable learning can be performed.
[0010]
According to a fifth aspect of the present invention, in the model learning device according to any one of the first to fourth aspects, the model correcting means is a learning model included in an expression representing a model stratified by the type of rolled material . It is characterized by correcting parameters . By learning the model by stratification, more accurate learning can be performed in each stratified class.
[0011]
According to a sixth aspect of the present invention, in the model learning device according to any one of the first to fifth aspects, the model correction means corrects a correction term included in an expression representing a model corrected according to priority. It is characterized by changing the frequency . Thereby, highly accurate learning can be implemented while stabilizing model learning.
[0012]
The invention according to claim 7 is the model learning device according to any one of claims 1 to 6, characterized in that the data collection timing determining means determines the collection timing from the state of the rolling speed. By determining the collection timing based on the rolling speed, data can be collected in any speed range, and the control accuracy of the rolling process can be improved.
[0013]
The invention according to claim 8 is the model learning device according to any one of claims 1 to 6, wherein the data collection timing determination means sets the data collection timing twice for one rolled material, and collects the data. One of the timings is determined by the distance from the tip of the rolled material, and the other is determined from the state of the rolling speed. As a result, it is possible to improve the control accuracy at the position aimed at the tip portion reliably.
[0014]
The invention according to claim 9 is the model learning device according to any one of claims 1 to 8, wherein the data collection means corresponds to each time the data collection point set according to the collection timing reaches the rolling mill or sensor. It collects the data to do. By learning from data at the same point on the rolled material, physically consistent learning can be performed.
[0015]
The invention according to claim 10 is the model learning device according to claim 9, wherein the data collection means collects data using a tension detection device adjacent to the rolling mill every time the data collection point reaches the rolling mill. It is characterized by that. In constructing the model, tension at the timing when the data collection point reaches the rolling mill is required, and learning that is physically consistent can be performed.
[0017]
The invention according to claim 11 is the model learning device according to any one of claims 1 to 10, wherein the model is a load model. Thereby, the accuracy of the load model can be improved.
[0018]
The invention according to claim 12 is the model learning device according to any one of claims 1 to 10, wherein the model is a deformation resistance model. Thereby, the accuracy of the deformation resistance model can be improved.
[0019]
The invention according to claim 13 is the model learning device according to any one of claims 1 to 10, wherein the model is an edge drop model. Thereby, the accuracy of the edge drop model can be improved.
[0020]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described in detail.
[0021]
FIG. 1 is a configuration diagram showing an embodiment of the present invention together with a hot rolling mill to which the embodiment is applied. In the figure, the hot rolling mill is configured in a tandem arrangement with six stands from the first stand 1 to the sixth stand 6. The rolled material 7 is rolled so as to be a desired product while being passed through the first stand 1 through the sixth stand 6 in the direction of the arrow 8 and wound by a coiler (not shown). Each stand includes a rolling load measuring device (not shown) and the like, and a plate thickness detecting device 9 for measuring the plate thickness of the rolled material 7 is installed on the final stand, that is, the exit side of the sixth stand 6. Further, a looper device for adjusting the tension between the stands of the rolled material 7 is installed between the stands, but the illustration is omitted here.
[0022]
Below, the case of the model learning of a rolling load is demonstrated as an example of the model learning in this invention.
[0023]
A first embodiment will be described. First, the data collection timing is determined by the data collection timing determination means 10 of FIG. Priorities of data to be collected are set in the data collection timing determination means 10 in advance. What is important in determining the data collection timing is the rolling speed when data is collected and the position of a specific part of the rolled material 7 when the data is collected. In the following description, it is assumed that the data collection timing is twice at the same point. However, in the data collection timing determination means 10, data in the high speed section, which will be described later, is generally more stable than data in the low speed section, so that data in the high speed section has higher priority than data in the low speed section. It shall be said that.
[0024]
First, a case where the data collection timing is determined from the state of the rolling speed both times will be described.
[0025]
FIG. 2 shows an example of a speed pattern in hot rolling. In FIG. 2, the rolled material 7 that is passed at a low speed is rolled by a hot rolling mill, and starts to accelerate when the tip of the rolled material reaches the coiler (coiler on). After reaching the predetermined set speed calculated by the setting calculating means after the acceleration, the constant speed is maintained thereafter and the rolling is performed in a steady manner. In such a rolling form, the simplest method for determining the data collection timing is to set two types of rolling speed values, for example, a low speed value V _L and a high speed value V _H in advance. Is a method of using the time points t _L and t _H when the respective set speeds V _L and V _H are reached as the data collection timing. However, at the time of data collection by this method, the rolling is not necessarily in a stable state, and it is not always possible to collect stable and desirable data.
[0026]
