JP5727865B2

JP5727865B2 - Rolling model optimization device

Info

Publication number: JP5727865B2
Application number: JP2011114673A
Authority: JP
Inventors: 稔大新居
Original assignee: Toshiba Mitsubishi Electric Industrial Systems Corp
Current assignee: Toshiba Mitsubishi Electric Industrial Systems Corp
Priority date: 2011-05-23
Filing date: 2011-05-23
Publication date: 2015-06-03
Anticipated expiration: 2031-05-23
Also published as: CN102794310B; JP2012240103A; CN102794310A

Description

本発明は、金属等を圧延するための圧延プロセスが表現された複数のモデルを圧延条件によって使い分ける圧延モデル最適化装置に関する。 The present invention relates to a rolling model optimizing apparatus that uses a plurality of models expressing a rolling process for rolling metal or the like depending on rolling conditions.

圧延プロセスの制御を行う場合、通常、圧延現象を表すモデル式によって示される圧延モデル（以下、単に「モデル」という場合もある）を作成し、このモデルに圧延条件を与えて圧延荷重、材料温度および変形量などを予測し、圧延後の材料寸法および温度などが所望の値になるように、圧延機に設定する値を決定する。したがって、高精度で圧延を行うためには、圧延現象を正確に表すことができるモデル式が必要となる。 When controlling the rolling process, a rolling model (hereinafter sometimes simply referred to as a “model”) represented by a model expression representing a rolling phenomenon is usually created, and rolling conditions and material temperature are given to this model by giving rolling conditions. Further, a value to be set in the rolling mill is determined so that the amount of deformation and the like are predicted, and the material dimensions and temperature after rolling are set to desired values. Therefore, in order to perform rolling with high accuracy, a model formula that can accurately represent the rolling phenomenon is required.

予測計算の対象となる領域の全てが単一の物理特性を有する場合は、１つのモデルを適用し、それを実際の圧延結果に合うように調整することにより安定した予測計算が可能である。しかしながら、予測計算の対象となる領域に異なる物理特性を有する部分が混在し、１つのモデルで表現できない場合が存在する。この場合は、圧延条件毎にモデルを準備することにより物理特性が異なる領域における予測精度の向上が図られている。領域毎に異なるモデルを適用する場合は、各モデルの境界を示す境界値を予め決めておき、この境界値によって示される境界で各モデルが段差なく、つまり連続的に接続できるようにモデルが調整される。また、複数のモデルの各々は学習機能を有し、各領域で学習することにより、予測精度の向上が図られている。 When all the regions to be subjected to the prediction calculation have a single physical property, a stable prediction calculation is possible by applying one model and adjusting it to match the actual rolling result. However, there is a case where portions having different physical characteristics are mixed in an area to be subjected to prediction calculation and cannot be expressed by one model. In this case, by preparing a model for each rolling condition, the prediction accuracy is improved in regions having different physical characteristics. When applying a different model for each region, the boundary value indicating the boundary of each model is determined in advance, and the model is adjusted so that each model can be connected continuously without any step at the boundary indicated by this boundary value. Is done. Each of the plurality of models has a learning function, and the prediction accuracy is improved by learning in each region.

このような技術として、例えば、特許文献１は連続圧延機の板幅制御方法を開示している。この技術では、圧延機の出側板幅と入側張力の間に非線形な関係があることから、入側張力のレンジに対応させて幅予測を行う複数のモデルを準備し、各モデルの境界が、予め設定された境界値によって示される境界の張力で段差なく接続されている。そして、モデルが切り換えられた際にシステムが不安定になるのを低減するために、複数のモデルを、各予測時刻における出側板幅とその目標値との差の二乗をパラメータとする単一の評価関数を用いて評価し、これにより板幅制御を実施している。 As such a technique, for example, Patent Document 1 discloses a sheet width control method for a continuous rolling mill. In this technology, since there is a non-linear relationship between the exit side plate width and the entry side tension of the rolling mill, multiple models are prepared for width prediction corresponding to the entry side tension range. The connection is made without a step by the boundary tension indicated by the preset boundary value. Then, in order to reduce the instability of the system when the models are switched, a plurality of models are set as a single parameter with the square of the difference between the exit side plate width and the target value at each prediction time as a parameter. Evaluation is performed using an evaluation function, and thereby the plate width control is performed.

特開２００６−１５０３７１号公報JP 2006-150371 A

上記特許文献１に開示された連続圧延機の板幅制御方法では、非線形性の強い圧延プロセスを、幅予測を行う複数のモデルで表現するので、予測精度は向上するが、単一の圧延プロセスを複数のモデルで表現するに際して以下の問題がある。 In the sheet width control method of the continuous rolling mill disclosed in Patent Document 1, since a highly nonlinear rolling process is expressed by a plurality of models that perform width prediction, the prediction accuracy is improved, but a single rolling process There are the following problems when expressing with a plurality of models.

すなわち、モデルを切り替えるための境界値を予め決めておくことは難しく、仮に一方のモデルの適用範囲外に境界値が設定されていると、その境界値の近傍で予測精度が低下する虞れがある。したがって、境界値を、実際の圧延結果を確認しながら適宜変更できるような機能が望まれている。 That is, it is difficult to predetermine a boundary value for switching models, and if a boundary value is set outside the applicable range of one model, the prediction accuracy may decrease in the vicinity of the boundary value. is there. Therefore, a function that can change the boundary value as appropriate while confirming the actual rolling result is desired.

