JP5396889B2

JP5396889B2 - 圧延製品の特性予測方法

Info

Publication number: JP5396889B2
Application number: JP2009021796A
Authority: JP
Inventors: 一浩小原
Original assignee: Toshiba Mitsubishi Electric Industrial Systems Corp
Current assignee: Toshiba Mitsubishi Electric Industrial Systems Corp
Priority date: 2009-02-02
Filing date: 2009-02-02
Publication date: 2014-01-22
Anticipated expiration: 2029-02-02
Also published as: JP2010172962A

Description

本発明は圧延製品の特性を予測する方法に関し、特に計算負荷の増大を招くことなく、高い精度での予測を行うことができる圧延製品の特性予測方法に関するものである。

近年、圧延製品に対して顧客が要求する仕様は厳しくなる一方である。特に、圧延製品の強度や延性等の特性を許容範囲内に収めることが重要となっている。このため、従来、圧延工程での加熱、加工、冷却等の製造条件を入力として、特性予測モデルを用いて圧延製品の特性を予測することにより、特性制御が試みられている。

例えば、特許文献１では、圧延工程での加熱、粗圧延、仕上圧延及び冷却の工程毎に特性を予測し、目標とする圧延製品の特性を得るために、製造条件を制御する方法が開示されている。この方法では、予測の精度を向上させるため、まず、成分値及び要求された特性から製造条件を求める。そして、加熱工程後に、加熱時間等の実績の製造条件を取り込んで再計算を行い、加熱以降の工程の見直しを行う。粗圧延工程後に、粗圧延の実績の製造条件を取り込んで再計算を行い、同様に以降の工程の見直しを行う。仕上圧延工程後に、仕上圧延の実績の製造条件を取り込んで再計算を行い、同様に以降の工程の見直しを行う。

また、特許文献２には、製造条件の範囲及び、その製造条件の範囲における圧延製品の特性の実績値を格納したデータベースに基づいて、圧延製品の要求仕様を満足する製造条件を求める方法が示されている。

さらに、特許文献３には、要求仕様を満足する特性を有する圧延製品が実績に無い場合に、特性予測モデルを用いて圧延製品の特性を予測し、要求仕様を満足する製造条件を求める方法が示されている。

しかし、特性予測モデルによる予測では、予測精度に限界があり、どのような鋼種、製造条件でも高精度の予測結果を得られるとは限らない。このため、特性予測モデルを高精度化するための仕組みが必要であった。

この仕組みを実現する方法として、特性を決定する物理現象に関係なく、多様な製造条件のパラメータ値を入力として、ニューラルネットにより出力を得る方法が知られていた。しかし、この方法には、出力を得るまでの経過が不明確であり、パラメータ範囲が補外となる場合には、著しい精度の劣化が生じるという問題があった。そして、この問題を解決するために、特許文献４に開示されている、局所近傍回帰モデルを用いる方法が知られていた。

特許２５０９４８１号公報特許３０５３２５１号公報特許３０５３２５２号公報特開２００６−３０９７０９号公報

しかし、この局所近傍回帰モデルを用いる方法は、圧延製品の特性を予測する時に多量のデータを用いて局所近傍回帰モデルを構築するため、計算負荷が増大すると考えられる。

本発明は、上述した課題を解決するためになされ、計算負荷の増大を招くことなく、圧延製品の特性の予測を高い精度で行うことができる圧延製品の特性予測方法を提供することを目的とする。

