JP7148024B1 - 鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備 - Google Patents

Abstract

本発明に係る鋼板の材質予測モデルの生成方法は、加熱された鋼板に冷却水を噴射することによって鋼板を冷却する水冷装置と、冷却過程における鋼板の表面温度を測定する温度測定装置と、を備える鋼板の冷却設備における鋼板の材質予測モデルの生成方法であって、鋼板上に予め設定される基準点における表面温度の実測データと、基準点に基づいて設定される参照点における表面温度の実測データと、を含む、表面温度情報データセットを入力実績データ、入力実績データに対応する鋼板上の基準点に対応する位置での冷却設備を通過した後の鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって、冷却設備を通過した後の鋼板の材質予測モデルを生成するステップを含む。

Description

本発明は、鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び製造設備に関する。

鋼板に要求される機械的性質、特に強度や靭性は近年特に厳しくなっている。鋼板の製造にあたっては、圧延後の高温鋼板を直接焼入れするほか、熱処理設備で焼入れを施したり、直接焼入れや熱処理設備での焼入れ途中の所定温度において冷却を停止したりすることにより、鋼板の要求特性を確保している。その際、鋼板の全幅全長で均一な特性を確保できるように冷却速度や冷却停止温度を鋼板の全幅全長で均一にすることが肝要である。

ここで、焼入れとは、熱間圧延後にオーステナイト変態の完了温度であるＡｃ３変態点以上の温度の鋼板、及び圧延後に冷却された後に加熱炉等で再びＡｃ３変態点以上の温度まで加熱された鋼板を、冷却設備でマルテンサイト変態開始温度（Ｍｓ点）以下の温度まで急冷却する熱処理方法を指す。焼入れは、特に高強度な鋼板の製造方法として広く用いられている。また、圧延後の鋼板を冷却・再加熱することなく焼入れすることを直接焼入れと呼称する。

一方、冷却工程においてフェライト、パーライトやベイナイト等の内部組織を生成するために、加熱された鋼板を５００℃程度で冷却停止するような熱処理工程も用いられている。熱間圧延後の鋼板を冷却し、５００℃程度の温度で冷却停止する技術は加速冷却と呼ばれ、現在では一般的な熱処理工程となっている。さらに、熱間圧延後の鋼板を一旦室温まで冷却した後、再加熱を行い、再加熱後の鋼板を冷却する冷却設備による冷却途中に５００℃程度の温度で冷却を停止することにより、フェライト、パーライトやベイナイト等の複合的な内部組織を制御する技術も開発が進んでいる。

このように、冷却工程を利用して鋼板の内部組織を制御し、鋼板製品の材質を造り込む際、鋼板の面内の材質ばらつきが問題となる場合がある。一般に、鋼板の材質に関する品質保証を行う際には、製造した鋼板の一部から試験片を採取して機械試験値を取得する。ところが、上記のような面内の材質ばらつきがある場合には、試験片を採取した位置によっては必ずしも鋼板全面の材質を代表しない可能性がある。このため、鋼板の全幅全長に対する材質の均一性については改善の余地があった。

これに対して、特許文献１には、厚鋼板製造ラインの冷却設備における材質保証システムが記載されている。このシステムは、水冷装置の上流位置、冷却開始位置や冷却停止位置等の複数の位置に配置された温度計測手段を用いて冷却対象となる鋼板の温度データを収集する温度収集手段を備え、鋼板の全面温度マップに基づいて厚鋼板の材質保証を行う。

一方、特許文献２には、熱延鋼帯を対象とするものであるが、冷却工程を含む鋼帯の製造ラインに温度計を配置し、鋼帯製品の長さ方向、幅方向、及び厚さ方向を区分するメッシュ毎に、過去の操業データとの類似度を参照しながらメッシュ毎の材料特性値を推定する方法が記載されている。また、特許文献２には、鋼帯内部の温度情報として、鋼帯の表面での温度測定値から伝熱モデルを用いて推定された推定値を用いることが記載されている。

また、特許文献３には、熱延鋼帯の冷却工程を対象として、鋼帯の長手方向を複数の領域に分割し、各領域に対する冷却条件から鋼帯の温度履歴を領域毎に算出する方法が記載されている。また、特許文献３には、算出された温度履歴を用いて各領域のミクロ組織の状態を予測し、予測したミクロ組織の状態に近い過去の製造実績に関するデータを用いて鋼帯の材質特性値を予測する方法が記載されている。さらに、特許文献３には、温度履歴を算出する際、厚さ方向における温度分布は均一であると仮定する方法と、厚さ方向に対する熱伝導方程式を解くことにより厚さ方向の温度分布を計算する方法も記載されている。

特許第５５８９２６０号公報 特許第５９２４３６２号公報 特開２０１２－１７１００１号公報

しかしながら、特許文献１に記載のシステムは、鋼板を冷却する際の鋼板の温度データを鋼板の全幅全長について収集するものであるが、鋼板全面の温度データを収集したとしても、必ずしも鋼板の材質を精度よく予測できるものではない。特に、温度収集手段によって収集される温度データは、鋼板の表面に関する測定データであるため、必ずしも鋼板内部の温度履歴を代表しない場合があり、鋼板の材質の予測精度には改善の余地がある。

一方、特許文献２に記載の方法は、鋼帯の厚さ方向を区画するメッシュを設定し、鋼帯の内部温度を伝熱モデルにより推定するものである。しかしながら、鋼帯の冷却工程における伝熱モデルは、厚さ方向の１次元熱伝導方程式を解く手法が通常であり、鋼帯の長手方向や幅方向の伝熱解析を行おうとすると、計算機の負荷が過大となって、実用的な温度推定手段とするのが困難である。一方、鋼帯の面内中央部は鋼帯の長手方向及び幅方向の熱の移動を無視しても実用上は問題ないものの、鋼帯の先尾端部や幅方向端部の近傍では、鋼帯の長手方向や幅方向の熱移動が生じる。従って、鋼帯の表面温度が同一であっても、鋼帯の面内中央部における板厚方向温度分布と、鋼帯の先尾端部や幅方向端部の近傍における板厚方向温度分布とは異なることになる。このため、表面温度を境界条件とした厚さ方向の１次元伝熱モデルでは、鋼帯内部の温度履歴を精度よく推定するという点で改善の余地がある。

また、特許文献３に記載の方法は、鋼帯の厚さ方向を分割し、厚さ方向の熱伝導方程式を解くことにより鋼帯内部の温度履歴を推定し、推定した温度履歴に基づいて各領域のミクロ組織の状態を予測する。特許文献３に記載の方法によれば、温度履歴だけでなく鋼帯内部のミクロ組織を予測する点で鋼帯内部の材質との対応関係が明確になるものの、上記と同様に、鋼帯の長手方向や幅方向の熱移動が生じる場合には、材質の予測精度に改善の余地がある。

本発明は、上記課題に鑑みてなされたものであって、その目的は、冷却設備を通過した後の鋼板の材質情報を精度よく予測する鋼板の材質予測モデルを生成可能な鋼板の材質予測モデルの生成方法を提供することにある。また、本発明の他の目的は、冷却設備を通過した後の鋼板の材質情報を精度よく予測可能な鋼板の材質予測方法を提供することにある。さらに、本発明の他の目的は、材質の均一性に優れた鋼板を製造可能な鋼板の製造方法及び製造設備を提供することにある。

本発明に係る鋼板の材質予測モデルの生成方法は、加熱された鋼板に冷却水を噴射することによって鋼板を冷却する水冷装置と、冷却過程における鋼板の表面温度を測定する温度測定装置と、を備える鋼板の冷却設備における鋼板の材質予測モデルの生成方法であって、鋼板上に予め設定される基準点における表面温度の実測データと、前記基準点に基づいて設定される参照点における表面温度の実測データと、を含む、表面温度情報データセットを入力実績データ、前記入力実績データに対応する鋼板上の基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって、前記冷却設備を通過した後の鋼板の材質予測モデルを生成するステップを含む。

前記参照点は、前記基準点に対して、鋼板の長手方向の位置に少なくとも一つ設定されると共に、幅方向の位置に少なくとも一つ設定されるとよい。

前記材質予測モデルは、前記入力実績データとして、前記鋼板の属性情報から選択される属性情報パラメータを含むとよい。

前記材質予測モデルは、前記入力実績データとして、前記水冷装置の操業実績データから選択される少なくとも１つの操業実績データを含むとよい。

前記機械学習として、ニューラルネットワーク、決定木学習、ランダムフォレスト、及びサポートベクター回帰の中から選択した機械学習を用いるとよい。

本発明に係る鋼板の材質予測方法は、加熱された鋼板に冷却水を噴射することによって鋼板を冷却する水冷装置と、冷却過程における鋼板の表面温度を測定する温度測定装置と、を備える鋼板の冷却設備における鋼板の材質予測方法であって、鋼板上に予め設定される予測基準点における表面温度と、前記予測基準点に基づいて設定される予測参照点における表面温度と、を含む、表面温度情報データセットを入力データ、前記鋼板上の予測基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力データとした、機械学習によって生成された材質予測モデルを用いて、前記冷却設備を通過した後の鋼板の材質情報を予測するステップを含む。

本発明に係る鋼板の製造方法は、本発明に係る鋼板の材質予測方法を用いて、前記冷却設備を通過した後の鋼板の材質の合否判定を行うステップを含む。

本発明に係る鋼板の製造設備は、加熱された鋼板に冷却水を噴射することによって鋼板を冷却する水冷装置と、冷却過程における鋼板の表面温度を測定する温度測定装置と、を有する鋼板の冷却設備と、前記冷却設備を通過した後の鋼板の材質情報を出力する材質予測部と、を備え、前記材質予測部は、鋼板上に予め設定される予測基準点における表面温度と、前記予測基準点に基づいて設定される予測参照点における表面温度を含む、表面温度情報データセットを入力データ、前記鋼板上の予測基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力データとした機械学習モデルを用いて鋼板の材質情報を出力する。

本発明に係る鋼板の材質予測モデルの生成方法によれば、冷却設備を通過した後の鋼板の材質情報を精度よく予測する鋼板の材質予測モデルを生成することができる。また、本発明に係る鋼板の材質予測方法によれば、冷却設備を通過した後の鋼板の材質情報を精度よく予測することができる。また、本発明に係る鋼板の製造方法及び製造設備によれば、材質の均一性に優れた鋼板を製造することができる。

図１は、オンライン型熱処理工程及びオフライン型熱処理工程を実行する鋼板の製造設備に本発明の一実施形態である鋼板の冷却設備が配置された例を示す図である。 図２は、オフライン型熱処理工程に適用した場合の本発明の一実施形態である鋼板の冷却設備の構成を示す図である。 図３は、図２に示す水冷装置の構成を示す図である。 図４は、図２に示す制御用コンピュータの構成を示すブロック図である。 図５は、鋼板の長手方向の位置情報と鋼板の表面温度とを対応付ける方法を説明するための図である。 図６は、鋼板の表面温度の測定例を示す図である。 図７は、基準点の一例を示す図である。 図８は、参照点の一例を示す図である。 図９は、本発明の一実施形態である材質予測モデル生成部の構成を示すブロック図である。 図１０は、本発明の一実施形態である鋼板の材質予測部の動作を説明するための図である。 図１１は、冷却設備の入口部及び出口部に配置した表面温度測定装置により得られた表面温度情報の例を示す図である。 図１２は、降伏応力及び引張強度の表示例を示す図である。 図１３は、冷却装置入側温度、冷却装置出側温度、引張強度、及び降伏応力の表示例を示す図である。 図１４は、引張強度及び降伏応力の実績値と予測値との関係の一例を示す図である。 図１５は、実施例における熱間圧延ラインの構成を示す図である。