また、境界値を変更した場合に、境界値によって示される境界でモデルを自動的に接続できないため、境界値が変更されるたびに解析結果からモデルのパラメータを見直す必要があるという問題がある。 In addition, when the boundary value is changed, the model cannot be automatically connected at the boundary indicated by the boundary value. Therefore, there is a problem that the model parameter needs to be reviewed from the analysis result every time the boundary value is changed.

さらに、複数のモデルが学習を行う機能を有する場合であっても、境界値によって示される境界に対して一方のモデルの境界近傍の学習結果を他方のモデルに反映できないため、境界で予測値が不連続となる場合があるという問題がある。 Furthermore, even if multiple models have a learning function, the learning results near the boundary of one model cannot be reflected in the other model for the boundary indicated by the boundary value, so the predicted value at the boundary There is a problem that it may become discontinuous.

本発明は、上述した課題を解消するとともに要請に応えるためになされたものであり、その目的は、最適なモデルの適用領域を設定して隣接するモデルの予測値を段差なく接続できる圧延モデル最適化装置を提供することにある。 The present invention has been made to solve the above-mentioned problems and to meet the demands. The purpose of the present invention is to optimize the rolling model that can connect the predicted values of adjacent models without steps by setting the optimal model application area. It is in providing a conversion apparatus.

上記の課題を解決するために、本発明は、複数の物理特性の異なるモデルの境界を示す境界値を格納する境界値テーブルと、境界値テーブルに格納されている境界値を圧延の実績値に基づいて変更するモデル式接続境界値変更部と、複数のモデルの優先順位を格納するモデル式優先順テーブルと、入力された計算条件毎に、境界値テーブルから取得した境界値およびモデル式優先順テーブルから取得した優先順位に基づき圧延条件に適するモデルを決定する評価部と、評価部により決定されたモデルに切り替えるモデル切替部と、複数のモデルの各々について計算された予測値と実績値との差から学習係数を計算する学習計算部と、モデル切替部によって切り替えられたモデルのモデル式および学習計算部によって計算された学習係数を用いて該モデルの予測値を計算するモデル計算部とを備えることを特徴とする。 In order to solve the above-described problems, the present invention provides a boundary value table that stores boundary values indicating the boundaries of a plurality of models having different physical characteristics, and the boundary values stored in the boundary value table are actual rolling values. Model formula connection boundary value changing unit to change based on, model formula priority order table storing priority of multiple models, and boundary value and model formula priority order obtained from the boundary value table for each input calculation condition An evaluation unit that determines a model suitable for rolling conditions based on the priority order obtained from the table, a model switching unit that switches to a model determined by the evaluation unit, and a predicted value and an actual value calculated for each of a plurality of models Using the learning calculation unit that calculates the learning coefficient from the difference, the model formula of the model switched by the model switching unit, and the learning coefficient calculated by the learning calculation unit Characterized in that it comprises a model calculation unit for calculating a predicted value of the model.

本発明によれば、単一のプロセスを表現する複数のモデルの境界を変更可能としたので、最適なモデルの適用領域を設定でき、モデルの境界で予測値を段差なく接続させることができる。その結果、各モデルに適する領域を設定できることから、モデルの予測精度の向上を図ることができる。 According to the present invention, since the boundaries of a plurality of models expressing a single process can be changed, an optimal model application area can be set, and predicted values can be connected at the model boundaries without any step. As a result, since a region suitable for each model can be set, the prediction accuracy of the model can be improved.

本発明の実施例１に係る圧延モデル最適化装置の構成を示すブロック図である。It is a block diagram which shows the structure of the rolling model optimization apparatus which concerns on Example 1 of this invention. 本発明の実施例１に係る圧延モデル最適化装置のモデル式接続補正係数演算部で行われる演算の概要を説明するための図である。It is a figure for demonstrating the outline | summary of the calculation performed in the model type | formula connection correction coefficient calculating part of the rolling model optimization apparatus which concerns on Example 1 of this invention. 本発明の実施例２に係る圧延モデル最適化装置の構成を示すブロック図である。It is a block diagram which shows the structure of the rolling model optimization apparatus which concerns on Example 2 of this invention. 本発明の実施例２に係る圧延モデル最適化装置のモデル式接続境界値変更部で行われる計算手順を示すフローチャートである。It is a flowchart which shows the calculation procedure performed in the model type | formula connection boundary value change part of the rolling model optimization apparatus which concerns on Example 2 of this invention.

以下、本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、以下では、本発明がシングル圧延機の圧延荷重の予測計算に適用される場合を例に挙げて説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. Hereinafter, a case where the present invention is applied to prediction calculation of a rolling load of a single rolling mill will be described as an example.

一般に、圧延荷重は、例えば、荷重モデルを式（１）で表し、摩擦係数モデルを式（２）で表すことにより予測することができる。

In general, the rolling load can be predicted by, for example, expressing a load model by equation (1) and a friction coefficient model by equation (2).