第１の発明に係る圧延製品の特性予測方法は、学習用データ取得ステップと、学習項算出ステップと、予測ステップとを備え、前記学習用データ取得ステップは、圧延ラインにおいて学習対象の圧延製品を製造する際の圧延データを学習用圧延データとして収集するステップと、冶金現象を数式化した冶金現象モデルを適用し、前記学習用圧延データに基づいて前記学習対象の圧延製品の金属組織を学習用金属組織計算値として計算するステップと、機械的性質を計算するために数式化された機械的性質モデルを適用し、前記学習用圧延データ及び前記学習用金属組織計算値に基づいて前記学習対象の圧延製品の機械的性質を学習用計算値として計算するステップと、前記学習対象の圧延製品を製造した後に、前記学習対象の圧延製品の機械的性質を学習用実測値として実測するステップと、を有し、前記学習項算出ステップは、前記学習用実測値が実測されたタイミングにおいて、前記学習用計算値と前記学習用実測値との関係を表す学習項を取得するものであり、前記予測ステップは、前記圧延ラインにおいて予測対象の圧延製品を製造する際の圧延データを予測用圧延データとして収集するステップと、前記冶金現象モデルを適用し、前記予測用圧延データに基づいて前記予測対象の圧延製品の金属組織を予測用金属組織計算値として計算するステップと、前記機械的性質モデルを適用し、前記予測用圧延データ及び前記予測用金属組織計算値に基づいて前記予測対象の圧延製品の機械的性質を予測用計算値として計算するステップと、前記予測用計算値を、前記学習項を用いて補正するステップと、を有し、少なくとも１つの学習対象の圧延製品について前記学習用データ取得ステップを実行して前記学習用計算値及び前記学習用実測値を取得し、前記学習項算出ステップにおいて、各学習対象の圧延製品について前記学習用計算値に対する前記学習用実測値の比率を計算して、前記比率の平均値を前記学習項として取得し、前記予測用計算値を補正するステップにおいて、前記予測用計算値に前記学習項を掛け合わせることを特徴とするものである。

本発明により、計算負荷の増大を招くことなく、圧延製品の特性の予測を高い精度で行うことができる。

実施の形態１．
本発明の実施の形態１は圧延製品の機械的性質予測方法に関するものである。図１は、実施の形態１に係る圧延ライン及び機械的性質予測システムの概略図である。実施の形態１に係る圧延製品の機械的性質予測方法は、図１に示す機械的性質予測システムにより実現される。

［実施の形態１の圧延ライン及び機械的性質予測システム］
以下、実施の形態１に係る圧延ライン及び機械的性質予測システムについて説明する。なお、図１において、破線矢印は圧延製品の流れる方向を示し、実線矢印は機械的性質予測システムにおいて処理の進む方向を示す。

まず、圧延ラインについて説明する。図１に示すように、圧延ライン１０は、圧延素材（スラブ）から圧延製品（圧延素材から製品として完成する途中の状態も含む、以下同様）を製造するためのラインである。この圧延ライン１０は、加熱装置１２、加工装置（圧延機）１４、冷却装置１６、巻取装置１８、及びこれらの各装置を結ぶ搬送テーブル２０を備えている。圧延ライン１０の各装置は、例えば、電動機や油圧装置で駆動される。

加熱装置１２には、圧延素材を加熱する加熱炉が備えられる。加工装置１４は、単数或いは複数スタンドを備える。加工装置１４は、例えば、１スタンドの可逆式粗圧延機と７スタンドのタンデム式仕上げ圧延機とを備える。冷却装置１６は圧延製品の温度を制御する機能を有する。冷却装置１６は冷却水によって圧延製品を冷却する装置である。冷却装置１６は、例えば、ランアウトテーブル、冷却テーブル、強制冷却装置等を備える。

巻取装置１８は、圧延ライン１０で製造された圧延製品を後の工程に搬送するために、圧延製品をコイル状に巻き取るための装置である。搬送テーブル２０は、圧延製品を圧延ライン１０内の次工程に搬送するのに用いられる装置であるとともに、圧延製品を圧延ライン１０内の各工程内で搬送するのに用いられる装置である。搬送装置２２は、圧延ライン１０で製造された（巻取装置１８で巻き取られた）圧延製品を、圧延ライン１０の後工程に搬送するための装置である。この搬送装置２２としては、例えば、ウォーキングビーム、コンベヤ、クレーン、自動車等が用いられる。圧延ライン１０で製造された圧延製品のうち、数個から数十個に１個の圧延製品は、図１に示すサンプリングエリア２４に送られる。サンプリングエリア２４に送られるもの以外の圧延製品は、下工程２６に送られる。下工程２６は、圧延工程より下流にある工程を総称したものである。この下工程２６には、例えば、ディバイディングラインやスキンパスライン等が含まれる。ディバイディングラインは、圧延ライン１０で製造された圧延製品を、適当な長さに切断する工程を含むラインのことである。圧延製品の切断は、例えば、顧客からの要求や、重量制限等の搬出の都合によって行われる。スキンパスラインは、圧延製品の美観上の観点やストレッチャーストレイン防止といった性質向上の観点から、軽圧下で圧延する工程を含むラインのことである。