以下、図面を参照して、本発明の一実施形態である鋼板の材質予測モデルの生成方法、材質予測方法、製造方法、及び冷却設備について説明する。

〔鋼板の製造工程〕
まず、図１（ａ），（ｂ）を参照して、本発明の一実施形態である鋼板の製造工程について説明する。

図１（ａ）は、オンライン型熱処理工程を実行する熱間圧延ラインに本発明の一実施形態である鋼板の冷却設備が配置された例を示す図である。図１（ａ）に示すように、本例では、まず、熱間圧延ラインにおいて鋳片であるスラブを加熱設備によって所定の加熱温度まで加熱した後、１又は２基の圧延機を用いてリバース圧延を行う。次に、圧延機によって所定の寸法まで圧延された鋼板は、高温のまま圧延機から冷却設備に搬送される。冷却設備では、加速冷却によって予め設定された冷却停止温度まで鋼板を冷却し、その後冷却床（鋼板を室温近傍まで空冷するためのヤード）において室温近傍まで鋼板を冷却する。そして、鋼板は精整設備に移送される、精整設備では、必要に応じて鋼板の形状矯正を行い、欠陥検査や製品採取等が行われる。なお、オンライン型熱処理工程において冷却設備を用いて冷却された鋼板に対して、１４０～６８０℃の温度まで再加熱を行う焼戻し工程を施してから冷却床に搬送することもある。焼戻し工程では、鋼板を再加熱した後に冷却設備を用いた鋼板の冷却を行わない点で、以下のオフライン型熱処理工程とは異なる。

本実施形態では、精整設備には、室温近傍まで冷却した鋼板から材質検査のための試験片サンプルを採取する試験片採取装置が設けられている。試験片採取装置は、製品規格や仕様等に応じて予め設定される鋼板面内の位置から試験片サンプルを採取する装置である。試験片採取装置としては、レーザー切断機やせん断加工機が用いられ、採取された試験片サンプルは、さらに材質試験の検査項目に対応した試験片（例えば引張試験であればＪＩＳ４号試験片）の形状に加工される。

図１（ｂ）は、オフライン型熱処理工程を実行する熱処理設備に本発明の一実施形態である鋼板の冷却設備が配置された例を示す図である。オフライン型熱処理工程は、熱間圧延ラインにおいて所定の寸法まで圧延された鋼板を用いる。熱間圧延ラインは、上記と同様の設備構成を有する。但し、熱間圧延ラインでは、必ずしもオンライン型熱処理工程を実行する必要はない。図１（ｂ）に示すように、本例では、熱間圧延ラインにより圧延された鋼板は、冷却床で室温近傍まで冷却された後、予備処理設備に送られる。予備処理設備は、オフライン型熱処理工程に先立って、必要により鋼板の形状矯正や所定寸法への切断を行う設備であり、ショットブラスト加工による脱スケールを行う場合がある。但し、予備処理設備での予備処理は必須の工程ではない。その後、鋼板はオフライン型熱処理工程を実行する熱処理設備に移送される。熱処理設備は、加熱設備を備え、鋼板を所定温度に加熱した後、冷却設備による冷却が行われる。熱処理後の鋼板は、冷却床において室温近傍まで空冷された後、精整設備に搬送される。精整設備は、オンライン型熱処理工程に用いるものと同様である。

〔冷却設備〕
次に、図２を参照して、本発明の一実施形態である鋼板の冷却設備の構成について説明する。

図２は、オフライン型熱処理工程に適用した場合の本発明の一実施形態である鋼板の冷却設備の構成を示す図である。図２に示すように、オフライン型熱処理設備１は、１００℃以下の温度の鋼板Ｓを所定温度まで加熱する加熱炉２、加熱炉２において加熱された鋼板Ｓを冷却する冷却設備３、及び冷却設備３を含むオフライン型熱処理設備１の動作を制御する制御用コンピュータ１０を主な構成要素として備えている。

冷却設備３は、鋼板Ｓに冷却水Ｗを噴射する水冷装置４、及び冷却過程における鋼板Ｓの表面温度を測定する温度測定装置５を備えている。本実施形態では、温度測定装置５は、水冷装置４の上流側に設置された温度測定装置５１、水冷装置４の途中に設置された温度測定装置５２、及び水冷装置４の下流側に設置された温度測定装置５３を備えている。但し、水冷装置４の上流側、途中、及び下流側のうちの少なくとも一つの位置に温度測定装置が設置されていればよい。なお、図２に示す水冷装置４は、水冷ノズル４１ａ，４１ｂ及び拘束装置（拘束ロール４２ａ，４２ｂ）を含む設備であるが、本実施形態において拘束装置は必須ではない。

加熱炉２には、オフライン型熱処理設備１とは別の場所にある熱間圧延ラインで所定の厚み（例えば３０ｍｍ）及び幅（例えば２０００ｍｍ）に熱間圧延され、室温程度まで冷却された鋼板Ｓが装入される。鋼板Ｓは加熱炉２において所定温度（例えば９１０℃）に加熱される。加熱炉２から抽出された鋼板Ｓは、加熱炉２の出側に設置されている複数のテーブルロール６によって搬送されながら冷却設備３に送られる。図２では、冷却設備３の構成を詳細に説明するために、加熱炉２よりも冷却設備３の方が大きく描かれている。実際には加熱炉２の長さは６０～８０ｍ程度、冷却設備３の設備長は２０～２５ｍ程度であり、鋼板Ｓの長さは冷却設備３の設備長よりも長い。このため、鋼板Ｓの先端部が冷却設備３を通過する段階では、鋼板Ｓの定常部及び尾端部は加熱炉２内に位置している。

一般に、オフライン型熱処理設備１では、鋼板Ｓは加熱炉２から抽出されて冷却設備３による冷却が終わるまでほぼ一定速度で搬送されるため、鋼板Ｓの先尾端での冷却開始温度差は小さい。すなわち、鋼板Ｓの加熱温度をＴ０、加熱炉２から冷却設備３の水冷装置４までの距離をＬ０、鋼板Ｓの搬送速度をＶ０とおくと、鋼板Ｓの先端部は温度Ｔ０で抽出され放冷時間Ｌ０／Ｖ０を経て冷却される。オフライン型熱処理設備１では、加熱炉２から水冷装置４までの距離Ｌ０が短いため、鋼板Ｓの先端部が加熱炉２から抽出され水冷装置４の入口に到っても、鋼板Ｓの尾端部は加熱炉２内で温度Ｔ０に保たれている。そのため、鋼板Ｓの尾端部も先端部と同じように温度Ｔ０で抽出され、放冷時間Ｌ０／Ｖ０を経て冷却されるので、鋼板Ｓの全長にわたって冷却開始温度を一定に保つことができる。このように、オフライン型熱処理設備１は、放冷によって温度低下しやすい薄物鋼板に対して、面内の温度偏差が小さい鋼板を製造するのに有利であるため、鋼板の材質の均一性を確保しやすいという利点がある。

オンライン型熱処理工程に用いられる冷却設備は、オフライン型熱処理工程に用いられる冷却設備とは異なり、冷却設備に近接して加熱炉２が配置されないため、鋼板Ｓの先端部が冷却設備３を通過する段階で、鋼板Ｓの定常部及び尾端部は放冷されている状態となる。従って、冷却開始までの放冷時間は、鋼板Ｓの先端部よりも尾端部の方が長く、鋼板Ｓの長さをＬ、鋼板Ｓの搬送速度をＶとすると、尾端部と先端部とでは時間Ｌ／Ｖだけ放冷時間差が生じる。圧延後の鋼板温度が均一だった場合でも、尾端部は放冷時間差だけ余分に放冷されるため、先端部と尾端部の冷却開始温度に差が生じ、鋼板Ｓの面内には長手方向で温度分布が生じやすい。オンライン型熱処理設備の方が鋼板Ｓの面内における材質が不均一になりやすい条件となる。

〔水冷装置〕
次に、図３を参照して、水冷装置４の構成について説明する。

図３は、図２に示す水冷装置４の構成を示す図である。図３に示すように、水冷装置４は、鋼板Ｓの上下方向で対を成すように鋼板Ｓの搬送方向に沿って配置された複数の水冷ノズル４１ａ，４１ｂを備えている。水冷ノズル４１ａは、鋼板Ｓの上面に向けて冷却水Ｗを下方に噴射する。一方、水冷ノズル４１ｂは、鋼板Ｓの下面に向けて冷却水Ｗを上方に噴射する。例えば水冷ノズル４１ａ，４１ｂは上下一対の水冷ノズルを構成しており、これを単位とした冷却区間のことを冷却ゾーンと呼び、単数又は複数の冷却ゾーンの集合をエリアと呼称する。図２に示す例では、冷却エリア（水冷装置４によって水冷を行うエリア）は６つの冷却ゾーンから構成されており、図３に示す例では、冷却エリアは４つの冷却ゾーンから構成されている。但し、冷却ゾーンの数がこれら以外であっても本発明の効果は損なわれない。また、冷却エリアが複数の冷却ゾーンによって構成され、水冷ノズルが配置されない空冷区間によって冷却ゾーンが隔てられていてもよい。

水冷ノズル４１ａ，４１ｂとしては、冷却水流量調整弁を有し、鋼板Ｓに向けて噴射される冷却水Ｗの水量を調整できるものが好ましい。これにより、冷却ゾーン毎に噴射する冷却水Ｗの流量を調整することができる。また、上下で対となる水冷ノズル４１ａ及び水冷ノズル４１ｂから鋼板Ｓに向けて噴射する冷却水Ｗの水量を異なる値に調整できるものが好ましい。このような各水冷ノズルから噴射する冷却水Ｗの水量は、制御用コンピュータ１０によって設定された水量設定値に基づいて、水冷流量制御装置４３によって水冷ノズル毎に制御される。

水冷装置４の操業パラメータには、少なくとも一対の水冷ノズル４１ａ，４１ｂから噴射される冷却水Ｗの水量（冷却水量）と、テーブルロール６によって搬送される鋼板Ｓの速度（搬送速度）とが含まれる。冷却水量が多いほど、鋼板Ｓの冷却速度及び温度降下量を大きくすることができる。一方、鋼板Ｓの搬送速度が小さいほど、鋼板Ｓの温度低下量を大きくすることができる。また、これらの操業パラメータを組み合わせることにより、所望の材質を得るための冷却条件として、冷却停止温度や冷却速度を制御する。

水冷装置４の操業パラメータとしては、これらの他に、冷却水量の冷却ゾーン毎のバランス（例えば、上流側の冷却ゾーンで冷却水量を多くし、下流側の冷却ゾーンで冷却水量を少なくする等）が含まれる。鋼板Ｓの温度域に応じて冷却速度を制御できるからである。冷却水量の冷却ゾーン毎のバランスは、各冷却ゾーンで噴射される冷却水量の比率によって表すことができる。さらに、冷却水Ｗを噴射する冷却ゾーンの数を変更してもよい。使用する冷却ゾーンの数によって冷却速度を同一にしながら、異なる冷却停止温度に制御することができる。使用する冷却ゾーンは、それぞれの冷却ゾーンの使用／不使用を判別する符号又は数値を用いて特定し、これらの符号又は数値を水冷装置４の操業パラメータとしてもよい。

水冷ノズル４１ａ，４１ｂから噴射される冷却水Ｗの熱伝達率は水量が多いほど高いので、冷却水量を調整することにより冷却速度を調整して鋼板Ｓの材質を制御できる。水冷ノズル４１ａ，４１ｂとしては、大流量の冷却水Ｗを鋼板Ｓの幅方向に均一に噴射できるスリットタイプのノズルや、フラットスプレーノズルを使用することができる。また、多孔噴流ノズルやミストノズルを用いてもよい。

なお、水冷ノズル４１ａ，４１ｂとして、必ずしも水冷ノズル毎に冷却水量を調整できるものを用いなくてもよい。水冷装置４が複数の冷却ゾーンを備える場合には、冷却水Ｗを噴射する冷却ゾーンの数を変更することにより、冷却条件を変更できるからである。

水冷装置４には、水冷ノズル４１ａ，４１ｂと共に、冷却中に鋼板Ｓを拘束する少なくとも一対の拘束ロールを有する拘束装置を備える場合がある。鋼板Ｓを水冷する際に生じ得る鋼板Ｓのひずみを拘束することにより、冷却の均一性を維持して、鋼板Ｓの材質の均一性を確保する点で有利となる。拘束装置の構成について、図３を用いて説明する。