ここで、
ｉ：各領域の圧延モデルの番号（ｉ＝１，２，３，…）
Ｐ_i ：荷重予測値［ｋＮ］
Ｚ_Pi ：荷重学習係数
ｋｍ_i ：変形抵抗予測値［ＭＰａ］
Ｌ_i ：接触弧長［ｍｍ］
Ｗ：圧延材の板幅［ｍｍ］
Ｑ_i ：圧下力関数
Ｈ：圧延機の入側板厚［ｍｍ］
ｈ：圧延機の出側板厚［ｍｍ］
μ_i ：摩擦係数予測値
Ｒ_di ：偏平ロール半径［ｍｍ］
ｒ：圧下率
μ_i ^ORI ：摩擦係数モデル予測値
Ｚ_Fi ：摩擦係数学習係数
である。なお、式（１）の圧下力関数には摩擦係数が含まれており、荷重と摩擦係数の間には非線形な関係がある。 here,
i: number of rolling model in each region (i = 1, 2, 3,...)
P _i : Load prediction value [kN]
Z _Pi : Load learning coefficient km _i : Deformation resistance prediction value [MPa]
L _i : Contact arc length [mm]
W: Width of rolled material [mm]
Q _i : Rolling force function H: Thickness [mm] on the entry side of the rolling mill
h: Thickness [mm] on the exit side of the rolling mill
μ _i : Predicted coefficient of friction R _di : Flat roll radius [mm]
r: reduction ratio μ _i ^ORI : friction coefficient model predicted value Z _Fi : friction coefficient learning coefficient Note that the rolling force function of Equation (1) includes a friction coefficient, and there is a non-linear relationship between the load and the friction coefficient.

非線形特性を示す単一のプロセスを１つのモデルで表現した場合は、通常、非線形特性が現れる領域で予測精度が低下する。そのため、物理特性（圧延現象）が異なる領域については別のモデルを適用し、複数のモデルで単一のプロセスを表現する。ここでは簡単のため、１つの境界値によって示される境界を挟む２つの圧延モデルについて説明する。 When a single process that exhibits nonlinear characteristics is represented by one model, the prediction accuracy usually decreases in a region where the nonlinear characteristics appear. For this reason, different models are applied to regions having different physical characteristics (rolling phenomenon), and a single process is expressed by a plurality of models. Here, for simplicity, two rolling models sandwiching the boundary indicated by one boundary value will be described.

この実施例１においては、圧延モデルを以下のように表現する。

In Example 1, the rolling model is expressed as follows.

ここで、
α_i：モデル式接続補正係数
である。 here,
α _{i is a} model type connection correction coefficient.

モデル式接続補正係数α_iは、境界値によって示される境界において荷重予測値の段差をなくす、つまり、境界を挟む一方のモデルの荷重予測値と他方のモデルの荷重予測値を等しくするための補正係数である。本来、境界値によって示される境界では各荷重モデルの荷重予測値は同じでなければならず、境界で荷重予測値が異なるのは摩擦係数モデルの予測精度に起因すると考えられる。一方の摩擦係数モデルを式（４）で表し、これをモデル式接続補正係数で補正することにより荷重予測値を修正する。他方の荷重モデルは式（５）で表し、これを境界における基準とする。 The model formula connection correction coefficient α _i eliminates the step of the predicted load value at the boundary indicated by the boundary value, that is, a correction to make the predicted load value of one model equal to the predicted load value of the other model across the boundary. It is a coefficient. Originally, the load predicted value of each load model must be the same at the boundary indicated by the boundary value, and it is considered that the load predicted value is different at the boundary due to the prediction accuracy of the friction coefficient model. One friction coefficient model is expressed by equation (4), and this is corrected by the model equation connection correction coefficient to correct the load prediction value. The other load model is expressed by equation (5), which is used as a reference at the boundary.

基準となる圧延モデルの摩擦係数モデルを表す式（６）は、式（４）と同様に表現されているが、基準となる圧延モデルではモデル式接続補正係数を「１」とする。基準となる圧延モデルは、境界を挟んだ他方の圧延モデルの予測精度に影響を与えるため、操業上の圧延範囲を考慮して予め決められる。以下、本発明の特徴である境界値の変更方法、モデル式接続補正係数の求め方および使用方法を中心に説明する。 Expression (6) representing the friction coefficient model of the reference rolling model is expressed in the same manner as Expression (4), but the model expression connection correction coefficient is “1” in the reference rolling model. Since the reference rolling model affects the prediction accuracy of the other rolling model across the boundary, it is determined in advance in consideration of the rolling range in operation. The following description will focus on the boundary value changing method, the method of obtaining the model-type connection correction coefficient, and the method of use, which are features of the present invention.

図１は、本発明の実施例１に係る圧延モデル最適化装置の構成を示すブロック図である。圧延モデル最適化装置は、計算条件入力装置１、モデル最適化装置２および制御装置３を備えている。 FIG. 1 is a block diagram illustrating a configuration of a rolling model optimization device according to a first embodiment of the present invention. The rolling model optimization device includes a calculation condition input device 1, a model optimization device 2, and a control device 3.

計算条件入力装置１は、次の圧延材の計算条件、例えば板厚などの圧延条件を入力するために使用される。この計算条件入力装置１から入力された計算条件は、モデル最適化装置２へ送られる。モデル最適化装置２は、計算条件入力装置１から入力された計算条件に従って荷重予測計算を実行し、計算結果を制御装置３に送る。このモデル最適化装置２の詳細については後述する。制御装置３は、モデル最適化装置２から送られてきた計算結果に従って、図示しない圧延機を制御する。 The calculation condition input device 1 is used to input calculation conditions for the next rolled material, for example, rolling conditions such as sheet thickness. The calculation conditions input from the calculation condition input device 1 are sent to the model optimization device 2. The model optimizing device 2 executes the load prediction calculation according to the calculation condition input from the calculation condition input device 1 and sends the calculation result to the control device 3. Details of the model optimizing device 2 will be described later. The control device 3 controls a rolling mill (not shown) according to the calculation result sent from the model optimization device 2.