サンプリングエリア２４は、圧延製品から機械的性質試験に供する試験片を切り出すため、圧延製品を巻き戻してその一部を切り出すための装置を含むエリアである。なお、サンプリングエリア２４に送られた圧延製品も、試験用の板片を切り取った後は、他の圧延製品と同様に、下工程に送られる。

続いて、機械的性質予測システム３０について説明する。機械的性質予測システム３０は、圧延データ収集手段３２と、金属組織計算手段３４と、機械的性質実績収集手段３６と、機械的性質予測手段３８と、を備える。

圧延データ収集手段３２は、圧延ライン１０の加工装置１４で圧延素材を圧延した際の温度、荷重等の実績値だけではなく、加工装置１４の各スタンドの温度履歴、冷却装置１６の温度履歴等の実績値を用いたモデル計算値を含む圧延データを収集する。さらに、圧延データ収集手段３２は、圧延製品長手方向の位置情報及び、圧延素材の化学成分を圧延データとして収集する。

金属組織計算手段３４は、上述した圧延データに含まれる、化学成分や、温度、荷重等の実績値に基づいて、冶金現象を数式化したモデルを用いた計算を行なうことにより、金属組織を計算する。計算対象の金属組織の特性としては、フェライト、パーライト、ベイナイト、マルテンサイトの体積率や、フェライト、オーステナイトの粒径等がある。冶金現象を数式化したモデルには、様々なものが提案されており、静的回復、静的再結晶、動的回復、動的再結晶及び粒成長等を表す数式群からなるものが広く知られている。このモデルの一例が、塑性加工技術シリーズ７板圧延（コロナ社）Ｐ１９８〜２２９に掲載されている。このモデルを用いることにより、フェライト、パーライト、ベイナイト、マルテンサイト等の体積率や、オーステナイト粒径、フェライト粒径を計算できる。

機械的性質実績収集手段３６は、サンプリングエリア２４で圧延製品から切り出された試験片から、圧延製品の機械的性質を実測して、その機械的性質の実測値を収集する。

機械的性質予測手段３８は、上述した圧延データに含まれる化学成分等、及び金属組織計算手段３４から得られる金属組織計算値に基づいて機械的性質を予測する。

以下に、機械的性質実績収集手段３６及び機械的性質予測手段３８について、詳細に説明する。図２は、実施の形態１に係る機械的性質実績収集手段及び機械的性質予測手段を示すブロック図である。

図２に示すように、機械的性質実績収集手段３６は、機械的性質実績計測手段４０と、機械的性質実績値送信側記憶手段４２とを備える。また、機械的性質予測手段３８は、機械的性質計算手段４４と、機械的性質実績計算値記憶手段４６と、機械的性質実績値受信側記憶手段４８と、機械的性質新規データ確認手段５０と、機械的性質学習項算出手段５２と、機械的性質学習項記憶手段５４を備える。

機械的性質実績計測手段４０は、圧延製品から試験片を切り出し、その試験片に対して引張り試験や圧縮試験、硬度試験等の試験を行い、圧延製品の機械的性質を機械的性質実測値として計測する。計測対象の機械的性質としては、引張り強さ、耐力等がある。そして、機械的性質実績値送信側記憶手段４２は、機械的性質実測値を記憶する。