拘束装置は、冷却エリアに配置され、水冷ゾーンに隣接して設置されている。拘束装置を構成する拘束ロール４２ａ及び拘束ロール４２ｂは、鋼板Ｓを上下一対のロールで拘束するように、鋼板Ｓの搬送方向に対して拘束ロールの軸方向が概ね垂直となるように配置されている。鋼板Ｓには水冷装置４による冷却中に熱収縮や相変態による歪が発生するが、拘束ロール４２ａ，４２ｂは、このような歪に起因して鋼板Ｓが座屈しないように鋼板Ｓの変形を拘束するために設置されている。これにより、冷却過程において、鋼板Ｓが変形し、冷却水Ｗによる冷却が不均一となって、鋼板Ｓの面内における材質が不均一になるのを抑制することができる。拘束装置は、鋼板Ｓを拘束する機能の他に水切りロールとしての機能を兼ね備えることができる。これにより、冷却設備３に温度測定装置５を設置する場合に、拘束装置の下流側において鋼板Ｓの上面の水乗りが温度測定への外乱となることを抑制できる。

なお、図３に示す水冷装置４では、最も下流側の拘束装置の出側に水切りパージノズル７が設置されている。水切りパージノズル７は、拘束ロール４２ａと鋼板Ｓとの接触部に形成される隙間から漏出した冷却水Ｗがさらに下流側に流れないように、拘束ロール４２ａの方向に角度をつけて水切りパージ７ａを噴射する。水切りパージ７ａにより鋼板Ｓの温度偏差が拡大するのを抑制して、鋼板Ｓの材質の均一性が悪化することを抑制する効果がある。

〔制御用コンピュータ〕
図２に戻る。制御用コンピュータ１０は、上位計算機１１から鋼板Ｓの加熱温度、板厚、板幅、重量等の情報の他、所望の材質を得るために必要な冷却停止温度の目標範囲（目標冷却停止温度）や冷却速度の目標範囲（目標冷却速度）に関する情報を取得する。そして、制御用コンピュータ１０は、このような条件を実現するための操業条件を算出して水冷装置４の各機器の操業パラメータを決定する。

図４は、図２に示す制御用コンピュータ１０の構成を示すブロック図である。図４に示すように、制御用コンピュータ１０は、上位計算機１１から熱処理の対象となる鋼板Ｓの属性情報を取得する。鋼板Ｓの属性情報には、鋼板Ｓの板厚、板幅、板長さ、重量等の鋼板Ｓの寸法に関する情報の他、鋼板Ｓの成分組成に関する情報（鋼板ＳのＣ含有量、Ｓｉ含有量、Ｍｎ含有量、Ｃｒ含有量、Ｍｏ含有量等）や熱処理後の鋼板Ｓの機械的特性の目標値（降伏応力、引張強度、伸び、靭性、硬度等）に関する情報が含まれる。

制御用コンピュータ１０は、鋼板Ｓの属性情報の他に、目標冷却停止温度や目標冷却速度に関する情報を上位計算機１１から取得する。そして、制御用コンピュータ１０は、水冷条件演算部１０ａにおいて、内部モデルに基づいた伝熱計算を行い、冷却条件として設定される目標冷却停止温度や目標冷却速度を満たすように、冷却エリアにおける水冷ノズル４１ａ，４１ｂの冷却水Ｗの流量、冷却水Ｗを噴射する冷却ゾーン、及び冷却設備３内での鋼板Ｓの搬送速度を含む水冷装置４の操業条件を決定する。

水冷条件演算部１０ａで設定された水冷装置４の操業条件は、水冷流量制御装置４３に送られる。水冷流量制御装置４３では、冷却水ポンプの作動圧や作動台数、水冷ノズル４１ａ，４１ｂの配管系統の上流側に設けられたヘッダの本数や流量調整弁の開度、及びテーブルロール６を駆動するモーターの回転速度の指令が生成され、水冷装置４の操業条件が設定される。また、冷却設備３が拘束装置として拘束ロール４２ａ，４２ｂや水切りパージノズル７を備える場合には、制御用コンピュータ１０はそれらの操業条件の設定も行う。

〔温度測定装置〕
図２に戻る。本実施形態の冷却設備３は、冷却過程における鋼板Ｓの表面温度を測定する温度測定装置５を有する。水冷装置４よりも上流側の温度測定装置５１は、水冷装置４の入口から概ね１～２ｍ離れた位置に設置される。鋼板Ｓの熱処理工程における冷却開始温度を測定するためである。一方、水冷装置４よりも下流側の温度測定装置５３は、水冷装置４の出口から概ね５～１０ｍ離れた位置に設置される。鋼板Ｓの熱処理工程における冷却停止温度を測定するためである。なお、水冷装置４よりも上流側の温度測定装置５１が設置されない場合には、冷却設備３の入口部は水冷装置４の入口部と一致する。一方、水冷装置４よりも下流側に温度測定装置５３を設置しない場合には、冷却設備３の出口部は水冷装置４の出口部と一致する。

本実施形態に用いる温度測定装置５は、冷却過程における鋼板Ｓの表面温度を測定する機能を有する。冷却過程とは、上記冷却設備３の入口部から出口部の間において生じる鋼板Ｓの温度変化の過程である。従って、温度測定装置５は冷却設備３の入口部から出口部の間の任意の位置に設置してよい。図２に示す例では、水冷装置４よりも上流側の温度測定装置５１及び下流側の温度測定装置５３の他に、水冷装置４の上流側３ゾーンの後ろに、温度測定装置５２が配置されている。但し、冷却ゾーン間の温度測定装置５２は、水冷装置４の入口部から出口部の任意の位置に設置してよく、水冷装置４内に２以上の温度測定装置を配置してもよい。

温度測定装置５は、鋼板Ｓの上面の表面温度を測定するものでも、下面の表面温度を測定するものであってもよい。温度測定装置５としては、接触式及び非接触式のいずれのものを用いてもよい。接触式の場合には熱電対を使用するものが好ましく、非接触式の場合には放射温度計が好ましい。放射温度計は、予め鋼板Ｓの放射率を特定し輝度データから温度データに変換する通常の放射温度計の他、異なる２つの波長における放射輝度を測定し、これらの比に基づいて物体の温度に変換する二色放射温度計を用いてもよい。さらに、より好ましい実施形態は、鋼板Ｓの幅方向の温度分布を測定可能な温度測定装置である。具体的には、鋼板の搬送方向（長手方向）と直交する方向に、放射温度計を複数配置する方法や、温度測定点を幅方向にスキャンさせる走査型温度計を用いることができる。また、鋼板Ｓの画像を取得して画像の輝度データから温度に変換するカメラ型の温度計を用いてもよい。

なお、温度測定装置５は、水冷ノズル４１ａ，４１ｂからの冷却水Ｗによる影響を受けにくい位置に設置することが好ましい。図２に示す例では、温度測定装置５２は、拘束ロール４２ａ，４２ｂにより区画され、水冷ノズル４１ａ，４１ｂによる冷却水Ｗが直接的には供給されない位置に配置されている。これにより、温度測定装置５２による温度測定に対する外乱を減らすことができる。但し、冷却水Ｗが存在していても鋼板Ｓの表面温度の測定が可能な冷却帯内鋼板温度計（Fountain Pyrometer）等の温度測定装置を用いる場合には、冷却水Ｗが直接的に供給される位置に温度測定装置５２を配置してもよい。

本実施形態では、温度測定装置５により測定された鋼板Ｓの表面温度は、鋼板Ｓの面内における位置情報と対応付けられる。鋼板Ｓの幅方向の位置情報については、放射温度計を固定した位置に複数配置する方法によれば、放射温度計による温度データを取得する幅方向位置は予め特定されているので、温度データと鋼板Ｓの幅方向の位置との対応関係は明確である。温度測定装置５が走査型温度計を用いて幅方向にスキャンする場合には、温度測定装置５により幅方向のスキャン位置が特定されているので、鋼板Ｓの幅方向の位置と測定される温度データとが対応付けられる。

一方、鋼板Ｓの長手方向の位置情報については、鋼板Ｓの先端部からの搬送距離を特定することにより温度測定装置５により取得される温度データとの対応付けが可能である。例えば図５に示すように、温度測定装置５が配置される場合、鋼板Ｓの先端部が温度測定装置５に到達することは測定される温度データがステップ的に増加することにより判定できる。そして、鋼板Ｓの先端部が温度測定装置５に到達した信号をトリガーとして、鋼板Ｓを搬送するテーブルロール６の回転数と直径からその後の搬送距離を算出し、これが鋼板Ｓの先端部からの長手方向の位置情報となる。温度測定装置５により測定される鋼板Ｓの表面温度の測定値と長手方向の位置情報とが例えば表面温度情報生成装置５４に送られ、鋼板Ｓの表面温度の測定値が鋼板の面内における位置情報と対応付けられる。なお、鋼板Ｓの表面温度と鋼板Ｓの面内における位置情報とを対応付ける方法は、このような方法に限定されるものではなく、鋼板Ｓの全面をカメラ型の２次元温度計により測定する場合には、鋼板Ｓの全面における温度と位置情報とが取得されるので、鋼板Ｓの表面温度と鋼板Ｓの面内における位置情報とが同時に取得されることになる。

図６に、鋼板Ｓの表面温度の測定例を示す。鋼板Ｓの面内における表面温度情報は、鋼板Ｓの表面に２次元の座標系を設定することにより、測定される温度が鋼板Ｓの面内における位置情報と対応付けられる。そして、位置情報と対応付けられた表面温度情報は、制御用コンピュータ１０又は上位計算機１１に送られ、少なくともいずれかの記憶装置に保存される。

〔基準点と参照点〕
本実施形態の鋼板の材質予測モデルの生成方法では、冷却設備３に設置された温度測定装置５を用いて、鋼板Ｓ上に予め設定される基準点における表面温度の実測データと、その基準点に基づいて設定される参照点における表面温度の実測データを取得する。取得した基準点及び参照点の表面温度の実測データを以下では表面温度情報データセットと呼ぶ。

本実施形態における基準点とは、冷却される鋼板Ｓの面内に任意に設定された点であって、鋼板Ｓの面内における位置が特定されたものをいう。すなわち、基準点は、鋼板Ｓの面内おける先端部又は尾端部からの距離、及び鋼板Ｓの一方の幅方向端部又は他方の幅方向端部からの距離により位置が特定された点である。

図７に基準点の一例を示す。図７に示すように、鋼板Ｓの進行方向に対して、鋼板Ｓの先端部から尾端部に向かう方向をｘ軸、鋼板Ｓの進行方向に向かって右手側の方向をｙ軸とする場合、基準点ＰＡは、座標（ｘ１，ｙ１）により位置が特定された点である。基準点は１枚の鋼板Ｓに対して複数設定してよい。図７に示す例では、鋼板Ｓの平面形状が必ずしも矩形形状ではないため、鋼板Ｓの最先端部において幅落ちが生じている領域を除くように、鋼板Ｓの最先端部の幅方向中央部から尾端部の方向に予め設定された距離Ｌｔ（例えばＬｔは０．０５～０．３ｍ程度に設定できる）だけ離れた位置を原点として座標系を設定している。鋼板Ｓの最先端部で幅落ちが生じている領域は、鋼板製品とはならないため、本実施形態における鋼板Ｓの材質予測の対象領域から除外してもよい。

一方、参照点は、基準点に基づいて設定される点であり、鋼板面内における基準点との位置関係が特定されているものをいう。参照点は、一つの基準点に対して複数の点を設定してよい。図８に参照点の例を示す。座標（ｘ１，ｙ１）により特定される基準点ＰＡに対して、進行方向に距離ｄｘ離れた尾端部側及び先端部側に参照点ＰＢ１，ＰＢ２が設定されている。また、幅方向に距離ｄｙ離れた進行方向の右手側及び左手側に参照点ＰＢ３，ＰＢ４が設定されている。参照点は、一つの基準点に対して少なくとも一つ設定されていればよく、鋼板Ｓの進行方向及び幅方向のいずれに設定してもよい。また、参照点は、鋼板Ｓの進行方向に対して一定の角度を有する位置に設定してよく、必ずしも鋼板Ｓの進行方向及び幅方向に設定する必要はない。但し、参照点は、基準点に対して鋼板Ｓの進行方向及び幅方向の両方向に設定することが好ましく、各方向に対して２以上設定するのがより好ましい。