次に、モデル最適化装置２の詳細を説明する。モデル最適化装置２は、評価部１１、境界値テーブル１２、モデル切替部１３、モデル式記憶部１４、学習計算部１５、学習係数記憶部１６、モデル計算部１７、モデル計算値保存部１８、モデル式接続境界値変更部２１、モデル式優先順テーブル２２、モデル式接続補正係数演算部２３およびモデル式接続補正係数記憶部２４を備えている。 Next, details of the model optimization apparatus 2 will be described. The model optimization apparatus 2 includes an evaluation unit 11, a boundary value table 12, a model switching unit 13, a model formula storage unit 14, a learning calculation unit 15, a learning coefficient storage unit 16, a model calculation unit 17, a model calculation value storage unit 18, A model type connection boundary value changing unit 21, a model type priority order table 22, a model type connection correction coefficient calculation unit 23, and a model type connection correction coefficient storage unit 24 are provided.

評価部１１は、計算条件入力装置１から送られてきた計算条件に従って、境界値テーブル１２から取得したモデルの境界値およびモデル式優先順テーブル２２から取得した圧延モデルの優先順位に基づいて、圧延条件に適するモデルを決定する。評価部１１で決定されたモデルに付されたモデル番号は、モデル切替部１３およびモデル式接続補正係数演算部２３に送られる。 The evaluation unit 11 performs rolling based on the model boundary values acquired from the boundary value table 12 and the rolling model priorities acquired from the model formula priority order table 22 according to the calculation conditions sent from the calculation condition input device 1. Determine the model that suits the conditions. The model number assigned to the model determined by the evaluation unit 11 is sent to the model switching unit 13 and the model type connection correction coefficient calculation unit 23.

モデル切替部１３は、評価部１１から送られてきたモデル番号を、モデル式記憶部１４、学習係数記憶部１６、モデル式接続補正係数記憶部２４およびモデル計算部１７に送ることにより、処理対象とするモデルを切り替える。 The model switching unit 13 sends the model number sent from the evaluation unit 11 to the model formula storage unit 14, the learning coefficient storage unit 16, the model formula connection correction coefficient storage unit 24, and the model calculation unit 17, thereby processing the model number. Switch the model.

モデル式記憶部１４は、モデル式で表現された複数の圧延モデルを領域毎に格納している。複数の圧延モデルには荷重モデル、変形抵抗モデルおよび摩擦係数モデルなどが含まれる。モデル式記憶部１４は、モデル切替部１３からモデル番号が送られてきた場合に、そのモデル番号に対応する圧延モデルをモデル計算部１７へ送る。 The model formula storage unit 14 stores a plurality of rolling models expressed by model formulas for each region. The plurality of rolling models include a load model, a deformation resistance model, a friction coefficient model, and the like. When the model number is sent from the model switching unit 13, the model formula storage unit 14 sends the rolling model corresponding to the model number to the model calculation unit 17.

学習計算部１５は、毎回の圧延実績からモデルの予測値と実績値の誤差を埋めるように学習係数を計算する。学習計算部１５による計算結果は、学習係数記憶部１６に送られる。 The learning calculation unit 15 calculates a learning coefficient so as to fill in the error between the predicted value of the model and the actual value from the rolling actual result every time. The calculation result by the learning calculation unit 15 is sent to the learning coefficient storage unit 16.

学習係数記憶部１６は、学習計算部１５から送られてきた学習係数を、各領域のモデル毎に格納する。学習係数記憶部１６は、モデル切替部１３からモデル番号が送られてきた場合に、そのモデル番号に対応する学習係数をモデル計算部１７へ送る。 The learning coefficient storage unit 16 stores the learning coefficient sent from the learning calculation unit 15 for each model in each region. When a model number is sent from the model switching unit 13, the learning coefficient storage unit 16 sends a learning coefficient corresponding to the model number to the model calculation unit 17.

モデル計算部１７は、モデル切替部１３からモデル番号を受け取った場合に、モデル式記憶部１４から受け取った圧延モデル、学習係数記憶部１６から受け取った学習係数およびモデル式接続補正係数記憶部２４から受け取ったモデル式接続補正係数に基づいて荷重予測計算を実行する。モデル計算部１７で得られた計算結果は、モデル計算値保存部１８へ送られて保存されるとともに、制御装置３に送られる。これにより、制御装置３に接続された図示しない圧延機の各アクチュエータに初期値が設定される。 When the model calculation unit 17 receives the model number from the model switching unit 13, the model calculation unit 17 receives the rolling model received from the model formula storage unit 14, the learning coefficient received from the learning coefficient storage unit 16, and the model formula connection correction coefficient storage unit 24. The load prediction calculation is executed based on the received model type connection correction coefficient. The calculation result obtained by the model calculation unit 17 is sent to the model calculation value storage unit 18 for storage, and also sent to the control device 3. Thereby, an initial value is set to each actuator of a rolling mill (not shown) connected to the control device 3.