機械的性質計算手段４４は、上述した圧延データに含まれる化学成分等、及び金属組織計算手段３４から得られる金属組織計算値に基づいて、圧延製品の機械的性質を機械的性質計算値として計算する。計算する機械的性質は、機械的性質実績計測手段４０により計測されるものと同一である。また、この機械的性質計算手段４４として、第１７３・１７４回西山記念技術講座「熱延鋼材の組織変化及び材質の予測」（（社）日本鉄鋼協会）Ｐ１２４〜１２７に掲載されている一例がある。機械的性質実績計算値記憶手段４６は、機械的性質計算値を記憶する。

機械的性質実績値受信側記憶手段４８は、機械的性質実績値送信側記憶手段４２に記憶された機械的性質実測値を受信して記憶する。

機械的性質新規データ確認手段５０は、機械的性質実績値受信側記憶手段４８により機械的性質実測値を受信した時に、新規データ受信フラグを立てる。これにより、機械的性質実測値が取得されたタイミングを検知する。

機械的性質学習項算出手段５２は、機械的性質計算値及び機械的性質実績値から学習項を計算する。機械的性質学習項記憶手段５４は学習項を記憶する。

［実施の形態１の機械的性質予測方法］
以下に、上述した機械的性質予測システム３０により圧延製品の機械的性質予測する方法を説明する。この方法は、学習用データ取得ステップと、学習項算出ステップと、予測ステップとを備えている。なお、以下には、圧延製品の機械的性質を圧延製品の板厚の区分値ごとに予測する方法を例として説明する。

学習用データ取得ステップとしては、まず、圧延データ収集手段３２により、学習対象の圧延製品を製造する際の学習用圧延データを収集する（ステップＳ１０１）。

次に、金属組織計算手段３４により、冶金現象を数式化した冶金現象モデルを適用し、学習用圧延データに基づいて、学習対象の圧延製品の金属組織を学習用金属組織計算値として計算する（ステップＳ１０２）。

次に、機械的性質計算手段４４により、機械的性質を計算するために数式化された機械的性質モデルを適用し、学習用圧延データ及び学習用金属組織計算値に基づいて、学習対象の圧延製品の機械的性質を学習用機械的性質計算値として計算する。そして、機械的性質実績計算値記憶手段４６により、学習用機械的性質計算値を記憶する（ステップＳ１０３）。この際には、圧延製品の板厚の区分値ごとに、学習用機械的性質計算値を計算し、記憶する。

次に、機械的性質実績計測手段４０により、サンプリング対象となる学習対象の圧延製品を製造した後に、その圧延製品の機械的性質を試験片から学習用機械的性質実測値として実測する。そして、機械的性質実績値送信側記憶手段４２により、学習用機械的性質実測値を記憶する（ステップＳ１０４）。この際には、圧延製品の板厚の区分値ごとに、学習用機械的性質実測値を実測し、記憶する。

さらに、記憶された学習用機械的性質実測値を、機械的性質実績値受信側記憶手段４８に送信する。そして、機械的性質実績値受信側記憶手段４８により、学習用機械的性質実測値を受信し、記憶する（ステップＳ１０５）。この際には、圧延製品の板厚の区分値ごとに、学習用機械的性質実測値を受信し、記憶する。

そして、ステップＳ１０１〜ステップＳ１０５を、複数の学習対象の圧延製品について順番に実行する。これにより、複数の学習対象の圧延製品についての学習用機械的性質計算値及び学習用機械的性質実測値をそれぞれ取得して各記憶手段に記憶する。

以上のように、複数の学習対象の圧延製品についての学習用機械的性質計算値及び学習用機械的性質実測値を記憶した後に、学習項算出ステップを実行する。

学習項算出ステップは、最新の学習用機械的性質計算値及び学習用機械的性質実測値が両方記憶されたタイミングで実行されるものである。ところが、機械的性質実績計測手段４０による計測は、破壊検査であるので、試験片の切り出し作業や計測試験を実施するのに数時間から数日かかる。一方で、機械的性質計算手段４４による計算は、学習用圧延データを収集後、速やかに完了する。このため、学習用機械的性質実測値が取得されるタイミングと、学習用機械的性質計算値が取得されるタイミングとは異なるものとなる。