参照点と基準点との間の距離は、０．１～２００ｍｍの範囲で任意に設定できる。好ましくは１～５０ｍｍ、より好ましくは５～２０ｍｍである。鋼板Ｓの板厚に応じて参照点と基準点との間の距離を変更してもよい。例えば、鋼板Ｓの板厚Ｈに対して、参照点と基準点との間の距離を０．５Ｈ～３．０Ｈの範囲から設定してもよい。後述するように、本実施形態では、基準点と参照点で測定される表面温度の相違により鋼板内部の熱移動の挙動を間接的に特定させるため、参照点と基準点との距離が短すぎると両者の表面温度の差が検出されにくくなる。一方、参照点と基準点との距離が長すぎると鋼板面内の位置による材質の分布を特定しにくくなる。また、基準点と参照点との間の熱移動は時間に依存するため、目標冷却速度に応じて基準点と参照点との間の距離を設定するようにしてもよい。例えば目標冷却速度が大きい場合は、基準点と参照点との間の距離を短くし、目標冷却速度が小さい場合には、基準点と参照点との間の距離を長くしてもよい。

なお、本実施形態では、上記の通り温度測定装置５により鋼板Ｓの表面温度は面内の位置情報と対応付けられている。このため、基準点と参照点の位置情報に基づいて、基準点及び参照点の表面温度データを特定することができ、これにより表面温度情報データセットを構成することができる。

〔鋼板の材質情報〕
本発明の一実施形態である鋼板の材質予測モデルの生成方法は、上記の表面温度情報データセットを入力実績データに含み、この入力実績データに対応する鋼板Ｓ上の基準点に対応する位置での上記冷却設備３を通過した後の鋼板Ｓの材質情報を出力実績データとする。

鋼板Ｓの材質情報の実績データは、冷却設備３を通過した後の鋼板Ｓから取得されるものであり、室温近傍まで冷却された後の鋼板Ｓから得ることができる。具体的には、図１（ａ），（ｂ）に示す例では、冷却設備３を通過した後の冷却床や精整設備に搬送された段階での鋼板Ｓから材質情報を取得できる。室温近傍まで冷却された鋼板Ｓからは、精整設備の試験片採取装置により材質情報を取得するための試験片サンプルが採取される。製品となる鋼板Ｓの品質保証においては、鋼板Ｓの材質を検査するための試験項目や試験片サンプルの採取位置が予め設定されている。また、試験片サンプルの採取位置は、鋼板Ｓのサイズや規格、仕様に応じて予め設定され特定されていることが多い。従って、鋼板Ｓの材質情報は、鋼板Ｓの位置情報と対応付けられて取得される。なお、図１（ａ）に示すオンライン型熱処理工程において、冷却設備により冷却された鋼板が、再加熱を行う焼戻し工程を経て冷却床に搬送される場合には、鋼板Ｓの材質情報の実績データは、焼戻し処理を行った後の鋼板Ｓから取得されるものとする。焼戻し工程では、冷却設備を用いた鋼板Ｓの冷却を行わないものの、焼戻し処理によって鋼板Ｓの材質情報が変化するからである。

本実施形態では、鋼板Ｓの材質情報とは、熱処理工程を経て製造された鋼板Ｓの機械的性質に関する情報をいう。機械的性質に関する情報とは、引張試験、圧縮試験、曲げ試験、シャルピー衝撃試験、ＣＴＯＤ試験、ＤＷＴＴ試験、疲労試験等、鋼板Ｓの機械的性質を特定するために通常行われる試験から得られる情報を指す。引張試験の場合には、ＪＩＳやＩＳＯ等の規格に基づいて行われる情報として、引張強度、降伏強度、伸び（永久伸び、破断伸び、全伸び等）を用いることができる。また、上降伏点、下降伏点、０．２％耐力、絞りも引張試験から得られる情報であるため鋼板Ｓの材質情報となる。シャルピー衝撃試験の場合には、試験片サンプルからＶ切欠き試験片を採取して、試験温度毎に取得される、振子式ハンマによって破壊する際の吸収エネルギーや脆性破面率を鋼板Ｓの材質情報とすることができる。ＣＴＯＤ試験では、試験温度毎に取得される、不安定破壊が発生するき裂先端開口量（限界ＣＴＯＤ値）を鋼板Ｓの材質情報とすることができる。また、一般的な疲労破壊では、設定される応力振幅毎に取得される破断繰返し数や、疲労限の値を鋼板Ｓの材質情報としてもよい。

鋼板Ｓの複数の位置から試験片サンプルを取得する場合には、鋼板Ｓの面内おける試験片サンプル採取位置に対応して、試験片サンプル採取位置毎に材質情報が得られる。この場合には、それぞれの試験片サンプル採取位置を基準点とする鋼板Ｓの材質情報を得ることができる。鋼板Ｓの同一箇所から複数の試験片サンプルを採取する場合には、それぞれの試験片を用いて、複数の種類の材質情報が得られる。この場合には、取得される複数の材質情報を１組のデータセットとして鋼板Ｓの材質情報とすることができる。

〔材質予測モデル生成部〕
本発明の一実施形態である鋼板の材質予測装置は、材質予測モデル生成部を備える。材質予測モデル生成部は、上記冷却設備３において、鋼板Ｓ上に予め設定される基準点における表面温度の実測データと、その基準点に基づいて設定される参照点における表面温度の実測データを含む、表面温度情報データセットを入力実績データ、これらの入力実績データに対応する鋼板Ｓ上の基準点に対応する位置での冷却設備３を通過した後の鋼板Ｓの材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって、冷却設備３を通過した後の鋼板Ｓの材質予測モデルを生成する。出力実績データである冷却設備３を通過した後の鋼板Ｓの材質情報は、冷却設備３を通過した後であれば、必ずしも室温まで冷却された後の材質情報に限定されない。但し、冷却設備３を通過した後に鋼板Ｓの再加熱を行う焼戻し工程を実行する場合には、焼戻し工程を完了した後の鋼板Ｓの材質情報を出力実績データとする。

図９に本発明の一実施形態である材質予測モデル生成部の構成を示す。図９に示すように、本発明の一実施形態である材質予測モデル生成部２０は、データベース部２０ａ及び機械学習部２０ｂを備えている。データベース部２０ａは、鋼板Ｓ上の基準点における表面温度の実測データと、その基準点と対応付けられた参照点における表面温度の実測データを、表面温度情報データセットの実績値として取得すると共に、その基準点に対応する位置での冷却設備３を通過した後の鋼板Ｓの材質情報を取得する。

データベース部２０ａに蓄積する表面温度情報データセットは、鋼板Ｓ上の基準点として、材質情報を取得する位置に対応する表面温度情報データである。従って、鋼板Ｓの材質情報を取得する位置が１枚の鋼板Ｓ上に複数個ある場合には、それぞれの基準点に対応した表面温度情報データセットと材質情報とを対応付けてデータベース部２０ａに蓄積する。すなわち、データベース部２０ａに蓄積されるデータセットの数は、１枚の鋼板Ｓから基準点と同じ数となる。

鋼板Ｓの材質情報の実績データは、上記の通り試験片サンプルが採取された位置として、鋼板の面内における位置情報が特定されたものである。しかしながら、鋼板Ｓの材質情報を取得するための試験片サンプルは、試験方法に応じて一定の大きさを有するため、表面温度情報データセットを構成する基準点の位置とは厳密には一致しない。但し、通常の品質保証の考え方も、試験片サンプル内であれば材質は均一であるという前提で評価されるのが技術常識であるから、本実施形態でも鋼板の材質情報の実績データを取得した位置と、表面温度情報データセットを構成する基準点との厳密な一致は要しない。そこで、上記の「鋼板上の基準点に対応する位置」は、基準点の鋼板Ｓの面内で特定される座標が試験片採取装置によって採取される試験片サンプルの範囲に含まれていればよい。好ましくは、材質情報を取得するための試験片を採取した位置の中央部が、表面温度情報データセットを構成する基準点から２００ｍｍ以内にあることである。

データベース部２０ａには、鋼板Ｓの属性情報に関するパラメータ（属性情報パラメータ）を入力実績データとして蓄積してよい。鋼板Ｓの属性情報は、上述の通り、鋼板Ｓの板厚、板幅、板長さ、重量等の鋼板Ｓの寸法に関する情報の他、鋼板Ｓの成分組成に関する情報（鋼板ＳのＣ含有量、Ｓｉ含有量、Ｍｎ含有量、Ｃｒ含有量、Ｍｏ含有量）や熱処理後の鋼板Ｓの機械的特性の目標値（降伏応力、引張強度、伸び、靭性、硬度等）に関する情報である。鋼板Ｓの成分組成に関する情報には、Ｃ、Ｓｉ、Ｍｎ、Ｃｒ、Ｍｏの含有量の他、Ｎｂ、Ｎｉ、Ｖ、Ｗ、Ｓｎ、Ｃｕの含有量が含まれてもよい。但し、鋼板Ｓの属性情報は１枚の鋼板Ｓに対して、一組の属性情報が対応付けられるため、１枚の鋼板Ｓに複数の基準点が設定され、複数の表面温度情報データセットの実測値が得られている場合でも、それらの表面温度情報データセットには同一の鋼板Ｓの属性情報パラメータが対応付けられる。鋼板Ｓの属性情報パラメータを材質予測モデルの生成に用いるのは、鋼板Ｓの属性情報が大きく変化する場合であっても、精度の高い材質予測モデルを生成できる点で有利だからである。但し、同一鋼種（成分組成の管理範囲が共通）の鋼板Ｓについて材質予測モデルを生成する場合には、鋼板Ｓの属性情報パラメータを材質予測モデルの入力に含める必要はない。成分組成の管理範囲が共通する場合には、鋼板Ｓの成分組成の実績値が変動しても、鋼板Ｓの材質情報に大きなばらつきは生じないからである。

データベース部２０ａには、水冷装置４の操業実績パラメータの実績データ（操業実績データ）を蓄積してもよい。水冷装置４の操業実績パラメータは、上述の通り、水冷ノズル４１ａ，４１ｂから噴射される冷却水Ｗの水量（冷却水量）、テーブルロール６による鋼板Ｓの速度（搬送速度）、冷却水量の冷却ゾーン毎のバランスに関する情報や、冷却水Ｗを噴射する冷却ゾーンの数等、鋼板Ｓの冷却状態に影響を与える操業パラメータの設定値又は実測値を用いることができる。鋼板Ｓの冷却状態は、鋼板Ｓの冷却終了後の材質に影響を与えるからである。また、水冷ノズル４１ａ，４１ｂから噴射される冷却水Ｗの上下水量比を水冷装置４の操業実績パラメータとしてもよい。冷却水Ｗの上下水量比によっては、鋼板Ｓに反りが発生し、鋼板Ｓの冷却状態に影響を与えるからである。

水冷装置４の操業実績パラメータとして、冷却水量に関する操業条件を用いる場合には、各水冷ゾーン及び上下の水冷ノズル４１ａ，４１ｂに識別番号を割り振ることにより、水冷ノズル毎の冷却水量を水冷装置４の操業実績データとすることができる。但し、水冷ゾーンにおける冷却水量の和や水冷ゾーンから任意に選択した複数の水冷ゾーンにおける冷却水量の和を水冷装置４の操業実績データとしてもよい。特に、冷却エリアの前段側（上流側）の複数の冷却ゾーンでは、鋼板Ｓの温度変化が大きく、鋼板Ｓの材質に与える影響が大きいため、冷却エリアの前段側の２～３の冷却ゾーンにおける冷却水量の和を用いてもよい。

なお、水冷ゾーンや水冷ノズル、あるいは水冷ノズルの配管系統の上流側にある水冷ヘッダ等の単位で流量計が設置されている場合には、水冷装置４の操業実績データとしては、流量計により取得される実績データを用いてもよい。但し、水冷条件演算部１０ａにおいて設定された冷却水量の設定値も用いてもよい。予め水冷ノズルの設定値と実績値の比較がなされていれば、実績の冷却水量が設定値から大きく外れることは少ないと考えられるからである。

さらに、水冷装置４の操業実績データとして、鋼板Ｓの冷却速度、冷却設備３内での鋼板Ｓの搬送速度を用いてもよい。鋼板Ｓの冷却速度によって鋼板Ｓの長手方向に生じる温度勾配が変化し、長手方向の熱歪の勾配に起因する鋼板Ｓの形状が変化することにより、鋼板Ｓの温度履歴に影響を与え、冷却設備を通過した後の鋼板Ｓの材質に影響を与えるからである。