モデル式接続境界値変更部２１は、図示しない入力装置の操作に応じて、境界値テーブル１２に格納されている境界値を変更する。単一のプロセスに対して複数のモデルが適用される場合は、事前に圧延範囲を考慮することにより、モデルの大まかな境界を示す境界値を決めておくことができる。しかしながら、事前に最適な境界値を決めるのは困難であり、一方のモデルの適用範囲外に境界値が設定された場合は、その境界値によって示される境界の近傍でモデルの予測精度が低下する恐れがある。そのため、境界値は、圧延結果（実績値）を確認しながら、その実績値に応じて変更できる必要がある。モデル式接続境界値変更部２１により、圧延結果から複数のモデルの予測精度を確認しながら境界値を調整できるので、最適な境界値の設定が可能となり、モデルの予測精度が向上する。 The model type connection boundary value changing unit 21 changes the boundary value stored in the boundary value table 12 in accordance with an operation of an input device (not shown). When a plurality of models are applied to a single process, a boundary value indicating a rough boundary of the model can be determined by considering a rolling range in advance. However, it is difficult to determine the optimal boundary value in advance, and when a boundary value is set outside the applicable range of one model, the prediction accuracy of the model decreases near the boundary indicated by the boundary value. There is a fear. Therefore, it is necessary that the boundary value can be changed according to the actual value while confirming the rolling result (actual value). The model type connection boundary value changing unit 21 can adjust the boundary value while confirming the prediction accuracy of a plurality of models from the rolling result, so that an optimum boundary value can be set, and the prediction accuracy of the model is improved.

モデル式優先順テーブル２２には、操業上の圧延範囲から基準とする圧延モデルの優先順位が予め格納されている。モデル式優先順テーブル２２から読み出された優先順位は、評価部１１へ送られる。評価部１１は、上述したように、計算条件入力装置１から送られてきた計算条件に従って、境界値テーブル１２から取得したモデルの境界値およびモデル式優先順テーブル１３から取得した圧延モデルの優先順位に基づいて、基準とするモデルを決定する。基準とするモデルは圧延範囲から想定される使用頻度の高いモデルであり、その調整および学習が進んでいるため、境界で接続される他方の荷重モデルの精度も向上する。なお、３つ以上のモデルが存在する場合は、評価部１１によりモデルの優先順位と境界値から、基準となる圧延モデルが決定され、各領域の荷重モデルが順次に接続される。 The model type priority order table 22 stores in advance the priority order of rolling models based on the rolling range in operation. The priority read from the model formula priority order table 22 is sent to the evaluation unit 11. As described above, the evaluation unit 11 determines the model boundary values acquired from the boundary value table 12 and the rolling model priorities acquired from the model formula priority order table 13 according to the calculation conditions sent from the calculation condition input device 1. Based on the above, a reference model is determined. The reference model is a model that is frequently used from the rolling range, and since the adjustment and learning are progressing, the accuracy of the other load model connected at the boundary is also improved. When three or more models exist, the evaluation unit 11 determines a reference rolling model from the model priority and the boundary value, and the load models in each region are sequentially connected.

モデル式接続補正係数演算部２３は、評価部１１から受け取った基準とするモデルのモデル番号、境界値テーブル１２から取得した境界値、モデル式記憶部１４から取得したモデル式、学習係数記憶部１６から取得した各モデルの学習係数、モデル計算値保存部１８から取得した前回計算された予測値、および、モデル式接続補正係数記憶部２４から受け取った前回計算されたモデル式接続補正係数に基づき、新しいモデル式接続補正係数と学習係数の修正値を計算する。 The model formula connection correction coefficient calculation unit 23 receives the model number of the reference model received from the evaluation unit 11, the boundary value acquired from the boundary value table 12, the model formula acquired from the model formula storage unit 14, and the learning coefficient storage unit 16. Based on the learning coefficient of each model acquired from the above, the previously calculated predicted value acquired from the model calculated value storage unit 18, and the previously calculated model type connection correction coefficient received from the model type connection correction coefficient storage unit 24, New model formula connection correction coefficient and correction value of learning coefficient are calculated.

モデル式接続補正係数演算部２３の機能の詳細を、図２を参照しながら説明する。図２は、モデル式接続補正係数演算部２３で行われる演算の概要を示す図であり、横軸は圧下率、縦軸は荷重である。境界値によって示される境界を挟んでモデル１とモデル２の適用範囲が分かれており、実線は補正前の各モデルの荷重予測値である。図２は、モデル２を基準とする荷重モデルを示している。各モデルの境界値との接点は、モデル１がＡ点、モデル２がＢ点である。基準とする荷重モデルはモデル２であるため、境界で実線を連続的に接続するためには、モデル１の境界との接点をＡ点からＢ点に補正すればよく、この補正により破線で示すように接続される。 Details of the function of the model type connection correction coefficient calculation unit 23 will be described with reference to FIG. FIG. 2 is a diagram showing an outline of the calculation performed by the model type connection correction coefficient calculation unit 23, where the horizontal axis represents the rolling reduction and the vertical axis represents the load. The application ranges of the model 1 and the model 2 are separated across the boundary indicated by the boundary value, and the solid line is the predicted load value of each model before correction. FIG. 2 shows a load model with model 2 as a reference. As for the point of contact with the boundary value of each model, model 1 is point A and model 2 is point B. Since the reference load model is model 2, in order to continuously connect the solid line at the boundary, the contact point with the boundary of model 1 may be corrected from point A to point B, and this correction indicates the broken line. So that they are connected.