そこで、最新の学習用機械的性質計算値及び学習用機械的性質実測値の両方がともに記憶されたタイミングを検知するために、機械的性質実績値受信側記憶手段４８により学習用機械的性質実測値を受信したタイミングに合わせて、機械的性質新規データ確認手段５０により新規データ受信フラグを立てる。この際には、圧延製品の板厚の区分値ごとに、新規データ受信フラグを立てる。そして、新規データ受信フラグが立てられたタイミングに合わせて、機械的性質学習項算出手段５２により、学習項算出ステップを実行する（ステップＳ１０６）。なお、この学習項算出ステップは、新規データ受信フラグが立てられた後の最初の圧延ロール交換のタイミングなどに実行してもよい。学習項算出ステップによる処理は下記に示すとおりである。

まず、記憶された全ての学習用機械的性質計算値の中から、学習用機械的性質実測値を実測した圧延製品についての学習用機械的性質計算値を、新しいものから順に規定数だけ取得する。同様に、記憶された学習用機械的性質実測値から、新しいものを順に規定数だけ取得する。そして、圧延製品毎に、学習用機械的性質計算値に対する学習用機械的性質実測値の比率を計算する。そして、各比率の平均値を算出し学習項として取得する。機械的性質学習項記憶手段５４により、学習項を記憶する。図３は、実施の形態１に係る、学習項が記憶される学習項記憶テーブルの構成を示す図である。図３に示すように、学習項は圧延製品の板厚の区分値及び機械的性質ごとに記憶される。

予測ステップは、以上の学習項算出ステップが完了後に実行される。
予測ステップとしては、まず、圧延データ収集手段３２により、圧延ラインにおいて予測対象の圧延製品を製造する際の圧延データを予測用圧延データとして収集する（ステップＳ１０７）。

次に、金属組織計算手段３４により、冶金現象を数式化した冶金現象モデルを適用し、予測用圧延データに基づいて予測対象の圧延製品の金属組織を予測用金属組織計算値として計算する（ステップＳ１０８）。

次に、機械的性質計算手段４４により、機械的性質を計算するために数式化された機械的性質モデルを適用し、予測用圧延データ及び予測用金属組織計算値に基づいて、予測対象の圧延製品の機械的性質を予測用機械的性質計算値として計算する（ステップＳ１０９）。この際には、予測対象の圧延製品の板厚の区分値ごとに、予測用機械的性質計算値を計算する。

さらに、学習項算出ステップにおいて記憶された学習項の中から、予測対象の圧延製品の板厚の区分値に対応する学習項を取得する。そして、予測用機械的性質計算値に学習項を掛け合わせることにより、予測用機械的性質計算値を補正する（ステップＳ１１０）。

［実施の形態１の効果］
以上の方法により、計算機の負荷を増大させることなく、高い精度で圧延製品の機械的性質の予測を行うことができる。

［実施の形態１の変形例］
この実施の形態１においては、圧延製品の板厚の区分値ごとに機械的性質を予測する方法に限定されない。実施の形態１においては、板厚以外の区分の区分値ごとに機械的性質を予測する方法も適用できる。なお、この変形は、以下の他の実施の形態においても適用できる。

この実施の形態１においては、学習用機械的性質計算値に対する学習用機械的性質実測値の比率の平均値を学習項として取得しているが、この実施の形態１において、学習項として取得されるものは、その比率の平均値に限定されない。その比率と、その比率への影響の大きいパラメータとの間において回帰分析を行なった結果を学習項として取得してもよい。なお、この変形は、以下の他の実施の形態においても適用できる。

この実施の形態１においては、学習項算出ステップにおいて、記憶された学習用機械的性質計算値及び記憶された学習用機械的性質実測値から、学習対象の圧延製品と板厚の区分値が一致するものを規定数取得している。この実施の形態１においては、この方法に限定されない。学習対象の圧延製品と板厚の区分値が一致するものが規定数記憶されていない場合には、隣接する区分値から取得してもよい。なお、この変形は、以下の他の実施の形態においても適用できる。