その他にも、水冷装置４の操業実績データとして、鋼板Ｓの冷却停止温度を含んでもよい。冷却停止温度が低い場合には、核沸騰の冷却領域に入り、温度偏差が発生しやすい条件となるため、鋼板Ｓの面内における材質の均一性が悪化する場合があるからである。

以上より、水冷装置４の操業実績データを鋼板の材質予測モデルの入力実績データに用いる場合には、冷却水量、冷却水Ｗの上下水量比、鋼板Ｓの冷却速度、及び冷却設備３内での鋼板Ｓの搬送速度のうちの少なくとも１つが含まれることが好ましく、これらの中から複数の操業実績データを含むことがより好ましい。複数の原因により生じる鋼板Ｓの面内における材質の分布を予測するのに有利だからである。

以上のような水冷装置４の操業実績データを用いる場合に、鋼板Ｓの面内におけるそれらの平均値等を算出し、算出した値を代表値として水冷装置４の操業実績データに用いることができる。このとき、１枚の鋼板Ｓに対して複数の表面温度情報データセットを取得する場合には、それぞれの表面温度情報データセットに対して同一の代表値が水冷装置４の操業実績データとして対応付けられる。一方、鋼板Ｓの冷却過程において、鋼板の長手方向の位置に応じて、冷却水量や使用する冷却ゾーン数等が変化する場合には、基準点が冷却設備３を通過する際に使用された冷却水量や冷却ゾーン数を水冷装置４の操業実績データとして、データベース部２０ａに蓄積してもよい。

材質予測モデルＭの入力実績データは、上記に限定されるものではなく、オフライン型熱処理設備１の加熱炉２における加熱帯や均熱帯等の各ゾーンでの温度実績や滞留時間等の実績値又は設定値等の加熱炉２の操業実績データを含んでもよい。鋼板Ｓの表面粗さや酸化物の状態は冷却水Ｗの濡れ性に影響を与え、冷却中の鋼板Ｓの面内の温度分布が変化することで、鋼板Ｓの材質に間接的な影響を与えるからである。さらに、冷却エリアに拘束装置が配置される場合には、拘束装置を構成する拘束ロール４２ａ，４２ｂによる鋼板Ｓの拘束力、圧下位置の設定値又は実測値等の拘束装置の操業実績データを材質予測モデルＭの入力実績データに含めてよい。これらにより冷却過程における鋼板Ｓの形状が変化する場合があり、冷却設備３を通過した後の鋼板Ｓの面内における材質の均一性に影響を与えるからである。水冷装置４の最も下流側の拘束装置の出側に水切りパージノズル７を備える場合には、水切りパージノズル７からのパージ圧力や気体噴射量等の水切りパージノズル７の操業実績データを材質予測モデルＭの入力実績データに含めてよい。水切りパージノズル７の操業条件が適切でないと、鋼板Ｓの温度偏差が拡大し、鋼板Ｓの材質の均一性が悪化するからである。

材質予測モデル生成部２０は、制御用コンピュータ１０の内部にあってもよく、制御用コンピュータ１０への製造指示を与える上位計算機１１に組み入れてもよい。また、制御用コンピュータ１０や上位計算機１１と通信可能である別個のハードウエアにより構成してもよい。また、後述する材質の合否を判定する材質判定部内に備えることもできる。

以上のようにして、鋼板Ｓ上に予め設定され、試験片サンプル採取位置と対応付けられた基準点に対応する表面温度情報データセットの実績データ、冷却設備を通過した後の鋼板Ｓの基準点に対応する位置での材質情報、及び必要に応じて取得される鋼板Ｓの属性情報等の操業実績データや水冷装置４の操業実績データは、予め設定される基準点毎に１組のデータセットを構成し、データベース部２０ａの記憶装置に蓄積される。また、基準点毎に構成される１組のデータセットには、加熱炉２の操業実績データ、拘束装置の操業実績データ、及び水切りパージノズル７の操業実績データから選択される１又は２以上の操業実績データを含めてもよい。鋼板Ｓの面内に設定される試験片サンプル採取位置は、通常１～１０個程度に設定されることから、本実施形態では１枚の鋼板に対して１～１０個程度のデータセットがデータベース部２０ａの記憶装置に蓄積される。

データベース部２０ａには、同一の規格、鋼種、及びサイズの区分毎に５０個以上のデータセットが蓄積される。好ましくは１００個以上、より好ましくは５００個以上である。また、規格、鋼種、及びサイズのいずれかが異なる鋼板Ｓを含む場合には、２０００個以上のデータセットが蓄積されることが好ましい。鋼板Ｓの規格又は鋼種が異なると、熱処理後の鋼板Ｓの材質に対する成分組成の影響が大きくなるため、データベース部２０ａに蓄積するデータセットには鋼板Ｓの属性情報パラメータを含めるのが好ましい。

データベース部２０ａに蓄積されるデータについては、必要に応じてスクリーニングが行われる場合があり、異常値を示すデータが取り除かれてよい。信頼性の高いデータが蓄積され、材質の予測精度が向上するからである。データベース部２０ａに蓄積されるデータセットは、一定のデータセット数を上限として、その上限内でデータベース部２０ａに蓄積されるデータセットを適宜更新してもよい。

機械学習部２０ｂは、データベース部２０ａに蓄積されたデータセットを用いて、鋼板Ｓ上に予め設定される基準点に対応する表面温度情報データセットを入力実績データ、これらの入力実績データに対応する鋼板Ｓ上の基準点に対応する位置での冷却設備３を通過した後の鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって、冷却設備３を通過した後の鋼板Ｓの材質予測モデルＭを生成する。また、必要に応じてデータベース部１８ａに蓄積される、鋼板Ｓの属性情報パラメータ、水冷装置４の操業実績データ、拘束装置の操業実績データ、加熱炉２の操業実績データ、及び水切りパージノズル１５の操業実績データから選択した１又は２以上の操業実績データを、上記入力実績データに含めて機械学習を行ってもよい。

材質予測モデルＭを生成するための機械学習モデルは、実用上十分な材質情報の予測精度が得られれば、いずれの機械学習モデルでもよい。例えば、一般的に用いられるニューラルネットワーク（深層学習や畳み込みニューラルネットワーク等を含む）、決定木学習、ランダムフォレスト、サポートベクター回帰等を用いればよい。また、複数のモデルを組み合わせたアンサンブルモデルを用いてもよい。

さらに、材質予測モデルＭとして、鋼板Ｓの材質情報を数値として出力するだけでなく、予め定められた材質情報の許容範囲にあるか否かの判定を行い、その結果を合格／不合格と２値化したデータを出力実績データとした機械学習モデルを用いてもよい。その際、ｋ―近傍法やロジスティック回帰のような分類モデルを用いることができる。

なお、材質予測モデルＭは、例えば１ヶ月毎又は１年毎に再学習により新たなモデルに更新してもよい。データベース部２０ａに保存されるデータが増えるほど、精度の高い材質予測が可能となるからであり、最新のデータに基づいて材質予測モデルＭを更新することで、経時的な操業条件の変化を反映した材質予測モデルＭを生成できるからである。

ここで、鋼板Ｓ上に予め設定される基準点における表面温度の実測データと、その基準点に基づいて設定される参照点における表面温度の実測データを、材質予測モデルＭの入力に用いる理由について説明する。

本実施形態で材質予測の対象となる鋼板は、通常は板厚３～１００ｍｍ、板幅１０００～４０００ｍｍ、長さ４０００～２００００ｍｍである。このような鋼板について、従来の材質予測モデルでは、冷却過程における鋼板の表面温度の測定結果に基づき、鋼板内部の温度分布を伝熱計算等により推定し、予め判明している鋼板内部の熱履歴と冷却後の材質の対応関係の情報から鋼板の材質を予測していた。この場合に鋼板内部の温度分布を推定するための伝熱計算は、板厚方向の一次元熱伝導方程式に基づくものである。すなわち、鋼板の表面温度に関する測定値の情報は、測定位置から鋼板表面に対して垂直方向の内部における温度推定にしか使用されていない。一方、鋼板の板厚が５ｍｍ以上になると、板厚方向の伝熱挙動だけでなく、面内の熱移動による鋼板の内部温度に対する影響を無視できない場合が生じる。特に、鋼板の先端部や尾端部、幅方向端部等、鋼板の端面から熱伝達による影響が生じ得る領域では、鋼板内部における面内方向の熱移動を考慮する必要が生じる。

これに対して、本実施形態は、鋼板上に予め設定される基準点における表面温度の実測データだけでなく、その基準点に基づいて設定される参照点における表面温度の実測データを用いる。これにより、鋼板内部の面内の熱移動の挙動が、基準点における表面温度と参照点における表面温度との差異に反映されることになる。すなわち、基準点における表面温度の方が参照点の表面温度よりも高ければ、鋼板内部の熱移動が基準点の直下から参照点の直下に向けて生じていることが推測される。基準点における表面温度情報のみを用いていた従来の方法に比べて、参照点の表面温度の情報を組み合わせることにより、鋼板内部の面内の熱移動に関する情報を反映させた材質予測モデルを得ることができる。本実施形態では、基準点における表面温度により鋼板の板厚方向の伝熱挙動に関する情報が取得され、基準点と参照点における表面温度の関係により鋼板内部の面内方向の伝熱挙動に関する情報が取得される。このため、それらの表面温度の情報は鋼板の内部における伝熱挙動を特定する情報となる。鋼板の熱処理過程における内部の伝熱挙動は、鋼板の熱処理後の材質に大きな影響を及ぼすことが知られている。表面温度情報データセットを入力、鋼板の材質情報を出力とした機械学習の手法によって、それらの相関関係を定量的に材質予測モデルに反映させることができ、高精度な鋼板の材質予測モデルを生成することができる。

さらに、予め設定された基準点に対して複数の参照点を設定することにより、鋼板内部の熱移動に関する挙動を精度よく反映させることができる。また、参照点を鋼板の長手方向の位置に少なくとも一つ設定すると共に、鋼板の幅方向の位置に少なくとも一つ設定することにより、基準点直下の内部で生じる熱移動の方向に関する情報を反映させることができる。例えば図８に示す参照点において、鋼板の長手方向の位置に配置した参照点ＰＢ１、基準点ＰＡ、参照点ＰＢ２における表面温度の差異があれば、鋼板内部に長手方向の熱移動が生じていることになる。一方、鋼板の幅方向の位置に配置した参照点ＰＢ３、基準点ＰＡ、参照点ＰＢ４における表面温度の差異があれば鋼板内部に幅方向の熱移動が生じていることになる。従って、基準点及びこれらの参照点における表面温度情報に基づいて、鋼板内部における熱移動の方向に関する情報を反映させることができる。このような理由から本実施形態では、表面温度情報データセットとして、基準点における表面温度の実測データと、その基準点に基づいて設定される参照点における表面温度の実測データとを用いる態様だけでなく、基準点における表面温度の実測データと、その基準点に基づいて設定される参照点における表面温度の基準点との差分を用いて構成してもよい。基準点と参照点の表面温度の差分も、鋼板内部における熱移動に関する情報だからである。

基準点及びこれらの参照点における表面温度情報を、鋼板の冷却過程における複数の位置で取得することにより、鋼板の内部における熱移動の挙動についての時間的な変化も材質予測モデルに反映させることが可能となり、材質予測モデルによる予測精度が向上する。基準点及びこれらの参照点における表面温度情報は、鋼板Ｓの冷却開始から冷却終了までの間で、２～１０か所の位置で取得するのが好ましい。２か所以上で表面温度情報を取得することにより鋼板Ｓの内部における熱移動の挙動についての時間的な変化に関連する情報を取得できるからであり、１０か所を超える位置で表面温度情報を取得しても、材質予測モデルによる予測精度はそれほど向上しないからである。

〔材質予測部〕
本発明の一実施形態である鋼板の材質予測部は、図２に示す制御用コンピュータ１０又は上位計算機１１に設置してよい。また、図１に示す精整設備における精整工程の処理を統括する精整工程の制御用コンピュータに設置してもよい。また、これらの計算機内の一部として設置しても、これらとは別個のハードウエアとして構成してもよい。また、上記の計算機と通信機能を備えるタブレット端末内に設置してもよい。但し、材質予測部は、図２に示す制御用コンピュータ１０又は上位計算機１１と通信可能な手段を備え、冷却設備３において取得した鋼板Ｓの表面温度情報を取得できるものとする。以下、図１０を参照して、本発明の一実施形態である鋼板の材質予測部の動作について説明する。