上述したモデルの補正を実現するモデル式接続補正係数の演算方法について説明する。モデル１のＡ点での摩擦係数の計算値をμ_1Aとする。Ｂ点ではモデル２の荷重計算値を使用して、モデル１により摩擦係数を逆算し、これをμ_1Bとする。そして、各摩擦係数値を用いて式（７）によってモデル式接続補正係数を求める。

A method for calculating the model-type connection correction coefficient that realizes the above-described model correction will be described. The calculated value of the coefficient of friction at point A of model 1 is μ _1A . At point B, using the load calculation value of model 2, the coefficient of friction is calculated back by model 1, and this is defined as μ _1B . And a model type | formula connection correction coefficient is calculated | required by Formula (7) using each friction coefficient value.

ここで、
μ_1A：モデル１の境界値での摩擦係数
μ_1B：モデル２の境界値での荷重予測値を使用して、モデル１により逆算した摩擦係数
である。式（７）によって摩擦係数モデルを修正することは、荷重計算値の精度不良が摩擦係数モデルの精度不良に起因すると考えることに他ならない。 here,
μ _1A : Friction coefficient at the boundary value of model 1 μ _1B : Friction coefficient calculated backward from model 1 using the predicted load value at the boundary value of model 2. The correction of the friction coefficient model by equation (7) is nothing but to think that the poor accuracy of the load calculation value is caused by the poor accuracy of the friction coefficient model.

次に、学習係数の修正値の演算方法について説明する。図２に示すＢ点は常に一定値とは限らず、モデル２の調整、学習または境界値の変更により変動する。Ｂ点が変動することによりモデル式接続補正係数が変わるため、前回の学習係数を用いて摩擦係数を演算した場合、摩擦係数の計算値に誤差が生じる。そのため、モデル式接続補正係数の変化量を式（８）に示す学習係数の修正により補償する。

Next, a method for calculating the correction value of the learning coefficient will be described. The point B shown in FIG. 2 is not always a constant value, and fluctuates due to adjustment of the model 2, learning, or change of the boundary value. Since the model type connection correction coefficient changes due to the change in point B, when the friction coefficient is calculated using the previous learning coefficient, an error occurs in the calculated value of the friction coefficient. Therefore, the amount of change in the model formula connection correction coefficient is compensated by correcting the learning coefficient shown in formula (8).

ここで、
Ｚ_F1 ^NEW ：修正後の学習係数
α₁ ^OLD ：前回計算したモデル式接続補正係数
α₁ ^ORIOLD ：前回計算した摩擦係数モデルの予測値
Ｚ_F1 ^0LD ：修正前の学習係数
である。 here,
Z _F1 ^NEW : corrected learning coefficient α ₁ ^OLD : last calculated model formula connection correction coefficient α ₁ ^ORIOLD : predicted value of the previously calculated friction coefficient model Z _F1 ^0LD : learning coefficient before correction.

以上の機能により、モデル２の調整、学習または境界値が変化した場合であっても、学習係数の修正によりモデル式接続補正係数の変化による荷重予測の誤差を補正できる。その結果、モデルの予測精度が保たれる。 With the above function, even when the adjustment, learning, or boundary value of the model 2 changes, it is possible to correct the load prediction error due to the change in the model connection correction coefficient by correcting the learning coefficient. As a result, the prediction accuracy of the model is maintained.

モデル式接続補正係数演算部２３は、上述したモデル式接続補正係数と学習係数の修正値を計算した後に、モデル式接続補正係数をモデル式接続補正係数記憶部２４に保存するとともに、修正した学習係数を用いて、学習係数記憶部１６に記憶されている、対応する学習係数を更新する。また、モデル式接続補正係数記憶部２４には、基準とするモデルのモデル式接続補正係数としては「１」が保存される。なお、学習係数記憶部１６の学習係数が圧延モデルの誤差の生じやすい因子で層別化されている場合は、モデル式接続補正係数記憶部２４およびモデル計算値保存部１８の内容も学習係数と同様の層別化をする必要がある。 The model formula connection correction coefficient calculator 23 calculates the model formula connection correction coefficient and the correction value of the learning coefficient, and then stores the model formula connection correction coefficient in the model formula connection correction coefficient storage unit 24 and the corrected learning. The corresponding learning coefficient stored in the learning coefficient storage unit 16 is updated using the coefficient. In the model formula connection correction coefficient storage unit 24, “1” is stored as the model formula connection correction coefficient of the reference model. If the learning coefficients in the learning coefficient storage unit 16 are stratified by factors that are likely to cause errors in the rolling model, the contents of the model formula connection correction coefficient storage unit 24 and the model calculation value storage unit 18 are also the learning coefficients. Similar stratification is required.

モデル式接続補正係数記憶部２４は、モデル切替部１３からモデル番号を受け取ると、そのモデル番号に対応するモデル式接続補正係数をモデル計算部１７に送る。モデル計算部１７は上述したように、モデル切替部１３からモデル番号を受け取った場合に、モデル式記憶部１４から受け取ったモデル番号に対応する圧延モデルのモデル式、学習係数記憶部１６から受け取った学習係数およびモデル式接続補正係数記憶部２４から受け取ったモデル式接続補正係数に基づき荷重予測計算を実行する。 When receiving the model number from the model switching unit 13, the model type connection correction coefficient storage unit 24 sends the model type connection correction coefficient corresponding to the model number to the model calculation unit 17. As described above, when the model calculation unit 17 receives the model number from the model switching unit 13, the model calculation unit 17 receives the rolling model model formula corresponding to the model number received from the model formula storage unit 14 from the learning coefficient storage unit 16. The load prediction calculation is executed based on the learning coefficient and the model type connection correction coefficient received from the model type connection correction coefficient storage unit 24.