なお、実施の形態１において、機械的性質実績計算値記憶手段４６、機械的性質実績値受信側記憶手段４８、機械的性質実績値送信側記憶手段４２及び機械的性質学習項記憶手段５４は、1つの記憶媒体で構成したものでも、複数の記憶媒体で構成したものでもよい。また、実施の形態１に係る機械的性質予測システム３０は、１台のコンピュータから構成したものでも、ネットワークで相互に接続された複数のコンピュータから構成したものでもよい。なお、ここで、コンピュータとは、パソコンに限らず、情報処理機器に含まれる演算手段、マイコン等を含む、プログラムによって実施の形態１の機械的性質予測システム３０を実現できる機器を総称している。

実施の形態２．
本発明の実施の形態２は圧延製品の金属組織予測方法に関するものである。以下に、実施の形態１と重複する内容は説明を省略して、実施の形態２に係る圧延製品の金属組織予測方法について説明する。

［実施の形態２の金属組織予測システム］
図４は、実施の形態２に係る金属組織予測システムの特徴部を示すブロック図である。実施の形態２に係る圧延製品の金属組織予測方法は、図４に示す金属組織予測システムにより実現される。図４に示すように、この実施の形態２に係る金属組織予測システムは、圧延データ収集手段３２、金属組織予測手段５６及び金属組織実績収集手段５８を備える。また、金属組織予測手段５６は、金属組織計算手段３４と、金属組織実績計算値記憶手段６０と、金属組織実績値受信側記憶手段６２と、金属組織新規データ確認手段６４と、金属組織学習項算出手段６６と、金属組織学習項記憶手段６８とを備える。金属組織実績収集手段５８は、金属組織実績計測手段７０と、金属組織実績値送信側記憶手段７２とを備える。なお、図４において、破線矢印は金属組織予測システムにおいて処理の進む方向を示す。

金属組織計算手段３４は、上述した圧延データに含まれる、化学成分や、温度、荷重等の実績値に基づいて、冶金現象を数式化したモデルを用いた計算を行なうことにより、金属組織を金属組織計算値として計算する。計算対象の金属組織の特性としては、フェライト、パーライト、ベイナイト、マルテンサイトの体積率や、フェライト、オーステナイトの粒径等がある。金属組織実績計算値記憶手段６０は、金属組織計算値を記憶する。

金属組織実績計測手段７０は、圧延製品から試験片を切り出し、試験片から金属組織の特性を金属組織実測値として計測する。計測する特性は、金属組織計算手段３４により計算されるものと同一である。計測する方法としては、試験片の顕微鏡写真から計測する方法や、超音波を利用したセンサにより計測する方法がある。金属組織実績値送信側記憶手段７２は、金属組織実測値を記憶する。

金属組織実績値受信側記憶手段６２は、金属組織実績値送信側記憶手段７２に記憶された金属組織実測値を受信して記憶する。

金属組織新規データ確認手段６４は、金属組織実績値受信側記憶手段６２により金属組織実測値を受信した時に、新規データ受信フラグを立てる。これにより、金属組織実測値が取得されたタイミングを検知する。

金属組織学習項算出手段６６は、金属組織計算値及び金属組織実測値から学習項を計算する。金属組織学習項記憶手段６８は学習項を記憶する。

［実施の形態２の金属組織予測方法］
以下に、上述した金属組織予測システムにより圧延製品の金属組織予測する方法を説明する。この方法は、学習用データ取得ステップと、学習項算出ステップと、予測ステップとを備えている。なお、以下には、圧延製品の金属組織を、圧延製品の板厚の区分値ごとに予測する方法を例として説明する。

学習用データ取得ステップとしては、まず、圧延データ収集手段３２により、学習対象の圧延製品を製造する際の学習用圧延データを収集する（ステップＳ２０１）。

次に、金属組織計算手段３４により、冶金現象を数式化した冶金現象モデルを適用し、学習用圧延データに基づいて、学習対象の圧延製品の金属組織を学習用金属組織計算値として計算する。そして、金属組織実績計算値記憶手段６０により、学習用金属組織計算値を記憶する（ステップＳ２０２）。この際には、圧延製品の板厚の区分値ごとに、学習用金属組織計算値を計算し、記憶する。