図１０は、本発明の一実施形態である鋼板の材質予測部の動作を説明するための図である。図１０に示す動作は、材質予測部が冷却設備３を通過した鋼板について、材質予測の対象となる鋼板の製品番号や製造番号等、鋼板を特定するための情報を制御用コンピュータ１０又は上位計算機１１から取得し、材質予測部が鋼板の面内において材質を予測すべき位置として予測基準点の情報を取得したタイミングで開始される。なお、材質予測部で用いる「予測基準点」は、材質予測モデル生成部２０のデータベース部２０ａに実績データを蓄積する際に用いられた基準点とは異なり、材質予測の対象となる鋼板の任意の位置を指定できる。

次に、対象となる鋼板を特定する情報に基づいて、材質予測部は、制御用コンピュータ１０又は上位計算機１１に保存される、冷却設備３を通過した際に収集された表面温度情報を取得する。鋼板の表面温度情報は、鋼板の面内の位置情報に対応付けられた表面温度の実績データである。一方、予測基準点が指定されると、材質予測部は、その予測基準点に基づいて予測参照点を設定する。材質予測部で用いる予測参照点は、材質予測モデル生成部２０のデータベース部２０ａに実績データを蓄積するため用いた参照点と同様の位置関係で予測基準点に対して設定される。すなわち、材質予測モデル生成部２０のデータベース部２０ａに蓄積される基準点に対応する参照点の数と同一であり、基準点からの距離や方向も同一の位置関係にある参照点が材質予測部では適用される。

材質予測部は、このようにして設定された予測基準点及び予測参照点の位置情報に基づき、それらの位置に対応する鋼板の表面温度の実測データを鋼板の表面温度情報から取得する。これにより、材質予測モデルＭの入力とする表面温度情報データセットが構成される。なお、鋼板の表面温度情報は、鋼板の面内の座標に対応付けられた離散的な情報となるため、本実施形態においては、鋼板の表面温度情報が取得される鋼板の面内の位置に関する区分（表面温度情報の収集ピッチ）に比べて、上記の予測基準点と予測参照点との間の距離は少なくとも２倍以上大きいものとする。一方、材質予測モデルＭの入力として、鋼板の属性情報パラメータを用いる場合や、水冷装置４の操業パラメータを用いる場合には、それぞれの実績データは上位計算機１１や上位計算機１１に接続される制御用コンピュータ１０の記憶装置から材質予測部に送られる。

以上の処理により、材質予測部は、表面温度情報データセットを入力データとして、材質予測モデルＭに入力することにより、鋼板上で設定された予測基準点に対応する位置での冷却設備を通過した後の鋼板の材質情報を出力する。

一方、材質予測部において、材質予測に用いる予測基準点を鋼板の面内で変更しながら、それぞれの予測基準点に対応した材質情報を出力することによって、鋼板の全幅全長の材質予測結果を得ることができる。また、このようにして得られる鋼板の全幅全長の材質予測結果に基づき、鋼板の材質の合否判定を行うことができる。具体的には、鋼板の面内全体に対して所定の材質基準を満足しているか否かを判定し、材質基準を満足しない部分を切断により切捨てを行ったり、当初の計画とは異なる仕様の製品に割り当てたりするといった処置工程を追加することができる。処置工程とは、当初の生産計画とは異なる追加工程をいう。これにより、製品としての鋼板の材質が不均一な製品が出荷されることを抑制でき、面内の材質が均一な鋼板を提供することができる。

＜実施例１＞
本実施例では、図１に示すオフライン型熱処理設備１において、予め予備処理設備においてショットブラスト加工を行い、表面のスケールを除去した室温状態の鋼板を用いた。その後、鋼板を加熱炉２で９３０℃まで窒素雰囲気で加熱した後、冷却設備３で冷却し、冷却停止温度として目標温度４３０℃にて冷却を行い、調質鋼を製造した。冷却設備３は加熱炉２の下流側に配置されており、その内部には水冷装置４を構成する７対の水冷ノズル４１ａ，４１ｂと８対の拘束ロール４２ａ，４２ｂが配置されている。水冷ノズル４１ａ，４１ｂとしてフラットスプレーノズルを用いた。

本実施例では、鋼板の幅方向の温度を測定可能な走査型の表面温度計を、加熱炉２から２．０ｍ離れた冷却設備３の入口部に設置すると共に、水冷装置４の出口部から３．０ｍ離れた位置にも走査型の表面温度計を設置した。これにより、冷却設備３の入口部において冷却開始温度を鋼板の全幅全長で測定すると共に、冷却設備３の出口部において冷却停止温度を鋼板の全幅全長で測定し、これらを鋼板の表面温度情報として制御用コンピュータ１０を経由して上位計算機１１の記憶装置に保存した。なお、本実施例において測定された鋼板の冷却開始温度及び冷却停止温度は、鋼板の面内中央部で９１０℃±１０℃及び４５０℃±５０℃であった。

本実施例では、材質予測の対象とする鋼板として、板厚１２ｍｍ、引張強度７８０ＭＰａ級（規格：降伏応力６８５ＭＰａ以上、引張強度７８０～９３０ＭＰａ）の厚鋼板を対象とした。材質予測モデルの生成にあたっては、サイズ及び規格が同一の区分に分類される厚鋼板を１００枚用いて学習用データを取得した。それぞれの厚鋼板に対しては、鋼板の先端部、尾端部、幅方向端部、中央部等の鋼板面内の位置から選択した１～５点の基準点を設定した。設定された基準点に基づく参照点は、鋼板の長手方向及び幅方向に各２点ずつ設定し、基準点と参照点との距離は５０ｍｍとした。これにより、１つの基準点に対しては４つの参照点を有し、１つの表面温度測定装置により取得される５点の表面温度情報により構成される１組の表面温度情報データセットが生成された。すなわち、冷却設備３による冷却過程を通じて、一つの基準点に対して１０点の表面温度情報により構成される１組の表面温度情報データセットが生成されたことになる。

一方、鋼板の属性情報から選択される属性情報パラメータとして、鋼板の成分組成、板幅、板長さを選択し、鋼板の成分組成については、鋼板のＣ含有量、Ｓｉ含有量、Ｍｎ含有量、Ｃｒ含有量、Ｍｏ含有量を重量％として、鋼板の属性情報パラメータに含めた。これらの情報は、上位計算機１１に保存されていたものである。なお、鋼板にはこれらの合金成分の他に、Ｐ、Ｔｉ、Ｓ、Ａｌ、Ｎ等が含まれていたが、上記区分内では、以下に示す鋼板の材質予測モデルの予測精度には大きな影響がなかったため、本実施例の属性情報パラメータにはこれらの合金成分を含めなかった。さらに、本実施例では、水冷装置４の操業実績データとして、水冷装置４のトータル噴射水量、噴射ゾーン数、及び冷却設備３内での鋼板の搬送速度を選択して操業実績データに含めた。さらに、本実施例に用いた鋼板の冷却設備３を通過した後の材質情報としては、精整工程において、基準点に対応する位置から採取された試験片サンプルを用いた引張試験により得られた引張強度及び降伏応力を用いた。

本実施例では、上記の１００枚の鋼板に対する熱処理を行い、それぞれの基準点に対応する位置での材質情報の実績データ、基準点に対する表面温度情報データセットの実績データ、上記属性情報パラメータ、及び上記水冷装置４の操業実績データをデータベース部２０ａに蓄積した。そして、これらの学習用データを用いた機械学習によって、冷却設備３を通過した後の鋼板の材質予測モデルＭを生成した。機械学習のアルゴリズムとしては、ニューラルネットワークを用い、ニューラルネットワークの中間層は３層、ノード数は５個ずつとした。活性化関数にはシグモイド関数を用いた。

このようにして生成した材質予測モデルＭは、精整工程の制御用コンピュータと通信可能なタブレット端末に送られ、その内部に構成された材質予測部の材質予測モデルとした。また、本実施例の材質予測部は、鋼板の面内に設定される予測基準点を種々変更しながら、予測基準点に対応する位置での材質情報を取得することにより、鋼板の全幅全長に対する材質予測結果を出力する機能を備える。また、予測された材質情報及び冷却過程で取得した表面温度情報は、上記タブレット端末上に画像として表示及び出力が可能である。

図１１（ａ）は冷却過程において取得した冷却設備の入口部に配置した表面温度測定装置により得られた表面温度情報の例を、図１１（ｂ）は冷却設備の出口部に配置した表面温度測定装置により得られた表面温度情報の例を示す。また、図１２（ａ）は本実施例による材質情報として降伏応力を表示した例を、図１２（ｂ）は引張強度を表示した例を示す。このように、材質予測部により鋼板の全幅全長の材質情報を予測することができる。上記タブレット端末は、このような色画像から表面温度情報及び材質情報を等高線により表示する機能を備えており、例えば図１３（ａ）～（ｄ）に示すような画像を表示することができる。このような材質予測結果を用いることにより、鋼板の面内において材質が所定の仕様を満足しない領域が存在するか否かを容易に判定することができる。

図１３（ａ）に示す例では、鋼板の表面における冷却開始温度が、厚鋼板の幅方向端部で若干低下している様子がみられる。加熱炉内では厚鋼板はほぼ均一に加熱されていると推定されるものの、加熱炉から抽出して冷却設備の入口部に配置した表面温度測定装置に到達する間にも、厚鋼板の側面からの放熱が生じたためと考えられる。また、図１３（ｂ）では、厚鋼板の幅方向端部で厚鋼板の表面における冷却停止温度の低下がみられると共に、厚鋼板の幅方向１／４ｗ及び３／４ｗの領域で冷却停止温度が若干高く、また厚鋼板の長手方向では、鋼板先端部の冷却停止温度が後端部の冷却停止温度よりも若干高くなっていることが分かる。鋼板端部の温度低下は、水冷装置の上流側で発生した過冷却に加えて、水冷装置の特性として、冷却水の流れや変動等の影響を受けて発生したと考えられる。なお、鋼板の長手方向における温度変化もこのような水冷装置の特性に起因するものと推定される。

図１３（ｃ），（ｄ）に示す引張強度及び降伏応力の予測値については、鋼板の幅方向端部で引張強度が低めとなり、降伏応力が高めとなっている。また、鋼板の幅方向１／４ｗ及び３／４ｗの領域で降伏応力が低めになっている。さらに、鋼板の長手方向では、先端部の降伏応力が後端部の降伏応力よりも低くなっている。このような傾向は、図１３（ｂ）で示した冷却装置の出口部で取得した表面温度情報と相関がみられ、冷却停止温度が低いほど降伏応力が高くなる傾向を示した。

次に、図１３（ａ）～（ｄ）に示す鋼板について、面内の先端部や尾端部の近傍、及び幅方向両端部の近傍を含み、任意に選択した３０箇所から試験片サンプルを採取し、引張試験を行った。その結果を図１３（ｃ），（ｄ）に示した材質情報と比較した結果を図１４（ａ），（ｂ）に示す。図１４（ａ）に示すように、引張強度については、予測値と実測値の誤差の標準偏差は４．６ＭＰａであった。また、図１４（ｂ）に示すように、降伏応力については、予測値と実測値の誤差の標準偏差は９．１ＭＰａであった。これにより、本発明によれば、実用上十分な材質の予測精度が得られることが確認された。

以上のように、本実施例によれば、例えば鋼板の製品出荷の段階で、従来は機械試験を行った部位のみの材質情報に基づいて品質保証を行っていたのに対して、全幅全長に渡る材質を保証することが可能となる。さらに、本実施例により生成した材質予測モデルを用いれば、例えば鋼板の熱処理工程に先立って、鋼板の成分組成のばらつきに応じて、水冷装置の操業パラメータを調整することにより、材質のバラツキが少ない鋼板の製造も可能となる。