上述したように、摩擦係数モデルを修正することは、荷重計算値の精度不良が摩擦係数モデルの予測誤差にあると考えることに他ならない。そのため、式（４）を用いて摩擦係数を演算することにより摩擦係数の予測精度が向上し、これを用いた他の圧延モデルの精度向上も図ることができる。 As described above, the correction of the friction coefficient model is nothing but to think that the accuracy of the load calculation value is in the prediction error of the friction coefficient model. Therefore, by calculating the friction coefficient using Equation (4), the prediction accuracy of the friction coefficient is improved, and the accuracy of other rolling models using this can be improved.

以上説明したように、実施例１に係る圧延モデル最適化装置によれば、複数のモデルの境界値を変更できるので、モデルの境界値で予測値を段差なく接続させる。その結果、各モデルに適する領域を設定できるので、モデルの予測精度を向上させることができる。 As described above, according to the rolling model optimizing apparatus according to the first embodiment, the boundary values of a plurality of models can be changed. As a result, since a region suitable for each model can be set, the prediction accuracy of the model can be improved.

図３は、本発明の実施例２に係る圧延モデル最適化装置の構成を示すブロック図である。この実施例２に係る圧延モデル最適化装置の構成は、実施例１に係る圧延モデル最適化装置と同じであるが、モデル式接続境界値変更部２１が境界値テーブル１２から境界値を取得するとともに、学習係数記憶部１６から学習係数を取得するように構成されている点で相違する。以下、実施例１と相違する部分を中心に説明する。 FIG. 3 is a block diagram illustrating the configuration of the rolling model optimization device according to the second embodiment of the present invention. The configuration of the rolling model optimizing device according to the second embodiment is the same as that of the rolling model optimizing device according to the first embodiment, but the model formula connection boundary value changing unit 21 acquires boundary values from the boundary value table 12. In addition, it is different in that the learning coefficient is acquired from the learning coefficient storage unit 16. Hereinafter, a description will be given focusing on the differences from the first embodiment.

モデル式接続境界値変更部２１は、境界値テーブル１２から境界値を取得するとともに、学習係数記憶部１６から学習係数を取得し、予め決められた領域内の学習係数の平均値を演算して比較することにより、境界値テーブル１２に保存されている境界値を変更する。例えば、モデル最適化装置２は、境界値から−５％の領域について常に両モデルで荷重計算および学習を行う。つまり、モデル２の適用外に指定されている領域においてもモデル２の学習を行っておく。 The model formula connection boundary value changing unit 21 acquires a boundary value from the boundary value table 12, acquires a learning coefficient from the learning coefficient storage unit 16, and calculates an average value of learning coefficients in a predetermined region. By comparing, the boundary value stored in the boundary value table 12 is changed. For example, the model optimizing device 2 always performs load calculation and learning with both models in the region of −5% from the boundary value. That is, the learning of the model 2 is performed also in the area designated as the outside of the application of the model 2.

図４は、モデル式接続境界値変更部２１で行われる計算手順を示すフローチャートである。モデル式接続境界値変更部２１は、まず、境界値から−５％の領域で荷重学習係数の絶対値の平均値を演算する（ステップＳ１）。次いで、モデル式接続境界値変更部２１は、モデル１の学習係数の絶対値の平均値がモデル２の学習係数の絶対値の平均値以下であるかどうかを調べる。 FIG. 4 is a flowchart showing a calculation procedure performed in the model formula connection boundary value changing unit 21. First, the model formula connection boundary value changing unit 21 calculates the average value of the absolute values of the load learning coefficients in a region of −5% from the boundary value (step S1). Next, the model formula connection boundary value changing unit 21 checks whether the average value of the absolute value of the learning coefficient of the model 1 is equal to or less than the average value of the absolute value of the learning coefficient of the model 2.

ステップＳ２において、モデル１の学習係数の絶対値の平均値がモデル２の学習係数の絶対値の平均値以下であると判断されると、モデル式接続境界値変更部２１は、学習係数の絶対値の平均値の高いモデルの領域に境界値を＋１％だけ変更する（ステップＳ３）。一方、ステップＳ２において、モデル１の学習係数の絶対値の平均値がモデル２の学習係数の絶対値の平均値より大きいことが判断されると、モデル式接続境界値変更部２１は、学習係数の絶対値の平均値の高いモデルの領域に境界値を−１％だけ変更する（ステップＳ４）。 When it is determined in step S2 that the average value of the absolute value of the learning coefficient of the model 1 is equal to or less than the average value of the absolute value of the learning coefficient of the model 2, the model formula connection boundary value changing unit 21 determines the absolute value of the learning coefficient. The boundary value is changed by + 1% in the model region having a high average value (step S3). On the other hand, when it is determined in step S2 that the average value of the absolute value of the learning coefficient of the model 1 is larger than the average value of the absolute value of the learning coefficient of the model 2, the model formula connection boundary value changing unit 21 The boundary value is changed by -1% in the model region where the average value of the absolute values of the values is high (step S4).