Therefore, the data collection timing determining means 10 determines the data collection timing as follows. One collection timing is a low speed part, and the other is a high speed part. The data in the low speed part is when the speed is below a certain speed and the state of a constant speed is continued for 5 seconds, for example. The data of the high speed part is above a certain speed and the state of a constant speed is continuously in the state for 5 seconds. To do. Depending on the type of operation, the above conditions may occur several times, but once data is collected, data collection at the low speed part or high speed part may be completed, or data is collected again, Overwriting correction may be performed. These can be appropriately changed according to each plant. This method makes it possible to collect stable data.
[0027]
On the other hand, in the setting calculation, a data collection point may be set at a position a predetermined distance from the tip of the rolled material 7, and an initial value of each actuator may be calculated for that position. In that case, the data collection timing determination means 10 can also collect the data at a predetermined distance from the tip of the rolled material 7 instead of the data at the low speed portion. In the following description, it is assumed that one of the collection timings is set at a predetermined distance from the tip of the rolled material 7 instead of the data at the low speed portion. Furthermore, depending on the purpose, for example, it is conceivable to determine the time after passing the plate or after passing the welding point, the timing when the specific point of the rolled material 7 passes the sensor, or the like. As described above, it is possible to determine the data collection timing according to the purpose and contribute to the improvement of the accuracy of the model.
[0028]
Next, the operation of the data collection unit 11 will be described. The data collection unit 11 collects data at the data collection timing determined by the data collection timing determination unit 10. When collecting data, the same point method that collects all the data including the data at each rolling stand at the same time and the specific point on the rolled material are tracked. In addition, there are two types of the same position (same point) method for collecting data at the timing of reaching the sensor. Here, considering that the model represents the rolling behavior, the latter method is effective for model analysis and learning. That is, at the collection timing, the data collection device 11 first collects data such as a rolling load and a roll speed when a predetermined data collection position of the rolled material 7 reaches the stand 1. Then, the data collection position of the rolled material 7 is tracked to the second stand 2, and when the second stand 2 is reached, data such as rolling load and roll speed at the second stand 2 are collected. The same operation is repeated up to the sixth stand 6, and finally the plate thickness of the rolled material 7 is measured and collected by the plate thickness detector 9. Here, the tension between the stands can be detected or estimated by the looper device. However, with respect to the tension between the stands, the specific point being tracked is located upstream and downstream adjacent to the corresponding looper device. When the side stand is reached, the data collection device 11 collects tension data. This makes it possible to perform analysis and learning with consistency between the model and rolling behavior.
[0029]
Next, the data collected by the data collection unit 11 is stored by the data storage unit 12 together with the priority of the data. Here, the collected data at the high speed part has higher priority than the collected data at a position at a predetermined distance from the tip of the rolled material 7.
[0030]
Next, the operation of the model correcting unit 13 will be described. The model of the load at each stand is written as shown in the following equation when it is described including learning parameters and correction terms.
[0031]
P _i = Z _i [k] · Z _Si [k] · f (h _i−1 , h _i , t _i−1 , t _i ,...) (1)
However,
P _i : Load of the i-th stand [kN]
Z _i [k]: Learning parameter for the load on the i-th stand (after k rollings) [-]
Z _Si [k]: Correction term for the load of the i-th stand (after k rolls) [-]
h _i : Outboard thickness of the i-th stand [mm]
t _i : tension between k-1 and i-1 stand [kN / mm ² ]
It is. Here, the mass flow plate thickness calculated based on the detection value by the plate thickness detection device 9 can be used for each stand outlet side plate thickness.
[0032]
The model correction means 13 corrects the parameters of the model using the high-speed part data having a high priority. Arbitrary parameters can be corrected sequentially by a technique such as a sequential least squares method, but here, a method for correcting learning parameters will be described. First, the ratio of the load at the i-th stand calculated by removing the learning parameters and the correction term from the data at the high-speed part and the load detected at the i-th stand is calculated.
[0033]
_{^{_{^{Z i C = P i H /}}}} f (h i-1 H, h i H, t i-1 H, t i H, ...)
... (2)
However,
Z _i ^C : Load ratio of i-th stand [-]
P _{i ^H:} i-th stand in a high-speed part load [kN]
h _i ^H : Thickness of the i-th stand exit side at the high speed part [mm]
t _i ^H : Tension [kN / mm ² ] between i-1 and i-th stand at high speed section
It is.
[0034]
Next, the learning parameter is updated using the load ratio of the i-th stand calculated by the equation (2) and the corresponding previous value.
[0035]
Z _i [k + 1] = Z _i [k] + β _i · (Z _i ^C −Z _i [k]) (3) where
Z _i [k]: Learning parameter for the load on the i-th stand (after k rollings) [-]
β _i : Learning coefficient of the learning parameter for the load of the i-th stand [−]
Z _i ^C : Load ratio of i-th stand [-]
It is. Here, in the equation (1), the learning parameter is expressed in a multiplicative manner, but may be expressed in an additive manner.
[0036]
As described above, since learning parameters are learned using data with little variation, it is possible to perform stable learning with less calculation load.
[0037]
In the above description, the learning parameters are updated for each rolled material, but can be updated for every N pieces. In that case, the counter j is
j [k] = floor (k / N) (4)
And the following calculation is performed. However,
j: Counter
floor: An operator that calculates a quotient.
[0038]
<If j [k + 1] ≠ j [k]>
[Expression 1]