＜実施例２＞
以下では、本実施形態に係る鋼板の材質予測方法を、他の材質情報を出力する場合に適用した結果について説明する。本実施例では、図１に示すオフライン型熱処理設備１を用いて耐摩耗性に優れる鋼板を製造した。オフライン型熱処理設備１を用いて熱処理を行う鋼板は、鋼素材の成分組成が、質量％で、Ｃ：０．１２～０．５０％、Ｓｉ：０．０１～１．０％、Ｍｎ：０．０１～２．５％、Ｐ：０．０４０％以下、Ｓ：０，０４０％以下、Ｃｒ：０．０１～３．０％、Ｔｉ：０．００１～１．５％、Ｂ：０．０００１～０．０１０％、Ａｌ：０．１０％以下、Ｎ：０．０５０％以下を含み、残部Ｆｅ及び不可避的不純物からなるものを用いた。鋼素材は、予め熱間圧延ラインを用いて、加熱温度１１５０～１２５０℃、Ａｒ３変態点以上の温度域での累積圧下率９０～９７％の条件で熱間圧延を行い、板厚１２～１３ｍｍの鋼板とした後、室温まで冷却した。本実施例では、図２に示すオフライン型熱処理設備１の加熱炉２を用いて熱間圧延後の鋼板を再加熱し、冷却設備３を用いた鋼板の焼入れを行った。鋼板の熱処理条件としては、冷却開始温度を９３０℃±１０℃として、目標冷却停止温度が２５０℃±５０℃となるように水冷装置４の操業条件を設定した。

本実施例では、上記条件の下で、水冷装置４のトータル噴射水量、噴射ゾーン数、及び冷却設備３内での鋼板の搬送速度を変更した条件で、１００枚の鋼板に対して熱処理を行った。本実施例における鋼板の材質情報には、以下の材質情報を選択した。

・硬さ試験により取得される鋼板表面のブリネル硬さＨＢＷ
・シャルピー衝撃試験により取得される－４０℃における吸収エネルギー（Ｊ）
・繰返し応力歪み試験により取得される繰返し降伏強度（ＭＰａ）
・疲労き裂伝播試験により取得される応力拡大係数範囲ΔＫ１＝１５ＭＰａ√ｍにおける疲労き裂伝播速度（ｍ／ｃｙｃｌｅ）

鋼板の材質情報は、冷却設備３を通過した後の鋼板から取得されるものであり、オフライン熱処理工程において精整設備に搬送された鋼板の基準点に対応した位置から上記試験を行うための試験片サンプルを採取した。一つの基準点に対応して採取した試験片サンプルは２００×２００ｍｍであり、採取した試験片サンプルから上記試験に供する試験片を採取した。鋼板に設定した基準点は、鋼板の先端部、尾端部、幅方向端部（作業側、駆動側）、及び面内中央部の５点として、製造する鋼板に応じて１～５点の基準点を個別に設定した。設定された基準点に対応する参照点は、鋼板の長手方向及び幅方向に２点ずつ設定し、基準点と参照点との間の距離はすべて１５０ｍｍとした。これにより、１つの基準点に対しては４つの参照点が対応付けられた。

本実施例においては、鋼板の表面温度を測定する温度測定装置を、水冷装置４の入口から１ｍ離れた位置と、水冷装置４よりも下流側に５ｍ離れた位置の２箇所に配置した。これにより、鋼板の冷却開始温度と冷却停止温度を測定した。すなわち、本実施例では鋼板の表面温度情報データセットとして、一つの基準点に対応して参照点の温度を含む５つの温度情報が２箇所で取得されるため、１０個の表面温度情報を有する表面温度情報データセットが、それぞれの基準点に対して取得される。

以上のようにして基準点毎に取得された表面温度情報データセットは、学習用データとして、鋼板を識別する情報及び基準点を特定する情報と共にデータベース部２０ａに蓄積された。また、データベース部２０ａには、鋼板毎に取得される鋼板の属性情報パラメータとして、鋼板の板幅の実績データと、鋼板の成分組成に関する実績データとしてＣ含有量、Ｓｉ含有量、Ｍｎ含有量、Ｃｒ含有量を、蓄積した。なお、本実施例に用いた鋼素材には他の成分組成も含まれるものの、水冷装置４の操業パラメータ等との組合せにより、それらの成分組成が材質予測モデルの予測精度に与える影響は大きくなかったため、鋼素材の主要な成分組成に限定して材質予測モデルを生成した。

さらに、データベース部２０ａには、水冷装置４の操業実績データとして、水冷装置４のトータル噴射水量、噴射ゾーン数、及び冷却設備３内での鋼板の搬送速度の実績データを蓄積した。一方、鋼板の基準点毎に取得される材質情報は、試験片サンプルから採取した試験片を用いた上記試験結果をデータベース部２０ａに蓄積した。なお、データベース部２０ａでは、鋼板を識別する情報及び基準点を特定する情報に基づき、表面温度情報データセット、鋼板の属性情報パラメータ、水冷装置４の操業実績データ、及び鋼板の材質情報の実績データが対応付けられた。

その後、材質予測モデル生成部２０の機械学習部２０ｂにおいて、表面温度情報データセット、鋼板の属性情報パラメータ、水冷装置４の操業実績データを入力実績データ、これらの入力実績データに対応する鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって、冷却設備３を通過した後の鋼板の材質予測モデルＭを生成した。機械学習のアルゴリズムには、ニューラルネットワークを用い、ニューラルネットワークの中間層は５層、ノード数は８個ずつとした。活性化関数にはシグモイド関数を用いた。

材質予測モデル生成部２０で生成された鋼板の材質予測モデルＭは、精整設備の制御用コンピュータと通信可能なタブレット端末に送られ、その内部に構成された材質予測部の材質予測モデルとした。精整設備の制御用コンピュータは、熱処理設備の制御用コンピュータ１０と共通の上位計算機１１を有しており、熱処理設備の制御用コンピュータ１０が取得する実績データや表面温度測定装置が取得する実績データを取得可能な構成となっている。これにより、材質予測部では、オフライン型熱処理設備１において取得される鋼板の予測基準点及び予測参照点における表面温度の実測データと、鋼板の属性情報パラメータの実績データと、水冷装置４の操業実績データとを取得でき、材質予測モデルＭに入力することにより鋼板の予測基準点に対応する位置での冷却設備を通過した後の鋼板の材質情報を出力させることができる。

本実施例では、テスト用の鋼板として、上記と同様の鋼板を６枚準備して、改めてオフライン型熱処理設備１を用いた熱処理を行った。その際、鋼板がオフライン型熱処理設備１の冷却設備３を通過した後に、表面温度測定装置によって測定された鋼板全面の表面温度情報を材質予測部が取得し、材質予測部では鋼板の予測基準点を鋼板面内で変更しながら、各予測基準点に対応した位置での鋼板の材質情報を出力した。これにより、材質予測部からは鋼板の全面における材質情報の予測値が得られた。

テスト用に製造された鋼板からは、その先端部、尾端部、及び面内の任意に選択した３箇所の位置から試験片サンプルを採取して、上記と同様の試験により鋼板の材質情報を取得した。すなわち、６枚の鋼板から各５か所の位置から計３０個の材質情報の実績データを取得した。また、材質予測部では試験片サンプルを採取した位置に対応する予測基準点の材質情報の予測値を出力し、材質情報の実績データと比較した。そして、鋼板の材質情報に関する予測値と実績値との誤差を集計し、その標準偏差σを算出したところ、以下のような結果が得られた。

・ブリネル硬さの実績データの平均値３６６ＨＢＷに対して予測誤差の標準偏差σ５．２ＨＢＷ
・吸収エネルギーの実績データの平均値２２Ｊに対して予測誤差の標準偏差σ２．３Ｊ
・繰返し降伏強度の実績データの平均値１０５７ＭＰａに対して予測誤差の標準偏差σ４３．６ＭＰａ
・疲労き裂伝播速度の実績データの平均値４．１２×１０^－９ｍ／ｃｙｃｌｅに対して予測誤差の標準偏差σ０．７５×１０^－９ｍ／ｃｙｃｌｅ

以上のことから、本実施例において生成した鋼板の材質予測モデルＭは、硬さ試験、シャルピー衝撃試験、繰返し応力歪み試験、及び疲労き裂伝播試験により測定される鋼板の材質情報を実用上十分な精度で予測できることが分かった。

＜実施例３＞
以下では、本実施形態に係る鋼板の材質予測方法を、曲げ加工性に優れる耐摩耗鋼に適用した結果について説明する。本実施例では、オンライン型熱処理工程を実行する、図１５に示す熱間圧延ラインの冷却設備３により焼入れ処理を行った。

図１５に示す熱間圧延ラインは、加熱炉２、圧延機３０、及び冷却設備３を備えている。加熱炉２では、鋼素材のスラブが所定温度まで加熱される。圧延機３０は、レバース式圧延機であり、鋼板を所定の板厚及び板幅になるように複数パスの圧延を行う設備である。圧延機３０によって所定の寸法に圧延された鋼板は、高温状態に加熱された状態にあり、その後冷却設備３を用いた熱処理工程が施される。また、冷却設備３の上流側と下流側には温度測定装置５１，５３が配置されている。オンライン型の熱処理設備に配置される冷却設備３も、図２に示す冷却設備３と同様のものが用いられる。

本実施例では、熱間圧延ラインの冷却設備３を用いたオンライン型熱処理工程を実行した後に、鋼板の焼戻し処理を行った。焼戻し処理では冷却設備を用いた鋼板の冷却は行わず、焼戻し処理後の鋼板から材質情報を取得した。上記製造工程により焼戻し処理を行う鋼板は、鋼素材の成分組成が、質量％で、Ｃ：０．０６～０．２５％、Ｓｉ：０．０１～０．８％、Ｍｎ：０．５～２％、Ｐ：０．０１０％以下、Ｓ：０．００３％以下、Ａｌ：０．００５～０．１％、Ｎ：０．０００５～０．００８％、Ｍｏ：０．０１～１％、を含有し、残部Ｆｅ及び不可避的不純物からなるものである。鋼素材は、熱間圧延ラインを用いて、加熱温度１１００℃、未再結晶域圧下率４０～～５０％の条件で熱間圧延を行い、板厚１０ｍｍの鋼板とした後、図２に示す冷却設備３と同じ構成の冷却設備により、冷却開始温度７５０～７８０℃、目標冷却停止温度２００～２５０℃、５００～７００℃の平均冷却速度の目標値６５～７０℃／秒の条件で熱処理を行った。その後、鋼板に対して５８０～６００℃で再加熱を行って焼戻し処理を実行した。

本実施例では、上記オンライン型熱処理工程において、水冷装置４のトータル噴射水量、噴射ゾーン数、及び冷却設備３内での鋼板の搬送速度を変更した条件で、１００枚の鋼板に対して焼入れ処理を実行した。その後、同一の焼戻し条件で鋼板の焼戻しを行った後、冷却床において空冷を行ってから精整設備において試験片サンプルの採取を行い、以下に示す試験から鋼板の材質情報を取得した。

・引張試験により取得される得られる引張強度（ＭＰａ）と降伏応力（ＭＰａ）
・曲げ試験により取得される限界曲げ半径（鋼板の板厚に対する曲げ半径の比）

鋼板の材質情報は、熱間圧延ラインの冷却設備３を通過して焼入れ処理を行った後、再加熱による焼戻し処理を行った後の鋼板から取得されるものであり、焼戻し処理後に精整設備に搬送された鋼板の基準点に対応した位置から上記試験を行うための試験片サンプルを採取した。一つの基準点に対応して採取した試験片サンプルは１５０×１５０ｍｍであり、採取した試験片サンプルから上記試験に供する試験片を採取した。鋼板に設定した基準点は、鋼板の先端部、尾端部、幅方向端部（作業側、駆動側）、及び面内中央部の５点として、製造する鋼板に応じて１～５点の基準点を個別に設定した。設定された基準点に対応する参照点は、鋼板の幅方向に２点設定し、基準点と参照点との間の距離は８０ｍｍとした。これにより、１つの基準点に対しては２つの参照点が対応付けられた。

鋼板の表面温度を測定する温度測定装置を、熱間圧延ラインの下流側に配置された水冷装置４の入口から２ｍ離れた位置と、水冷装置４よりも下流側に５ｍ離れた位置の２箇所に配置した。これにより、鋼板の冷却開始温度と冷却停止温度を測定した。すなわち、本実施例では鋼板の表面温度情報データセットとして、一つの基準点に対応して参照点の温度を含む３つの温度情報が２か所で取得されるため、６個の表面温度情報を有する表面温度情報データセットが、それぞれの基準点に対して取得される。