次に、金属組織実績計測手段７０により、サンプリング対象となる学習対象の圧延製品を製造した後に、その圧延製品の金属組織を試験片から学習用金属組織実測値として実測する。そして、金属組織実績値送信側記憶手段７２により、学習用金属組織実測値を記憶する（ステップＳ２０３）。この際には、圧延製品の板厚の区分値ごとに、学習用金属組織実測値を実測し、記憶する。

次に、記憶された学習用機械的性質実測値を、金属組織実績値受信側記憶手段６２に送信する。金属組織実績値受信側記憶手段６２により、学習用金属組織実測値を受信し、記憶する（ステップＳ２０４）。この際には、圧延製品の板厚の区分値ごとに、学習用金属組織実測値を受信し、記憶する。

そして、ステップＳ２０１〜ステップＳ２０４を、複数の学習対象の圧延製品について順番に実行する。これにより、複数の学習対象の圧延製品についての学習用金属組織計算値及び学習用金属組織実測値をそれぞれ取得して各記憶手段に記憶する。

以上のように、複数の学習対象の圧延製品についての学習用金属組織計算値及び学習用金属組織実測値を記憶した後に、学習項算出ステップを実行する。

実施の形態１と同様に、最新の学習用金属組織計算値及び学習用金属組織実測値の両方がともに記憶されたタイミングを検知するために、金属組織実績値受信側記憶手段６２により学習用金属組織実測値を受信したタイミングに合わせて、金属組織新規データ確認手段６４により新規データ受信フラグを立てる。そして、新規データ受信フラグが立てられたタイミングに合わせて、金属組織学習項算出手段６６により、学習項算出ステップを実行する（ステップＳ２０５）。なお、この学習項算出ステップは、新規データ受信フラグが立てられた後の最初の圧延ロール交換のタイミングなどに実行してもよい。学習項算出ステップによる処理は下記に示すとおりである。

まず、記憶された全ての学習用金属組織計算値の中から、学習用金属組織実測値を実測した圧延製品についての学習用金属組織計算値を、新しいものから順に規定数だけ取得する。同様に、記憶された学習用金属組織実測値から、新しいものを順に規定数だけ取得する。そして、圧延製品毎に、学習用金属組織計算値に対する学習用金属組織実測値の比率を計算する。そして、各比率の平均値を算出し学習項として取得する。金属組織学習項記憶手段６８により、学習項を記憶する。学習項は、圧延製品の板厚の区分値及び金属組織の特性ごとに記憶される。

予測ステップは、以上の学習項算出ステップが完了後に実行される。
予測ステップとしては、まず、圧延データ収集手段３２により、圧延ラインにおいて予測対象の圧延製品を製造する際の圧延データを予測用圧延データとして収集する（ステップＳ２０６）。

次に、金属組織計算手段３４により、冶金現象を数式化した冶金現象モデルを適用し、予測用圧延データに基づいて予測対象の圧延製品の金属組織を予測用金属組織計算値として計算する（ステップＳ２０７）。

さらに、学習項算出ステップにおいて記憶された学習項の中から、予測対象の圧延製品の板厚の区分値に対応する学習項を取得する。そして、予測用金属組織計算値に学習項を掛け合わせることにより、予測用金属組織計算値を補正する（ステップＳ２０８）。

［実施の形態２の効果］
以上の方法により、計算機の負荷を増大させることなく、高い精度で圧延製品の金属組織の予測を行うことができる。

実施の形態３．
本発明の実施の形態３は圧延製品の機械的性質予測方法に関するものである。以下に、実施の形態１と重複する内容は説明を省略して、実施の形態３に係る圧延製品の機械的性質予測方法について説明する。

［実施の形態３の特徴］
図５は、実施の形態３に係る機械的性質予測システムの特徴部を示すブロック図である。実施の形態３に係る圧延製品の機械的性質予測方法は、図５に示す機械的性質予測システムにより実現される。図５に示すように、実施の形態３に係る機械的性質予測システムは、実施の形態１とは異なり、金属組織実績値入力手段７４を備える。なお、図５において、破線矢印は機械的性質予測システムにおいて処理の進む方向を示す。