Z _i [k + 1] = Z _i [k] + β _i · (Z _Ni ^C −Z _i [k]) (6)
<If j [k + 1] = j [k]>
Z _i [k + 1] = Z _i [k] (7)
By updating the learning parameters every N in accordance with the above, more stable learning can be performed.
[0039]
Furthermore, the learning parameters can be stratified by type such as steel type and size, and the parameters can be prepared independently. Thereby, more detailed learning can be performed under each stratified condition.
[0040]
Finally, the operation of the model correction unit 14 will be described. The model correction means 14 corrects the learning parameter using the data of the tip portion of the rolled material 7 having a low priority. The ratio of the load P _i ^L detected at the i-th stand (right side numerator of the following 8 formulas) and the load of the i-th stand (right side denominator of the following 8 formulas) calculated in consideration of the learning parameters Z _Si ^C Is calculated.
[0041]
_{^{_{^{Z Si C = P i L /}}}} {Z i [k] · f (h i-1 L, h i L, t i-1 L, t i L, ...)} ... (8)
However,
Z _{Si ^C:} the ratio of the load of the i stands considering the parameters of the learning [-]
P _i ^L : Load of the i-th stand at the tip [kN]
Z _i [k]: Learning parameter for the load on the i-th stand (after k rollings) [-]
h _i ^L : Thickness of the i-th stand exit side at the tip [mm]
t _i ^L : Tension between the i-1th stand and the ith stand at the tip [kN / mm ² ]
It is.
[0042]
Then, the correction term is updated based on the result calculated by the equation (8) and the previous value. That is,
_{Z Si [k + 1] =} {Z Si [k] + β Si · (Z Si C -Z Si [k])} · Z i [k] / Z i [k + 1] ... (9)
However,
Z _Si [k]: Correction term for the load of the i-th stand (after k rolls) [-]
β _Si : Learning coefficient of correction term for load of i-th stand [-]
Z _{Si ^C:} the ratio of the load of the i stands considering the parameters of the learning [-]
Z _i [k]: Learning parameter for the load of the i-th stand (after k rolls) [-]
It is.
[0043]
The model reflecting the learning result as described above is used in the setting calculation of the next material, and can contribute to obtaining a desired rolled product.
[0044]
As described above, according to the present embodiment, learning can be performed with data at a stable high-speed portion, and correction can be performed with data at the tip portion, whereby stable learning can be performed as a whole, and the rolled material 7 It is possible to obtain a highly accurate model at the tip portion. In the above description, the data collection timing for one rolled material 7 is set to twice. However, as the collection timing increases, learning and correction can be performed in the same manner as described above by adding correction terms. . In this case, the update cycle can be set for each priority as in the learning parameter. Further, although the additional form is described in a multiplicative form in the above equation (1), it is not limited to this. Thus, according to the present embodiment, it is possible to learn a stable and highly accurate model.
[0045]
Next, a second embodiment of the present invention will be described with reference to FIG. In the comparison with the first embodiment, the second embodiment is the same as the rolling mill to be applied, but no data priority is set in the data collection timing determination means 10, and instead, data storage means. 12 in that a data priority determination means 15 is added between the model correction means 13 and the model correction means 13. Hereinafter, points different from the first embodiment will be mainly described.
[0046]
In the first embodiment, the priority is set in advance for the data collection timing determination means 10, but in the second embodiment, the data collection timing determination means 10 only determines the data collection timing, and the data collection The timing is determined and output to the data collecting means 11. The data collection unit 11 collects data and causes the data storage unit 12 to store the collected data.
[0047]
Here, in the second embodiment, the data priority determining means 15 is provided, and the priority of the data stored in the data storage means 12 is automatically determined. One of the determination methods is to determine from the rolling speed. That is, it is assumed that the priority is higher in descending order of rolling speed. The model correcting unit 13 and the model correcting unit 14 respectively learn and correct learning parameters according to the priority determined by the data priority determining unit 15. Accordingly, since the priority is automatically determined, the priority can be determined with a degree of freedom.
[0048]
In the above embodiment, the learning model of the rolling load has been described as an example. However, the present invention can also be applied to learning of other models in the rolling process such as deformation resistance and edge drop. It can also be implemented separately on both sides, that is, the drive side and the work side as viewed in the longitudinal direction. In the above-described embodiment, the hot rolling mill has been described as an application target. However, the present invention can be applied to all rolling mills such as a cold rolling mill and a single mill. Furthermore, in the above-described embodiment, the present invention has been described as being applied to a rolling process, but the present invention is not limited to this, and is controlled using a model such as a heating process or a cooling process. Any process can be applied.
[0049]
【The invention's effect】
According to the present invention, the model is corrected using stable data (to correct using the data at the tip of the rolled material), the model is stably learned, and the model at the tip of the rolled material is corrected. Improvement of control accuracy can be achieved.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a first embodiment of the present invention together with an application rolling mill.
FIG. 2 is an explanatory diagram for explaining a speed pattern.
FIG. 3 is a block diagram showing a second embodiment of the present invention together with an application rolling mill.
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1-6 Rolling stand 7 Rolled material 8 Rolling direction 9 Plate thickness detection apparatus 10 Data collection timing determination means 11 Data collection means 12 Data storage means 13 Model correction means 14 Model correction means 15 Data priority determination means