以上のようにして基準点毎に取得された表面温度情報データセットは、学習用データとして、鋼板を識別する情報及び基準点を特定する情報と共にデータベース部２０ａに蓄積された。また、データベース部２０ａには、鋼板毎に取得される鋼板の属性情報パラメータとして、鋼板の板幅及び長さの実績データと、鋼板の成分組成に関する実績データとしてＣ含有量、Ｓｉ含有量、Ｍｎ含有量、及びＭｏ含有量を蓄積した。なお、本実施例に用いた鋼素材には他の成分組成も含まれるものの、水冷装置４の操業パラメータ等との組合せにより、それらの成分組成が材質予測モデルの予測精度に与える影響は顕著ではなかったため、鋼素材の主要な成分組成に限定して材質予測モデルを生成した。さらに、データベース部２０ａには、水冷装置４の操業実績データとして、水冷装置４のトータル噴射水量、噴射ゾーン数、及び冷却設備３内での鋼板の搬送速度の実績データを蓄積した。一方、鋼板の基準点ごとに取得される材質情報は、試験片サンプルから採取した試験片を用いた上記試験結果をデータベース部２０ａに蓄積した。なお、データベース部２０ａでは、鋼板を識別する情報及び基準点を特定する情報に基づき、表面温度情報データセット、鋼板の属性情報パラメータ、水冷装置４の操業実績データ、及び鋼板の材質情報の実績データが対応付けられた。

その後、材質予測モデル生成部２０の機械学習部２０ｂにおいて、表面温度情報データセット、鋼板の属性情報パラメータ、及び水冷装置４の操業実績データを入力実績データ、これらの入力実績データに対応する鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって、熱間圧延ラインの冷却設備３を通過して焼戻し処理を行った後の鋼板の材質予測モデルＭを生成した。機械学習のアルゴリズムには、ニューラルネットワークを用い、ニューラルネットワークの中間層は４層、ノード数は６個ずつとした。活性化関数にはシグモイド関数を用いた。なお、冷却設備３を通過した鋼板に対して実行する焼戻し処理の操業条件は、鋼板の規格や鋼種に応じて予め設定されており、再加熱における焼戻し温度のばらつきは小さい。そのため、鋼板の材質情報に対する影響度は、冷却設備３での鋼板の冷却過程における操業パラメータに比べて相対的に小さく、材質予測モデルの入力として焼戻し工程の操業パラメータを用いなくても、高精度な鋼板の材質情報モデルを生成することができる。

材質予測モデル生成部２０で生成された鋼板の材質予測モデルＭは、精整設備の制御用コンピュータと通信可能なタブレット端末に送られ、その内部に構成された材質予測部の材質予測モデルとした。精整設備の制御用コンピュータは、熱間圧延ラインの制御用コンピュータ１０と共通の上位計算機１１を有しており、熱間圧延ラインの制御用コンピュータ１０が取得する実績データや表面温度測定装置が取得する実績データを取得可能な構成となっている。これにより、材質予測部では、熱間圧延ラインの冷却設備において取得される鋼板の予測基準点及び予測参照点における表面温度の実測データと、鋼板Ｓの属性情報パラメータの実績データと、水冷装置４の操業実績データとを取得でき、材質予測モデルＭに入力することにより鋼板の予測基準点に対応する位置での冷却設備を通過した後の鋼板の材質情報を出力させることができる。

本実施例では、テスト用の鋼板として、上記と同様の鋼板を１０枚準備して、改めて熱間圧延ラインの冷却設備を用いた焼入れ処理と、再加熱による焼戻し処理を行った。その際、鋼板が熱間圧延ラインの冷却設備３を通過した後に、表面温度測定装置によって測定された鋼板全面の表面温度情報を材質予測部が取得し、材質予測部では鋼板の予測基準点を鋼板面内で変更しながら、各予測基準点に対応した位置での鋼板の材質情報を出力した。これにより、材質予測部からは鋼板の全面における材質情報の予測値が得られた。テスト用に製造された鋼板からは、鋼板面内の任意に選択した３箇所の位置から試験片サンプルを採取して、上記と同様の試験により鋼板の材質情報を取得した。すなわち、１０枚の鋼板の各３か所の位置から計３０個の材質情報の実績データを取得した。また、材質予測部では試験片サンプルを採取した位置に対応する予測基準点の材質情報の予測値を出力し、材質情報の実績データと比較した。そして、鋼板の材質情報に関する予測値と実績値との誤差を集計し、その標準偏差σを算出したところ、以下のような結果が得られた。

・引張強度の実績データの平均値１００５ＭＰａに対して予測誤差の標準偏差σ１２．３ＭＰａ
・降伏応力の実績データの平均値９７０ＭＰａに対して予測誤差の標準偏差σ９．２ＭＰａ
・限界曲げ半径（板厚に対する比率）の実績データの平均値２．５に対して予測誤差の標準偏差０．３４

以上から、本実施例において生成した鋼板の材質予測モデルＭは、引張試験及び曲げ試験により測定される鋼板の材質情報を実用上十分な精度で予測できることが分かった。

以上、本発明者らによってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

本発明によれば、冷却設備を通過した後の鋼板の材質情報を精度よく予測する鋼板の材質予測モデルを生成可能な鋼板の材質予測モデルの生成方法を提供することができる。また、本発明によれば、冷却設備を通過した後の鋼板の材質情報を精度よく予測可能な鋼板の材質予測方法を提供することができる。さらに、本発明によれば、材質の均一性に優れた鋼板を製造可能な鋼板の製造方法及び製造設備を提供することができる。

１ オフライン型熱処理設備
２ 加熱炉
３ 冷却設備
４ 水冷装置
５，５１，５２，５３ 温度測定装置
６ テーブルロール
７ 水切りパージノズル
７ａ 水切りパージ
１０ 制御用コンピュータ
１０ａ 水冷条件演算部
１１ 上位計算機
２０ 材質予測モデル生成部
２０ａ データベース部
２０ｂ 機械学習部
３０ 圧延機
４１ａ，４１ｂ 水冷ノズル
４２ａ，４２ｂ 拘束ロール
４３ 水冷流量制御装置
５４ 表面温度情報生成装置
Ｍ 材質予測モデル
ＰＡ 基準点
ＰＢ１，ＰＢ２，ＰＢ３，ＰＢ４ 参照点
Ｓ 鋼板
Ｗ 冷却水

Claims (8)

1. 加熱された鋼板に冷却水を噴射することによって鋼板を冷却する水冷装置と、冷却過程における鋼板の表面温度を測定する温度測定装置と、を備える鋼板の冷却設備における鋼板の材質予測モデルの生成方法であって、
   鋼板上に予め設定される基準点における表面温度の実測データと、前記基準点に基づいて設定される参照点における表面温度の実測データと、を含む、表面温度情報データセットを入力実績データ、前記入力実績データに対応する鋼板上の基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって、前記冷却設備を通過した後の鋼板の材質予測モデルを生成するステップを含み、
   前記温度測定装置は、前記冷却設備のうち、前記水冷装置よりも上流側の位置と、前記水冷装置の途中の位置と、前記水冷装置よりも下流側の位置とのうちの少なくとも一つに設置され、
   前記表面温度の実測データは、前記温度測定装置により測定されたデータであり、
   前記参照点は、前記基準点に対して前記鋼板の長手方向と前記鋼板の幅方向とのうちの少なくとも一方の方向にずれた位置であって、前記基準点からの距離が０．１～２００ｍｍの範囲に設定される、
   鋼板の材質予測モデルの生成方法。
2. 前記参照点は、前記基準点に対して前記鋼板の長手方向のみにずれた位置に少なくとも一つ設定される長手方向参照点と、前記基準点に対して前記鋼板の幅方向のみにずれた位置に少なくとも一つ設定される幅方向参照点と、を含む、請求項１に記載の鋼板の材質予測モデルの生成方法。
3. 前記材質予測モデルは、前記入力実績データとして、前記鋼板の属性情報から選択される属性情報パラメータを含む、請求項１又は２に記載の鋼板の材質予測モデルの生成方法。
4. 前記材質予測モデルは、前記入力実績データとして、前記水冷装置の操業実績データから選択される少なくとも１つの操業実績データを含む、請求項１～３のうち、いずれか１項に記載の鋼板の材質予測モデルの生成方法。
5. 前記機械学習として、ニューラルネットワーク、決定木学習、ランダムフォレスト、及びサポートベクター回帰の中から選択した機械学習を用いる、請求項１～４のうち、いずれか１項に記載の鋼板の材質予測モデルの生成方法。
6. 加熱された鋼板に冷却水を噴射することによって鋼板を冷却する水冷装置と、冷却過程における鋼板の表面温度を測定する温度測定装置と、を備える鋼板の冷却設備における鋼板の材質予測方法であって、
   鋼板上に予め設定される基準点における表面温度の実測データと、前記基準点に基づいて設定される参照点における表面温度の実測データと、を含む、表面温度情報データセットを入力実績データ、前記入力実績データに対応する鋼板上の基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって生成された材質予測モデルを用いて、前記冷却設備を通過した後の鋼板の材質情報を予測する予測ステップを含み、
   前記予測ステップは、
   前記基準点とは異なる位置に、前記鋼板の面内において材質を予測すべき位置としての予測基準点を設定するステップと、
   前記基準点に対する前記参照点と同様の位置関係で前記予測基準点に対して予測参照点を設定するステップと、
   前記冷却設備において取得した前記鋼板の表面温度情報から、前記予測基準点および前記予測参照点の位置に対応する鋼板の表面温度の実測データを取得するステップと、
   取得した前記予測基準点における鋼板の表面温度の実測データと、取得した前記予測参照点における鋼板の表面温度の実測データとを含む、表面温度情報データセットを入力として、前記材質予測モデルに入力し、前記予測基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力するステップと、を含み、
   前記温度測定装置は、前記冷却設備のうち、前記水冷装置よりも上流側の位置と、前記水冷装置の途中の位置と、前記水冷装置よりも下流側の位置とのうちの少なくとも一つに設置され、
   前記表面温度の実測データは、前記温度測定装置により測定されたデータであり、
   前記参照点は、前記基準点に対して前記鋼板の長手方向と前記鋼板の幅方向とのうちの少なくとも一方の方向にずれた位置であって、前記基準点からの距離が０．１～２００ｍｍの範囲に設定される、
   鋼板の材質予測方法。
7. 請求項６に記載の鋼板の材質予測方法を用いて、前記冷却設備を通過した後の鋼板の材質の合否判定を行うステップを含む、鋼板の製造方法。
8. 加熱された鋼板に冷却水を噴射することによって鋼板を冷却する水冷装置と、冷却過程における鋼板の表面温度を測定する温度測定装置と、を有する鋼板の冷却設備と、
   鋼板上に予め設定される基準点における表面温度の実測データと、前記基準点に基づいて設定される参照点における表面温度の実測データを含む、表面温度情報データセットを入力実績データ、前記入力実績データに対応する鋼板上の基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力実績データとした、複数の学習用データを用いた機械学習によって生成された材質予測モデルを用いて、前記冷却設備を通過した後の鋼板の材質情報を出力する材質予測部と、を備え、
   前記材質予測部は、
   前記基準点とは異なる位置に、前記鋼板の面内において材質を予測すべき位置としての予測基準点を設定し、
   前記基準点に対する前記参照点と同様の位置関係で前記予測基準点に対して予測参照点を設定し、
   前記冷却設備において取得した前記鋼板の表面温度情報から、前記予測基準点および前記予測参照点の位置に対応する鋼板の表面温度の実測データを取得し、
   取得した前記予測基準点における鋼板の表面温度の実測データと、取得した前記予測参照点における鋼板の表面温度の実測データとを含む、表面温度情報データセットを入力として、前記材質予測モデルに入力し、前記予測基準点に対応する位置での前記冷却設備を通過した後の鋼板の材質情報を出力し、
   前記温度測定装置は、前記冷却設備のうち、前記水冷装置よりも上流側の位置と、前記水冷装置の途中の位置と、前記水冷装置よりも下流側の位置とのうちの少なくとも一つに設置され、
   前記表面温度の実測データは、前記温度測定装置により測定されたデータであり、
   前記参照点は、前記基準点に対して前記鋼板の長手方向と前記鋼板の幅方向とのうちの少なくとも一方の方向にずれた位置であって、前記基準点からの距離が０．１～２００ｍｍの範囲に設定される、
   鋼板の製造設備。

Images