すなわち、モデル式接続境界値変更部２１は、平均値が低い方のモデルがより安定していると判断し、学習係数の平均値の高いモデルの領域に境界値を１％だけ変更する。これにより、常に最適な境界値となるように境界値が調整されるため、モデルの予測精度を向上させることができる。また、境界値は自動的に制御されるので、迅速なモデルの予測精度の向上が可能となり、調整作業を軽減できる。 That is, the model formula connection boundary value changing unit 21 determines that the model having the lower average value is more stable, and changes the boundary value by 1% to the model region having the higher average value of the learning coefficients. As a result, the boundary value is adjusted so that it always becomes the optimum boundary value, so that the prediction accuracy of the model can be improved. In addition, since the boundary value is automatically controlled, it is possible to quickly improve the prediction accuracy of the model and reduce the adjustment work.

以上説明したように、実施例２に係る圧延モデル最適化装置によれば、複数のモデルの境界値の近傍の学習係数を監視しながら境界値を変更することができるので、常に各領域に予測精度の高いモデルを適用でき、モデルの予測精度を向上させることができる。 As described above, according to the rolling model optimization device according to the second embodiment, the boundary value can be changed while monitoring the learning coefficient in the vicinity of the boundary values of a plurality of models. A model with high accuracy can be applied, and the prediction accuracy of the model can be improved.

なお、上述した実施の形態では、摩擦係数モデルのモデル式接続補正係数を乗算的な形で表したが、これに限定されるものではない。また、各荷重モデルの学習係数を乗算的な形で、各摩擦係数モデルの学習係数を加算的な形でそれぞれ表したが、これに限定されるものではない。 In the above-described embodiment, the model type connection correction coefficient of the friction coefficient model is expressed in a multiplicative form, but the present invention is not limited to this. In addition, although the learning coefficient of each load model is represented in a multiplicative form and the learning coefficient of each friction coefficient model is represented in an additive form, the present invention is not limited to this.

また、モデルを荷重モデルと摩擦係数モデルとして説明したが、その他の異なるモデル間、例えば変形抵抗モデルと摩擦係数モデル、トルクモデルと摩擦係数モデル等であってもよい。 Although the model has been described as a load model and a friction coefficient model, other models such as a deformation resistance model and a friction coefficient model, a torque model and a friction coefficient model, and the like may be used.

また、本発明は、熱間圧延機、冷間圧延機またはタンデムミル等といったあらゆる圧延機に適用できる。さらに、本発明は、プロセスを圧延プロセスとしたが、これに限定されるものではなく、加熱・冷却プロセス等といったモデルを用いて制御しているプロセスであれば全て適用可能である。 The present invention can be applied to all rolling mills such as a hot rolling mill, a cold rolling mill, a tandem mill, and the like. Furthermore, in the present invention, the process is a rolling process. However, the present invention is not limited to this, and any process that is controlled using a model such as a heating / cooling process can be applied.

１計算条件入力装置
２モデル最適化装置
３制御装置
１１評価部
１２境界値テーブル
１３モデル切替部
１４モデル式記憶部
１５学習計算部
１６学習係数記憶部
１７モデル計算部
１８モデル計算値保存部
２１モデル式接続境界値変更部
２２モデル式優先順テーブル
２３モデル式接続補正係数演算部
２４モデル式接続補正係数記憶部 1 calculation condition input device 2 model optimization device 3 control device 11 evaluation unit 12 boundary value table 13 model switching unit 14 model formula storage unit 15 learning calculation unit 16 learning coefficient storage unit 17 model calculation unit 18 model calculation value storage unit 21 model Formula connection boundary value change unit 22 Model formula priority order table 23 Model formula connection correction coefficient calculation unit 24 Model formula connection correction coefficient storage unit

Claims

A boundary value table for storing boundary values indicating boundaries between models having different physical characteristics ;
A model-type connection boundary value changing unit that changes the boundary value stored in the boundary value table according to the actual value of rolling; and
A model priority order table for storing priorities of the plurality of models;
For each input calculation condition, an evaluation unit that determines a model suitable for rolling conditions based on the boundary value acquired from the boundary value table and the priority order acquired from the model formula priority order table;
A model switching unit for switching to the model determined by the evaluation unit;
A learning calculation unit for calculating a learning coefficient from a difference between a predicted value calculated for each of the plurality of models and the actual value;
A model calculation unit that calculates a predicted value of the model using a model formula of the model switched by the model switching unit and a learning coefficient calculated by the learning calculation unit;
A rolling model optimizing device comprising:

A model formula connection correction coefficient calculation unit that calculates a model formula connection correction coefficient that corrects a model so that predicted values of two adjacent models are continuous at a boundary indicated by a boundary value acquired from the boundary value table is provided. ,
The model calculation unit includes a model formula of a model switched by the model switching unit, a learning coefficient calculated by the learning calculation unit, and a model formula connection correction coefficient calculated by the model formula connection correction coefficient calculation unit. The rolling model optimizing device according to claim 1, wherein a predicted value of the model is calculated using the rolling model optimizing device.

When the calculated model formula connection correction coefficient is changed from the previously calculated model formula connection correction coefficient, the model formula connection correction coefficient calculation unit corrects the learning coefficient calculated by the learning calculation unit to connect the model formula connection The rolling model optimizing device according to claim 2, wherein the correction coefficient is compensated.

The model formula connection boundary value changing unit calculates and compares the average value of learning coefficients in a predetermined area near the boundary values of a plurality of models, thereby comparing boundary values stored in the boundary value table. The rolling model optimizing device according to claim 1, wherein the rolling model optimizing device is corrected.