Claims

In a rolling process model learning apparatus for correcting a parameter of a model for controlling the rolling process using a model expressing the rolling process, a plurality of times for collecting the data of the rolling process set with a priority in advance are determined. Data collection timing determination means, data collection means for collecting rolling process data in accordance with the timing determined by the data collection timing determination means, data storage means for storing the data collected by the data collection means and the priorities And a model correction unit that corrects a learning parameter included in an expression representing the model based on data having a high priority among the data stored in the data storage unit, and a data stored in the data storage unit Based on the lower priority data among the data, the modified model is Model learning device of the rolling process, characterized in that a model correcting means for correcting the correction term to be included in to expression.

In a rolling process model learning apparatus for correcting a parameter of a model for controlling the rolling process using a model representing the rolling process, a data collection timing determining means for determining a plurality of times for collecting rolling process data; and Data collection means for collecting rolling process data according to the timing determined by the data collection timing determination means, data storage means for storing data collected by the data collection means, and data stored in the data storage means The data priority determining means for determining the priority of the data from the data, and representing the model based on the high priority data determined by the data priority determining means among the data stored in the data storage means and model correction means for correcting the parameters of the learning contained in the formula, before Based on the data storage means the stored data having the lower priority determined by the data priority determination unit of the data, and a model correction means for correcting the correction term to be included in the expression for the modified model A rolling process model learning apparatus characterized by comprising the rolling process.

The model learning apparatus according to claim 2, wherein the data priority determining unit determines a data priority from a state of a rolling speed.

4. The model correction unit according to claim 1, wherein each time the high- priority data is collected a predetermined number of times , a learning parameter included in an expression representing the model is corrected. The model learning device according to claim 1.

The model learning according to any one of claims 1 to 4, wherein the model correcting means corrects a learning parameter included in an expression representing the model by stratification according to a type of a rolled material. apparatus.

The model learning according to claim 1, wherein the model correction unit changes a correction frequency for a correction term included in an expression representing the modified model according to the priority. apparatus.

The model learning apparatus according to claim 1, wherein the data collection timing determination unit determines a collection timing from a rolling speed state.

The data collection timing determination means sets the data collection timing twice for one rolled material, one of the collection timings is determined by the distance from the tip of the rolled material, and the other is the state of the rolling speed. The model learning device according to claim 1, wherein the model learning device is determined from:

The said data collection means collects the said data, whenever the data collection point set according to the said collection timing reaches | attains a rolling mill or a sensor, The one of Claim 1 thru | or 8 characterized by the above-mentioned. Model learning device.

The model learning device according to claim 9, wherein the data collection unit collects the data using a tension detection device adjacent to the rolling mill every time the data collection point reaches the rolling mill.

The model learning apparatus according to claim 1 , wherein the model is a load model.

The model learning apparatus according to claim 1, wherein the model is a deformation resistance model.

The model learning apparatus according to claim 1, wherein the model is an edge drop model.