金属組織実績値入力手段７４は、超音波などを利用したセンサにより計測して取得した、圧延製品の金属組織のフェライト粒径や各相の体積率等の金属組織実測値を入力する手段である。そして、実施の形態３に係る機械的性質計算手段４４は、実施の形態１とは異なり、金属組織実測値に基づいて機械的性質を計算する。

従って、実施の形態３において、機械的性質計算手段４４は、実施の形態１で説明した金属組織計算手段３４で用いる冶金現象を数式化したモデルによる誤差の影響を受けることはない。このため、実施の形態３において、圧延製品の機械的性質の予測を行う際にも、この誤差の影響をうけることはない。

［実施の形態３の効果］
以上の方法により、計算機の負荷を増大させることなく、高い精度で圧延製品の機械的性質の予測を行うことができる。

実施の形態１に係る圧延ライン及び機械的性質予測システムの概略図である。実施の形態１に係る機械的性質実績収集手段及び機械的性質予測手段を示すブロック図である。実施の形態１に係る、学習項が記憶される学習項記憶テーブルの構成を示す図である。実施の形態２に係る金属組織予測システムの特徴部を示すブロック図である。実施の形態３に係る機械的性質予測システムの特徴部を示すブロック図である。

１０圧延ライン
２４サンプリングエリア
３０機械的性質予測システム
３２圧延データ収集手段
３４金属組織計算手段
３６機械的性質実績収集手段
３８機械的性質予測手段
４０機械的性質実績計測手段
４４機械的性質計算手段
５０機械的性質新規データ確認手段
５２機械的性質学習項算出手段
５４機械的性質学習項記憶手段
５６金属組織予測手段
５８金属組織実績収集手段
６４金属組織新規データ確認手段
６６金属組織学習項算出手段
６８金属組織学習項記憶手段
７０金属組織実績計測手段７０
７４金属組織実績値入力手段

Claims

学習用データ取得ステップと、学習項算出ステップと、予測ステップとを備え、
前記学習用データ取得ステップは、
圧延ラインにおいて学習対象の圧延製品を製造する際の圧延データを学習用圧延データとして収集するステップと、
冶金現象を数式化した冶金現象モデルを適用し、前記学習用圧延データに基づいて前記学習対象の圧延製品の金属組織を学習用金属組織計算値として計算するステップと、
機械的性質を計算するために数式化された機械的性質モデルを適用し、前記学習用圧延データ及び前記学習用金属組織計算値に基づいて前記学習対象の圧延製品の機械的性質を学習用計算値として計算するステップと、
前記学習対象の圧延製品を製造した後に、前記学習対象の圧延製品の機械的性質を学習用実測値として実測するステップと、を有し、
前記学習項算出ステップは、前記学習用実測値が実測されたタイミングにおいて、前記学習用計算値と前記学習用実測値との関係を表す学習項を取得するものであり、
前記予測ステップは、
前記圧延ラインにおいて予測対象の圧延製品を製造する際の圧延データを予測用圧延データとして収集するステップと、
前記冶金現象モデルを適用し、前記予測用圧延データに基づいて前記予測対象の圧延製品の金属組織を予測用金属組織計算値として計算するステップと、
前記機械的性質モデルを適用し、前記予測用圧延データ及び前記予測用金属組織計算値に基づいて前記予測対象の圧延製品の機械的性質を予測用計算値として計算するステップと、
前記予測用計算値を、前記学習項を用いて補正するステップと、を有し、
少なくとも１つの学習対象の圧延製品について前記学習用データ取得ステップを実行して前記学習用計算値及び前記学習用実測値を取得し、
前記学習項算出ステップにおいて、各学習対象の圧延製品について前記学習用計算値に対する前記学習用実測値の比率を計算して、前記比率の平均値を前記学習項として取得し、
前記予測用計算値を補正するステップにおいて、前記予測用計算値に前記学習項を掛け合わせることを特徴とする圧延製品の特性予測方法。